Hemos entrado en la era de la crisis de la deuda técnica sintética, y la mayoría de los responsables de ingeniería están caminando hacia ella como sonámbulos. La industria ha acuñado un nuevo término, tokenmaxxing, para describir la obsesión con la generación masiva de código mediante IA. Parece progreso. Pulsas un atajo en Cursor o Claude y, de repente, el scaffolding de una funcionalidad compleja aparece en segundos. Pero como alguien que ha pasado años limpiando desastres de código legacy creados por humanos, puedo decirte que los desastres generados por IA que estamos cocinando ahora van a ser significativamente más caros de arreglar. El subidón de dopamina de un pull request masivo nos está cegando ante la realidad del code churn.
Los datos están empezando a alcanzar al hype. Cuando los informes muestran que el code churn ha aumentado más de un 800 por ciento bajo una alta adopción de IA, no estamos ante un impulso de productividad; estamos ante un colapso de la calidad. El problema fundamental es que los LLMs son motores probabilísticos, no pensadores arquitectónicos. Son de clase mundial generando el siguiente token más probable, pero tienen un concepto nulo de la carga de mantenimiento a largo plazo de las abstracciones que sugieren. Básicamente, estamos contratando a millones de desarrolladores junior hiperactivos que trabajan por céntimos pero no tienen memoria del sistema que están construyendo.
Esto crea lo que yo llamo la Paradoja del Revisor. Es objetivamente más fácil generar 500 líneas de código con una IA que revisar críticamente esas mismas 500 líneas. Cuando un humano escribe código, construye un modelo mental de la lógica. Cuando un humano revisa código de IA, a menudo realiza una comparación de patrones superficial. Esto conduce a una alta tasa de aceptación —a menudo citada entre el 80 y el 90 por ciento— que está totalmente desconectada de la utilidad real. Estamos aprobando código porque parece correcto, solo para darnos cuenta tres semanas después de que carece de gestión de edge-cases o viola un principio arquitectónico básico. Por eso, la tasa de aceptación en el mundo real, una vez que se tienen en cuenta las inevitables reescrituras, está cayendo en picado hasta niveles tan bajos como el 10 por ciento.
Desde la perspectiva de la ingeniería senior, la tendencia más alarmante es la brecha cada vez mayor entre desarrolladores senior y junior. Los seniors usan la IA como un multiplicador de fuerza para el boilerplate y los unit tests, manteniendo un ojo escéptico sobre la lógica. Los juniors, sin embargo, utilizan cada vez más estas herramientas como una muleta para una lógica que no comprenden del todo. Esto crea una generación de constructores que pueden lanzar funcionalidades a la velocidad del rayo pero que no pueden depurar los sistemas subyacentes cuando las abstracciones generadas por la IA inevitablemente fallan. Estamos optimizando para el cabezal de escritura del disco duro mientras ignoramos por completo el cabezal de lectura y el seek-time de la comprensión humana.
Tenemos que dejar de medir la productividad por el gasto de tokens o el volumen de pull requests. Esas son métricas de vanidad que sirven a los proveedores de modelos, no al producto. Si tu equipo está logrando el doble de rendimiento con diez veces el coste en tokens, no estás siendo eficiente; estás siendo derrochador. Estás pagando un sobrecoste por llenar tu codebase de lógica redundante que, tarde o temprano, requerirá que un humano la desenrede. El coste del código no es el coste de escribirlo; es el coste de poseerlo durante todo su ciclo de vida.
La solución no es prohibir los AI agents —eso sería como prohibir los compiladores en los años 70—. La solución es cambiar nuestro enfoque del tokenmaxxing al contextmaxxing. Necesitamos herramientas que prioricen la alineación arquitectónica sobre el volumen bruto de producción. Necesitamos recompensar a los desarrolladores por borrar código y simplificar sistemas, en lugar de por cuántos tokens pueden quemar en un sprint. Si no cambiamos nuestras métricas pronto, nos encontraremos en un mundo donde nuestras codebases estarán tan saturadas de deuda sintética que ningún humano, y eventualmente ninguna IA, será capaz de mantenerlas.
