Autoría: Ricardo Pacheco Almeida y Eduardo Barroso da Silva (PwC Portugal).
Vibe coding: origen, significado e impacto en la programación
La llegada de la Inteligencia Artificial Generativa ha traído al mundo todo un abanico de nuevos términos y especializaciones. Uno de esos términos es vibe coding.
Sin ser una definición académica ni siquiera formal, el vibe coding es un reflejo de su tiempo: es un concepto que se hizo “viral” a partir de un tuit publicado por Andrej Karpathy, científico de datos y exdirector de IA en Tesla, a comienzos de 2025. En esa publicación, Andrej comenta que existe un “nuevo tipo de programación llamado vibe coding, en el que nos entregamos completamente a las vibes (…)”.
El término acabó por asentarse en el discurso del sector y, hoy, el vibe coding puede describirse como el uso intuitivo de asistentes de código basados en GenAI. En lugar de escribir especificaciones detalladas o cada línea de sintaxis, los programadores confían en la capacidad de la herramienta para inferir la intención a partir del contexto compartido, del propio proyecto y del código creado. El programador define la dirección, la vibe, y la solución genera la implementación de forma independiente.
También es importante distinguir el vibe coding del assisted coding o AI-assisted pair programming, un concepto emergente en el ámbito académico y en la industria en el que los programadores profesionales utilizan GenAI para acelerar sus tareas de desarrollo. Sin embargo, el assisted coding no presupone una confianza total en la herramienta que genera el código: solo acelera tareas puntuales, claramente definidas y sobre las que el programador tiene conocimientos previos. Es un cambio de papel, en el que el profesional actúa menos como escritor y más como editor o curador.
Buenas prácticas en el uso de GenAI
Datos recientes de la industria indican que la gran mayoría de los profesionales de la tecnología ya utilizan estas herramientas en su trabajo. Así, la fase de experimentación con GenAI parece estar terminando, por lo que estamos entrando en la fase de medir los resultados.
Para los programadores, la percepción general es bastante positiva, ya que disminuye la fricción y sienten que trabajan más rápido. Y, de hecho, en términos brutos, están produciendo más: los equipos con una alta adopción de GenAI pueden enviar casi el doble de pull requests (PRs). Sin embargo, el esfuerzo de revisión aumenta.
¿Por qué este desajuste? Hay dos motivos principales: sin la orientación adecuada, tiende a generar bloques de código más grandes y descontextualizados, lo que hace más compleja la revisión; y es tan eficaz generando grandes volúmenes de código que los equipos pueden no ser capaces de revisarlo.
Para aprovechar el potencial de la GenAI, los equipos técnicos deben formar a su personal, crear metodologías holísticas y desarrollar mejores prácticas. Antes de escribir cualquier código, es esencial:
- crear manuales para desarrolladores (developer handbooks) que orienten a los agentes GenAI;
- definir reglas en el software GenAI (p. ej., Cursor Rules); y
- establecer directrices (p. ej., directrices del proyecto, una estructura de proyecto con definiciones semánticas para cada carpeta o módulo).
Arquitectura de prompting y gestión del contexto
Como en un proyecto típico de desarrollo de una solución, también es esencial tener un alcance acotado y bien definido. Las herramientas de GenAI, en particular los modelos Claude, tienden siempre a hacer un poco más de lo que se les pide. Por tanto, es esencial saber qué funcionalidades se van a desarrollar para, a partir de ahí, crear un conjunto de tareas de carácter técnico orientadas a las funcionalidades definidas (backlog). El agente que genera código puede entonces desarrollar los elementos concretos identificados en el backlog.
Todas estas fuentes de información consumen una gran parte de la ventana de contexto de los modelos. La ventana de contexto es la cantidad máxima de información que el modelo puede “ver” y procesar de una sola vez. Esta información, medida en tokens (palabras o partes de palabras), incluye tanto la entrada (sus instrucciones y el historial de la conversación) como la salida (la respuesta generada). Funciona como la memoria a corto plazo del modelo. Si una conversación supera el límite, el modelo “olvida” lo que se dijo al principio y pierde el contexto anterior. Es esencial:
- una documentación objetiva (con frases cortas y directas);
- evitar información irrelevante; y
- garantizar que el contexto quepa en la ventana del modelo.
Para las grandes organizaciones, como se ha mencionado antes, el reto ya no es la adopción de la herramienta, sino su conversión en valor de negocio medible y escalable. Las empresas de éxito tratan la IA como un problema de transformación, no como un problema de herramientas tecnológicas.
Adoptar esta mentalidad de transformación exige que la ambición estratégica de la empresa para la GenAI sea clara e incremental. El primer paso es ampliar el modelo de gobernanza existente para abarcar esta nueva tecnología, definiendo quién es responsable del desarrollo y la supervisión, y cómo garantizar que su uso sea responsable y cumpla las obligaciones legales. Sin esta estructura de gobernanza, las iniciativas de IA siguen siendo experimentos aislados, incapaces de escalar y vulnerables a riesgos legales y reputacionales.
Marco de priorización y escalabilidad de los casos de uso
Una vez definida la gobernanza, la dirección debe centrarse en los casos de uso, no en la tecnología. Esto implica:
- identificar los procesos con mayor potencial de automatización;
- evaluar el impacto frente a la complejidad en una matriz de decisión; y
- elegir entre construir, comprar o adaptar soluciones.
El éxito de la implementación depende de un ecosistema cohesionado de tecnología y personas. Las empresas necesitan un marco de decisión que garantice que las herramientas sean escalables y las decisiones auditables. Por eso, la gestión del cambio es esencial y debe centrarse en la formación y en la definición de políticas de uso responsable que enseñen a los empleados a validar los resultados de la IA, no solo a aceptarlos.
Por último, las organizaciones que obtienen valor miden lo que realmente importa. El éxito es el impacto medible en los indicadores de negocio (KPIs) y el retorno de la inversión (ROI). Esto exige una supervisión continua del rendimiento y la recogida de comentarios de los usuarios. Solo este ciclo de implementación metódica y aprendizaje permite demostrar el valor de la GenAI más allá de la experimentación, transformando la inversión en resultados sostenidos.
En definitiva, el vibe coding representa la tentación de la velocidad fácil, pero es una trampa que genera deuda técnica y riesgo. El assisted coding profesional es una técnica para potenciar y acelerar el proceso de desarrollo. El programador pasa a tener un papel más cercano al de revisor o incluso al de product owner. El futuro del desarrollo de software no pasa por sustituir al ingeniero, sino por transformarlo: de “escritor de código” a arquitecto de la intención, un validador crítico de la lógica que garantiza la calidad final, la seguridad y la conformidad de la solución.