Medir el impacto real de la IA en el trabajo de los desarrolladores implica distinguir entre lo que se siente y lo que se basa en datos verificables. Las herramientas de generación de código se multiplican, al igual que las promesas de ganancias de productividad. El informe DORA 2025 y varios ensayos controlados recientes permiten confrontar estas promesas con los resultados observados en el terreno.
Productividad IA y estabilidad del software: lo que mide el informe DORA 2025
El informe DORA 2025 establece una relación positiva entre la adopción de la IA y el ritmo de entrega. Los equipos que utilizan asistentes de código entregan más funcionalidades en un período determinado.
Este mismo informe identifica un vínculo negativo persistente con la estabilidad de las implementaciones. En otras palabras, producir más rápido no garantiza producir mejor. Los incidentes después del despliegue no disminuyen proporcionalmente al código entregado.
Un punto a menudo ignorado en los análisis concurrentes: la IA tiende a amplificar las prácticas ya presentes en un equipo. Un equipo con buenas prácticas de revisión y pruebas ve progresar sus resultados. Un equipo cuyos procesos son frágiles ve sus debilidades agravarse. La herramienta no es correctora, es amplificadora. Recursos como codyx.org permiten explorar los diferentes enfoques de generación de código en este contexto.
Ensayos controlados sobre la generación de código: resultados contradictorios
Los estudios disponibles no convergen hacia una conclusión única. La tabla a continuación resume las discrepancias observadas entre dos tipos de ensayos recientes.
| Tipo de ensayo | Contexto | Resultado observado |
|---|---|---|
| Ensayo METR 2025 | Desarrolladores experimentados, proyectos de código abierto familiares | Duración medida de las tareas en aumento a pesar de una sensación de aceleración |
| Ensayos de campo (3 empresas) | Tareas de desarrollo comunes, acceso a Copilot | Más tareas completadas en el período observado |
El ensayo METR pone de relieve una discrepancia sorprendente: los desarrolladores estimaban que la IA los había acelerado, mientras que la duración real había aumentado. Este sesgo perceptivo plantea un problema metodológico para cualquier empresa que evalúe la IA únicamente en función de la percepción de sus equipos.
Los ensayos de campo, por su parte, muestran una ganancia medible en el volumen de tareas completadas. Estos resultados no miden lo mismo y no se generalizan a todos los contextos. El tipo de proyecto, la familiaridad con la base de código y el nivel de experiencia del desarrollador cambian radicalmente la situación.
Seguridad del código generado por la IA: un ángulo subestimado
La mayoría de los análisis de productividad se centran en la velocidad de escritura. La seguridad del código producido sigue siendo un ángulo operativo poco tratado.
La verificación de seguridad y la revisión humana pueden absorber parte del tiempo ganado en la escritura inicial. Un desarrollador que genera una función en unos segundos pero luego pasa veinte minutos verificando que no contenga fallas de inyección o mala gestión de permisos no necesariamente ha ganado tiempo neto.
Este fenómeno crea un desplazamiento de carga en lugar de una reducción. El tiempo de escritura disminuye, el tiempo de revisión aumenta. Para los equipos que trabajan en aplicaciones sensibles (salud, finanzas, infraestructura), esta transferencia merece ser cuantificada antes de proclamar ganancias globales.
- La generación automática no verifica la conformidad con las normas de seguridad específicas del proyecto
- Las pruebas unitarias generadas por la IA a menudo cubren los casos nominales pero descuidan los casos límite y los escenarios de ataque
- La revisión de código humana sigue siendo el último bastión, y su tiempo aumenta cuando el volumen de código producido se incrementa
Medir la seguridad por separado de la velocidad
Evaluar una herramienta de generación de código únicamente por el número de líneas producidas o de tareas cerradas equivale a medir la velocidad de un vehículo sin verificar sus frenos. Las métricas de seguridad (vulnerabilidades detectadas post-generación, tasa de corrección antes del despliegue) deberían figurar en cualquier panel de control de adopción de la IA.
Percepción del desarrollador frente a datos medidos: cómo evaluar la IA
La discrepancia identificada por el ensayo METR entre percepción y medida plantea una pregunta práctica para los responsables técnicos. ¿Sobre qué indicadores basar una decisión de adopción o renovación de licencia?
- El volumen de tareas completadas por sprint da una señal sobre el ritmo, pero no sobre la calidad del código entregado
- La tasa de rollback después del despliegue (métrica DORA) captura la estabilidad real mejor que la percepción del equipo
- El tiempo de revisión de código por pull request, medido antes y después de la adopción de la IA, revela si la ganancia en escritura se transforma en una sobrecarga de verificación
Una evaluación fiable combina al menos tres indicadores: ritmo, estabilidad y tiempo de revisión. Confiar únicamente en la percepción o en el volumen de código producido expone a conclusiones erróneas.
El informe DORA 2025 muestra que los equipos que realmente progresan son aquellos que ya contaban con prácticas sólidas de pruebas automatizadas y revisión sistemática. La IA no ha reemplazado estas prácticas, las ha hecho más productivas. Para los demás, la herramienta ha acelerado principalmente la producción de deuda técnica.
El desafío para los próximos meses no es saber si la IA genera código más rápido. Lo hace. La pregunta que queda abierta es el costo real de este código una vez desplegado, mantenido y asegurado a lo largo del tiempo.
