Upgrade to Pro — share decks privately, control downloads, hide ads and more …

#TRG26 / Mai Giménez / Cómo programan quienes p...

TRGCON
October 23, 2026

#TRG26 / Mai Giménez / Cómo programan quienes programan la IA

La inteligencia artificial ha cambiado para siempre la forma en la que desarrollamos software, pero demasiadas empresas todavía creen que «trabajar con IA» consiste en pagar una suscripción de Gemini, Claude o Codex a sus desarrolladores.

Limitarse a replicar el día a día con la asistencia de un LLM es un grave error. En la era de la IA agéntica, el miedo a la página en blanco ha muerto, pero el peligro real es el AI-slop. Nuestro rol como desarrolladores debe evolucionar para adaptarse a este nuevo paradigma, repensando la organización, los flujos y las herramientas que esa nueva realidad exige.

En esta charla, Mai disecciona las dinámicas de programación, procesos de revisión y mecanismos de colaboración en empresas que no solo usan IA, sino que la desarrollan. Qué tareas se aceleran y escalan. Dónde sigue mereciendo la pena invertir tiempo humano. Qué cuellos de botella nuevos aparecen. Qué hábitos y buenas prácticas conviene cultivar para trabajar mejor sin delegar jamás la responsabilidad de pensar.

Para que, más allá del hype y el ruido, entendamos hacia dónde evolucionará de verdad el desarrollo de software en los próximos años.

TRGCON

October 23, 2026

Transcript

31 slides
  1. ! Curadores de código o cómo programar tras AGI Mai

    Giménez Staff Research Engineer @Google DeepMind
  2. 1. UNA PROFESIÓN EN BÚSQUEDA DE IDENTIDAD Ingeniería de software?

    1922 1968 2013 Los ingenieros canadienses comienzan a llevar un anillo de hierro, un recordatorio de la responsabilidad del ingeniero. Cuarenta personas, diez mil ordenadores en toda Europa, eligieron la expresión «ingeniería del software» para dar nombre a unos fundamentos que la disciplina aún no tenía. Existía un examen de Ingeniero Profesional (Professional Engineer) para software. Se canceló en 2019.
  3. La difusión del conocimiento tiene un valor evidente; la difusión

    masiva de software cargado de errores es aterrador — Dijkstra, Informe de la Conferencia de la OTAN sobre Ingeniería del Software, 1968, p. 13
  4. 1. UNA PROFESIÓN EN BÚSQUEDA DE IDENTIDAD Un cambio de

    paradigma Autoria tradicional 1922 Centrada en la escritura, la implementación manual de algoritmos y el detalle artesanal línea por línea. El éxito se medía por el volumen y la velocidad de la producción manual. Curaduría agéntica 1922 Centrada en evaluar los resultados generados, establecer límites arquitectónicos (guardrails), hacer cumplir los contratos de dominio y preservar la elegancia del código. El éxito se mide por la utilidad.
  5. 2. SIGNOS DE CRISIS GenAI generando slop curl: Da por

    finalizado su programa de recompensas por errores tras verse desbordado por reportes vacíos pero elocuentes. Ghostty: Adopta una política de tolerancia cero frente a las contribuciones de IA de baja calidad. tldraw: Cierra automáticamente todas las pull requests externas. OCaml: Una pull request generada por IA de más de 13.000 líneas, enviada sin discusión previa de diseño. Resultó imposible de revisar. Godot: Prohibió las contribuciones creadas por IA tras una oleada de pull requests generadas por modelos, cuyos autores no eran capaces de explicar sus propios cambios. Matplotlib: Se rechazó una contribución generada por IA. La reacción escaló hasta ataques personales contra la persona a cargo del mantenimiento.
  6. 2. SIGNOS DE CRISIS GenAI también puede ser un riesgo

    PyPi GTG-1002 Hugging face Los modelos inventan nombres de paquetes que no existen y los atacantes los registran. Un grupo vinculado a un Estado dirigió Claude Code a través de aproximadamente 30 intrusiones. Agentes en fase de evaluación escaparon de su entorno aislado y alcanzaron sistemas de producción reales de terceros. Esto representa una forma novedosa de ataque por confusión de paquetes. Entre el 80% y el 90% del trabajo táctico se ejecutó sin intervención humana
  7. La IA no es el problema. El problema es delegar

    sin criterio. El verdadero problema es hacer el trabajo a medias y darlo por terminado. Los ingenieros que culpan a la herramienta pierden credibilidad rápidamente.
  8. 3. EL OFICIO TÉCNICO DEL CURADOR Empieza por el resultado,

    no por la tarea El mejor brief para un agente hace que el resultado sea observable y le da el contexto suficiente para tomar decisiones y evaluar alternativas de forma útil. Flojo Crea una página de configuración. Mejor Permite que los administradores de la cuenta cambien las preferencias de notificaciones Sólido Reduce las solicitudes de soporte sobre notificaciones; los usuarios pueden ver el estado actual, modificarlo y recuperarse de errores. Entrega con tests y analíticas sobre la tasa de finalización.
  9. 3. EL OFICIO TÉCNICO DEL CURADOR Un brief claro tiene

    cinco ingredientes Resultado ¿Qué cambia para el usuario o para el negocio? Contexto ¿Qué debe saber el agente antes de empezar? Restricciones ¿Qué debe seguir siendo verdad? Evaluación ¿Cómo juzgaremos el resultado? Autoria ¿Quién decide cuando surgen compromisos o disyuntivas?
  10. 3. EL OFICIO TÉCNICO DEL CURADOR La revisión se convierte

    en el oficio central de la ingeniería Generar código es barato. Comprender el sistema, detectar riesgos y proteger a los usuarios no lo es. Antes de generar código Durante la generación Antes de mergear Clarifica el scope, las interfaces, los modos de fallo y los criterios de aceptación. Pide tests, alternativas y suposiciones explícitas. Inspecciona el comportamiento, la seguridad, la mantenibilidad y si el cambio resuelve el problema correcto.
  11. 3. EL OFICIO TÉCNICO DEL CURADOR Escribir con claridad se

    convierte en infraestructura técnica Las especificaciones, los registros de decisiones, los prompts, las notas de lanzamiento y los comentarios en las revisiones de código: todo ello define lo que harán a continuación tanto las personas como los agentes. • Define a la audiencia La brevedad demuestra respeto por el tiempo de quien lee. Define la decisión o la acción que • necesitas • Provee evidencias y restricciones Elimina cualquier cosa que traslade • trabajo al lector.
  12. 3. EL OFICIO TÉCNICO DEL CURADOR Niveles de contención NIVEL

    MECANISMO DURACIÓN CUMPLIMIENTO 1 Vibes Lo mencionas en el prompt Una sesión A veces 2 Documentos AGENTS.md / CLAUDE.md / ficheros con reglas Hasta que diverge Frecuentemente 3 Ejemplos Ejemplos que los agentes pueden copiar Largo Casi siempre 4 Ejecutables ruff · mypy · pytest · import-linter · CI Permanente Total
  13. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Como crear

    equipos nativos de IA No existe reemplazo para la cultura Confía en tu equipo y usa los tokens en ti misme Sé consciente del servilismo de los modelos
  14. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Una buena

    codebase empieza con personas de mentalidad abierta, amables y lo bastante humildes como para probar cosas nuevas.
  15. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Todo el

    código puede generarse utilizando IA Lo cual no significa que el software se desarrolle sin responsabilidad humana. La pregunta ya no es si el equipo es capaz de construirlo, sino si está construyendo lo correcto.
  16. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO La IA

    hace más accesible el terreno desconocido Bien utilizada, reduce el coste social de hacer preguntas básicas y acelera el aprendizaje. No sustituye a la validación. 1922 Acelerar el aprendizaje • • • Pide al agente que mapee una codebase que desconoces Pide explicaciones con el nivel de detalle adecuado Genera un plan de aprendizaje en torno al cambio que necesitas realizar. Manten criterio 1922 • • • Verifica las afirmaciones contrastándolas con el sistema. Prueba en el entorno real* Involucra a otras personas cuando el riesgo o el contexto lo requiera.
  17. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO La empatía

    es fundamental en el desarrollo de software Comprender a los usuarios ayuda a los equipos a elegir el problema correcto. Comprender a los compañeros ayuda a los equipos a ejercer bien su autonomía. Mejores decisiones Empatía por el usuario Empatía con el equipo
  18. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Crea equipos

    pequeños con autonomía real De 2 a 4 personas, avanzando rápido, decidiendo a nivel local y sin esperar permisos.
  19. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO La mayor

    parte del desarrollo de software no ha cambiado Los equipos siguen necesitando entender el producto, destreza diseñando el software, profundidad técnica, colaboración y responsabilidad. Personal Trabajo Diferenciación De 5 a 8 ingenieros, un líder de ingeniería, producto y diseño siguen constituyendo un equipo sólido. Descubrir, decidir, construir, probar, lanzar, aprender. Cada persona puede ahora utilizar la IA para explorar, producir y aprender más rápido.
  20. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Cómo elegir

    a las personas para tu equipo Saber filtrar con criterio conduce a la diversidad. ¿Quién encaja bien en el equipo y ayudará a cumplir la misión? Los equipos diversos son: ¿Quién pone en riesgo el proyecto? • • • Enfocados en datos y hechos Más rigurosos Más innovadores La diversidad necesita ser activada. ¿Quién tiene que estar en el proyecto por razones indefinidas?
  21. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Los equipos

    colaboran manteniéndose, ante todo, versátiles y con capacidad de reacción Identificar y eliminar continuamente sus propios cuellos de botella. Nada es intocable, ni siquiera la manera de trabajar del equipo.
  22. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO Dar autonomía

    a los equipos con restricciones claras El empoderamiento funciona cuando el equipo entiende que puede decidir, qué debe escalar y cómo se mide el éxito. Los equipos deciden Los líderes establecen Enfoque, secuenciación, detalles de implementación, experimentos locales Resultados, estrategia, límites de seguridad, recursos, ritmo operativo Conjuntamente Señales de los clientes, prioridades, decisiones, métricas y el motivo detrás de ellas
  23. 4. EQUIPOS IA NATIVOS Y DESARROLLO DEL CRITERIO El gran

    aplanamiento Antes 1922 • • • Muchas capas entre quien decide y quien construye Los managers coordinan: alinean, resumen, reportan Equipos grandes, con un único tech lead Ahora 1922 • • • Menos capas y equipos más pequeños con más autonomía La coordinación se automatiza, el criterio no Cualquier ingeniero puede liderar, y quien revisa mentoriza

More Decks by TRGCON

Other Decks in Technology