Recursos
Resumen
¿Alguna vez un error aparece solo en ciertos casos y no sabes por dónde empezar? Para debuggear con IA de forma efectiva necesitas un método sistemático que te ayude a reproducir, entender y corregir fallos sin que la inteligencia artificial toque archivos al azar. Esto es clave cuando programas con vibe coding y el código funciona, pero falla en los casos borde.
¿Por qué fallan los casos borde en apps generadas con IA?
Cuando dejas que la IA escriba código, muchas veces la lógica general funciona, pero los escenarios límite se rompen. El ejemplo de la clase lo deja clarísimo: un e-commerce con una regla de envío gratis desde $50.
Al comprar cuatro cafés colombianos que suman exactamente $50, el sistema cobra $5 de envío cuando debería ser gratis. Con $106 el envío sí sale en cero, y con $8 cobra los $5 (correcto, porque está por debajo del umbral). El problema vive justo en el borde: cuando el valor es exactamente 50 [01:40].
Esto pasa porque la IA tradujo mal la regla. Usó un mayor a (> 50) en lugar de un mayor o igual (>= 50). Un detalle minúsculo con consecuencias reales.
¿Qué es un caso borde en programación? Es un escenario que ocurre justo en el límite de una regla, como un total de compra que iguala exactamente el umbral de envío gratis. Suelen romperse porque la lógica no contempla el valor exacto del límite.
¿Cuáles son los pasos para rastrear un bug de forma sistemática?
El método que propone la clase tiene cinco pasos y cada uno le da a la IA más contexto para acertar. Piénsalo como entregarle una linterna encendida en vez de dejarla tocar todos los archivos a ciegas [10:50].
¿Cómo reproduzco el fallo correctamente?
Reproducir el fallo es el primer paso y suele ser el más complicado [01:10]. Si no puedes replicar el error, es casi imposible pedirle a la IA que lo solucione.
Muchas veces un usuario reporta un bug que no logras reproducir en tu máquina. Las causas más comunes son:
- La sesión o el estado del usuario, por ejemplo si es un usuario nuevo.
- Una moneda local distinta que dispara el fallo.
- El ambiente: puede fallar solo en Safari y no en Chrome.
- La plataforma: Android versus iOS en apps móviles.
Por eso conviene probar varios escenarios hasta aislar exactamente cuándo ocurre. En el ejemplo, bastó variar la cantidad de productos para descubrir que el error solo aparecía cuando el total era justo 50.
¿Qué significa definir qué espero del sistema?
El segundo paso es saber qué resultado esperas [03:30]. La IA no adivina lo que debería pasar.
En el caso del carrito que suma $50, lo que esperas es que el envío sea cero porque esa era la regla diseñada. Tienes que dejar claro cuál es el comportamiento correcto antes de pedir una corrección.
¿Cómo rastreo los archivos relacionados con el error?
El tercer paso es rastrear qué archivos, módulos o endpoints tienen que ver con el fallo [04:30]. Aquí aportas tu conocimiento técnico.
En bases de código grandes, enviarle un prompt general hace que la IA escanee todo y hasta modifique archivos que no debía. En cambio, si le dices que el problema está en carrito.js o en el módulo de pagos, acotas la búsqueda.
Si no tienes acceso al código completo, al menos entrega la carpeta, la URL o un screenshot del lugar donde ocurre. Entre más información, mejor el rastreo.
¿El error es de diseño o de traducción?
Antes de corregir, distingue el tipo de problema porque cambia por completo la solución. Este es el paso cuatro del método.
¿Cuál es la diferencia entre un error de diseño y uno de traducción? Un error de traducción es cuando la IA implementó mal una regla que diste bien, como olvidar un caso borde. Un error de diseño es cuando la especificación o la estructura del software estaba mal pensada desde el inicio.
Los errores de traducción se arreglan rápido: aquí faltaba un igual y listo. Los errores de diseño son más complejos porque obligan a refactorizar o repensar la funcionalidad completa [06:40].
En el ejemplo, la IA detectó que la falla estaba en envio.js, dentro de la función calcularEnvio. El fix fue cambiar > 50 por >= 50. Un problema de traducción, no de diseño.
¿Cómo le doy contexto suficiente a la IA para corregir?
La clave está en mandar toda la información posible. Puedes enviar un screenshot, que ya carga mucho contexto visual, pero conviene reforzarlo con texto.
Un buen prompt describe el escenario completo: una compra de cuatro cafés colombianos que da exactamente $50 cobra $5 cuando se espera envío gratis, sin cupón, sin ser cliente nuevo, con zona de envío en la ciudad. Esos datos acotan la búsqueda y evitan que la IA se vaya por otro lado.
Antes de aprobar cualquier cambio, pídele un plan. Revisa qué deduce y verifica que va por buen camino antes de dejar que modifique el código.
¿Cómo confirmo que el bug quedó resuelto?
El quinto y último paso es volver a probar el escenario original [12:20]. En el e-commerce, agregar cuatro cafés, ver el carrito y finalizar la compra ahora muestra envío en cero.
Eso confirma que la regla se aplica correctamente en el caso borde. Recapitulando el flujo completo:
- Reproducir el fallo en distintos escenarios.
- Definir qué resultado esperas.
- Rastrear archivos, módulos y endpoints relacionados.
- Corregir, diferenciando diseño de traducción.
- Volver a probar para validar la solución.
Con este proceso conviertes el debugging caótico en un método repetible. ¿Qué tipo de bug te ha costado más reproducir? Cuéntalo en los comentarios.