El Radar Tecnológico de Thoughtworks es una captura semestral de herramientas, técnicas, plataformas, lenguajes y frameworks. Esta herramienta para compartir conocimiento se basa en la experiencia de nuestros equipos globales y destaca aspectos que te podrían interesar explorar en tus proyectos.
Aquí te va la traducción al español sudamericano:
Cada descubrimiento que compartimos está representado por un "punto" (o "blip"). Estos puntos pueden ser nuevos en el último volumen del Radar, o pueden moverse de anillo según cómo haya cambiado nuestra recomendación.
Los anillos son:
- Adoptar. Puntos que creemos que deberías considerar seriamente usar.
- Probar. Cosas que creemos están listas para usar, pero no tan probadas como las del anillo Adoptar.
- Evaluar. Cosas para mirar de cerca, pero no necesariamente para probar todavía, a menos que creas que serían un buen ajuste para ti.
- Resistir. Proceder con cautela.
Explora la versión interactiva por cuadrante o descarga el PDF para leer el Radar completo. Si quieres aprender más sobre el Radar, cómo usarlo o cómo está construido, revisa las Preguntas Frecuentes (FAQ).
Temas para este volumen
En cada volumen del Radar Tecnológico, buscamos patrones emergentes en los puntos que analizamos. Esos patrones forman la base de nuestros temas.
Antipatrones para generación de código con IA Generativa y LLM
No sorprende a nadie que la IA generativa y los LLM dominaran nuestras conversaciones para esta edición del Radar, incluyendo patrones emergentes en torno a su uso por parte de los desarrolladores. Los patrones inevitablemente conducen a antipatrones (situaciones contextualizadas que los desarrolladores deben evitar). Vemos algunos antipatrones que comienzan a aparecer en el espacio hiperactivo de la IA, incluida la creencia errónea de que los humanos pueden reemplazar completamente la programación en pares con la IA como compañera. Esto incluye la dependencia excesiva en las sugerencias de los asistentes de código, los problemas de calidad del código generado, y una tasa de crecimiento acelerada de las bases de código. La IA tiende a resolver problemas por fuerza bruta en lugar de utilizar abstracciones; tales como, usar docenas de condicionales apiladas en lugar del patrón de diseño de Estrategia. Los problemas de calidad del código resaltan especialmente la necesidad de una diligencia constante por parte de los desarrolladores y arquitectos para evitar sumergirse en código que funciona pero es deficiente. Por lo tanto, los miembros del equipo deben redoblar las buenas prácticas de ingeniería como pruebas unitarias, funciones de aptitud arquitectónica y otras técnicas probadas de gobernanza y validación para asegurarse de que la IA está ayudando a cumplir su objetivo, en lugar de complejizar su código.
Rust: un lenguaje que sigue brillando
Rust se ha convertido gradualmente en el lenguaje de programación de sistemas preferido. En cada sesión del Radar, Rust surge una y otra vez en nuestras conversaciones; una gran cantidad de las herramientas que discutimos están escritas en Rust. Es el lenguaje de elección cuando se trata de reemplazar utilidades a nivel de sistema más antiguas, pero también para reescribir parte de un ecosistema con el fin de mejorar el rendimiento: el epíteto más común para las herramientas basadas en Rust parece ser "increíblemente rápido". Por ejemplo, vemos varias herramientas en el ecosistema de Python que tienen alternativas basadas en Rust para ofrecer un rendimiento notablemente mejor. Los diseñadores del lenguaje y la comunidad han logrado crear un ecosistema muy apreciado de SDKs esenciales, bibliotecas y herramientas de desarrollo, proporcionando una velocidad de ejecución excepcional con menos inconvenientes que muchos de sus predecesores. Muchos en nuestro equipo son fanáticos de Rust, y parece que la mayoría de los desarrolladores que lo usan lo consideran muy valioso.
El crecimiento gradual de WASM
WASM (WebAssembly) es un formato de instrucciones binario para máquina virtual basada en pila, lo que suena esotérico y demasiado bajo nivel para el interés de la mayoría de las desarrolladoras hasta que la gente ve las implicaciones: la capacidad de ejecutar aplicaciones complejas dentro del sandbox del navegador. WASM puede ejecutarse dentro de las máquinas virtuales JavaScript existentes, permitiendo aplicaciones que las desarrolladoras sólo podían implementar anteriormente en frameworks nativos y extensiones que fueran empotrables dentro de los navegadores. Los cuatro navegadores principales soportan ahora WASM 1.0 (Chrome, Firefox, Safari y Edge), abriendo posibilidades emocionantes para un desarrollo sofisticado portable y multiplataforma. Hemos observado este estándar a lo largo de los últimos años con mucho interés y estamos contentos de ver cómo empieza a ejercitar sus capacidades como un objetivo de despliegue legítimo.
La explosión cámbrica de herramientas de IA generativa
Siguiendo la trayectoria establecida en los últimos volúmenes del Radar, esperábamos que la IA generativa tuviera un lugar destacado en nuestras discusiones. Y, sin embargo, aún nos sorprendió la explosión en el ecosistema de tecnologías que soportan los modelos de lenguaje: guardrails, evals, herramientas para construir agentes, frameworks para trabajar con resultados estructurados, bases de datos vectoriales, servicios en la nube y herramientas de observabilidad. De muchas maneras, este crecimiento rápido y variado tiene perfecto sentido: la experiencia inicial, la simplicidad de una prompt en texto plano a un modelo de lenguaje, ha dado paso a la ingeniería de productos de software. Estos productos quizás no cumplan con los sueños y afirmaciones desmedidas que se hicieron después de que la gente enviara sus primeros prompts a ChatGPT, pero vemos un uso sensato y productivo de la IA generativa en muchos de nuestros clientes, y todas estas herramientas, plataformas y frameworks juegan un papel en llevar soluciones basadas en LLM a producción. Como sucedió con la explosión del ecosistema de JavaScript alrededor de 2015, esperamos que este crecimiento caótico continúe por un tiempo.
Insights Destacados
Contribuyentes
El Radar Tecnológico está preparado por la Junta Asesora de Tecnología de Thoughtworks, compuesta por:
Rachel Laycock (CTO) • Martin Fowler (Chief Scientist) • Rebecca Parsons (CTO Emerita) • Bharani Subramaniam • Birgitta Böckeler • Camilla Falconi Crispim • Erik Doernenburg • James Lewis • Ken Mugrage • Maya Ormaza • Mike Mason • Neal Ford • Pawan Shah • Scott Shaw • Selvakumar Natesan • Shangqi Liu • Sofia Tania • Thomas Squeo • Vanya Seth • Will Amaral
Este volumen fue traducido al Español por el siguiente grupo:
Mario Bizcocho, Elvira Segarra Ruiz, Carlos Barroso, Tex Albuja, Gabriela Marques, Eduard Maura i Puig, Jan Gomez Roberts, Sendami Luque Liñan, Alexandra Ortiz, Juan Romero, Andrés Renato Rojas, Ana López Estrella, Pablo Company Ramírez, Ana Corral, Antonia Castells, Antonio Galisteo, Ivanna Cevallos, Valeria Zaldumbide, Cristian Montero, Milber Champutiz, Gustavo Chiriboga, Andrea Astorga Bilbao, Luis Bustamante Flores, María Córdova, Miguel Vela Romera, Rocio Mera, Mafer Vilatuña, Jesús Cardenal, Núria Odena, Byron Torres, David Vellé Abel, Andrea Velez, Erika Vacacela, José Herdoíza, Micaela Díaz, Carlos Fuentes, Rodolfo Escobar, Catalina Solis, Elisa Torres, Jose María Alonso Montero, Jorge Agudo Praena, Najim Aghmir, Judit Navarro, Sebastian Roman, Maria Jaramillo, Cecilia Geraldo, Cesar Abreu, Nahuel Sotelo, Andrea Obando, Joseph Guerrero, Katherine Ayala, Iván González, Daniel Santibañez, Loreto Sánchez, Ximena Contreras y Gonzalo Martinez, Maya Ormaza, Fernando Tamayo Nico Singh y Elizabeth Parra.
Inside the Technology Radar es un breve documental que ofrece una nueva visión de todo lo relacionado con el radar tecnológico.
Suscríbete. Sigue informado/a
Inscríbete para recibir correos sobre futuros lanzamientos del Radar Tecnológico y opiniones tecnológicas bimensuales de Thoughtworks.