Auge y caída de los programadores
Traducción automática del original en inglés. Leer el original
En este momento, un ingeniero con un sueldo de seis cifras está esperando.
Su agente está armando una respuesta en Slack a un mensaje que escribió el agente de un compañero, sobre un ticket que ninguno de los dos leyó.
Va a mandar el borrador sin leerlo. Después va a buscarse un café y a scrollear X hasta que termine el próximo prompt.
Si vivís de escribir software, conocés a esta persona. Quizás esta semana fuiste vos.
En la otra punta de la ciudad, alguien con los mismos modelos y la misma laptop lanzó un producto el martes y el miércoles le pagaron unos desconocidos.
Mismas herramientas. Años opuestos.
Al final deberías poder decir para qué lado te está llevando la corriente, y por qué la línea no está donde la traza la mayoría.
Los problemas que pagaban el alquiler
Durante veinte años, la mayor parte del trabajo de programación fue superficial de una forma muy específica. Armar el CRUD. Conectar el login. Integrar Stripe. Escribir el scraper, el panel de administración, el endpoint que mueve JSON de acá para allá. Meterle horas al LeetCode medium que te consigue el trabajo donde hacés todo lo anterior.
Esos problemas eran tan difíciles que necesitabas un profesional, y tan fáciles que los podías aprender de un libro.
Lo que los mató fue lo segundo.
Investigadores de Stanford, con datos de sueldos de ADP, encontraron una brecha.
El empleo de los jóvenes de 22 a 25 años en los trabajos más expuestos a la IA está un 19% por debajo de donde estaría si hubiera seguido el ritmo de sus pares menos expuestos. En los trabajadores con experiencia, esa brecha no aparece.
La división sigue una línea. Los trabajos basados en conocimiento codificado, del que está escrito en libros de texto y en documentación, se están achicando. Los trabajos basados en conocimiento tácito, del que solo se consigue practicando y equivocándose, están creciendo.
Un modelo está hecho de texto.
Lo que estaba escrito, ya lo sabe.
Los problemas superficiales no se volvieron más difíciles. Se volvieron gratis.
Los desempleados no se volvieron peores. La escalera perdió un escalón.
Los recién egresados de ciencias de la computación tienen un 7% de desempleo, contra un 4,2% del total de recién egresados, según la Fed de Nueva York. Eso deja a computación empatada con artes escénicas.
La explicación fácil es que son vagos, o que leen respuestas de ChatGPT en una segunda pantalla durante la entrevista por Zoom. Algunos sí. Es una de las razones por las que las empresas están arrastrando las entrevistas de vuelta a la oficina.
Los datos de Stanford cuentan algo menos cómodo. La caída viene sobre todo de que las empresas no contratan jóvenes, no de que los despidan.
Los problemas superficiales nunca fueron solo el trabajo. Eran el entrenamiento.
Los juniors aprendían lo profundo haciendo lo superficial mil veces, al lado de alguien que ya sabía.
Ahora lo hace mil veces el agente, y nadie aprende nada.
Los que tienen trabajo tampoco van ganando
Los desarrolladores le dijeron a BairesDev que la IA ahora les ahorra 13 horas de programación por semana, contra 7 de hace un año. Después contaron adónde fueron a parar esas horas. Dos de cada tres pasan más tiempo revisando código generado por IA. La mitad pasa más tiempo debuggeando problemas que metió la IA.
El tiempo ahorrado nunca volvió a ellos.
Se fue en leer lo que escribió la máquina.
No es solo código. Stanford y BetterUp encontraron que el 40% de los trabajadores de oficina de Estados Unidos había recibido “workslop” en el último mes: material hecho con IA que parece terminado y no lo está. Limpiar cada pieza llevó unas dos horas.
Esto termina en el ingeniero de la máquina de café.
Su agente escribe. El agente de su compañero contesta. Dos personas con sueldos de seis cifras hacen de routers entre ellos.
Nadie piensa. Todos están ocupados.
Eso no es un trabajo que se automatiza. Es un trabajo que se vacía mientras el sueldo sigue igual.
La idea promedio
La salida obvia es renunciar y construir algo. Mucha gente lo intenta. Abren un chat y escriben: dame diez ideas de SaaS que pueda construir con IA.
El modelo cumple. Les da las mismas diez ideas que les dio a todos los demás que preguntaron esa semana. Un wrapper de IA para facturas. Un tracker de hábitos. Un chatbot para dentistas.
Un modelo es el promedio de internet.
Pedile una idea y te da la idea promedio, ya construida por las cien personas que preguntaron antes que vos.
Armé un agente con un único trabajo: encontrarme ideas de negocio. En su última corrida encontró tres, y su propio red team las mató a las tres. Por ahora es mucho mejor matando ideas que encontrándolas.
Para ese trabajo sirve. La idea en sí tiene que salir de algo que vos sabés y que no está escrito en ningún lado.
Los que subieron
Simon Willison, que construye herramientas open source por su cuenta, le dijo a Business Insider que los agentes de programación volvieron su trabajo “mucho más gratificante”. Ahora encara proyectos que antes necesitaban un equipo chico.
Su explicación: “Usar bien los agentes de programación es una habilidad profunda”, que requiere tanto experiencia real en ingeniería como experiencia con los agentes, “y yo tengo las dos”.
Stripe miró las 100 principales empresas de IA de su plataforma. La mediana de ese grupo llegó a US$ 1 millón de ingresos anualizados en 11,5 meses. Cuatro meses menos que las empresas SaaS más rápidas de la generación anterior.
No gastaron las horas ahorradas en revisar más código.
Las gastaron una capa más arriba. En un cliente. En el gusto. En la distribución. En problemas que no entran en un prompt, porque nadie los escribió todavía.
Cuando resolver un problema se vuelve gratis, el valor se muda al problema de al lado.
Los que lanzan productos se mudaron. Los relés se quedaron en el problema viejo, cobrando por mirar cómo se resuelve solo.
Subir o caer
La programación no se está muriendo. La versión superficial, sí.
Para muchos de nosotros, la versión superficial era todo el trabajo.
Caer es darle el trabajo al agente y no quedarte con nada del criterio.
Subir es usar al agente para sacarte de encima los problemas fáciles y así llegar a los difíciles. El cliente. El mercado. Lo que solo vos viste.
Así que la próxima vez que tu agente termine una tarea, preguntate:
¿Qué queda que solo podrías haber hecho vos?
Lo que queda es la parte que nunca se escribió.
El cliente con el que hablaste de verdad. El error que reconocés porque el anterior lo cometiste vos. La idea que un agente puede discutir y que igual no puede inventar.
Si la tarea termina y no queda nada que hayas decidido vos, no recuperaste las horas.
Te convertiste en la persona de la máquina de café.