Para ser una persona programadora prolífica, qué hace falta realmente? Antes había que sentarse al lado de quien programaba o pedirle que describiera su flujo de trabajo. Hoy, gracias al streaming, podemos observar en directo cómo las y los ingenieros de software enfrentan los problemas, entender sus estrategias y trasladarlas a nuestra práctica diaria.
Una fuente inspiradora es el streaming de programación en vivo. En los archivos de transmisiones de George Hotz, conocido como geohot, se aprecia su enfoque para resolver retos complejos, desde liberar el iPhone y la PlayStation 3 hasta construir software abierto de conducción semiautónoma y liderar una startup de aprendizaje automático. Explorar sus sesiones en este archivo de YouTube permite ver cómo diseña, prueba hipótesis y simplifica. Un buen ejemplo es su camino al crear un motor de ajedrez con redes neuronales, que puedes curiosear en una sesión como esta.
Otro recurso poderoso son los problemas tipo entrevista. El canal Neetcode recorre soluciones a ejercicios de LeetCode con un método claro: revisar el enunciado, dibujar el flujo de datos y pasos hasta el resultado, y recién entonces codificar. Aquí tienes un ejemplo práctico de esa metodología en acción en este video.
Más allá del problema concreto, el proceso para entrevistas técnicas suele repetirse: entender el alcance, proponer una estrategia, validar con ejemplos, y recién ahí implementar. Observa las pausas, los puntos de verificación y cómo se usa el depurador para razonar paso a paso; desarrollar ese ritmo de comprobación continua marca la diferencia.
La colaboración con IA está redefiniendo la productividad. Gene Kim trabajó en pareja con Steve Yegge en un enfoque de chat oriented programming, una suerte de programación en pareja con un copiloto de IA. La clave es la transferencia de conocimiento y la iteración guiada por preguntas bien formuladas. Puedes leer a Yegge en su blog y una pieza influyente como Innovation 101 en esta página. La dinámica completa se ve en este recorrido en video, muy útil para entender cómo integrar agentes IA en el día a día.
Otra vía de aprendizaje es tomar una clase de historia del código abierto. No solo leas el estado final de un proyecto: recorre sus commits y verás cómo evolucionó su arquitectura y diseño. El proyecto llm de Simon Willison es un buen ejemplo. El repositorio está en GitHub y comenzó a la manera de un prototipo en abril de 2023. El primer commit ya incluía un flujo de GitHub Actions para testear y publicar el paquete de Python, además de un comando funcional, como se ve en este cambio inicial. También hay un repaso en video de las decisiones y su impacto que puedes ver aquí.
Usar issues como documentación viva es especialmente útil. Por ejemplo, una petición como una orden para navegar registros capturados puede partir con varias ideas de implementación, refinar expectativas y cerrarse con un pull request. Si empiezas con una lista enorme de tareas, quizá termines replanteándola y cerrando muchas. Si empiezas sin issues y solo documentas en PR, queda una foto del diseño ya decidido y se pierde parte del camino. Abrir issues cercanos en el tiempo y comentar alternativas deja migas de pan útiles para entender qué se intentó, por qué se desechó y cómo cambió el diseño.
También se aprende mucho de tus compañeras y compañeros de equipo. Lee su código y sus commits, revisa sus comentarios en code reviews y pregúntales por su flujo de trabajo. A veces el salto de productividad está en atajos de teclado, extensiones del IDE, listas simples de tareas o el uso disciplinado del depurador. Entender sus procesos y su forma de pensar sistemas es tan valioso como estudiar algoritmos.
Si quieres llevar estas prácticas a tu organización, en Q2BSTUDIO te ayudamos a crear capacidades tecnológicas reales. Somos una empresa de desarrollo con enfoque en software a medida y aplicaciones a medida, inteligencia artificial e ia para empresas, agentes IA, ciberseguridad y pentesting, servicios cloud aws y azure, y servicios inteligencia de negocio con power bi. Diseñamos soluciones que combinan arquitectura sólida, automatización y datos accionables. Podemos impulsar tus productos con software a medida y aplicaciones a medida y acelerar tus casos de uso con inteligencia artificial, integrando modelos, orquestación y observabilidad para que la IA sea confiable, segura y rentable.