Vibe coding sin basura de IA: cómo el equipo de targetai aceleró el desarrollo 12 veces

El vibe coding no consiste en dejar que la IA escriba todo el código y pulsar «deploy». Es la habilidad de trabajar con modelos de lenguaje como con un desarrollador junior muy rápido pero que a veces alucina: hacer las preguntas correctas, revisar el resultado y mantener la visión arquitectónica en la cabeza. El equipo de targetai pasó varios meses perfeccionando este equilibrio en proyectos reales y registró un resultado: una aceleración de entre 8 y 12 veces sin perder calidad, siempre que se haga todo bien.

El término «vibe coding» lo popularizó Andrej Karpathy a principios de 2025. La idea es sencilla: en lugar de escribir cada línea a mano, el desarrollador describe su intención en lenguaje natural y una herramienta LLM —Cursor, GitHub Copilot, Claude Code, Cline— genera la implementación. La velocidad de iteración se multiplica: un primer prototipo funcional puede estar listo en horas en lugar de semanas.

El problema es que, con la popularidad del enfoque, llegó su reflejo oscuro: la basura de IA. Es código que parece convincente, compila y pasa las pruebas básicas, pero tres meses después se convierte en un caos imposible de mantener. Nadie en el equipo entiende por qué una parte concreta está escrita de ese modo. Un LLM no explica sus decisiones arquitectónicas: simplemente las toma.

Los ingenieros de targetai se preguntaron si era posible sistematizar el trabajo con LLM para ganar velocidad sin acumular deuda técnica. Su respuesta es que sí, pero exige prácticas concretas.

Primera: un LLM rinde mejor en tareas con un contexto estrictamente acotado. No «haz la función de autorización», sino «implementa la función validateToken en el archivo auth/utils.ts, que recibe una cadena JWT y devuelve userId, o null si el token no es válido».

Segunda: la revisión de código no se puede delegar en el propio modelo. Hace falta una persona que entienda qué está comprobando y por qué cierto código es malo, y no solo qué aspecto tiene.

Tercera: las decisiones arquitectónicas se toman antes de que la IA empiece a generar la implementación. La IA es ejecutora, no diseñadora.

Las cifras de los experimentos: el ciclo de desarrollo de nueva funcionalidad se redujo entre 8 y 12 veces, de varios días a varias horas. El número de iteraciones antes del despliegue disminuyó. Y lo fundamental: el nivel de incidentes en posproducción no aumentó. Es un contraargumento al miedo más extendido: que acelerar con IA implica inevitablemente más bugs en producción. Con la metodología adecuada, no es así. En targetai no existe un puesto específico de AI engineer o prompt engineer: el equipo llegó a estas prácticas de forma orgánica, a través de errores e iteraciones.

En la práctica, el enfoque funciona así. Cada desarrollador usa un LLM como programador en pareja personal, pero con reglas de higiene. Nada de copiar código generado sin leerlo línea por línea. Nada de peticiones difusas: mejor tres prompts precisos que uno vago. Las pruebas se escriben antes de generar la implementación, lo que descarta de inmediato las variantes que no funcionan, ya en la fase de prompting. La documentación de la base de código interna se guarda en un formato legible por máquina y se carga en el contexto automáticamente, lo que mejora notablemente la precisión en tareas específicas del dominio.

El vibe coding ha salido del ciclo del hype y se está convirtiendo en una habilidad de ingeniería básica, como leer un stack trace o escribir un pull request claro. La cuestión ya no es si usar modelos de lenguaje en el desarrollo, sino con cuánta conciencia. La experiencia de targetai demuestra que, con flujos de trabajo bien construidos, un asistente de IA no sustituye al ingeniero: multiplica su productividad. El precio de esa multiplicación es disciplina, pensamiento crítico y la disposición a no fiarse de un código bonito solo porque se escribió rápido.