La inteligencia artificial generativa ya forma parte del trabajo diario de muchos equipos de software. Herramientas como asistentes de código, chatbots técnicos y entornos de programación con IA pueden sugerir funciones, explicar errores, generar pruebas o acelerar tareas repetitivas. La discusión ya no es si estas herramientas se usarán, sino bajo qué reglas se incorporan a proyectos reales.
Los datos disponibles apuntan a una conclusión menos simple que el marketing. La IA puede mejorar la productividad en tareas acotadas, pero también puede introducir errores, vulnerabilidades y una falsa sensación de seguridad si el código se acepta sin revisión. Para un equipo profesional, el valor no está en escribir código más rápido a cualquier precio, sino en reducir tiempo sin degradar calidad.
Productividad: ganancias reales, pero no universales
Uno de los estudios más citados sobre GitHub Copilot, publicado por investigadores de GitHub, Microsoft y MIT, encontró que los desarrolladores con acceso al asistente completaron una tarea concreta un 55,8% más rápido que el grupo de control. Es un resultado fuerte, pero no debe extrapolarse de forma automática a cualquier proyecto. La prueba se realizó sobre una tarea definida, no sobre un producto complejo con deuda técnica, dependencias, requisitos cambiantes y revisiones de seguridad.
McKinsey también ha señalado ganancias relevantes con IA generativa en desarrollo de software, especialmente en documentación, generación de código inicial y tareas repetitivas. La misma lectura, sin embargo, exige prudencia: cuanto más compleja es la arquitectura, más depende el resultado de la experiencia del equipo, la calidad del contexto entregado al modelo y los procesos de validación.
El riesgo está en aceptar código sin criterio
La parte ética y técnica se concentra en la responsabilidad. Si un modelo sugiere una función insegura, el responsable no es el asistente: es el equipo que la integra en producción. Investigadores de Stanford advirtieron ya en 2023 que los usuarios que se apoyaban en asistentes de IA podían escribir código más inseguro en determinadas tareas y, además, sentirse más confiados sobre la seguridad de ese código.
Este punto explica por qué muchas organizaciones están formalizando políticas internas. Revisiones obligatorias, pruebas automatizadas, análisis estático, control de licencias y registro de cuándo se usa IA son medidas que separan un uso profesional de un uso improvisado. La IA puede ayudar a un desarrollador experto; no convierte automáticamente a una persona sin criterio técnico en responsable de sistemas críticos.
Propiedad intelectual y trazabilidad
Otra cuestión abierta es la trazabilidad del código generado. Los equipos deben saber si una sugerencia puede parecerse a fragmentos protegidos, si respeta licencias del proyecto y si introduce dependencias no autorizadas. En empresas reguladas, además, la simple velocidad no basta: hace falta poder explicar cómo se produjo una decisión técnica y quién la aprobó.
Por eso la adopción madura de IA generativa en software se parece menos a “programar sin programadores” y más a rediseñar el flujo de trabajo. Los perfiles que ganan valor son quienes saben formular buenas instrucciones, dividir problemas, verificar resultados, detectar vulnerabilidades y mantener criterios de arquitectura. La productividad existe, pero se captura mediante disciplina de ingeniería, no mediante confianza ciega en una herramienta.
