La brecha de productividad de la IA
Las herramientas y agentes de codificación con IA están cambiando cómo los ingenieros de software emplean su tiempo, comprimiendo el trabajo de implementación pero a menudo ampliando la planificación, la supervisión y la revisión. Muchos informan mejoras en el rendimiento individual —especialmente para juniors y tareas bien estructuradas—, pero también se quejan de «supervisar» agentes, de código inflado o sutilmente defectuoso y de una comprensión degradada de los sistemas. Un tema recurrente es que, sin procesos deliberados y controles de calidad, la IA desplaza los cuellos de botella en lugar de eliminarlos, lo que plantea dudas sobre la productividad del equipo a largo plazo, el desarrollo de habilidades y la salud de la base de código.
Ganancias de productividad percibidas
- Las experiencias van desde grandes aumentos de velocidad (2x hasta «una semana-hombre en 1,5 horas») hasta una productividad global neutra o negativa.
- Muchos señalan que la IA comprime drásticamente el tiempo de implementación y boilerplate, pero ayuda menos en arquitectura, integración y validación.
- Algunos líderes tratan erróneamente la IA como un aumento uniforme de X%; los comentaristas sostienen que las mejoras son muy desiguales según la tarea.
Cambio en el trabajo de desarrollo
- Varios describen que pasan a ser coordinadores o «pastores de gatos» de múltiples agentes en lugar de programadores prácticos.
- Supervisar, volver a hacer prompts y orientar a los agentes puede resultar tedioso y mentalmente agotador.
- Algunos limitan el uso de la IA al autocompletado o al boilerplate inicial para evitar esta sobrecarga.
Calidad del código, revisión y errores
- Hay una fuerte preocupación de que el código generado por IA sea menos fiable, más largo, más abstraído y más difícil de razonar.
- Los errores tienden a ser «no normales»: borrados extraños, monkey patches, problemas de concurrencia raros, trampas sutiles.
- El tiempo de revisión a menudo aumenta debido a PR inflados, notas de pruebas verbosas y autores que entienden menos su propio código.
- Otros argumentan que la revisión humana es aún más esencial con IA; una minoría sugiere que las expectativas de estilo centradas en humanos pueden no encajar con el código generado por IA.
El proceso y las herramientas importan
- Algunos equipos informan de una productividad de ~2x con un proceso estricto: especificación previa, planificación, revisión adversarial por un segundo modelo y documentación abundante.
- Se pone énfasis en la «ingeniería del arnés», la gestión del contexto, la incorporación/cierre estandarizados y en saber cuándo matar o redirigir sesiones malas de agentes.
- Otros ven caos cuando la IA se introduce en flujos de trabajo antiguos sin rediseñar el proceso.
Juniors, seniors y habilidades
- Juniors y becarios pueden producir mucho más con IA, pero preocupa que desarrollen una comprensión superficial y hábitos de «supervisor de LLM».
- Algunos temen la erosión a largo plazo de la experiencia y la dependencia de unos pocos proveedores.
- Flujos de trabajo sugeridos: los principiantes reescriben manualmente las propuestas de la IA para aprender; los desarrolladores experimentados usan la IA sobre todo para completar, no para arquitectura.
Límites organizativos y sistémicos
- Los comentaristas invocan la ley de Amdahl / teoría de las restricciones: acelerar solo la codificación, en su mayor parte, solo agranda la cola de trabajo.
- Los procesos anteriores (requisitos) y posteriores (QA, operaciones, adopción) siguen siendo secuenciales y limitados por humanos.
- Los equipos pequeños y las pilas «amigables con la IA» diseñadas con cuidado pueden ver beneficios desproporcionados; en organizaciones más grandes, las ganancias son más difíciles de materializar y medir.