En los últimos días se ha hecho viral una reflexión de Boris Cherny, creador de Claude Code, sobre cómo la inteligencia artificial está empezando a difuminar los roles tradicionales dentro de los equipos de desarrollo.
Su planteamiento es que, en lugar de organizar los equipos en torno a perfiles clásicos como engineering, product o design, empezaremos a hablar de nuevos arquetipos: personas que prototipan, construyen, simplifican, hacen crecer el producto o mantienen sistemas maduros funcionando de forma eficiente.
La idea es interesante y, en algunos contextos, probablemente bastante acertada. Pero desde nuestra experiencia trabajando con IA en proyectos reales de desarrollo de software, creemos que hay un matiz importante: el cambio no va tanto de sustituir unos cargos por otros, sino de entender mejor dónde aporta valor cada profesional dentro del flujo de trabajo.
Porque la inteligencia artificial no elimina la necesidad de análisis, criterio técnico o validación. Más bien al contrario: los hace todavía más importantes.
El desarrollo de software ya no empieza en el código
Durante muchos años, una gran parte del esfuerzo en un proyecto de software estaba en escribir código. Implementar funcionalidades, construir pantallas, desarrollar servicios, conectar sistemas o resolver detalles técnicos consumía una parte enorme del tiempo del equipo.
Hoy, gracias a las herramientas de inteligencia artificial, esa parte se ha acelerado muchísimo. Pero eso no significa que construir buen software sea más sencillo; significa que el peso del trabajo se está desplazando.
Ahora el verdadero reto está antes y después del código: antes, porque hay que definir mucho mejor el problema que se quiere resolver; y después, porque hay que validar con mucho más rigor que lo generado realmente responde a la necesidad del cliente.
En Solucionex no creemos que los perfiles especializados vayan a desaparecer. Lo que sí estamos viendo es que cambia la forma en que colaboran entre ellos. El analista, el responsable de proyecto, el desarrollador y los perfiles de testing siguen siendo necesarios, pero su aportación ya no se mide solo por tareas individuales, sino por la calidad del contexto que son capaces de construir y validar conjuntamente.
La especificación como punto de partida
Si trasladamos la idea del “Prototyper” al día a día de una empresa de desarrollo de software, ese papel no siempre recae en quien empieza a construir la solución. Muchas veces recae en quien entiende el negocio.
En nuestro caso, ese rol está muy cerca del analista funcional o del responsable del proyecto. Es la persona que convierte una necesidad de negocio, normalmente ambigua, en algo que puede entenderse, construirse y comprobarse. Y aquí la inteligencia artificial no reduce la importancia del análisis: la multiplica.
Cada vez dedicamos más tiempo a documentar procesos, definir reglas de negocio, identificar excepciones, modelar datos y describir con precisión qué debe hacer el sistema en cada escenario. Esa documentación ya no es solo un entregable para el cliente o para el equipo técnico, sino que se convierte en el contexto sobre el que trabaja la IA.
Por eso, el análisis funcional gana todavía más peso. No porque antes no fuera importante, sino porque antes muchas ambigüedades podían detectarse durante el desarrollo, cuando un desarrollador encontraba una incoherencia, cuestionaba una regla o abría una conversación con el equipo antes de seguir avanzando. Con la IA, ese filtro no aparece de forma natural: si el contexto es incompleto, puede generar una solución aparentemente correcta, pero basada en una interpretación equivocada.
Un buen análisis debe responder a preguntas como:
- Qué problema real queremos resolver.
- Qué procesos de negocio están implicados.
- Qué reglas debe respetar el sistema.
- Qué excepciones pueden producirse.
- Qué datos son necesarios.
- Qué restricciones existen.
- Qué criterios nos permitirán saber si la solución es correcta.
En otras palabras, antes de construir nada, necesitamos una especificación funcional lo suficientemente clara como para que una IA, un desarrollador y un equipo de negocio puedan trabajar sobre la misma idea sin interpretaciones ambiguas.
El desarrollador ya no solo escribe código
En este punto sí coincidimos bastante con la visión de Boris Cherny: el trabajo del desarrollador está cambiando. Su función ya no consiste únicamente en escribir código línea a línea, sino en saber utilizar correctamente herramientas de IA para transformar una especificación funcional en una implementación sólida, mantenible y alineada con la arquitectura del proyecto.
Eso implica saber dividir bien el trabajo, proporcionar el contexto adecuado, revisar el código generado, detectar errores conceptuales y tomar decisiones técnicas cuando la IA no tiene información suficiente.
La productividad aumenta de forma enorme, pero sigue siendo imprescindible el criterio técnico. La IA puede acelerar la construcción de software, proponer soluciones, generar código y resolver tareas concretas, pero necesita dirección. No siempre entiende el contexto completo de negocio, las decisiones arquitectónicas previas o las implicaciones futuras de una implementación.
Ahí el papel del desarrollador sigue siendo clave. No como alguien que simplemente “pica código”, sino como alguien capaz de dirigir, revisar y convertir lo generado en software de calidad.
La validación se vuelve aún más determinante
El testing siempre ha sido una parte fundamental en el desarrollo de software. Ningún proyecto serio debería tratarlo como una fase secundaria o como un simple trámite antes de entregar. La diferencia ahora es que, con IA, cambia la naturaleza del riesgo.
Cuando una persona desarrolla una funcionalidad, puede encontrarse con dudas durante el proceso: una regla de negocio que no está clara, un caso límite que no se había contemplado o una contradicción entre lo que se pidió y lo que técnicamente se está construyendo. En esos casos, lo habitual es que el propio desarrollo abra una conversación y ayude a corregir el rumbo.
Con la IA, ese filtro es menos evidente. Si la especificación es incompleta o ambigua, puede generar código muy rápido, con buena apariencia técnica y aparentemente coherente, pero basado en una interpretación incorrecta del problema.
Por eso, los criterios de validación pasan a ser todavía más determinantes. No como una comprobación final, sino como una forma de asegurar desde el principio que lo que se construye responde realmente a la necesidad del cliente.
La diferencia entre generar software útil y generar una gran cantidad de código aparentemente correcto está en la calidad de la especificación y en la calidad de los criterios de validación.
Casos de uso, casos límite, escenarios de error, pruebas funcionales y criterios de aceptación no son elementos accesorios. Son la forma de convertir una necesidad de negocio en algo comprobable.
Si esos criterios están bien definidos, la IA puede ayudar muchísimo a construir, iterar y corregir. Pero si no existen, también puede producir muy rápido una solución que parece válida desde fuera, pero que no resuelve el problema real.
Uno de los grandes riesgos del desarrollo asistido por IA es confundir velocidad con calidad. Generar código más rápido no significa entregar mejor software. El valor está en construir la solución correcta, validarla bien y asegurarse de que responde a lo que el negocio necesita.
Mantener, optimizar y evolucionar también forma parte del mismo flujo
En la propuesta original de Boris Cherny aparecen otros arquetipos como Sweeper, Grower o Maintainer: perfiles orientados a simplificar, hacer crecer el producto o mantener sistemas maduros funcionando correctamente.
Nuestra visión es algo distinta. No creemos que, al menos en todos los equipos, estos tengan que convertirse necesariamente en nuevos perfiles independientes. En muchos casos representan fases naturales del ciclo de vida del software.
Cuando un producto ya está construido, aparecen nuevas necesidades: reducir deuda técnica, simplificar código, optimizar rendimiento, incorporar nuevas funcionalidades, adaptarse a nuevos requisitos del negocio o mantener la plataforma estable durante años.
Pero el flujo de fondo sigue siendo muy parecido. Primero hay que entender el problema; después, documentarlo correctamente; luego, implementar con ayuda de IA; y finalmente, validar mediante pruebas que el cambio funciona y no rompe lo que ya existía.
La IA puede ayudar en todas esas fases, pero no sustituye la necesidad de criterio, contexto y validación.
El futuro del software será más rápido, pero no menos exigente
Durante años se pensó que el principal cuello de botella en el desarrollo de software era escribir código. Hoy, con la inteligencia artificial, esa parte del trabajo puede acelerarse enormemente: generar funcionalidades, crear pruebas, documentar partes del sistema o refactorizar código existente es cada vez más rápido.
Pero eso no significa que construir buen software sea más sencillo. Significa que el reto se desplaza hacia otro lugar: definir correctamente qué hay que construir y validar con rigor que la solución responde al problema real.
La IA puede generar miles de líneas de código en cuestión de minutos, pero todavía no puede adivinar qué necesita realmente un cliente. No puede interpretar por sí sola todas las excepciones de un proceso de negocio, conocer las restricciones internas de una empresa o decidir qué significa que una solución sea correcta en un contexto concreto si nadie se lo ha explicado bien.
Por eso, los perfiles capaces de analizar procesos, estructurar requisitos, documentar correctamente un proyecto y definir criterios de aceptación van a adquirir cada vez más valor. No porque antes fueran secundarios, sino porque ahora el contexto que proporcionan condiciona de forma mucho más directa la calidad de lo que se construye.
El futuro del desarrollo de software no será simplemente escribir menos código. Será entender mejor el negocio, documentar mejor los requisitos, trabajar con más contexto y validar con más criterio.
Porque, al final, una IA solo puede construir tan bien como esté definido el contrato que recibe. Y ese contrato sigue siendo responsabilidad de las personas.
¿Estás valorando incorporar IA en tus procesos de desarrollo?
En Solucionex ayudamos a empresas a diseñar, desarrollar y evolucionar soluciones de software adaptadas a sus procesos reales de negocio.
Si estás pensando en modernizar una aplicación, automatizar procesos o explorar cómo la inteligencia artificial puede mejorar tu negocio, podemos ayudarte a aterrizarlo con un enfoque práctico, seguro y orientado a resultados.
