¿Qué lenguajes deberían usar los LLMs para programar?

Los modelos de lenguaje (LLMs) ya no son solo asistentes: cada vez generan más código real en entornos de producción. Sin embargo, la mayoría de estos lenguajes —Python, JavaScript, Java— fueron diseñados pensando en programadores humanos, no en inteligencias artificiales. Esto plantea una pregunta clave: ¿son los lenguajes actuales los más adecuados para las IA que programan, o necesitamos otros nuevos?

Table of contents

1. Lenguajes pensados para humanos… ¿y para IA?

Python y JavaScript han triunfado por su flexibilidad, legibilidad y bajo umbral de entrada. Son perfectos para humanos que aprenden y prototipan rápido. Pero para una IA, esa misma flexibilidad puede ser un problema:

• Tipado débil → mayor ambigüedad.
• Coerciones implícitas → comportamiento inesperado.
• Dependencia del contexto humano → algo que un modelo estadístico no siempre interpreta bien.

Cuando un LLM escribe if (user.id) en JavaScript, no “entiende” realmente la coerción de tipos: solo repite patrones aprendidos de ejemplos, lo que puede provocar errores sutiles.

2. Tipado fuerte y lenguajes funcionales: un mejor ajuste

Lenguajes como Haskell o Erlang fueron diseñados para:

• Tipado fuerte y verificación en compilación.
• Inmutabilidad por defecto.
• Modelos de concurrencia y distribución nativos.

Estas características no solo reducen errores, sino que encajan muy bien con un agente de IA que genera y orquesta código. Donde JavaScript “resuelve sobre la marcha”, Haskell exige “probar que funciona antes de ejecutarlo”.

3. Verificación formal: garantías matemáticas en lugar de suposiciones

El testing tradicional (unitario, integración) valida casos concretos. La verificación formal va más allá: demuestra matemáticamente que un algoritmo es correcto para todos los casos posibles.

• Hoy en día, herramientas como Dafny, SPARK o TLA+ permiten esto, aunque siguen siendo poco prácticas para desarrollo general.
• A medida que aumente el código generado por IA, las garantías formales serán más importantes que nunca.

4. Lenguajes nuevos para IA: menos ambigüedad, más fiabilidad

El flujo actual es ineficiente:

Lenguaje natural → Lenguaje humano → Binario

Cada capa añade ambigüedad. Diseñar un lenguaje específico para IA permitiría:

• Reducir errores sintácticos.
• Incluir restricciones que faciliten la verificación formal.
• Adaptarse mejor a las capacidades de un modelo.

El sistema CodeSteer del MIT actúa como entrenador de un LLM, ayudándolo a alternar entre código y texto hasta alcanzar respuestas correctamente estructuradas —logrando mejoras de más del 30 % en precisión en tareas simbólicas

5. Más allá de los prompts: interfaces estructuradas como DSPy

Proyectos como DSPy proponen sustituir los prompts en lenguaje natural por interfaces estructuradas que:

• Reduzcan la ambigüedad.
• Faciliten la composición de capacidades de IA.
• Mejoren la reproducibilidad de resultados.

Esto recuerda a la historia de la programación: de ensamblador → alto nivel → frameworks modernos. Con IA, podríamos vivir una transición similar.

6. El futuro: más estricto, más verificable

No significa que Python o JavaScript vayan a desaparecer. Pero para tareas críticas generadas por IA, el futuro podría exigir lenguajes más estrictos, con tipado fuerte, verificación formal y diseño específico para agentes inteligentes.

📌 Los LLMs pueden programar en cualquier lenguaje actual, pero eso no significa que sea lo óptimo. Tal vez la próxima gran revolución en programación no sea otro framework… sino un nuevo lenguaje diseñado para inteligencias artificiales.

Artículo original: Dev Interrupted

💌 ¿Te interesa el futuro del desarrollo y la IA aplicada? Suscríbete gratis a Coffee & Get to It y recibe en tu bandeja guías, reflexiones y tutoriales para estar un paso adelante.