Llevo algunos meses incorporando herramientas de IA en el flujo de trabajo diario. Claude Code para tareas de código, Cursor como editor con contexto, GitHub Copilot cuando ya está integrado en el proyecto. No voy a decir que cambió todo. Tampoco que no cambió nada.
La verdad es más matizada, como casi todo en desarrollo.
Lo que realmente ayuda
Las herramientas de IA son genuinamente útiles para cosas específicas.
Tareas repetitivas con estructura clara. Generar un componente Astro a partir de una especificación, escribir tipos TypeScript a partir de una respuesta de API, transformar un formato de datos a otro. Cosas que sé exactamente cómo hacer, pero que me toman tiempo. La IA las ejecuta rápido y razonablemente bien si le das el contexto correcto.
Documentación y comentarios. No el código en sí, sino explicar lo que hace el código. Escribir una descripción de función, generar un README inicial, producir un changelog a partir de commits. Trabajo que existe pero que nadie prioriza.
Revisión de código con otra perspectiva. No como reemplazo de una revisión humana, sino como primer filtro. Le muestro un bloque de código y le pregunto qué puede salir mal. A veces señala cosas obvias que yo pasé por alto por estar demasiado metido en el problema.
Explorar tecnología nueva. Cuando necesito entender rápidamente cómo funciona algo que no conozco bien, es más eficiente que buscar en documentación dispersa. Con la salvedad de que siempre hay que verificar la respuesta.
Lo que no reemplaza
El juicio sobre arquitectura. Qué tecnología usar para este proyecto concreto. Si este componente debería existir o si el problema se puede resolver de otra forma. Cuándo algo está lo suficientemente bien y cuándo necesita más trabajo.
Esas decisiones requieren contexto acumulado que la IA no tiene: la historia del proyecto, las limitaciones del cliente, el nivel técnico del equipo que lo va a mantener, el presupuesto real, el timeline que importa.
También hay algo que no funciona bien: pedirle que tome decisiones que no son técnicas. Si le pregunto “¿cómo debería estructurar este proyecto?”, me va a dar una respuesta técnicamente válida y completamente descontextualizada. Útil como punto de partida, inútil como respuesta definitiva.
La trampa del código que parece funcionar
El problema más frecuente que he notado es la confianza excesiva en código generado que parece correcto pero no lo es del todo. El código compila, no da error evidente, y se ve razonablemente bien escrito. Pero tiene un edge case que nadie probó, o usa una API de forma que funciona pero no es la forma recomendada, o resuelve el problema de una manera innecesariamente compleja.
Usar IA sin criterio de revisión es como contratar a alguien sin experiencia y no hacerle onboarding. El output puede verse bien en superficie. El problema aparece después.
Cómo lo uso ahora
Lo que me funciona: usarlas para acelerar la ejecución de cosas que ya entiendo, no para tomar decisiones que todavía no entendí. La IA como herramienta de implementación, no como reemplazo del análisis.
Y siempre leer el código generado. Siempre. No como formalidad, sino con la misma atención que le daría a código de cualquier otra fuente. Porque a fin de cuentas, yo soy el responsable de lo que queda en el repositorio, no el modelo que lo generó.
El flujo mejoró. La responsabilidad técnica sigue siendo la misma.