Codificación por Vibra vs Ingeniería Agéntica: Las Líneas Borrosas se Vuelven Incómodas

Simon Willison, el creador de Datasette y desarrollador de Python desde hace mucho tiempo, se unió recientemente a Joseph Ruscio en el podcast High Leverage de Heavybit (Ep. #9) para discutir herramientas de codificación con IA. En una publicación de blog de seguimiento del 6 de mayo de 2026, comparte una inquietante revelación: las líneas entre el vibe coding y la ingeniería agéntica se están difuminando en su propio trabajo diario.
Vibe coding vs ingeniería agéntica: definiciones originales
Willison solía trazar una clara distinción entre ambos:
- Vibe coding: No programadores o programadores que no revisan el código. Pides algo, obtienes algo, y si se rompe, cruzas los dedos. Está bien para herramientas personales donde los errores solo te afectan a ti, pero es terriblemente irresponsable para software de producción usado por otros.
- Ingeniería agéntica: Ingenieros de software profesionales que usan IA para construir sistemas de producción de mayor calidad más rápido, mientras siguen aplicando su experiencia en seguridad, mantenibilidad y operaciones. Cada línea se revisa.
Donde ocurre la convergencia
El problema es que los agentes de codificación como Claude Code se han vuelto lo suficientemente confiables que Willison ahora se encuentra saltándose la revisión de código para tareas rutinarias de producción. Su ejemplo:
Pedirle a Claude Code que construya un endpoint de API JSON que ejecute una consulta SQL y devuelva los resultados como JSON.
Simplemente lo hará bien. No va a estropearlo.
Le agregas pruebas automatizadas, le agregas documentación, sabes que será bueno.
Admite que se siente culpable por esto: "Si no he revisado el código, ¿es realmente responsable que lo use en producción?"
El modelo mental: confiar en un agente como en un equipo
Willison compara esto con trabajar en una gran organización donde otro equipo proporciona un servicio de redimensionamiento de imágenes. No lees cada línea de su código: lees la documentación, pruebas el servicio y lo tratas como una caja seminegra hasta que encuentras problemas. Ahora trata a los agentes de IA de la misma manera.
Pero señala una diferencia incómoda: "¡Claude Code no tiene reputación profesional! No puede asumir la responsabilidad de lo que ha hecho. Pero se ha estado demostrando a sí mismo de todos modos, una y otra vez produce cosas simples y las hace bien en el estilo que me gusta".
Llama a esto una forma de "normalización de la desviación": la aceptación gradual de una menor supervisión a medida que la herramienta sigue demostrando su valía.
Conclusión para desarrolladores que usan agentes de IA
La publicación de Willison es una advertencia práctica: a medida que los agentes se vuelven más confiables, crece la tentación de saltarse la revisión. Su consejo no es dejar de usar agentes, sino mantener la conciencia de dónde se están tomando atajos. Para sistemas de producción que afectan a otros, todavía se necesita un humano que entienda el código y pueda rendir cuentas.
📖 Leer la fuente original: HN AI Agents
👀 Ver también

Claude Sonnet 4.6 supera a Opus 4.6 en rendimiento en el benchmark de prompts
Un usuario de Reddit presentó un prompt complejo tanto a Sonnet 4.6 como a Opus 4.6; el modelo Sonnet produjo una respuesta superior evaluada por creatividad y requisitos ocultos.

RTX 4090 vs H100 para el Ajuste Fino de Llama-3-8B: Una Comparación de Costo-Rendimiento
Un desarrollador probó el ajuste fino de Llama-3-8B tanto en una RTX 4090 como en instancias H100 alquiladas. La configuración de la 4090 costó $2,000 por adelantado y tomó 24 horas, mientras que el alquiler de la H100 costó alrededor de $80 y se completó en 4 horas.

RTX 5080 16GB: Qwen3.6 35B MoE con contexto de 128k — 56 tok/s, y por qué MTP no ayuda
Nuevos benchmarks muestran que Qwen3.6 35B MoE en RTX 5080 16GB alcanza 56 tok/s de generación con contexto de 128k. MTP (Predicción Multi-Token) lo hace un 23% más lento debido a la presión de VRAM que empuja capas expertas a la CPU.

Sarvam AI lanza modelos de lenguaje de código abierto de 30B y 105B con infraestructura de entrenamiento india.
Sarvam AI ha liberado como código abierto Sarvam 30B y Sarvam 105B, dos modelos de razonamiento entrenados desde cero en India con capacidad de cómputo proporcionada bajo la misión IndiaAI. Ambos modelos utilizan una arquitectura de Mezcla de Expertos con enrutamiento disperso de expertos y están optimizados para un despliegue eficiente en hardware que va desde GPUs hasta portátiles.