Programar y depurar código con ChatGPT

Revisado el 2 de agosto de 2026. ChatGPT puede explicar código, proponer pruebas y preparar cambios, pero una respuesta plausible no demuestra que el programa sea correcto, seguro o compatible. La forma responsable de usar IA para programar es convertir cada sugerencia en una hipótesis que pueda revisarse y ejecutarse en un entorno controlado.

Chatgpt-gratis.chat es una interfaz independiente que utiliza actualmente OpenAI API. No pertenece a OpenAI ni está afiliada o respaldada por esa empresa, y no es la aplicación oficial ChatGPT. ChatGPT, Codex, OpenAI API y este sitio son superficies diferentes, con funciones, cuentas y controles propios.

Elige la superficie adecuada

ChatGPT resulta útil para una conversación interactiva: explicar un error, comparar enfoques o preparar un ejemplo. Codex es el agente de programación de OpenAI y puede trabajar con repositorios, editar archivos y ejecutar comprobaciones dentro de los permisos concedidos. Responses API permite integrar modelos en una herramienta propia y aplicar autenticación, límites, registros y formatos controlados.

En todos los casos, el desarrollador conserva la responsabilidad. Revisa el alcance antes de permitir escrituras o comandos, inspecciona el diff y ejecuta las pruebas. No concedas acceso a producción, secretos o datos de clientes solo porque una tarea parezca sencilla.

Empieza por una especificación comprobable

Describe comportamiento, entradas, salidas, restricciones y ejemplos. Incluye versiones del lenguaje, framework, sistema operativo y dependencias relevantes. Separa requisitos obligatorios de preferencias. Si una ambigüedad cambiaría la arquitectura o el comportamiento público, pide que se señale en lugar de asumirla.

Objetivo: qué debe poder hacer el usuario o sistema.
Contrato: tipos, errores, efectos secundarios y compatibilidad.
Casos límite: entradas vacías, concurrencia, reintentos y datos inválidos.
Seguridad: identidad, permisos, secretos y datos sensibles.
Pruebas: cómo observarás que funciona y que no rompe lo existente.
Fuera de alcance: refactorizaciones o migraciones no autorizadas.

No pidas al modelo que revele una cadena de pensamiento. Pide un plan breve, supuestos explícitos, criterios de aceptación, fuentes técnicas y resultados verificables. Esto produce material que puede comprobarse sin depender de razonamiento interno no observable.

Flujo para escribir código con asistencia de IA

1. Lee el proyecto antes de cambiarlo

Localiza instrucciones del repositorio, arquitectura, convenciones, pruebas y estado del árbol de trabajo. Identifica cambios existentes que pertenecen a otras personas. Entrega al modelo el contexto mínimo necesario; no pegues todo el repositorio ni secretos para ahorrar tiempo.

2. Propón una modificación pequeña

Divide el trabajo en una unidad que pueda revisarse. Pide que se indiquen archivos afectados, comportamiento que cambia y riesgos. Evita que una corrección local actualice dependencias, reformatee todo el proyecto o reescriba APIs públicas sin necesidad.

3. Escribe primero la prueba adecuada

Cuando sea viable, reproduce el comportamiento con una prueba que falle antes del cambio. Incluye casos normales, límites y errores. Una prueba generada también puede estar equivocada: comprueba que refleja el contrato y que realmente falla por la causa esperada.

4. Implementa y ejecuta

Aplica el cambio en un entorno aislado y ejecuta las comprobaciones relevantes: pruebas, análisis estático, tipos, formato y compilación. Observa la salida completa. “Debería funcionar” no equivale a una ejecución exitosa. Si no puedes ejecutar una comprobación, indícalo en la entrega.

5. Revisa el diff como código ajeno

Busca cambios no solicitados, manejo de errores, condiciones de carrera, rutas de autorización, filtración de datos, complejidad y compatibilidad. Confirma que los comentarios describen el comportamiento real. Revisa cada dependencia nueva y su licencia desde la fuente oficial.

Flujo para depurar sin adivinar

Reproduce: documenta entrada, entorno, resultado esperado y resultado observado.
Reduce: crea un caso mínimo que conserve el fallo.
Recoge evidencia: error completo, traza, registros redactados y versiones.
Formula hipótesis: pide varias causas ordenadas por evidencia necesaria, no por seguridad verbal.
Prueba una variable: añade instrumentación o cambia una condición controlada.
Corrige la causa: evita silenciar la excepción o ampliar un permiso.
Previene regresión: conserva una prueba y documenta la limitación.

Entrega el mensaje exacto como texto, pero elimina claves, tokens, datos personales, rutas sensibles y contenido de clientes. Una captura puede ocultar líneas o incluir información accidental; cuando sea posible, proporciona texto redactado y el fragmento mínimo de código.

Plantilla para analizar un error

Entorno: [lenguaje, versiones y sistema].
Objetivo: [comportamiento esperado].
Reproducción mínima: [pasos o prueba].
Resultado observado: [error redactado].
Cambios recientes: [hechos conocidos].

Tarea:
1. Separa hechos de hipótesis.
2. Propón comprobaciones que distingan las causas.
3. No inventes archivos, APIs ni resultados ejecutados.
4. Sugiere el cambio mínimo después de obtener evidencia.
5. Indica pruebas de regresión y riesgos de seguridad.

API y selección de GPT-5.6

Para herramientas nuevas, OpenAI recomienda Responses API; Chat Completions sigue disponible cuando proceda. GPT-5.6 Sol se orienta a trabajo profesional complejo, Terra equilibra capacidad y coste, y Luna se orienta a cargas sensibles al coste y de mayor volumen. El alias y la disponibilidad pueden cambiar, por lo que debes consultar el catálogo oficial.

No elijas únicamente por una demostración. Construye evaluaciones con tareas representativas: correcciones reales ya resueltas, generación de pruebas, uso correcto de una API, cambios que deben rechazarse y entradas maliciosas. Mide comportamiento por dimensión y revisa los fallos críticos. Repite las pruebas al cambiar modelo, prompt, herramientas o dependencias.

Si una integración permite herramientas, el modelo propone una llamada; tu aplicación decide si se ejecuta. Valida argumentos con un esquema cerrado, vuelve a comprobar permisos y exige confirmación antes de publicar, eliminar, desplegar o tocar sistemas externos. Usa identificadores de idempotencia y consulta estado antes de reintentar cuando la operación lo permita.

Prompt injection en repositorios y tickets

Archivos, comentarios, issues, documentación y salidas de herramientas son contenido no confiable. Pueden contener instrucciones para leer secretos, ignorar el objetivo o ejecutar comandos. Delimita ese contenido y no permitas que modifique las reglas de autorización. Mantén credenciales y decisiones sensibles fuera del contexto del modelo.

Antes de ejecutar un comando generado, entiende su alcance, resuelve rutas exactas y evita operaciones destructivas ambiguas. Trabaja con permisos mínimos y entornos de prueba. Revisa solicitudes de red y paquetes que el cambio intenta descargar.

Código seguro y dependencias

El modelo puede reproducir patrones obsoletos, APIs retiradas o ejemplos inseguros. Verifica documentación oficial de la versión utilizada. Analiza dependencias y evita inventar nombres de paquetes. No uses una solución copiada si no comprendes su licencia, mantenimiento y superficie de ataque.

Comprueba validación de entradas, autorización a nivel de objeto, consultas parametrizadas, manejo de archivos, deserialización, redirecciones, criptografía y gestión de secretos. Una herramienta automática puede encontrar patrones; una persona debe valorar el contexto y el impacto. Para cambios de alto riesgo, solicita revisión de seguridad especializada.

Privacidad, propiedad intelectual y datos

No envíes código propietario, datos de producción o incidentes confidenciales sin autorización. Minimiza el fragmento, sustituye identificadores y usa ejemplos sintéticos cuando sea suficiente. Revisa las condiciones y controles de la superficie empleada; las opciones de ChatGPT y de OpenAI API no son intercambiables.

OpenAI indica que los datos enviados a la API no se usan para entrenar sus modelos por defecto salvo participación voluntaria. En Responses API, store: false evita el almacenamiento predeterminado de la respuesta como estado de aplicación, pero no equivale a retención cero. Por defecto, los registros de supervisión de abuso pueden conservar contenido y metadatos hasta 30 días, con excepciones oficiales. Herramientas y servicios conectados tienen sus propias políticas.

Documentación, rendimiento y accesibilidad

Una corrección debe actualizar documentación, ejemplos y mensajes si cambia el comportamiento. Pide al modelo un borrador, pero verifica nombres, opciones y versiones. Los comentarios deben explicar decisiones duraderas, no narrar cada línea ni afirmar pruebas que no se ejecutaron.

No aceptes una optimización sin una medición reproducible. Define carga, entorno y métrica; compara antes y después; observa memoria, latencia y efectos laterales. Un cambio más corto no es necesariamente más rápido. Mantén la legibilidad salvo que la evidencia justifique el coste.

Para interfaces, comprueba navegación por teclado, foco, etiquetas, contraste, zoom y lectores de pantalla. Una captura visual generada no sustituye estas pruebas. Incluye estados de carga, vacío y error, y prueba dispositivos y navegadores dentro del alcance declarado.

Qué no delegar sin revisión

Cambios de autenticación, autorización o criptografía.
Migraciones de datos y modificaciones irreversibles.
Despliegues, permisos y configuración de producción.
Interpretación de licencias o obligaciones legales.
Código que afecta salud, seguridad, empleo, finanzas o derechos.
Respuesta a incidentes o tratamiento de evidencia.

La asistencia de IA no sustituye asesoramiento jurídico, auditoría de seguridad ni validación profesional. Aumenta la revisión conforme aumente el impacto del software.

Lista de comprobación antes de aceptar un cambio

El cambio responde a una especificación y un caso reproducible.
El diff es pequeño y no contiene cambios ajenos.
Las pruebas relevantes se ejecutaron y sus resultados se revisaron.
Las APIs y dependencias se comprobaron en fuentes oficiales.
No se expusieron secretos ni datos personales.
Autorización, errores y concurrencia se revisaron.
Existe reversión o procedimiento de recuperación.
Una persona competente aprobó el cambio.

Fuentes oficiales

Este artículo fue preparado con asistencia de inteligencia artificial y revisado editorialmente frente a las fuentes citadas. Los modelos, lenguajes, dependencias y herramientas cambian. Verifica la documentación vigente y comunica correcciones a [email protected].