¿Realidad o hype? El impacto real de la IA en la productividad de los desarrolladores
Un estudio de Stanford con más de 100,000 ingenieros: la IA genera de 30 a 40% más código, pero tras el retrabajo la ganancia real ronda el 15 a 20%.
Publicado originalmente en LinkedIn ↗
En los últimos meses hemos escuchado declaraciones bastante agresivas sobre el futuro del desarrollo de software. Algunas, como las de Mark Zuckerberg sobre la posibilidad de reemplazar ingenieros de nivel medio con IA, han provocado una mezcla interesante de entusiasmo, presión y ansiedad en la industria.
Pero más allá del discurso de los grandes CEOs —que muchas veces también tiene mucho de narrativa para inversionistas— vale la pena hacer una pregunta más seria:
¿Qué dicen los datos reales sobre la productividad con IA?
Un estudio de la Universidad de Stanford, basado en más de 100,000 ingenieros, 600 empresas y miles de millones de líneas de código en repositorios privados, ayuda a poner el tema en perspectiva.
Y la conclusión no es tan simple como “la IA nos hace 10 veces más productivos”.
El espejismo del volumen
A primera vista, la IA parece una superpotencia. Puede aumentar la generación de código entre un 30% y 40%.
El problema es que generar más código no siempre significa entregar más valor.
El estudio identifica un punto crítico: el rework, es decir, el retrabajo. Mucho del código generado con IA termina siendo modificado casi de inmediato porque contiene errores, no encaja bien con la arquitectura existente o simplemente no aporta funcionalidad real.
Después de limpiar, ajustar y corregir, la ganancia neta de productividad parece estar más cerca de un 15% a 20%.
Nada despreciable, pero muy lejos del discurso mágico de “la IA reemplazará equipos completos este año”.
No todas las tareas son iguales
La IA funciona muy bien en tareas simples, repetitivas o bien delimitadas. Ahí puede acelerar bastante.
Pero cuando la tarea es compleja, tiene muchas dependencias o requiere entender reglas de negocio específicas, la historia cambia. En esos escenarios, la productividad puede mejorar poco o incluso verse afectada.
También importa mucho el tipo de proyecto.
En proyectos nuevos, tipo greenfield, las ganancias pueden ser importantes. Pero en sistemas existentes, con años de historia, deuda técnica, integraciones y reglas no documentadas, el beneficio baja considerablemente.
Y lo mismo ocurre con los lenguajes. En tecnologías populares como Python o Java, los modelos suelen responder mejor. En lenguajes menos comunes o entornos más especializados, la IA puede equivocarse más y terminar frenando al desarrollador.
El contexto no lo resuelve todo
Una idea común es pensar que, si le damos suficiente contexto al modelo, eventualmente entenderá todo el sistema.
Pero los datos muestran otra cosa.
A medida que crece el tamaño de la base de código, la utilidad de la IA empieza a disminuir. Aunque existan ventanas de contexto cada vez más grandes, los modelos siguen batallando con la relación señal-ruido: demasiada información, demasiadas dependencias y demasiada lógica específica del negocio.
En otras palabras: más contexto no siempre significa mejor respuesta.
La métrica correcta no es “sentirse más productivo”
Otro punto interesante del estudio es la crítica a las encuestas de percepción.
Preguntarle a un desarrollador si se siente más productivo puede ser útil como referencia, pero no debería ser la métrica principal. La percepción suele fallar bastante.
La productividad real debería medirse por funcionalidad entregada en el tiempo, calidad del código, estabilidad, retrabajo y valor generado. No solo por cuántas líneas de código se escribieron.
Porque escribir más código nunca ha sido sinónimo automático de avanzar más. A veces solo significa que dejamos más cosas por limpiar.
Mi perspectiva
La IA sí está cambiando el desarrollo de software. Negarlo sería ingenuo.
Pero también sería ingenuo pensar que por sí sola va a reemplazar el criterio, la experiencia y el entendimiento profundo de un buen ingeniero.
La IA ayuda a correr más rápido, sí. Pero también puede hacer que tropieces más rápido si no tienes claridad técnica, buenas prácticas y una arquitectura bien pensada.
Para los líderes tecnológicos, el reto no es simplemente “meter IA” al equipo.
El verdadero reto es aprender a integrarla con método, con métricas correctas y con una cultura de ingeniería madura.
Porque al final, la IA no elimina la necesidad de buenos desarrolladores.Más bien, está dejando más claro quién realmente entiende lo que está construyendo.
Iván Fernández
Ayudo a empresas y organizaciones a decidir qué tecnología adoptar.
