La mejora de los agentes de programación está cambiando uno de los criterios más asentados del desarrollo de software: elegir Python o TypeScript porque permiten avanzar rápido, aunque después consuman más recursos. La inteligencia artificial reduce parte del coste de trabajar con Rust, Go o C++, pero no convierte automáticamente esas alternativas en la mejor opción para todos los proyectos.
Las claves de Python y la programación con IA en 30 segundos
- Los agentes reducen el tiempo necesario para escribir, migrar y corregir código en lenguajes como Rust y Go.
- Microsoft ha publicado TypeScript 7, un port a Go entre ocho y doce veces más rápido en compilaciones completas.
- Python sigue dominando los nuevos proyectos de IA y su adopción continúa creciendo.
- La elección debería depender del rendimiento, el despliegue, el mantenimiento y el equipo, no solo de lo fácil que resulte generar el código.
Durante años, el acuerdo implícito fue sencillo. Python ofrecía una sintaxis accesible, bibliotecas para casi cualquier tarea y un camino corto entre una idea y una primera versión funcional. Los posibles problemas de latencia, memoria o concurrencia podían tratarse más adelante, normalmente mediante extensiones nativas o servicios separados.
Los agentes alteran ese cálculo. Un desarrollador puede dirigir una migración a Rust sin dominar previamente todos los detalles del sistema de tipos, consultar errores del compilador y pedir al modelo que corrija sus propias propuestas. El trabajo humano no desaparece, pero se desplaza hacia la arquitectura, las pruebas y la revisión.
La IA abarata el trabajo con Rust y Go
Los casos publicados durante 2026 muestran que los agentes ya pueden participar en proyectos que antes exigían equipos especializados y varios meses de trabajo.
Microsoft trasladó el compilador y el servicio de lenguaje de TypeScript desde TypeScript y JavaScript a Go. TypeScript 7, publicado como versión estable el 08/07/2026, mantiene la estructura y la semántica del compilador anterior, pero aprovecha código nativo, paralelismo y memoria compartida. Microsoft sitúa la mejora habitual entre ocho y doce veces en compilaciones completas.
No se trata únicamente de una demostración. La nueva implementación se ha probado en proyectos de varios millones de líneas y reemplaza la base histórica de una de las herramientas principales del desarrollo web.
| Proyecto | Trabajo realizado | Resultado comunicado |
|---|---|---|
| TypeScript 7 | Port del compilador a Go | Entre 8 y 12 veces más rápido |
| C Compiler | 16 agentes Claude escribiendo Rust | 100.000 líneas y Linux 6.9 compilado |
| Ladybird LibJS | Port dirigido de C++ a Rust | 25.000 líneas en dos semanas |
| Rue | Nuevo compilador escrito en Rust | Desarrollo dirigido por Steve Klabnik y ejecutado principalmente por Claude |
| MiniJinja | Port de Rust a Go | Unas 10 horas, con 45 minutos de trabajo humano activo |
Nicholas Carlini coordinó 16 instancias de Claude Opus 4.6 para construir desde cero un compilador de C escrito en Rust. El experimento acumuló cerca de 2.000 sesiones de Claude Code, unas 100.000 líneas y un coste de API próximo a 20.000 dólares. El resultado pudo compilar Linux 6.9 para x86, ARM y RISC-V. Anthropic presenta el proyecto como una investigación sobre equipos de agentes, no como prueba de que un compilador pueda desarrollarse sin validación ni diseño humano.
Ladybird ofrece un ejemplo más próximo a un proyecto real. Andreas Kling dirigió a Claude Code y Codex para trasladar a Rust el frontal de su motor JavaScript. El proceso necesitó cientos de instrucciones pequeñas y revisiones posteriores. El nuevo código produjo resultados idénticos al original en más de 65.000 pruebas combinadas y redujo a dos semanas una tarea que, según Kling, habría requerido varios meses manualmente.
Estos proyectos no demuestran que el modelo comprenda el sistema como lo hace su responsable. Sí muestran que el esfuerzo de escribir grandes cantidades de código, resolver errores mecánicos y repetir patrones ya no pesa igual en la decisión inicial.
Python no desaparece: se convierte en la capa de control
La conclusión fácil sería que Python ha perdido su ventaja. Los datos disponibles no la respaldan.
La encuesta de Stack Overflow de 2025 registró un aumento de siete puntos porcentuales en su adopción y lo mantuvo como lenguaje central para inteligencia artificial, ciencia de datos y desarrollo de servidores. GitHub calculó además que casi la mitad de los nuevos repositorios de IA creados hasta agosto de 2025 utilizaban principalmente Python.
Python conserva una posición difícil de sustituir porque permite explorar datos, entrenar modelos, preparar experimentos y conectar sistemas con poco código. Gran parte del trabajo intensivo ni siquiera se ejecuta en el intérprete: Python actúa como interfaz de bibliotecas escritas en lenguajes nativos.
Pydantic mantiene su API en Python, pero su núcleo de validación está escrito en Rust. Polars ofrece una interfaz familiar para tratar datos sobre un motor multihilo desarrollado también en Rust. Hugging Face utiliza Rust en su biblioteca rápida de tokenización.
Este patrón permite conservar la productividad de Python donde aporta valor y trasladar a Rust, C++ o CUDA las operaciones sensibles al rendimiento. La propia documentación de PyTorch recuerda que la interfaz Python llama a código C++ para la mayor parte de las operaciones costosas, por lo que cambiar toda una aplicación a C++ no garantiza una mejora relevante.
El llamado “stack moderno de Python” es cada vez más políglota. Ruff, uv y ty, desarrollados por Astral en Rust, aceleran el análisis, la instalación de dependencias y la comprobación de tipos. OpenAI anunció en marzo de 2026 la adquisición de Astral para incorporar estas herramientas al entorno de Codex, pero manteniendo su carácter abierto.
La IA no está expulsando a Python. Está haciendo más fácil ocultar detrás de su interfaz componentes escritos en el lenguaje adecuado para cada tarea.
La arquitectura importa más que el lenguaje más rápido
Tampoco existe una regla según la cual Rust siempre sea la decisión correcta. Prisma recorrió el camino contrario: sustituyó su motor de consultas en Rust por una arquitectura basada en TypeScript y WebAssembly.
Según sus propias pruebas, el cambio redujo el paquete alrededor de un 90 % y aceleró hasta 3,4 veces algunas consultas. El problema no era que Rust fuese lento, sino el coste de serializar datos entre el binario nativo y el entorno JavaScript. Eliminar esa frontera resultó más útil que conservar el componente escrito en el lenguaje teóricamente más rápido.
La elección debería partir de la carga real:
| Necesidad principal | Opción habitual |
|---|---|
| Experimentación, datos e IA | Python |
| API o producto que debe evolucionar rápido | Python, TypeScript o Go |
| Baja latencia y consumo controlado | Rust, C++ o Go |
| Binarios sencillos y servicios concurrentes | Go |
| Navegador, aplicaciones web y edge | TypeScript o WebAssembly |
| Integración con bibliotecas científicas | Python con extensiones nativas |
Los agentes reducen el coste inicial de adoptar un lenguaje, pero no eliminan el mantenimiento. Alguien deberá interpretar una caída de rendimiento, revisar una vulnerabilidad, actualizar dependencias o decidir si una construcción compleja es idiomática. Un estudio de 2026 sobre traducciones automáticas de C a Rust concluyó que las herramientas mejoran algunos aspectos de seguridad, pero todavía introducen problemas de legibilidad, rendimiento y mantenimiento que no aparecen al comprobar únicamente que el programa compila.
Las pruebas y la documentación adquieren así más valor. Armin Ronacher empleó un agente para trasladar MiniJinja de Rust a Go en unas diez horas, con 45 minutos de intervención activa y 60 dólares de API. Su conclusión fue que un buen conjunto de pruebas puede terminar siendo más valioso que el código, porque permite verificar y reproducir una implementación en otro lenguaje.
Python seguirá siendo una elección razonable cuando su ecosistema, legibilidad y velocidad de experimentación encajen con el producto. Lo que desaparece es su condición de respuesta automática. Si un agente puede asumir gran parte del trabajo mecánico, el equipo puede valorar desde el principio el coste de infraestructura, la latencia, la seguridad, el consumo de memoria y el entorno de despliegue.
Preguntas frecuentes
¿La inteligencia artificial hará innecesario aprender Rust o Go?
No. Puede escribir y corregir una parte importante del código, pero el equipo necesita comprender la arquitectura, revisar los cambios y resolver los problemas que aparezcan en producción.
¿Python es demasiado lento para proyectos de IA?
No necesariamente. Bibliotecas como PyTorch, Pydantic, Polars y los tokenizadores de Hugging Face ejecutan sus operaciones intensivas mediante C++, Rust o aceleradores, aunque el usuario programe en Python.
¿Qué ventaja ofrecen Rust y Go frente a Python?
Permiten un mayor control del rendimiento, la memoria, la concurrencia y la distribución de binarios. La ventaja concreta depende de la aplicación y de dónde se encuentre realmente el cuello de botella.
¿Debería migrarse una aplicación Python solo porque la IA puede hacerlo?
No. Una migración debe justificar su coste mediante mejoras medibles de rendimiento, seguridad, consumo o despliegue. Generar el port es solo una parte del trabajo.
vía: medium
