Según la Enciclopedia Histórica de los Lenguajes de Programación, existen casi 9.000 lenguajes de programación diferentes. Sin embargo, con el auge de la inteligencia artificial, hay cinco lenguajes de programación que, según UST, empresa líder en soluciones de inteligencia artificial y transformación tecnológica, son los realmente indispensables para la IA.

Estimaciones de GitHub apuntan a que las herramientas de desarrollo de IA supondrán un aumento de 1,5 billones de dólares en el PIB mundial de aquí a 2030. Algo lógico, si tenemos en cuenta que, según Stack Overflow, el 84 % de los desarrolladores ya utiliza o tiene previsto utilizar herramientas de programación basadas en IA en sus flujos de trabajo, si bien la confianza en la precisión del código que generan sigue a la baja. Por ello los lenguajes de programación se enfrentan a una nueva etapa marcada por la necesidad de superar la desconfianza en los códigos desarrollados por la IA.

“Hemos superado esa fase de simplemente hacer prompts y pruebas de concepto. Ahora la prioridad para las empresas es poder encerrar esa IA dentro de marcos de ejecución seguros, donde los permisos están bien delimitados, existen contratos estrictos y se puede realizar una auditoría continua de las respuestas”, explica Roberto Álvarez, AI Office Director de UST España y LATAM. “Aunque la IA permite generar código en segundos, dicho código hoy en día presenta muchos más fallos de diseño y vulnerabilidades”, advierte.

Los datos respaldan esa cautela: según el análisis de Apiiro, los equipos que programan con asistentes de IA generan diez veces más problemas de seguridad y un 153 % más de fallos de arquitectura.

Lenguajes para programar con IA

Aprovechando el Día del Programador que este año se celebra el 13 de septiembre, el experto de UST analiza las ventajas de los cinco lenguajes de programación indispensables para la inteligencia artificial. No son los cinco más utilizados en términos absolutos, sino los determinantes cuando el código se genera con IA:

·       TypeScript se ha situado por primera vez como el lenguaje más utilizado en GitHub por número de contribuyentes mensuales, según el informe Octoverse 2025 de GitHub, con datos de agosto de ese año, superando a Python y a JavaScript tras crecer un 66 % interanual. Esto es resultado del auge en el uso de la IA generativa en torno al ciclo de vida del desarrollo del software. Se trata de un lenguaje con un sistema de reglas bastante estricto y que ayuda mucho como filtro automático para capturar errores y posibles alucinaciones en el código generado de forma automática. No es casual: la mayoría de los errores de compilación del código generado por LLM son fallos de tipos.

·       Python sigue siendo el que domina todo el ecosistema en torno a la IA y es la base de todo lo que rodea al Machine Learning y data science. Hay que resaltar la evolución positiva que ha tenido, desde sus inicios en pruebas de concepto hasta su evolución hacia servicios empresariales de alta disponibilidad. Su papel hoy es el de capa de orquestación: define y coordina el modelo, mientras el cálculo intensivo se delega en componentes de más bajo nivel.

·       Otros dos lenguajes que destacan ante el auge de la ciberseguridad por diseño son Rust y Go, aunque resuelven problemas distintos. Rust elimina en tiempo de compilación los fallos de seguridad de memoria, la vulnerabilidad más frecuente en sistemas escritos en C y C++. Go, sobre el que está construida buena parte de la infraestructura cloud —Kubernetes, Docker o Prometheus—, aporta un modelo de concurrencia que permite escalar servicios con mucha más agilidad.

·       Como quinto lenguaje, destaca C++, que es la potencia que mueve los modelos de inteligencia artificial. Si Python es la interfaz, C++ es el motor: el software que permite a las tarjetas gráficas ejecutar los cálculos de la IA está escrito en C++, igual que los componentes que deben funcionar a la máxima velocidad posible.

Para Roberto Álvarez, los nuevos modelos irán reduciendo los errores más evidentes, pero el riesgo no desaparece: se desplaza. De los fallos de sintaxis y compilación, que la propia herramienta ya detecta, hacia los errores de diseño, de lógica de negocio y de arquitectura. Un modelo puede ayudar a detectarlos, pero no a decidir: no conoce la intención de negocio y, cuando revisa su propio código, arrastra los mismos puntos ciegos que lo generaron. Por eso, lo que realmente se buscará en el futuro serán desarrolladores capaces de realizar esa supervisión técnica, que se centrará en la arquitectura, la gobernanza y la verificación de la calidad del software.

Eso abre una cuestión de fondo muy propia del Día del Programador: si la IA escribe el código de entrada, hay que repensar cómo se forma un perfil junior, porque el criterio para revisar una arquitectura se construía escribiendo precisamente ese código.

“La ventaja competitiva no estará en generar software más rápido gracias a la IA, ya que pasará a ser casi un commodity, sino en saber estructurar bien la arquitectura, los lenguajes y los controles adecuados para que ese software sea realmente seguro, robusto y escalable”, concluye.