Los asistentes de IA escriben código rápidamente.Sin embargo, no está garantizado que de ello se deriven automáticamente proyectos más rápidos.Un análisis de Harvard recogido por t3n llega a la conclusión de que el efecto de productividad de las herramientas de IA en la práctica se desvanece en gran medida, y no al generar, sino al verificar el resultado.
El argumento es comprensible para cualquiera que alguna vez haya adoptado código ajeno: lo que una máquina produce en segundos, sigue teniendo que leerlo, entenderlo, probarlo y responsabilizarse de ello una persona.El cuello de botella se desplaza así de la producción a la revisión.
El cuello de botella se desplaza, no desaparece
En los procesos de desarrollo clásicos, escribir código es solo una parte del trabajo.A ello se suman la coordinación, las decisiones de arquitectura, las pruebas, la revisión de código —es decir, la revisión colegiada de cambios antes de su incorporación a la versión principal—, así como el despliegue y la operación.
Si ahora las herramientas de IA proporcionan claramente más propuestas de código en menos tiempo, crece el volumen que debe pasar por esta vía de revisión.Más líneas significan más esfuerzo de revisión.Y la revisión es más difícil de paralelizar que la generación de código, porque para ello se necesita conocimiento de contexto sobre el proyecto.
A ello se añade una diferencia cualitativa: el código propio se entiende al escribirlo, el código generado debe deducirse a posteriori.Esto cuesta trabajo cognitivo que a menudo no aparece en las estimaciones de esfuerzo, porque antes sencillamente no existía.
Qué significa esto para los presupuestos de proyecto
Para los clientes, la consecuencia es incómoda pero útil: una herramienta por sí sola no reduce los costes.Lo decisivo es si el proceso que la rodea puede procesar el rendimiento adicional.
En la práctica, esto significa aclarar algunas cuestiones desde el principio en la planificación del proyecto:
- ¿Quién revisa el código generado y con qué presupuesto de tiempo?
- ¿Qué cobertura de pruebas existe para que los errores se detecten de forma automatizada en lugar de manual?
- ¿Existen reglas vinculantes sobre qué partes del código pueden siquiera crearse con apoyo de IA, por ejemplo no en ámbitos críticos para la seguridad o fuertemente regulados?
- ¿Cómo se documenta qué partes de un sistema se crearon y cómo?
Donde estas preguntas están respondidas, el apoyo de la IA puede asumir trabajo rutinario.Donde quedan abiertas, surge un atasco: mucho material, poca sustancia verificada.
Una segunda perspectiva: los LLM en operación
Que el beneficio depende en gran medida del escenario de uso lo demuestra una prueba práctica de Golem.de sobre el tema del monitoreo.Los proveedores de monitoreo promocionan el análisis de causa raíz asistido por IA —es decir, la localización automática de la causa real del error detrás de una avería— en parte con promesas muy grandes.
La prueba indaga en la cuestión de hasta dónde se puede llegar uno mismo si en lugar de ello se vincula directamente un gran modelo de lenguaje (LLM) con extractos de logs, es decir, con los archivos de registro que generan los sistemas en operación.El enfoque es deliberadamente terrenal: no una promesa de producto, sino una aplicación verificable con datos reales.
Ambas fuentes muestran el mismo patrón desde dos direcciones.El análisis de Harvard describe por qué las promesas generales de productividad al escribir código no se cumplen.La prueba de monitoreo examina dónde un caso de uso concretamente delimitado realmente funciona.En ambos está presente el escepticismo frente al automatismo de que el uso de IA equivale a ganancia de tiempo.
La diferencia entre generar y clasificar
Un punto interesante: en el troubleshooting, la tarea del modelo es distinta a la de escribir código.No produce un artefacto que permanezca de forma duradera en el sistema y deba mantenerse, sino que ayuda a ordenar e interpretar información existente.
Las interpretaciones erróneas se detectan más rápido en este escenario, porque la hipótesis del modelo puede verificarse inmediatamente en el sistema en funcionamiento.En el código, en cambio, los defectos pueden permanecer mucho tiempo sin detectarse y hacerse visibles solo en operación o en el siguiente cambio.
De ello puede derivarse una regla empírica prudente: el apoyo de la IA resulta más fiable allí donde el resultado es verificable de forma inmediata y económica.Cuanto más cara es la verificación, menor es el beneficio neto.
Recomendaciones para la práctica de proyectos
Para proyectos en curso y planificados pueden derivarse de ello algunos pasos:
- Evaluar el uso de IA no de forma general, sino por tipo de tarea: el boilerplate, las pruebas y el trabajo de análisis se comportan de manera distinta a la lógica central.
- Planificar la capacidad de revisión en lugar de tratarla como una magnitud residual.
- Ampliar las pruebas automatizadas y el análisis estático de código para que la verificación escale.
- Medir en lugar de creer: comparar los tiempos de ciclo y las tasas de error antes y después de la introducción.
- Probar las promesas de producto de los proveedores con datos propios antes de comprometer presupuestos de licencias.
Clasificación
Para los proyectos web y de software esto significa: la IA cambia la distribución del trabajo, no su cantidad total, al menos no automáticamente.Quien quiera ahorrar presupuesto debe invertir primero en aseguramiento de la calidad, cobertura de pruebas y procesos de revisión claros, pues es precisamente ahí donde se decide si el código generado más rápido también llega a producción más rápido.
Y quien compre funciones de IA a proveedores, debería probarlas en un caso de uso propio y delimitado antes de convertirlas en la base de la planificación del proyecto.