El ingeniero que viene: menos código, más criterio

Naresh Agarwal, vicepresidente sénior de ingeniería en Harness, ha puesto sobre la mesa un debate inevitable: en la era de la inteligencia artificial, el valor de un ingeniero ya no se mide por la cantidad de líneas que escribe, sino por su capacidad para garantizar que el software funcione en producción, sea seguro y tenga sentido dentro del producto. La afirmación llega en un momento en que herramientas como GitHub Copilot o ChatGPT generan código a velocidades impensables, pero sin criterio sobre su calidad real.

Para las empresas latinoamericanas, donde la escasez de talento técnico es una restricción crónica y el costo de la nube sigue pesando en el balance, este cambio de paradigma es al mismo tiempo una oportunidad y una advertencia. Oportunidad porque los asistentes de IA pueden acelerar prototipos y reducir la dependencia de perfiles ultraespecializados. Advertencia porque si los equipos se limitan a aceptar el código generado sin entenderlo —sin evaluar seguridad, escalabilidad o consistencia—, el riesgo de acumular deuda técnica o exponer vulnerabilidades crece exponencialmente.

Habilidades que la IA no reemplaza

Agarwal detalla que el ingeniero del futuro necesita dominar sistemas completos: aplicaciones, bases de datos, APIs, redes, nubes y seguridad. Ya no se trata solo de “escribir esto”, sino de “garantizar que esto funcione correctamente, sea seguro y tenga coherencia dentro del producto”. Esta mirada sistémica es justo lo que la IA no puede ofrecer por sí sola, porque carece de contexto de negocio y experiencia en entornos reales. En América Latina, donde muchos equipos dependen de arquitecturas heredadas o infraestructuras híbridas, esa visión —que combina teoría con experiencia de producción— es un diferencial que ninguna herramienta automática puede replicar.

• Seguridad y producción: La IA puede generar código con fallas de seguridad silenciosas. Un ingeniero debe saber identificar qué podría romperse al pasar de desarrollo a producción.
• Comunicación y responsabilidad: Explicar riesgos a stakeholders no técnicos y asumir la propiedad de las soluciones desplegadas es hoy una competencia crítica.
• Cuestionamiento crítico: No aceptar ciegamente el output de la IA; revisar, probar y refinar es el verdadero valor agregado humano.

Lo que cambia para las empresas latinoamericanas

En mercados como el colombiano, el mexicano o el chileno, donde la formación universitaria en ingeniería aún enfatiza lenguajes y algoritmos sobre arquitectura y seguridad, este giro obliga a repensar los programas de capacitación interna. Las compañías que inviertan en formar a sus equipos en pensamiento sistémico, debugging en producción y buenas prácticas de seguridad ganarán una ventaja competitiva real. Al mismo tiempo, los procesos de contratación deben evolucionar: preguntar “¿qué preguntas le harías a una IA antes de usar su código?” puede revelar más que un desafío técnico tradicional.

Otro punto relevante es el costo. Muchas startups latinoamericanas operan con presupuestos ajustados y equipos reducidos. La tentación de delegar en la IA para ahorrar tiempo es fuerte, pero si se salta el paso de revisión humana, el ahorro se puede convertir en gasto de remediación. La clave está en usar la IA como acelerador del trabajo del ingeniero, no como sustituto del juicio técnico.

El futuro del ingeniero en la región no será el que más código genere, sino el que entienda por qué un sistema falla, cómo protegerlo y cómo explicarlo. Para los líderes de tecnología en América Latina, la decisión estratégica no es si adoptar IA o no, sino cómo construir equipos capaces de gobernarla.