La encuesta de Stack Overflow 2025 (49.000+ devs) revela que la mayor frustración con la IA (66%) no es que se equivoque, sino que entrega soluciones "casi correctas": parecen terminadas y fallan en el detalle, y arreglarlas cuesta más que empezar de cero. El oficio ya no es generar, es cerrar ese último tramo con especificación clara y verificación.
Hay un tipo de error que da más rabia que equivocarse: acertar casi. Cuando algo está claramente mal, lo tiras y empiezas de nuevo, sin duelo. Pero cuando está casi bien —el 95% impecable, el 5% roto en un rincón que no ves— te quedas atrapado, porque parece que estás a un ajuste de terminar y en realidad estás a una reescritura de distancia. La encuesta oficial de Stack Overflow 2025, con más de 49.000 desarrolladores respondiendo, puso número a esa rabia: la frustración número uno con la IA no es que mienta, ni que alucine, ni que sea lenta. Es que entrega "soluciones que están casi bien, pero no del todo". El 66% lo señaló. Es la queja más votada del oficio, y encierra una lección que sirve para cualquiera que le pida algo a un modelo, sepa programar o no.
El "casi" es el error más caro que existe
La intuición nos dice que un error grande cuesta más que uno pequeño. Con la IA pasa lo contrario. Un error evidente es barato: lo detectas en un segundo y lo descartas sin pensarlo. El error "casi correcto" es carísimo, porque primero te tiene que convencer de que está bien —y lo logra, porque el 95% que sí funciona baja tus defensas— y solo después, en producción, con el cliente mirando, revela el 5% que lo rompe. Pagas dos veces: pagas por confiar y pagas por descubrir tarde. La segunda frustración de la encuesta lo confirma con frialdad: el 45,2% dice que depurar código generado por IA le lleva más tiempo que escribirlo. Traducción: el "casi" no te ahorró trabajo, te lo movió de sitio y le puso intereses.
El síndrome del último kilómetro
Hay una analogía que lo captura mejor que cualquier gráfico. Imagina un repartidor que lleva tu paquete el 99% del camino y lo deja en la acera de enfrente, en el portal equivocado, a una calle de tu casa. Técnicamente hizo casi todo el viaje. Prácticamente, el paquete no llegó, y ahora eres tú quien tiene que salir a buscarlo bajo la lluvia. Ese último kilómetro —el tramo entre "casi entregado" y "entregado"— es donde vive el valor real, y es exactamente el tramo que la IA no cierra sola. Genera el 90% en segundos y te deja a ti el 10% que requiere entender el problema entero. El problema es que ese 10% final suele ser más difícil que el 90% inicial, porque es el que exige contexto, criterio y saber qué es "correcto" de verdad en tu caso concreto.
Por eso la confianza cayó, y cayó con razón
La misma encuesta registró un dato que a primera vista parece contradictorio: el 84% de los desarrolladores usa o planea usar IA, pero al mismo tiempo el sentimiento positivo bajó de más del 70% en 2023 y 2024 a cerca del 60% en 2025. Más gente la usa y a más gente le gusta menos. No es contradicción: es madurez. La novedad se gastó y quedó la experiencia real, y la experiencia real es que la IA es una herramienta poderosa que exige supervisión constante. El detalle más revelador: hoy hay más desarrolladores que desconfían activamente de la exactitud de la IA (46%) que los que confían (33%), y apenas un 3% confía mucho. No es rechazo. Es el respeto sano que le tienes a una motosierra: la usas todos los días, y precisamente por eso nunca le sueltas las dos manos.
La verdad incómoda: el "casi" es culpa del proceso, no del modelo
Es tentador echarle la culpa al modelo —que si alucina, que si no razona— pero eso esquiva la lección de verdad. Un modelo produce lo que su especificación le permite verificar. Si le pides "hazme un formulario de pago" sin decir qué es correcto —qué monedas, qué errores, qué pasa si el usuario hace doble clic, qué se registra— el modelo rellenará esos huecos con suposiciones plausibles, y "plausible" es justo la definición de "casi correcto". El casi-bien no nace de la ignorancia del modelo; nace de la ambigüedad de la petición y de la ausencia de una prueba que diga sí o no. Donde no hay especificación clara ni verificación, el modelo siempre entregará algo que parece terminado. La pregunta "¿está bien?" no la contesta el que construye. La contesta el que verifica —y tienen que ser dos momentos distintos.
El oficio ya no es escribir, es cerrar
Si el 90% lo genera cualquiera en segundos, la ventaja profesional se mudó al último kilómetro: a saber especificar qué es correcto antes de pedir, y a saber verificar que se cumplió después de recibir. Ese es el marco mental para reusar y compartir: trata cada salida de IA como un borrador convincente, no como un entregable; define el criterio de "terminado" por escrito antes de generar; y separa construir de auditar en dos pasos deliberados, porque la mente que construye está enamorada de su obra y no ve el 5% roto —esa la caza solo una mente que llega fresca a buscar fallos. El casi-bien no se cierra con más confianza. Se cierra con más especificación y más prueba. Es menos glamuroso que "la IA lo hace todo", pero es lo único que convierte un borrador impresionante en algo que aguanta con un cliente real del otro lado.
Cómo lo vemos nosotros
En NeuralOS partimos de asumir que la IA, sola, produce el casi-bien —no lo tratamos como un defecto que algún día se arreglará, sino como la naturaleza del terreno. Por eso pensamos el producto no alrededor de generar más rápido, sino de cerrar el último kilómetro: que la especificación sea la fuente única de verdad, de modo que "qué es correcto" quede escrito antes de que nada se ejecute; que construir y auditar vivan en pasos separados a propósito, porque la misma mente no hace bien las dos cosas; y que el criterio de "terminado" no lo dicte el entusiasmo de que "parece que funciona", sino una verificación explícita que diga sí o no. Ese es todo el punto de vista: no vendemos la fantasía de que la IA acierta sola. Defendemos la disciplina que convierte su "casi" en un "sí" verificable —el último kilómetro, hecho de forma que aguante cuando de verdad importa. Porque al final el mérito nunca estuvo en generar el 90%. Estuvo, siempre, en cerrar el 10% que decide si el paquete llegó.