Un desarrollador dice Revisión de tecnología del MIT que las herramientas de inteligencia industrial debilitan los instintos de codificación que solía tener. Y más allá de eso, “no es divertido estar ahí sentado mientras el trabajo lo hacen por mí”.

¿Pero la IA está haciendo que los codificadores sean más rápidos? “Luego de dialogar con más de 30 desarrolladores, ejecutivos de tecnología, analistas e investigadores, Revisión de tecnología del MIT descubrió que la imagen no es tan sencilla como podría parecer…”

Para algunos desarrolladores en primera vírgula, el entusiasmo original está menguando a medida que se topan con las limitaciones de la tecnología. Y a medida que un creciente conjunto de investigaciones sugiere que las supuestas ganancias de productividad pueden ser ilusorias, algunos se preguntan si el emperador está usando ropa…. Los datos de la firma de descomposición de desarrolladores GitClear muestran que la mayoría de los ingenieros están produciendo aproximadamente un 10% más de código duradero (código que no se elimina ni se reescribe en semanas) desde 2022, probablemente gracias a la IA. Pero esa rendimiento ha venido acompañada de fuertes caídas en varias medidas de calidad del código. La indagación de Stack Overflow igualmente encontró que la confianza y el sentimiento positivo alrededor de las herramientas de IA cayeron significativamente por primera vez. Y lo más provocativo, un estudio de julio realizado por la estructura de investigación sin fines de beneficio Model Assessment & Threat Research (METR) mostró que, si admisiblemente los desarrolladores experimentados creían que la IA los hacía un 20% más rápidos, las pruebas objetivas demostraron que en existencia eran un 19% más lentos…

Los desarrolladores entrevistados por MIT Technology Review generalmente coinciden en dónde destacan las herramientas de inteligencia industrial: producir “código repetitivo” (fragmentos de código reutilizables repetidos en varios lugares con poca modificación), escribir pruebas, corregir errores y explicar código desconocido a nuevos desarrolladores. Varios señalaron que la IA ayuda a aventajar el “problema de la página en blanco” al ofrecer un primer intento imperfecto para hacer fluir la creatividad del desarrollador. Además puede permitir a colegas no técnicos crear prototipos rápidamente de funciones de software, aliviando la carga de ingenieros que ya están sobrecargados de trabajo. Estas tareas pueden ser tediosas y los desarrolladores generalmente están felices de entregárselas. Pero representan sólo una pequeña parte de la carga de trabajo de un ingeniero experimentado. Para los problemas más complejos en los que los ingenieros efectivamente se ganan la vida, muchos desarrolladores dijeron a MIT Technology Review, las herramientas enfrentan obstáculos importantes…

Los modelos igualmente se equivocan. Como todos los LLM, los modelos de codificación son propensos a “desbarrar”: es un problema inherente a su funcionamiento. Pero oportuno a que el código que generan parece tan pulido, los errores pueden ser difíciles de detectar, dice James Liu, director de ingeniería de software de la empresa de tecnología publicitaria Mediaocean. Si se juntan todos estos defectos, el uso de estas herramientas puede parecer muy parecido a tirar de una palanca a un bandido manco. “En algunos proyectos se obtiene una prosperidad de 20 veces en términos de velocidad o eficiencia”, afirma Liu. “En otras cosas, simplemente cae de bruces y pasas todo este tiempo tratando de convencerlo para que te conceda el deseo que deseas y simplemente no va a hacerlo…” Además hay preocupaciones de seguridad más específicas, dice. Los investigadores han descubierto una preocupante clase de alucinaciones donde los modelos hacen narración a paquetes de software inexistentes en su código. Los atacantes pueden usar esto creando paquetes con nombres que albergan vulnerabilidades, que el maniquí o el desarrollador pueden incorporar sin saberlo al software.
Otros puntos secreto del artículo:

• Los LLM sólo pueden contener cantidades limitadas de información en ventanas contextuales, por lo que “les cuesta analizar bases de código grandes y son propensos a olvidar lo que están haciendo en tareas más largas”.

• “Si admisiblemente una respuesta generada por un LLM a un problema puede funcionar de forma aislada, el software se compone de cientos de módulos interconectados. Si estos no se construyen teniendo en cuenta otras partes del software, puede conducir rápidamente a una pulvínulo de código enredada e inconsistente que es difícil de analizar para los humanos y, lo que es más importante, de amparar”.

• “La acumulación de deuda técnica es obligatorio en la mayoría de los proyectos, pero las herramientas de inteligencia industrial hacen que sea mucho más factible para los ingenieros presionados por el tiempo tomar atajos, dice Harding de GitClear. Y los datos de GitClear sugieren que esto está sucediendo a escalera…”

• “A medida que los modelos mejoran, el código que producen se vuelve cada vez más detallado y arduo”, dice Tariq Shaukat, director ejecutante de Sonar, que fabrica herramientas para compulsar la calidad del código. Esto está reduciendo la cantidad de errores obvios y vulnerabilidades de seguridad, dice, pero a costa de aumentar la cantidad de ‘el código huele‘: fallas más difíciles de identificar que conducen a problemas de mantenimiento y deuda técnica”.

Sin confiscación, el artículo cita una estudio flamante de la Universidad de Stanford que encontró que el empleo entre desarrolladores de software de entre 22 y 25 abriles cayó casi un 20% entre 2022 y 2025, “coincidiendo con el aumento de las herramientas de codificación impulsadas por IA”.

La historia es parte del nuevo artículo de MIT Technology Review. Corrección de exageración Serie de artículos sobre IA.