El nuevo dilema de las grandes tecnológicas: ¿GPUs o programadores?
En Silicon Valley y más allá, los ingenieros sénior admiten ahora públicamente lo que muchos susurraban en privado: las herramientas de IA están transformando el desarrollo de software tan rápido que las empresas están evaluando, en serio, cuántos programadores humanos siguen necesitando.
Durante los últimos dos años, la estructura de costes de las grandes tecnológicas ha cambiado de forma radical. La computación —y no la plantilla— se está convirtiendo en la principal factura. Entrenar y ejecutar modelos de IA a gran escala requiere enormes clústeres de GPUs, centros de datos especializados y costosas licencias para modelos de última generación.
Cada función de IA lanzada a millones de usuarios dispara el gasto en infraestructura cloud y hardware. Los departamentos financieros observan presupuestos donde la infraestructura y el acceso a modelos absorben una porción cada vez mayor del total.
Al mismo tiempo, los asistentes de programación con IA y las herramientas de pruebas automatizadas han multiplicado la productividad individual de cada ingeniero. Un programador equipado con el conjunto adecuado de herramientas de IA puede hacer hoy lo que antes requería un equipo entero.
Para muchos líderes tecnológicos, la pregunta incómoda ya no es "¿aumenta la IA la productividad?", sino "¿cuántas personas seguimos necesitando si efectivamente la aumenta?".
Ante unos costes de infraestructura de IA en espiral, algunos ejecutivos están apostando por un intercambio directo: mantener menos ingenieros, darle a cada uno herramientas mucho más potentes y canalizar el ahorro hacia GPUs, modelos y automatización.
Este cálculo ya está influyendo en los planes de contratación, los ciclos de promoción y las decisiones de reestructuración en todo el sector. La presión pospandémica también cuenta, pero la economía de la IA ya forma parte de la misma conversación.
El aviso de Steve Yegge: un recorte del 50% en los equipos de ingeniería
Una de las voces más audibles en este debate es Steve Yegge, ingeniero veterano que pasó más de una década en Google tras varios años en Amazon. Con cuatro décadas de experiencia en software, ha visto múltiples oleadas tecnológicas remodelar la industria.
Hablando en el podcast y newsletter "The Pragmatic Engineer", Yegge lanzó una predicción contundente: muchas grandes empresas, afirma, considerarán racional reducir su plantilla de ingenieros aproximadamente a la mitad.
Yegge sostiene que recortar alrededor del 50% de los programadores tiene menos que ver con ahorrar en salarios y más con redirigir ese dinero hacia sistemas de IA que hacen al equipo restante drásticamente más productivo.
En su visión, la programación tradicional escrita a mano está saliendo del centro del escenario. En su lugar, los ingenieros dedican más tiempo a especificar tareas, validar código generado por IA, conectar servicios y supervisar agentes semi-autónomos capaces de producir funciones o módulos completos en cuestión de segundos.
Ese cambio, dice, genera una división clara. Los programadores que adoptan las herramientas de IA, aprenden sus particularidades y las usan de forma intensiva pueden multiplicar su rendimiento. Quienes las emplean únicamente como un "autocompletado" sofisticado se arriesgan a ver su rol devaluado, o directamente eliminado.
De "escribir código" a "dirigir agentes"
La descripción del trabajo se está alejando del puro artesanado del código. Yegge y otros retratan una nueva realidad cotidiana: menos tiempo lidiando con la sintaxis, más tiempo diseñando arquitecturas, definiendo restricciones y decidiendo qué debe construir la IA.
Los ingenieros se están convirtiendo en una especie de directores técnicos que orquestan múltiples agentes de IA para tareas como:
- Generar código repetitivo (boilerplate) y APIs estándar
- Escribir y actualizar pruebas unitarias y de integración
- Crear documentación y registros de cambios (changelogs)
- Ejecutar análisis estático y proponer refactorizaciones
Los humanos siguen arbitrando decisiones, gestionando casos límite complejos y asumiendo la responsabilidad cuando algo falla. Pero la escritura manual de código se delega cada vez más en las máquinas.
Menos empleos en los gigantes, más equipos pequeños de alto rendimiento
La oleada de despidos en las grandes tecnológicas se ha asociado en gran medida a un crecimiento más lento y a las correcciones pospandemia. La IA añade una nueva capa al alterar la cantidad de software que un grupo reducido puede entregar.
Yegge y otros analistas señalan una paradoja inminente: las grandes empresas pueden necesitar menos ingenieros internos, pero la actividad de software en la economía en general podría, de hecho, expandirse.
Cuando tres personas con herramientas de IA potentes logran entregar tanto código como treinta lo hacían antes, la barrera para construir productos serios cae de forma drástica.
Las pequeñas empresas y las startups en fase inicial pueden ahora montar sistemas de IA multiagente que gestionan en paralelo la programación, las pruebas y la documentación. Las herramientas de orquestación permiten operar esos agentes como un taller automatizado, donde los ingenieros humanos guían objetivos de alto nivel en lugar de repasar cada fichero manualmente.
Analistas en programas tecnológicos como TWiT han destacado configuraciones experimentales en las que un puñado de personas coordina decenas de procesos de IA para mantener y evolucionar bases de código relativamente complejas. El modelo aún es rudimentario, pero ofrece pistas sobre cómo podrían ser las organizaciones de software "ligeras" del futuro.
Ecos de la revolución de la nube
El cambio recuerda a los primeros tiempos de la era cloud. Entonces, la infraestructura barata permitió a startups ágiles desafiar a los incumbentes sin necesidad de construir grandes centros de datos propios. Hoy, la productividad amplificada por IA permite a equipos diminutos perseguir ambiciones que antes exigían cientos de programadores.
Este panorama reequilibrado altera las decisiones de carrera. Algunos ingenieros están abandonando las grandes empresas por iniciativa propia, apostando a que una startup pequeña y AI-first ofrece más autonomía y mayor potencial de retorno que quedarse en un gigante que recorta puestos mientras invierte fuerte en automatización.
El resultado es un torbellino de talento que se desplaza del "centro" hacia la "periferia": de las grandes plataformas hacia empresas más pequeñas y ágiles, capaces de absorber la productividad impulsada por IA sin capas interminables de gestión.
Lo que ocurre dentro de las empresas que apuestan por la IA
Entre bastidores, los equipos directivos están haciendo cálculos muy pragmáticos. Una versión simplificada del razonamiento es la siguiente:
- Más ingenieros, menos GPUs: el gasto principal recae en salarios y herramientas tradicionales, con un output estable pero una adopción de IA más lenta.
- Menos ingenieros, más GPUs: el gasto se centra en infraestructura de IA y licencias, logrando mayor output por persona con una dependencia más alta de la automatización.
Muchos grandes actores se están inclinando por la segunda opción. Eso puede traducirse en congelar contrataciones, cancelar vacantes júnior o redefinir descripciones de puestos para que un ingeniero con IA ocupe el lugar que antes correspondía a dos o tres personas.
Los responsables de equipo están bajo presión para demostrar "apalancamiento de IA": evidencia de que la inversión en modelos y herramientas se traduce en funcionalidades, velocidad o ahorro. Esa presión los lleva a favorecer a quienes adoptan rápidamente flujos de trabajo con IA y a marginar a quienes no lo hacen.
¿Quién corre más riesgo y quién puede beneficiarse?
Las competencias que importan están cambiando. Las tareas rutinarias, bien documentadas y altamente repetibles son las más fáciles de asumir para la IA. Eso incluye grandes porciones de aplicaciones CRUD básicas, código de integración repetitivo y scaffolding estándar de pruebas.
Los perfiles con mayor resiliencia tienden a implicar conocimiento de dominio profundo, arquitecturas complejas, sistemas de alto riesgo o un contacto estrecho con usuarios y decisiones de negocio. Son más difíciles de automatizar por completo porque dependen tanto del juicio, el contexto y la negociación como del propio código.
- Más expuestos: programadores júnior centrados casi exclusivamente en tareas rutinarias, mantenimiento de sistemas heredados sin modernización o trabajo de integración sencillo.
- En transición: ingenieros de nivel intermedio que combinan desarrollo de funcionalidades con diseño de sistemas y mentoría, pero que aún no han incorporado la IA a su flujo de trabajo habitual.
- Mejor posicionados: ingenieros sénior capaces de diseñar sistemas, valorar compromisos técnicos, liderar equipos y tratar las herramientas de IA como multiplicadores, no como amenazas.
El dato del 50% de Yegge no es una previsión exacta, pero subraya una dirección clara: las empresas preferirán menos personas capaces de orientar herramientas potentes antes que muchas ejecutando tareas manuales similares.
Conceptos clave detrás del cambio
Varias ideas técnicas sostienen esta disrupción. Algunas que merece la pena entender bien:
Asistentes de código con IA
Estas herramientas se integran en editores e IDEs para sugerir líneas, bloques o funciones enteras de código según el contexto. Brillan en patrones que ya han procesado muchas veces, lo que las hace especialmente fuertes en boilerplate, pruebas y refactorizaciones sencillas.
Sistemas multiagente
En lugar de un único modelo de IA respondiendo a instrucciones, las configuraciones multiagente coordinan varios agentes especializados. Uno puede escribir código, otro ejecutar pruebas y otro proponer correcciones. Un ingeniero humano puede asignar tareas y supervisar el ciclo, actuando efectivamente como director de producción.
Amplificación de productividad
Lo que asusta y entusiasma a observadores como Yegge no es que la IA reemplace a todos los programadores, sino que haga a cada persona restante varias veces más productiva. Cuando esa amplificación supera cierto umbral, los modelos de contratación cambian inevitablemente.
Escenarios prácticos: cómo podría ser un equipo en el futuro
Imaginemos un equipo de backend para un nuevo producto fintech dentro de cinco años. En lugar de 25 ingenieros, la empresa contrata a siete. Trabajan con una plataforma interna de agentes de IA que se encarga de la generación de código, las pruebas de regresión, las actualizaciones de documentación y parte del análisis de seguridad.
Dos ingenieros sénior se centran en arquitectura y cumplimiento normativo, revisando regularmente la producción de la IA en áreas sensibles como los flujos de pagos. Tres ingenieros de nivel intermedio son responsables de servicios específicos, escribiendo instrucciones, validando cambios y gestionando incidencias. Dos programadores júnior rotan entre operaciones y trabajo orientado al cliente, aprendiendo el negocio y asumiendo gradualmente más responsabilidades técnicas con apoyo de IA.
El volumen total de funcionalidades entregadas rivaliza con lo que un equipo mucho mayor producía una década antes. Los puestos "que faltan" no se han "desplazado" dentro de la empresa; sencillamente han dejado de existir como funciones humanas.
Riesgos, puntos ciegos y efectos de segundo orden
Esta trayectoria plantea varios riesgos importantes. Una dependencia excesiva del código generado por IA puede esconder errores sutiles o fallos de seguridad que solo emergen mucho después del lanzamiento. Los equipos pueden tener dificultades para mantener sistemas cuya lógica original reside en historiales de instrucciones y pesos de modelos, en lugar de en la memoria humana.
También existe una brecha formativa. Si el trabajo de programación de nivel inicial se automatiza, ¿dónde adquieren experiencia los futuros ingenieros sénior? Las empresas podrían necesitar nuevos modelos de aprendizaje, proyectos simulados o entornos de prueba más seguros donde los júnior sigan aprendiendo haciendo.
Por otro lado, producir software más barato puede desencadenar una oleada de experimentación. Herramientas de nicho, aplicaciones hiper-locales y sistemas internos a medida pueden volverse viables donde antes resultaban económicamente inasumibles. Eso podría crear nuevo trabajo en diseño, gestión de producto, revisión de seguridad y coordinación humano-IA, aunque los perfiles clásicos de programador se reduzcan.
El mensaje de veteranos como Yegge no es que las carreras en software hayan terminado, sino que se están reconfigurando a toda velocidad en torno a la IA, mucho más rápido de lo que mucha gente esperaba.
Para los programadores individuales, eso significa tratar la IA menos como una amenaza y más como una parte central del oficio: comprender sus límites, desarrollar hábitos de verificación y aprender a transformar una idea todavía difusa en una instrucción concreta y bien delimitada que las máquinas puedan seguir.
