El desarrollo de software produce rastros de datos: commits en el sistema de control de versiones, tickets en la herramienta de proyectos, tiempos de ejecución de la pipeline de build, comentarios en las revisiones de código. Bajo el término Developer Analytics se evalúan estos rastros para hacer afirmaciones sobre el trabajo de los equipos de desarrollo. El atractivo es evidente: quien es responsable de un presupuesto quiere poder demostrar qué surge de él.
El inconveniente es igual de evidente. Aplicado incorrectamente, este tipo de evaluaciones genera una atmósfera de observación — y al mismo tiempo arroja resultados que llevan a engaño. Ambas cosas juntas son la peor de todas las combinaciones: el equipo se siente controlado, y el control ni siquiera mide lo correcto.
Por qué las métricas individuales engañan tan a menudo
Las cifras disponibles suelen ser datos de actividad, no datos de resultados. Muestran que algo ha ocurrido, no si ha servido a la causa. Un número elevado de commits puede indicar un trabajo fragmentado y bien trazable — o inseguridad y muchas correcciones. Pocas líneas de código modificadas pueden ser señal de estancamiento o el resultado de una semana de análisis que acaba desembocando en una solución elegante y breve.
A ello se suma el efecto que desencadena toda métrica publicada: en cuanto está claro qué se observa, el comportamiento cambia en dirección a la medición. Las tareas se dividen más para que aparezcan más tickets en el sprint. Las revisiones se aprueban más rápido porque el tiempo de ciclo se considera un objetivo. El refactoring, la documentación y la limpieza de deuda técnica heredada no aparecen positivamente en ninguna de estas cifras — y por tanto se hacen con menor frecuencia.
Los asistentes de IA desplazan los baremos
Con el uso generalizado de asistentes de codificación con IA el problema se agranda, no se reduce. Cuando una parte considerable del código escrito se propone de forma automática, la cantidad de código como indicador pierde toda capacidad de afirmación. Al mismo tiempo, el rendimiento real se desplaza: reside cada vez más en revisar, contextualizar y descartar propuestas, en comprender sistemas existentes y en tomar decisiones de arquitectura.
Precisamente estas actividades apenas dejan rastros de datos. Un desarrollador que reconoce una propuesta del asistente como riesgosa y la descarta no produce nada en el log — pero posiblemente evita semanas de búsqueda de errores. Quien sigue contando output, en este entorno recompensa la aceptación y penaliza la revisión.
Del individuo al proceso
La diferencia más importante en la práctica es el nivel de observación. Las métricas a nivel de persona generan presión de justificación e invitan a comparaciones que no se sostienen técnicamente — aunque solo sea porque las tareas tienen dificultad distinta. Las métricas a nivel del proceso, en cambio, plantean otra pregunta: ¿dónde se queda atascado el trabajo, y por qué?
Las observaciones típicas desde esta perspectiva son bien utilizables:
- Tiempos de espera en lugar de tiempos de trabajo: ¿Cuánto tiempo permanece un paquete de cambios en revisión antes de que alguien se ocupe de él? ¿Cuánto tarda desde la implementación terminada hasta el paso a producción?
- Retornos: ¿Con qué frecuencia hay que retomar una tarea porque los requisitos no estaban claros?
- Estabilidad: ¿Con qué frecuencia las releases provocan incidentes, y con qué rapidez vuelve la operación a la normalidad?
- Fricción en la cadena de herramientas: ¿Cuánto tarda un build, con qué frecuencia fallan las pruebas sin un error real?
Estas magnitudes señalan cuellos de botella en el sistema, no a personas. Además, suelen poder mejorarse con medios organizativos — mediante requisitos más claros, ventanas de revisión fijas, pipelines más rápidas — y no haciendo que personas individuales trabajen más.
Las cifras necesitan un contexto
Ningún conjunto de datos se explica por sí mismo. Un tiempo de ciclo aumentado puede deberse a una fase de vacaciones, a un componente especialmente complejo, a una migración que se ejecuta en paralelo o a un proveedor que debe respuestas. Quien interpreta este tipo de evaluaciones sin consultar llega casi inevitablemente a conclusiones erróneas.
Por eso es sensato un procedimiento sencillo: la cifra proporciona el motivo para una conversación, no el veredicto. El equipo comenta la anomalía, se registra la explicación y de ahí surge, en su caso, una medida. Este orden decide si Analytics se percibe como herramienta o como vigilancia.
La transparencia como requisito
La confianza no surge de que no se mida, sino de que esté claro qué se mide. Para ello hacen falta algunas definiciones que es mejor tomar antes de la introducción que después:
- ¿Qué datos se recogen, y en qué nivel de agregación?
- ¿Quién ve las evaluaciones, y quién no?
- ¿En qué decisiones no debe apoyarse expresamente estas cifras — por ejemplo, en evaluaciones de empleados individuales?
- ¿Cómo se vuelven a suprimir las métricas si resultan inútiles?
El último punto se pasa a menudo por alto. Los dashboards tienden a crecer sin cesar, porque añadir un mosaico es fácil y eliminarlo parece una admisión. Un conjunto de métricas que ya nadie puede explicar causa más daño que ninguno.
Qué quieren saber realmente los clientes
Detrás del deseo de cifras de productividad suele haber otra pregunta legítima: ¿avanza el proyecto, y dónde están los riesgos? Esta pregunta a menudo puede responderse mejor sin métricas — mediante estados intermedios ejecutables, mediante una lista honesta de puntos abiertos, mediante decisiones visibles y su justificación.
Resultados demostrables a intervalos cortos son la señal de confianza más fuerte que puede ofrecer un equipo de desarrollo.
Las métricas complementan de forma útil cuando se trata de tendencias a lo largo de periodos más largos: ¿Los lanzamientos son más fiables? ¿Disminuye el tiempo hasta que un cambio llega al usuario? ¿Se reduce el número de incidencias?
Para proyectos web y de software esto significa: mida el proceso, no a las personas, y trate cada cifra como punto de partida para una pregunta de seguimiento. Precisamente porque los asistentes de IA desacoplan la cantidad de código generado de la creación de valor real, las métricas de output pierden cada vez más importancia — mientras que el tiempo de ciclo, la estabilidad y la trazabilidad de las decisiones ganan relevancia. Quien tenga en cuenta este cambio en el contrato y en el reporting obtendrá información de control sólida y, al mismo tiempo, mantendrá un equipo que habla abiertamente sobre los problemas.