La advertencia viene de Japón, pero el espejo refleja a América Latina. Ken Wakasa, ex CTO de Mercari y veterano de Google Maps y Android, lo resume en una frase que debería colgarse en las oficinas de cualquier CTO de la región: el código se está convirtiendo en "el nuevo lenguaje ensamblador" y la cultura de "se entiende solo" se vuelve incompatible con la forma en que operan los modelos de lenguaje grandes.
El argumento central no es nuevo, pero su urgencia sí lo es. Japón construyó su dominio manufacturero del siglo XX sobre el "erizamiento" (擦り合わせ) —el ajuste fino, casi artesanal, de piezas que no encajaban perfectas en el papel pero funcionaban en la mano de un maestro—. Esa cultura de alto contexto (high-context), donde "leer el aire" y la comunicación implícita son virtudes, produjo televisores de tubo y motores de combustión imbatibles. Pero cuando la arquitectura del producto saltó a lo modular —pantallas LCD, vehículos eléctricos, software ensamblado con librerías abiertas—, la ventaja se evaporó. Cualquiera puede ensamblar módulos estandarizados; el "toque del artesano" dejó de ser diferenciador de negocio.
Wakasa identifica dos fuerzas que exigen, simultáneamente, la migración forzosa a bajo contexto (low-context): la IA generativa y el desarrollo global distribuido. Los LLM se entrenaron mayoritariamente en inglés, idioma y cultura de bajo contexto por excelencia. No "leen el aire"; requieren especificaciones explícitas, restricciones claras, contratos formales. Tratar a un agente de código como a un compañero que "ya sabe lo que quiero" produce alucinaciones costosas, no software. Paralelamente, la demografía y el tipo de cambio obligan a las empresas japonesas a contratar ingenieros en India, Vietnam o Brasil. Esos equipos no comparten el contexto cultural implícito; "ya sabes" no existe en una videollamada con Bangalore.
La investigación de Daisaku Sato en JAIST aporta evidencia microcognitiva del mismo fenómeno. Su estudio con diseñadores expertos revela una "oscilación estratégica": los profesionales alternan intencionalmente entre lenguaje vago ("vibe") y especificaciones operativas ("code"), usando la naturaleza probabilística de la IA como espejo para externalizar su conocimiento tácito. El ciclo ECRT (Expectativa-Colisión-Reflexión-Transformación) que propone opera solo cuando el humano acepta verbalizar, chocar con la salida de la IA, reflexionar sobre la ambigüedad propia y reescribir el prompt. Si la cultura organizacional penaliza la explicitud —"para qué documentar si nos entendemos"—, el ciclo se rompe antes de empezar.
El caso Toyota ilustra la dimensión física. Cuatrocientos mil robots en fábricas, entrenados por operadores humanos con visores de realidad virtual que teleoperan humanoides chinos para generar datos de movimiento. La promesa: "no los sustituiremos". La realidad: cada tarea que se automatiza requiere primero ser descompuesta, etiquetada, cuantificada. El conocimiento tácito del soldador experimentado —el ángulo exacto, la presión, el ritmo— debe volverse dataset. No hay atajo: la externalización del conocimiento es prerrequisito de la automatización, sea de código o de movimiento.
La tesis de Mel-jie Brent Del Mundo en el MIT cierra el triángulo desde la gestión del conocimiento multinacional. Su modelo estructural con 217 profesionales muestra que las herramientas de IA no tienen efecto directo significativo sobre la transferencia de conocimiento tácito entre culturas. El camino es indirecto: comprensión de la IA → confianza en la IA → efectividad percibida → intercambio de conocimiento. La mayoría de encuestados valoran a la IA como puente cultural, pero una proporción considerable desconoce sus capacidades reales. Umbral de confianza no superado, impacto no observable.
¿Qué significa para un CEO o CTO en México, Colombia, Chile o Argentina?
América Latina comparte con Japón la preferencia cultural por lo implícito. Negocios que se cierran en almuerzos largos, requisitos que "el equipo ya sabe", arquitecturas que viven en la cabeza del líder técnico y no en diagramas versionados. Eso funcionaba cuando el software se escribía línea a línea y el equipo cabía en una sala. No funciona cuando:
- El 40-60% del código lo genera un modelo que no asistió a ese almuerzo.
- El equipo está distribuido en tres husos horarios y dos idiomas.
- La competencia global entrega features en días porque su especificación es ejecutable (tests, contratos, prompts versionados) y la tuya es una conversación de Slack.
La trampa del "artesano del código" es especialmente seductora en la región. Orgullo por el código limpio, patrones elegantes, optimizaciones prematuras. Wakasa lo dice sin ambages: la belleza del código tiene valor técnico, pero no es factor de diferenciación de negocio en un ecosistema de módulos estandarizados. El valor está en la especificación clara del problema, en la arquitectura de producto, en la capacidad de decirle a la IA qué construir y cómo validar que lo construyó bien.
La transición no es solo técnica; es organizacional y contractual. El modelo SIer japonés —capas de subcontratación que diluyen la responsabilidad de especificar— tiene su espejo en las factorías de software latinoamericanas que venden "equipos dedicados" sin producto propio. Esos modelos colapsan cuando el cliente exige outcomes medibles y el proveedor no tiene práctica de externalizar requisitos.
Tres movimientos concretos para iniciar la migración:
1. Contratos de especificación como artefactos de producto. Cada iniciativa —interna o externa— nace de un documento vivo (Markdown en repo, no PDF en Drive) que define: problema de negocio, criterios de aceptación ejecutables, restricciones no funcionales, riesgos conocidos. La IA puede ayudar a redactarlo, pero el humano debe firmarlo. 2. Prompts y evaluaciones versionados como código. El "prompt engineering" no es habilidad individual; es activo de la organización. Prompts, few-shots, jueces automáticos (LLM-as-judge) y métricas de calidad viven en control de versiones, con code review y CI/CD. Eso transforma la "vibe" en activo auditable. 3. Entrenamiento explícito para la externalización. No basta con licencias de Copilot o Cursor. Hace falta un programa sistemático: talleres de especificación por ejemplos, katas de prompt-design, métricas de ambigüedad en requisitos, retrospectivas enfocadas en "qué no dijimos y la IA asumió mal".
El consorcio japonés J-HRTI —Tsumura, Yamazen y otros— lo entendió para el mundo físico: ninguna empresa sola puede generar el volumen de datos para entrenar humanoides. Se alían, comparten coste, estandarizan la captura. En software, la analogía es clara: ninguna empresa latina tiene solo el contexto para competir globalmente en IA. La especificación explícita es el lenguaje común que permite componer talento, modelos y datos a través de fronteras.
La cultura de alto contexto no desaparece —ni debe—. Sigue siendo útil para la confianza, la negociación, la innovación exploratoria. Pero deja de ser el sistema operativo del desarrollo. El nuevo sistema operativo es bajo contexto, explícito, versionado, ejecutable. Las empresas que no migren su capa de especificación seguirán teniendo "buen código" que nadie usa, mientras la competencia entrega producto.
