Bajando la barrera del código en la redacción: programación asistida con IA para un mejor periodismo
El impacto de la Inteligencia Artificial (IA) en la generación de imágenes, vídeo y texto para la producción periodística está acaparando casi toda nuestra atención. ¿Pero y si la verdadera revolución estuviera en aplicar esta tecnología a la programación informática? ¿No tiene más sentido centrar los esfuerzos en lo que todavía es una carencia en la profesión y dejar en segundo plano lo que siempre ha sido su especialidad?
Ya abordamos aquí el debate sobre si un periodista debía aprender a programar. Los beneficios son evidentes en aspectos como la búsqueda de información, el procesamiento de datos y la creación de formatos más atractivos. Algunas de estas aplicaciones ya se realizan mediante herramientas como los chatbots de IA. Sin embargo, los usos más avanzados y las integraciones más personalizadas todavía están ligadas al código. Los costes -dinero y tiempo- todavía no han desaparecido, pero el descenso de la barrera de entrada a este mundo, gracias a la popularización de la programación asistida con IA, obliga a replantear el balance de esta ecuación.
Hasta ahora, la programación se ha considerado una competencia de perfiles muy concretos, asociada principalmente a periodistas de datos y desarrolladores integrados en grandes redacciones o equipos de producto. Hoy, la IA permite redefinir este punto de partida: reduce el umbral de entrada, acelera el prototipado y hace posible que más periodistas se atrevan a construir herramientas, automatizar procesos y diseñar productos propios. Los asistentes de IA permiten generar prototipos funcionales con rapidez, pedir explicaciones sobre código que no se domina, reutilizar partes de proyectos existentes o transformar una idea en un artefacto ejecutable con menos fricción.
Este cambio se produce, además, en un contexto de abundancia informativa y de automatización creciente de los contenidos más básicos. Noticias rutinarias, resúmenes o piezas de bajo valor diferencial pueden producirse de forma automática con relativa facilidad. En ese escenario, el valor del periodismo no está en replicar lo elemental, sino en aportar método, contexto y el factor humano. La programación asistida con IA encaja aquí como una palanca para generar valor añadido verificable y un producto diferenciable y de mejor calidad. Permite documentar procesos, reutilizar flujos de trabajo, explicar cómo se han obtenido los datos y ofrecer transparencia metodológica. Al mismo tiempo, facilita la creación de productos periodísticos que sostienen la investigación y amplían la vida útil de los contenidos.
La pregunta, por lo tanto, ya no es si merece la pena aprender a programar, sino qué partes del trabajo periodístico podemos mejorar con su aplicación práctica. La programación es cada vez menos un fin en sí mismo, y pasa a ser un vehículo para hacer mejor periodismo. Veamos algunas de las principales herramientas y sus posibilidades. Pero antes, definamos en qué se traduce esa reducción del umbral de entrada y algunos conceptos fundamentales.
De la edición de paquetes al vibe coding
La escritura de código desde cero o línea a línea hace años que dejó de ser la forma dominante de trabajo, especialmente en ámbitos como el diseño web o lenguajes como Python. Ya resulta habitual trabajar a partir de bloques ya existentes, reutilizar bibliotecas y adaptar código previo. Tampoco es nuevo recurrir a plataformas para corregir errores o mejorar el código, como el otrora indiscutible Stack Overflow. Ni lo es la integración de la IA como asistente: desde 2021-casi dos años antes de la explosión de ChatGPT- empezó a incorporarse al trabajo diario de los desarrolladores en herramientas como GitHub.
Pero ahora todo es más sencillo. Incluso se ha acuñado un término que, pese a tener detractores, refleja bien el cambio del paradigma: el vibe coding. Este concepto describe una forma distinta de programar con ayuda de la IA. Más allá de la etiqueta -que probablemente sea coyuntural- lo relevante es el cambio de flujo de trabajo que introduce, especialmente interesante para profanos en este ámbito. En el vibe coding, el punto de partida no es escribir código, sino explicar qué se quiere conseguir. El usuario describe el problema -por ejemplo, descargar una serie de documentos, limpiar un dataset o crear una pequeña visualización- y el asistente genera una primera solución. A partir de ahí, el trabajo se basa en iterar: probar, corregir, afinar requisitos, añadir controles y revisar resultados.
Este enfoque desplaza el foco desde la sintaxis hacia el criterio. No se trata tanto de saber escribir cada instrucción, sino de saber formular bien el problema, detectar cuándo algo no cuadra y decidir si el resultado es válido desde un punto de vista periodístico. Para muchas tareas habituales en una redacción, esto supone un cambio importante: permite pasar antes de la idea al prototipo.
Finalmente, conviene diferenciar el vibe coding de las herramientas no-code o low-code. Estos recursos están pensados para resolver problemas estándar con rapidez, dentro de los límites que marca la herramienta. Funcionan bien cuando el caso de uso encaja, pero generan dependencia del proveedor y ofrecen poco margen para auditar o reutilizar lo que hay detrás. El vibe coding, en cambio, produce código explícito. Ese código se puede versionar, revisar, ejecutar en local, subir a un repositorio o modificarlo sin la herramienta original. Para el periodismo, esta diferencia es clave: permite documentar procesos, reproducir análisis y mantener el control sobre la metodología. A cambio, exige asumir mayor responsabilidad técnica: revisar lo que se ejecuta y entender, al menos a alto nivel, qué está ocurriendo.
Y es que no todas las historias ni todos los equipos necesitan lo mismo. A veces, una herramienta no-code es suficiente para salir del paso. En otros casos, merece la pena invertir algo más de tiempo en generar código propio, aunque sea asistido por IA, para ganar control, auditoría y capacidad de reutilización. Lo fundamental no es la herramienta concreta, sino saber qué nivel de control exige cada proyecto y asumir que la IA acelera el proceso, pero no sustituye el criterio profesional.
Lienzos, artefactos y agentes
En la práctica, las herramientas de programación asistida con IA pueden agruparse en tres niveles, según el tipo de tareas que facilitan. En el nivel más básico, encontramos los chatbots generalistas -ChatGPT, Gemini, Grok y Claude-, capaces de generar HTML, CSS, JavaScript o scripts sencillos en Python a partir de instrucciones en lenguaje natural. Podrían ser especialmente útiles para prototipos rápidos: una página de apoyo a un reportaje, una visualización simple, un script para descargar y limpiar datos o convertir archivos. Los entornos tipo canvas o lienzo permiten previsualizar resultados, editar el código y exportarlo para ejecutarlo en local o publicarlo en servicios como GitHub Pages. En este caso, el valor está en la velocidad y en la posibilidad de “romper el hielo” con el código sin una inversión inicial elevada.
En un nivel intermedio, estarían las aplicaciones específicas para encauzar el vibe coding de las ya mencionadas plataformas generalistas de IA. Más allá de GPTs o Gems diseñadas especialmente para la programación, destaca el apartado “Build” de Google AI Studio, que permite combinar algunas de las funcionalidades de la plataforma para crear aplicaciones específicas. También figuran aquí los denominados “Artifacts” de Claude, que se muestran en una ventana separada para permitir la edición, iteración y reutilización fuera del chat principal, facilitando la colaboración y el desarrollo de proyectos complejos. Y no podemos dejar fuera Codex, el agente de OpenAI para ejecutar código.
Pero lo más interesante es profundizar en lo que pueden proporcionar las herramientas más especializadas y avanzadas. Con un comportamiento más “agéntico”, que automatizan diversas tareas, cada vez funcionan mejor para planificar tareas, editar múltiples archivos, ejecutar comandos y validar resultados. Son especialmente potentes para flujos largos de trabajo, como investigaciones que implican varias fases encadenadas: descarga de datos, limpieza, análisis y generación de salidas. Precisamente por eso, también requieren más cautela: cuanto mayor es la autonomía, más importante es definir bien los permisos, revisar cada paso y mantener trazabilidad de las decisiones.
En este nivel, surgen herramientas específicamente pensadas para trabajar con proyectos completos y no solo con fragmentos de código. Entornos como Cursor o Windsurf funcionan como editores de desarrollo asistidos por IA: entienden el conjunto del repositorio, permiten navegar por los archivos, proponer cambios coherentes en varias partes del proyecto y ejecutar o depurar el código sin salir del entorno. Junto a ellos, plataformas más orientadas a agentes como Manus o Minimax dan un paso más en automatización: no se limitan a responder instrucciones puntuales, sino que planifican subtareas, encadenan acciones y ejecutan flujos completos de trabajo. En conjunto, estas herramientas están pensadas para reducir la fricción de trabajar con proyectos reales, largos y con múltiples piezas, acercando la programación asistida con IA a un uso continuado y no sólo experimental.
Un caso representativo de esta evolución es Antigravity, que lleva esta lógica un paso más allá al combinar planificación, edición de múltiples archivos, ejecución de comandos y validación de resultados dentro de un mismo flujo. Más que un simple asistente de código, la herramienta de vibe coding de Google se comporta como un “copiloto técnico” capaz de abordar tareas complejas de principio a fin: desde preparar la estructura de un proyecto, hasta implementar funciones, ejecutar el proceso completo y comprobar si la salida cumple los criterios definidos. Precisamente por esa capacidad de actuar de forma más autónoma, Antigravity plantea nuevos retos editoriales y técnicos: la necesidad de definir bien qué puede y qué no puede hacer, de revisar sistemáticamente cada paso y de documentar el proceso para mantener control y trazabilidad en investigaciones basadas en flujos automatizados.
Finalmente, un paso adicional lo aportan los conectores y protocolos como los MCP, que permiten a estos asistentes interactuar con recursos externos: repositorios, bases de datos, APIs o colecciones documentales. En el ámbito periodístico, esto abre la puerta a flujos de trabajo más estables y repetibles: sistemas de monitorización, alertas automáticas o procesos de análisis que se ejecutan de forma periódica y documentada. Aquí es donde la programación asistida con IA deja de ser solo una ayuda puntual y empieza a convertirse en una infraestructura editorial, aunque sea a pequeña escala.
La clave ya no es el cómo, sino el cuándo y el para qué
Si la barrera para el uso de la programación se reduce, cada vez es menos importante saber cómo programar -más allá de las bases y en entornos que no vayan más allá del periodismo-. Lo esencial es saber cuándo lo vamos a necesitar. Una forma útil es revisar qué han hecho, en la práctica, los equipos que trabajan con datos, documentos o productos digitales. En casi todos los casos, la programación se emplea por una razón sencilla: cuando el trabajo es repetible, masivo o requiere trazabilidad, un “chat” no basta. Puedes preguntar cosas puntuales a una IA, sí; pero si necesitas un proceso fiable (y que alguien pueda revisar), acaba siendo más efectivo construir un flujo con código y usar la IA como apoyo.
Muchos de los proyectos de referencia nacieron cuando levantar una infraestructura técnica exigía perfiles especializados y tiempo. ProPublica lo hizo con Dollars for Docs, que exigió crear procesos de extracción y normalización de datos documentados por el propio medio. Reuters también creó Lynx Insight como sistema para detectar patrones en datos estructurados y The Washington Post presentó Heliograf como ejemplo de cobertura automatizada. En las grandes filtraciones, el ICIJ desarrolló Datashare para la gestión, OCR, indexación y búsqueda segura de documentos. Y si hablamos sobre producto final, conviene subrayar desarrollos como Blacklight, de The Markup, un inspector de privacidad en tiempo real en el que el lector introduce una URL y el sistema analiza tecnologías de rastreo.
También en España hay casos en los que la programación no es un adorno, sino el mecanismo que hace posible el trabajo. En El Confidencial trabajan con desarrollos como Alejandria, para mejorar el acceso y la gestión de información en la redacción. En verificación, la programación aparece en forma de sistemas y canales automatizados, como el chatbot de Maldita en WhatsApp o The Check de Newtral. Y en el ámbito narrativo, RTVE Lab mantiene un catálogo de especiales interactivos donde el código es parte estructural del relato, no un simple complemento visual. El listado resulta interminable y se podría combinar con algunos de los desarrollos ya nombrados en este artículo previo para buscar, procesar y visualizar información o en esta recopilación de avances en IA en medios austriacos, algunos con desarrollos propios.
Por último, conviene no perder de vista los riesgos y apostar siempre por los criterios editoriales. Los peligros no son distintos de los que ya existían cuando se incorporaron las hojas de cálculo, el scraping o la visualización avanzada, pero sí más accesibles y, por tanto, más fáciles de usar erróneamente. Uno de los fallos más frecuentes es el código que “parece funcionar”, pero solo lo hace en condiciones ideales. Un script generado con ayuda de la IA puede devolver resultados plausibles con un dataset pequeño y fallar en cuanto cambia el formato, falta una columna o aparece un valor inesperado. Si no hay pruebas ni controles, el error puede pasar desapercibido.
Otro riesgo habitual son las dependencias ocultas. El asistente puede introducir librerías, versiones concretas o configuraciones que no quedan documentadas. El resultado es un proyecto difícil de reproducir, mantener o compartir con otros miembros del equipo. En periodismo, donde el trabajo suele continuar semanas o meses después, esto es especialmente problemático.
La seguridad es otro punto crítico. Scripts con permisos excesivos, claves API incrustadas en el código o automatizaciones que acceden a servicios sensibles pueden generar problemas serios si no se revisan. La IA no distingue entre un entorno de pruebas y uno de producción si no se le indica explícitamente. También hay riesgos de interpretación. El asistente puede entender mal el requisito periodístico: asumir que una ausencia de datos equivale a un cero, interpretar una categoría de forma incorrecta o aplicar una lógica que no se corresponde con la realidad del fenómeno que se investiga. Aquí el problema no es técnico, sino metodológico.
Por último, aparece la falta de trazabilidad. Si no se documenta qué se hizo, con qué datos y en qué orden, el proyecto se convierte en una “caja negra”, difícil de defender editorialmente.
Por eso la clave es dejar de ver el código como algo “técnico” y empezar a tratarlo como parte del proceso editorial, al mismo nivel que una entrevista, una base de datos o una metodología de verificación. Nunca hay que perder de vista que el factor humano es insustituible. La programación asistida con IA no elimina la necesidad de revisión, sino que la desplaza. En vez de revisar solo el texto final, el periodista debe revisar también la lógica del proceso, los supuestos implícitos, los límites de los datos y los casos extremos.
Además, aquí cobra aún más importancia la transparencia. No es solo una cuestión ética, sino también práctica. Facilita el trabajo en equipo, permite corregir errores y refuerza la confianza con la audiencia. A nivel interno, la transparencia implica que otros miembros de la redacción puedan entender qué se ha hecho, modificarlo o reutilizarlo. En el externo, no siempre será necesario publicar el código completo, pero sí explicar el método: de dónde salen los datos, cómo se han tratado y cuáles son sus límites.
Incorporar la IA al código no significa ceder el control del proceso. Al contrario: bien utilizada, puede ayudar a documentar mejor, a probar más escenarios y a detectar errores antes. Pero eso solo ocurre si se establecen reglas claras: revisión humana, control de permisos, documentación mínima y coherencia con los valores editoriales del medio. Esto no introduce un dilema nuevo, sino que intensifica uno antiguo: cómo aprovechar herramientas potentes sin renunciar al criterio, la responsabilidad y la trazabilidad. Resolverlo bien es parte del periodismo que viene.
Dejamos para un próximo artículo aspectos fundamentales sobre cómo empezar a usarlo en función de los diferentes perfiles: un redactor, un periodista de datos, un editor y hasta un estudiante. Porque una de las ventajas de la programación asistida con IA es que no obliga a todos los profesionales a recorrer el mismo camino.
Lo importante, por ahora, es entender que la programación asistida con IA no introduce una ruptura radical en el periodismo, pero sí acelera un cambio que ya estaba en marcha. No sustituye el criterio profesional, la verificación ni la responsabilidad editorial, sino que amplía la capacidad de investigar, procesar y explicar. El valor añadido del periodismo en un contexto de automatización no radica en generar más contenido, sino en ofrecer mejores productos, con contexto, método y transparencia. Construir herramientas, sistemas de seguimiento, análisis reproducibles o productos interactivos no es un fin en sí mismo, sino una forma de sostener ese valor frente a la abundancia informativa.
La ventaja, por tanto, no está en usar la última plataforma ni en delegar decisiones en un modelo, sino en saber formular bien los problemas, decidir cuándo merece la pena programar y asumir que la IA funciona mejor como apoyo que como sustituto. El resultado no es “más tecnología”, sino mejor periodismo: más explicable, más original y más útil para el usuario.