¿Cómo usan los emprendedores de Y Combinator la Inteligencia Artificial?
- arturojimenez24
- 9 abr
- 19 Min. de lectura
Actualizado: 10 abr
Nota del autor: En los últimos cinco años, la inteligencia artificial ha transformado rápidamente el desarrollo de software. Lo que comenzó como simples herramientas para autocompletar, ahora la IA es considerada “compañera programadora ”, capaz de generar repositorios de código completos.
Este artículo analiza la evolución de la IA en la programación desde 2020 hasta 2025, con especial énfasis en las herramientas y flujos de trabajo que estan haciendo las actuales startups de Y Combinator (YC) la aceleradora de startups más importante del mundo con egresados como Airbnb, Dropbox, Instacart, Stripe entre otros. Pivvot realiza estas investigaciones para que su aeleradora PIVOTEA esté al día con las últimas tendencias.
1. Cómo usan los emprendedores de Y Combinator la Inteligencia Artificial: Cronología, del 2020 al 2023
En 2020, la idea de que la IA pudiera escribir cantidades significativas de código era, en su mayoría, una especulación. Herramientas tempranas como TabNine (lanzado en 2019) usaban ya aprendizaje profundo para autocompletar código, pero se limitaban a sugerencias línea por línea. Esto comenzó a cambiar con la llegada de GPT-3 de OpenAI (mediados de 2020), que, aunque era un modelo de lenguaje general, sorprendió a los desarrolladores al generar código funcional a partir de instrucciones en inglés natural.
El verdadero punto de inflexión llegó a mediados de 2021 con OpenAI Codex, descendiente de GPT-3 y afinado para tareas de programación. Codex impulsó GitHub Copilot, lanzado en versión técnica en junio de 2021.
Copilot funcionaba como un “wingman programador ” basado en IA integrado en editores como VS Code, autocompletando fragmentos o funciones completas según el contexto. Un desarrollador podía escribir un comentario describiendo la función deseada y Copilot sugería su implementación. Fue un cambio de paradigma: para 2022, Copilot tenía millones de usuarios y generaba una parte importante del código en lenguajes como Python y JavaScript.
Y Combinator reportó que los desarrolladores que usaban Copilot eran un 55% más productivos, y que alrededor del 40% del código que subían era generado por IA (y aceptado sin modificación). En otras palabras, casi la mitad del nuevo código escrito por esos usuarios en 2023 provenía de la IA. Estas cifras demostraban que la asistencia de IA no era una moda, sino un verdadero potenciador de productividad.
Durante 2022 y 2023, otras grandes tecnológicas y startups introdujeron sus propios asistentes de codificación con IA. Amazon CodeWhisperer y Google Codey (en Google Cloud) surgieron como alternativas. Replit incorporó un asistente de IA en su IDE en la nube.
Comunidades de código abierto lanzaron modelos como CodeGen y PolyCoder, y más adelante Meta lanzó Code Llama (2023), ofreciendo capacidades poderosas de generación de código para todos.También comenzó el uso de chatbots de propósito general como asistentes de codificación. Cuando ChatGPT se lanzó a finales de 2022 (basado en GPT-3.5 y luego GPT-4 en 2023), los programadores acudieron en masa para obtener ayuda con debugging, revisiones de código y generación de fragmentos.
De manera definitiva, la calidad del código generado por IA mejoró significativamente en este período. Al principio, los modelos generaban código incorrecto o inseguro a menos que los prompts fueran muy detallados.
Pero cada iteración de modelo trajo mejoras. Para 2023, GPT-4 y Claude de Anthropic (otro modelo de lenguaje grande) podían resolver desafíos algorítmicos complejos, generar pruebas unitarias y hasta sugerir mejoras en arquitectura de software. Esta convergencia entre generación de código y razonamiento sentó las bases para un nuevo tipo de flujo de trabajo de desarrollo.
Jared Friedman, socio de YC:
“Con la llegada de nuevos modelos de IA mejorados para programar, los desarrolladores están usando cada vez más IA para generar código.”
En resumen, entre 2020 y 2023 la IA pasó de simplemente terminar tu línea de código a colaborar de manera significativa en tu proyecto. Para finales de 2023, muchos desarrolladores trataban a la IA como una parte esencial de su caja de herramientas: usaban autocompletado para tareas rutinarias, chatbots para debugging y diseño, y reducían drásticamente el tiempo necesario para pasar de idea a producto funcional.
2. La revolución de la codificación nativa en IA (2024–2025)
En 2024, la programación asistida por IA pasó de ser una novedad a convertirse en la norma, especialmente en startups. En la cohorte de invierno 2025 de Y Combinator, una de cada cuatro startups reportó que el 95% de su código fue generado por IA, incluso en equipos altamente técnicos. La razón: la IA es más rápida y libera tiempo para enfocarse en decisiones estratégicas.
Este cambio fue posible gracias a mejores modelos, herramientas más avanzadas y un cambio de mentalidad. Modelos como Claude 3.5 Sonnet y GPT-4 “O1” mejoraron la precisión y el contexto de la generación de código, permitiendo no solo escribir, sino también razonar y depurar.
Herramientas nativas de IA para desarrolladores
Igualmente importante fue la aparición de herramientas de desarrollo nativas de IA: entornos de desarrollo integrados (IDEs) y asistentes construidos desde cero para aprovechar estos modelos. Dos nombres que surgieron repetidamente en YC fueron Cursor y WindSurf.
Estas herramientas representan una nueva generación que supera el enfoque de plugins tipo Copilot.
Cursor
Es un editor de código respaldado por YC que se convirtió en “el líder absoluto” entre las startups de la cohorte Summer '24. Los fundadores destacan cómo integra generación de código basada en chat directamente en el flujo de trabajo del editor.Un fundador, Yoav de CIX, comentó:
“Escribo todo con Cursor. A veces incluso tengo dos ventanas abiertas en paralelo y le doy instrucciones diferentes a cada una.”
Esta anécdota ilustra el nuevo flujo de trabajo “nativo en IA”: el desarrollador orquesta múltiples instancias de IA para construir funcionalidades de manera concurrente, algo esencialmente imposible para un solo programador humano antes. Es como tener varios ingenieros junior que nunca se cansan, trabajando en tareas distintas, y tú como ingeniero senior los diriges usando lenguaje natural.
WindSurf
Rápidamente se posicionó como una alternativa sólida, descrita como un “seguidor veloz”. ¿La diferencia clave? WindSurf indexa todo tu código base y utiliza esa información para responder.Como lo explicó Jared Friedman:
“La razón principal por la que la gente está cambiando es que Cursor necesita que le indiques qué archivos mirar... WindSurf indexa todo el código base y es bastante bueno determinando por sí solo qué archivos debe consultar.”
Esto es muy relevante para proyectos grandes: significa que la IA puede usar automáticamente módulos o configuraciones relevantes al generar código, sin que el usuario tenga que copiar manualmente fragmentos en el prompt. Esta capacidad de búsqueda semántica en el código es algo que Copilot tradicional no tiene, y fue muy bien recibida por equipos que trabajan con grandes repositorios.
ChatGPT, DeepSeek y otros modelos en el ecosistema de YC
Muchos desarrolladores aún conservan ChatGPT (especialmente con GPT-4) en su flujo de trabajo para tareas que requieren razonamiento complejo o respuestas más extensas. Los emprendedores de YC cuentan que usan ChatGPT para hacer preguntas de debugging o pedir consejos de arquitectura, aprovechando la capacidad lógica de GPT-4.
Curiosamente, a finales de 2024 algunos programadores más técnicos comenzaron a experimentar con el autoalojamiento de modelos grandes o el uso de alternativas open-source como DeepSeek R1. Este modelo, lanzado en 2025, es de código abierto, ofrece razonamiento sólido y una ventana de contexto de hasta 128k tokens. YC lo menciona como un “contendiente viable”, especialmente útil para quienes manejan código sensible y prefieren no depender de APIs en la nube.
Además, algunos equipos comenzaron a probar el modelo Gemini de Google (que en ese momento presumía la ventana de contexto más extensa del mercado), alimentando la IA con “todo su repositorio” para ver si podía corregir errores de una sola vez. Aunque los resultados no siempre fueron confiables, mostraban hasta dónde estaban dispuestos a experimentar los desarrolladores para dar a la IA una visión holística del proyecto.
El cambio más importante: la mentalidad del desarrollador
Quizás el cambio más profundo de 2020 a 2025 ha sido en la mentalidad del programador. La IA ya no se ve como una muleta o una novedad: es “la forma dominante de programar”.Quienes no la usan corren el riesgo de quedarse atrás.
El CEO de YC, Garry Tan, lo resumió así:
“Esto no es una moda. No va a desaparecer. Es la forma dominante de programar. Y si no lo estás haciendo, podrías quedarte atrás.”
Los fundadores se han entregado por completo al “vibe”, tomando prestado un concepto popularizado por Andrej Karpathy. De hecho, Karpathy acuñó el término “vibe coding” en 2025 para describir este enfoque:
“Un nuevo tipo de programación... donde te entregas por completo al vibe, abrazas lo exponencial y te olvidas de que el código siquiera existe.”
Aunque suena fantasioso, el liderazgo de YC considera que esto refleja algo real del estado actual del desarrollo: en lugar de gestionar cuidadosamente cada línea, los desarrolladores confían en que la IA maneje la implementación, mientras ellos se concentran en la idea o el vibe de lo que quieren crear.
¿Exageración o realidad?
Los resultados son sorprendentes en términos de productividad.Un fundador de YC (TrainLoop) dijo:
“Hace seis meses, nuestra velocidad aumentó 10×; el mes pasado, 100× aceleración exponencial. Ya no soy ingeniero, soy una persona de producto.”
Incluso si lo tomamos con algo de escepticismo, está claro que tareas que antes llevaban días ahora pueden completarse en horas. Otros fundadores compartieron el mismo sentimiento.El fundador de Outlet dijo:
“Las herramientas de IA hacen que todos sean ingenieros 10×. Por eso, el gusto humano ahora importa más que nunca.”
3. El nuevo arsenal: herramientas de codificación con IA que usan los fundadores de YC en 2025
¿Cómo usan los emprendedores de Y Combinator la Inteligencia Artificial? Los fundadores de startups en Y Combinator suelen ser adoptadores tempranos, y frecuentemente combinan varias herramientas para cubrir distintas necesidades. A continuación, se presenta un resumen de las principales herramientas y modelos mencionados por los fundadores de YC, junto con sus fortalezas más destacadas:
Herramientas | Descripción | Usos por emprendedores YC |
 | Cursor (Editor con IA) Editor integrado con IA que usa Claude 3.5 “Sonnet” de Anthropic. Generación de código interactiva en el IDE mediante chat y sugerencias. Fortaleza: generación rápida con contexto amplio (aunque requiere indicar archivos manualmente). | “Escribo todo con Cursor… incluso uso dos ventanas en paralelo en diferentes funcionalidades” – Usado para multitarea. |
 | WindSurf (Herramienta de Codificación con IA) Indexa todo el código base por adelantado y aporta automáticamente contexto relevante al generar código. Fortaleza: ideal para proyectos grandes y refactorización de múltiples archivos. | Muchos fundadores cambiaron a WindSurf porque “detecta automáticamente qué archivos mirar”, lo que simplifica los cambios. |
 | GitHub Copilot (OpenAI Codex / GPT) Asistente de autocompletado integrado en editores populares. Fortaleza: sugerencias en línea fluidas, con capacidades de chat mejoradas en Copilot X. | Ampliamente usado para generar código repetitivo; se estima que produce el 40% del código de muchos usuarios. |
 | ChatGPT (GPT-4) Chatbot general con IA, accesible por web o API. Excelente en razonamiento, depuración y soporte técnico. Fortaleza: ideal para resolver problemas complejos, aunque no está integrado directamente en IDEs. | Usado para resolver errores difíciles, generar ideas de algoritmos o explicar logs – actúa como “ingeniero senior externo”. |
Anthropic | Claude 3.5 “Sonnet” y Claude 2 (Anthropic) Modelos especializados en codificación con gran ventana de contexto. Usados en herramientas como Cursor y Replit. Fortaleza: rápidos, actualizados y confiables para generar grandes volúmenes de código. | Potencian herramientas utilizadas a diario por fundadores de YC, asegurando generación precisa y ágil. |
 | DeepSeek R1 Modelo open-source de 2025 (nivel GPT-4) con ventana de contexto de 128k. Fortaleza: autoalojable, rentable para tareas complejas, excelente en análisis y razonamiento de código. | Usado por fundadores preocupados por la privacidad, ejecutado localmente para analizar todo el código base. |
 | Devin (Auto-Coder) Agente autónomo que genera, ejecuta y corrige código de forma iterativa. Fortaleza: apunta a manejar tareas completas de programación de forma automática. | Considerado experimental – se menciona, pero no se usa para funciones críticas por limitaciones en proyectos grandes. |
 | Google Gemini Modelo de nueva generación con una ventana de contexto muy grande. Fortaleza: capacidad para analizar sistemas completos y razonar a escala. | Probado por algunos fundadores alimentándolo con repositorios enteros para ver si puede resolver errores de una vez. |
Others (Codeium, Phind, etc.) | Otros (Codeium, Phind, etc.) Incluye Codeium (autocompletado gratuito), Phind (búsqueda + asistente), Replit Ghostwriter, Amazon CodeWhisperer. Fortaleza: útiles en nichos, como bajo costo o necesidades on-premise. | Usados como herramientas alternativas o complementarias cuando existen restricciones como presupuesto o cumplimiento. |
T
Cursor: Editor de código con IA integrado (imagina VS Code, pero con IA en cada rincón).
Se convirtió en la herramienta principal para muchos ingenieros de YC en 2024.Ofrece un chat dentro del editor donde puedes pedirle que implemente funciones, refactorice código o lo explique, y el sistema modifica o crea archivos en tiempo real.
Lo que lo hace especial: Cursor utiliza por defecto el modelo Claude 3.5 “Sonnet” de Anthropic, que es muy rápido y puede procesar una gran cantidad de texto en una sola operación (gracias a su ventana de contexto amplia). Esto le permite analizar archivos grandes, comprender estructuras más complejas y generar código coherente y preciso.
Cursor se destaca en generación de código (puedes literalmente decirle: “Implementa una función que haga X” y lo escribe en tu base de código) y ofrece sugerencias en línea, similares a Copilot.Un detalle a tener en cuenta: aún necesita que le indiques manualmente qué archivos debe considerar, no analiza todo el proyecto automáticamente (al menos por ahora).
A pesar de esta limitación, es muy valorado por su velocidad y su integración profunda en el entorno de desarrollo. Muchos fundadores mantienen un hilo de conversación por cada funcionalidad que están desarrollando. Algunos incluso usan varias ventanas de Cursor en paralelo, trabajando en distintas características al mismo tiempo. Esto permite una paralelización del desarrollo sin precedentes, gracias al soporte de IA.
WindSurf: Otra herramienta estrella, surgida en la segunda mitad de 2024.
Es un asistente de codificación con IA que escanea e indexa todo tu código base por adelantado.
Eso le permite responder a tus preguntas y generar código utilizando automáticamente el contexto correcto, sin necesidad de copiarle manualmente fragmentos del proyecto.Por ejemplo, si le dices: “Agrega una nueva ruta similar a X”, WindSurf ya sabe dónde está X en tu repositorio y cómo está implementado. No necesitas señalarle los archivos.
YC destacó que este fue “el motivo número uno” por el cual muchos fundadores empezaron a migrar desde Cursor.WindSurf es especialmente útil para:
refactorizaciones a gran escala,
funcionalidades que afectan múltiples archivos,
equipos que trabajan con grandes monorepositorios.
Modelos subyacentes: Probablemente GPT-4 o Claude, según la configuración.Limitación: Puede ser un poco más lento o pesado en proyectos pequeños, debido a todo el trabajo de indexación que realiza.
Muchos equipos en YC usan ambos: Cursor para experimentación rápida, y WindSurf para cambios estructurales complejos. Ambas herramientas evolucionan rápidamente, agregando nuevas funciones mes a mes.
GitHub Copilot (OpenAI Codex / GPT): El veterano sigue vigente.
Copilot, impulsado por Codex y ahora también por GPT-4, sigue siendo muy utilizado, especialmente entre quienes trabajan en editores tradicionales como VS Code o Visual Studio.
Se destaca por:
sugerencias de código en línea mientras escribes,
generación automática de funciones repetitivas o “boilerplate”,
y una nueva versión llamada Copilot X, que agrega un asistente tipo ChatGPT dentro del IDE y ayuda incluso en revisiones de pull requests.
Sin embargo, muchos fundadores de YC opinan que Copilot se ha vuelto limitado comparado con herramientas como Cursor o WindSurf, que combinan autocompletado con flujos de trabajo más interactivos e inteligentes.
Ventaja clave de Copilot: su integración perfecta con GitHub y los editores más usados.
ChatGPT (GPT-4): Aunque hay herramientas específicas para codificación, ChatGPT sigue siendo esencial, especialmente para:
investigación,
depuración de errores complejos,
exploración de nuevas ideas,
generación de pseudocódigo o explicaciones conceptuales.
Fundadores de YC lo utilizan cuando enfrentan un error misterioso o necesitan ayuda para diseñar una nueva arquitectura. Es el “Stack Overflow + pato de goma + ingeniero senior” en una sola herramienta.
Limitación: No está integrado en el IDE, por lo que copiar y pegar sigue siendo necesario. Sin embargo, ya existen plugins para VS Code que integran GPT-4 directamente en el flujo de trabajo.
Claude 3.5 “Sonnet” y Claude 2 (Anthropic)
Estos modelos tienen una ventana de contexto gigantesca (hasta 100k tokens) y están optimizados para programación. Son rápidos, actualizados y confiables para generar código en bloque.
Fortalezas:
generación de código repetitivo o estructurado (como endpoints de APIs o clases de datos),
excelente cumplimiento de instrucciones (respetan estilos o convenciones si se les indica).
Comparación con GPT-4: Claude es mejor en generación masiva y rápida; GPT-4 es superior en razonamiento profundo.Por eso, algunas herramientas como Fine permiten a los usuarios elegir entre Claude o GPT-4 según la tarea.
DeepSeek R1 Modelo de código abierto de 2025.
Fue lanzado con licencia de MIT y es capaz de razonar casi al nivel de GPT-4, con una ventana de contexto de hasta 128k tokens.
Muchos fundadores de YC lo usan autoalojado, para mantener su código fuera de APIs en la nube, o para evitar costos elevados. Se destaca en:
razonamiento,
comprensión matemática,
análisis de múltiples archivos simultáneamente.
Desventaja: requiere mucha potencia computacional (GPUs, instancias cloud) y puede no estar tan ajustado a tus frameworks como los modelos comerciales.
Devin (agente autónomo de programación)
Un experimento interesante: no solo genera código, sino que planea, escribe, ejecuta y corrige iterativamente a partir de un objetivo general.Se presenta como un “ingeniero de software con IA”.
Sin embargo, los fundadores de YC que lo mencionaron dijeron que no se utiliza para funcionalidades serias, ya que aún no entiende bien el código base.
Otros modelos y herramientas
Codeium: asistente gratuito y popular.
Tabnine: aún activo, ahora parcialmente potenciado por IA.
Phind: motor de búsqueda + asistente de código.
Amazon CodeWhisperer, Watson Code Assistant, etc.
Estas herramientas cubren nichos específicos (empresas con requisitos on-premise, presupuestos limitados, etc.).
En la práctica, muchas de estas herramientas no son excluyentes. Un fundador puede:
usar Cursor para implementar un nuevo módulo,
cambiar a ChatGPT para depurar un error difícil,
pasar a WindSurf para modificar una funcionalidad transversal,
lanzar Codeium desde el navegador para una sugerencia rápida.
El secreto está en saber qué herramienta usar para cada tarea, como un artesano que elige su herramienta adecuada para cortar, lijar o pulir.
4. Cómo la IA está cambiando los flujos de trabajo: generación, depuración y más
Con la integración de la inteligencia artificial, el flujo de trabajo del desarrollo de software ha cambiado drásticamente en comparación con hace cinco años. A continuación, exploramos cómo han evolucionado las diferentes etapas del ciclo de vida del código: desde la escritura y depuración hasta la gestión del proceso en general.
Generación e implementación de código
Este es el cambio más evidente: lo que antes comenzaba con una pantalla en blanco, ahora muchas veces empieza con una conversación.Un desarrollador podría escribir un prompt como:“Crea un modelo de Django para un producto de e-commerce con los campos nombre, precio, descripción e inventario.”
La IA (en herramientas como Cursor o Copilot) genera la clase correspondiente.Si está bien, el desarrollador puede aceptarlo y hacer ajustes menores.Si no, puede modificar el prompt o pedirle a la IA que corrija errores específicos.
Resultado: gran parte de la escritura repetitiva desaparece.
Varios fundadores de YC afirman que ahora están “escribiendo código pensando y revisando” en vez de hacerlo línea por línea.Uno de ellos, Obie (Aztra), lo expresó así:
“Ya no escribo código. Solo pienso y reviso.”
Otro fundador mencionó que ahora, gracias a la velocidad que le da la IA (3× más rápido), se siente “menos apegado” a su código:Si algo no sale bien, lo descarta y lo vuelve a generar. Como ya no representa una gran inversión de tiempo, esto fomenta soluciones más limpias y elegantes.
Desarrollo en paralelo
La IA permite que un solo desarrollador trabaje en varias tareas al mismo tiempo.Con suficientes prompts y buena supervisión, puedes tener un asistente de IA creando la Funcionalidad A, mientras otro trabaja en la B.
Esto no significa que una persona haga dos cosas a la vez literalmente, sino que puede alternar entre varios hilos activos de IA sin perder el hilo.Por ejemplo:
En una ventana, guías a la IA para escribir un componente frontend.
Mientras lo genera, revisas otra ventana donde la IA ya te propuso un backend API.
Un humano se distraería o perdería foco en esa multitarea. La IA no.
El fundador Yoav de CIX contó que trabaja con “dos ventanas de Cursor abiertas en paralelo”. Incluso bromeó con abrir tres.
Este nuevo flujo ha sido descrito como "concurrencia en desarrollo", no en ejecución del código, sino en la creación simultánea de funcionalidades.
Comprensión del código y navegación
Una gran parte del tiempo de un desarrollador (especialmente cuando se une a un nuevo proyecto) se va en leer código y entender cómo se relacionan los componentes.
Herramientas como WindSurf, al indexar el repositorio completo, reducen drásticamente ese tiempo de descubrimiento.Ahora puedes preguntarle al asistente de IA:
“¿Cómo está implementada la autenticación de usuario en nuestro código?”
Y este te devuelve los archivos relevantes con un resumen.
Incluso sin WindSurf, herramientas como Cody (de Sourcegraph, también salida de YC) permiten encontrar fragmentos relevantes mediante búsqueda semántica.Esto significa menos tiempo explorando y más tiempo construyendo.
Claro, el desarrollador aún debe validar las respuestas, ya que la IA puede omitir matices. Pero en la práctica, esto acelera onboarding y tareas de mantenimiento.
Depuración y razonamiento
La depuración (debugging) es un área fascinante y ambigua en cuanto al aporte de la IA.
Ventajas:
Puedes darle el error y el código a la IA (por ejemplo, ChatGPT) y preguntarle:“¿Por qué esta función devuelve null?”
La IA puede evaluar múltiples posibles causas rápidamente, como lo haría un humano experimentado, pero con mayor velocidad y acceso a más contexto.
Desventajas:
La IA también puede introducir errores.
Si te apoyas demasiado en ella, puedes dejar pasar fallos lógicos o de seguridad.
YC’s Diana Hu lo dice claro:
“Si vas a usar IA para escribir código, también tienes que ser muy bueno leyéndolo y encontrando bugs.”
Además, las primeras generaciones de modelos de razonamiento no son buenas depurando por sí solas.Si se equivocan, no corrigen automáticamente, a menos que se lo indiques.
Por eso, la depuración se convierte en una colaboración:
La IA sugiere una solución.
El humano prueba.
Si falla, describe el fallo a la IA.
La IA propone otra solución.
Así, se forma una especie de pair programming, donde el humano prueba y evalúa, y la IA reitera.
Mejores prácticas:
Muchos equipos generan pruebas unitarias o integradas con ayuda de la IA para detectar regresiones rápidamente.
Cuando una funcionalidad se puede generar en minutos, el foco real se traslada a las pruebas.
Uso de múltiples modelos (razonamiento vs. generación)
Un nuevo aspecto clave en los flujos de trabajo modernos es saber cuándo usar qué modelo.
Por ejemplo:
Usas Claude (vía Cursor) para generar código estructurado rápido.
Pero cambias a GPT-4 (vía ChatGPT o modo experto) si necesitas resolver algo más conceptual o con lógica compleja.
Algunos equipos incluso encadenan modelos:
Uno “planifica” (razonamiento).
Otro “implementa” (generación).
Aunque pocos lo hacen manualmente, varias herramientas ya funcionan así por detrás.
Este enfoque ha sido descrito por algunos como ser un “DJ de modelos”: eliges qué “pista” (modelo) poner según la situación.
Mantenimiento y refactorización del código base
La IA es excelente para tareas mecánicas y repetitivas.
Por ejemplo:
Cambiar el nombre de una API en docenas de archivos.
Migrar el uso de una librería de la versión 1 a la 2.
Separar una función larga en componentes más limpios.
Todo esto puede pedírselo a la IA, y con una verificación, queda hecho.
Muchos fundadores de YC mencionan que como no se apegan al código (ya no les toma días escribirlo), lo refactorizan libremente cuando es necesario.
Eso sí, hay que mantener consistencia de estilo, ya que distintos modelos pueden usar convenciones diferentes.
Soluciones:
Alimentar a la IA con guías de estilo.
Usar la IA para hacer linting y formateo después de generar.
Documentación y comunicación
Otro beneficio es que la IA ayuda también con:
docstrings automáticos,
comentarios explicativos,
documentación para usuarios,
mensajes de commit y descripciones de PRs.
Esto reduce el trabajo tedioso de comunicar lo que hace el código, y permite que los humanos se concentren en evaluar si lo que se hace es lo que se necesita.
En general, el flujo de trabajo en un equipo de desarrollo centrado en IA es más interactivo, más iterativo, y más estratégico.
Un socio de YC lo describió casi como un trabajo etnográfico:
“El frontend ahora se parece más a ser PM… incluso a ser etnógrafo… entendiendo lo que la gente necesita y transformándolo en código. Y lo más importante ahora son los evals (evaluaciones).”
Un buen programador con IA es ahora un PM técnico o un etnógrafo digital:
entiende al usuario,
traduce esas necesidades a prompts,
y evalúa el output del modelo para ajustarlo.
5. Cambiando roles: de desarrollador de software a “ingeniero de producto”
Una de las ideas más impactantes que comparten los emprendedores de Y Combinator es cómo el rol del desarrollador de software está cambiando.
Con la IA encargándose de gran parte del trabajo repetitivo de codificación, el papel del humano se desplaza hacia decisiones estratégicas, diseño y validación.Como dijo uno de los fundadores:
“Ya no soy ingeniero, soy una persona de producto.”
Esto no significa que las habilidades técnicas hayan dejado de importar, sino que ahora se da por sentado que cualquiera con IA puede producir mucho código.Entonces, el valor se traslada a lo que construyes y por qué lo construyes.
De escribir código a tener buen gusto
Varios fundadores de YC han enfatizado que ahora lo que importa es el “gusto humano” y el criterio de producto.
El fundador de Outlet lo expresó así:
“El rol del ingeniero de software está evolucionando hacia el de ingeniero de producto. El gusto humano ahora es más importante que nunca, porque las herramientas de generación de código hacen que todos sean ingenieros 10×.”
En otras palabras:Cuando cualquier persona con IA puede generar código rápidamente, lo que diferencia a un buen equipo es su visión, intuición y criterio para crear algo que la gente realmente quiera usar.
El nuevo "ingeniero de producto"
Este perfil es una mezcla de:
capacidades técnicas,
diseño de producto,
empatía con el usuario.
Un ingeniero de producto:
habla con usuarios,
prototipa interfaces con ayuda de IA,
evalúa si lo que se construyó cumple con lo que se necesita.
Usa la IA como amplificador de producción, pero el rumbo creativo y estratégico lo marca él o ella.Este cambio se parece a lo que ocurrió en la fotografía con los teléfonos inteligentes:Cualquiera puede tomar una buena foto ahora, pero el ojo del fotógrafo sigue siendo esencial.Lo mismo pasa con el software: el código es fácil de producir, el arte está en diseñar algo valioso.
Tamaño y estructura del equipo
Otra consecuencia de este cambio es que los equipos pueden ser mucho más pequeños.
Si un solo desarrollador ahora puede hacer el trabajo que antes requería 3 o 4 personas (gracias a la IA), ya no necesitas grandes departamentos de ingeniería para lograr resultados ambiciosos.
Garry Tan, CEO de YC, lo dijo claramente:
“Ya no necesitas un equipo de 50 o 100 ingenieros… No tienes que levantar tanto capital. El dinero rinde más.”
Una pequeña célula de 5 a 10 ingenieros de producto bien entrenados en IA puede construir y mantener un producto que, hace diez años, habría necesitado decenas de ingenieros.
Esto es una ventaja enorme para las startups:
Reduce costos.
Disminuye la complejidad operativa.
Aumenta la velocidad de ejecución.
Incluso Tan sugirió que esto podría permitir que más ingenieros jóvenes prosperen de forma independiente:
“Alguien que no logró entrar a Big Tech podría ahora construir un negocio rentable por su cuenta, de $10M o $100M al año, con un equipo de diez personas.”
¿Menos empleos requeridos?
Este cambio también plantea preguntas sobre:
las trayectorias profesionales,
la educación formal en ingeniería,
y el futuro de los desarrolladores junior.
Algunos recién graduados se preguntan:Si un fundador con IA puede hacer el trabajo de diez ingenieros… ¿quedarán menos empleos? Seguramente habrá un periodo de ajuste.
El primer empleo del programador ya no será escribir còdigo, sino:
manejar herramientas de IA eficazmente,
redactar prompts bien estructurados,
diseñar sistemas,
verificar la calidad de los outputs de IA.
La ingeniería de software se está abstrayendo cada vez más.Así como pasamos de escribir en lenguaje ensamblador a usar frameworks de alto nivel, ahora la IA abstrae gran parte de la programación diaria.
El péndulo de habilidades se mueve hacia el diseño, la arquitectura y la comprensión del dominio del problema.
Pero lo fundamental sigue importando
Los líderes de YC lo dejan claro: la formación clásica no está obsoleta.
Todavía necesitas entender qué está haciendo la IA para detectar errores o malas decisiones.
Diana Hu, socia de YC, advirtió:
“Tienes que tener el criterio y la formación suficientes para saber cuándo un modelo LLM te está dando basura o algo bueno... Para hacer buen 'vibe coding', aún necesitas conocimiento para distinguir lo correcto de lo incorrecto.”
La intuición del ingeniero experimentado, su comprensión de estructuras de datos, algoritmos y diseño de sistemas, siguen siendo una red de seguridad. También señaló que cuando un producto construido con IA escale a millones de usuarios, habrá retos que requerirán habilidades de ingeniería:
“Si una startup con 95% de código generado por IA llega a 100 millones de usuarios… ¿se caerá o no? Los primeros modelos de razonamiento no son buenos depurando. Tendrás que meterte al fondo de lo que está pasando.”
En otras palabras:
La IA es excelente para el prototipo (0 a 1).
Pero para escalar de 1 a N, aún se necesita ingenieros de verdad.
Fuentes:
Y Combinator “Lightcone” podcast – Vibe Coding Is The Future (2024). etc. (Quotes and insights from YC founders and partners on AI coding tools and changing developer roles.)
TechCrunch (Mar 6, 2025) – A quarter of startups in YC’s current cohort have codebases almost entirely AI-generated.
LeadDev (Mar 20, 2025) – 95% AI-written code? Unpacking the YC CEO’s bombshell.
fine.dev blog (Oct 2024) – OpenAI o1 vs Claude 3.5 Sonnet for coding.
YC founders survey (Winter 2024/25) – various quotes: e.g., Outlet founder on product engineer, Obie (Aztra) on not writing code, Copycat founder on scrapping code, Yoav (CIX) on using Cursor, TrainLoop on 100× acceleration.
YC discussion on AI tools: Cursor vs WindSurf, use of ChatGPT for reasoning, mention of DeepSeek R1, Gemini context use, limitations of “Devin” agent.
Microsoft/GitHub stats on Copilot – ~40% of code generated for users, 55% faster dev.
Anthropic Claude 3.5 “Sonnet” announcement and usage in dev tools.
Additional industry commentary on vibe coding and AI in dev (Karpathy’s post, Fortune/Ars Technica coverage, etc.).
Commenti