En desarrollo de software, la IA ya forma parte del flujo habitual de la mayoría de equipos, con estudios que sitúan su adopción entre los desarrolladores en porcentajes muy elevados, algunos incluso cercanos o superiores al 90%. Y esta adopción no sería tan masiva si no existiera una percepción clara de que ayuda a acelerar el trabajo, aunque las cifras sobre su impacto real siguen siendo muy dispares.
Es cierto que hoy podemos resolver en minutos tareas que antes requerían horas, como documentar, analizar información, generar código o preparar pruebas. Sin embargo, cuando hablamos del ciclo completo de desarrollo, sigue abierta una pregunta fundamental: ¿estamos siendo realmente más eficientes?
No solo por desarrollar más rápido podemos inferir que se esté haciendo mejor. Y desde luego no implica que se haga de forma más rentable.
Y ese es, quizás, uno de los grandes riesgos invisibles de la IA en software: la sensación de productividad puede crecer mucho más rápido que la capacidad real de medirla.
Incluso si somos capaces de medirla, todavía tenemos que dar respuesta a una pregunta aún más estratégica, ¿cómo afecta esta aceleración al control económico del software?
El problema: saber realmente cuánto cuesta tu software
Al gestionar el desarrollo con métricas que no reflejan el producto que se está construyendo (horas, velocity, tarifas…), nos encontramos con situaciones paradójicas. Seguro que alguna vez te has encontrado con dos equipos que entregan resultados completamente distintos dedicando el mismo esfuerzo o con dos proveedores que facturan importes muy diferentes por funcionalidades equivalentes.
Y esta disparidad se ha hecho mucho más evidente con la llegada de la IA. Cuando el coste de producir software aparentemente disminuye y la velocidad aumenta, las métricas tradicionales nos sirven aún menos para explicar lo que realmente está pasando.
Evaluar solo la actividad visible – prompts lanzados, tokens consumidos, líneas de código generadas, historias cerradas o uso de herramientas – ofrece señales parciales, pero no demuestra una mejora real en productividad, calidad o coste.
Y aquí es necesario recordar que, aunque la IA genere una parte importante del código, no significa que el software entregado sea más pequeño. La funcionalidad sigue siendo la misma, pero puede cambiar el esfuerzo necesario para construirlo, el tiempo de entrega o el coste asociado.
Además, en ese coste ahora hay que incluir licencias, consumo de modelos, tokens, infraestructura, agentes, integraciones, formación, supervisión y gobierno, no solo el esfuerzo humano. Una mejora en codificación puede perder parte de su valor si desplaza esfuerzo hacia revisión o corrección, o si incorpora nuevos costes tecnológicos que no estaban contemplados.
Por eso, una organización no debería medir cuánta IA utiliza, sino si esa IA está generando más producto útil, con menor coste unitario, igual o mejor calidad y sin deteriorar el ciclo completo de desarrollo.
El software necesita referencias objetivas
Como vemos, la adopción de IA nos obliga a responder preguntas que antes muchas organizaciones creían que podían aplazarse. Preguntas sobre la productividad real de nuestros equipos y proveedores, sobre el impacto de la IA en la calidad del producto entregado y, por supuesto, sobre el impacto económico en nuestros proyectos. ¿No te gustaría saber si el ahorro se está trasladando a tu organización o se está quedando en el proveedor?
Y para responderlas necesitamos métricas objetivas, contexto, benchmarking y una forma homogénea de relacionar producto entregado, esfuerzo, coste y calidad.
Por mucho que la IA cambie cómo se construye el software, no cambia la necesidad de medir cuánto software se entrega. Al contrario: hace aún más necesario desplazar el foco desde la actividad hacia el producto.
La IA genera valor cuando ese valor puede demostrarse
Al final, la pregunta no es cuánto uso la IA para generar software, sino cuánto valor de ese software llega realmente al negocio.
En LedaMC llevamos más de dos décadas ayudando a grandes organizaciones a medir la productividad, la calidad y la eficiencia de sus desarrollos de software. Hoy aplicamos esa misma experiencia al nuevo contexto de la Inteligencia Artificial, midiendo con objetividad su impacto real, comparándolo con referencias de mercado y convirtiendo esa información en decisiones de gestión.
No hay ninguna duda de que la IA seguirá haciendo que desarrollar software sea cada vez más fácil. Y quien sea capaz de responder cuánto cuesta, qué calidad tiene y cuánto valor aporta, irá un paso por delante.
