¿Qué habilidad sigue importando cuando un coding agent escribe el patch, ejecuta los tests y abre el pull request? La respuesta no es aprender a escribir prompts más largos. Es poder explicar el problema, limitar el cambio y demostrar que el resultado merece entrar en el sistema.
En 2025, la "Encuesta de desarrolladores 2025: IA", de Stack Overflow registró que el 46% de los desarrolladores desconfía de la precisión de las herramientas de IA, frente al 33% que confía en ella. Esa diferencia cambia la vara profesional: producir un diff ya no es una prueba completa de competencia.
Este texto organiza las habilidades que conviene desarrollar y las señales que puedes dejar en un repositorio, un pull request o una entrevista. El objetivo no es elegir entre programar a mano y usar agentes. Es hacer ambas cosas con suficiente comprensión para asumir el resultado.
Resumen práctico
- La ingeniería de software todavía exige definir problemas, diseñar arquitectura y ejercer criterio técnico.
- El diferencial aparece en la especificación, el contexto acotado, la revisión y la verificación.
- Un buen portafolio muestra decisiones, fallos encontrados y evidencias, no solo código generado.
- Usa agentes para ampliar tu capacidad sin entregarles la responsabilidad del sistema.
¿Qué cambió en el trabajo de un software engineer?
En 2025, el 52% de los desarrolladores dijo que las herramientas de IA o los agentes habían mejorado su productividad, mientras que el 84% de quienes usan agentes en el trabajo los usaba para desarrollo de software (Stack Overflow, "Encuesta de desarrolladores 2025: IA"). El trabajo cambió de lugar, pero la necesidad de criterio no desapareció.
El código sigue importando porque es la forma ejecutable de una decisión. Lo que cambia es dónde se concentra el esfuerzo. En lugar de medir madurez por las líneas escritas a mano, observa si la persona sabe elegir una frontera de cambio, anticipar fallos y rechazar una solución que solo parece funcionar.
OpenAI describe este desplazamiento en su experiencia con harness engineering. El equipo explica que tuvo que diseñar entornos, especificar intención y construir loops de feedback para que Codex produjera trabajo confiable. Es una descripción de ingeniería, no una autorización para abandonar los fundamentos.
El profesional más útil en este flujo no es quien acepta todo. Es quien reduce la ambigüedad antes de ejecutar y convierte la salida del agente en una decisión revisable.
¿Qué habilidades siguen diferenciando una carrera?
En 2025, el 66% de los desarrolladores señaló las soluciones de IA "casi correctas" como su mayor frustración, y el 45% dijo que depurar código generado por IA consume más tiempo (Stack Overflow, "Encuesta de desarrolladores 2025: IA"). Por eso, la habilidad duradera no es pedir cualquier implementación, sino reconocer rápido cuándo está equivocada.
Define el problema antes del prompt
Escribe el comportamiento esperado, lo que queda fuera del alcance, los datos involucrados y la forma de verificar el cambio. Una buena especificación da al agente un objetivo menor y al revisor un criterio independiente.
Puedes demostrar esta habilidad con un archivo de spec breve, una issue delimitada o un test que falle antes del patch. El documento no necesita ser largo. Debe hacer visible la decisión que el código tiene que cumplir.
Diseña el sistema y sus límites
Un agente puede sugerir una API, una cola o una división de módulos. El ingeniero todavía decide sobre consistencia, latencia, seguridad, coste operativo y compatibilidad con lo que ya existe.
Un diagrama pequeño y una decisión registrada valen más que una colección de prompts. Para arquitectura de sistemas agentic, conecta esta práctica con la orquestación multiagente con TypeScript, que trata estado, dependencias, leases y recuperación fuera del prompt.
Revisa y verifica la salida
Lee el diff buscando comportamiento ausente, tests débiles, efectos secundarios y supuestos sin probar. Después ejecuta la prueba más pequeña que pueda refutar la hipótesis del agente. Pasar los tests existentes no demuestra que el cambio cumpla una regla nueva.
El artículo académico "Habilidades para la profesión de software del futuro: más allá de la IA agentic", en arXiv identifica la verificación y la validación como habilidades cada vez más importantes cuando los agentes se encargan de la implementación. La conclusión coincide con la práctica: revisar no es decoración. Es donde la responsabilidad vuelve a una persona.
¿Cómo convertir una habilidad en una prueba de carrera?
En 2026, OpenAI describió un trabajo realizado bajo una restricción que llevó al equipo a entregar cerca de un millón de líneas de código en semanas con Codex, además de los entornos, herramientas y loops de feedback que hicieron posible el trabajo (OpenAI, "Ingeniería de harness: usando Codex en un mundo agent-first"). Ese número es el relato de la empresa, no una meta profesional. La lección útil está en el sistema de evidencias.
Un repositorio que demuestre madurez con agentes debería permitir que otra persona responda cuatro preguntas sin abrir tu historial de chat:
| Evidencia del proyecto | Lo que demuestra |
|---|---|
| Spec o issue con criterio de aceptación | Sabes convertir una necesidad en comportamiento verificable. |
| Decisión de arquitectura breve | Entiendes trade-offs, no solo la implementación final. |
| Test, eval o comando de verificación | Distingues una salida plausible de un resultado correcto. |
| Pull request con riesgo residual y límite | Puedes comunicar qué todavía no ha sido probado. |
Este material también mejora el trabajo diario. Un revisor no necesita confiar en la frase "el agente lo probó". Puede ver qué test se ejecutó, qué hipótesis cubrió y qué riesgo sigue abierto.
Para profundizar esta evidencia, usa evals de pull request para agentes de código en CI y revisión de PRs de agentes antes del merge. El objetivo no es crear un ritual pesado. Es hacer auditable el resultado cuando la autoría del patch es compartida.
¿Cómo usar agentes sin tercerizar el razonamiento?
En 2025, el 75% de los desarrolladores dijo que todavía pediría ayuda a una persona cuando no confiara en una respuesta de IA (Stack Overflow, "Encuesta de desarrolladores 2025: IA"). El mismo principio vale para tu propio flujo: no aceptes un cambio que no puedas explicar sin volver a abrir la conversación con el agente.
Antes de ejecutar, escribe de memoria el flujo de datos y dos modos de fallo. Después del patch, intenta explicar el diff, el motivo de cada archivo cambiado y el test que debería fallar si la hipótesis fuera incorrecta. Si no puedes hacerlo, reduce la tarea o pide una explicación antes de continuar.
Esta práctica no significa rechazar la automatización. Significa usar el agente en funciones distintas según el riesgo: generador para boilerplate conocido, investigador para mapear una codebase, revisor para encontrar contraejemplos y tutor para explicar una decisión que todavía no dominas.
Para loops largos, uso una herramienta del autor para extender Codex y Claude Code con menos contexto repetido cuando necesito continuidad entre sesiones. Reduce la repetición de contexto, pero no reemplaza entender el diff ni convierte una salida no verificada en evidencia.
La señal de dependencia es sencilla: si el agente desapareciera durante una hora, ¿todavía podrías localizar el problema, formular el siguiente test y explicar el diseño? Si la respuesta es no, tu próxima inversión son los fundamentos, no un prompt más elaborado.
¿Qué fundamentos merecen práctica deliberada?
En 2025, el 87% de los desarrolladores expresó preocupación por la precisión de los agentes y el 81% por la seguridad y privacidad de los datos (Stack Overflow, "Encuesta de desarrolladores 2025: IA"). Los fundamentos ayudan a evaluar esas fronteras cuando la salida parece convincente.
Practica lectura de código, modelado de datos, concurrencia, redes, tests, seguridad y observabilidad con problemas pequeños. La meta no es competir con la velocidad de escritura del agente. Es formar un modelo mental que permita prever un fallo antes de que se convierta en incidente.
Elige también un dominio donde las decisiones tengan consecuencias operativas. Puede ser pagos, colas, autenticación, búsqueda, bases de datos o infraestructura. El conocimiento del dominio ayuda a detectar cuándo una solución técnicamente elegante viola una regla del negocio o un límite de producción.
Cierra el ciclo con señales reales: context engineering para agentes de código, observabilidad de agentes en CI y RAG de codebase para que el agente haga la pregunta correcta. El agente puede recuperar contexto. Tú todavía decides qué contexto merece confianza.
¿Cómo organizar un plan de práctica para los próximos meses?
En 2025, el 72% de los desarrolladores dijo que no hace vibe coding en el trabajo, y otro 5% afirmó enfáticamente que esa práctica no forma parte de su flujo profesional (Stack Overflow, "Encuesta de desarrolladores 2025: IA"). Eso no demuestra que la etiqueta sea buena o mala. Muestra que existe espacio para un uso más disciplinado de los agentes.
Construye un ciclo que produzca artefactos revisables:
- Elige un cambio pequeño y escribe el comportamiento esperado antes de abrir el agente.
- Pide investigación y un plan, no una implementación inmediata. Revisa los archivos, dependencias y riesgos que identifica.
- Deja que el agente cambie una frontera estrecha. Si el diff crece sin motivo, detente y divide la tarea.
- Ejecuta tests o evals que puedan fallar por razones diferentes. Registra la evidencia y el riesgo residual.
- Explica la decisión a otra persona o escribe una nota breve. Si la explicación sigue siendo vaga, vuelve al paso anterior.
Después de varias iteraciones, tu portafolio tendrá algo más convincente que una galería de pantallas: especificaciones, decisiones, tests, fallos y correcciones. Mostrará que sabes trabajar con agentes sin confundir velocidad con calidad.
El plan también funciona para un equipo. Un líder puede evaluar la calidad del contrato, el contexto y la verificación sin medir cuántos tokens gastó alguien o cuántas líneas escribió el modelo.
Preguntas frecuentes sobre carrera y coding agents
¿Tengo que dejar de programar a mano para seguir siendo relevante?
No. En 2025, Stack Overflow registró que el 46% de los desarrolladores desconfía de la precisión de la IA. La práctica manual sigue siendo útil para mantener fluidez, depurar sin asistencia y probar tus propias hipótesis. Usa el agente para ampliar el trabajo, pero conserva sesiones en las que diseñes e implementes partes pequeñas sin delegar el razonamiento.
¿Prompt engineering es la habilidad más importante?
No por sí sola. En 2025, el 66% de los desarrolladores se frustró con soluciones de IA casi correctas. Un prompt claro ayuda, pero no sustituye la especificación, la arquitectura, el contexto, los tests ni la revisión. La habilidad profesional es construir un loop que convierta intención en un cambio verificable.
¿Cómo puedo mostrar experiencia con agentes en una entrevista?
Lleva un ejemplo que incluya problema, decisión, diff, test y fallo descubierto. En 2025, el 75% de los desarrolladores dijo que todavía pediría ayuda humana cuando no confiara en la IA. Explica dónde desconfiaste de la salida y cómo redujiste la incertidumbre. Esa historia demuestra mejor el criterio que un prompt llamativo.
¿Y si mi empresa todavía no usa coding agents?
Las habilidades siguen siendo útiles. En 2025, el 52% de los desarrolladores dijo que la IA o los agentes mejoraron su productividad, pero ese dato no exige una adopción inmediata. Especificar, diseñar sistemas, revisar código, probar y operar servicios son competencias útiles con o sin agente. Aprende la herramienta en proyectos personales pequeños.
El mercado puede cambiar el nombre de la herramienta, el modelo o la interfaz del agente. El trabajo todavía necesita a alguien capaz de decir qué debe construirse, limitar el camino y demostrar que el sistema funciona. Esa es la parte de la carrera que vale llevar al próximo runtime.
Fuentes consultadas
- Stack Overflow, "Encuesta de desarrolladores 2025: IA", consultado en 2026-07-26, https://survey.stackoverflow.co/2025/ai
- OpenAI, "Ingeniería de harness: usando Codex en un mundo agent-first", consultado en 2026-07-26, https://openai.com/index/harness-engineering/
- arXiv, "Habilidades para la profesión de software del futuro: más allá de la IA agentic", consultado en 2026-07-26, https://arxiv.org/abs/2606.21894
