La IA escribe más código. ¿Por qué entonces no somos mucho más productivos?
La IA acelera la generación de código, pero en proyectos reales la productividad depende de muchos otros factores: coordinación, decisiones, arquitectura, deuda técnica y comprensión del sistema.
El discurso de que “la IA multiplica la productividad” suele medir lo más fácil de medir: líneas de código, velocidad de prototipado o tiempo hasta llegar a un MVP.
Pero en proyectos reales, el cuello de botella rara vez fue únicamente la generación de código, sino otros factores como:
- reuniones de alineamiento, como refinement, planning o dailies
- diseño de arquitectura
- coordinación entre equipos
- reuniones postergadas
- toma de decisiones dilatadas
- mala comunicación
- requisitos ambiguos
- el clásico cliente que “sabe lo que quiere pero no sabe explicarlo”
- depuración de problemas complejos
- refactorización y deuda técnica
La IA acelera justamente la parte que muchas veces ya no era el problema principal. Como consecuencia, algunos estudios muestran que la productividad real no aumenta tanto como se esperaba.
Recomiendo la lectura de este artículo, que lo describe con mucho más detalle: 93% of Developers Use AI Coding Tools. Productivity Hasn't Moved.
A esto se suma otro problema, el riesgo de que el código contenga más vulnerabilidades de seguridad, sea poco escalable y, lo peor de todo, que el equipo empiece a perder el control del código.
Un programador senior normalmente puede seguir, entender e incluso auditar el código generado por la IA. Pero un junior muchas veces no. Tarde o temprano puede perder completamente el control del sistema, y eso es peligroso a mediano plazo.
Cuando la IA genera código demasiado rápido empiezan a aparecer:
- abstracciones innecesarias
- dependencias ocultas
- patrones inconsistentes
- código “plausible” pero mal razonado
- decisiones arquitectónicas tomadas sin contexto
Y como el código “parece profesional”, cuesta mucho más detectar problemas temprano.
Un junior que “terminó” una tarea usando IA muchas veces, en realidad, la entiende peor que si la hubiera hecho manualmente.
Y la confianza va en sentido inverso. Según el paper The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers, el 78% de los perfiles junior tiende a confiar mucho más en respuestas concretas y detalladas generadas por IA, frente al 39% de los perfiles senior. En otras palabras, quienes tienen menos experiencia suelen cuestionar menos las respuestas de la IA.
El modelo de aprendizaje tradicional se está rompiendo.
Históricamente, un junior aprendía porque escribía código, se equivocaba, leía mensajes de error, debatía con un senior y finalmente entendía por qué algo funcionaba. Eso es lo que construye modelos mentales duraderos.
La IA elimina gran parte de esa fricción, y sin esa fricción muchas veces no aparece el conocimiento profundo.
En conclusión, la IA sí puede acelerar y mejorar partes importantes del desarrollo. Negarlo sería absurdo. Pero todavía tenemos que aprender cuál es la forma más efectiva de usarla, desarrollar mejores prácticas y no dejarnos llevar por un hype que puede hacernos tomar malas decisiones y, a largo plazo, generar más problemas que soluciones.