El vibe coding : IA, open source, GPUs y por qué las necesidades del desarrollo de software no desaparecen (y por qué importa más que nunca)
En los últimos meses se ha popularizado un término que nos dice mucho más de la confusión actual en su dominio que de la tecnología misma: vibe coding. La idea - simplificada - es que ya no hace falta entender a fondo los sistemas hardware/software; basta con “probar prompts”, iterar hasta que “funcione bien” y dejar que los LLMs (ChatGPT, Copilot, etc) completen el resto.
El vibe coding ofrece como ventajas una velocidad de desarrollo muy alta, una iteración creativa casi inmediata y una barrera de entrada mínima: basta describir lo que se quiere y dejar que la IA genere el código, lo que resulta ideal para prototipos, exploración de ideas y trabajo individual o en equipos pequeños; su principal desventaja es que tiende a producir código desordenado, difícil de escalar o auditar, con riesgos de seguridad y dependencia del criterio implícito del modelo si no hay revisión experta.
El no-code, por su parte, destaca por su simplicidad, estabilidad y rapidez para llegar a algo funcional sin escribir código, especialmente en aplicaciones estándar, formularios o micro-SaaS, pero sacrifica flexibilidad, control fino y capacidad de personalización, quedando limitado cuando se requieren arquitecturas complejas, optimización de desempeño o integración avanzada.
Vibe coding maximiza creatividad y exploración técnica a costa de estructura, mientras que no-code maximiza accesibilidad y orden a costa de profundidad técnica; ninguno sustituye al desarrollo de software tradicional cuando se busca robustez, escalabilidad y mantenimiento a largo plazo. Es una narrativa seductora, especialmente para quienes miran la IA como un cierto atajo. Pero también es una señal clara de una poderosa transición mal digerida.
Porque lo que estamos viviendo no es el fin del desarrollo de software, sino su reubicación en una capa, digamos, más alta de abstracción. Y cuando una profesión se mueve de capa, siempre aparece la tentación de confundir exploración con diseño, y resultados aparentes con comprensión real.
El “vibe coding” existe, sí, pero puede pasar de estilo a síntoma: es lo que ocurre cuando se usan herramientas poderosas sin un modelo mental claro del sistema que se está construyendo.
La evidencia más interesante no está en los manifiestos ni en los hilos virales, sino en lo que ya ocurre en laboratorios y aulas cuando se combinan open source, NVIDIA, Hugging Face, infraestructura accesible como una DGX Spark, y una comunidad activa de alumnos e ingenieros de diplomado y posgrado. Ahí se ve con nitidez que la IA no elimina el software: elimina el trabajo incidental, ese esfuerzo invisible que antes consumía tiempo sin producir conocimiento.
Con las herramientas adecuadas, como las descritas a lo largo de este proceso, el vibe coding puede complementar, no sustituir, el desarrollo de software tradicional: como señala Andrej Karpathy, se trata de “dialogar con la IA, pedir código, ejecutarlo, ver qué se rompe y volver a intentar”, en un ciclo rápido de prompt → código → prueba → corrección → iteración. Cuando este enfoque se ejerce con criterio técnico —revisando salidas, cuestionando decisiones de arquitectura, cómputo y despliegue, y consolidando el resultado en un artefacto coherente—, el vibe coding se convierte en un acelerador cognitivo y creativo, capaz de ampliar la productividad sin erosionar la comprensión ni el rigor de la ingeniería de software.
Durante décadas, convertir datos complejos - por ejemplo, video - en conocimiento utilizable fue un proceso dominado por la fricción: dependencias de software frágiles, cambios constantes de librerías, infraestructura inestable. El open source cambió esa ecuación al convertir el aprendizaje en algo acumulativo. Las herramientas se comparten, los errores se corrigen colectivamente y, sobre todo, los patrones se vuelven replicables. Cuando hay patrones, hay ingeniería; cuando solo hay “sensación”, hay vibe coding.
A este ecosistema se suman empresas impulsoras del open source como NVIDIA, no solo como proveedor de GPUs, sino como arquitecto de plataformas completas. La diferencia es crucial. Una GPU aislada no transforma nada; una plataforma que integra aceleración, optimización, despliegue y reproducibilidad sí. Reduce el ciclo de prueba y error y, con ello, desplaza el foco del “si funciona” al “por qué funciona”. Ese desplazamiento puede ser incompatible con el vibe coding: obliga a estudiar y entender.
Hugging Face cumple un rol complementario pero decisivo: democratiza el acceso a modelos, datasets y evaluaciones, y con ello introduce una cultura de comparación, validación y mejora continua. En ese contexto, usar un modelo sin entender sus límites deja de ser aceptable al 100% pues se corren riesgos de provocar inestabilidad. La comunidad no premia la improvisación, premia la trazabilidad. Y esa es una lección formativa poderosa para cualquier estudiante serio de software.
Cuando la infraestructura deja de ser un problema cotidiano, ya no hay excusa para el ensayo permanente sin la arquitectura para capitalizar el error que enseña. El equipo puede - y debe - pensar en flujos completos, contratos de entrada y salida, validación de resultados. En otras palabras: se puede pasar del vibe coding al diseño de sistemas.
No se trata de “pedirle una historia” a un modelo, sino de diseñar un pipeline cognitivo: separar observaciones de inferencias, acotar la estocasticidad, definir reglas narrativas, evaluar coherencia. El modelo no improvisa; ejecuta una transformación definida. Eso es ingeniería cognitiva. Y exige más formación en software, no menos.
Por eso conviene decirlo con claridad: las carreras de desarrollo de software y sistemas inteligentes, ciencia de datos y analítica no solo seguirán siendo relevantes, serán estratégicas. Pero su núcleo cambia. Ya no basta con escribir código; hay que entender sistemas híbridos robots-humano-máquina, límites de modelos probabilísticos, arquitecturas reproducibles y criterios de validación. En un mundo lleno de herramientas poderosas pero no deterministas, el desarrollador se convierte en el garante de sentido, control y responsabilidad.
El riesgo real no es que la IA “reemplace” a los ingenieros. El riesgo es formar generaciones que confundan vibe coding con competencia profesional. México tiene talento, comunidades universitarias activas y hoy acceso a ecosistemas tecnológicos de primer nivel. El desafío es cultural y educativo: pasar de la fascinación a la comprensión, del prompt aislado al sistema completo.
Aprender a desarrollar software hoy implica combinar fundamentos sólidos (lógica, estructuras de datos, control de versiones) con práctica constante en proyectos reales, entendiendo no solo un lenguaje sino todo su ecosistema de herramientas (IDE, Git, testing, despliegue). Es clave aprender haciendo, leer y depurar código, construir un portafolio visible, y participar en comunidades para recibir retroalimentación.
Las buenas prácticas y patrones importan tanto como la velocidad, y la IA debe usarse como asistente, no como sustituto del razonamiento técnico. Ell desarrollo de software es una disciplina de aprendizaje continuo, donde mantenerse actualizado y experimentar de forma constante es tan importante como escribir código.
La IA no vino a eliminar el software. Vino a eliminar la improvisación disfrazada de productividad. Y a exigir, a cambio, una ingeniería más profunda, más consciente y - sí - mucho más interesante, productiva y sobre todo mucho más accesible en todos los niveles y en todas las profesiones.
Y como bien acaba de decir el mismo Andrej Karpathy hace unos días, no estamos simplemente ante una nueva herramienta, sino frente a una capa completamente nueva de abstracción que redefine qué significa programar. El código ya no es el centro exclusivo del oficio: ahora lo es la capacidad de orquestar agentes, prompts, contextos, memorias y flujos de trabajo sobre sistemas inherentemente estocásticos y falibles.
No adoptar estas prácticas no es una cuestión ideológica ni estética, sino —como él mismo lo señala con crudeza— un problema de habilidades. El “terremoto” ya ocurrió, el manual no existe, y la única opción para no quedarse atrás es remangarse, reconstruir el modelo mental del ingeniero y aceptar que la vieja ingeniería convive, para bien o para mal, con una inteligencia alienígena que ya está integrada en el oficio.