“If your factory is so automated that you don’t need people there, you can turn the lights off. The machines can operate in complete darkness.”

(Si tu fábrica está tan automatizada que no necesitas gente ahí, puedes apagar las luces. Las máquinas operan en completa oscuridad.)

Eso lo dijo Simon Willison esta semana en una entrevista con Business Insider. Willison co-creó Django — el framework web detrás de Instagram, Pinterest y miles de plataformas más. No es un analista haciendo predicciones desde un escenario. Es alguien que escribe código todos los días y describe lo que ve.

Lo que ve es una planta de producción que se vacía.

La reacción natural es miedo. Si las máquinas operan a oscuras, la gente sobra. Ese fue el titular de la semana. Pero la misma semana que Willison describió la dark factory, Marc Andreessen compartió un dato que rompe esa narrativa por la mitad.

67,000 puestos de ingeniería y subiendo

Según datos de TrueUp reportados por Business Insider, hay más de 67,000 vacantes abiertas de ingeniería de software en Estados Unidos. Es el número más alto en tres años. Se duplicaron desde el valle de mediados de 2023.

Las publicaciones de puestos de ingeniería subieron un 11% interanual. El mercado laboral general está plano.

Resulta que la misma industria donde las máquinas supuestamente reemplazan a los humanos está contratando al doble que hace dos años.

La contradicción entre fábricas que se vacían y contrataciones que se disparan se explica con un concepto económico del siglo XIX que la mayoría de la gente en tecnología nunca estudió.

El carbón que no dejó de arder

En 1865, el economista William Stanley Jevons publicó “The Coal Question.” Su argumento era simple: las máquinas de vapor de James Watt habían hecho que el carbón fuera mucho más eficiente de usar. La lógica decía que el consumo debería bajar — después de todo, necesitabas menos carbón para producir la misma energía.

Pasó lo contrario. La producción de carbón en Inglaterra subió durante otro siglo.

¿Por qué? Porque cuando el carbón se volvió más eficiente, aparecieron usos que antes no eran viables. Fábricas que no podían costear vapor ahora sí podían. Industrias enteras que no existían — ferrocarriles, bombeo de agua a escala industrial, calefacción centralizada — nacieron porque el costo por unidad de energía cayó lo suficiente.

La eficiencia no redujo el consumo. Lo detonó.

Eso es la Paradoja de Jevons. Y es exactamente lo que está pasando con el software.

Cuando el costo de construir una aplicación baja de $500,000 a $50,000 — o de $50,000 a $5,000 — cada empresa que antes no podía justificar software personalizado ahora sí puede. La clínica dental que operaba con Excel. El distribuidor industrial que gestionaba inventario en WhatsApp. La cadena de restaurantes que dependía de un sistema de punto de venta de 2014 sin API.

Esos negocios no estaban en el mercado de software personalizado. Ahora sí — y son millones. El mercado total de desarrollo de software no se redujo con la automatización; se multiplicó porque el umbral de entrada bajó a un punto donde casi cualquier empresa puede justificar la inversión.

Lo que cambió no es cuántos, sino dónde

Aakash Gupta lo articuló bien al comentar los datos de Andreessen: los roles de implementación pura — traducir lógica en sintaxis, ensamblar código a partir de specs — están cayendo. Pero los arquitectos de sistemas, los integradores de IA y los ingenieros de producto tienen más demanda que nunca.

Lo que la automatización hizo no fue eliminar empleos de ingeniería sino reubicarlos. El trabajo de picar código se abarató tanto que dejó de ser la habilidad escasa. Lo que no se automatizó — y esto llevo viéndolo en cada ciclo tecnológico de los últimos 35 años — es decidir qué construir, para quién, con qué restricciones, y verificar que el resultado sirva. La demanda por ese tipo de criterio crece en proporción directa al volumen de código que la IA produce, porque más código barato genera más decisiones sobre qué hacer con él.

Pasó algo parecido con la imprenta. La impresora offset eliminó a los tipógrafos que componían libros letra por letra, pero creó demanda masiva de editores, diseñadores gráficos y directores editoriales. La máquina se quedó con la parte mecánica y el trabajo humano migró hacia arriba.

Mi momento Jevons

Conozco este patrón de primera mano, no por haberlo leído.

A los 15 años cofundé Word Magic Software con mi padre — un software de traducción y diccionarios que fue exitoso por años. De DOS a Windows, de Windows a apps que Apple destacó a nivel mundial. La “fábrica” era traducción palabra por palabra: diccionarios compilados a mano, reglas gramaticales codificadas una por una, interfaces diseñadas para que un humano buscara términos en una pantalla.

Después llegó Google Translate. Y la fábrica se apagó.

Nuestro producto — y el de todos los competidores en el nicho — dejó de tener sentido económico. ¿Para qué compras un diccionario de escritorio si el traductor es gratis y está en el navegador? La planta de traducción manual se vació.

Pero la demanda de traducción no bajó. Se disparó.

Cuando traducir texto pasó de costar centavos por palabra a ser casi gratis, todo el mundo empezó a traducir todo. Cada app necesitaba 15 idiomas. Cada sitio web quería versión local. Cada producto SaaS necesitaba localización completa para entrar a nuevos mercados. El volumen global de texto traducido creció más en una década que en el siglo anterior.

Fue la paradoja de Jevons en la vida real, jugándose en mi propia industria. La fábrica de traducción manual se apagó, pero la industria de la traducción creció más que nunca. Los trabajos dejaron de estar en la planta baja compilando diccionarios y subieron un nivel: decidir qué traducir, para qué mercado, con qué nivel de calidad, y revisar que la máquina no dijera barbaridades en un contrato legal o un manual médico.

Hoy veo el mismo patrón con el código. La fábrica de implementación se apaga. La demanda de software sube. Los empleos cambian de piso.

¿Planta baja o sala de control?

Si eres CTO o director de tecnología, la pregunta que importa no es “¿la IA va a reemplazar a mi equipo?”

Va a reemplazar parte de lo que tu equipo hace. La parte de planta baja — escribir implementación, traducir specs en código, resolver bugs de sintaxis. Eso se apaga. Willison ya lo confirmó desde la trinchera.

Pero la sala de control — decidir qué construir, diseñar la arquitectura, evaluar si el output sirve, mantener la coherencia del sistema cuando cuatro agentes trabajan en paralelo — esa sala nunca estuvo más llena. Y la demanda por esas habilidades está creciendo, como muestran los 67,000 puestos de TrueUp.

Las empresas que congelaron contrataciones porque “la IA reemplaza desarrolladores” están cometiendo el mismo error que las que dejaron de invertir en traducción cuando llegó Google Translate. Confundieron una fábrica vacía con una industria muerta. La industria está viva. Cambió de piso.

Las que contratan diferente — arquitectos, integradores, ingenieros de producto, gente con criterio para dirigir lo que la máquina produce — son las que van a capturar la demanda que Jevons predijo hace 161 años.

La pregunta correcta

La fábrica se apaga. Eso ya no se discute.

La pregunta es quién está en la sala de control cuando se apaga.

Si tus desarrolladores siguen atrapados en la planta baja ensamblando implementación que la IA ya produce más rápido y más barato, el problema no es que te sobre personal. El problema es que los tienes en el nivel equivocado.

Hacemos revisiones de composición de equipos de ingeniería para empresas en esa transición. El foco no es cuántos desarrolladores tienes, sino dónde están parados y si la distribución entre planta baja y sala de control refleja lo que viene. Escríbenos a contacto con una descripción de tu equipo actual y te mostramos el mapa.