Una matriz de competencias en IA para ingenieros de software te ayuda a equilibrar velocidad y seguridad cuando los equipos usan LLM, asistentes de código y copilotos en su día a día. Ofrece a managers e ingenieros un lenguaje común sobre las expectativas, de modo que las promociones resulten justas y el feedback sea accionable. Además, aclara los caminos de desarrollo: cómo se ve lo “bueno” en cada nivel, con resultados observables.
| Área de competencia | Ingeniero junior (IC1-2) | Ingeniero de nivel medio (IC3) | Ingeniero senior/staff (IC4-5) | Tech Lead / Engineering Manager |
|---|---|---|---|---|
| 1) Fundamentos de IA, ética y salvaguardas | Usa las herramientas aprobadas y cumple las reglas de “no pegar” sin excepciones. Señala los resultados de IA dudosos y pide revisión desde el principio. | Explica los límites básicos de los LLM (alucinaciones, prompt injection) y adapta su flujo de trabajo en consecuencia. Documenta la participación de la IA en los PR cuando afecta al riesgo. | Traduce las salvaguardas en convenciones del equipo que reducen retrabajo e incidentes. Detecta patrones de riesgo ocultos (fuga de propiedad intelectual, dependencias inseguras) en distintos repositorios. | Define la política de todo el equipo, el proceso de excepciones y la auditabilidad junto con Seguridad, Legal y Datenschutz. Crea seguridad psicológica para que los ingenieros comuniquen rápido los problemas causados por la IA. |
| 2) Programación y refactorización asistidas por IA | Usa la IA para el andamiaje y el código repetitivo, y luego lo reescribe para mejorar la legibilidad y seguir las convenciones. Añade tests básicos a las rutas de código generadas por IA. | Usa la IA para refactorizar manteniendo el comportamiento mediante tests de caracterización y diffs más pequeños. Rechaza las sugerencias “rápidas” que perjudican la mantenibilidad. | Usa la IA para acelerar grandes refactorizaciones con invariantes claras, benchmarks y planes de migración. Mejora el rendimiento del equipo compartiendo patrones y plantillas. | Define dónde la IA acelera la entrega y dónde añade riesgo (algoritmos centrales, límites de seguridad). Garantiza que los controles de calidad y la propiedad del código sigan siendo claros. |
| 3) IA en la revisión de código y la calidad | Usa la IA para entender código desconocido y proponer preguntas de revisión. Nunca da el visto bueno automático a los comentarios de revisión de la IA; la aprobación final es suya. | Usa la IA para detectar tests que faltan, casos límite e incoherencias, y luego lo valida manualmente. Escribe feedback de revisión que mejora los resultados, no solo el estilo. | Eleva la calidad de las revisiones en todo el equipo con checklists y ejemplos vinculados a defectos vistos en producción. Usa la IA para reducir el ruido y centrar a las personas en el riesgo. | Establece estándares de revisión para el uso de la IA (divulgación, verificación, autoridad de aprobación). Calibra a los revisores para que las expectativas de calidad se mantengan coherentes entre squads. |
| 4) IA en diseño, arquitectura y documentación | Usa la IA para redactar documentación sencilla (READMEs, notas de API) y la contrasta con el código real. Pide ayuda cuando la IA propone patrones que se salen del alcance. | Usa la IA para generar opciones de diseño y luego valida los compromisos con restricciones y requisitos no funcionales. Produce borradores de ADR precisos y revisables. | Usa la IA para explorar alternativas, modos de fallo y vías de migración, y después las pone a prueba con restricciones reales. Mejora la calidad de las decisiones de arquitectura con una mejor documentación. | Garantiza que las decisiones de arquitectura sigan siendo explicables y estén en manos de personas. Alinea las prácticas de diseño asistido por IA con la estrategia de plataforma y las necesidades de cumplimiento. |
| 5) Datos, privacidad y seguridad (enfoque UE/DACH) | Nunca pega secretos, lógica propietaria ni datos personales en herramientas no aprobadas. Aplica por defecto la minimización de datos y la redacción de datos sensibles en los prompts. | Entiende los límites básicos del RGPD y de la confidencialidad en el trabajo de ingeniería. Usa patrones seguros para logs, datos de incidentes y tickets de clientes en los flujos con IA. | Diseña flujos seguros para contextos de alto riesgo (incidentes en producción, correcciones de seguridad, datos regulados). Colabora con seguridad para evitar nuevas vías de ataque impulsadas por la IA. | Impulsa acuerdos (por ejemplo, una Dienstvereinbarung con el Betriebsrat cuando proceda) sobre las herramientas aceptables y el registro. Garantiza que las decisiones sobre proveedores y tratamiento de datos encajen con el apetito de riesgo de la empresa. |
| 6) Diseño de flujos de trabajo y prompts para equipos de desarrollo | Usa patrones de prompt sencillos (tarea, contexto, restricciones, formato de salida). Mantiene los prompts libres de datos sensibles y guarda en local los fragmentos útiles. | Crea prompts reutilizables para tareas habituales (tests, refactorizaciones, triaje de bugs) y los comparte en la documentación del equipo. Añade pasos de verificación a los prompts para reducir errores. | Construye plantillas de prompts que codifican estándares (estilo, modelo de amenazas, profundidad de tests). Mide el impacto con menos ciclos de revisión y menos defectos que llegan a producción. | Institucionaliza una biblioteca de prompts, su responsable y una cadencia de revisión. Alinea los cambios de flujo de trabajo con las métricas de ingeniería y los controles de riesgo. |
| 7) Colaboración y gobernanza | Plantea pronto las inquietudes relacionadas con la IA (seguridad, licencias, datos). Acepta el feedback y ajusta su enfoque sin ponerse a la defensiva. | Se coordina con sus compañeros para un uso coherente de la IA en un repositorio (etiquetas, notas de PR, reglas de revisión). Escala las lagunas de política a los líderes con ejemplos concretos. | Lidera la alineación entre equipos sobre las prácticas de IA y reduce la fragmentación (“cada squad lo hace de forma distinta”). Hace que la gobernanza sea utilizable, no solo documentada. | Dirige el modelo operativo: elección de herramientas, formación, métricas, vías de escalado y aprendizajes de incidentes. Equilibra con transparencia los compromisos entre velocidad, coste, privacidad y seguridad. |
| 8) Coaching y capacitación | Comparte lo que aprende y pide hacer pair programming cuando tiene dudas. Ayuda a mantener actualizada la documentación del equipo cuando la IA cambia el código o el comportamiento. | Ayuda a los juniors a verificar los resultados de la IA y a desarrollar buenos hábitos (tests, legibilidad, divulgación). Da feedback concreto sobre prompts y higiene de revisión. | Hace de mentor para que otros usen la IA de forma segura y autónoma, reduciendo los cuellos de botella en los líderes. Dirige sesiones breves de capacitación basadas en problemas reales del equipo. | Construye una capacitación escalable: onboarding, playbooks, laboratorios de formación y rutinas de coaching. Garantiza que los managers den ejemplo de un uso responsable de la IA en el feedback y las decisiones. |
Ideas clave
- Usa la matriz para definir la evidencia de las promociones, no opiniones personales.
- Convierte los riesgos de la IA en comportamientos observables: lo que hacen los ingenieros, no lo que creen.
- Estandariza las pruebas: PR, tests, ADR e informes de incidentes valen más que “parece senior”.
- Haz sesiones de calibración con ejemplos reales para reducir la deriva y el sesgo de los evaluadores.
- Actualiza las salvaguardas cada trimestre, a medida que cambian las herramientas, las políticas y las amenazas.
Definición
Esta matriz de competencias en IA para ingenieros de software es un marco por roles que describe cómo es un uso seguro y eficaz de la IA en el trabajo de ingeniería. Puedes usarla para la selección, las evaluaciones de desempeño, los casos de promoción, los planes de desarrollo y el feedback entre compañeros, con evidencias ancladas en artefactos reales como PR, tests, ADR e informes de incidentes.
Cómo cambia una matriz de competencias en IA para ingenieros de software el trabajo diario de ingeniería
Las herramientas de IA desplazan el esfuerzo de ingeniería de escribir código a plantear problemas, validar resultados y gestionar el riesgo. Los mejores ingenieros no “usan más la IA”; la usan en los lugares adecuados y siguen respondiendo de la corrección. Si defines esto de forma explícita, reduces las regresiones de calidad silenciosas y las expectativas incoherentes entre equipos.
Ejemplo hipotético: Dos ingenieros entregan la misma funcionalidad en el mismo sprint. Uno usa la IA para generar casi todo el código, pero no añade tests y produce un diseño frágil. El otro usa la IA para el andamiaje, escribe primero tests de caracterización y documenta los compromisos en el PR; el segundo resultado se mantiene estable ante los cambios.
- Define de 3 a 5 “tareas aceleradas por IA” por equipo (tests, documentación, refactorizaciones, triaje).
- Acordad qué significa “responsabilidad”: quién da el visto bueno, quién verifica, quién supervisa.
- Añade un campo al PR: “¿Se usó IA? ¿Dónde? ¿Qué se verificó?” para mejorar la auditabilidad.
- Forma a los ingenieros para que traten el resultado de la IA como un borrador, nunca como fuente de verdad.
- Usa las retros para recoger cuándo la IA ayudó y cuándo aumentó el retrabajo.
Cómo incorporar salvaguardas a una matriz de competencias en IA para ingenieros de software (enfoque DACH)
Los equipos de ingeniería de la UE y de DACH se enfrentan a restricciones más estrictas en materia de RGPD, confidencialidad y codeterminación. Las salvaguardas funcionan cuando son concretas: qué se puede pegar, dónde, con qué aprobaciones y cómo se documentan las excepciones. Si las reglas son vagas, la gente las ignora o se ralentiza sin necesidad.
Benchmarks/tendencias (2023): El NIST AI Risk Management Framework (AI RMF 1.0) plantea el riesgo de la IA como una responsabilidad a lo largo de todo el ciclo de vida, no como una revisión puntual de una herramienta. Eso encaja bien con la ingeniería: diseñar, implementar, probar, desplegar, supervisar.
Ejemplo hipotético: Un desarrollador pega en un chatbot público un log de errores de producción que contiene datos personales para depurar más rápido. Un compañero lo detecta en una pantalla compartida, lo escala, y el equipo actualiza el playbook de “depuración de incidentes con IA” para usar redacción de datos sensibles y herramientas aprobadas.
- Crea una lista de una página de “no introducir”: secretos, datos personales, algoritmos propietarios, contratos de clientes.
- Define un flujo seguro para incidentes: checklist de redacción de datos, herramientas aprobadas y pasos de revisión.
- Alinéate con Seguridad, Legal y Datenschutz sobre las categorías de herramientas y las opciones de residencia de datos.
- Cuando proceda, incluye pronto al Betriebsrat y documenta las reglas en una Dienstvereinbarung.
- Facilita la comunicación y evita las culpas, para que los pequeños errores no se conviertan en patrones ocultos.
Programación y refactorización asistidas por IA: velocidad que aguanta el mantenimiento
La programación con IA aporta valor cuando reduce el tiempo de ciclo sin aumentar la carga cognitiva futura. La competencia observable no es “hacer prompts ingeniosos”, sino entregar código legible con tests, un diseño coherente y una responsabilidad clara. Tu matriz debe premiar el resultado: menos regresiones y revisiones más rápidas, no diffs más grandes.
Ejemplo hipotético: Un ingeniero de nivel medio usa la IA para refactorizar un módulo de parsing heredado. Primero añade tests de caracterización, luego refactoriza en PR pequeños y por último añade benchmarks; la refactorización se entrega sin cambios de comportamiento y con mejor legibilidad.
- Exige tests para la lógica generada por IA, proporcionales al riesgo (unitarios, de integración, basados en propiedades).
- Fomenta los “diffs pequeños”: usa la IA para proponer pasos y haz commits de forma incremental.
- Usa la IA para redactar documentación y comentarios, y luego edítalos para ajustarlos al vocabulario y la intención del equipo.
- Añade controles de calidad: lint, SAST, comprobación de dependencias y detección de secretos en la CI.
- Premia a los ingenieros que eliminan código y reducen la complejidad, no a los que generan más.
Si ya mantienes conversaciones de desarrollo estructuradas, vincula las expectativas sobre IA a tu ritmo actual de gestión del desempeño para que el feedback sea coherente entre equipos.
IA en la revisión de código y la depuración: mejores preguntas, menos puntos ciegos
La IA puede ayudar a los revisores a detectar tests que faltan, casos límite sospechosos y patrones incoherentes, pero también puede generar una falsa confianza. La competencia que buscas es una verificación disciplinada: los revisores usan la IA para ampliar la cobertura y luego toman decisiones humanas con evidencias. La depuración funciona igual: la IA sugiere hipótesis y los ingenieros las validan con logs, métricas y reproducciones controladas.
Benchmarks/tendencias (2023): El OWASP Top 10 for Large Language Model Applications destaca riesgos como la prompt injection y la exposición de datos sensibles. Aunque no construyas aplicaciones con LLM, estos riesgos aparecen cuando los desarrolladores pegan datos en herramientas o usan IA en los pipelines.
Ejemplo hipotético: Un revisor pide a una herramienta de IA que critique un PR y esta afirma que no hay ninguna condición de carrera. El revisor senior ejecuta igualmente un test de concurrencia y encuentra un problema real; el equipo actualiza la checklist de revisión para incluir “la IA asesora, los tests deciden”.
- Adopta una checklist de revisión: “¿Qué sugirió la IA? ¿Qué verificaste tú?”
- Calibra cuándo son aceptables los comentarios de revisión de la IA: indicaciones de estilo frente a afirmaciones sobre corrección.
- Usa la IA para redactar el texto de la revisión y luego reescríbelo como feedback concreto y accionable.
- Estandariza las etiquetas en los PR (por ejemplo, “asistido por IA”) para mejorar la trazabilidad y el aprendizaje.
- Recoge los defectos relacionados con la IA en los post-mortems para afinar prompts y salvaguardas.
IA en arquitectura y documentación: borradores más rápidos, decisiones más sólidas
La arquitectura y el diseño se benefician de la IA cuando esta amplía el abanico de opciones y acelera la documentación. La competencia se ve en la validación: los ingenieros traducen el resultado de la IA en restricciones, compromisos y criterios de aceptación medibles. Los equipos sólidos también usan la IA para mantener la documentación al día, no como un esfuerzo puntual.
Ejemplo hipotético: Un ingeniero staff pide a la IA tres enfoques de multi-tenancy. Convierte los dos mejores en opciones de ADR y los valida con requisitos de aislamiento de datos, modos de fallo y coste de migración; el ADR se aprueba con criterios de rollback claros.
- Usa la IA para redactar ADR, pero exige que las secciones de “decisión” y “por qué ahora” las escriba una persona.
- Añade un bloque de “requisitos no funcionales” (latencia, disponibilidad, privacidad) a los prompts de diseño con IA.
- Valida las afirmaciones de arquitectura de la IA con prototipos, pruebas de carga o comprobaciones de restricciones.
- Usa la IA para crear diagramas y documentación, y luego revísalos para comprobar su corrección y asignarles responsable.
- Premia a los ingenieros que reducen la ambigüedad para los demás: una buena documentación acorta el onboarding.
Para mantener la coherencia de las expectativas entre roles, conecta esta matriz con tu trabajo más amplio de marco de carrera y que los ingenieros vean cómo crece el impacto con el nivel.
Flujo de trabajo del equipo, gobernanza y capacitación: cómo hacer segura la IA a escala
El uso de la IA se vuelve caótico cuando cada squad inventa sus propias reglas. El enfoque más escalable es sencillo: definir estándares, publicar plantillas, revisar ejemplos reales y mantener un responsable de las actualizaciones. En contextos DACH, la gobernanza incluye además la confianza: reglas transparentes, recogida mínima de datos y claridad sobre qué se supervisa (y qué no).
Ejemplo hipotético: Una organización de ingeniería crea una biblioteca de prompts compartida para tests, refactorizaciones y triaje de incidentes. Tras dos meses, observan una mejor calidad de revisión pero también plantillas duplicadas; un tech lead cura la biblioteca, elimina los prompts arriesgados y añade una revisión trimestral.
- Nombra un responsable (líder de plataforma, security champion o grupo de capacitación) de las prácticas de IA.
- Crea una pequeña biblioteca de prompts con indicaciones sobre “entradas seguras” y pasos de verificación.
- Establece normas de seguridad psicológica: comunicar errores de la IA suma puntos, no genera culpas.
- Acordad un registro mínimo: recoge lo que necesitas para la seguridad, no para la vigilancia.
- Haz repasos trimestrales para que las prácticas sigan el ritmo de los cambios en las herramientas y los nuevos riesgos.
Para que sea sostenible a largo plazo, trata la matriz como parte de la gestión de skills: evidencias, análisis de brechas y acciones de desarrollo específicas, no un documento estático.
Niveles de competencia y alcance
Ingeniero junior (IC1-2): Trabaja en tareas bien acotadas con una revisión estrecha. Sus derechos de decisión se limitan a cambios de código locales; su principal aportación es una entrega fiable y un aprendizaje rápido. En el uso de la IA, los juniors siguen las salvaguardas y muestran hábitos de verificación constantes.
Ingeniero de nivel medio (IC3): Es responsable de funcionalidades de principio a fin dentro de un servicio o dominio, con una ambigüedad moderada. Sus derechos de decisión incluyen el enfoque de implementación y la estrategia de tests; su aportación se ve en una entrega predecible y menos idas y vueltas en las revisiones. En el uso de la IA, los ingenieros de nivel medio crean flujos repetibles y seguros y documentan la participación de la IA cuando cambia el riesgo.
Ingeniero senior/staff (IC4-5): Es responsable de espacios de problemas más amplios que abarcan servicios, equipos o plataformas. Sus derechos de decisión incluyen compromisos de arquitectura, controles de calidad y patrones de respuesta a incidentes; su aportación se ve en el efecto multiplicador, menos incidencias en producción y una dirección técnica más clara. En el uso de la IA, los seniors establecen estándares, detectan riesgos sistémicos y mejoran la capacitación de los demás.
Tech Lead / Engineering Manager: Es responsable de los resultados a través de las personas, los procesos y la dirección técnica. Sus derechos de decisión incluyen la priorización, el cumplimiento de las políticas, la elección de herramientas (dentro de la gobernanza) y las decisiones de desempeño; su aportación se ve en el rendimiento del equipo, la calidad y unas prácticas sostenibles. En el uso de la IA, los líderes alinean a las partes interesadas (Seguridad/Legal/Datenschutz/Betriebsrat), mantienen una gobernanza práctica y garantizan que la responsabilidad siga siendo humana.
Áreas de competencia
Fundamentos de IA, ética y salvaguardas en ingeniería: Se centra en entender qué pueden y qué no pueden hacer las herramientas de IA y qué riesgos introducen. Los resultados típicos son menos “sorpresas de la IA” en producción y expectativas más claras sobre divulgación y verificación.
Programación y refactorización asistidas por IA: Se centra en usar la IA para reducir el tiempo de ciclo manteniendo el código legible, comprobable y alineado con las convenciones del equipo. Los resultados se ven en diffs más pequeños, revisiones más rápidas y menos regresiones tras las refactorizaciones.
IA en la revisión de código y la calidad: Se centra en usar la IA para ampliar la cobertura de la revisión sin que el juicio final deje de ser del revisor. Los resultados incluyen una mejor detección de defectos, mejores comentarios de revisión y menos bugs que se escapan.
IA en diseño, arquitectura y documentación: Se centra en usar la IA para redactar opciones y documentación y luego validar los compromisos con restricciones reales. Los resultados incluyen ADR más claros, mejor alineación y menos decisiones que hay que rehacer.
Datos, privacidad y seguridad: Se centra en el manejo seguro de datos, la gestión de secretos y la conciencia de amenazas cuando las herramientas de IA tocan código, logs, tickets o datos de clientes. Los resultados incluyen menos incumplimientos de políticas y flujos de incidentes más seguros.
Flujo de trabajo y diseño de prompts: Se centra en crear prompts y plantillas reutilizables que codifican estándares y pasos de verificación. Los resultados incluyen un onboarding más rápido y resultados más coherentes entre ingenieros.
Colaboración y gobernanza: Se centra en alinear el uso de la IA entre equipos y funciones, incluidos Seguridad, Legal, Datos y RR. HH./People. Los resultados incluyen menos dispersión de herramientas y vías de escalado más claras.
Coaching y capacitación: Se centra en elevar la capacidad de todo el equipo mediante mentoría, formación y playbooks. Los resultados incluyen menos dependencia de unos pocos “power users de IA” y una calidad más coherente.
Valoración y evidencias
| Valoración | Etiqueta | Definición específica para ingeniería | Evidencia típica |
|---|---|---|---|
| 1 | Conocimiento básico | Conoce las reglas y los riesgos básicos, pero los aplica de forma irregular si no se le recuerdan. | Notas ocasionales en los PR; verificación incompleta; depende mucho de otros para detectar problemas. |
| 2 | Básico | Usa la IA de forma segura en tareas habituales y verifica la corrección y el estilo de los resultados. | PR con tests; prompts documentados; cumple de forma constante las reglas de “no pegar”. |
| 3 | Competente | Usa la IA para mejorar el rendimiento y la calidad, construye flujos repetibles y reduce el retrabajo del equipo. | Series de PR de refactorización; checklists de revisión; borradores de ADR; informes de incidentes que muestran los pasos de validación. |
| 4 | Avanzado | Genera un efecto multiplicador entre equipos: estándares, plantillas, mejoras de gobernanza y una reducción medible del riesgo. | Playbooks de equipo; biblioteca de prompts curada; documentos de alineación entre equipos; menos defectos que se escapan con el tiempo. |
| 5 | Experto | Da forma a la práctica y la gobernanza de la ingeniería con IA en toda la organización, con una fuerte alineación de las partes interesadas y auditabilidad. | Política + proceso de excepciones; programas de formación; temas de post-mortem; mejoras medibles en cumplimiento y calidad. |
Qué cuenta como evidencia: PR e hilos de revisión, cambios en la cobertura de tests, ADR, documentos de arquitectura, informes de incidentes y post-mortems, tickets de seguridad y ejemplos de plantillas de prompts usadas por otros. Siempre que sea posible, vincula la evidencia con resultados: menos incidentes, ciclos de revisión más rápidos, menos rollbacks, documentación más clara, menor tiempo de depuración.
Mini ejemplo (Caso A vs. Caso B): Caso A: usaste la IA para generar tests de un nuevo endpoint y lo entregaste sin problemas. En IC2, esto puede valorarse como “Básico” si los tests cubren el camino feliz y seguiste las convenciones. Caso B: usaste la IA para generar tests, pero además identificaste casos límite que faltaban, añadiste tests basados en propiedades y creaste una plantilla de prompt reutilizable que usan otros ingenieros. En IC4, esto puede valorarse como “Competente/Avanzado” porque escala más allá de un solo PR.
Si quieres que estas valoraciones se sostengan en las conversaciones de promoción, toma prestada la estructura de una escala de valoración basada en comportamientos: comportamientos observables, ejemplos coherentes y notas de calibración compartidas.
Señales de crecimiento y señales de alerta
- Señales de crecimiento (listo para el siguiente nivel): Entrega resultados estables durante varios meses; reduce el retrabajo de otros; documenta los pasos de verificación; anticipa los riesgos relacionados con la IA; mejora los prompts y plantillas del equipo; maneja tareas de mayor ambigüedad sin perder calidad; gana confianza en las revisiones y en los incidentes.
- Señales de alerta (la promoción se ralentiza): Confía en exceso en los resultados de la IA; entrega sin tests; pega datos sensibles; produce diffs grandes e ilegibles; repite los mismos errores causados por la IA; oculta la incertidumbre; documentación débil; culpa a las herramientas en lugar de asumir los resultados; genera fricción de gobernanza ignorando las reglas acordadas.
Seguimientos y sesiones de revisión
Para que la matriz de competencias en IA para ingenieros de software siga siendo útil, organiza formatos ligeros y recurrentes que comparen ejemplos reales con el marco. El objetivo es un entendimiento compartido, no una calibración perfecta.
Formatos sugeridos:
- “Revisión de prácticas de IA” mensual (30 minutos): Un PR de ejemplo + una plantilla de prompt de ejemplo. Comentad qué se verificó y qué cambiaría en el siguiente nivel.
- Calibración trimestral (60-90 minutos): Managers y líderes llevan de 2 a 3 paquetes de evidencias por ingeniero (PR, ADR, incidentes). Comentad los casos dudosos y documentad las decisiones.
- Aprendizaje posincidente (15 minutos en la retro): Si la IA contribuyó, recoge el modo de fallo y actualiza las checklists y los prompts.
- Revisión de la biblioteca de prompts (trimestral): Elimina los prompts arriesgados u obsoletos y añade mejores instrucciones de “entradas seguras”.
Cómo alinean los líderes las valoraciones: Empieza con valoraciones independientes y luego comenta las diferencias. Usa comprobaciones de sesgo sencillas: “¿Estamos dando demasiado peso a un incidente visible?”, “¿Estamos confundiendo velocidad con impacto?”, “¿Tenemos evidencias comparables entre ingenieros?”. Mantén un registro de decisiones para que las valoraciones sigan siendo explicables meses después; el flujo encaja bien con un enfoque estructurado de calibración de talento.
Preguntas de entrevista
1) Fundamentos de IA, ética y salvaguardas
- Cuéntame una ocasión en que el resultado de la IA parecía seguro pero era erróneo. ¿Qué hiciste?
- Describe una situación en la que decidiste no usar la IA. ¿Por qué?
- ¿Cómo declaras la ayuda de la IA en los PR o en los documentos de diseño? Pon un ejemplo.
- Cuéntame una salvaguarda que cumpliste bajo presión de tiempo. ¿Cuál fue el resultado?
- ¿Cuándo has escalado un riesgo de IA a Seguridad/Legal/Datenschutz? ¿Qué pasó después?
2) Programación y refactorización asistidas por IA
- Cuéntame una refactorización en la que la IA ayudó. ¿Cómo evitaste cambios de comportamiento?
- ¿Qué pasos sigues antes de fusionar código generado por IA en un módulo central?
- Describe una ocasión en que rechazaste código de la IA porque perjudicaba la mantenibilidad. ¿Qué cambiaste?
- ¿Cómo estructuras los prompts para obtener diffs más pequeños y seguros?
- ¿Qué evidencias usas para demostrar que una refactorización no degradó el rendimiento?
3) IA en la revisión de código y la calidad
- Cuéntame una ocasión en que la IA sugirió un comentario de revisión que decidiste no usar.
- ¿Cómo verificas los problemas señalados por la IA (seguridad, rendimiento, casos límite)?
- Describe un PR de alto riesgo que revisaste. ¿Dónde ayudó la IA y dónde no?
- Cuéntame un defecto que se escapó de la revisión. ¿Cómo actualizaste tu checklist?
- ¿Cómo evitas que las revisiones asistidas por IA se vuelvan ruidosas o genéricas?
4) IA en diseño, arquitectura y documentación
- Cuéntame una decisión de arquitectura en la que la IA generó opciones. ¿Cómo elegiste una?
- Describe una ocasión en que la IA sugirió un diseño demasiado complejo. ¿Cómo lo simplificaste?
- ¿Cómo validas las afirmaciones de la IA sobre escalabilidad, latencia o modos de fallo?
- Comparte un ejemplo de un ADR que escribiste o en el que influiste. ¿Cuál fue el resultado?
- ¿Cómo garantizas que la documentación siga siendo precisa cuando la IA acelera el cambio?
5) Datos, privacidad y seguridad
- Cuéntame una ocasión en que tuviste que depurar con logs sensibles. ¿Cómo lo gestionaste?
- ¿Qué datos no pegas nunca en herramientas de IA? Da ejemplos concretos.
- Describe una ocasión en que encontraste un riesgo de exposición de secretos o datos sensibles en un flujo de trabajo.
- ¿Cómo gestionas los tickets de clientes o las trazas de producción cuando usas la IA para el triaje?
- Cuéntame una ocasión en que colaboraste con seguridad en cambios de herramientas o de políticas.
6) Diseño de flujos de trabajo y prompts para equipos de desarrollo
- Cuéntame una plantilla de prompt que creaste y que otros usaron. ¿Qué cambió?
- ¿Cómo diseñas prompts para forzar pasos de verificación (tests, razonamiento, citas)?
- Describe una ocasión en que mejoraste un prompt tras un mal resultado. ¿Qué aprendiste?
- ¿Cómo evitas datos sensibles en los prompts sin dejar de dar contexto útil?
- ¿Cómo es un “buen formato de salida” para prompts de revisión de código o de análisis de incidentes?
7) Colaboración y gobernanza
- Cuéntame una ocasión en que distintos equipos usaban herramientas de IA diferentes y eso causó fricciones. ¿Cómo los alineaste?
- Describe una laguna de política que identificaste sobre el uso de la IA. ¿Cómo la resolviste?
- Cuéntame un desacuerdo con Seguridad/Legal y cómo llegasteis a una decisión.
- ¿Cómo equilibras la productividad de los desarrolladores con la auditabilidad y las restricciones de privacidad?
- Describe una ocasión en que escalaste una solicitud de excepción. ¿Cuál fue la decisión y por qué?
8) Coaching y capacitación
- Cuéntame una ocasión en que ayudaste a alguien a verificar mejor los resultados de la IA. ¿Qué mejoró?
- ¿Cómo ayudas a los juniors a evitar una dependencia excesiva de la IA en tareas ambiguas?
- Describe una sesión de capacitación que hayas dirigido (o dirigirías). ¿Cuál fue el resultado?
- ¿Cómo mides si la capacitación ha cambiado realmente el comportamiento?
- Cuéntame una ocasión en que cambiaste las normas del equipo para aumentar la seguridad psicológica ante los errores.
Para conectar la matriz con los objetivos, las evaluaciones y los planes de desarrollo, usa un software de gestión del talento.
Implantación y actualizaciones
Un despliegue práctico apuesta por un piloto pequeño, feedback rápido y una responsabilidad clara. Mantenlo lo bastante ligero para que ingenieros y managers lo usen de verdad y luego escálalo.
- Arranque (semanas 1-2): Define el alcance (herramientas, repositorios, clases de datos), los responsables y las reglas de “no pegar”.
- Capacitación de managers (semanas 2-4): Forma a los revisores en estándares de evidencia y comprobaciones de sesgo; acordad qué significa “verificación”.
- Piloto (1 equipo, 1 ciclo): Haz un ciclo de revisión con la matriz y recoge ejemplos concretos que resultaron ambiguos.
- Revisión tras el primer ciclo (semanas 8-10): Afina los anclajes, elimina las formulaciones vagas y actualiza prompts y checklists.
- Mantenimiento continuo (trimestral + anual): Revisión trimestral de salvaguardas y prompts; actualización anual de la matriz con aportaciones de Seguridad, Legal y Datenschutz.
Para escalar, ayuda guardar las evidencias y las acciones de desarrollo en un solo lugar (por ejemplo, en un espacio de skills y crecimiento como Sprad Growth) para que los managers no tengan que reconstruir el contexto en cada ciclo. Si impulsas una formación más amplia en IA, alinea la matriz con tus programas de formación en IA para empresas para que la formación se corresponda con comportamientos observables.
Conclusión
Una buena matriz de competencias en IA para ingenieros de software aporta claridad: los ingenieros saben qué significa “uso seguro y eficaz de la IA” en su nivel. También favorece la equidad: las conversaciones de promoción y desempeño se basan en evidencias comparables, no en quién habla mejor de IA. Y mantiene el desarrollo práctico: la gente ve los siguientes comportamientos que practicar, vinculados a artefactos de ingeniería reales.
Los siguientes pasos pueden ser sencillos. En las próximas dos semanas, elige un equipo para pilotar la matriz y acordad los estándares de evidencia (PR, tests, ADR, incidentes). En un plazo de seis a ocho semanas, haz una primera sesión de calibración con ejemplos reales y documenta un breve registro de decisiones. En un trimestre, revisa qué ha cambiado: señales de calidad, retrabajo y las lagunas de política que hayan surgido, y actualiza la matriz y las salvaguardas con una responsabilidad clara.
Preguntas frecuentes
¿Cómo usamos este marco sin convertirlo en “vigilancia de la IA”?
Céntrate en los resultados y las evidencias, no en el volumen de uso de herramientas. La matriz premia la verificación, la documentación y las decisiones más seguras, no “usar IA en todas partes”. Mantén un registro mínimo y limitado a su finalidad (seguridad y aprendizaje de calidad) y sé transparente sobre lo que se rastrea. En contextos DACH, alinéate pronto con el Betriebsrat y documenta las salvaguardas en un lenguaje claro para preservar la confianza.
¿Cómo gestionamos a los ingenieros que deciden no usar IA?
Valora los resultados, no las preferencias. Si alguien entrega trabajo de alta calidad con buena colaboración y una documentación sólida, puede seguir cumpliendo las expectativas. La matriz te ayuda a separar la “IA como herramienta” de competencias como la disciplina de verificación y la conciencia del riesgo. Aun así, puedes fijar expectativas de rol donde la IA resulta útil (por ejemplo, una documentación más rápida) siempre que existan alternativas.
¿Cómo evitamos el sesgo en las evaluaciones de desempeño cuando los resultados de la IA varían según la persona?
Exige evidencias comparables: PR, tests, ADR e incidentes recientes, no relatos. Usa sesiones de calibración para comentar los casos dudosos y aplica comprobaciones de sesgo sencillas (recencia, efecto halo, visibilidad). Vigila también la “ventaja de prompts”: algunos ingenieros pueden tener mejores plantillas; prémialos por compartirlas y por la capacitación, no solo por las ganancias de productividad privadas.
¿Con qué frecuencia debemos actualizar la matriz de competencias en IA para ingenieros de software?
Planifica dos cadencias. Actualiza las salvaguardas y las plantillas de prompts cada trimestre, porque las herramientas y los patrones de riesgo cambian rápido. Renueva la matriz cada año, porque las expectativas de los roles deben mantenerse lo bastante estables para una evaluación justa. Usa un registro de cambios ligero para que los equipos sepan qué cambió y por qué, y evita cambios constantes que vuelven incoherentes las valoraciones.
¿Cuál es un buen punto de partida para la gestión de riesgos de IA en ingeniería?
Empieza con un vocabulario compartido sobre los riesgos y conviértelo en reglas y evidencias prácticas. El NIST AI Risk Management Framework (AI RMF 1.0) es una referencia de alto nivel sólida: asigna los riesgos a tu ciclo de vida (diseño, construcción, revisión, despliegue, supervisión) y define después reglas de “no pegar”, pasos de verificación y un proceso de excepciones. Mantenlo utilizable para ingenieros bajo presión de entrega.



