La IA (inteligencia artificial, o AI artificial intelligence por sus significado en inglés), ha irrumpido con fuerza en nuestro mundo. Esta irrupción, por desgracia, no ha venido sino acompañada con todo tipo de presagios y previsiones agoreras. Especialmente, ha habido muchas de estas previsiones relacionadas con profesiones. Con profesiones que se van a acabar, claro.

Estas previsiones sobre profesiones que se van a terminar también las hay para todos los gustos: desde simples mentiras (¿entusiastas, se puede predecir el final de una profesión de manera entusiasta?), a apreciaciones verdaderas que deben aún así aceptarse con matices.

Sí, hay empleos que van a desaparecer. No solo por la IA, sino porque los empleos llevan desapareciendo constantemente a lo largo de nuestra historia (a medida que se añaden otros nuevos, por cierto). Es normal. Por ejemplo: telefonistas (encauzar llamadas al destinatario), ascensoristas (manejo del ascensor), fareros (mantenimiento de faros), faroleros (encender farolas por la noche y apagarlas por la mañana)...

Por ejemplo, se supone que los profesores desaparecerán porque los alumnos podrán aprender de todo simplemente tecleando la pregunta en un chat de IA. Por supuesto, esto es falso. Aunque obtener una respuesta en un chat implicase directamente asimilar el conocimiento pedido, para algo así sería necesario que el alumno tuviera dos aptitudes: el ser autodidacta y el tener una gran base para poder comprender los nuevos conocimientos. Es tan raro encontrar estudiantes verdaderamente autodidactas como que tengan la base necesaria (algo que nos lleva recursivamente a la premisa inicial). Y eso sin tener en cuenta la necesidad tener que de realizar las preguntas adecuadas para progresar en tus estudios...

Otra profesión que desaparecerá, según los agoreros de la IA, es la de programador. Al fin y al cabo, ¿para qué necesitas un programador, cuando puedes pedirle el código fuente a ChatGPT o herramientas de IA similares? En realidad, en el caso de que realmente se usara, es necesario un programador para discernir si el código proporcionado es de calidad o no.

La comparativa

Para decidir si es posible o no reemplazar a los programadores con ChatGPT o similar, resolví presentar el mismo ejemplo de código a varios motores de IA: ChatGPT, Blacbox, Gemini, Copilot y AIChat.

Necesito código Python para una clase que contenga el nombre, apellidos. email y fecha de nacimiento de una Persona. Toda esta información será accesible a través de propiedades de solo lectura. Un método str convertirá la información en cadena de caracteres.
Además, la clase Empleado derivada de persona contiene la información de la empresa para la que trabaja, lo publica como propiedad de solo lectura, y también provee de un método str que convierte toda la información a cadena de caracteres.
La clase Estudiante derivada de persona contiene la institución, el nombre del grado y el número de curso (1 a 4). Toda esta información también se publica como propiedades de solo lectura y también ofrece un método str que convierte toda la información a cadena de caracteres.
Finalmente, la clase PersonaRepo contiene una lista de personas, un método str que devuelve toda la información de todas las personas (una por línea), y una propiedad de solo lectura personas que devuelve una lista de personas. Además, el método busca admite una lambda que permite ejecutar un filtrado de las personas almacenadas.

Este es un ejercicio típico que puede formar parte de un examen para resolver delante de un ordenador (sí, soy profe. Oye, tiene que haber de todo). La idea detrás de este ejercicio es demostrar que el alumno es capaz de manejar conceptos como encapsulación (ocultación de atributos), herencia (como reuso de código y representación del principio de Liskov), o polimorfismo(en este caso a través de una colección y de la reescritura de métodos).

Todas estas características del ejercicio nos lleva a que... se trata de un ejercicio que tan solo emplea las funcionalidades básicas del lenguaje de programación: no hay nada complejo o específico. Además, el enunciado está tan "mascado" que no debería haber problemas de comprensión.

La siguiente tabla muestra si el código fuente devuelto por los diferentes motores de IA es directamente ejecutable o no. He descartado errores de formato (Python es especialmente sensible a esto), y es que sorprendentemente GPTChat y AIChat no se aclaran con dónde empieza el código fuente y dónde acaba en el texto generado.

Las características de cada código tipo son las que aparecen en la siguiente tabla. Las etiquetas ERR indican características que impiden que el código funcione, mientras que las etiquetas SEM indican, en definitiva, problemas de comprensión del problema.

Análisis

Errores sintácticos

Lo normal sería esperar que el código generado por una IA no tenga errores. Al fin y al cabo, se va a utilizar como "parte dada" de una app y no se va a cuestionar su funcionalidad. O se quiere aprender de este código, y por tanto sería muy confuso que aparecieran errores. Bueno, pues aparecen errores que impiden que se ejecute el programa. En cualquier caso, son los errores más sencillos de resolver.

• ERR: init sin guiones bajos.: El código contiene métodos que deberían tener el nombre __init__() (el inicializador de Python) y han sido generados como init(). Esto es particularmente grave, ya que este simple cambio de nombre hace que la clase no tenga un inicializador y por tanto no se puedan crear objetos en su interior. (Sé lo que estás pensando, la línea que separa un error semántico de otro sintáctico es muy fina en Python. Lo que he decidido es poner como errores fallos que generan un mensaje de error, impidiendo la ejecución del programa.)

• ERR: PersonaRepo._persona en vez de PersonaRepo._persona: Este parece un tipo de error cometido de forma más propia por una persona que por un ordenador, al "olvidar" que el atributo es _personas en lugar de _persona.

Errores semánticos

Los errores semánticos son todavía más graves; implican que no se ha comprendido correctamente el enunciado, aunque el programa generado funcione. Es necesario tener un conocimiento profundo para poder corregirlos.

• SEM: No usa datetime para fechas: En lugar de utilizar un objeto datetime para representar las fechas, se emplea una cadena de caracteres. Aunque para casos triviales (como este), puede funcionar, en general hay muchos detalles que hacen necesarios utilizar un objeto de la clase proporcionado por la librería estándar. Husos horarios, cambios en el calendario, formato de fecha de cada país... provocan errores que se evitan casi completamente utilizando un soporte adecuado.

• SEM: Devuelve PersonaRepo._personas directamente: Independientemente del motor de IA utilizado, el contenido de la propiedad personas obtenido es siempre el mismo: return self._personas. Esto es un gran error, de hecho devolver directamente una colección cualquiera, puede llegar a convertirse en una vulnerabilidad. En resumidas cuentas, si creamos una clase alrededor de una colección es, al fin y al cabo, para limitar el acceso a dicha colección. Devolviendo directamente la colección, lo que estamos haciendo es ofrecer una vía directa para que el usuario de la clase en realidad se la salte y haga los cambios que quiera. Así, la clase deja de ser necesaria, en contra de lo diseñado. La forma de solucionarlo es en realidad muy sencilla si se sabe cómo. Basta crear una copia de la lista y devolverla en lugar de la original, por lo que solo sería cuestión de sustituir esa línea por return list(self._personas)

Detalles

Lo siguiente no son fallos graves, pero merece la pena comentar estas características.

• Atrs. privados con un/doble _: En Python no existe, como tal, una forma de indicar que un atributo es privado. Como convención, se indica que se añada un guión bajo delante. Estos atributos siguen siendo accesibles, pero sabes que no están pensados como parte de la interfaz pública de la clase. Solo Copilot utiliza el doble subrayado precedente, que hace que Python lance el name mangling (ocultación de nombres), de manera que es "más difícil" (aunque en absoluto imposible), acceder a ese atributo. Teniendo en cuenta que se trata de código generado automáticamente, para evitar posibles conflictos entre nombres de atributos, sería más apropiado emplear el doble subrayado.

• Utiliza comprensión de listas. Aunque existen muchas maneras de lograr automatizar un problema, en Python son preferibles aquellas más compactas, dado que al ser de naturaleza interpretada recursos como la comprensión de listas mejora muchísimo el rendimiento. Por ejemplo, en el método PersonaRepo.buscar(pred) se puede crear un bucle y añadir en cada vuelta a la persona que cumpla con el predicado pred. O se puede crear una comprensión de listas tan directa como return [p for p in self._personas if pred(p)], como hace el código devuelto por Blackbox, o return filter(pred, self._personas) como hace Copilot. El resto utiliza bucles manuales, que no denotan un conocimiento profundo de Python. Quizás en el caso de Gemini, se podría argüir que se centra más en una explicación (con tanto comentario y bucles) para un principiante que en un código para tomar y utilizar (asumámoslo, la gran mayoría de los usuarios de estos servicios es lo que harán).

• Ejemplo detallado, incluido PersonaRepo.buscar: La mayoría de los motores de IA proveen un ejemplo de uso simple, mientras que Blackbox y Gemini ofrecen un ejemplo más exhaustivo, cubriendo más código del generado.

• No genera código de prueba: Copilot no se "molesta" en generar un código que pruebe su solución, mientras el resto, mejor o peor, sí lo hacen.

• El código de prueba no funciona bien.: AIChat ofrece un código de prueba que... no funciona, o al menos no funciona bien a la hora de mostrar los resultados. Muestra el contenido de una lista de objetos Persona directamente, lo que sabemos que visualizará algo como [Persona object, Persona Object...]. Lo correcto es convertir el resultado en una lista de cadenas de caracteres con [str(x) for x in repo.buscar(lambda persona: persona.nombre.startswith("J"))] y después pasarle esta lista a str.join(", ", lista) (sí, puede ser anidado directamente). O, para no complicarse la vida, hacer como Blackbox: for p in repo.buscar(lambda persona: persona.nombre.startswith("J")): print p.

Volviendo a la premisa: ¿los programadores van a quedarse sin trabajo? Va a ser que no. Esta tecnología está muy, muy verde, especialmente si tomamos en consideración que el ejemplo es muy sencillo (hasta le decimos directamente que utilice propiedades de solo lectura... en otro caso, el código generado no las incluye). Es de notar, además, que ninguno de los códigos generados refuerza la idea de que el grado solo puede tener valores de 1 a 4.

Si tenemos en cuenta que la IA actual es un modelo estadístico actuando sobre una cierta colección de conjuntos de código fuente, está claro que para conseguir una mínima calidad sería necesario vigilar dicho código de partida. ¿Tiene la calidad adecuada para ser parte del código de entrenamiento? En otro caso, el código necesario podría ser empleado como una referencia con respecto a "cómo se hace" algo, pero nunca como código a utilizar directamente. Y ya de sustituir al programador, mejor no hablar. A no ser que sea un programador muy malo, claro.