Vibe coding para cálculos de energía

Del archivo climático al reporte reproducible

Guillermo Barrios del Valle · Instituto de Energías Renovables, UNAM

1 de octubre de 2026

QR a estas diapositivas: dejarlo unos segundos para que lo escaneen antes de empezar.

¿Quién es Andrej Karpathy?

Foto: Gladwin Analytics, 2019, vía Wikimedia Commons, CC BY 3.0.

• Doctorado en Stanford (2015) con Fei-Fei Li; creó y dio el curso CS231n de redes convolucionales.
• Miembro fundador de OpenAI (2015-2017); director de IA en Tesla (2017-2022), a cargo de la visión del Autopilot; de vuelta en OpenAI (2023-2024).
• En 2017 escribió “Software 2.0”: las redes neuronales como nueva forma de programar.
• Educador: la serie “Neural Networks: Zero to Hero” y Eureka Labs (2024).
• El 2 de febrero de 2025 publicó el tuit que acuñó vibe coding.

El punto: no es un influencer ni un vendedor de herramientas. Es alguien que construyó sistemas de producción y enseña desde los fundamentos. Por eso su definición pesa, y por eso importa que él mismo la acotó a proyectos desechables.

Febrero de 2025: el tuit

Captura del embed oficial de X, @karpathy, 2 de febrero de 2025. El embed recorta el texto; la publicación completa sigue en el enlace.

• “There’s a new kind of coding I call vibe coding, where you fully give in to the vibes, embrace exponentials, and forget that the code even exists.”
• “I ‘Accept All’ always, I don’t read the diffs anymore.”
• Pensado para proyectos desechables de fin de semana.

Leer las dos citas en voz alta. Subrayar “desechables”: el propio Karpathy lo acotó desde el principio.

¿Qué es, entonces, el vibe coding?

Describir en lenguaje natural lo que quieres, aceptar lo que el modelo escribe sin leerlo, y corregir por prueba y error hasta que “funciona”.

1

Describes

en lenguaje natural lo que quieres

→

2

Aceptas sin leer

lo que el modelo escribe

→

3

Corriges

por prueba y error

↻ y vuelves a empezar… hasta que “funciona”

Definición operativa. Dejar la frase en pantalla unos segundos antes de pasar a la pregunta gancho.

¿Qué anda haciendo la comunidad?

Juguetes que explotaron

3 h de prototipo; 1 M USD ARR en 17 días

MenuGen Foto del menú → imágenes de platillos

fly.pieter.com Simulador de vuelo en el navegador

ScubaDuck Explorador de datos de un ingeniero de PyTorch

Apps sin programadores

60 % de los usuarios de Lovable no programa

Lovable 600 M USD ARR; también Bolt, v0, Replit

Marketing inmobiliario De 3-5 días a minutos

Lo cotidiano Contadores, sorteos, landing pages

Ciencia

20 % de científicos sociales ya usa agentes de código

Encuesta de Anthropic 1 260 investigadores, 2026

Claude Code y Codex Como “asistente de laboratorio”

Protección solar · IER-UNAM Hecha en casa, validada contra pvlib

Cifras de ingresos reportadas por las propias empresas o sus fundadores.

Tres tipos de uso: juguetes virales, apps de negocio hechas por no programadores y ciencia.

• MenuGen (Karpathy): su propio ejemplo de “fin de semana”; lo difícil no fue el código sino “armar el mueble de IKEA” de servicios.
• fly.pieter.com (Pieter Levels): MMO en el navegador con Cursor, Claude y Grok; un año después, 70-90 K USD al mes.
• ScubaDuck: el ingeniero documentó todo el proceso.
• Lovable (sep 2026): 100 000 proyectos nuevos al día. Junto con Bolt, v0 y Replit.
• Marketing inmobiliario: un gerente se hizo su generador de offering memorandums.
• Encuesta de Anthropic: 1 260 científicos sociales (feb-mar 2026); 81 % ha usado chatbots en su investigación.
• Asistente de laboratorio: análisis, figuras, limpieza de datos.
• Protección solar (Ener-Habitat): Shiny para Python sin servidor (Shinylive/WebAssembly), hecha con vibe coding: carta solar estereográfica y diseño de aleros.

El punto de aterrizaje es la tercera columna: en ciencia el uso de agentes es aún minoritario (20 %) y es exactamente donde el criterio de dominio decide si el número sirve. Enlaza con la pregunta gancho.

¿Usaron IA para algo de su trabajo este mes/semana?

Pregunta rápida para calibrar la sala antes de entrar en materia.

Entonces… ¿realizarías el análisis de un artículo científico o de una tesis usando vibe coding?

Sí, pero con estas consideraciones:

Ocho consideraciones

1

Maneja el entorno de programas

5

Ejecuta el plan parte por parte

2

Controla el espacio de trabajo y la estructura

6

Pide ideas, retroalimenta, pon a prueba

3

Haz un plan inicial de lo que quieres hacer con los datos

7

Revisa TODO lo que la IA escribe

4

Define herramientas y reglas del espacio de trabajo

8

Recrea y revisa tu prototipo

Cada consideración tiene un clip corto. Este es el índice; los ocho clips que siguen son el corazón de la charla.

Ejemplo aplicado: el clima de Monclova

1

Explorar un EPW

TMYx de Monclova (climate.onebuilding.org): metadatos, 8760 horas, calidad y meses de origen.

2

Caracterizar el clima

Temperatura (mensual, percentiles, oscilación), radiación (GHI, DNI, DHI) y viento (velocidad, rosa de vientos, calmas).

3

Cuantificar el calor con confort adaptativo

ASHRAE 55: \(T_{conf} = 0.31\,\bar{T}_{pma} + 17.8\), límite de 80 % en ±3.5 °C. Grados-hora por encima del límite superior.

4

Potencial solar mensual en superficie horizontal

Suma de GHI por mes en kWh/m²·mes y total anual en kWh/m²·año, contrastado con PVGIS.

Este es el caso que recorren los ocho clips. Todo sale de un solo archivo EPW y de pvlib + pandas. Monclova (Coahuila, ~600 m, UTC−6): clima semiárido cálido con veranos muy calurosos (con frecuencia sobre 40 °C) e inviernos templados con heladas ocasionales. Sirve para ver calor y frío en el mismo año con el modelo adaptativo.

1. Maneja el entorno de programas

Video: uv para el caso Monclova (≤ 3 min). Arranca solo, sin sonido, a 2x y en bucle al llegar a esta diapositiva.

• uv init --package clima-monclova, uv python pin 3.12, uv add pvlib pandas matplotlib plotly windrose.
• La IA propone pip install pythermalcomfort sin verificar. El humano revisa en PyPI qué es, quién lo mantiene y si calcula el modelo adaptativo que necesitamos, antes de uv add.
• uv run python -c "import pvlib; print(pvlib.__version__)" → 0.16.1, fijado en uv.lock.
• Cierre: uv sync --locked en una carpeta limpia reproduce el entorno exacto.

2. Controla el espacio de trabajo y la estructura

Video: espacio de trabajo (≤ 3 min). Arranca solo, sin sonido, a 2x y en bucle al llegar a esta diapositiva.

• Carpetas: data/001_raw/ (EPW inmutable), data/002_interim/, src/clima/, analysis/, tests/, docs/.
• Descargar el TMYx de Monclova, copiarlo a data/001_raw/, calcular sha256 y escribir FUENTES.md (URL, fecha, variante 2007-2021).
• git init, .gitignore y primer commit antes de escribir código.

3. Haz un plan inicial de lo que quieres hacer con los datos

Video: plan en Markdown (≤ 3 min). Arranca solo, sin sonido, a 2x y en bucle al llegar a esta diapositiva.

• Prompt: “Escribe PLAN.md para caracterizar el clima de Monclova desde el EPW, cuantificar el calor con confort adaptativo y calcular el potencial solar mensual horizontal. No escribas código.”
• La IA propone supuestos erróneos: media predominante con la temperatura horaria, GHI en W/m², rosa de vientos con la dirección hacia donde va el viento.
• El humano corrige el plan: media diaria móvil de 7 días previos, Wh/m² → kWh/m², dirección de procedencia, y qué hacer si \(\bar{T}_{pma}\) sale de 10-33.5 °C.
• Commit del plan: es el contrato con el agente.

4. Define herramientas y reglas del espacio de trabajo

Video: reglas para el agente (≤ 3 min). Arranca solo, sin sonido, a 2x y en bucle al llegar a esta diapositiva.

• AGENTS.md: solo uv; no modificar data/001_raw/; unidades en los nombres (ghi_wh_m2, gh_calor_c_h); modelo ASHRAE 55 adaptativo con su intervalo de validez; toda función en src/ lleva prueba.
• CLAUDE.md con una línea: “Lee y sigue AGENTS.md”.
• Prueba en vivo: “limpia el EPW y guárdalo”. El agente se niega a sobrescribir data/001_raw/ y escribe en data/002_interim/.
• Contraste: el mismo prompt sin AGENTS.md sobrescribe el EPW original.

5. Ejecuta el plan parte por parte

Video: Quarto y Python, paso a paso (≤ 4 min). Arranca solo, sin sonido, a 2x y en bucle al llegar a esta diapositiva.

• analysis/01_clima.qmd, una sección del plan por vez, uv run quarto render tras cada paso.
• Exploración: read_epw (la IA inventa map_variables=True → TypeError), metadatos y meses de origen del TMY.
• Caracterización: temperatura mensual y percentiles, heatmap de GHI, rosa de vientos y porcentaje de calmas.
• Calor y sol: grados-hora sobre el límite adaptativo por mes; barras de GHI mensual en kWh/m²·mes.

6. Pide ideas, retroalimenta, pon a prueba

Video: validación del caso (≤ 4 min). Arranca solo, sin sonido, a 2x y en bucle al llegar a esta diapositiva.

• “Propón pruebas.” La IA escribe una tautológica. El humano pide pruebas físicas: 8760 filas, GHI ≥ 0 y cero de noche, velocidad del viento ≥ 0, \(T_{conf}\) solo con \(10 \le \bar{T}_{pma} \le 33.5\) °C.
• uv run pytest -q: una prueba falla porque los primeros días de enero no tienen días previos para la media predominante. Como el TMY es cíclico, se usan los últimos días de diciembre, y se documenta la decisión.
• Pedir ideas: “¿qué otra métrica de calor usarías?”. La IA sugiere horas sobre 35 °C; el humano la acepta como complemento, no como sustituto.

7. Revisa TODO lo que la IA escribe

Revisión del código (sin video): recorrer esta celda línea por línea en voz alta.

• git diff línea por línea, en voz alta.
• Tres errores que no lanzaron excepción: la media predominante calculada con la temperatura horaria; el límite superior sumado en °C·día en vez de °C·h; la GHI mensual dividida entre el número de horas en vez de sumada.
• Pedir a la IA que explique una línea sospechosa y contrastar con ASHRAE 55 y la documentación de pvlib.
• Commit con qué se aceptó y qué se corrigió; entrada en docs/bitacora-ia.md.

8. Tuviste tu primer prototipo: ahora recrea y revisa

Recorrer el ciclo en orden; si algo no cuadra en cualquier paso, se da otra vuelta.

• Recrear desde cero: clonar en una carpeta limpia y correr uv sync --locked && uv run quarto render. El reporte sale idéntico o el prototipo no está terminado.
• Revisar y reescribir: explicar en voz alta el cálculo de \(\bar{T}_{pma}\) y de los grados-hora; reescribir uno a mano y comprobar que da lo mismo.
• Comparar con referencia externa: GHI mensual del EPW contra PVGIS-ERA5 o NASA POWER para Monclova, con la fuente citada.
• Cerrar el ciclo: anotar en la bitácora qué se recreó, qué se entendió y qué se cambió. El humano firma; la IA no.

Las pruebas físicas detectan lo imposible; la referencia externa detecta lo plausible pero incorrecto.

Cierre

Entonces… ¿realizarías el análisis de una tesis con vibe coding?

Sí, si el resultado viene con

A

Entorno y datos bajo control

Pasos 1, 2 y 4: uv.lock, datos crudos intocables, reglas escritas.

B

Un plan que tú creaste

Pasos 3 y 5: el plan es el contrato; se ejecuta por partes.

C

Una persona que probó, revisó y recreó

Pasos 6, 7 y 8: pruebas físicas, diff, reproducción desde cero.

Cierra la pregunta del separador. La IA sube el piso; el techo, criterio de dominio, verificación y firma, sigue siendo humano. Si alguien pregunta por evidencia: el ensayo de Anthropic (Shen y Tamkin 2026) encontró 50 % contra 67 % de comprensión, con la brecha mayor en depuración; y solo 68.3 % de los proyectos generados por agentes corren sin tocar nada (Vangala et al. 2026).

¿Qué parte de tu próximo análisis
no delegarías, y por qué?

Guillermo Barrios del Valle · gbv@ier.unam.mx · Instituto de Energías Renovables, UNAM

Dejar la pregunta en pantalla durante las preguntas del público.

Herramientas usadas

Lenguaje y entorno

Python El lenguaje de todo el análisis

uv Python, dependencias y uv.lock

Datos y cálculo

Climate.OneBuilding.Org Archivos climáticos TMYx

EPW Formato de clima de EnergyPlus

pvlib Lectura del EPW y cálculo solar

Reporte y publicación

Quarto Reporte y estas diapositivas

git Historial de cada cambio

GitHub Pages Publicación en la web

Agente de IA

Claude Code con Claude Opus 5.5

o, en local y abierto:

OpenCode + Ollama con Qwen3.8 27B

El agente es intercambiable: el mismo flujo funciona con un modelo local (OpenCode + Ollama + Qwen3.8 27B), sin mandar datos fuera. Lo que no cambia es el entorno, el plan, las reglas y la revisión humana.

Dejar el QR en pantalla al final: lleva a estas diapositivas.