Durante años, construir software fue costoso en horas de ingeniería, en ciclos de iteración, en coordinación y en incertidumbre. Incluso cuando el problema estaba claro, convertir una necesidad operativa en un sistema útil solía ser un proceso lento y caro.
Eso está cambiando, no por una idea abstracta de “la IA”, sino por avances técnicos concretos en machine learning durante los últimos años: la consolidación de la arquitectura Transformer, la evolución de las redes neuronales profundas, la aparición de enfoques como Mixture-of-Experts y Retrieval-Augmented Generation, y el progreso de modelos generativos capaces de trabajar con lenguaje, código, imagen y otros tipos de información.
Lo importante no es solo que estos modelos hagan ciertas tareas mejor. Lo importante es que introducen una nueva capa de acceso. Ya no accedemos únicamente a documentos, páginas o bases de datos: accedemos también a una capa capaz de sintetizar, transformar, estructurar y volver operable parte del conocimiento humano en tiempo de consulta. La web nos dio acceso a la información; la IA empieza a darnos acceso a una primera elaboración útil de esa información.
Ese cambio reduce la distancia entre intención y ejecución.
En la práctica, tareas que antes requerían largos ciclos de prueba, error y debugging hoy pueden resolverse mucho más rápido cuando existe el contexto correcto. Un problema bien delimitado, los archivos adecuados y una instrucción precisa pueden comprimir horas de trabajo en minutos. Eso no vuelve trivial al software; simplemente desplaza el cuello de botella.
El reto ya no está solo en escribir código. Está en entender suficientemente bien el sistema como para decidir qué debe automatizarse, qué debe mantenerse determinístico, qué requiere criterio humano y cómo combinar todo eso en un flujo real. En muchos casos, el valor no estará en un modelo aislado, sino en el diseño completo del sistema: modelos, reglas, herramientas y human-in-the-loop donde la supervisión siga siendo necesaria.
Eso cambia el negocio del software.
Durante mucho tiempo, muchas empresas aceptaron pagar software genérico porque desarrollar algo propio era demasiado costoso para justificarlo. Pero cuando el costo de construir cae, también cambia ese equilibrio. Cada vez será más viable crear herramientas internas, automatizaciones y sistemas ajustados a flujos específicos, en lugar de adaptar el trabajo a productos rígidos.
Por eso el mercado no solo se vuelve más eficiente; también se vuelve más exigente. Si construir es más fácil, entonces construir deja de ser la ventaja principal. La ventaja pasa a estar en entender mejor el problema, leer mejor la señal, distinguir la fricción real del ruido y diseñar sistemas que produzcan valor de forma sostenible.
Cuando el código se vuelve más abundante, lo escaso pasa a ser la claridad.
- Claridad sobre el problema.
- Claridad sobre el workflow.
- Claridad sobre los costos.
- Claridad sobre el rol del modelo y el rol de las personas.
- Claridad sobre dónde existe valor real.
Ese es, para mí, el cambio más importante. La IA no reduce la importancia del pensamiento de producto y de sistemas; la aumenta. Porque cuanto más barato es producir una solución, más importante se vuelve decidir qué solución merece existir.
También por eso esta etapa se parece menos a una simple mejora de tooling y más a un cambio en la forma en que convertimos información en acción. Equipos pequeños pueden construir más. Procesos antes inviables pueden volverse viables. Conocimiento operativo antes disperso puede traducirse en software con mucha más facilidad.
Pero más software no implica automáticamente más valor.
El valor seguirá estando en el criterio, en el diseño del sistema, en la capacidad de operación y en la comprensión real del contexto. Ahí es donde se definirá quién construye herramientas pasajeras y quién construye sistemas que realmente importan.
Por eso este es un momento tan interesante para construir. No solo porque ahora sea más rápido, sino porque exige una forma más alta de criterio. Y esa, precisamente, es la clase de problema que vale la pena tomarse en serio; también desde estudios como Moxe.