Vibe coding: cuando programar consiste en pedir, probar y corregir

Hace no demasiado tiempo, crear una aplicación obligaba a aprender un lenguaje de programación, entender cómo funcionaban sus librerías y dedicar horas a convertir una idea en código. Hoy podemos describir lo que queremos con unas cuantas frases y dejar que una inteligencia artificial construya buena parte del proyecto, pruebe sus propios cambios e incluso corrija los errores que aparecen por el camino. Esa forma de trabajar ha popularizado un término que prácticamente no existía antes de 2025 y que ahora aparece constantemente cuando hablamos del futuro del desarrollo de software: vibe coding.

Conviene, sin embargo, establecer una diferencia desde el principio. Utilizar ChatGPT, Claude, Copilot o cualquier otra herramienta para generar una función, explicar un error o acelerar una tarea no significa necesariamente hacer vibe coding. El concepto nació para describir algo bastante más radical: indicar a la IA qué queremos conseguir, aceptar buena parte del código que produce y comprobar si el resultado funciona sin detenernos necesariamente a entender cada línea que ha escrito. El foco se desplaza así desde cómo está construido el programa hacia qué hace cuando lo ejecutamos.

Ahí reside tanto su enorme atractivo como buena parte de sus riesgos. El vibe coding puede convertir una idea en un prototipo funcional en cuestión de horas, permitir que personas sin experiencia desarrollen pequeñas herramientas y acelerar enormemente la experimentación de quienes sí saben programar. Pero un programa que aparentemente funciona también puede esconder errores, vulnerabilidades o decisiones técnicas difíciles de mantener. La cuestión es, por lo tanto, saber cuándo podemos permitirnos dejar de preocuparnos por el código que escribe.

Qué es realmente el vibe coding

El término vibe coding fue acuñado por Andrej Karpathy en febrero de 2025 para describir una forma de programar en la que la relación con el código pasa deliberadamente a un segundo plano. La idea consiste en explicar a un modelo qué queremos conseguir, aceptar los cambios que propone, ejecutar el resultado y devolverle los errores cuando algo falla, iterando hasta que la aplicación funciona como esperamos. En su formulación original, Karpathy llevaba esta lógica bastante lejos: hablaba de aceptar cambios sin revisar cada detalle y de llegar, literalmente, a olvidarse de que el código existe. No era tanto una nueva metodología formal como la descripción de una forma de trabajar que los nuevos modelos estaban haciendo posible.

Por eso, conviene no confundir el vibe coding con cualquier uso de inteligencia artificial durante el desarrollo. Un programador puede pedir a Copilot que complete una función, utilizar ChatGPT para encontrar un error o encargar a Claude que proponga una refactorización y seguir manteniendo el control completo sobre el código generado. En el vibe coding, en cambio, el lenguaje natural se convierte en la principal interfaz de desarrollo y el resultado visible pesa más que la implementación concreta. El usuario describe objetivos, observa qué ocurre, pide modificaciones y continúa avanzando aunque no conozca necesariamente cada decisión técnica tomada por el modelo.

Un ejemplo sencillo permite entenderlo mejor. Podemos pedir a una herramienta que cree una aplicación para registrar los videojuegos que terminamos, puntuarlos y consultar estadísticas por año. Cuando aparece una primera versión, quizá queramos añadir una portada a cada título, filtrar la biblioteca por plataforma o reducir el tamaño de un gráfico. En lugar de abrir los archivos correspondientes y modificar componentes, consultas o estilos manualmente, simplemente describimos cada cambio y dejamos que el agente decida cómo implementarlo. El proceso se parece así menos a escribir instrucciones para una máquina y más a dirigir el desarrollo mediante objetivos, pruebas y correcciones sucesivas.

Ese significado original se ha ampliado bastante desde 2025. Plataformas como Replit, Lovable, Bolt o v0 permiten ya crear interfaces, lógica de negocio, bases de datos e incluso desplegar aplicaciones siguiendo procesos guiados principalmente por lenguaje natural, mientras que herramientas como Cursor, Claude Code o GitHub Copilot llevan agentes similares a entornos utilizados por desarrolladores profesionales. Todas ellas pueden participar en flujos de vibe coding, pero la frontera sigue siendo importante: lo que define el concepto no es qué herramienta utilizamos, sino cuánto delegamos en ella la implementación y cuánto dejamos de supervisar el código que produce.

Por qué ha proliferado tan rápido

El auge del vibe coding no se explica solo por una moda terminológica, sino por un cambio real en las capacidades de los modelos y en las herramientas construidas alrededor de ellos. Hace unos años, un asistente de programación podía completar líneas, sugerir funciones o explicar errores concretos. Los agentes actuales pueden leer proyectos completos, modificar varios archivos, ejecutar comandos, interpretar mensajes de error, lanzar pruebas y volver a corregir su propio trabajo. Esa evolución reduce enormemente la distancia entre una instrucción en lenguaje natural y un resultado funcional, que es precisamente el terreno en el que el vibe coding encuentra más espacio para crecer.

Al mismo tiempo, ha aparecido una nueva generación de plataformas diseñadas para llevar esa experiencia más allá del entorno tradicional de desarrollo. Replit, Lovable, Bolt o v0 permiten describir una aplicación, generar una primera versión y continuar refinándola mediante conversación, incorporando desde interfaz y lógica hasta bases de datos o despliegue. El cambio importante no está únicamente en que la IA escriba más código, sino en que cada vez hace falta intervenir menos directamente sobre él para obtener un resultado visible. Eso ha abierto la creación de software a perfiles que antes difícilmente habrían iniciado un proyecto por su cuenta y ha permitido que una idea pase de una descripción a algo utilizable en mucho menos tiempo.

La velocidad de adopción explica también por qué el término se ha extendido mucho más allá de su significado original. Collins eligió vibe coding como palabra del año 2025, mientras que las herramientas de programación con IA se han convertido ya en parte habitual del trabajo de una gran cantidad de desarrolladores. Sin embargo, ambas cosas no son exactamente equivalentes. Una cosa es utilizar agentes para acelerar tareas concretas y otra muy distinta delegar prácticamente toda la implementación y validar el resultado únicamente porque parece funcionar. La programación asistida por IA se está normalizando mucho más rápido que el vibe coding puro, y esa diferencia será especialmente importante cuando pasemos de experimentar a construir software que deba mantenerse en producción.

Cuándo funciona especialmente bien

El vibe coding resulta especialmente útil cuando equivocarse sale barato y experimentar rápido aporta mucho valor. Un prototipo, una prueba de concepto o una pequeña herramienta interna no necesitan necesariamente la misma solidez que una aplicación bancaria o un sistema que vaya a mantenerse durante años. En esos escenarios, poder describir una idea, obtener una primera versión funcional y corregirla sobre la marcha permite comprobar en muy poco tiempo si merece la pena seguir desarrollándola.

También puede ser una opción muy interesante para resolver necesidades personales o muy concretas. Una aplicación sencilla para organizar gastos, clasificar una colección, visualizar datos, gestionar un torneo entre amigos o automatizar una tarea repetitiva quizá nunca habría justificado el tiempo necesario para aprender un framework, diseñar una base de datos y construir toda la interfaz desde cero. Con vibe coding, esas pequeñas necesidades pasan a estar al alcance de personas que no se consideran desarrolladoras, siempre que entiendan las limitaciones del resultado y no conviertan sin más ese prototipo en un servicio crítico.

Para quienes sí saben programar, el valor puede ser incluso mayor porque la velocidad se combina con capacidad de supervisión. Un desarrollador puede utilizar vibe coding para levantar rápidamente una interfaz, probar una arquitectura, generar boilerplate, preparar una demo o explorar varias soluciones antes de comprometerse con una de ellas. En esos casos, la IA funciona como una herramienta de experimentación extremadamente rápida, mientras que el conocimiento técnico permite reconocer cuándo una solución empieza a acumular deuda, problemas de rendimiento o decisiones difíciles de mantener.

Por eso, el mejor terreno para el vibe coding suele estar en las primeras fases de un proyecto, cuando todavía estamos intentando responder a preguntas básicas: si una idea funciona, si una interfaz tiene sentido, si una automatización realmente ahorra tiempo o si merece la pena invertir más recursos. Cuando el objetivo es aprender, validar o explorar, la velocidad pesa mucho. Cuando el software empieza a tener usuarios reales, datos sensibles o consecuencias importantes, esa misma velocidad deja de ser la única prioridad.

Cuándo no deberías hacer vibe coding

El problema aparece cuando el software deja de ser una prueba y empieza a asumir responsabilidades reales. Autenticación, pagos, tratamiento de información sensible, infraestructura, sistemas empresariales críticos o aplicaciones reguladas son terrenos donde aceptar código porque «parece funcionar» puede resultar especialmente peligroso. En estos casos no basta con comprobar que una pantalla carga o que una función devuelve el resultado esperado: también hay que entender cómo se gestionan los permisos, qué ocurre ante entradas inesperadas, cómo se protegen los datos y qué consecuencias tendría un fallo difícil de detectar.

La seguridad es probablemente el ejemplo más claro de esa diferencia entre funcionamiento y calidad. Un estudio reciente evaluó distintos agentes de programación sobre 186 tareas extraídas de proyectos reales. En una de las configuraciones analizadas, SWE-Agent con Claude 4 Sonnet consiguió resolver correctamente el 57% de las tareas, pero solo el 11,8% de sus soluciones cumplía también los criterios de seguridad. Eso no significa que el código generado por IA sea inseguro por definición, pero sí recuerda algo importante: que una aplicación haga lo que esperamos no demuestra que esté bien construida por dentro. Vulnerabilidades, validaciones incompletas o secretos expuestos pueden permanecer ocultos durante bastante tiempo sin afectar al comportamiento visible.

También existen riesgos menos espectaculares, pero muy relevantes cuando un proyecto crece. Un agente puede resolver cada problema inmediato de una manera razonable y, aun así, terminar creando una arquitectura difícil de mantener, duplicando lógica, introduciendo dependencias innecesarias o aplicando soluciones provisionales que acaban convirtiéndose en permanentes. A medida que aumenta el tamaño de la base de código, resulta más difícil detectar esas decisiones si nadie entiende realmente cómo se ha construido el conjunto. El coste que ahorramos al principio puede reaparecer después convertido en deuda técnica, errores difíciles de reproducir o cambios que rompen partes aparentemente desconectadas.

Por eso, la frontera práctica puede resumirse bastante bien en una pregunta: ¿podemos permitirnos no entender lo que la IA acaba de construir? Si la respuesta es sí porque hablamos de una demo, una herramienta personal o un experimento desechable, el vibe coding puede ser extraordinariamente eficaz. Si el software gestiona usuarios, dinero, información crítica o procesos que deben mantenerse durante años, la revisión humana, las pruebas, la arquitectura y la seguridad dejan de ser opcionales. Cuanto mayor sea el coste de equivocarse, menos sentido tiene confiar únicamente en que el resultado «tiene buena pinta».

Vibe coding no elimina la programación, cambia dónde está el trabajo

Uno de los errores más frecuentes al hablar de vibe coding consiste en plantearlo como una sustitución directa de la programación tradicional. En realidad, el cambio esta menos en eliminar el trabajo técnico que en desplazarlo hacia otras fases del proceso. Escribir cada función manualmente puede ocupar menos tiempo, pero ganan peso otras tareas: definir bien qué queremos construir, dividir el problema, comprobar si el resultado responde realmente al objetivo, revisar decisiones importantes y detectar cuándo una solución aparentemente válida empieza a acumular problemas. Cuanto más capaz es la IA de producir código, más importante resulta saber qué pedirle y, sobre todo, reconocer cuándo no deberíamos aceptar lo que propone.

Ese desplazamiento explica también por qué medir la productividad de estas herramientas resulta muchísimo más complicado de lo que parece y, por ende, de lo que escuchamos mucho estos últimos tiempos. Generar más líneas de código o completar una funcionalidad en menos tiempo no significa necesariamente terminar antes un proyecto. La revisión, las correcciones, las pruebas y el mantenimiento posterior siguen formando parte del desarrollo, y pueden llegar a absorber buena parte del tiempo ganado durante la generación inicial. Los resultados disponibles hasta ahora muestran además diferencias importantes según el contexto: las ventajas suelen resultar especialmente visibles en proyectos nuevos o tareas bien delimitadas, mientras que trabajar sobre bases de código maduras, con muchas dependencias y decisiones acumuladas, puede exigir mucha más supervisión.

Para los desarrolladores, eso no convierte al vibe coding en una amenaza irrelevante ni en una solución mágica, sino en una herramienta que cambia qué habilidades aportan más valor. Entender arquitectura, seguridad, rendimiento, datos o experiencia de usuario puede convertirse en algo todavía más importante cuando escribir la implementación básica deja de ser el principal cuello de botella. Saber programar sigue permitiendo evaluar con mucha más precisión aquello que genera el modelo, pero también aparece espacio para perfiles que quizá nunca habrían creado software por sí mismos y que ahora pueden construir herramientas útiles combinando conocimiento de un problema concreto con la capacidad de describirlo bien.

El propio origen del término ofrece una buena pista sobre dónde está la frontera. Karpathy hablaba de «olvidarse de que el código existe» mientras describía proyectos experimentales y desechables de fin de semana, no la construcción de infraestructuras críticas. El vibe coding demuestra que ya no siempre es necesario saber programar para crear software, y esa es una transformación enorme por sí sola. Pero cuando ese software empieza a gestionar usuarios, dinero, información sensible o procesos que deben sobrevivir durante años, entender qué hay debajo vuelve a importar mucho. La IA puede reducir enormemente la distancia entre una idea y una aplicación funcional; lo que todavía no puede hacer es eliminar las consecuencias de una mala decisión técnica.