Algo cambió y la mayoría de las empresas no lo notó
Vale la pena detenerse en esta pregunta: ¿cuándo fue la última vez que su equipo de ingeniería dedicó un sprint entero a escribir código desde cero?
No a configurar algo. No a integrar una API que construyó otro. No a depurar un conflicto de dependencias. A escribir lógica de negocio nueva, línea por línea, desde un archivo en blanco.
Para la mayoría de los equipos empresariales, la respuesta sincera es "rara vez". Y eso ya era cierto antes de que llegaran las herramientas de IA. El día a día de un ingeniero de software moderno ya estaba dominado por leer código existente, moverse por sistemas complejos, asistir a reuniones para alinear requisitos y pelear con los pipelines de despliegue. La parte de "escribir código" era quizá el 30% del trabajo.
Ahora la IA ha comprimido ese 30% de forma drástica. Herramientas como GitHub Copilot, Cursor y Claude generan implementaciones que funcionan en segundos. ¿Una función que antes tomaba 45 minutos entre escribirla, probarla y refinarla? Lista en 3 minutos con un buen prompt. ¿Un script de migración de base de datos? Generado antes de terminar el café.
Esto suena a buena noticia, y lo es. Pero también crea un problema que la mayoría de las organizaciones aún no ha abordado: si escribir código ya no es el cuello de botella, ¿cuál es? Y si todo su modelo de entrega (los marcos de estimación, la estructura de los equipos, los contratos con proveedores) se construyó sobre el supuesto de que escribir código es lento y costoso, ¿qué pasa cuando ese supuesto deja de cumplirse?
El verdadero cuello de botella nunca fue el código
Hablemos de lo que realmente frena los proyectos de software empresarial. Quien lleva suficiente tiempo en la industria ya conoce la respuesta. No es la velocidad de tecleo. En la mayoría de los casos, ni siquiera es la complejidad técnica.
Es la alineación.
Lograr que los interesados se pongan de acuerdo en lo que realmente quieren. Traducir un requisito de negocio como "necesitamos retener mejor a los clientes" en un conjunto concreto de funcionalidades, flujos de datos y experiencias de usuario. Cerrar la brecha entre lo que el product owner describió en una reunión y lo que el desarrollador entendió tres días después, cuando por fin empezó a trabajar en el ticket.
La investigación del sector sobre el fracaso de proyectos de software (los estudios CHAOS del Standish Group, entre los principales) lleva años señalando la misma causa de fondo: la mayoría de los fracasos se originan en requisitos deficientes, no en mala ingeniería. El código estaba bien. El equipo construyó lo equivocado, o construyó lo correcto en el orden equivocado, o no descubrió una restricción crítica hasta el cuarto mes de un proyecto de seis.
Aquí es donde el impacto de la IA se vuelve interesante. No solo hace que los desarrolladores tecleen más rápido. Acorta el ciclo de retroalimentación entre "creo que entiendo lo que quiere" y "aquí tiene un prototipo funcional por el que puede navegar". Cuando ese ciclo pasa de semanas a horas, todo lo que viene después cambia.
Cómo se ve en la práctica
Un ejemplo concreto de un proyecto que realizamos el año pasado.
Un cliente de servicios financieros necesitaba un módulo de reportes de cumplimiento normativo. Con el enfoque de antes, una funcionalidad así habría empezado con tres semanas de levantamiento de requisitos, habría producido una especificación de 40 páginas que nadie leería completa y habría tomado otras seis semanas de construcción, con al menos dos rondas de revisiones del tipo "no era eso lo que queríamos decir".
Nuestro equipo hizo algo distinto. En una sola sesión de trabajo con el responsable de cumplimiento del cliente, grabamos la conversación, pasamos la transcripción a un sistema de IA y en menos de una hora generamos un conjunto estructurado de historias de usuario con sus criterios de aceptación. Pero lo que importó fue esto: ese mismo día también generamos un prototipo con el que se podía interactuar. No un producto pulido, sino una maqueta funcional y básica con la que el responsable de cumplimiento podía trabajar.
Ella navegó por el prototipo, detectó de inmediato tres supuestos que habíamos entendido mal y dijo: "Este campo tiene que mostrar el historial de auditoría, no solo el estado actual". Esa corrección, detectada el primer día, habría significado dos semanas de retrabajo si hubiera aparecido en las pruebas de QA. Ajustamos el prototipo en el momento. Al final de la semana teníamos un diseño validado en el que todos estaban de acuerdo.
¿El tiempo total de construcción del módulo final? Tres semanas, incluidas las pruebas y el despliegue. ¿La estimación anterior para el mismo alcance? De diez a doce semanas.
¿Se escribió el código más rápido? Sí, en cierta medida. Pero el ahorro real de tiempo vino de eliminar el ciclo de ambigüedad: el vaivén de malentendidos que consume la mayor parte de los plazos de los proyectos empresariales.
La verdad incómoda sobre la estimación
Si usted administra presupuestos de ingeniería, esta sección es para usted.
La mayoría de los contratos de software empresarial todavía se fija por esfuerzo: horas trabajadas, story points quemados, sprints completados. El supuesto implícito es que más esfuerzo equivale a más valor. Usted compra tiempo, y el tiempo es caro porque los desarrolladores con experiencia son caros.
La IA rompe este modelo de una forma incómoda. Si un desarrollador senior puede hacer ahora en dos horas lo que antes le tomaba doce, ¿el cliente debe pagar dos horas o doce? Si el proveedor cotiza doce y entrega en dos, ¿se está quedando con diez horas de margen? Si cotiza dos, ¿está restando valor al criterio de arquitectura que hizo productivas esas dos horas?
Esta tensión se está viendo en todo el sector. Algunos proveedores usan herramientas de IA internamente sin decirlo y siguen facturando a las tarifas de antes. Otros compiten a la baja en precio, recortan sus cotizaciones un 50% y esperan compensar con volumen. Ninguno de los dos enfoques es sostenible.
La respuesta honesta es que la unidad de valor tiene que cambiar. En lugar de comprar horas, los clientes empresariales deberían comprar resultados: un módulo de cumplimiento que funciona, un pipeline de datos migrado, un flujo de pago rediseñado. El trabajo del proveedor es entregar ese resultado con fiabilidad y rapidez. Cómo lo haga (si una persona escribe cada línea a mano o si una IA genera el 80% del código repetitivo) no debería importarle al comprador. Lo que importa es la calidad, la fiabilidad y la velocidad.
En GTEMAS avanzamos hacia modelos de colaboración basados en resultados precisamente por esto: es la lógica comercial detrás de FastDX, nuestro pipeline de entrega AI-native. Definimos el alcance por entregables e hitos, no por número de personas y horas. Es un modelo más difícil de vender, porque los clientes están acostumbrados a contar personas, pero alinea bien los incentivos. Se nos premia por ser eficientes, no por ser lentos.
Qué cambia para los equipos de ingeniería
Hay algo que no se discute lo suficiente: las herramientas de IA no reducen la necesidad de ingenieros senior. La aumentan.
Suena contraintuitivo, así que lo explico. Cuando la IA genera código con rapidez, el volumen de código producido por día sube de forma drástica. Alguien tiene que revisar ese código. Alguien tiene que decidir si las decisiones de arquitectura de la IA tienen sentido en el contexto del sistema completo. Alguien tiene que detectar los errores sutiles que introduce la IA: aquellos en los que el código compila y pasa las pruebas básicas, pero tiene una condición de carrera que solo aparece con la carga de producción.
Los desarrolladores junior pueden pedirle a la IA tareas aisladas con buenos resultados. Pero ¿evaluar si el resultado es correcto dentro de un sistema más amplio? Eso exige mucha experiencia. Hay que saber cómo se ve lo "bueno" para reconocer cuándo la IA entrega algo que es apenas "funcional".
Hemos reorganizado nuestros equipos según esta realidad. En lugar de la pirámide tradicional, con unos pocos seniors supervisando a muchos juniors, ahora operamos equipos más planos en los que se espera que cada ingeniero trabaje a nivel de arquitectura. La IA se encarga de lo que antes hacían los desarrolladores junior: escribir código repetitivo, generar andamiajes de pruebas, ejecutar migraciones rutinarias. Las personas se concentran en el diseño de sistemas, la revisión de seguridad, la optimización del rendimiento y los juicios que la IA no puede emitir con fiabilidad.
Esto tiene consecuencias reales para la contratación. Hoy buscamos otras cosas. Hace cinco años, una entrevista técnica podía medir si el candidato era capaz de implementar de memoria un árbol binario de búsqueda. Hoy nos interesa más que pueda mirar una base de código generada e identificar lo que falta: el manejo de errores que la IA omitió, el caso límite que no consideró, la vulnerabilidad de seguridad escondida en una dependencia que eligió.
"El código más peligroso es el que funciona perfectamente en las pruebas y falla en silencio en producción. La IA es muy buena escribiendo código que pasa pruebas. Saber cuándo desconfiar de eso es una habilidad humana."
El problema de gobernanza del que nadie quiere hablar
Hay un lado más oscuro en todo esto que el sector mayormente ignora.
Cuando la IA genera código, ¿quién responde por él? Si una función generada por IA introduce una vulnerabilidad de seguridad que provoca una filtración de datos, ¿la responsabilidad recae en el desarrollador que aceptó la sugerencia, en el líder de equipo que aprobó el pull request o en el proveedor que desplegó la herramienta?
La mayoría de los marcos legales empresariales no se ha puesto al día con esta pregunta. En industrias reguladas como salud, finanzas y gobierno, no se trata de una preocupación abstracta. Los auditores quieren saber quién escribió el código y si lo revisó una persona calificada. "Lo escribió una IA y un desarrollador hizo clic en aprobar" no va a satisfacer a un auditor de SOC 2.
Nos tomamos esto en serio porque nuestros clientes operan justamente en esos entornos. Todo código generado por IA que entra en nuestro pipeline de entrega pasa por el mismo proceso de revisión que el escrito por personas: revisión entre pares, análisis de seguridad automatizado y aprobación explícita de un ingeniero senior. Mantenemos trazabilidad completa: se puede ver exactamente qué partes de la base de código recibieron ayuda de la IA y quién las revisó.
No es burocracia por burocracia. Es la base de la confianza. Si no puede auditar su código asistido por IA con el mismo rigor que aplica al código escrito por personas, no debería usar IA en producción.
Hacia dónde va todo esto
Todavía estamos al comienzo. Las herramientas de IA disponibles hoy, por impresionantes que sean, son la primera generación. Van a mejorar. Los modelos serán más sensibles al contexto, entenderán mejor las bases de código grandes y serán más fiables en sus sugerencias de arquitectura. La distancia entre el desarrollo "asistido por IA" y el "AI-First" se va a reducir.
Pero los fundamentos no cambiarán. La entrega de software siempre ha sido, en el fondo, un problema de comunicación. Lo difícil es entender lo que quieren las personas y traducirlo a algo que una máquina pueda ejecutar. La IA abarata la ejecución, pero la comprensión sigue siendo cara, y humana.
Lo que sí cambiará es la forma de las alianzas de entrega que funcionen. Los proveedores que prosperen serán los que hayan integrado la IA de verdad en su forma de trabajar, no como recurso de marketing sino como ventaja estructural que les permite entregar más valor por cada dólar. Fijarán precios por resultados, formarán equipos con mayoría de perfiles senior y mantendrán los marcos de gobernanza que exigen los clientes empresariales.
Los que pierdan serán los que sigan vendiendo personal por cabeza y contando horas, con la esperanza de que sus clientes no noten que un equipo de cinco con herramientas de IA puede rendir más que uno de quince sin ellas.
En GTEMAS hemos hecho nuestra apuesta. Estamos construyendo nuestra organización de entrega, impulsada por FastDX, sobre el supuesto de que la IA es una parte permanente del panorama de la ingeniería y no una moda que pueda desvanecerse. Nuestros equipos, nuestros procesos y nuestros modelos comerciales están diseñados para un mundo en el que el criterio humano y la capacidad de las máquinas trabajan juntos. No porque suene bien en una presentación, sino porque es el único modelo que funciona cuando uno se sienta a hacer las cuentas.
Las empresas que lo entiendan primero tendrán una ventaja importante. No solo en velocidad, aunque serán más rápidas. También en calidad, en previsibilidad y en la capacidad de adaptarse cuando los requisitos cambien a mitad del proyecto. Porque van a cambiar. Siempre cambian. La cuestión es si su modelo de entrega está preparado para absorberlo sin problemas o si se rompe cada vez que alguien dice: "En realidad, necesitamos que funcione de otra manera".
Esa es la verdadera promesa de la IA en la entrega empresarial. No teclear más rápido. Pensar mejor.
