En Sequoia's AI Ascent 2026, Andrej Karpathy — cofundador de OpenAI, exdirector de IA de Tesla y fundador de Eureka Labs — abrió con una admisión sorprendente: nunca se ha sentido más rezagado como programador. No porque haya perdido sus habilidades, sino porque las herramientas de codificación impulsadas por IA están cambiando lo que significa programar más rápido de lo que nadie puede seguirle el paso.
Karpathy presentó un marco de tres fases para entender este cambio: vibe coding, agentic engineering y Software 3.0. Es el modelo mental más claro que alguien ha ofrecido sobre hacia dónde se dirige el desarrollo de software —y qué habilidades importarán más.
Idea clave
Vibe coding permite que cualquiera construya con prompts. Agentic engineering permite que los profesionales construyan con agentes de IA manteniendo la calidad. Software 3.0 es cuando las redes neuronales se convierten en la capa de programación misma. Actualmente estamos pasando de la fase 1 a la fase 2.
¿Qué es vibe coding?
Vibe coding es el término de Karpathy para la fase actual en la que cualquiera —técnico o no— puede construir software describiendo lo que quiere en lenguaje natural. Le dices a una IA "construye una página de aterrizaje con una sección hero, tabla de precios y formulario de registro" y genera código funcional.
Vibe coding elevó el piso. Un gerente de producto ahora puede prototipar una app. Un diseñador puede crear un sitio web funcional. Un estudiante puede hacer una herramienta que resuelva un problema real. La barrera para construir bajó de "años de experiencia en codificación" a "capacidad para describir lo que quieres".
Herramientas que habilitan vibe coding: Cursor, Bolt, v0, Replit, y en cierta medida ChatGPT y Claude con generación de código.
La limitación: Vibe coding produce código que funciona, pero a menudo con fallos de diseño sutiles. El ejemplo de Karpathy: una app generada por IA que emparejaba pagos de Stripe con cuentas de Google a través de direcciones de email en lugar de IDs de usuario persistentes. El código se ejecutaba bien. La arquitectura estaba mal. Un desarrollador junior no lo notaría. Un desarrollador experimentado lo detectaría de inmediato.
Esto es lo que Karpathy llama "jagged intelligence" — la capacidad de la IA no se distribuye de manera uniforme. Los modelos destacan en áreas con datos de entrenamiento, recompensas y bucles de verificación, y fallan de forma impredecible en otras.
¿Qué es agentic engineering?
Agentic engineering es la siguiente fase — usar agentes de IA para desarrollo de calidad profesional manteniendo supervisión humana sobre arquitectura, decisiones de diseño y estándares de calidad.
Donde vibe coding es "describe lo que quieres y acepta lo que la IA te da", agentic engineering es "usa agentes de IA para ejecutar mientras tú diriges, revisas y corriges el rumbo". El rol humano pasa de escribir código a revisarlo, de implementar a arquitectar, de codificar a ingeniería.
Herramientas que habilitan agentic engineering: Claude Code, OpenAI Codex, Hermes Agent y el modo agente de Cursor. Estas herramientas no solo generan código —planifican tareas de múltiples pasos, las ejecutan, prueban los resultados e iteran.
| Aspecto | Vibe Coding | Agentic Engineering |
|---|---|---|
| Quién lo hace | Cualquiera — no requiere codificación | Desarrolladores con juicio de ingeniería |
| Rol de la IA | Genera código desde descripciones | Ejecuta planes de múltiples pasos de forma autónoma |
| Rol humano | Describe lo que quieres | Dirige, revisa, corrige el rumbo |
| Calidad de salida | Funciona, pero puede tener fallos de diseño | Lista para producción con supervisión |
| Habilidad clave | Habilidad para prompts | Gusto, juicio, conocimiento de arquitectura |
| Verificación | ¿Se ejecuta? | ¿Es correcto, seguro, mantenible? |
¿Qué es Software 3.0?
El concepto más grande de Karpathy. Su marco para la evolución del software:
Software 1.0: Los humanos escriben cada línea de código. Instrucciones explícitas. Comportamiento determinista. Esta es la programación tradicional.
Software 2.0: Las redes neuronales aprenden de datos. En lugar de escribir reglas, proporcionas ejemplos y el modelo aprende los patrones. Visión por computadora, reconocimiento de voz, sistemas de recomendación. Karpathy acuñó este término en 2017.
Software 3.0: Los grandes modelos de lenguaje se convierten en una capa programable. En lugar de especificar cada instrucción, los desarrolladores describen objetivos, restricciones y contexto. El modelo interpreta y ejecuta. La interfaz es lenguaje natural. El programa es el prompt.
En Software 3.0, el LLM es tanto el runtime como el lenguaje de programación. No escribes código que llama a un LLM — el LLM ES el código. El prompt ES el programa. Y el trabajo del desarrollador es diseñar el prompt, curar el contexto y verificar la salida.
Por esto context engineering se está convirtiendo en la habilidad más importante en IA. Si el prompt es el programa, entonces el contexto que lo rodea determina el comportamiento del programa. Gestionar ese contexto es la nueva forma de ingeniería de software.
---📬 ¿Estás obteniendo valor de esto? Publicamos semanalmente sobre las habilidades que importan en IA. Recíbelo en tu bandeja →
---¿Por qué importa más el gusto que la sintaxis ahora?
La línea más citable de Karpathy de la charla: "Puedes externalizar el pensamiento. No puedes externalizar la comprensión."
Los agentes de IA pueden escribir código, generar borradores, llamar herramientas y ejecutar tareas. Pero no pueden decirte si el resultado es bueno. Eso requiere juicio — la capacidad de reconocer cuándo algo es técnicamente correcto pero arquitectónicamente malo, cuándo el código se ejecuta pero no escala, cuándo una función funciona pero crea una vulnerabilidad de seguridad.
Karpathy llama a esto "taste". Es la capacidad de mirar una salida generada por IA y saber si está bien. No solo "¿compila?" sino "¿lo construiría así un ingeniero experimentado?"
La implicación práctica: los desarrolladores que entienden los fundamentos en profundidad prosperarán. Los desarrolladores que solo conocen codificación superficial lucharán, porque la IA hace codificación superficial mejor que ellos. El valor sube en la pila — de implementación a arquitectura, de sintaxis a juicio, de escribir código a evaluar código.
¿Qué significa "jagged intelligence"?
Este es el término de Karpathy para la distribución desigual de capacidades de la IA. Los modelos pueden desempeñarse extraordinariamente bien en algunas tareas mientras fallan de forma inesperada en otras. La inteligencia no es suave — es jagged.
Idea clave: la IA automatiza lo que se puede verificar. Tareas con bucles de retroalimentación claros — ¿pasa el código las pruebas? ¿cuadra la matemática? ¿coincide la salida con el formato esperado? — son donde la IA destaca. Tareas que requieren juicio en situaciones ambiguas — ¿es esta la arquitectura correcta? ¿es esta experiencia de usuario intuitiva? ¿tiene sentido esta estrategia? — son donde la IA aún lucha.
Para desarrolladores, esto significa: cuanto más medible sea la salida, más útiles se vuelven las herramientas de IA. Codificación, pruebas, análisis de datos y creación de contenido estructurado son altamente automatizables. Diseño de productos, arquitectura de sistemas y toma de decisiones estratégicas aún requieren juicio humano.
¿Qué habilidades necesitas para agentic engineering?
Basado en el marco de Karpathy, las habilidades que más importan en la era de agentic engineering:
1. Comprensión profunda de fundamentos. Cuando la IA mejora, la tentación es aprender menos. Karpathy argumenta lo contrario. La comprensión se convierte en el cuello de botella. Necesitas suficiente profundidad para dirigir el sistema, saber qué preguntar, qué inspeccionar, qué rechazar.
2. Diseño y arquitectura de sistemas. La IA escribe funciones. Tú diseñas sistemas. Entender cómo interactúan los componentes, dónde están los puntos de fallo y cómo construir para escalar se convierte en la habilidad central del desarrollador.
3. Verificación y revisión. La capacidad de leer código generado por IA de forma crítica — no solo "¿funciona?" sino "¿es el enfoque correcto?". Esto requiere el mismo conocimiento profundo que te permite escribir código, aplicado de forma diferente.
4. Prompt y context engineering. Si el prompt es el programa, escribir buenos prompts es programar. El ICCSSE framework (Identity, Context, Constraints, Steps, Specifics, Examples) se aplica directamente a agentic engineering — le das al agente una especificación clara, igual que escribirías un doc de diseño para un desarrollador humano.
5. Orquestación de herramientas. Saber qué herramienta de IA usar para qué tarea. Claude Code para escribir funciones, Cursor para editar, Hermes Agent para automatización, Copilot para sugerencias. Los mejores ingenieros combinan múltiples herramientas, no dependen de una.
Para afinar tus prompts para herramientas de codificación con IA, prueba el gratuito Prompt Optimizer — aplica marcos estructurados a cualquier prompt. Y para una guía práctica de las mejores herramientas de codificación con IA disponibles ahora, ve nuestra comparación Claude Code vs Codex.
---📬 ¿Quieres más como esto? Cubrimos las ideas que moldean cómo trabajan los practicantes de IA, semanalmente. Suscríbete gratis →
---Preguntas frecuentes
¿Está muerto vibe coding?
No. Vibe coding se queda — es el punto de entrada para no desarrolladores para construir software. Agentic engineering es la evolución profesional para quienes necesitan salida de calidad de producción. Ambos coexisten. Piensa en vibe coding como bocetar y agentic engineering como arquitectura.
¿Necesito aprender a codificar si la IA escribe código por mí?
Sí, pero de forma diferente. No necesitas memorizar sintaxis. Necesitas entender cómo funciona el software — estructuras de datos, diseño de sistemas, principios de seguridad, compensaciones de rendimiento. El conocimiento que te permite evaluar si el código generado por IA es correcto y apropiado.
¿Cuándo será mainstream Software 3.0?
Ya está ocurriendo en dominios estrechos — asistentes de codificación, generación de contenido, análisis de datos. Software 3.0 completo (donde la mayoría de las aplicaciones son nativas de LLM) está a 3-5 años basado en las trayectorias actuales. La transición será gradual, no repentina.
¿Cuál es la diferencia entre agentic engineering y usar ChatGPT para codificar?
ChatGPT genera fragmentos de código en respuesta a prompts. Agentic engineering usa agentes autónomos (Claude Code, Codex, Hermes) que planifican tareas de múltiples pasos, las ejecutan en tu codebase real, prueban los resultados e iteran — todo con mínima intervención humana. Es la diferencia entre pedir direcciones y contratar un conductor.
Divulgación: Algunos enlaces en este artículo son enlaces de afiliados. Solo recomendamos herramientas que hemos probado personalmente y usamos regularmente. Ve nuestra política de divulgación completa.