AI-Fluent Live Coding: Execution System
Objetivo
El objetivo es darte una forma concreta de trabajar con AI en una live coding: cómo empezar, qué delegar, cuándo cortar al agent y cómo cerrar una solución que podés explicar.
No podés tercerizar el entendimiento
La regla central viene de kache (opens in a new tab): podés tercerizar pensar, pero no podés tercerizar entender.
AI puede acelerar implementación, exploración, tests, refactors chicos y revisión. Pero si no entendés el problema o el código final, la entrevista se rompe. El entrevistador no evalúa si una herramienta puede programar. Evalúa si vos podés usarla sin perder control.
Si el entrevistador tiene que explicarte tu propio código, el reject queda muy cerca.
Usá AI para ganar velocidad, no para evitar pensar.
Agent first, IDE second
Una buena estrategia es empezar con el agent cuando el problema todavía necesita empuje amplio:
- leer el repo,
- identificar archivos relevantes,
- proponer un plan corto,
- implementar scaffolding,
- escribir tests iniciales,
- buscar casos borde.
Después, el IDE vuelve al centro. Ahí inspeccionás diffs, corregís detalles, ajustás nombres, validás comportamiento y preparás la explicación.
Cuando ya sabés exactamente qué cambio hay que hacer, muchas veces conviene hacerlo vos. No te quedes en modo espectador por pereza. Si el agent está tardando, preguntando de más o generando ruido, cortalo y seguí manualmente.
Acelerá en las rectas
La analogía de Fórmula 1 sirve: si acelerás en todas partes, te chocás. La habilidad está en identificar las rectas y las curvas.
Buenas rectas para usar AI:
- crear archivos o componentes repetitivos,
- escribir tests alrededor de una conducta clara,
- migrar patrones similares,
- buscar dónde vive una responsabilidad en el repo,
- generar variantes de copy o casos de prueba,
- pedir una revisión de bugs antes del cierre.
Curvas donde tenés que frenar:
- interpretar requerimientos ambiguos,
- decidir estructura de datos o arquitectura,
- revisar edge cases,
- debuggear output que no entendés,
- aceptar cambios grandes que el agent inventó,
- explicar tradeoffs al entrevistador.
El buen uso de AI no es acelerar todo. Es acelerar donde el costo de equivocarse es bajo y recuperar control donde la decisión importa.
Trabajo paralelo
Las tareas difíciles siguen siendo difíciles. Lo que cambió es que muchas tareas fáciles ahora se pueden hacer en paralelo.
Un patrón útil:
- Un agent implementa el cambio principal.
- Otro agent escribe o mejora tests.
- Otro agent revisa el diff buscando bugs, edge cases y sobreingeniería.
- Vos integrás, decidís y explicás.
Esto solo funciona si manejás el contexto activamente. Paralelizar sin supervisión genera conflictos, cambios incompatibles y falsa sensación de avance.
Hacé fácil el cambio
La frase clásica sigue vigente: hacé fácil el cambio, después hacé el cambio fácil.
Con AI, esto importa más. Pensá en agents como una cantidad infinita de juniors rápidos. A veces parecen seniors, y de golpe hacen algo ingenuo. Tu trabajo es darles harnesses, convenciones y feedback loops:
- tests rápidos,
- instrucciones claras,
- límites de alcance,
- comandos de validación,
- ejemplos del estilo del repo.
El harness hace el trabajo pesado. Sin harness, el agent improvisa.
Elegí tus influencias
Hay demasiada información dando vueltas. No vas a usar siempre la mejor herramienta, y está bien.
Elegí una comunidad, creador o empresa que te sirva de ancla para adoptar mejoras:
- Anthropic Engineering (opens in a new tab) y Anthropic Academy (opens in a new tab), para seguir cómo piensan agents, evals, Claude Code y tool use.
- OpenAI Academy (opens in a new tab) y OpenAI API docs (opens in a new tab), para cursos y guías oficiales sobre uso de modelos.
- Nous Research (opens in a new tab), para seguir open-source AI y modelos abiertos.
- Matt Pocock (opens in a new tab), para workflows de AI coding explicados desde software fundamentals.
- Peter Steinberger (opens in a new tab), para ideas agresivas sobre agents, loops y automation.
- Theo Browne (opens in a new tab), para criterio de producto, devtools y adopción práctica.
El objetivo de probar herramientas nuevas no es ganarle productividad a todos los demás cada semana. Es entender qué se volvió posible para tu empresa, tu workflow y tu vida diaria. De a poco encontrás nuevos defaults y desarrollás opiniones propias.
No fuerces workflows que no entendés. Probá, descartá, adoptá y ajustá.
Cómo practicar
- Hacé repeticiones cronometradas con problemas chicos.
- Practicá con permisos y credenciales ya configurados.
- Practicá leer diffs rápido.
- Practicá abandonar una sesión mala sin dramatizar.
- Pedile a otro agent una revisión antes de entregar.
- Cerrá cada práctica explicando la solución sin mirar el transcript.
La meta no es que el agent haga más. La meta es que vos entregues mejor.