Desarrollo asistido por IA: Revisión y criterio técnico

Este curso capacita a desarrolladores que ya usan herramientas de IA de forma básica para integrarlas con criterio técnico en proyectos reales. Dirigido a personas que conocen el funcionamiento general del coding asistido y necesitan profundizar en cómo evaluar la calidad del código generado, detectar errores lógicos y supuestos incorrectos, aplicar validación mediante tests y decidir en qué contextos tiene sentido usar la IA y en cuáles no. Al finalizar, el participante será capaz de revisar código generado por IA con los mismos criterios que aplicaría a una revisión entre pares, integrar el uso de estas herramientas en el flujo de trabajo del equipo y argumentar con fundamento cuándo la asistencia de IA aporta valor y cuándo introduce más riesgo que beneficio.

Al finalizar el curso, el participante será capaz de:

• Evaluar la corrección técnica del código sugerido antes de integrarlo en un proyecto existente, detectando inconsistencias con el contexto y los tipos de datos reales
• Detectar errores lógicos, supuestos incorrectos e inconsistencias con el contexto del proyecto en código generado por IA
• Aplicar criterios básicos de validación y pruebas al trabajar con código generado o modificado por IA, incluyendo casos límite no contemplados por el modelo
• Justificar cuándo conviene usar asistencia IA y cuándo no, según criticidad, complejidad o legibilidad del código
• Relacionar el uso de herramientas de coding asistido con productividad, mantenibilidad y revisión técnica en un flujo de trabajo real de equipo

1. Evaluación técnica del código generado Qué verificar antes de integrar una sugerencia: coherencia con los tipos de datos reales, compatibilidad con la versión del lenguaje y las librerías del proyecto, adecuación al patrón arquitectónico existente; diferencia entre que el código compile y que sea correcto para el contexto real
2. Detección de errores lógicos y supuestos incorrectos Errores de supuesto más frecuentes: confusión de tipos, ausencia de manejo de nulos, índices fuera de rango, APIs obsoletas; metodología de revisión: trazar el flujo de datos desde la entrada hasta la salida; ejercicios con fragmentos reales en Java, Python y JavaScript
3. Validación y pruebas para código asistido por IA Cómo ejecutar la suite de tests existente e interpretar regresiones; qué casos límite añadir que el modelo no contempló; por qué no generar los tests con IA para código generado por IA; integración de la validación en el proceso de pull request
4. Criterio de uso: cuándo sí y cuándo no Dimensiones de decisión: criticidad del módulo, complejidad del dominio, legibilidad requerida; casos donde la IA aporta valor claro (documentación, utilidades, tests iniciales) y casos donde el criterio humano es imprescindible (lógica de negocio crítica, seguridad, cumplimiento normativo)
5. Integración en el flujo de trabajo del equipo Dónde encaja el coding asistido en el ciclo de sprint; impacto en la revisión de código entre pares; acuerdos de equipo necesarios: qué revisar siempre, cómo documentar el uso de IA, coherencia de herramientas; relación entre velocidad de generación y deuda técnica si no se revisa

• Entorno de desarrollo instalado y funcional (VS Code recomendado)
• Acceso a al menos una herramienta de coding asistido: GitHub Copilot, Cursor o Claude Code
• Framework de tests del lenguaje principal del participante: JUnit 5 (Java), pytest (Python) o Jest (JavaScript)
• Conocimientos básicos de Git: ramas, pull requests y revisión de cambios

→ AIC01 — Desarrollo asistido por IA: Fundamentos (Iniciación, 4h)

• Reconocer los principales casos de uso de las herramientas de IA en el ciclo de desarrollo: generación, explicación, documentación y refactorización básica
• Distinguir entre usar la IA como asistente bajo supervisión humana y delegar en ella la generación de código sin control
• Utilizar una herramienta de coding asistido para generar o explicar fragmentos de código simples a partir de una consigna clara
• Reformular una petición de código para obtener una propuesta más concreta, alineada con el lenguaje y el contexto del proyecto
• Identificar que toda sugerencia de código requiere validación humana y reconocer los errores más frecuentes en código generado por IA