¿La IA va a sustituir a los programadores? Datos reales frente al ruido

Carrera · Programación · Futuro del trabajo con IA

1) Titulares alarmistas vs informes serios (2025)

Si te quedas solo con redes sociales, el mensaje es claro: “la IA va a borrar a los programadores”. Y algo de verdad hay… pero el cuadro completo es más matizado.

Donde sí hay señales rojas

En Estados Unidos, la categoría de computer programmers (perfiles centrados en escribir código según especificaciones de otros) ha perdido más de un 27 % de puestos entre 2022 y 2024, la caída más fuerte desde los años 80. Mientras tanto, los puestos de software developers se han mantenido prácticamente planos, con un descenso mínimo. Esto encaja con la idea de que los roles centrados en tareas rutinarias de código son los primeros en sentir la presión de la IA generativa.

A la vez, grandes empresas tecnológicas reportan que una parte creciente de su código nuevo ya lo generan herramientas de IA: en algunos casos, cerca de la mitad del código que llega al repositorio sale de asistentes tipo Copilot, con humanos revisando, corrigiendo y guiando el resultado.

Lo que dicen los informes globales (y no cabe en un tuit)

Cuando miramos los informes, el mensaje cambia:

• PwC – Global AI Jobs Barometer 2024: en los sectores más expuestos a IA (finanzas, tecnología, servicios profesionales) la productividad crece casi 5 veces más rápido que en el resto. Además, los puestos que requieren skills de IA tienen hasta un 25 % de prima salarial en algunos mercados. No hablan de “apocalipsis laboral”, sino de revalorización de quienes aprenden IA.
• Organización Internacional del Trabajo: los trabajos con mayor exposición a la IA generativa son los clericales y administrativos; en profesiones técnicas y de conocimiento (como desarrollo de software), el patrón dominante es la transformación de tareas y la ampliación de capacidades, más que la sustitución directa.
• Indeed Hiring Lab: muchos de los puestos más demandados globalmente muestran una exposición por debajo de la media a la IA generativa, y las propias herramientas de IA se autoevalúan como “pobres” o “justas” en una parte relevante de las habilidades que aparecen en las ofertas. Traducción: ni siquiera la IA cree que controla todo el stack.

2) Tareas del programador que la IA ya hace (a veces mejor que tú)

A estas alturas, negar que la IA escribe código es como negar que existe Git. La cuestión real es qué tipo de código hace bien.

Los estudios de Microsoft y GitHub muestran que, con herramientas tipo Copilot, desarrolladores completan ciertas tareas de programación hasta un 55 % más rápido, con mejoras en calidad percibida y menos fatiga mental en problemas rutinarios. En algunos equipos, casi la mitad del código mergeado lleva la huella directa de la IA.

Ejemplos claros donde la IA ya brilla:

• Boilerplate y código mecánico: controladores CRUD, DTOs, mapeos, “plumbing” entre capas. Le das el modelo de datos y el patrón, y la IA genera el esqueleto en segundos.
• Tests unitarios y de integración básicos: generación masiva de casos de prueba, aserciones estándar, datos de prueba y cobertura de paths obvios.
• Refactor y limpieza: renombrar variables, extraer funciones, dividir métodos gigantes, añadir comentarios y documentación sobre código existente.
• Traducciones y migraciones: pasar de un framework a otro, migrar de Java a Kotlin, de JS a TS, de una lib de tests a otra… siguiendo patrones relativamente claros.
• Snippets de algoritmos conocidos: búsquedas, ordenaciones, estructuras típicas y soluciones estándar encontradas mil veces en repos y foros.

Dato clave: análisis de consultoras como McKinsey estiman que la IA podría automatizar entre un 20 y un 45 % del tiempo que hoy se dedica a tareas de ingeniería de software, especialmente en generación de borradores, corrección, refactor y documentación. No es ciencia ficción; es una redistribución del tiempo de los devs.

3) Tareas que siguen siendo muy humanas (por ahora)

La buena noticia: donde hay ambigüedad, negocio, negociación y consecuencias reales, sigues siendo imprescindible.

Elegir qué construir (y qué no)

Ningún LLM puede sustituir todavía la mezcla de contexto, intuición y política interna necesaria para responder a preguntas tipo:

• “¿Qué funcionalidad aporta más valor al negocio ahora mismo?”
• “¿Qué deuda técnica aceptamos y cuál no podemos permitirnos?”
• “¿Qué trade-offs de rendimiento, seguridad y coste asumimos aquí?”

La IA puede ayudarte a simular escenarios o listar pros y contras, pero la decisión final y la responsabilidad siguen siendo humanas.

Diseñar sistemas, no solo funciones

Diseñar la arquitectura de un sistema real implica lidiar con:

• Requisitos no funcionales (latencia, resiliencia, cumplimiento, costes de nube).
• Restricciones de equipos, tecnología legada y política interna.
• Evolución a medio plazo, no solo “que pase los tests hoy”.

La IA puede proponer diagramas y patrones, pero no vive con las consecuencias de un diseño malo en producción. Tú sí.

Entender negocio y hablar con humanos

Todo lo que implique traducción entre negocio y tecnología sigue siendo territorio muy humano:

• Hablar con clientes y stakeholders para aclarar requisitos difusos.
• Negociar prioridades, plazos y alcance.
• Alinear equipos de producto, diseño, legal y operaciones.

Los informes sobre futuro del trabajo son bastante claros: a medida que la IA automatiza tareas técnicas, las habilidades sociales, de comunicación y de colaboración se vuelven más diferenciales para perfiles técnicos.

Depurar problemas raros en sistemas reales

Cuando hay un bug que solo ocurre los martes a las 3:17 en un microservicio que habla con un sistema legado que nadie conoce, ni siquiera el mejor modelo sabe qué logs mirar ni qué suposiciones romper. Ahí el valor está en:

• Razonamiento sobre sistemas complejos.
• Experiencia acumulada en “cosas que rompen prod”.
• Capacidad de investigación y curiosidad técnica.

La IA ayuda (y mucho) a proponer hipótesis, pero la investigación y validación siguen siendo tuyas.

4) El nuevo perfil “dev+IA”: cómo será el programador competitivo en 2030

Vamos a la tesis fuerte: la IA no elimina programadores, elimina a los que no evolucionen.

En 2030, el programador competitivo se parecerá menos a un “escritor de código” y más a un orquestador de sistemas y agentes. Algunas características clave:

• Dev que piensa en problemas, no en sintaxis: empieza por modelar el problema, descomponerlo y decidir qué partes delega a la IA y cuáles resuelve a mano.
• Constructor de herramientas internas: no solo usa copilots, también crea flujos y agentes propios que automatizan tareas para el resto del equipo.
• Experto en evaluación: sabe medir calidad de la IA (tests, métricas, benchmarks) y no se fía ciegamente de ninguna respuesta.
• Con foco en negocio: entiende métricas, unit economics, impacto en cliente y cómo su trabajo mueve agujas reales.
• Con soft skills fuertes: comunica bien, documenta, da feedback, lidera pequeños equipos (humanos y “empleados de IA”).

Si te interesa la parte de agentes y orquestación (no solo copilots), puedes echar un vistazo a Skills for Claude (Anthropic): agentes y Skills, donde hablamos de cómo montar “piezas” de IA que trabajan juntas.

5) Opinión final: qué deberías aprender hoy para no ser sustituido mañana

Vamos al plan accionable. Si quieres seguir siendo relevante (y mejor pagado) mientras la IA se cuela en el código, esto es lo que más retorno te va a dar en los próximos años:

1. Fundamentos fuertes (no solo tutoriales)

• Estructuras de datos, patrones de diseño, concurrencia, redes, bases de datos, seguridad…
• Arquitectura de sistemas: colas, cachés, particionamiento, observabilidad.
• Buenas prácticas de testing, CI/CD y operaciones.

La IA te puede ayudar a implementar, pero si no entiendes por qué algo es una mala idea, acabarás aceptando sugerencias peligrosas sin darte cuenta.

2. Alfabetización en IA (mucho más que prompts)

• Usar a diario copilots y modelos para código, documentación, diseño de APIs y debugging.
• Entender cómo funcionan (limitaciones, sesgos, alucinaciones, costes).
• Saber montar flujos y agentes que llamen a herramientas, no solo chats aislados.

Aquí entra también la parte de gobernanza, seguridad y residencia de datos: si sabes cómo desplegar IA respetando privacidad y normativa, eres mucho más valioso. Puedes profundizar en enfoques de privacidad y compute en Private AI Compute de Google.

3. Negocio, producto y métricas

Cada vez más, el dev que destaca es el que sabe responder a:

• “¿Qué problema de negocio resuelve este feature?”
• “¿Cómo lo medimos? ¿Qué métrica debería mejorar?”
• “¿Cuál es el coste aproximado de mantener esto en producción?”

Si quieres ir hacia producto o montar tus propios proyectos, te puede interesar encaje producto-mercado para startups de IA, donde conectamos tecnología con negocio y métricas.

4. Habilidades humanas (las que más cuestan a la IA)

• Comunicación: escribir documentación clara, explicar decisiones, hacer presentaciones.
• Colaboración: trabajar bien en equipo, dar y recibir feedback, mentorear a otros.
• Liderazgo: priorizar, tomar decisiones bajo incertidumbre, gestionar conflictos.

Los informes sobre empleo en la era de la IA coinciden: las soft skills marcan la diferencia entre dos perfiles con habilidades técnicas similares.

Si estás liderando equipos o transformación en tu empresa, puedes complementar este enfoque técnico con la parte de cultura y gobierno en liderazgo en IA empresarial.

Para cerrar: la IA no odia a los programadores. De hecho, los informes apuntan a más productividad, mejores salarios y una demanda creciente de perfiles con skills de IA. Lo que sí está claro es que no hay sitio cómodo para el dev que se quede anclado en 2020.

Si hoy vives de copiar y pegar, la IA ya juega en tu liga. Si decides aprender a usar, ampliar y gobernar estas herramientas, estás jugando en una categoría nueva donde, por ahora, faltan jugadores.