Por qué dejar que la IA resuelva problemas que ya dominas es un error de gestión

Pedirle a un modelo de lenguaje que implemente una función que tú ya resolviste años atrás sin guías técnicas específicas es, paradójicamente, la manera más eficiente de complicar la tarea. Es la conclusión a la que llega un desarrollador tras pelear durante tres rondas con una IA para corregir el posicionamiento de subtítulos en un editor WYSIWYG que genera vídeos MP4.

El problema era matemáticamente simple: alinear elementos arrastrables en una vista previa con las dimensiones finales de renderizado. El desarrollador, que había construido sistemas similares a mano con JavaScript y jQuery, esperaba una solución inmediata. Sin embargo, el LLM cometió un error sistemático: en lugar de usar las dimensiones objetivo definidas como constantes en el código base (1080x1920 píxeles en el archivo internal/reel/timing.go), decidió "medir" el tamaño del renderizado analizando el archivo de vídeo ya codificado.

Esta aproximación fallaba porque el archivo analizado era en realidad un proxy escalado para la vista previa, no el objetivo final. Además, al depender de mediciones del navegador y del decodificador, el código recogía artefactos de redondeo y ratio de píxeles por dispositivo que variaban entre el eje X y el Y. El resultado era un desalineamiento horizontal persistente que el modelo no lograba corregir, ya que no era un error de cálculo, sino de arquitectura de datos: estaba derivando un valor que ya existía en su propio repositorio.

La lección no es técnica, sino de gestión de equipos. El desarrollador compara al LLM con un ingeniero junior competente pero sin contexto histórico. Al entregarle solo los requisitos de salida ("que la vista previa coincida con el renderizado") y no la restricción de implementación ("usa las constantes de timing.go, no midas el archivo"), el modelo eligió el camino más lógico pero incorrecto.

Este escenario ilustra la fricción actual en el uso de IA generativa para desarrollo: su eficacia depende casi enteramente de la calidad del contexto que el humano inyecta en el prompt. Si el desarrollador asume que la tarea es boilerplate porque la domina, vuelve a dejar que la IA busque la solución por sí sola, desperdiciando recursos de inferencia y tiempo de depuración. La herramienta no tiene tus 28 años de experiencia; solo tiene el texto que le pases. Si sabes dónde está el borde afilado del problema, debes señalarlo explícitamente en las instrucciones.

El episodio recuerda que la automatización no elimina la necesidad de liderazgo técnico. En cambio, la amplifica. Ser un "mal lead" para un junior humano significa no transferir el conocimiento tácito; serlo para un LLM significa no transferir la restricción arquitectónica que ya conoces. Si la solución es una constante, di que es una constante.