Autonomía y dependencia cognitiva en la programación asistida por IA

class: center, middle, inverse, title-slide

.title[
# Autonomía y dependencia cognitiva en la programación asistida por IA
]
.subtitle[
## <span style="font-size:0.65em; color: #999999;">TECNEX · UGR | 23/10/2025</span>
]
.author[
### Miguel Moreno
]

---

.subtitle {
    font-size: 0.65em;
  }
</style>

# Problema, objetivos y enfoque

> **Interés**: entender cómo cambia la forma de pensar y programar interaccionando con LLM  
> 
> **Cuestión clave**: ¿hasta qué punto delegar subtareas afecta al criterio técnico y modula el aprendizaje?    
>
> **Enfoque práctico**: analizar ejemplos de impacto cognitivo, metacognitivo y práctico de la programación asistida por IA
>
> **Utilidad**: sugerencias para mantener agencia cognitiva sin perder eficiencia (cuándo, cómo y para qué usar IA al programar)

<hr>

.center[

Caso práctico   
[CMS - MDHub](https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot)

Otros  
[Análisis de textos](https://sites.google.com/go.ugr.es/iadoc24/text-stats-prompt)  
[Web scraping](https://sites.google.com/go.ugr.es/iadoc24/link-summ)  
[Evaluación de riesgo](https://sites.google.com/go.ugr.es/iadoc24/hip-calc)  
[Herramienta de estudio](https://sites.google.com/go.ugr.es/iadoc24/asist-seudoc)  
[Gestor bibliográfico](https://sites.google.com/go.ugr.es/iadoc24/bib-tool2)  
]

---

## Artefactos y programación asistida por IA

Los <strong>artefactos</strong> son los objetos –físicos o digitales– que median nuestra interacción con el conocimiento y con otros agentes.

<ul class="espaciada">
<li><em>Contenedores de información</em>: documentos, infografías, simulaciones, repositorios de datos.</li>
<li><em>Herramientas de creación y remezcla</em>: editores de texto, entornos de codificación (desarrollo, depuración, versiones), plataformas de autoría.</li>
<li><em>Estímulos para la acción</em>: cuestionarios interactivos, laboratorios virtuales, apps móviles de aprendizaje.</li>
</ul>

→ Relación con la **noción de autonomía**: los artefactos permiten al usuario diseñar, probar y compartir su propio trayecto de aprendizaje.

> Esto incluye valoraciones sobre la utilidad de las herramientas utilizadas, modelos abiertos o propietarios, adaptación a necesidades específicas y trucos para superar obstáculos en subtareas y reducir la curva de aprendizaje.

???

## *Entornos de codificación*

- **Uso más restringido**: Se refiere específicamente al espacio o herramientas donde se escribe código fuente. Es más común en contextos educativos o introductorios.
- **Ejemplo típico**: Editores como VS Code, Sublime Text o incluso notebooks interactivos.
- **Limitación**: No incluye necesariamente herramientas de compilación, depuración, pruebas o gestión de versiones.

📌 En el documento, se menciona como parte de una tipología de artefactos digitales (correcto si el foco está en la escritura de código como actividad cognitiva).

## *Entornos de desarrollo y programación*

- **Uso más amplio y profesional**: Incluye todo el ecosistema técnico: IDEs, compiladores, depuradores, gestores de versiones, entornos de ejecución, etc.
- **Ejemplo típico**: Visual Studio, Eclipse, PyCharm.
- **Más preciso en contextos de ingeniería de software o proyectos complejos**.

📌 Preferible si estás hablando de procesos completos de creación, prueba y mantenimiento de software.

## 🧭 Recomendación

Dado que el documento trata sobre **artefactos cognitivos y mediación tecnológica**, *entornos de codificación* es adecuado si quieres destacar la dimensión **lingüística y simbólica** de la programación. Pero si el foco se amplía hacia la **autonomía técnica, integración de herramientas y flujo de trabajo**, entonces *entornos de desarrollo y programación* sería más preciso.

---

## Artefactos y entorno de aprendizaje

<div class="tabs">
  <div class="tab-buttons">
    <button onclick="showTab('contenedores')" class="active">Contenedores</button>
    <button onclick="showTab('creacion')">Creación y remezcla</button>
    <button onclick="showTab('incitacion')">Incitación</button>
  </div>

Los <b>contenedores de información</b> son artefactos que almacenan, organizan y presentan conocimiento de forma estructurada. Incluyen:    
    
    <ul class="espaciada">
      <li>Documentos académicos y técnicos</li>
      <li>Infografías y mapas conceptuales</li>
      <li>Simulaciones interactivas</li>
      <li>Repositorios de datos abiertos y código (GitHub, Zenodo)</li>
      <li>Archivos multimedia (audio, video, imagen)</li>
      <li>Bases de conocimiento colaborativas (wikis, glosarios, corpus)</li>
      <li>Plataformas de autoría académica estructurada y sistema de publicación reproducible (Quarto, Typst, Bookdown)</li> 
    </ul>
  </div>

Las <strong>herramientas de creación y remezcla</strong> permiten al usuario transformar, reinterpretar o generar contenido nuevo a partir de materiales existentes. Incluyen:

<ul class="espaciada">
      <li>Editores de texto enriquecido (Markdown, LaTeX)</li>
      <li>Entornos de codificación (RStudio, Jupyter, VS Code)</li>
      <li>Plataformas de despliegue y hosting automatizado (Netlify, Vercel, Render)</li>
      <li>Entornos de publicación continua y sincronización con repositorios (CI/CD con GitHub Actions, Travis CI)</li>
      <li>Plataformas de autoría digital (Canva, Notion, Quarto, Figma)</li>
      <li>Herramientas de edición multimedia (Audacity, OBS, Inkscape)</li>
      <li>Sistemas de gestión de contenidos y versiones (CMS, Drupal, GitHub Pages, Zenodo)</li>
      <li>Interfaces de remezcla y colaboración (Zotero, Hypothes.is)</li>
    </ul>
  </div>

Los <strong>estímulos para la acción</strong> son artefactos diseñados para provocar una respuesta cognitiva, emocional o práctica. Incluyen:

<ul class="espaciada">
      <li>Cuestionarios interactivos y autoevaluaciones</li>
      <li>Laboratorios virtuales y simuladores</li>
      <li>Apps móviles de aprendizaje personalizado</li>
      <li>Retos gamificados e itinerarios ABP</li>
      <li>Interfaces conversacionales (chatbots, tutores virtuales, GPTs)</li>
      <li>Sistemas de retroalimentación adaptativa</li>
    </ul>
  </div>
</div>

???

### 1. Un CMS (Content Management System) es una plataforma que permite gestionar contenido web de forma visual o semiautomática. Populares:

- WordPress: el más usado para blogs y sitios corporativos

- Drupal: potente para sitios complejos y comunidades

- Ghost: enfocado en publicaciones y newsletters

- Joomla: versátil y modular

Estas herramientas ofrecen editores visuales, plantillas, plugins y sistemas de permisos para que múltiples usuarios colaboren sin tocar el código fuente.

🔁 Gestión de versiones:

Permiten el control de los cambios realizados en el contenido o en el código, p.ej.:

- Ver el historial de ediciones  
- Revertir a versiones anteriores  
- Colaborar sin sobrescribir el trabajo de otros

🌐 GitHub Pages

GitHub Pages es una plataforma de publicación estática que permite desplegar sitios web directamente desde un repositorio de GitHub. Ideal para documentación técnica, portfolios, blogs en Markdown, presentaciones académicas.

Ventajas:

- Gratuito y sin servidor propio
- Compatible con Jekyll, Quarto, Hugo y otros generadores estáticos
- Se actualiza automáticamente al hacer push en el repositorio

🧩 Estos sistemas permiten crear contenido sin escribir HTML/CSS manualmente.

- Facilitan la colaboración entre autores  
- Automatizan el despliegue y actualización del sitio  
- Integran herramientas de SEO, seguridad y analítica  
- En el caso de GitHub Pages, permiten versionar el contenido como si fuera código

<hr>

### 2. Herramientas de CI/CD (Integración y Despliegue Continuos).

Travis CI se enfoca en cómo se siente y funciona la herramienta desde el punto de vista del desarrollador, no solo en lo que hace técnicamente. En lugar de ser una plataforma genérica para DevOps o empresas, Travis CI:

- Prioriza simplicidad y claridad en la configuración (.travis.yml)

- Evita interfaces complejas o sobrecargadas

- Ofrece una experiencia coherente desde el primer uso

“Developer-defined experience:

Este concepto implica que el desarrollador tiene control total sobre cómo se diseña, configura y mantiene el pipeline:

- Tú decides qué se construye, cómo se prueba, cuándo se despliega

- Puedes usar Travis desde CLI, API o interfaz web, según tu flujo

- No estás forzado a seguir modelos corporativos o “guardrails” impuestos por otros roles técnicos

<hr>

### 3. Render

Render es una plataforma de **despliegue y alojamiento en la nube** pensada para desarrolladores que buscan una experiencia fluida, potente y sin complicaciones. Su utilidad principal es permitir que cualquier persona —desde un estudiante hasta una startup— pueda **publicar aplicaciones web, APIs, bases de datos y servicios de backend** sin tener que gestionar servidores manualmente. Permite:

- **Despliegue automático desde Git**: basta con conectar tu repositorio y Render se encarga de construir y publicar tu app.
- **Hosting de sitios estáticos y dinámicos**: compatible con frameworks como React, Next.js, Flask, Django, etc.
- **Bases de datos gestionadas**: Postgres y Redis con backups, escalado y seguridad integrada.
- **Entornos de prueba (preview environments)**: para validar cambios antes de hacerlos públicos.
- **Escalado automático**: ajusta recursos según la demanda, sin intervención manual.
- **Seguridad avanzada**: certificados TLS automáticos, protección DDoS, redes privadas.

Render está diseñado para:

| Perfil                     | Utilidad principal                                      |
|---------------------------|----------------------------------------------------------|
| 🧑‍💻 Desarrolladores individuales | Desplegar proyectos personales o portfolios sin fricción |
| 🚀 Startups y equipos pequeños   | Escalar apps sin contratar DevOps ni configurar servidores |
| 🏫 Educadores y estudiantes      | Probar prototipos, enseñar despliegue moderno, experimentar |
| 🧪 Equipos técnicos ágiles       | Integrar CI/CD, bases de datos y microservicios en un solo flujo |

En resumen, Render combina la **simplicidad de plataformas como Netlify** con la **potencia de servicios como Heroku o AWS**, pero con una interfaz más moderna y una curva de aprendizaje más amable. Es ideal para quienes quieren centrarse en **crear y lanzar**, no en configurar infraestructura.

<hr>

## **Obsidian**, **Joplin** y **Zettlr** pueden entrar en la categoría de **plataformas de autoría digital**, aunque con un enfoque distinto al de Canva, Notion o Figma.

### 🧩 Tienen en común que todas estas herramientas permiten **crear, estructurar y gestionar contenido digital**, pero difieren en el tipo de contenido y en el estilo de interacción:

| Herramienta     | Tipo de autoría principal                  | Enfoque dominante                  |
|-----------------|--------------------------------------------|------------------------------------|
| **Canva**       | Visual (diseño gráfico, presentaciones)    | Creatividad visual y comunicación |
| **Notion**      | Mixto (texto, bases de datos, tareas)      | Organización y colaboración       |
| **Figma**       | Visual (interfaces, prototipos)            | Diseño UI/UX colaborativo         |
| **Obsidian**    | Textual (Markdown, conocimiento personal)  | Escritura conectada y no lineal   |
| **Joplin**      | Textual (notas, tareas, Markdown)          | Escritura estructurada y privada  |
| **Zettlr**      | Académica (Markdown, bibliografía, LaTeX)  | Escritura científica y exportación|

### Son plataformas de autoría digital porque permiten:

- **Crear contenido original** (notas, artículos, informes)
- **Organizar y versionar** ese contenido
- **Exportar o publicar** en distintos formatos
- **Integrar recursos externos** (Zotero, imágenes, enlaces, etc.)

### 🧪 Diferencias:

- Canva, Notion y Figma están más orientadas a **entornos colaborativos y visuales**
- Obsidian, Joplin y Zettlr se centran en **autoría textual profunda**, ideal para investigadores, escritores y desarrolladores

Como marco conceptual, cabe distinguir entre:

- **Plataformas de autoría visual** (Canva, Figma)
- **Plataformas de autoría estructural** (Notion, Obsidian, Joplin)
- **Plataformas de autoría académica** (Zettlr, Quarto, Bookdown)

<hr>

---

## *Vibe Coding*

a) Andrej Karpathy (Feb. 2025): *Generar código funcional proporcionando descripciones en lenguaje natural a un LLM como asistente de programación*, en lugar de escribirlo manualmente.

b) Es la práctica de *codificar la atmósfera o la experiencia afectiva de un entorno digital*.

<ul class="espaciada">
<li><strong>Semiótica visual</strong>: sistemas tipográficos coherentes, paleta de colores calibrada psicológicamente, patrones de interacción que refuerzan affordances cognitivas y aportan cierta emoción o ritmo al proceso.</li>
<li><strong>Dinámicas temporales</strong>: arquitecturas de transición que preservan la continuidad atencional; retroalimentación dirigida a reforzar la sensación de fluidez y control.</li>
<li><strong>Bucles de refuerzo adaptativos</strong>: algoritmos de personalización que ajustan la intensidad del feedback según perfiles metacognitivos individuales, con alertas amables e indicadores de progreso motivadores.</li>
</ul>

→ <strong>Objetivo</strong>: alinear el “tono” de la interfaz con las expectativas y modelos mentales del usuario, maximizando la eficiencia cognitiva, la inmersión y la sensación de agencia.

???

## ¿Qué es el vibe coding?

El vibe coding es **una práctica emergente de desarrollo de software que usa Inteligencia Artificial (IA) para generar código funcional a partir de instrucciones de lenguaje natural**, lo que acelera el desarrollo y hace que la creación de apps sea más accesible, especialmente para quienes tienen poca experiencia en programación.

El término, acuñado por el investigador de IA </mark>Andrej Karpathy a principios del 2025</mark>, describe *un flujo de trabajo en el que el rol principal cambia de escribir código línea por línea a guiar a un asistente de IA para generar, definir mejor y depurar una aplicación a través de un proceso más conversacional*. Esto <mark>te permite pensar en el panorama general o en el objetivo principal de tu app, mientras que la IA se encarga de escribir el código real</mark>.

En la práctica, vibe coding se aplica generalmente de dos maneras principales:

1. Vibe coding "puro": En su forma más exploratoria, un usuario podría confiar plenamente en que los resultados de la IA funcionarán como se espera. Como lo describió Karpathy, esto es similar a "olvidar que el código existe", lo que lo hace más adecuado para la ideación rápida o lo que él llamó "proyectos de fin de semana desechables", en los que la velocidad es el objetivo principal.

2. Desarrollo asistido por IA responsable: Esta es la aplicación práctica y profesional del concepto. En este modelo, las herramientas de IA actúan como un poderoso colaborador o "programador en pareja". El usuario guía a la IA, pero luego revisa, prueba y comprende el código que genera, y asume la propiedad total del producto final.

[Probar Vibe Coding en AI Studio](https://cloud.google.com/discover/what-is-vibe-coding?hl=es_419)  
[Ejemplo de instrucciones](https://cloud.google.com/discover/what-is-vibe-coding?hl=es_419#how-to-vibe-code-with-google-ai-studio)

## Críticas

<a href="https://es.wikipedia.org/wiki/Vibe_coding" target="_blank">Karpathy</a> describe su enfoque como conversacional, utilizando comandos de voz mientras la IA genera el código real: «No es realmente programación; solo veo cosas, digo cosas, ejecuto cosas, copio y pego cosas, y en general funciona».

Karpathy admite que la programación de vibraciones tiene limitaciones, señalando que las herramientas de IA no siempre pueden corregir o comprender errores, lo que le obliga a experimentar con cambios no relacionados hasta que se resuelvan los problemas. No obstante, la técnica le parecía «bastante buena para proyectos improvisados de fin de semana» y «bastante divertida».

El concepto de vibe coding se basa en la afirmación de Karpathy de 2023 de que «el nuevo lenguaje de programación más popular es el inglés», lo que significa que las capacidades de los LLM eran tales que los humanos ya no necesitarían aprender lenguajes de programación específicos para controlar las computadoras.

Una parte clave de la definición de vibe coding es que el usuario acepta el código sin comprenderlo completamente. Las críticas son obvias:

- El investigador de IA **Simon Willison**: «Si un LLM escribió cada línea de tu código, pero tú lo revisaste, probaste y entendiste todo, eso no es codificación vibrante en mi libro; eso es usar un LLM como asistente de escritura».
 
[→ Wikipedia](https://es.wikipedia.org/wiki/Vibe_coding)

<hr>

Ejemplo 1 (2ª acepción):

![anodino1](test.png)   
![vibe1](vibe-test.png)

Ejemplo 2:

![anodino2](anodino2.jpg)  
![vibe2](vibe-cod1.jpg)

Ejemplo 3 (Interfaz RStudio):

![Night Owl theme](vibe-rstudio.jpg)

<hr>

## Evolución del término *vibe coding* en 2025 (*dos sentidos distintos pero complementarios*)

### A. Definición técnica

**Vibe coding** es un enfoque emergente de desarrollo de software en el que el programador **guía a un modelo de lenguaje (LLM)** mediante instrucciones en lenguaje natural para generar, depurar y ajustar código funcional. El término fue acuñado por **Andrej Karpathy** en febrero de 2025.

> “No es realmente programación; solo veo cosas, digo cosas, ejecuto cosas, copio y pego cosas, y en general funciona.” — Karpathy

Este paradigma transforma el rol del desarrollador: de escribir código línea por línea a <mark>**diseñar intenciones, validar resultados y modular el flujo de trabajo**</mark>. El foco se desplaza hacia la <mark>**visión funcional del producto**</mark>, mientras la IA se encarga de la implementación técnica.

### B. Significados complementarios

### 1. **Vibe coding como flujo de desarrollo asistido por IA**
- **Definición**: Método conversacional para crear software guiando a una IA con prompts, sin necesidad de dominar sintaxis o estructuras de programación.
- **Aplicaciones**: Prototipado rápido, apps personales, automatización de tareas, desarrollo low-code.
- **Ventajas**: Accesibilidad, velocidad, creatividad.
- **Riesgos**: Dependencia técnica, pérdida de comprensión estructural, errores difíciles de rastrear.

### 2. **Vibe coding como diseño afectivo de entornos digitales**
- **Definición**: Práctica de codificar la atmósfera emocional y cognitiva de una interfaz digital, mediante elementos visuales, temporales y adaptativos.
- **Componentes**:
  - *Semiótica visual*: tipografía, color, ritmo.
  - *Dinámicas temporales*: transiciones, fluidez.
  - *Bucles adaptativos*: feedback personalizado, motivación.
- **Objetivo**: Alinear el tono de la interfaz con los modelos mentales del usuario, maximizando inmersión y agencia cognitiva.

### C. Enfoque dual

> **Vibe coding** es un enfoque dual que combina:
> - El uso de modelos de lenguaje para generar código funcional a partir de instrucciones en lenguaje natural, redefiniendo el rol del programador como diseñador de intenciones.
> - La codificación de la atmósfera afectiva y cognitiva de una interfaz digital, mediante elementos visuales, temporales y adaptativos que refuerzan la experiencia del usuario.

Este doble sentido refleja tanto la **transformación técnica** del desarrollo asistido por IA como la **intencionalidad estética y emocional** del diseño digital contemporáneo, adaptado a las preferencias individuales y contexto de uso.

<hr>

---

#### Diferencia entre programación asistida por IA y métodos tradicionales

<table class="table table-striped table-hover table-condensed" style="font-size: 13px; color: black; width: auto !important; margin-left: auto; margin-right: auto;">
 <thead>
  <tr>
   <th style="text-align:left;"> Aspecto </th>
   <th style="text-align:left;"> Codificación.Vibe </th>
   <th style="text-align:left;"> Codificación.tradicional </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Interacción </td>
   <td style="text-align:left;"> Conversación natural con IA </td>
   <td style="text-align:left;"> Codificación manual línea por línea y familiaridad con los manuales de cada lenguaje de programación </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Experiencia necesaria </td>
   <td style="text-align:left;"> Se necesitan pocos conocimientos de codificación, lo que elimina barreras de entrada </td>
   <td style="text-align:left;"> Se requiere una sólida formación en programación, lo que excluye a gran parte del colectivo amateur </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Velocidad de desarrollo </td>
   <td style="text-align:left;"> Creación e iteración rápidas, con errores de prototipado e imperfecciones frecuentes </td>
   <td style="text-align:left;"> Más lento y metódico </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Enfoque </td>
   <td style="text-align:left;"> Ideas flexibles de lo que se quiere conseguir </td>
   <td style="text-align:left;"> Detalles de bajo nivel, sintaxis y estructura </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Accesibilidad </td>
   <td style="text-align:left;"> Abierto a muchos perfiles de usuario, incluso sin experiencia en codificación </td>
   <td style="text-align:left;"> Principalmente para desarrolladores con formación y experiencia </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Control y flexibilidad </td>
   <td style="text-align:left;"> Limitado a lo que la IA puede manejar, según preferencias subjetivas </td>
   <td style="text-align:left;"> Total control de cada línea de código y depuración manual de errores </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Depuración </td>
   <td style="text-align:left;"> La IA ayuda a corregir errores, pero puede ser menos fiable depurando código </td>
   <td style="text-align:left;"> Comprensión profunda de los problemas y tipo de solución requerida </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rol </td>
   <td style="text-align:left;"> Guía o verificador: perfecciona la secuencia de instrucciones mediante ensayo y error </td>
   <td style="text-align:left;"> Arquitecto y desarrollador con plena responsabilidad: sigue estándares y buenas prácticas de seguridad, mantenimiento, escalado y eficiencia </td>
  </tr>
</tbody>
</table>
<p style="font-size: 75%; color: gray;">→ <strong>Google Cloud (2025)</strong>: <em>¿Qué es el vibe coding?</em> <a href="https://cloud.google.com/discover/what-is-vibe-coding?hl=es_419#how-to-vibe-code-with-google-ai-studio" target="_blank">
      https://cloud.google.com/discover/what-is-vibe-coding?hl=es_419#how-to-vibe-code-with-google-ai-studio</a></p>

---

## Herramientas de codificación Vibe

<div class="card">
    <h2>Lovable</h2>
    Herramienta sin código o con poco código. Permite crear apps describiendo lo que quieres.  
    <a href="https://www.datacamp.com/es/tutorial/lovable-ai" target="_blank">Demostración</a>  
    <strong>LLM:</strong> GPT-4o (estimado)
  </div>

<div class="card">
    <h2>Replit</h2>
    Codificación en la nube con IA. Admite +50 lenguajes, despliegue instantáneo y colaboración en vivo.  
    <a href="https://www.datacamp.com/es/tutorial/replit-agent-ai-code-editor" target="_blank">Ejemplos</a>  
    <strong>LLM:</strong> Replit Code Model + GPT-4
  </div>

<div class="card">
    <h2>Cursor</h2>
    Editor inteligente basado en VS Code. Mejora tu código sin cambiar tu flujo habitual.  
    <a href="https://www.datacamp.com/es/tutorial/cursor-ai-code-editor" target="_blank">Guía</a>  
    <strong>LLM:</strong> GPT-4o, Claude 3.7 Sonnet
  </div>

<div class="card">
    <h2>Bolt</h2>
    Prototipado rápido de apps con IA. Genera backend, frontend y despliegue desde una descripción.  
    <a href="https://bolt.new/" target="_blank">Sitio oficial</a>  
    <strong>LLM:</strong> GPT-4 (estimado)
  </div>

<div class="card">
    <h2>Windsurf</h2>
    Plataforma avanzada con herramientas como Supercomplete y Cascade. Convierte capturas en código.  
    <a href="https://www.datacamp.com/es/tutorial/windsurf-ai-agentic-code-editor" target="_blank">Tutorial</a>  
    <strong>LLM:</strong> GPT-4o + modelos propietarios
  </div>
  
  <div class="card">
  <h2>La más popular: <b>Replit</b></h2>
  Facilidad de uso y colaboración en la nube la hacen ideal para contexto educativo.  
  <a href="https://clickup.com/es-ES/blog/479555/replit-frente-a-cursor" target="_blank">Replit vs Cursor</a>  
  <strong>LLM:</strong> Replit Code Model + GPT-4
</div>

</div>

<div class="footer">
      &nbsp;&nbsp;&nbsp;Gradación en la curva de aprendizaje:
  <div class="gradient-bar">
    Lovable → Replit → Cursor → Bolt → Windsurf
  </div>
</div>

???

**Cursor** es muy popular entre desarrolladores profesionales por su integración directa con VS Code y su capacidad de edición semántica a escala de proyecto. **Windsurf**, por su parte, es la más potente en términos de automatización y generación de flujos complejos. Pero...

### **Replit** destaca por razones distintas — y muy estratégicas

Replit se ha convertido en la herramienta más popular en su segmento por tres razones clave:

#### 1. **Accesibilidad total**
- Funciona 100% en navegador, sin instalación ni configuración.
- Compatible con más de 50 lenguajes.
- Ideal para usuarios sin entorno local de desarrollo.

#### 2. **Aprendizaje y prototipado**
- Su IA integrada (Ghostwriter) ofrece autocompletado, depuración y generación de documentación.
- Permite escribir código en lenguaje natural, lo que lo hace ideal para **principiantes, estudiantes y educadores**.
- Soporta despliegue instantáneo y colaboración en tiempo real.

#### 3. **Segmento educativo y maker**
- Replit se ha posicionado como el entorno ideal para:
  - 👩‍🏫 Docentes que enseñan programación básica
  - 🧑‍🎓 Estudiantes que hacen sus primeros proyectos
  - 🛠️ Makers que prototipan ideas sin preocuparse por DevOps

### 🔍 Comparativa rápida

| Herramienta | Popularidad | Potencia técnica | Segmento ideal |
|-------------|-------------|------------------|----------------|
| **Replit**  | Alta        | Media            | Educación, prototipado, principiantes |
| **Cursor**  | Alta (entre devs) | Alta | Profesionales, flujo VS Code |
| **Windsurf**| Media (emergente) | Muy alta | Equipos técnicos, automatización avanzada |

En resumen: **Replit no es la más potente**, pero sí la más **amigable, ubicua y pedagógica**. Su curva de entrada es casi nula, lo que la convierte en la puerta de entrada ideal para quienes aún no dominan el ecosistema técnico.

<hr>

---

## Soberanía metacognitiva

*Capacidad del individuo para autorregular y dirigir conscientemente sus procesos de pensamiento y aprendizaje*. Incluye:

<ul class="espaciada">
<li><em>Planificar estrategias</em>: elegir qué heurísticas, técnicas de estudio o protocolos de investigación aplicar según el contexto epistémico.</li>
<li><em>Monitorización cognitiva</em>: evaluar la coherencia conceptual y detección de anomalías mediante mecanismos de autodiagnóstico, contraste de fuentes o prueba práctica. <sup style="color:#555;"><a href="https://tonsky.me/blog/gaslight-driven-development/" style="text-decoration:none; color:#555; target="_blank">[Caso]</a></sup></li>
<li><em>Ajustar el rumbo</em>: rediseñar objetivos, cambiar recursos y buscar herramientas alternativas, profundizar en un tema según el propio diagnóstico o activando redes de ayuda y soporte colaborativo.</li>
</ul>

> Resultado de procesos que refuerzan el *papel activo del sujeto* de aprendizaje, sin bloquearle en microtareas o ante itinerarios de mayor dificultad.

> → *Superar la dependencia de estructuras de tutoría externas*, ampliando la autonomía intelectual *en los procesos de orden superior* (<em><mark>referencias teóricas, formulación de objetivos e hipótesis</mark></em>) aunque se delegue en sistemas IA subprocesos (<em><mark>prácticos</mark></em>) de adquisición, evaluación y aplicación del conocimiento.

???

<h2 id="depinv">Dependencia invertida</h2>

> **Un GPT prescribe la función `tx.create` por ser más intuitiva**  
> 
> → ["Gaslight-driven development"](https://tonsky.me/blog/gaslight-driven-development/)  
> En lugar de reeducar a los usuarios o corregir el modelo, *los desarrolladores decidieron implementar `tx.create` para alinearse con la expectativa generada por la IA*.

### Ideas centrales del caso

1. **Los LLM están moldeando APIs sin pedir permiso**  
   Modelos como ChatGPT generan código que presupone la existencia de funciones o estructuras que no existen aún, lo que obliga a los desarrolladores a adaptarse a sus “suposiciones”.

2. **La presión de la expectativa colectiva**  
   Cuando miles de usuarios reciben respuestas similares de un LLM, se genera una expectativa de que “así debería funcionar”, incluso si la API original no lo contemplaba.

3. **La IA como espejo del desarrollador novato**  
   Los LLM permiten a los creadores de herramientas experimentar cómo un usuario nuevo malinterpreta su API, lo que puede revelar problemas de diseño que antes pasaban desapercibidos.

### Caso: `tx.create` inventado por ChatGPT

En el sistema de Instant, originalmente se usaba `tx.update` tanto para insertar como para modificar entidades. Sin embargo, ChatGPT —basado en patrones comunes de otras APIs— empezó a generar código con `tx.create`, una función que no existía.

**¿Qué ocurrió?**  
<ul>
  <li><mark style="background-color:#e6f7ff; padding:0.1em 0.3em; border-radius:3px;">Los usuarios copiaban el código generado por ChatGPT y se frustraban al ver que no funcionaba</mark>.</li>
  <li><mark style="background-color:#e6f7ff; padding:0.1em 0.3em; border-radius:3px;">En lugar de reeducar a los usuarios</mark> o corregir el modelo, <mark style="background-color:#e6f7ff; padding:0.1em 0.3em; border-radius:3px;">los desarrolladores <strong>decidieron implementar <code>tx.create</code></strong> para alinearse con la expectativa generada por la IA</mark>.</li>
</ul>

**¿Por qué?**  
- Porque <mark>`tx.create` es más intuitivo y semánticamente claro para nuevos usuarios</mark>.
- Porque <mark>el modelo había “normalizado” esa convención a través de millones de ejemplos previos</mark>.
- Porque resistirse implicaba <mark>fricción innecesaria con una masa crítica de usuarios</mark> que ya confiaban en el asistente.

### Implicaciones: autonomía, dependencia y soberanía metacognitiva

#### 1. **Autonomía técnica desplazada**
Los desarrolladores pierden control sobre el diseño de sus propias APIs, adaptándose a convenciones impuestas por modelos entrenados en corpus externos.

#### 2. **Dependencia cognitiva invertida**
Tradicionalmente, los humanos enseñan a las máquinas. En este caso, los humanos **modifican sus herramientas** para alinearse con lo que la máquina “cree” que debería existir.

#### 3. **Soberanía metacognitiva distribuida**
El LLM actúa como un agente de diseño colectivo, sintetizando expectativas y patrones. El programador ya no decide en solitario: **la IA canaliza la voz de miles de desarrolladores previos**, convirtiéndose en un nodo metacognitivo que influye en decisiones estructurales.

### Implicaciones

Este caso ilustra una nueva forma de coautoría técnica: los LLM no solo asisten, sino que **prescriben**. Y cuando esa prescripción se vuelve ubicua, los humanos **ceden autonomía práctica** para preservar fluidez y compatibilidad. La soberanía metacognitiva no desaparece, pero se redistribuye entre agentes humanos y sintéticos que ya no pueden ignorarse mutuamente.

<hr>

### 🧩 Elementos comunes entre Canva, Notion y Figma

Las plataformas de autoría digital como **Canva**, **Notion** y **Figma** comparten una serie de características clave que las convierten en herramientas potentes para la creación de contenido digital, aunque cada una se especializa en un tipo distinto de producción. Lo que tienen en común es más profundo que su interfaz atractiva: se trata de cómo **facilitan la expresión, la colaboración y la organización del pensamiento visual y estructurado**.

#### 1. **Interfaz visual e intuitiva**
- Todas permiten crear contenido mediante **arrastrar y soltar**, sin necesidad de saber programar.
- El diseño está pensado para **reducir la carga cognitiva** y favorecer la fluidez creativa.

#### 2. **Colaboración en tiempo real**
- Permiten que varios usuarios trabajen simultáneamente en el mismo documento o proyecto.
- Incluyen funciones de comentarios, historial de versiones y control de cambios.

#### 3. **Plantillas y componentes reutilizables**
- Ofrecen bibliotecas de elementos prediseñados (bloques, layouts, íconos, etc.)
- Facilitan la **remezcla** y la adaptación rápida de contenidos para distintos fines.

#### 4. **Multiformato y exportación**
- El contenido puede exportarse como imagen, PDF, presentación, sitio web, etc.
- Esto las convierte en **puentes entre la autoría y la publicación**.

#### 5. **Integración con otras herramientas**
- Se conectan con plataformas como Slack, GitHub, Google Drive, y gestores de tareas.
- Esto permite que se integren en flujos de trabajo más amplios.

#### 6. **Accesibilidad para usuarios técnicos y no técnicos**
- Aunque Figma tiene más profundidad para diseñadores UI/UX, todas están pensadas para que **cualquier usuario pueda crear sin barreras técnicas**.

### En relación con el marco conceptual, tales plataformas promueven:

- **Autonomía expresiva**: permiten representar ideas de forma visual, estructurada o interactiva.
- **Autonomía colaborativa**: facilitan la coautoría y la retroalimentación en tiempo real.
- **Autonomía técnica intermedia**: no requieren saber código, pero permiten resultados sofisticados.

<hr>

---

![tipos de relación epistémica en HCI](5-epistem-rel.png)
<small> → Yang, S., & Ma, R. (2025). "Classifying epistemic relationships in human-ai interaction: An exploratory approach". <em>arXiv</em>, p. 6. <https://doi.org/10.48550/ARXIV.2508.03673> </small>

???

### Tipos de relación epistémica, según Yang & Ma (2025: 6):

- **ER-1**: *Instrumental Reliance*. El usuario se apoya en la IA exclusivamente para mejorar la eficiencia en tareas específicas, sin atribuirle ningún estatus epistémico. La IA se concibe como una *herramienta*.

- **ER-2**: *Contingent Delegation*. El juicio se delega a la IA en tareas concretas, pero bajo supervisión humana constante. La IA se interpreta como un *asistente* o *co-agente*.

- **ER-3**: *Co-agency Collaboration*. La IA es tratada como un pensador colaborativo en la construcción del conocimiento. Se le asigna el rol de *co-agente* o *mentor*.

- **ER-4**: *Authority Displacement*. Se concede a la IA una autoridad parcial en la producción de conocimiento. Su papel se asemeja al de un *co-agente* o *mentor*.

- **ER-5**: *Epistemic Abstention*. Aunque se utiliza la IA, se niega explícitamente su contribución epistémica. Se le reduce al rol de *herramienta*.

---

### Tipos de relación epistémica humanos-IA (Yang & Ma, 2025: 6)

<details>
<summary>ER-1: <em>Instrumental Reliance</em> — <strong>La IA como <em>herramienta</em> para reducir carga operativa y acelerar procesos técnicos</strong>.</summary>

</details>

<details>
<summary>ER-2: <em>Contingent Delegation</em> — <strong>La IA como <em>asistente</em> o <em>co-agente</em> para elaborar contenido. Se delega juicio en la IA bajo supervisión</strong>.</summary>

</details>

<details>
<summary>ER-3: <em>Co-agency Collaboration</em> — <strong>La IA como agente epistémico que colabora en prácticas cognitivas complejas de docencia e investigación</strong>.</summary>

</details>

<details>
<summary>ER-4: <em>Authority Displacement</em> — <strong>Se confía en la IA para liderar procesos cognitivos complejos (co-agente, mentor). Atribución parcial de competencia epistémica.</strong></summary>

</details>

<details>
<summary>ER-5: <em>Epistemic Abstention</em> — <strong>La IA como herramienta o servicio sin contribución epistémica genuina, que requiere pensamiento crítico y <em>soberanía metacognitiva</em></strong>.</summary>
<br>
<img src="https://img.shields.io/badge/Crítica_de_textos-blue" alt="Crítica de textos" style="vertical-align:middle; margin-right:0.5em;" /> |   
<img src="https://img.shields.io/badge/Revisión_de_borradores-green" alt="Revisión de borradores" style="vertical-align:middle; margin-right:0.5em;" /> |   
<img src="https://img.shields.io/badge/Reflexión_sobre_límites-orange" alt="Reflexión sobre límites" style="vertical-align:middle; margin-right:0.5em;" /> |   
<img src="https://img.shields.io/badge/Verificación_funcional_y_seguridad-blue" alt="Verificación funcional y Seguridad" style="vertical-align:middle; margin-right:0.5em;" />

</details>

---

## Riesgos y sesgos a considerar

<details>
<summary><strong>Andamiaje cognitivo y delegación funcional</strong></summary>
<br>
Soporte temporal proporcionado por herramientas externas que facilita tareas cognitivas complejas, con el objetivo de que el usuario las internalice y ejecute de forma autónoma. Cuando la delegación se vuelve sistemática, puede erosionar competencias genuinas.  <br>
<br>
<em>"Los asistentes de código funcionan como andamiaje cognitivo cuando sugieren patrones que el programador aún está internalizando, pero se convierten en muletas cuando reemplazan permanentemente el razonamiento algorítmico propio."</em>
</details>

<details>
<summary><strong>Atrofia de habilidades e ilusión de competencia</strong></summary>
<br>
Deterioro gradual de habilidades técnicas o cognitivas por desuso, especialmente cuando se confía en sistemas automatizados. Esta dependencia puede generar una falsa percepción de competencia sin comprensión profunda.<br>
<br>
<em>"Un desarrollador junior puede caer en la ilusión de competencia al creer que domina arquitecturas complejas simplemente porque puede generar su código mediante prompts a un LLM."</em>
</details>

<details>
<summary><strong>Autonomía epistémica y metacognición asistida</strong></summary>
<br>
Capacidad de formar juicios y validar conocimientos de forma independiente, incluso en presencia de sistemas de IA. Requiere reflexión activa sobre cuándo confiar en la asistencia algorítmica y cuándo ejercer criterio propio.  <br>
<br>
<em>"La metacognición asistida implica preguntarse constantemente por los objetivos y lógica de la solución propuesta por el asistente"</em>
</details>

<details>
<summary><strong>Colaborador epistémico y cognición extendida</strong></summary>
<br>
Los sistemas de IA pueden actuar como socios cognitivos, no solo como herramientas. En este rol, extienden el sistema cognitivo del usuario, influyen en decisiones y plantean dilemas sobre autoría y responsabilidad intelectual.  <br>
<br>
<em>"GitHub Copilot funciona como asistente o colaborador epistémicamente relevante, puesto que no solo generar código, sino que puede influir en las decisiones arquitectónicas y patrones de diseño del programador."</em>
</details>

<details>
<summary><strong>Deuda técnica cognitiva</strong></summary>
<br>
Lagunas acumuladas en comprensión conceptual o habilidades técnicas, producto del uso sistemático de soluciones generadas por IA sin análisis profundo. Esta deuda dificulta el mantenimiento y la evolución del código.  <br>
<br>
<em>"Aceptar implementaciones de algoritmos complejos sin estudiarlos genera deuda técnica cognitiva que dificulta el mantenimiento futuro y la resolución de bugs críticos."</em>
</details>

<details>
<summary><strong>Opacidad algorítmica y ofuscación de responsabilidad</strong></summary>
<br>
Limitaciones para auditar o comprender el razonamiento de sistemas de IA, lo que complica la atribución de errores o decisiones. La responsabilidad se distribuye entre humanos y algoritmos, generando dilemas éticos y operativos.  <br>
<br>
<em>"¿Quién es epistémicamente responsable del error en un sistema de responsabilidad epistémica distribuida?"</em>
</details>

</div>

???

## Epistemic Relationships in Human-AI Interaction [^1]

**1. Epistemología relacional de <a href="https://arxiv.org/pdf/2508.03673" target="_blank">Yang & Ma (2025)</a>**:   
- Resiste tanto al determinismo tecnológico como al esencialismo antropocéntrico   
- Faltan desarrollos teóricos para articular los detalles de la agencia epistémica en sistemas híbridos.

> **Cuestión clave (requiere indagación filosófica y empírica)**:  
> → Las condiciones bajo las cuales los sistemas de inteligencia artificial pueden llegar a ser considerados no solo como herramientas, sino como colaboradores epistémicos o incluso autoridades en la producción de conocimiento.

**2. Debate filosófico en curso sobre el estatus epistémico de la IA**:  
- Una cuestión aún en evolución y objeto de controversia
- Cuestiona el discurso convencional consolidado acerca de la interacción persona–computadora (HCI), tradicionalmente centrado en la *funcionalidad*, la *usabilidad* y la *adopción tecnológica*. 
- Enfoque convencional: estudios en HCI que conceptualizan la IA mediante roles funcionales estáticos

**3. El enfoque dinámico de Yang & Ma (2025) asocia cada tipo de relación epistémica (ER) con un modelo de flujo de trabajo específico**:
- **Yang & Ma (2025)**: ponen *en primer plano la dimensión epistémica de la IA y las formas dinámicas en que los usuarios se relacionan con ella en tareas cognitivas*. 
- Identifican **cinco tipos de relaciones epistémicas**, que proporcionan un puente conceptual entre las teorías normativas de la agencia epistémica y las realidades vividas de la interacción humano–IA en entornos laborales.
- El tipo ER-1 resulta adecuado para tareas estructuradas y orientadas a objetivos;
- El tipo ER-3 se ajusta mejor a trabajos exploratorios e interpretativos que requieren una interacción iterativa entre humanos e IA. 
- Ofrecen una base para el desarrollo de matrices “tarea × relación epistémica” que orienten una integración de la IA más matizada y sensible al contexto.

**4. Reconocer el tipo de relación epistémica de un usuario puede informar programas de alfabetización en IA más personalizados**: 
- Los usuarios encuadrados en los tipos ER-2 o ER-4 podrían beneficiarse de una mayor transparencia y comprensión acerca del razonamiento y las limitaciones de la IA, con el fin de fomentar una confianza basada en el proceso. 
- Usuario situados en el tipo ER-5 requieren salvaguardas institucionales que delimiten los márgenes epistémicos y prevengan tanto la dependencia excesiva como la atribución indebida de responsabilidad.
- Estas trayectorias permiten una co-evolución adaptativa de los roles humanos y las capacidades de la IA.

<hr>

### Tipos de relación epistémica, según Yang & Ma (2025: 6):

- **ER-2**: *Contingent Delegation*. El juicio se delega a la IA en tareas concretas, pero bajo supervisión humana constante. La IA se interpreta como un *asistente* o *co-agente*.

- **ER-3**: *Co-agency Collaboration*. La IA es tratada como un pensador colaborativo en la construcción del conocimiento. Se le asigna el rol de *co-agente* o *mentor*.

- **ER-4**: *Authority Displacement*. Se concede a la IA una autoridad parcial en la producción de conocimiento. Su papel se asemeja al de un *co-agente* o *mentor*.

- **ER-5**: *Epistemic Abstention*. Aunque se utiliza la IA, se niega explícitamente su contribución epistémica. Se le reduce al rol de *herramienta*.

**ER-1: Instrumental Reliance**  
La IA se utiliza exclusivamente como herramienta para *mejorar la eficiencia en tareas estructuradas y orientadas a objetivos, sin atribuirle estatus epistémico*. Las tareas típicas incluyen *programación, edición de textos, corrección gramatical y traducción técnica*. El usuario evalúa los resultados únicamente en función del producto final, sin atender al proceso cognitivo subyacente. Esta relación es *común entre expertos disciplinares que emplean la IA para reducir carga operativa o acelerar procesos técnicos*.

**ER-2: Contingent Delegation**  
*El juicio se delega a la IA en tareas específicas bajo supervisión humana activa*. Las tareas asociadas incluyen *resumen de textos, generación de contenido, búsqueda general y codificación asistida*. El usuario mantiene *control sobre la evaluación del resultado, revisando y ajustando las salidas según criterios propios*. Esta relación se observa en docentes que utilizan IA como asistente para *preparar materiales, traducir fragmentos o generar borradores*, sin ceder completamente la responsabilidad epistémica.

**ER-3: Co-agency Collaboration**  
La IA es tratada como un *colaborador epistémico en la construcción del conocimiento*. Las tareas incluyen *escritura exploratoria, traducción interpretativa, planificación docente, generación de ideas y análisis conceptual*. El usuario *combina evaluación de proceso y resultado, interactuando iterativamente con la IA en un marco de co-creación*. Esta relación se da en contextos donde *el docente o investigador **reconoce la IA como interlocutor válido** en prácticas cognitivas complejas*.

**ER-4: Authority Displacement**  
Se concede a la IA una *autoridad parcial en la producción de conocimiento, especialmente en tareas que requieren razonamiento complejo o conceptualización avanzada*. Las tareas incluyen *reescritura académica, preparación de clases, generación de esquemas argumentativos y lluvia de ideas*. *El usuario suele tener una doble experticia (disciplinar y técnica), y confía en la IA para liderar ciertos procesos cognitivos*. La evaluación se centra en la *calidad del razonamiento, y la confianza se basa en la **competencia percibida*** del sistema.

**ER-5: Epistemic Abstention**  
Aunque se emplea la IA, *se niega explícitamente su contribución epistémica*. Las tareas incluyen *crítica de textos generados por IA, revisión de borradores automatizados, y ejercicios de reflexión sobre los límites del conocimiento computacional*. La *evaluación se basa exclusivamente en el resultado observable*, y la **confianza en la IA es mínima o inexistente**. Esta relación se utiliza *en contextos pedagógicos donde se busca **fomentar el pensamiento crítico y la autonomía epistémica** del estudiante* frente a sistemas generativos.

[^1]: Shengnan Yang, Rongqian Ma (2025). *Classifying Epistemic Relationships in Human-AI Interaction: An Exploratory Approach*. [https://arxiv.org/pdf/2508.03673](https://arxiv.org/pdf/2508.03673)

<hr>

### Lista de sesgos ampliada

<details>
<summary><strong>Andamiaje cognitivo (Cognitive Scaffolding)</strong></summary>
Soporte temporal proporcionado por herramientas externas en tareas cognitivas complejas, ejecutadas de forma autónoma y sin ayuda externa.
<br>
<em>"Los asistentes de código funcionan como andamiaje cognitivo cuando sugieren patrones que el programador aún está internalizando, pero se convierten en muletas cuando reemplazan permanentemente el razonamiento algorítmico propio."</em>
<hr>
</details>

<details>
<summary><strong>Atrofia de competencias (Skill Atrophy)</strong></summary>
Deterioro gradual de habilidades cognitivas o técnicas previamente adquiridas debido al desuso prolongado, frecuentemente causado por la delegación sistemática de tareas a sistemas automatizados o asistentes de IA.
<br>
<em>"Programadores que dependen exclusivamente de autocompletado por IA pueden experimentar atrofia de competencias en debugging manual y comprensión profunda de estructuras de datos."</em>
</details>

<details>
<summary><strong>Autonomía epistémica</strong></summary>
Capacidad de un agente cognitivo para formar creencias, tomar decisiones y validar conocimientos de manera independiente, sin dependencia acrítica de autoridades externas o sistemas algorítmicos.
<br>
<em>"La autonomía epistémica del desarrollador se ve comprometida cuando acepta soluciones de código generado por IA sin comprenderlas."</em>
</details>

<details>
<summary><strong>Copiloto epistémico</strong></summary>
Sistema de IA que asiste en procesos de razonamiento, toma de decisiones o producción intelectual, actuando como socio cognitivo en lugar de mera herramienta de automatización. Plantea desafíos únicos respecto a la atribución de autoría y responsabilidad.
<br>
<em>"GitHub Copilot funciona como copilot epistemológico al no solo generar código, sino al influir en las decisiones arquitectónicas y patrones de diseño del programador."</em>
</details>

<details>
<summary><strong>Delegación-dependencia cognitiva</strong></summary>
<em>Transferencia de procesos mentales o tareas intelectuales desde el agente humano hacia artefactos tecnológicos externos, con el fin de reducir carga cognitiva o aumentar eficiencia, pero con riesgo de erosionar competencias propias</em>.
</details>

<details>
<summary><strong>Deuda técnica cognitiva</strong></summary>
Acumulación de lagunas en comprensión conceptual o habilidades técnicas causada por el uso sistemático de soluciones generadas por IA sin invertir tiempo en entenderlas profundamente. Análoga a la deuda técnica en software.
<br>
<em>"Aceptar implementaciones de algoritmos complejos sin estudiarlos genera deuda técnica cognitiva que dificulta el mantenimiento futuro y la resolución de bugs críticos."</em>
</details>

<details>
<summary><strong>Cognición extendida (Extended Mind)</strong></summary>
Teoría filosófica que postula que los procesos cognitivos pueden extenderse más allá del cerebro biológico hacia herramientas y artefactos externos que funcionan como componentes activos del sistema cognitivo total.
<br>
<em>"Según la hipótesis de la mente extendida, un IDE con autocompletado inteligente no es solo una herramienta, sino parte constitutiva del sistema cognitivo del programador."</em>
</details>

<details>
<summary><strong>Ilusión de competencia</strong></summary>
Estado psicológico en el que un individuo sobrestima sus habilidades reales debido a la facilidad con la que puede producir resultados mediante herramientas de IA, sin poseer las competencias subyacentes necesarias para reproducirlos de forma autónoma.
<br>
<em>"Un desarrollador junior puede caer en la ilusión de competencia al creer que domina arquitecturas complejas simplemente porque puede generar su código mediante prompts a un LLM."</em>
</details>

<details>
<summary><strong>Metacognición asistida</strong></summary>
Proceso reflexivo sobre el propio pensamiento y estrategias cognitivas en contextos donde sistemas de IA participan activamente, requiriendo conciencia explícita sobre cuándo confiar en asistencia algorítmica y cuándo ejercer juicio independiente.
<br>
<em>"La metacognición asistida implica preguntarse constantemente: '¿Entiendo realmente esta solución que el copilot me sugiere, o solo estoy confiando ciegamente en ella?'"</em>
</details>

<details>
<summary><strong>Opacidad algorítmica</strong></summary>
Imposibilidad de acceder, comprender o auditar los procesos internos mediante los cuales un sistema de IA llega a sus outputs. En programación asistida, dificulta la evaluación crítica del código generado.
<br>
<em>"La opacidad algorítmica de los LLMs impide saber por qué sugieren una implementación específica, obligando al programador a validar exhaustivamente cada output sin poder confiar en el razonamiento del modelo."</em>
</details>

<details>
<summary><strong>Responsabilidad epistémica distribuida</strong></summary>
Situación en la que la responsabilidad por el conocimiento producido, decisiones tomadas o código generado se distribuye entre múltiples agentes (humanos y algorítmicos), complicando la atribución de autoría y accountability.
<br>
<em>"Cuando un bug crítico emerge de código generado por IA y revisado por humanos, ¿quién es epistémicamente responsable del error en un sistema de responsabilidad epistémica distribuida?"</em>
</details>

</div>

---

## 4.2% de las consultas a ChatGPT sobre programación

[![informe-usos-gpt](openai-prompts-2025.png)](https://www.nber.org/papers/w34255)

???

> → Chatterji, A. et al. (2025). "How people use chatgpt (No. w34255)". National Bureau of Economic Research. <https://doi.org/10.3386/w34255>

Note (about Graph, p. 16): Shares are calculated from a sample of approximately 1.1 million sampled conversations from May 15, 2024 through June 26, 2025. <https://www.nber.org/system/files/working_papers/w34255/w34255.pdf>

> "Two of our findings stand in contrast to other work. First, we find the share of messages related
to computer coding is relatively small: <mark>only 4.2% of ChatGPT messages are related to computer
programming, compared to 33% of work-related Claude conversations</mark> [Handa et al. (2025)]."

Note 8 (p. 2): "Handa et al. (2025) report that 37% of conversations are mapped to a “computer and mathematical” occupation category, and their Figure 12 shows 30% or more of all imputed tasks are programming or IT-related. <mark>We believe the discrepancy is partly due to the difference in types of users between Claude and ChatGPT</mark>, additionally Handa et al. (2025) only includes queries that ”possibly involve an occupational task”.

<hr>

**Resumen de uso (Reddit)**:

OpenAI publicó datos sobre lo que 700 millones de personas realmente están haciendo con ChatGPT y, honestamente, algunas de estas cosas me sorprendieron.

El estudio analizó 1,5 millones de conversaciones durante el año pasado y esto es lo que encontraron:

El cambio de género es una locura. Cuando se lanzó ChatGPT, aproximadamente el 80% de los usuarios eran hombres. Ahora ha cambiado por completo y *el 52% de los usuarios son mujeres*. Un cambio total en solo 3 años.

La mayoría de la gente no la usa para trabajar: *solo el 30% de las conversaciones están relacionadas con el trabajo*. El 70% restante son personas que la usan para asuntos cotidianos. ¡Adiós al pánico de que la IA reemplazará todos los trabajos!

*Tres cosas dominan el uso*:   
- Orientación práctica (28%): básicamente, preguntar "¿cómo hago X?"   
- Ayuda con la redacción (24%): edición, correos electrónicos, publicaciones en redes sociales  
- Búsqueda de información (24%): utilizándolo como Google, pero de forma conversacional.

*El tema de la programación está sobrevalorado: solo el 4,2 % de las conversaciones giran en torno a ella*. Todos esos discursos de "aprende a programar o muere" aparentemente estaban equivocados.

Está en expansión en los países en desarrollo: el crecimiento en los países de bajos ingresos es cuatro veces más rápido que en los países ricos.

*La gente lo usa como motor de búsqueda*: la categoría "búsqueda de información" aumentó del 14 % al 24 % en tan solo un año. Probablemente a Google no le entusiasme esto.

Es increíble pensar que esto *pasó de 1 millón a 700 millones de usuarios en menos de 3 años*. A estas alturas, es básicamente como tener una conversación con internet.

→ Fuente: <https://www.reddit.com/r/ChatGPTPro/comments/1nj5lj5/openai_just_dropped_their_biggest_study_ever_on/?utm_source=share&utm_medium=web3x&utm_name=web3xcss&utm_term=1&utm_content=share_button>

---

## Caso práctico 1: CMS alimentado con .md

<div class="tabs">
  <div class="tab-buttons">
    <button onclick="showTab('perplexity')" class="active">Perplexity (Pro-Lab)</button>
    <button onclick="showTab('deepseek')">DeepSeek y Qwen3-Coder</button>
    <button onclick="showTab('claude')">Claude Sonnet 4</button>
    <button onclick="showTab('copilot')">Copilot GPT-5</button>
    <button onclick="showTab('lovable')">Lovable App</button>
  </div>

<div id="perplexity" class="tab-content active">
    <ul class="espaciada">
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.8maxdo3gxb94" target="_blank">Funciona al primer intento</a></li>
      <li>Bloque de instrucciones reformulado en intentos fallidos con otros modelos.</li>
      <li>Énfasis en los ítems de cada tarjeta (título, autoría, etiquetas...). Alterna temas claro y oscuro.</li>
      <li>Modo admin funcional, acceso a archivos locales y portapapeles, incluso sistema básico de notificaciones.</li>
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.857b47uyb3on" target="_blank"><strong>Metaprompt con advertencias de seguridad</strong></a> y limitaciones del prototipado vs. desarrollo de producción.</li>
      </ul>
      <blockquote>
      <a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.i1x30uw4uh00" target="_blank">→ El CMS mejorado con aspecto más profesional y panel de administración sofisticado no funciona</a>.
      </blockquote>
  </div>

<div id="deepseek" class="tab-content">
    <blockquote>
<p>Descartados tras varios intentos fallidos o con funcionalidad subóptima usando estos modelos. Artefactos sin utilidad:</p>

<ul class="espaciada">
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.d0afpba8mv8t" target="_blank">DeepSeek</a></li>
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.2mupudz23tgp" target="_blank">Qwen3-Coder</a></li>
    </ul>
    </blockquote>
  </div>

<div id="claude" class="tab-content">
    <ul class="espaciada">
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.mkiqpnvdtlz8" target="_blank">CMS inicial con instrucciones ligeramente optimizadas</a>: completamente funcional.</li>
      <li>Incluye búsqueda iluminada, tarjetas de ejemplo y visor .md, estadísticas de uso, subir o arrastrar ficheros, pegar contenido y eliminar tarjetas (<em>admin2024</em>).</li>
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.z3ae3iud7d21" target="_blank">Versión definitiva depurada</a> con funcionalidad y seguridad óptimas (App Script + GSheet sincronizada).</li>
    </ul>
  </div>

<div id="copilot" class="tab-content">
    <ul class="espaciada">
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.mq1t22vbofih" target="_blank">CMS optimizada (metaprompt)</a> a partir de hoja de cálculo sincronizada: <mark>funcional</mark>.</li>
      <li>Búsqueda, visualización ampliada de tarjetas y modo admin (<em>admin123</em>), cambio de tema.</li>
      <li>Tarjetas de ejemplo y visor .md más completo.</li>
      </ul>
      <blockquote>
      <a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.9pxl08t9ii7f" target="_blank">→ Versión con funcionalidad subóptima usando Gemini 2.5 Pro (desaprovecha parte del ecosistema de aplicaciones propias, como GSheets; limitaciones al renderizar contenido markdown)</a>.
      </blockquote>
  </div>

<div id="lovable" class="tab-content">
    <ul class="espaciada">
      <li><a href="https://sites.google.com/go.ugr.es/iadoc24/cms-perplex-1shot#h.m56qxu3ys1w8" target="_blank">Enfoque profesional</a>, pero funcionalidad limitada (no solo por la suscripción).</li>
      <li><em>Document Hub</em> minimalista pero convincente.</li>
      <li>Búsqueda con resultados iluminados y modo admin (<mark>admin123</mark>).</li>
      <li>No funciona la carga de documentos (notifica que <em>estará disponible próximamente</em>).</li>
      <li>Primera implementación (<em>Content CMS</em>) fallida pero convincente en tema oscuro.</li>
    </ul>
  </div>
</div>

---

## Otros casos

.left[

<ul class="espaciada">
<li><a href="https://sites.google.com/go.ugr.es/iadoc24/text-stats-prompt">Dashboard para análisis de textos</a></li>
<li><a href="https://sites.google.com/go.ugr.es/iadoc24/link-summ">Web scraping</a></li>
<li><a href="https://sites.google.com/go.ugr.es/iadoc24/hip-calc">Evaluación de riesgo financiero</a></li>
<li><a href="https://sites.google.com/go.ugr.es/iadoc24/asist-seudoc">Herramienta de estudio</a></li>
<li><a href="https://www.ugr.es/~mm3/fcon/26/seudo-cards.html?authuser=0&hl=es">Fuentes para estudios de caso</a></li>
<li><a href="https://sites.google.com/go.ugr.es/iadoc24/bib-tool2">Gestor bibliográfico</a></li>
<li><a href="https://b9b753ee-5af7-4c1a-8192-4bd37c5822e6-00-3icrlt8vago0k.kirk.replit.dev/">Resource Manager (Replit)</a></li>
</ul>

]

---

## Conclusiones

> → La programación asistida con IA introduce <code style="background-color: #e0f7fa; border: 1px dashed #00796b; padding: 2px 4px; border-radius: 4px;">nuevas oportunidades de aprendizaje</code> (lenguajes, estándares y rutinas de programación) que permiten centrarse en los objetivos, parámetros de la interfaz y funcionalidad esperada del proyecto.

> → Aprender a diseñar artefactos digitales en función de las necesidades y preferencias individuales amplía el rango de autonomía cognitiva, liberando espacio para <code style="background-color: #e0f7fa; border: 1px dashed #00796b; padding: 2px 4px; border-radius: 4px;">optimizar procesos de orden superior</code> (marcos teóricos, formulación de objetivos e hipótesis) y resolviendo obstáculos cognitivos de tipo práctico con la elección de herramientas, servicios y entornos de desarrollo adecuados.

> → La <code style="background-color: #e0f7fa; border: 1px dashed #00796b; padding: 2px 4px; border-radius: 4px;">soberanía metacognitiva se consolida a través de evaluaciones rigurosas y empíricas</code> del desempeño, aplicabilidad y robustez de los modelos IA utilizados, con independencia de criterio frente a la publicidad corporativa de OpenAI, Meta, Anthropic u otras.

???

## Nota sobre el rendimiento de los LLM como asistentes de programación

Mientras ChatGPT apenas es usado como asistente de programación (4,2%), el [uso de Claude Sonnet para tal fin llega al 33%](https://www.nber.org/system/files/working_papers/w34255/w34255.pdf).

¿Qué incluye **computer_programming**?: <em>Writing code, debugging, explaining programming,  
→ concepts, or discussing programming languages and tools.</em>   
(p. 42: <https://www.nber.org/system/files/working_papers/w34255/w34255.pdf>)

> → Chatterji, A. et al. (2025). "How people use chatgpt (No. w34255)". National Bureau of Economic Research. <https://doi.org/10.3386/w34255>

<hr>

## Rendimiento comparado en una misma tarea (Claude Sonnet 4.5 vs ChatGPT-5, thinking)

[1] Resultado con Sonnet 4.5: <https://sites.google.com/go.ugr.es/iadoc25/art-rev>  
[2] Resultado con GPT-5: <https://sites.google.com/go.ugr.es/iadoc25/art-rev-gpt>

*Prompt utilizado*:

> Analiza el paper adjunto. Me interesa llevar a cabo un proceso de consulta exhaustiva sobre su contenido, incluyendo ideas y conceptos centrales, aportaciones clave y evaluación de la metodología, hipótesis y fortalezas o debilidades en las conclusiones. Genera una matriz sofisticada que permite captar de un vistazo los aspectos esenciales, con detalle granular y muy preciso, del contenido. Valora su alcance, relevancia e implicaciones para futuros trabajos sobre distorsiones epistémicas y roles colaborativos en la interacción humanos-LLM, así como los riesgos y sesgos asociados. Considera que se trata de una consulta profesional y rigurosa, donde la aportación del texto debe ser puesta en contexto amplio de relación con la literatura reciente (2025) sobre la problemática.

---

#### Referencias  
<div style="font-size:0.65em; line-height:1.3;">
<ol style="margin-top:2.5; list-style-type: none; padding-left: -0.2; text-indent: -2em;">
<li>Karpathy, A. (2025, febrero). <em>Vibe coding: A new paradigm for AI-assisted software development</em>. AI Studio Blog. <a href="https://ai-2027.com/ai-2027.pdf">https://ai-2027.com/ai-2027.pdf</a></li>
<li>Google Cloud. (2025). <em>¿Qué es la codificación Vibe? Definición, herramientas, pros y contras</em>. <a href="https://cloud.google.com/discover/what-is-vibe-coding?hl=es_419">https://cloud.google.com/discover/what-is-vibe-coding?hl=es_419</a></li>
<li>DataCamp. (2025). <em>Vibe coding: Herramientas, ventajas y riesgos en el desarrollo moderno</em>. <a href="https://www.datacamp.com/es/blog/vibe-coding">https://www.datacamp.com/es/blog/vibe-coding</a></li>
<li>Ben-Michael et al. (2024). Does AI help humans make better decisions? A statistical evaluation framework for experimental and observational studies. arXiv. <a href="https://doi.org/10.48550/ARXIV.2403.12108">https://doi.org/10.48550/ARXIV.2403.12108</a></li>
<li>Buijsman, S. et al. (2025). Autonomy by design: Preserving human autonomy in ai decision-support. Philosophy &amp; Technology, 38(3), 97. <a href="https://doi.org/10.1007/s13347-025-00932-2">https://doi.org/10.1007/s13347-025-00932-2</a></li>
<li>Dell’Acqua, F. et al. Navigating the jagged technological frontier: Field experimental evidence of the effects of ai on knowledge worker productivity and quality. SSRN Electronic Journal. <a href="https://doi.org/10.2139/ssrn.4573321">https://doi.org/10.2139/ssrn.4573321</a></li>
<li>Ghafarollahi, A., &amp; Buehler, M. J. (2024). SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning. arXiv. <a href="https://doi.org/10.48550/ARXIV.2409.05556">https://doi.org/10.48550/ARXIV.2409.05556</a></li>
<li>Jose, B., Cherian, J., Verghis, A. M., Varghise, S. M., S, M., &amp; Joseph, S. (2025). The cognitive paradox of AI in education: Between enhancement and erosion. Frontiers in Psychology, 16, 1550621. <a href="https://doi.org/10.3389/fpsyg.2025.1550621">https://doi.org/10.3389/fpsyg.2025.1550621</a></li>
<li>Kwa, T. et al. (2025). Measuring ai ability to complete long tasks. arXiv. <a href="https://doi.org/10.48550/ARXIV.2503.14499">https://doi.org/10.48550/ARXIV.2503.14499</a></li>
<li>Lara, F., &amp; Rodríguez-López, B. (2025). Socratic nudges, virtual moral assistants and the problem of autonomy. AI &amp; SOCIETY, 40(1), 53-65. <a href="https://doi.org/10.1007/s00146-023-01846-3">https://doi.org/10.1007/s00146-023-01846-3</a></li>
<li>Llorca Albareda, J. (2025). The ethical paradox of automation: Ai moral status as a challenge to the end of human work. Topoi. <a href="https://doi.org/10.1007/s11245-025-10250-z">https://doi.org/10.1007/s11245-025-10250-z</a></li>
<li>Manzini, A. et al. (2024). Should users trust advanced ai assistants? Justified trust as a function of competence and alignment. The 2024 ACM Conference on Fairness, Accountability, and Transparency, 1174-1186. <a href="https://doi.org/10.1145/3630106.3658964">https://doi.org/10.1145/3630106.3658964</a></li>
<li>Nandy, A., Herrera, D. A., &amp; Goucher-Lambert, K. (2025). Adopting “blackbox” engineering advice: The influence of imperfect suggestions during AI-assisted decision-making with multiple objectives. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 39, e7. <a href="https://doi.org/10.1017/S0890060425000034">https://doi.org/10.1017/S0890060425000034</a></li>
<li>Tankelevitch, L. et al. (2024). The metacognitive demands and opportunities of generative ai. Proceedings of the CHI Conference on Human Factors in Computing Systems, 1-24. <a href="https://doi.org/10.1145/3613904.3642902">https://doi.org/10.1145/3613904.3642902</a></li>
<li>Treiman, L. S., Ho, C.-J., &amp; Kool, W. (2024). The consequences of AI training on human decision-making. Proceedings of the National Academy of Sciences, 121(33), e2408731121. <a href="https://doi.org/10.1073/pnas.2408731121">https://doi.org/10.1073/pnas.2408731121</a></li>
</ol>
</div>

???

> **Bibliografía ampliada**: <https://sites.google.com/go.ugr.es/iadoc25/bib>