Macro tendencias en la industria tecnológica | Abril de 2025

Se ha publicado una nueva edición del Radar Tecnológico, y con ella llega una visión ampliada de las tendencias macro que dieron forma a nuestras conversaciones durante la reunión del Radar, junto con observaciones del panorama tecnológico en general. Mike Mason, nuestro Chief AI Officer, quien anteriormente fue autor de esta serie, se ha tomado un momento de su agenda ocupada para regresar como coautor de esta entrega. Se ha unido a Will Amaral, actual responsable del producto Radar Tecnológico para aportar ideas adicionales más allá de la edición actual del Radar.

La euforia por la IA no se detiene, y el “vibe coding” es la nueva frontera

El entusiasmo en torno a la IA sigue siendo fuerte, con nuevas capacidades y casos de uso anunciados casi cada semana. Ya habíamos mencionado el crecimiento exponencial de herramientas relacionadas con IA, tanto para uso general como para la ingeniería de software habitual. En los últimos seis a doce meses, los asistentes de codificación impulsados por IA han superado el autocompletado básico; ahora, las herramientas modernas pueden realizar refactorizaciones complejas, comprender bases de código completas e incluso ejecutar comandos. En la última edición del Radar señalamos la aparición de asistentes de codificación “agénticos”: esencialmente, programadores con IA que llevan a cabo tareas de codificación de múltiples pasos a partir de instrucciones generales. Esta tendencia sigue avanzando. Productos tempranos como Cursor, Cline y Windsurf lideran la integración de estas funciones en los IDE, y docenas de empresas prometen una solución de desarrollo de software con agentes autónomos.

Aunque todo esto suena prometedor, es importante destacar que estas herramientas operan bajo supervisión: la persona desarrolladora sigue “en el circuito”, guiando a la IA y aprobando sus acciones. Un ejemplo reciente es el “vibe coding”, un flujo de trabajo relajado donde se instruye a la IA mediante comandos de voz o chat. El concepto resulta atractivo por su velocidad y naturaleza informal, especialmente útil para proyectos rápidos. Sin embargo, el término se volvió viral rápidamente, con algunas compañías y startups afirmando usar exclusivamente “vibe coding” para código de producción crítico. Esto desató debates sobre el uso responsable de la IA, reforzando la necesidad del juicio humano y revisiones de código rigurosas en flujos de trabajo asistidos por IA. Seguimos siendo escépticos respecto a las afirmaciones de que la IA puede reemplazar por completo a las personas desarrolladoras: en nuestros propios experimentos, Claude Code nos ahorró el 97% del esfuerzo en el primer intento, pero falló estrepitosamente en los dos siguientes.

Inteligencia empresarial: la IA se convierte en parte central de las organizaciones

La IA se está integrando poco a poco en el funcionamiento de las organizaciones —no solo como herramienta para automatizar tareas, sino como un elemento que podría transformar fundamentalmente la forma en que se toman decisiones, se gestiona el riesgo y se conectan con clientes. Aún no hemos llegado completamente a ese punto, y la transformación es desigual. Pero cada vez más empresas empiezan a vislumbrar un futuro en el que la IA no sea solo una capa añadida al negocio, sino parte de su esencia.

Esto plantea una pregunta importante: no si la IA será infraestructura fundamental, sino cómo prepararnos para ello sin quedarnos atrás.

A medida que este cambio avanza, la garantía de calidad y la gobernanza se vuelven más complejas y urgentes. Las prácticas tradicionales de QA no fueron diseñadas para manejar fenómenos como el model drift, las alucinaciones o los comportamientos impredecibles. Por ello, los equipos de ingeniería están comenzando a adoptar herramientas de observabilidad para modelos, marcos de evaluación y prácticas de pruebas específicas para IA —especialmente en sectores donde equivocarse tiene un alto costo.

Uno de los retos más complejos que está surgiendo podría llamarse “IA como shadow IT”. Algunos equipos internos desarrollan sus propias herramientas —a veces de código abierto, otras veces SaaS— sin pasar por los canales oficiales. Es fácil entender por qué: estas herramientas son accesibles, potentes y, con frecuencia, resuelven problemas reales. Pero también introducen riesgos, creando un uso fragmentado de la IA sin supervisión ni coherencia. Algunas organizaciones ya están respondiendo con registros ligeros, seguimiento de uso y marcos de políticas flexibles para anticiparse. Aún es temprano, pero la intención es clara: habilitar la innovación sin perder el control de la gobernanza.

También está ocurriendo un cambio más profundo y menos discutido: la IA está comenzando a rediseñar cómo se estructuran las organizaciones. No se trata solo de hacer más y más rápido, sino de transformar quién hace qué, cómo se toman decisiones y dónde recae la responsabilidad. Los roles se difuminan. Se ponen a prueba las suposiciones sobre confianza y autoridad. Y no es solo un asunto tecnológico: también implica liderazgo, gestión de talento y gobernanza. La mayoría de las organizaciones aún no están preparadas para lo profundo que puede llegar este cambio.

A nivel de equipo, la IA está llevando a desarrolladores y diseñadores a replantearse: ¿estamos construyendo para personas o para máquinas? A medida que las herramientas con IA mejoran —generación de código, sugerencias de diseño, automatización—, es fácil caer en la tentación de priorizar la velocidad. Pero algunos equipos están haciendo una pausa, volviendo al pensamiento de producto y la experiencia de usuario, para asegurarse de que lo que construimos siga siendo significativo y sostenible. La IA puede acelerar la entrega, pero no debería hacerlo a costa de la claridad o el cuidado.

La integración de la IA en las empresas no es una ola arrolladora. Es más bien una marea creciente —silenciosa, persistente y que transforma todo a su paso. Las organizaciones que se adapten con éxito no solo adoptarán nuevas herramientas. Harán preguntas más profundas —sobre estructura, capacidades y confianza— y usarán esas respuestas para tomar decisiones con intención.

La observabilidad mantiene la complejidad bajo control

Los sistemas modernos de software son altamente distribuidos y cada vez más incluyen componentes de IA, lo que hace que la observabilidad sea más crítica (y más desafiante) que nunca. Esta edición del Radar destaca una ola de innovación en el espacio de la observabilidad, con el objetivo de estar a la altura de esa complejidad. A medida que la observabilidad se vuelve más importante, los estándares necesarios están ganando tracción. Vimos un gran impulso en la adopción de OpenTelemetry; ahora es uno de los proyectos de más rápido crecimiento en CNCF, con contribuciones de más de 200 organizaciones. Promueve un ecosistema neutral respecto a proveedores y, con el apoyo de herramientas como Alloy, Tempo y Loki, permite una amplia gama de opciones y flexibilidad para las personas desarrolladoras.

Otro motor de la observabilidad es, por supuesto, la IA. La observabilidad para IA y modelos de lenguaje grandes (LLM) es un foco de atención con retos únicos. El seguimiento de métricas y registros no basta para detectar desviaciones del modelo, errores en los prompts y alucinaciones. En respuesta, han surgido nuevas plataformas como Arize Phoenix, Helicone y Humanloop, que permiten rastrear y evaluar llamadas a LLM. Estas herramientas registran prompts, siguen las respuestas del modelo y ayudan a diagnosticar problemas de calidad. A medida que los equipos operativizan la IA, esta visibilidad es vital para generar confianza y garantizar fiabilidad —de forma similar a como el monitoreo del rendimiento de aplicaciones (APM) fue vital para los microservicios.

La influencia de la IA sobre la observabilidad también se refleja en la integración de asistencia con IA en las propias herramientas de observabilidad. Dado el enorme volumen de datos de telemetría (registros, métricas, trazas) en aplicaciones en la nube, quienes operan los sistemas dependen cada vez más de la IA para detectar anomalías y encontrar problemas más rápido de lo que las personas podrían. Las principales plataformas de monitoreo ya integran aprendizaje automático para detección de anomalías, correlación de alertas y análisis de causa raíz, como el “Weave” de Weights & Biases.

Más allá del protagonismo de la IA

Es fácil dejarse llevar por el entusiasmo en torno a la IA —cada semana hay un nuevo titular, un nuevo avance o una predicción audaz. Pero parte del progreso más significativo está ocurriendo en lo que podríamos llamar el desarrollo de software “tradicional”. La IA aún no ha resuelto algunos de nuestros mayores dolores cotidianos —como los problemas persistentes de los frameworks multiplataforma. Y ahí es donde vemos que herramientas familiares evolucionan silenciosamente de manera poderosa.

Tomemos los entornos de línea de comandos (CLI), por ejemplo. Incluso con el auge de las interfaces gráficas pulidas, las herramientas basadas en chat y los automatismos, los CLI no solo siguen vigentes, sino que están prosperando. Las personas desarrolladoras siguen recurriendo a ellos por su velocidad, control y transparencia. Y con herramientas modernas como uv y MarkItDown, estamos viendo una nueva generación de CLI que se sienten sofisticadas y sorprendentemente sencillas. Son prueba de que la línea de comandos no está desapareciendo —se está adaptando para seguir siendo esencial.

También observamos cambios interesantes en los lenguajes de programación. Mientras que lenguajes más nuevos como Gleam están empezando a ganar tracción, otros como Swift están ampliando su alcance mucho más allá de sus ecosistemas originales. Swift, en particular, está encontrando su lugar en entornos con recursos limitados —donde el rendimiento, la fiabilidad y la seguridad de memoria son más importantes que nunca. Es un buen recordatorio de que quienes desarrollan software buscan activamente herramientas que equilibren funciones modernas de seguridad con eficiencia en el mundo real.

Bases sólidas en un entorno en transformación

Aunque la IA domina los titulares y las herramientas —apareciendo en todo, desde asistentes de código hasta plataformas de operaciones—, su omnipresencia ha vuelto a poner el foco en lo fundamental: la calidad de los datos y la fiabilidad de los sistemas. Sin datos de alta calidad y bien gestionados, incluso los modelos de IA más potentes fallan. Y el núcleo del software, al final, sigue siendo cómo almacenamos, manipulamos y transformamos los datos en valor.

En nuestras conversaciones, surgió un tema recurrente: organizaciones y personas investigadoras están replanteando cómo gestionan, ofrecen y recuperan datos. Las técnicas de retrieval-augmented generation (RAG) están evolucionando rápidamente, porque una recuperación efectiva es el puente entre modelos de propósito general y la inteligencia específica de cada organización. Un modelo enorme con contexto obsoleto o irrelevante suele ser menos útil que uno más pequeño con datos actuales y de calidad. El nuevo horizonte incluye mejorar la relevancia, trazabilidad y explicabilidad para que RAG sea más confiable y transparente.

Pero estos avances significan poco si los datos subyacentes no se cuidan. Escalar la IA y la analítica exige una base de datos sólida. Cada vez más, los equipos están tratando los datos no como un artefacto del backend, sino como un producto de primera clase —con propiedad clara, estándares de calidad, documentación y enfoque en la usabilidad. Este enfoque de “pensar en los datos como producto” se basa en conceptos como data mesh, donde los equipos de cada dominio son responsables de mantener activos de datos interoperables y fáciles de descubrir.

En la práctica, un producto de datos puede ser un conjunto de datos de clientes 360, una canalización de puntuación de riesgos o un tablero interno —algo diseñado, versionado y mantenido como cualquier producto de software. Tiene personas usuarias, entrega valor y evoluciona con el tiempo.

El mensaje es claro: abraza lo nuevo, pero no descuides las bases. La próxima era del software no será construida solo por la IA —será moldeada por equipos que combinen creatividad humana, inteligencia de máquina y una disciplina de ingeniería sólida. Ahí es donde está el verdadero poder.