El software está perecido. Es oficial.

El software está muerto: la IA se convierte en especialista con un arnés​

Septiembre de 2026. Entre quienes construyen producto digital se ha instalado una sentencia: el software está muerto y programar, tal y como se ha entendido durante tres décadas, se extingue. Los avales que ha encontrado esta vez son dos: la dirección que estaría tomando YCombinator y la opinión del veterano Robert C. Martin, conocido como Uncle Bob. La fórmula que resume el argumento se atribuye a LangChain: agente igual a modelo más arnés.

Qué es un arnés de IA y por qué se presenta como el final del software​

El arnés (harness) es una capa de software e instrucciones que envuelve a un modelo de lenguaje para forzarlo a comportarse de forma predecible. La secuencia es conocida: el prompt engineering dominó entre 2022 y 2024, cuando bastaba con redactar mejores instrucciones; el context engineering tomó el relevo en 2025; y a comienzos de 2026 llegó el arnés. El diagnóstico de partida es incómodo, porque un prompt es una sugerencia que el modelo puede ignorar, y sobre esa fragilidad se levanta toda una industria.

Su aplicación comercial se explica en dos frases. Se toma un modelo generalista —se cita como ejemplo ChatGPT Astra— y se le añaden capas, ficheros de contexto y reglas hasta convertirlo en un especialista: un arnés de dominio del derecho, otro de medicina, otro de historia del deporte. Lo que se vende no es el modelo, sino el envoltorio.

El talón de Aquiles: un sistema estadístico que alucina​

El motor de todo esto no es determinista. Devuelve verdades estadísticas, no verdades racionales, y eso obliga a construir capas de control. Con instrucciones precisas y revisiones funciona; sin ellas, el resultado es un amasijo de código que hay que rehacer. La comparación que se repite es la de una máquina tragaperras: acierta a menudo y falla sin avisar.

Hay dos cuellos de botella que la literatura de producto suele saltarse. El primero es la ventana de contexto: si el proyecto es algo más que un formulario, las instrucciones se acumulan y el modelo pierde precisión. El segundo es la recuperación de información (RAG), vendida como solución mágica cuando depende de que el buscador interno traiga el fragmento correcto; si no lo trae, el modelo no lo verá. De ahí que buena parte del sector sostenga que la herramienta solo rinde con supervisión cercana y agentes muy especializados.

Despedir programadores y descubrir que auditar el código cuesta más​

El argumento económico incómodo aparece al mirar la factura. Varias empresas que delegaron el desarrollo en modelos de IA estarían ahora contra las cuerdas: el código generado contiene errores, hay que revisarlo línea a línea y el volumen producido multiplica el que se escribía antes. La revisión no la hace cualquiera y el coste de auditar superaría al del trabajo ahorrado. Se sostiene además, sin confirmación oficial, que algunas distribuciones de Linux han cerrado sus repositorios al código generado por IA.

Aquí asoma la contradicción de fondo. En una empresa de software no solo cuenta la capacidad de quien escribe código, sino su conocimiento de la arquitectura, los procedimientos y el histórico del sistema. Ese activo no se sustituye con un arnés.

El «sovereign AI stack»: comprarse las GPUs para no depender de nadie​

No todo es humo. Latham & Watkins, la segunda firma de abogados de Estados Unidos por ingresos, ha comprado servidores con GPUs de Nvidia para montar sistemas de IA en su propia infraestructura, según publicó el Financial Times. El concepto acuñado es sovereign AI stack: modelo de pesos abiertos, conjunto de datos propietario e infraestructura propia.

Conviene medir las palabras. Afinar un modelo con datos propios es caro, exige personal especializado y muchos evaluadores humanos. Y no todo lo que se llama entrenamiento lo es. La técnica más habitual, el ajuste de bajo rango, mejora el comportamiento de un modelo existente, pero no lo reinventa: se adiestra al perro, y sigue siendo un perro.

La barrera que la IA no derriba: vender​

Multiplicar por veinte la capacidad de producción técnica choca con un muro que no es tecnológico. Quien ya no necesita programadores descubre que sigue necesitando clientes. Y vender es la parte cara: sin la venta, los mil pases previos no valen nada. El marketing se recicla hacia un terreno nuevo, conseguir que sea la propia IA la que recomiende un producto. La gente ya pregunta a los asistentes qué comprar, y eso abre una disciplina —optimización para modelos generativos— que consiste en persuadir al intermediario en lugar de al consumidor.

Tejedoras, hilanderas y picateclas: el precedente que incomoda​

El paralelismo histórico se repite: la mecanización arrasó con las tejedoras y las hilanderas y nadie volvió a echarlas de menos como categoría laboral. Trasladado al presente, el oficio de picar teclas quedaría reducido a la programación de sistemas críticos y muy específicos. Quien piense vivir toda su carrera escribiendo código de aplicación estaría firmando su propio despido.

Y ahí se atasca el análisis. Si la IA sustituye con soltura lo que persuade y se atraganta con lo que tiene que funcionar; si abarata escribir código y encarece verificarlo; si nadie ha comparado el coste de auditar con el sueldo del programador al que se despide, la esquela del software llega, como mínimo, precipitada. Falta la factura completa.