Skip to content
Get App

El código generado por IA funciona. Ese es el problema.

Martí de BettaTech explica por qué el código generado por IA funciona pero puede volverse un problema: tests en verde no garantizan calidad, y la IA produce soluciones que parecen terminadas.

Key Takeaways

  • Que algo funcione o esté en verde no significa que esté terminado ni que sea correcto.
  • Hay que definir la calidad con métricas deterministas (seguridad, complejidad, cobertura real) además de los tests.
  • Menos código suele significar menos puntos de fallo; no hay que confundir volumen generado con buen ingeniero.

What the video covers

  • La IA genera código que mayoritariamente funciona, lo que hace que sus defectos sean silenciosos y difíciles de detectar.
  • El 'último 10%' de una tarea (pulir, desplegar, negociar, cerrar detalles) siempre ha sido el más costoso, y la IA lo hace más fácil de ignorar.
  • La IA produce soluciones que parecen pulidas, pero en realidad son clones sin personalidad, como ocurre con landing pages y diseños generados.
  • Que los tests existan y estén en verde no significa que el código sea correcto ni seguro, y la IA puede escribir tests a su conveniencia.
  • La IA no decide por ti qué es importante; hay que darle contexto y planes en el prompt para que tome buenas decisiones.
  • Conviene añadir métricas como análisis de vulnerabilidades, complejidad ciclomática y filtrado de secretos (Sonar, Aikido, Snyk-like tools).
  • Código que parece correcto pero tiene errores sutiles es más peligroso que código evidentemente malo, porque se revisa menos.
  • Se encuesta de Stack Overflow indica que el 66% de desarrolladores se frustra con soluciones plausibles pero con pequeños fallos.
  • Medir a los desarrolladores por número de líneas o commits incentiva generar más código, cuando lo deseable es menos código y de mejor calidad.
  • Las métricas DORA (frecuencia de despliegue, tiempo de entrega) pueden ayudar a valorar la calidad real del trabajo asistido por IA.

Answers

Questions about this video

¿Por qué el código generado por IA puede ser peligroso aunque funcione?

Porque sus errores son silenciosos: el código parece correcto y pasa los tests, pero puede fallar en casos no contemplados. Al verlo tan pulido, los desarrolladores tienden a revisarlo menos.

¿Qué métricas recomienda el vídeo para medir la calidad del código?

Recomienda análisis de vulnerabilidades, complejidad ciclomática, filtrado de secretos y herramientas como Sonar o Aikido, además de los tests. Así se evalúa lo que los tests no cubren.

¿Qué papel tiene el contexto en el código generado por IA?

La IA no sabe qué es importante para ti si no se lo explicas. Hay que incluir en el prompt los planes, prioridades y contexto del producto para que tome decisiones acordes a lo que quieres.

Full Transcript — Download SRT & Markdown

00:00
Speaker A
Acabas de ahorrarte un montón de horas de trabajo usando la IA. Ha cogido un ticket, lo ha implementado, ha escrito los tests, todos están en verde, lo ha desplegado, perfecto. Ahora, ves avanzando las semanas. La IA no ha
00:12
Speaker A
parado de agarrar tickets y de hacer el mismo proceso una y otra vez. Y ahora, vuelves a mirar el producto y te das cuenta de que aquello ya no tiene ni pies ni cabeza. Acabas de crear un monstruo. En este vídeo vamos a ver por
00:25
Speaker A
qué esto puede suceder y qué tiene que cambiar en la forma en la que programamos, en la que revisamos código y en la que definimos la calidad para hacer que precisamente este superpoder que hemos obtenido no se convierta en
00:39
Speaker A
una fábrica de slop. Porque el problema principal de la inteligencia artificial es que genera código que mayoritariamente funciona. Hace tiempo, y lo recuerdo con bastante cariño, un jefe me dijo las siguientes palabras: "Martí, lo más complicado de llevar una
00:54
Speaker A
nueva característica del producto a producción, es decir, determinar una tarea, es hacer el último 10% de esa tarea." Todo el mundo es capaz de hacer el 90% del trabajo, pero el 10% restante es lo que hace que nunca dejes de
01:08
Speaker A
terminar algo que a priori parece listo. Esto ocurría en las típicas tareas en la que estabas dos, tres, cuatro semanas desarrollando algo y justo te faltaba el último detallito, te faltaba implementar ese pequeño modal, te faltaba hacer esa
01:22
Speaker A
migración de base de datos, te faltaba hablar con un cliente para ver cómo desplegarlo. Y ese 10% se iba alargando, retrasando razones. Una de ellas era que ya estabas bastante cansado de haber estado trabajando en el mismo proyecto y
01:35
Speaker A
quizás estabas un poco quemado y querías cambiar, por lo que ese último sprint se te hacía bastante pesado. Otra razón podía ser porque ese último sprint, ese último punto para tener algo ya en manos de los usuarios, era realmente el más
01:49
Speaker A
complejo. Implicaba hablar con gente, implicaba hacer un plan de despliegue, implicaba [música] negociar, cosas que tú como desarrollador y no disfrutabas tanto. Tú querías de nuevo una siguiente tarea, empezar a diseñar cómo lo querías implementar y empezar a trabajar, a
02:03
Speaker A
hacer código. Es decir, no es algo nuevo que tener algo acabado siempre ha sido más complejo que tenerlo casi acabado.
02:11
Speaker A
Lo que está ocurriendo hoy en día con la inteligencia artificial es que la inteligencia artificial es buenísima en darte soluciones que parecen acabadas, que parecen pulidas. Y en la mayoría de ocasiones, parecer pulido, parecer terminado, no significa que lo esté.
02:25
Speaker A
Hago este vídeo porque recientemente me vi una charla superinteresante de Katie Dill, del equipo de diseño de Stripe, en la que hablaba precisamente de esto, más enfocado ya, digamos, en la parte de producto y de diseño de interfaces.
02:36
Speaker A
[música] Pero era la misma idea, la inteligencia artificial es capaz de diseñar páginas web, sistemas, dashboards, interfaces de usuario, básicamente, que parecen terminadas, pero que realmente no aportan ni personalidad, ni acaban de cumplir el objetivo que el usuario que
02:52
Speaker A
espera de ellas, y en definitiva, son clones unas de las otras. Es por esto que la mayoría de landing pages hoy en día son exactamente iguales. [música] Todas tienen el mismo diseño que ha hecho Cloud Design, todas tienen el
03:03
Speaker A
mismo formato que saca Chat GPT. Esto incluso ha llegado a carteles de restaurantes y de bares, en la que ya es supercomún ver los menús que son una imagen generada con Chat GPT y que son todas exactamente iguales. Lo mismo
03:17
Speaker A
sucede exactamente con el código y con las características que nosotros vamos implementando en nuestro producto. Y es que si bien en diseño, cuando ves ya, pues, el panfleto del menú de tu restaurante, ya dices, "Okay, esto ya está listo." En desarrollo, cuando tú
03:31
Speaker A
ves 40 test unitarios escritos, todos en verde y con la pipeline ya lista para ejecutar, piensas, "Pues esto ya está listo, ya está terminado, ¿qué más voy a poder hacer yo?" Créeme que puedes hacer muchísimo [música] más. Vamos por el
03:43
Speaker A
primer punto, que los test estén en verde, bueno, mejor dicho, que los test existan y estén en verde no significa que lo que estás desarrollando sea correcto. Al final, la inteligencia artificial también está escribiendo los test, ya sea con tu ayuda o sin tu
03:56
Speaker A
ayuda. Con lo que ella entienda que tú quieres [carraspeo] hacer, a veces preguntándote o incluso a veces sin preguntarte, de manera totalmente autónoma. Os dejo un vídeo en la descripción donde hablamos de la factoría de software de Open AI y cómo
04:07
Speaker A
la mayoría de facetas y partes de su desarrollo está automatizada. Ahora bien, lo que la IA no puede decidir por ti son las cosas que son o no son importantes, las cosas en las que merece la pena dedicarse y pararse un tiempo.
04:20
Speaker A
Las cosas que tienes en tu cabeza pero que no las has escrito en el prompt. Las cosas que quieres hacer, los planes que tienes a futuro para el producto, pero que no le has explicado a la inteligencia artificial cuando estabas
04:31
Speaker A
abriendo Cloud Code. Es decir, tienes que darle el contexto necesario para que pueda tomar las buenas decisiones, para que tome las decisiones que tú querrías tomar. Entonces, tener los test en verde no es suficiente, tienes que añadir una
04:42
Speaker A
nueva serie de métricas que pueden ser interesantes para acabar de definir qué significa que algo esté terminado. Estas métricas pueden ser, por ejemplo, obtenidas mediante análisis de vulnerabilidad. Que los test pasen no significa que el código sea seguro, por
04:55
Speaker A
lo tanto, analízalo. También métricas de complejidad ciclomática. Que los test pasen, que estén en verde, no significa que tu código sea fácil de entender, que sea óptimo a nivel de CPU, que tenga una complejidad baja. Por esto me gustaba,
05:08
Speaker A
entre comillas, tanto lo que decía Ángel Bob cuando hablaba de agentes de IA en el que incorporaba mediciones deterministas, como por ejemplo, el valor de la complejidad ciclomática en sus agentes y en su flujo de desarrollo.
05:20
Speaker A
de herramientas que puedes utilizar para ello, puedes utilizar el famoso Sonar o puedes utilizar Aikido para temas de seguridad, puedes utilizar Sneak [música] para analizar filtrado de secretos. En definitiva, herramientas que ya se han ido utilizando durante toda la vida para medir la calidad del
05:34
Speaker A
código que estamos generando. Si agarras la inteligencia artificial y le das visibilidad [música] de estas herramientas, vas a ser capaz de obtener un producto, en definitiva, con mejores calidades y mejor resultado a largo plazo. Porque realmente tener código que
05:47
Speaker A
parece correcto, pero tiene un pequeño error, es mucho más peligroso que ver código que está flagrantemente mal. Es decir, si yo estoy utilizando Cloud Code y me desarrolla una función, la leo y digo que no tiene ningún sentido, pues
05:58
Speaker A
eso es mucho más sano que no leerla, que yo piense, "Ma, pues tiene buena pinta, parece todo perfectamente normal y que va a funcionar", pero que hay por ahí un +1 o un -1 que me lía todo el código y
06:10
Speaker A
que hace que ya en casos que no tengo en cuenta funcione mal. ¿Por qué? Porque esos son errores silenciosos. En una encuesta del Survey de Stack Overflow, salió que el 66% de desarrolladores consideran que se frustran cuando la IA
06:24
Speaker A
les da soluciones que son perfectamente plausibles, pero que tienen pequeños puntos de error. Volvemos a lo mismo, la inteligencia artificial es muy buena dándote soluciones que parecen terminadas, que están más o menos pulidas, pero luego si te pones a mirar
06:37
Speaker A
los detalles poco a poco, acabas viendo muchos puntos de mejora. Y el principal problema, que también compartía Katie en su charla, es que al verlo ya medianamente pulido, teniendo ya ese 80-90% completado y, como lo hemos obtenido con una velocidad
06:51
Speaker A
extremadamente alta, porque la IA nos acelera, acabas pensando, "Bueno, con esto ya es suficientemente bueno, con esto los usuarios ya pueden ir tirando, con esto pues ya funciona". Y acabamos sin ganas, sin energía, sin intención de acabar de pulir ese 10% restante, porque
07:05
Speaker A
¿para qué? Mejor nos vamos a otra nueva característica, a desarrollar algo nuevo, en el que volvemos a obtener un 90% y volvemos a repetir el mismo ciclo.
07:14
Speaker A
Es por esta misma razón que la mayoría de software que se genera con inteligencia artificial tiene ese feeling, esa sensación de, "Mmm, se ve bonito, se ve acabado, pero hay algo que me huele a IA, hay algo que no me acaba
07:27
Speaker A
de encajar, se nota que es slow". ¿Por qué? Porque precisamente nos quedamos en esa media del 90% y no acabamos de dar un paso más allá. ¿Y por qué sucede esto? Es decir, ¿por qué acabamos siempre con un resultado que es
07:40
Speaker A
prácticamente bueno, prácticamente completo, pero siempre falta un poquito, siempre falta dar ese extra. En realidad, las razones por las que esto sucede, pues son bastante obvias. Al final, la inteligencia artificial no deja de ser una máquina estocástica de
07:53
Speaker A
predicción, es decir, es una máquina probabilística. Se entrena con un montón de datos, pero acaba generando soluciones que cumplen una capacidad probabilística, es decir, la solución más probable, la que más ha visto, la que considera que se adecua más
08:07
Speaker A
estadísticamente a lo que estás intentando conseguir, es la a salir. Es decir, no tiene una intencionalidad detrás, no tiene unas ganas de hacer algo, lo que hemos dicho antes, ¿no? De plantear a futuro cómo lo quiero montar, si yo no se lo digo. Por sí misma, la IA
08:21
Speaker A
me va a dar resultados replicables, que si lo aplico en un proyecto A, lo aplico en un proyecto B o lo aplico en un proyecto C, van a dar lo mismo. Hay un montón de soluciones comunes en el mundo
08:31
Speaker A
del software. Hay patrones de diseño, patrones de arquitectura, frameworks, formas de desarrollar, metodologías. La IA simplemente agarra todo lo que ha visto, piensa en lo que es más probable, lo que más se ha repetido y lo acaba implementando, sea adecuado para ti o no
08:46
Speaker A
lo sea. Es por esto, por ejemplo, que se dice que la inteligencia artificial es tan buena utilizando React, pero tan mala utilizando otros frameworks. Quizá porque ha visto menos ejemplos o no ha sido entrenada tan eficazmente con esos
08:58
Speaker A
ejemplos de otro lenguaje de programación u otro framework. Y al final acabas haciendo todas las páginas web con React, utilizando los mismos patrones repetidos, sean buenos o malos.
09:07
Speaker A
Si a esto le sumamos que generar códigos cada vez más rápido y menos problemático, podríamos decirlo, no requiere tanto esfuerzo, nos encontramos con que hacer abstracciones es cada vez más fácil. Antes tú te estabas planteando una solución y, si bien una
09:21
Speaker A
solución mucho más compleja podría acabar encajando en tu producto, pensabas, "Buah, pero no voy a utilizar esto porque, como no sé si esto va a acabar entrando en producción o si se va a acabar usando, prefiero hacer una
09:31
Speaker A
solución simple y luego ya lo complicaré si me hace falta." ¿Por qué? Porque el hecho de complicarlo le podría añadir tranquilamente días de desarrollo y quizás pues no querías dedicar días de desarrollo a esa cosa concreta. Querías simplemente probarlo, validarlo y si no
09:44
Speaker A
funciona, lo quito. ¿Qué pasa con la IA? Que ya puedes irte directamente a una solución supercompleja que quizás no necesitas ahora mismo, quizás ni siquiera tienes un usuario usando esa pantalla, pero la IA ya te va a implementar wrappers, helpers, llamadas
09:57
Speaker A
a APIs externas, te va a implementar patrones, te va a implementar observabilidad, te lo va a implementar todo. Que no digo que esté mal, esto hace que puedas acabar desarrollando de una manera óptima y haciendo soluciones complejas que necesitan ser complejas de
10:09
Speaker A
una forma más eficiente, pero también hace que para pequeños experimentos que antes quizás descartarías, ahora ya tienes tanto código metido en tu proyecto que dices, bueno, va, total, como lo he escrito todo tan rápido y tan barato, no me molesta tener este código
10:21
Speaker A
aquí, total, ¿para qué lo voy a eliminar? Y esto hace que los productos vayan creciendo poco a poco, que se vayan añadiendo funcionalidades sin ni siquiera pensar si sirven o no. Pequeños experimentos que los acabarías descartando porque ¿para qué los quiero?
10:33
Speaker A
Acaban entrando en el core del producto y acabas generando un montón de software sin necesidad alguna, pantallas que no solucionan problemas reales, por lo que los usuarios no pagan, pero que están ahí ocupando sitio en tus menús. De
10:45
Speaker A
hecho, se ve muy claro en esta gráfica de aquí. En este artículo se presenta el número de código duplicado que ha ido apareciendo en los productos en los últimos años y como podemos ver, desde que apareció la inteligencia artificial,
10:57
Speaker A
el porcentaje de commits que contienen código que ya existía en los proyectos se ha disparado drásticamente. También habíamos hablado de la seguridad, el cómo ahora es cada vez más necesario añadir análisis [música] de seguridad en el código porque generamos código muy
11:10
Speaker A
rápido. Al final, cuanta más área de afectación tienes disponible, más área para un atacante tienes vulnerable. Esto se traduce directamente en que cuanto más código generas, más vectores de ataque estoy mostrando. Al final, lo que queremos cuando desarrollamos software y
11:24
Speaker A
cuando lo queremos mantener minimalista es evitar [música] el punto de fallo de nuestro software, cuanto menos código tengas, menos puntos de fallo vas a tener. Y hoy en día parece ser que [música] cuantas más líneas de código generes, mejor ingeniero eres. Aunque
11:38
Speaker A
esas líneas de código incluyan problemas de seguridad que ni siquiera eres capaz de analizar porque te llevaría tanto tiempo y tanto análisis que al final dices, mira, tiro millas y empiezo a generar código y ya [música] está, y me
11:49
Speaker A
olvido. A lo que voy con este mensaje es que que algo funcione no significa que sea seguro. Y ya hemos visto que ha habido muchos ejemplos de soluciones de software, podríamos decir, que no han sido muy eficientes a la hora de
12:00
Speaker A
mantener la seguridad de sus usuarios. Porque la cantidad de ciberataques que ha habido últimamente y si a esto además le sumamos que los ciberataques también automatizan sus herramientas con IA, pues está cada vez elevándose muchísimo.
12:11
Speaker A
Por lo que, créeme, cuanto menos código tengas expuesto hacia internet, mejor. Recapitulando un poquito lo que he querido yo transmitir por aquí es que realmente lo problemático no es escribir código, sino discernir cuándo tiene sentido escribir código, cuándo no y
12:27
Speaker A
cómo evaluar que un código está terminado, que no está terminado o que se puede todavía mejorar y que merece la pena que nos pasemos un rato más trasteando y mejorando lo que la IA nos ha sacado. Es decir, hasta ahora hemos
12:38
Speaker A
visto un poquito todo lo malo, ¿no? Podríamos decir los síntomas que se nos están viniendo encima. Y seguramente me está diciendo, "Okay, Martín, me has dicho todo lo malo de la IA, pero porfa, dame soluciones. ¿Qué puedo hacer?
12:48
Speaker A
Porque no voy a dejar de programar con inteligencia artificial en el mundo tal como está hoy en día." Y es algo totalmente lícito. No estoy diciendo que dejes de programar con inteligencia artificial, de hecho te incito a que lo
12:58
Speaker A
sigas haciendo. Pero que lo sigas haciendo con gusto. La palabra taste, esta que está apareciendo un montón en muchas charlas y en muchos artículos de internet, viene a decir un poquito lo que estoy intentando transmitir con este vídeo. Taste no es simplemente que tú
13:11
Speaker A
veas algo y digas, "Va, pues le voy a cambiar un poquito la parte visual." No, taste es que tú, teniendo el 90% de tu código o de tu producto solucionado, le apliques taste o gusto a este último 10%
13:24
Speaker A
para hacerlo tuyo, para llevarlo un poquito más allá y para que no sea una página más clonada realizada con inteligencia artificial. Te voy a compartir a lo que yo creo deberías prestarle atención hoy en día cuando estás desarrollando con inteligencia
13:37
Speaker A
artificial. Qué métricas y qué cosas deberías mirar con mediano cariño. Lo primero que quiero compartir son las métricas que creo que son útiles en la nueva era de la IA. Y es que hasta ahora hemos visto un montón de empresas que
13:49
Speaker A
evaluaban a los desarrolladores mediante el número de commits que generan, el número de merges que hacen en las pull request, el número de código que generan, incluso algunos contando el número particular de líneas de código que hacen o la cantidad de tokens que
14:03
Speaker A
gastan en su día a día. Y para mí ninguna de estas métricas te dice [música] que seas mejor o peor ingeniero o que el producto que estás generando sea mejor o peor. A veces una nueva característica del producto es mucho mejor porque tiene
14:15
Speaker A
10 líneas de código que no la misma feature habiendo generado 4,000 líneas de código. Y me da la sensación de que nos hemos olvidado de las métricas clásicas que hemos ido utilizando para medir la calidad de los equipos de
14:26
Speaker A
software, que son las métricas DORA. Las métricas DORA tienen algo muy bueno, independientemente de cada una de las métricas que existan dentro de este framework. Y es que las métricas DORA separan las métricas en dos grandes grupos. El primer grupo se trataría del
14:40
Speaker A
grupo de qué cantidad de código estoy generando, que es un poquito lo que parece que nos hemos pensado que es la base hoy en día. Y el segundo grupo es la estabilidad de este código. En las métricas de cantidad de código que
14:52
Speaker A
generamos, en las métricas DORA históricamente ha habido tres que son muy famosas, que son el change lead time, es decir, el tiempo que tarda un cambio desde que es necesario hasta que llega a producción, obviamente con IA esto se ha acortado muchísimo. La
15:05
Speaker A
frecuencia de despliegue, lo mismo, cada cuánto tiempo estoy desplegando a producción. El objetivo es hacer varios despliegues al día. De nuevo, con IA esto está bastante aceptado en la industria, es decir, la gente despliega mucho más que antes. Y luego el tiempo
15:18
Speaker A
que tardas en recuperarte de un fallo, es decir, si yo despliego algo que se carga, alguna funcionalidad para un usuario, cuánto tiempo tardo en tener el bugfix en producción. Todo esto que es el throughput, la cantidad de cosas que
15:30
Speaker A
yo genero, obviamente con la IA ha crecido muchísimo. Pero nos olvidamos del otro grupo de las métricas, las métricas de estabilidad. Tenemos el change fail rate, es decir, cuántos de los cambios que yo estoy haciendo incluyen fallos. Esta sería una métrica
15:42
Speaker A
supervaliosa, que sospecho que en la época de la IA esto también se ha disparado y cuanto más alto es, peor. Y luego tenemos el deployment rework rate, es decir, el ratio de veces que algo que ya ha sido desplegado se tiene que
15:56
Speaker A
retrabajar, porque los usuarios pedían otra cosa, porque no estaba bien diseñado, porque las decisiones que se tomaron no eran correctas. Es decir, por un lado tenemos cuánto código generamos y por otro qué tan bueno, qué tan longevo es este código que generamos y
16:09
Speaker A
qué tan seguro. Es decir, no tenemos que dejar de pensar en términos de calidad.
16:13
Speaker A
Es decir, no solamente que el código que generamos con nuestras manitas sea mucho, sino que también sea bueno.
16:18
Speaker A
Viendo esto, para mí, también quiero que entremos en algo un poquito más filosófico. Y es que con este nuevo superpoder que es la inteligencia artificial, con estas nuevas capacidades, quizá tenemos que empezar a plantearnos cosas muchísimo más ambiciosas. Es decir, independientemente
16:33
Speaker A
de que podamos hacer lo que ya hacíamos antes de una forma mucho más rápida, creo que está costando un poco aprovecharnos de estas herramientas para no solamente repetir lo que ya hacíamos, sino en construir cosas que antes quizá
16:45
Speaker A
no éramos ni capaces de construir. Un uso que a mí sí que me encanta de la inteligencia artificial es el concepto de hacer variaciones. Es decir, si yo quiero implementar algo nuevo y quiero analizar opciones, quiero hacer experimentos, con la IA me sale
16:59
Speaker A
muchísimo más barato. Puedo pedirle a diferentes agentes que me hagan una misma funcionalidad planteando diferentes escenarios y que me hagan la misma y me den un reporte. Y yo analizar qué se ha encontrado cada agente para yo tomar una mejor decisión. Puedo pedirle
17:12
Speaker A
que me haga N variantes de una landing page con diferentes tipos de animaciones y que me los ponga una al lado de la otra y yo ver cuál me gusta más, cuál me encaja, qué camino quiero continuar o
17:21
Speaker A
quiero seguir. En definitiva, la IA nos abre la capacidad de poder experimentar mucho más, de poder ir un paso más allá y poder acabar haciendo cosas medianamente decentes. Un ejemplo claro sería la página de Nan Builders, una comunidad de uso de inteligencia
17:35
Speaker A
artificial contra modelos a precio cerrado, a precio mensual, en vez de precio por tokens. La mayoría de páginas web de Nan Builders o su empresa matriz Helm están construidas con inteligencia artificial. Ahora bien, tienen un gusto, tienen una imagen de marca bien clara,
17:50
Speaker A
tienen una serie de animaciones o dibujos que se diferencian de lo que podría ser la típica página hecha con Cloud Code. En definitiva, se nota que le han dado un poquito más de cariño, que no simplemente pedirle a un prompt,
18:00
Speaker A
"Hazme una landing page para mi producto." La misma institución que diseñó las métricas DORA lo dice, y es que se define la inteligencia artificial como un amplificador de fortalezas, pero también de debilidades. Si una organización no tiene la cultura de
18:13
Speaker A
[música] ir un paso más allá y de acabar añadiendo ese taste a las páginas web y a los productos que construimos, la IA no va a hacer que lo tengas, simplemente te va a hacer [música] más parecido a
18:24
Speaker A
toda la competencia. Si te interesa ver ejemplos reales sobre cómo he utilizado la inteligencia artificial para ir un paso más allá, alejándome de casos de uso típicos o repetidos, te dejo un vídeo por aquí en el que te enseño cómo
18:36
Speaker A
implementé una pipeline con IA para automatizar algunos procesos dentro de mi academia, analizando vídeo y generando una especie de diagramas para las lecciones que voy impartiendo allí.
18:47
Speaker A
Si te pareció interesante este vídeo, por favor, suscríbete y déjame un buen like y nos vemos en el siguiente con más informática. Hasta otra.
Topics:inteligencia artificialcódigo generado por IAcalidad de softwaredesarrollo de softwaretests unitarioscomplejidad ciclomáticaseguridad del códigovibe codingingeniería de softwaremétricas DORA

Get More with the SozAI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries and speaker detection. 30 minutes free.

Or transcribe another YouTube video here →