“El rol del programador no desaparecerá. Se desplaza del “tecleo” al diseño, la verificación y el gobierno” Antonio Gallego, Cognizant

¿Cómo está transformando la inteligencia artificial el proceso de desarrollo de aplicaciones frente a los modelos tradicionales de software?

La IA está cambiando el desarrollo de aplicaciones en tres niveles:

• De “programar módulos” a “orquestar capacidades”. En el modelo tradicional el núcleo es el código escrito a mano y organizado en módulos o servicios. Con IA generativa y, especialmente, con enfoques agentic/multi-agente, el “bloque” de construcción pasa a ser un agente (modelo + herramientas + reglas) que colabora con otros agentes para ejecutar tareas end-to-end: análisis, diseño, generación de código, pruebas, documentación y operación.
• De ciclos lineales a bucles continuos con feedback. La IA introduce iteración rápida: se generan propuestas (código, tests, refactors), se evalúan automáticamente, se corrigen y se vuelve a iterar. En la práctica esto acelera “build-fix-run” y reduce fricción del SDLC; es decir, posicionamiento como AI-driven engineering.
• De modernizar “a mano” a modernización “AI-led”. Donde antes modernizar legacy era lento y arriesgado (falta de documentación, escasez de expertos), la IA permite extraer contexto, acelerar análisis y hacer la modernización más predecible, acercando plazos de “años a meses” en algunos escenarios.

 

¿Qué ventajas concretas está aportando hoy la IA generativa a empresas en el ámbito del desarrollo de aplicaciones?

En el terreno práctico (lo que las organizaciones ya están aplicando), destacan ventajas muy concretas:

• Aceleración del ciclo de entrega: la IA genera borradores de código, tests, documentación y propuestas de arquitectura que el equipo valida y endurece.
• Mejoras en mantenimiento y modernización: resumen de sistemas, lectura de código legacy, extracción de reglas de negocio y apoyo a migraciones/refactors.
• Productividad “a escala” mediante copilots y automatización: En Cognizant hemos realizado inversiones y programas de formación orientados a aumentar la productividad de desarrollo con herramientas tipo Copilot (y su ecosistema), y también la adopción de automatización inteligente como palanca de transformación.
• De pilotos a producción con gobernanza: más allá del prototipo, el valor llega cuando hay plataforma y controles: observabilidad, métricas, control de costes, gestión de prompts/modelos/datos y cumplimiento. Esto se refleja en el enfoque de plataformas “enterprise-grade” para gestionar el ciclo de vida de agentes con gobernanza integrada.

 

¿Cuáles son actualmente las principales limitaciones técnicas o riesgos del desarrollo apoyado en IA?

Las limitaciones técnicas no son “detalles”: condicionan cómo se debe usar IA en ingeniería de software:

• Fiabilidad y errores sutiles: los LLM pueden producir código plausible pero incorrecto, con fallos no evidentes (edge cases, seguridad, concurrencia). En Cognizant hemos comentado públicamente que los sistemas actuales “se rompen” tras cadenas largas de razonamiento si no se diseñan mecanismos de corrección y supervisión.
• Alucinaciones y trazabilidad: si una herramienta inventa detalles (APIs, supuestos, comportamiento), el riesgo se traslada a producción. De ahí la necesidad de una gobernanza proactiva (“Trust vs Risk”), antes de operar.
• Seguridad y privacidad: exposición de datos sensibles en prompts, fugas de IP/código, o utilización de modelos fuera de control. De ahí la insistencia en plataformas con gobernanza, elección de modelos (incluyendo SLMs) y despliegue en entornos controlados.
• Dependencia del contexto: la IA rinde bien cuando tiene acceso a contexto correcto (código, arquitectura, requisitos, datos). Modernizar y “liberar el contexto” de sistemas legacy es un prerrequisito para que la IA sea realmente útil a escala.

 

¿Cómo cree que cambiará el rol del programador en los próximos cinco años con la expansión de herramientas de IA capaces de generar código? ¿Qué habilidades serán imprescindibles en esta nueva etapa marcada por la IA?

El rol del programador no desaparece: se desplaza del “tecleo” al diseño, verificación y gobierno.

• De autor de código a ingeniero/orquestador de sistemas: el profesional definirá intención, arquitectura, constraints, políticas de seguridad, y orquestará agentes/herramientas para producir código verificable. El futuro pasa por sistemas multi-agente “ingenierizados” (no solo prompts) y gobernables.
• Habilidades imprescindibles:

1. Pensamiento de arquitectura y diseño de sistemas (descomposición de problemas, límites, interfaces).
2. Validación/QA avanzado: testing automatizado, property-based tests, análisis estático, seguridad (SAST/DAST), y revisión crítica del output de IA.
3. Gobernanza y riesgo: saber operar con “human-in-the-loop” o “human-on-the-loop”, auditoría, trazabilidad y controles antes de producción.
4. Data & prompt/agent engineering: construir pipelines de contexto, RAG, herramientas, y “tool use” fiable (model + code).

 

¿Existe el riesgo de que las empresas dependan excesivamente de herramientas de IA para desarrollar software? ¿Dónde debería mantenerse la intervención humana?

Sí, existe el riesgo de dependencia excesiva, especialmente si se usa IA como “piloto automático” sin ingeniería y gobernanza.

• Dónde debe permanecer la intervención humana (mínimos no negociables):
  • Arquitectura, requisitos, y trade-offs (coste, latencia, seguridad, mantenibilidad): decisiones de diseño requieren criterio de negocio y técnico.
  • Revisión de seguridad y cumplimiento: control de datos, secretos, licencias, riesgos regulatorios y amenazas.
  • Validación final y responsabilidad: los equipos deben “firmar” lo que entra en producción; es pasar de “human in the loop” a modelos de supervisión (“human on the loop”) según criticidad, pero siempre con responsabilidad humana.
• Cómo evitar dependencia: adoptar IA como sistema de ingeniería (agentes con reglas, tests, guardrails, observabilidad), no como “prompt y listo”. Esa es precisamente la diferenciación al definir agentes como “model + code (que tú controlas)”.

 

Desde su perspectiva, ¿qué debates éticos o regulatorios serán más importantes en el desarrollo de aplicaciones basadas en IA durante los próximos años?

Hay seis debates que van a dominar la conversación:

• Gobernanza proactiva vs reactiva: pasar de “principios” a controles operativos antes del despliegue o “despliegue responsable”.
• Transparencia, explicabilidad y rendición de cuentas: especialmente en decisiones automatizadas que afectan a personas (crédito, salud, empleo). Este punto es extremadamente importante.
• Propiedad intelectual y licenciamiento: uso de datos/código para entrenamiento, contaminación de repositorios, y responsabilidad legal por outputs generados.
• Privacidad y soberanía del dato: dónde se procesan datos (cloud vs entorno controlado), qué modelos se usan (LLM vs SLM), y cómo se evita exfiltración de PII.
• Concentración de poder y dependencia de pocos proveedores: quién controla modelos e infraestructura y qué significa para resiliencia y competitividad.
• Seguridad de agentes (agentic safety): cuando los agentes actúan (no solo responden), crece el riesgo de acciones no deseadas. En Cognizant proponemos arquitecturas multi-agente con supervisión, verificación y “agentes que monitorizan agentes”.