Estado de los programadores y sus herramientas de IA a finales de 2025: productividad real, riesgos y escenarios 2026–2030

Abstract (Resumen ejecutivo)

A finales de 2025, el desarrollo de software ha pasado de experimentar con asistentes de autocompletado a operar, en muchos equipos, sobre un stack claramente “AI-first”: casi todas las fases del ciclo de vida del software —desde el diseño hasta el despliegue y la operación— están mediadas por agentes, modelos generativos y herramientas de desarrollo aumentadas por IA. El 90% de los desarrolladores de software integra ya herramientas de inteligencia artificial en sus flujos de trabajo, lo que supone un incremento del 14% respecto al año anterior y consolida una adopción masiva y sostenida [1]. Más del 80% de los profesionales declara haber incrementado su productividad y un 59% asegura que la calidad de su código ha mejorado gracias a estas herramientas [2].

Este cambio no se limita a la productividad individual: está reconfigurando la organización del trabajo, los perfiles profesionales demandados y la estructura misma de los equipos técnicos. Plataformas como Cursor, Google Antigravity, GitHub Copilot o Replit Ghostwriter han pasado de ser complementos opcionales a convertirse en piezas centrales del entorno de desarrollo. Paralelamente, soluciones agent-first como Devin o Windsurf permiten delegar tareas complejas a agentes autónomos, difuminando la frontera entre “programar” y “dirigir sistemas que programan”.

Sin embargo, el escenario no está exento de tensiones. La automatización impulsada por IA ha contribuido a reestructuraciones laborales en grandes tecnológicas —como el anuncio de hasta 6.000 salidas en HP vinculadas directamente a la integración de estas tecnologías [1]— y ha acelerado la erosión de algunos roles junior. La seguridad, la privacidad y la fiabilidad del código generado por IA emergen como preocupaciones críticas: investigaciones empíricas muestran que alrededor del 30% del código sugerido por asistentes como GitHub Copilot incorpora vulnerabilidades vinculadas a decenas de categorías de la CWE, y que una proporción importante de desarrolladores manifiesta baja confianza en los resultados generados automáticamente.

El presente informe ofrece una panorámica del estado del arte en 2025. En primer lugar, describe el paisaje actual de herramientas de programación con IA, clasificándolas según su función y grado de madurez, e ilustrando su impacto mediante casos de uso contrastados. En segundo lugar, analiza el perfil y estado de los programadores en este contexto: patrones de adopción por regiones, impacto en la productividad, cambios en la percepción del riesgo, y tensiones regulatorias y organizativas. A continuación, se examinan los efectos de la IA en la calidad y seguridad del software, así como los nuevos procedimientos de supervisión y validación que empiezan a consolidarse como buenas prácticas. Finalmente, se abordan los cambios en los roles profesionales y las habilidades requeridas —como la ingeniería de prompts, la orquestación de agentes y el vibe coding— y se delinean posibles escenarios de evolución futura del oficio de programar [1][2].

En conjunto, el documento sostiene que la pregunta clave ya no es si la IA debe usarse en desarrollo de software, sino cómo gobernar su integración: qué tareas automatizar, qué controles introducir, cómo redistribuir responsabilidades dentro del equipo, y qué capacidades humanas cultivar para que la colaboración entre personas y máquinas mejore realmente la calidad del software y no solo su velocidad de entrega.

1. Paisaje actual de herramientas de programación con IA (2025)

1.1. De la asistencia puntual al stack AI-first

Entre 2020 y 2023, la mayoría de organizaciones adoptó herramientas de IA de forma táctica: extensiones de autocompletado, asistentes de documentación o chatbots genéricos apoyando tareas ad hoc. En 2025, el patrón dominante ha cambiado. Los equipos de desarrollo de tamaño medio y grande se organizan ahora alrededor de un conjunto integrado de servicios de IA: modelos de lenguaje especializados para codificación, agentes capaces de operar sobre repositorios completos, herramientas de análisis estático reforzadas por aprendizaje automático y plataformas de observabilidad que incorporan detección de anomalías basada en IA.

Esta integración responde a tres vectores principales. Primero, la presión competitiva: los datos disponibles muestran que más del 80% de los desarrolladores reporta aumentos de productividad al usar IA, y que en algunos experimentos controlados el uso de asistentes como GitHub Copilot permite completar tareas casi un 56% más rápido [2]. Segundo, la consolidación de la oferta: editores y plataformas de desarrollo han incorporado capacidades generativas como parte de su propuesta básica, reduciendo el coste de adopción. Y tercero, la madurez cultural: prácticas como el code review asistido por IA o la generación automatizada de pruebas han dejado de verse como “atajos” para convertirse en componentes esperables de un flujo de trabajo profesional moderno.

En este contexto, el paisaje de herramientas puede organizarse en cuatro grandes categorías: IDEs con IA integrada, extensiones de IA para IDEs existentes, plataformas agent-first o de desarrollo autónomo, y herramientas auxiliares especializadas para etapas concretas del ciclo de vida del software.

1.2. Categorías principales de herramientas

Las categorías no son mutuamente excluyentes, pero ayudan a entender el grado de acoplamiento entre la actividad del desarrollador y la lógica de los modelos de IA.

IDEs con IA integrada

Los entornos de desarrollo integrado que nacen ya con un enfoque “AI-first” ofrecen funcionalidades no solo de autocompletado, sino de comprensión semántica a nivel de repositorio, reescrituras masivas, navegación conversacional por el código y agentes que pueden ejecutar planes complejos modificando múltiples archivos de forma coordinada. Google Antigravity es uno de los ejemplos más emblemáticos: una plataforma de desarrollo agentic construida sobre Gemini 3, que permite delegar tareas de alto nivel —como “migra este microservicio de Node.js a Go y prepara pruebas de regresión”— a agentes de IA capaces de interactuar con Google AI Studio, Vertex y otras herramientas del ecosistema [1].

En estos IDEs, el desarrollador no solo “pide código”, sino que colabora con agentes que entienden el contexto global del proyecto, el historial de cambios, los patrones de arquitectura y las políticas de estilo y seguridad de la organización.

Extensiones y asistentes de IA en IDEs existentes

La categoría más extendida sigue siendo la de extensiones que se integran en IDEs consolidados, particularmente VS Code, IntelliJ y entornos basados en navegador. GitHub Copilot y Replit Ghostwriter son paradigmas de esta aproximación: se conectan a editores ya conocidos por los desarrolladores, ofreciendo autocompletado contextual, generación de funciones y archivos completos, explicación de fragmentos de código heredado y soporte conversacional.

La ventaja de estas extensiones radica en su baja fricción de adopción y en la posibilidad de ser activadas o desactivadas selectivamente según la tarea. Para muchas organizaciones, representan un paso intermedio entre un flujo de trabajo tradicional y un entorno plenamente orquestado por agentes.

Plataformas agent-first / desarrollo autónomo

Soluciones como Devin o Windsurf se posicionan explícitamente como “desarrolladores virtuales” o “agentes autónomos de software”. Su promesa no es tanto asistir a quien programa, sino asumir de modo casi completo una clase de tareas: corregir errores conocidos, implementar especificaciones relativamente acotadas, crear prototipos funcionales o ejecutar migraciones mecánicas entre frameworks.

Estos sistemas suelen incorporar:

• Modelos de lenguaje especializados en código.
• Capacidad de mantener un plan multi-pasos coherente.
• Integración con sistemas de control de versiones para abrir pull requests o merge requests.
• Mecanismos de auto-verificación básicos, como correr baterías de tests o linters antes de devolver resultados.

El papel del programador pasa, en este contexto, de escribir código línea a línea a definir objetivos, revisar cambios y ajustar los criterios de aceptación.

Herramientas auxiliares basadas en IA

Un ecosistema en rápida expansión agrupa herramientas “verticales” que abordan fases específicas: agentes de pull request que generan resúmenes y propuestas de mejora, generadores de pruebas unitarias y de integración, analizadores de vulnerabilidades asistidos por modelos de lenguaje, asistentes de documentación técnica y generadores de release notes o changelogs.

Aunque cada una de estas herramientas pueda parecer menor, en conjunto están reconfigurando las rutinas de trabajo. El tiempo efectivo dedicado a redactar documentación, por ejemplo, disminuye cuando el grueso del texto inicial se genera a partir de diffs y comentarios de commit, quedando al desarrollador la revisión y el ajuste fino.

La siguiente tabla sintetiza estas categorías y su contribución principal al flujo de desarrollo:

1.3. Ejemplos y posicionamiento de herramientas clave

Cursor: editor AI-first con comprensión de repositorio

Cursor se ha consolidado en 2025 como uno de los editores “AI-first” más utilizados por equipos que trabajan sobre bases de código complejas o legadas. Su propuesta se articula alrededor de tres pilares: comprensión a nivel de repositorio, reescrituras inteligentes y agentes capaces de editar múltiples archivos coordinadamente.

En la práctica, esto significa que tareas tradicionalmente costosas —como refactorizar un módulo antiguo que nadie en el equipo conoce bien, o actualizar decenas de endpoints de una API para cumplir una nueva política de seguridad— pueden delegarse parcialmente al sistema. El desarrollador describe el objetivo, revisa las propuestas de cambio y guía iterativamente al agente, manteniendo el control final sobre los commits.

Google Antigravity: entorno agentic sobre Gemini 3

Google Antigravity representa la convergencia entre plataforma de IA generalista y entorno de desarrollo especializado. Basado en Gemini 3, permite diseñar flujos donde un agente de IA recibe especificaciones de alto nivel, consulta documentación en Google AI Studio, actualiza código en repositorios integrados con Vertex y ejecuta pruebas o despliegues bajo supervisión humana [1].

La plataforma ha ganado protagonismo en organizaciones que ya estaban invirtiendo en la nube de Google, pero su adopción ha venido acompañada de preocupaciones sobre seguridad y privacidad de datos. Casos de vulnerabilidades y filtraciones potenciales en configuraciones mal gestionadas de Antigravity han alimentado el debate sobre hasta qué punto delegar tareas críticas a agentes autónomos sin un control estricto de permisos y auditoría [1].

GitHub Copilot / Copilot X: estándar de facto en el ecosistema GitHub

GitHub Copilot, y su evolución Copilot X, se han convertido en un estándar de facto para quienes trabajan en repositorios alojados en GitHub y utilizan VS Code u otros editores compatibles. Su papel va más allá del autocompletado: ofrece chats contextuales con conocimiento del repositorio, resúmenes de pull requests, generación de pruebas, sugerencias de documentación y análisis de impacto de cambios.

Los datos de adopción y los estudios de productividad citados anteriormente muestran que su uso se correlaciona con reducciones significativas en el tiempo necesario para completar tareas típicas. Sin embargo, investigaciones también han evidenciado que aproximadamente un 30% del código sugerido puede contener vulnerabilidades según la CWE, lo que ha llevado a muchas empresas a introducir políticas específicas de uso y revisión.

Replit Ghostwriter: IA integrada en entornos de desarrollo en la nube

Replit Ghostwriter integra la asistencia de IA en un entorno de desarrollo basado completamente en la nube. Esto ha tenido especial impacto en educación, bootcamps y proyectos colaborativos de pequeña escala, donde la infraestructura local es limitada. Los estudiantes y desarrolladores noveles reciben sugerencias en tiempo real, explicaciones de errores y ejemplos de soluciones, acelerando su curva de aprendizaje.

En Replit, además, la naturaleza compartida de los entornos hace que las organizaciones deban prestar atención especial a la configuración de permisos y al aislamiento de datos sensibles cuando se integran herramientas de IA, un reto compartido por todo el ecosistema cloud.

La siguiente tabla ofrece una comparación orientativa del posicionamiento de estas herramientas:

1.4. Madurez, éxitos y fracasos

En 2025 se puede afirmar que nos encontramos más allá de la fase de experimentación. Herramientas como GitHub Copilot y Replit Ghostwriter muestran un grado de madurez suficiente para operar en entornos de producción, con evidencia empírica de mejoras de productividad y, en algunos contextos, de calidad [1][2]. Empresas como Adidas o Booking.com han reportado reducciones significativas en el tiempo de desarrollo y mejoras en la satisfacción de los desarrolladores tras integrar IA en sus flujos, especialmente en tareas repetitivas como la creación de pruebas, la actualización de documentación o la adaptación de código entre servicios.

No obstante, el panorama también incluye historias de fricción y fracaso. Uno de los casos más citados es el de Donald King, ingeniero que trabajaba hasta 80 horas semanales creando agentes de IA en PwC y que terminó siendo despedido para ser sustituido por su propia creación [1]. Este episodio simboliza el temor, muy presente en la comunidad, a una automatización que no solo transforma tareas, sino que amenaza directamente puestos de trabajo específicos.

Adicionalmente, incidentes relacionados con vulnerabilidades en plataformas como Google Antigravity o con el uso no supervisado de modelos generativos para tareas de ciberseguridad han alimentado la percepción de riesgo, tanto técnico como reputacional [1]. La tensión entre el deseo de capturar las ganancias de eficiencia y la necesidad de garantizar control, seguridad y justicia laboral marcará, previsiblemente, la evolución de este ecosistema en los próximos años.

2. Perfil y estado de los programadores en 2025

2.1. Adopción masiva y diferencias regionales

La adopción de herramientas de IA por parte de los desarrolladores ha experimentado un salto cuantitativo y cualitativo. De acuerdo con el informe DORA 2025, el 90% de los desarrolladores utiliza IA en su trabajo diario, un 14% más que el año anterior [1]. Este dato refleja una normalización casi total de la IA en programación: su uso ya no se asocia a equipos punteros o a perfiles experimentales, sino que se extiende a desarrolladores back-end, front-end, full-stack, de móvil y de datos.

En Europa, España ha emergido como un actor particularmente activo en este proceso. Un informe de Microsoft sitúa al país como sexto del mundo y segundo de Europa en adopción de IA, con el 39,7% de la población utilizando asistentes inteligentes, por delante de Reino Unido, Países Bajos y Estados Unidos [1]. Aunque el dato se refiere al uso general de asistentes, no estrictamente al ámbito de desarrollo, se correlaciona con una cultura tecnológica que favorece la integración de estas herramientas en equipos de software.

En América Latina, la foto es más heterogénea. La adopción crece de forma rápida en países como Brasil, Chile, Uruguay y Argentina, donde la IA se integra en sectores como finanzas, administración pública o industria [1]. Sin embargo, los avances se ven atenuados por barreras regulatorias, desigualdades estructurales (por ejemplo, la brecha de género en el sector tecnológico) y la fuga de talento hacia mercados donde las condiciones de trabajo y la remuneración son más atractivas. Además, más del 50% de la población latinoamericana apoya una regulación estricta de la IA, especialmente en decisiones críticas como justicia o beneficios sociales, lo que influye en el ritmo de adopción en sectores regulados [1].

A nivel global, la IA generativa está transformando también la ciberseguridad: un 65% de las empresas afirma haber incorporado funciones basadas en esta tecnología, pero un 89% teme que posibles fallos de estas herramientas pongan en riesgo sus sistemas [1]. Este contraste —alta adopción y alta desconfianza— es representativo de la situación de muchos equipos de desarrollo: utilizan la IA porque la perciben como una ventaja competitiva, pero lo hacen con cautela, conscientes de los posibles efectos adversos.

2.2. Productividad, calidad percibida y confianza

Los estudios disponibles apuntan a ganancias claras de productividad. Ensayos controlados han mostrado que desarrolladores utilizando GitHub Copilot completan tareas casi un 56% más rápido que aquellos que no lo usan [2]. Más del 80% de los profesionales afirma que la IA ha incrementado su productividad, y un 59% reporta mejoras en la calidad de su código [2].

Sin embargo, cuando se examina la percepción de confianza, el panorama cambia. Un informe de 2023 reveló que el 39% de los desarrolladores declara poca o ninguna confianza en el código generado por IA [2]. Esta desconfianza se nutre de tres fuentes:

1. Vulnerabilidades de seguridad: Investigaciones empíricas han encontrado que alrededor del 30% del código sugerido por Copilot contiene debilidades de seguridad vinculadas a 38 categorías de la CWE [2]. Ejemplos incluyen manejo inadecuado de entradas de usuario, uso de funciones criptográficas obsoletas o ausencia de validaciones de autenticación.

2. Errores sutiles de lógica: Más allá de las vulnerabilidades, el código generado puede “compilar y pasar tests simples”, pero implementar una lógica incorrecta, especialmente en dominios con reglas de negocio complejas.

3. Falta de trazabilidad y explicabilidad: Aunque los modelos pueden explicar a posteriori lo que “pretendían” hacer, no ofrecen garantías formales de corrección. Esto contrasta con prácticas tradicionales de ingeniería de software, donde la trazabilidad entre requisitos, diseño y pruebas se documenta explícitamente.

La consecuencia práctica es que muchos equipos han adoptado un enfoque de “IA bajo supervisión estricta”: la herramienta genera propuestas, pero la responsabilidad última recae en quien revisa y fusiona el código. Se refuerza así el rol del code review y se normaliza la expectativa de que toda contribución generada por IA pase por un escrutinio adicional.

2.3. Uso informal, riesgos de datos y gobernanza

Un aspecto especialmente delicado de la adopción de IA en desarrollo de software es el uso informal o no supervisado de herramientas externas. Un estudio de 2023 mostró que el 77% de los usuarios de IA generativa incorporaba estos sistemas en sus tareas laborales sin supervisión empresarial, elevando el riesgo de filtraciones de datos corporativos [2]. Esto incluye:

• Copiar y pegar fragmentos de código propietario en chats públicos.
• Consultar a modelos externos sobre incidentes de seguridad no divulgados.
• Subir archivos de configuración con credenciales por error.

El aumento de estos comportamientos ha obligado a muchas empresas a elaborar políticas de uso aceptable, restringir ciertas herramientas o implantar soluciones “on-premise” o privadas de modelos de lenguaje. Aun así, la gestión del riesgo sigue siendo un reto, en parte por la rapidez con la que surgen nuevas aplicaciones y en parte por la falta de formación específica de los desarrolladores en aspectos legales y de cumplimiento.

El dato de que el 89% de las empresas que usan IA generativa en ciberseguridad teme que estas herramientas puedan fallar y poner en peligro sus sistemas [1] ilustra este dilema. Las organizaciones se encuentran divididas entre el miedo a quedarse atrás si no adoptan estas capacidades y el miedo a exponerse a incidentes graves si las adoptan sin control.

2.4. Capacitación, desigualdad y riesgo de desplazamiento

La aceleración tecnológica ha puesto el foco en la formación. Se estima que hasta el 40% de las profesiones podría transformarse profundamente por efecto de la IA, pero solo el 10% de las empresas está realmente preparada para afrontar este cambio, siendo el principal obstáculo la falta de conocimientos sobre IA por parte de los trabajadores [1].

En el ámbito específico del desarrollo de software, este desajuste se manifiesta en:

• Desarrolladores con experiencia sólida en lenguajes y frameworks tradicionales, pero poca familiaridad con modelos de lenguaje, prompting o orquestación de agentes.
• Organizaciones que adoptan herramientas de IA sin planes de capacitación estructurados, esperando que el aprendizaje ocurra espontáneamente.
• Brechas de acceso: profesionales en regiones o empresas con menos recursos quedan excluidos de formaciones y herramientas punteras, lo que puede amplificar desigualdades ya existentes.

Al mismo tiempo, se observa una tensión concreta en el mercado laboral junior. Informes de 2025 destacan que la automatización impulsada por IA ha ralentizado la contratación de programadores noveles: tareas que antes se asignaban a juniors (como escribir pruebas sencillas, maquetar interfaces o realizar migraciones repetitivas) son ahora asumidas por herramientas automáticas o por perfiles más sénior apoyados en IA [1]. Para acceder al mercado, los recién llegados deben demostrar capacidades que antes se esperaban solo tras varios años de experiencia: criterio técnico, habilidad para revisar código generado por otros (humanos o máquinas), y manejo fluido de los nuevos instrumentos de IA.

La capacitación en IA, lejos de ser un extra, se convierte en un factor de empleabilidad: se percibe como un modo de evitar o retrasar la obsolescencia en un entorno donde ciertas tareas se automatizan con rapidez.

3. Cambios en roles y habilidades: hacia el programador-orquestador

3.1. De escribir código a dirigir sistemas que escriben código

La automatización no elimina la necesidad de desarrolladores, pero transforma su núcleo de actividad. En lugar de escribir cada línea de código, el profesional pasa a:

• Formular especificaciones claras y testables para agentes de IA.
• Evaluar, corregir y combinar propuestas de código generadas automáticamente.
• Diseñar arquitecturas que maximicen el valor de la automatización sin comprometer la mantenibilidad.
• Asegurar que el software cumple con requisitos de seguridad, privacidad y regulación.

Esta transición se asemeja a pasar de “artesano” a “director de orquesta”: el foco se desplaza de la ejecución manual a la coordinación de múltiples recursos —incluidos los modelos de IA— para obtener un resultado coherente y correcto.

3.2. Ingeniería de prompts como habilidad transversal

Una de las competencias más demandadas en 2025 es la ingeniería de prompts. Esta consiste en la capacidad de formular instrucciones precisas, estructuradas y contextualmente ricas para obtener respuestas útiles de sistemas de IA. Pau Garcia-Milà, director de Founderz, la describe como una habilidad transversal comparable en importancia al dominio de herramientas ofimáticas como Microsoft Office [1].

En desarrollo de software, la ingeniería de prompts implica:

• Incluir ejemplos representativos en las instrucciones para guiar el estilo y la estructura del código generado.
• Referenciar explícitamente convenciones del proyecto (estándares de estilo, patrones de diseño).
• Formular restricciones claras: rendimiento esperado, compatibilidad con versiones específicas, requisitos de seguridad.
• Solicitar también explicaciones, pruebas y documentación junto con el código.

Los desarrolladores expertos ya no se distinguen solo por saber “qué código escribir”, sino por saber “qué preguntar” y “cómo evaluar correctamente la respuesta”.

3.3. Vibe coding y nuevas formas de interacción con la IA

El vibe coding ha emergido como una metodología o estilo de trabajo en el que el programador describe un problema o funcionalidad en pocas oraciones de lenguaje natural y confía en modelos de lenguaje adaptados a la codificación para materializar esa descripción en código ejecutable [1]. El proceso es iterativo: el desarrollador revisa la propuesta, corrige, matiza y vuelve a dialogar con el modelo hasta obtener un resultado satisfactorio.

Este enfoque desplaza parte del esfuerzo desde la sintaxis y la arquitectura de bajo nivel hacia la claridad conceptual y la capacidad de refinar la especificación a través de múltiples ciclos cortos. Requiere comprender cómo “piensan” los modelos, cuál es su sesgo hacia soluciones típicas, y cómo proporcionar señales suficientes para obtener implementaciones alineadas con el contexto del proyecto.

3.4. Especialización en torno a la IA: nuevos roles y perfiles

El impacto de la IA en el mercado laboral se manifiesta también en la aparición y consolidación de roles especializados. Un artículo de 2025 destaca como profesiones mejor remuneradas a desarrolladores de aplicaciones móviles, ingenieros DevOps, expertos en ciberseguridad, ingenieros de machine learning, arquitectos de software, ingenieros de datos e ingenieros de software especializados en lenguajes como Java, Python o Node.js [1].

Dentro de estos perfiles, se observa una tendencia clara: quienes combinan competencias técnicas sólidas con dominio de herramientas de IA y comprensión de su impacto organizativo se ven especialmente favorecidos. Aparecen, además, nuevas etiquetas o funciones:

• Ingeniero de productividad con IA: responsable de seleccionar, integrar y optimizar herramientas de IA en el pipeline de desarrollo.
• Arquitecto de sistemas agentic: diseña cómo se orquestan agentes de IA con servicios tradicionales.
• Especialista en gobernanza de IA: vela por el cumplimiento de políticas internas y externas relativas a uso de modelos, datos y automatización.

Frente a ellos, otros roles se ven tensionados. Las posiciones muy centradas en tareas repetitivas de bajo nivel, sin componente de diseño, análisis ni interacción con clientes o negocio, se vuelven más vulnerables a la automatización. La adaptación, mediante formación y reorientación de responsabilidades, se convierte así en un imperativo tanto individual como organizativo.

4. Perspectivas y retos hacia 2030

Mirando más allá de 2025, varios vectores parecen claros. La tendencia hacia una mayor automatización continuará, con herramientas capaces de asumir de forma autónoma tareas cada vez más complejas: desde la corrección automática de vulnerabilidades detectadas hasta la generación de módulos completos a partir de especificaciones de alto nivel. Paralelamente, surgirán roles más especializados en supervisar y auditar estos sistemas, tanto desde la ingeniería de software como desde la ética, la regulación y la ciberseguridad [1][2].

Algunos posibles escenarios incluyen:

• Equipo híbrido humano-IA: donde cada desarrollador trabaja junto a uno o varios “parejas digitales” (agentes especializados) y el equipo se concibe como una constelación de colaboradores humanos y no humanos.
• Mayor formalización de estándares de calidad y seguridad: para compensar la variabilidad de la generación automática, se reforzarán prácticas como las pruebas automatizadas exhaustivas, la verificación formal en dominios críticos y la certificación de modelos y herramientas.
• Evolución de la formación en ingeniería de software: universidades y centros de formación integrarán de manera sistemática contenidos sobre IA aplicada al desarrollo, ingeniería de prompts, orquestación de agentes y ética de la automatización, adaptando currículos