Una app para decidir cuándo regar, qué plantas revisar o cómo interpretar el estado de un jardín puede parecer un problema menor. Pero el experimento revela un cambio mayor: la inteligencia artificial generativa está pasando de responder preguntas a ejecutar tareas completas de desarrollo. Lo que antes requería una conversación con un programador, un prototipo en Figma y varias sesiones de código ahora puede empezar con una descripción en lenguaje natural.

En la prueba descrita por The Verge, un usuario pidió a Gemini crear una aplicación para ayudarle con un jardín deteriorado. Minutos después, el sistema mostró una ventana de previsualización con una app funcional. También apareció un aviso de error, con un botón para corregirlo automáticamente. Tras unos 233 segundos, Gemini informó que había resuelto el problema usando términos técnicos como bloqueos y condiciones de carrera. El usuario no necesitó entenderlos para avanzar.

Esa es precisamente la parte desconcertante. La IA no solo escribe fragmentos de código: actúa como un agente que plantea una hipótesis, construye una interfaz, detecta fallos y aplica correcciones. Para el público general, la experiencia se siente casi mágica. Para los equipos de ingeniería, en cambio, abre una pregunta incómoda: ¿cuánto control real tenemos sobre lo que la máquina acaba de producir?

La promesa es clara. Herramientas como Gemini, Cursor, GitHub Copilot Workspace o agentes similares reducen la fricción entre una idea y un producto mínimo viable. Un fundador puede validar una hipótesis sin contratar de inmediato a un equipo completo. Un diseñador puede convertir un flujo en prototipo ejecutable. Un periodista, profesor o pequeño comerciante puede automatizar procesos internos sin convertirse en desarrollador profesional.

Pero el entusiasmo debe ir acompañado de prudencia. Una app generada en minutos no es sinónimo de software robusto. Puede contener errores de seguridad, dependencias mal gestionadas, lógica incompleta o decisiones de arquitectura difíciles de mantener. Además, si el creador no entiende el código, queda dependiente de la misma IA para modificarlo, auditarlo o repararlo cuando falle. La barrera de entrada baja, pero la barrera de responsabilidad sigue ahí.

Para los profesionales tech, el impacto no será necesariamente la desaparición del desarrollador, sino un cambio de rol. Escribir código seguirá importando, pero cada vez más valor estará en formular requisitos, revisar salidas, diseñar sistemas, asegurar datos, validar rendimiento y tomar decisiones de producto. La IA puede acelerar la construcción, pero no elimina la necesidad de criterio técnico.

El caso del jardín también ilustra un patrón más amplio: la IA se vuelve útil cuando aterriza en problemas concretos. No se trata solo de pedirle que escriba una web genérica, sino de resolver una necesidad real, aunque sea doméstica. Ahí aparece el potencial de los agentes de software: traducir contextos cotidianos en aplicaciones específicas, rápidas y personalizables.

Lo que importa ahora es cómo se gobierna ese poder. Las empresas deberán definir políticas sobre qué puede generar IA, qué debe pasar por revisión humana y cómo se almacenan los datos de los usuarios. Los desarrolladores tendrán que aprender a auditar código asistido por máquinas. Y los usuarios finales deberán entender que una app creada en segundos puede ser útil, pero también frágil.

La próxima ola de IA no será solo conversacional, será operativa. Ya no pediremos únicamente explicaciones, resúmenes o imágenes: pediremos resultados. Y cuando una IA pueda construir, probar y corregir una aplicación mientras alguien mira una barra de progreso, la pregunta deja de ser si esto cambiará el desarrollo de software. La pregunta es qué tan rápido aprenderemos a confiar en él sin entregarle el volante por completo.