19 La IA como programadora
Este capítulo forma parte de un libro en desarrollo activo y todavía no ha pasado por la revisión del autor. El contenido puede cambiar a medida que avanza la revisión.
La decisión de investigación. Tú decides qué cantidad debe calcular tu código y sobre qué conjunto de casos, y lo sigues decidiendo en cada vuelta del bucle, porque la herramienta reescribe el código cada vez que presionas enter. Una celda que corre sin error no es un resultado que te hayas ganado. Es un borrador que no has leído.
19.1 Por qué importa esta decisión
La decisión sobre la mesa: qué cantidad calcula tu código y qué casos cuenta.
“No me leas el porcentaje. Dime sobre qué ciudades se calculó. Si tu código solo vio los municipios con portal de datos abiertos, no describiste el estado. Describiste los portales.” — una funcionaria estatal de acceso a la información pública, a quien le piden actuar a partir de un informe de transparencia
Una IA escribe tu código de análisis en segundos, y corre. Ahí mismo está el peligro. La herramienta escribe código fluido para la cantidad que cree que le pediste, sobre las filas que haya en el dataframe que le entregaste. Pega el número impreso en tu informe y habrás firmado con tu nombre una cantidad que nunca revisaste, sobre un conjunto que nunca elegiste. A la funcionaria de arriba no le importa que el código estuviera limpio, sino qué contó y sobre quiénes.
19.2 El concepto
La herramienta es la programadora. Tú eres quien investiga. Dos decisiones nunca pasan al lado del escritorio de la programadora, y este capítulo trata de cómo sostenerlas.
- Resumen descriptivo: un número o una imagen que reporta lo que de verdad hay en los casos que puedes ver, como una proporción, un promedio o una distribución completa. Ejemplo: la fracción de concejos municipales que publican las actas de sus sesiones dentro de una semana.
- Cantidad de interés: el número exacto que se supone que tu código debe producir, fijado en palabras antes de que pidas una sola línea de código. Ejemplo: “la proporción de municipios del estado que publican las actas del concejo dentro de los siete días posteriores a la sesión”.
- Marco: el conjunto concreto de casos que tus datos realmente cubren, que suele ser más pequeño que el grupo del que trata tu pregunta. Ejemplo: solo las ciudades que publican a través de un portal de datos abiertos.
- Muestra por conveniencia: un conjunto de casos reunidos porque eran fáciles de alcanzar, no elegidos para representar a una población. Ejemplo: esas ciudades con portal, que suelen ser las más grandes y con más personal del estado.
Esta es la trampa que el capítulo cierra. Una herramienta puede calcular una proporción impecable sobre el marco equivocado, y el código igual termina con una marca verde. Una corrida limpia no es un resultado correcto: una celda puede ejecutarse sin error y aun así calcular un número distinto del que tu pregunta necesita.
19.2.1 Programar con IA es un bucle, no un deseo
Nadie obtiene código de análisis funcional con un solo prompt, y tú no deberías intentarlo. Programar de verdad con ayuda de IA es un bucle de IA: el ciclo prompt → respuesta → interrogación → refinamiento → nueva ejecución. Las herramientas agénticas ya corren ese bucle solas. Escriben, ejecutan, leen el error, parchan el código, vuelven a correr y te entregan un estado final ordenado con un párrafo sobre lo bien que salió.
El bucle es una ganancia real de velocidad. También es donde tu marco se pierde. Cualquier vuelta puede agregar un filtro, eliminar una unión o tomar otra columna, y el código que finalmente lees puede no ser el que especificaste tres vueltas atrás. Nada anuncia el cambio. El número simplemente se pone más bonito.
Por eso la verificación corre por ciclo, no por sesión. Cada vez que el código cambia, vuelves a hacer las mismas dos preguntas: ¿qué cantidad, sobre qué casos? Cuando una herramienta corre los ciclos por ti, oblígala a entregar las decisiones que tomó en el camino, y lee el código en vez de su resumen del código. Hay dos cosas que te pertenecen y que la programadora no puede tomar. Primero, tú defines la cantidad de interés y el marco en palabras claras, antes de delegar. Segundo, tú confirmas que el código que tienes enfrente ahora mismo calcula esa cantidad sobre ese marco, y no un vecino plausible.
19.3 Un ejemplo resuelto
Quieres responder una pregunta sencilla sobre tu estado: ¿qué proporción de concejos municipales publica las actas de sus sesiones dentro de siete días? Tienes una hoja de cálculo extraída de los sitios web municipales, y le pides a una IA que escriba el Python que devuelve la proporción que publica a tiempo.
Vuelta uno. Escribe seis líneas limpias. Corren. La impresión dice que el 95% de los concejos publica sus actas a tiempo, y la tentación es escribir “el cumplimiento es sólido”. En vez de eso, lees qué hizo el código.
Vuelta dos. Lo interrogas: ¿qué filas hay aquí adentro y qué eliminaste? Salen dos cosas. El dataframe contiene solo los 40 municipios que publican a través de un portal de datos abiertos, los más grandes y con más personal del estado. En el listado oficial hay 240 municipios. Esa es una muestra por conveniencia que en silencio se hace pasar por todos ellos. El código además llama a .dropna(), y las filas eliminadas son los municipios donde el extractor volvió vacío, que son exactamente los lugares pequeños con el personal administrativo más escaso. El 95% describe a las ciudades con más recursos y con sus peores registros borrados.
Vuelta tres. Vuelves a anclarte en tu cantidad de interés: la proporción sobre todos los municipios del listado estatal, con los registros irrecuperables marcados en vez de eliminados. Refinas el prompt para decir exactamente eso, corres de nuevo y el panorama cambia. A lo sumo en uno de cada seis municipios está confirmada la publicación a tiempo, y sobre la mayor parte del estado simplemente no sabes. Ese “no sabemos” es un hallazgo, no un hueco que haya que tapar.
Ahora fíjate en qué habría pasado si una herramienta agéntica hubiera corrido sola las tres vueltas. Te habría entregado el pulido 95% con un párrafo seguro, y la decisión que encogió tu estado a 40 ciudades habría ocurrido dentro de un paso que nunca viste. La herramienta escribió código correcto para la pregunta equivocada. Tú hiciste la investigación al decidir qué tenía permitido contar ese código.
19.4 El laboratorio en Colab
Este capítulo tiene su propio cuaderno de acompañamiento: ábrelo en Colab con la insignia de arriba. El cuaderno reúne los prompts y el código del capítulo y termina con el espacio de trabajo Ahora te toca a ti, para que completes el paso del capítulo en tu proyecto sin salir de Colab. El laboratorio de aula completo detrás de este capítulo es el cuaderno del curso nb05 — Investigación descriptiva observacional (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. Ahí le entregas celdas a tu IA y le haces ganarse tu confianza: le pides que explique, línea por línea, por qué diez muestras aleatorias se agrupan alrededor de la media verdadera de un marco mientras un canal por conveniencia se aleja de ella casi doce años, y después confirmas el rango que cita contra los números que de verdad imprimió tu propia celda. Esa distancia entre la historia fluida de la herramienta y tu impresión es la lección de este capítulo, corriendo en vivo.
19.5 Prompts de IA recomendados
Comprométete primero con tu propia respuesta, y luego delega. Cada prompt es un trabajo verificable, no una solicitud de veredicto, y cada uno es una vuelta de un bucle que sigues corriendo hasta que el código diga lo que querías decir.
Ubica el modismo estándar.
Act as a Python data assistant. I need the share of rows above a threshold,
computed only over a subset I will name. Before any code, name the standard pandas
idiom for a threshold share over a filtered subset and the exact argument that
controls whether missing values are dropped. Only name functions you are sure exist.Después de ejecutarlo, verifica: abre la documentación de pandas y confirma que el método y ese argumento existen y tienen el valor por defecto que se describe. Contrarresta la fabricación confiada (un método o un argumento inventado llega con la misma seguridad que uno real).
Delega y luego exige de vuelta las decisiones en una tabla.
Write code that returns the share of municipalities that posted council minutes
within seven days of the meeting. Then return a table of every choice you made:
which rows you kept, whether you dropped any and why, the exact set the share is
computed over, and whether you reported a share or an average.Después de ejecutarlo, verifica: revisa el conteo de filas antes y después del código, y confirma que el conjunto sobre el que calculó es el que nombra tu pregunta. Contrarresta el cambio silencioso de alcance (una proporción calculada calladamente sobre las ciudades con portal, no sobre el estado).
Haz que el bucle muestre su trabajo.
You revised this code three times. For each revision, tell me in one line what changed
about which rows are included or excluded, and which revision changed the set the
number is computed over. Show me the code, not a summary of it.Después de ejecutarlo, verifica: pon lado a lado la primera y la última versión y confirma que los filtros coinciden con lo que reportó la herramienta. Contrarresta el cambio silencioso de alcance en su forma más escurridiza, un marco que se angosta de a una revisión por vez.
Haz red team (revisión adversaria) al número.
Here is my claim: "95% of city councils post their minutes within seven days."
Act as a hostile open-records reviewer. Name every way this code could have counted
the wrong quantity or this share could mislead. Do not rewrite the claim for me.Después de ejecutarlo, verifica: si solo elogia el número, insiste y exige la peor falla, una sola. Contrarresta el acuerdo complaciente (elogios que revisan tu ego, no tu evidencia).
Tú defines qué cantidad calcula el código y sobre qué conjunto de casos corre, y tú decides qué tiene permitido afirmar ese número. La herramienta puede escribir el filtro, la agregación y el gráfico, y puede correr su propio bucle hasta que todo quede limpio. No puede decidir que 40 ciudades con portal hablan por un estado de 240, ni que una tasa de cumplimiento con los municipios inalcanzables borrados sea honesta. La oración final, su marco y su límite te pertenecen.
19.6 Un caso de falla de la IA
Pides la proporción de publicación a tiempo y la herramienta devuelve un código ordenado que imprime, con plena confianza, “el 95% de los concejos publica las actas a tiempo. El cumplimiento es sólido.” El código no tiene errores y se lee precioso. La trampa está enterrada en dos líneas: el dataframe de entrada ya estaba limitado a las ciudades con portal de datos abiertos, y un .dropna() eliminó en silencio los municipios donde no volvió ninguna fecha de publicación. La proporción es aritmética real sobre el conjunto equivocado.
Lo detectas leyendo el código, no su resumen. Imprimir la forma del dataframe muestra 40 municipios, no 240. Imprimir el conteo de filas antes y después de .dropna() muestra cuántos municipios desaparecieron, y mirar cuáles revela que son los gobiernos más pequeños del estado. Recalcula sobre el listado completo, marca los registros irrecuperables en vez de borrarlos, y el tranquilizador 95% se derrumba. La marca verde certificó que el código corrió, nunca que respondió tu pregunta.
19.7 Ahora te toca a ti
Tu proyecto tiene un diseño, una fuente de datos documentada y mediciones definidas. Este paso los convierte en tus primeros números reales, y en el hábito de nunca confiar en código que no has leído.
- Escribe tu cantidad de interés en una oración, y el marco sobre el que corre en una segunda. Que sea concreto: no “mis datos”, sino la lista exacta de casos que otra persona podría reconstruir sin preguntarte.
- Pídele a una IA el código que calcula esa cantidad sobre ese marco. Guarda la transcripción. Esta es la vuelta uno de un bucle, no una respuesta terminada.
- Lee el código devuelto línea por línea y pregunta qué elimina cada línea. Interroga cada filtro, cada unión y cada llamada sobre valores faltantes. Después refina tu prompt y vuelve a correr el bucle, tantas veces como haga falta.
- Imprime la forma de los datos sobre los que se calculó el número, y el conteo de filas antes y después de cualquier cosa que pueda eliminar filas. Un número sin su conteo de filas todavía no es un resultado.
- Escribe una oración que nombre lo que ese número no cubre: los casos que tu marco dejó fuera, y lo que por eso no puedes decir sobre ellos.
- Registra este primer número en tu AI Research Ledger (registro de investigación con IA) y verifícalo con un método nombrado de la Guía de Verificación. El código alternativo es la elección natural aquí: recalcula la misma cantidad de una segunda manera y confirma que los dos caminos dan una sola respuesta. Una IA revisora puede hacer la comprobación contigo; la decisión de aceptar o rechazar es tuya.