La pregunta suena en principio académica, pero tiene consecuencias inmediatas para la organización del proyecto: ¿es un asistente de IA una herramienta que alguien maneja o un miembro del equipo con el que se colabora? En la secuela de un programa especializado sobre arquitectura de software, Avraham Poupko y Ralf D.Müller indagan exactamente en esta distinción. Paralelamente, datos de la práctica de desarrollo en Google ofrecen una mirada sobria sobre hasta dónde llega realmente la autonomía de tales sistemas.

Herramienta o colega: por qué la distinción es práctica

Una herramienta se emplea, se controla y se deja a un lado cuando es necesario. La responsabilidad del resultado recae claramente en la persona que la maneja. Un miembro del equipo, en cambio, aporta contribuciones propias, se le incluye en las deliberaciones e influye en cómo se distribuyen las tareas. Entre estas dos imágenes hay una diferencia considerable en las expectativas.

Para los equipos de desarrollo, esto no es una discusión semántica. Quien describe la IA como colega desplaza implícitamente también la atribución de errores, la configuración de las revisiones de código —es decir, la revisión mutua del código fuente antes de su adopción— y la cuestión de quién responde en última instancia por una decisión. Quien se mantiene en la metáfora de la herramienta conserva responsabilidades claras, pero debe explicar por qué la interacción con tales sistemas es cada vez más dialógica.

Qué sugieren las cifras de la práctica

Una comparación con la realidad la aportan declaraciones del ingeniero de Google Haydn Belfield. Según estas, en Deepmind ya más del 75 por ciento del código de producción es escrito por IA. Al mismo tiempo, el 88 por ciento de los cambios sigue requiriendo control humano. Ambas cifras van juntas: una alta proporción de generación no equivale a autonomía.

Belfield tampoco ve una aceleración medible de la investigación en IA por la propia IA. Un indicador utilizado internamente, el General Capability Index, muestra un crecimiento uniforme sin salto de velocidad. Una IA que se mejora a sí misma sigue siendo música del futuro por ahora.

Las dos fuentes consideran niveles distintos y no se contradicen. Una plantea la cuestión conceptual sobre el papel en el equipo, la otra aporta métricas de un entorno de desarrollo concreto. En conjunto resulta una imagen que no sostiene ni la euforia ni la postura defensiva: la participación de la IA en la producción de código es alta, el liderazgo permanece en manos humanas.

Consecuencias para la colaboración

Si la mayor parte de los cambios necesita control humano, el centro de gravedad del trabajo se desplaza. Menos tiempo fluye hacia la escritura de líneas individuales, más tiempo hacia la especificación, la verificación y la clasificación. Para los equipos esto significa concretamente:

  • La revisión sigue siendo obligatoria, no opcional. El código generado pasa por los mismos pasos de verificación que el escrito a mano —incluidos tests, comparación con la arquitectura y consideración de seguridad.
  • La responsabilidad sigue ligada a las personas. Un sistema de asistencia no puede responder. Quien aprueba algo asume la responsabilidad de la aprobación.
  • La descripción de tareas gana peso. Cuanto más precisos se formulen los requisitos y las condiciones marco, más útiles resultan las contribuciones.
  • La creación de experiencia requiere atención. Si desaparecen las tareas rutinarias, los equipos deben procurar conscientemente que los miembros menos experimentados sigan desarrollando comprensión del sistema global.

Elegir la metáfora con sensatez

La metáfora del colega tiene una utilidad: describe que la colaboración transcurre de forma iterativa, que se plantean preguntas y se descartan propuestas. Pero también tiene un efecto secundario. Quien trata un sistema como colega tiende a depositar en él una confianza basada en la experiencia social —no en la verificación técnica.

Por eso es practicable una posición intermedia: la forma de interacción de un interlocutor, la obligación de rendir cuentas de una herramienta. Las contribuciones se discuten, pero no se creen. Cada adopción se justifica. Esta actitud puede fijarse en reglas de equipo y definiciones de Done —es decir, criterios vinculantes sobre cuándo se considera concluida una tarea.

Gestión de expectativas frente a los clientes

Para las empresas que encargan proyectos de software, la lectura sobria es la más sólida. Una alta proporción de IA en la generación de código no justifica automáticamente suponer que los proyectos serán proporcionalmente más rápidos o económicos. Los datos del entorno de desarrollo de Deepmind indican que el esfuerzo se desplaza en lugar de desaparecer.

Por eso es sensato hacer transparente en ofertas y planes de proyecto dónde se emplea el apoyo de IA, qué pasos de verificación están previstos y quién otorga qué aprobaciones. Eso crea trazabilidad y evita discusiones sobre si un error debe atribuirse al sistema o al proveedor de servicios —la respuesta es en ambos casos: al proveedor de servicios.

Clasificación

Para los proyectos web y de software, por tanto, lo que cambia menos es la cuestión de la responsabilidad y más el día a día laboral: el aseguramiento de la calidad, las decisiones de arquitectura y los requisitos claros se convierten en el verdadero cuello de botella, mientras la generación de código pierde peso. Los equipos deberían establecer qué tareas pueden abordarse con apoyo de IA y qué pasos de verificación siguen siendo obligatorios.

Quien lo regula por escrito mantiene el control sobre la calidad y la responsabilidad, independientemente de si al final se llama al sistema herramienta o colega.

Fuentes