Programar con IA: la oportunidad y la factura

Análisis. Qué dicen los estudios de 2025 y 2026 sobre cómo aprovechar la velocidad de la IA sin descuidar la calidad, la seguridad y la revisión del código.
Milton Amador | miltonamador.com | 26 de septiembre de 2026
Creo que la inteligencia artificial es una de las mayores oportunidades que ha tenido el desarrollo de software en mucho tiempo. Tareas que antes tomaban horas hoy pueden resolverse en minutos, y eso cambia lo que un equipo es capaz de construir.
Precisamente porque la oportunidad es tan grande, vale la pena entender qué hace falta para aprovecharla bien. Hace unos meses escribí una columna a partir de una pregunta que se me quedó dando vueltas: «Escribir código nunca fue tan fácil. ¿Estamos construyendo los sistemas heredados del futuro?» Esta vez no quise quedarme con la intuición, así que revisé estudios y encuestas publicados durante 2025 y 2026 sobre el uso de IA para desarrollar software.
La conclusión, en pocas palabras: la IA ya está acelerando el trabajo de los desarrolladores, y esa velocidad trae nuevos riesgos que hay que gestionar. Hay más código que revisar, más código que mantener y, en algunos contextos, más riesgos de seguridad que verificar. Nada de eso es motivo para frenar la adopción de la IA. Es motivo para adoptarla con mejores procesos.
Una aclaración antes de empezar: cada dato que utilizo tiene su fuente al final. Y cuando pase de los datos a mi propia interpretación, lo voy a dejar claro.
La oportunidad es real
La adopción ya no es algo experimental para muchos equipos. La encuesta de Sonar a más de 1.100 desarrolladores muestra que el 72% de quienes han probado estas herramientas las usa a diario, y que aproximadamente el 42% del código que suben ya es generado o asistido por IA. El 82% afirma que la IA le ayuda a programar más rápido, y el 71%, que le ayuda a resolver problemas complejos con más eficiencia.
GitClear, que analizó 2.172 semanas de trabajo de desarrolladores con datos obtenidos directamente de Cursor, GitHub Copilot y Claude Code, encontró que quienes más usan IA producen entre 4 y 10 veces más que quienes no la usan durante sus semanas de mayor uso. Pero la propia empresa advierte que buena parte de esa diferencia ya existía antes de la IA: los desarrolladores más productivos son también los que más la adoptan. Comparados consigo mismos, su aumento de velocidad fue más modesto, alrededor de un 25% según la métrica de GitClear. Sigue siendo una ganancia importante, y es un buen ejemplo de por qué conviene leer estos datos con cuidado.
La pregunta, entonces, no es si la IA sirve. Sirve. La pregunta es qué necesitamos hacer para que esa velocidad se convierta en mejor software.
Los nuevos riesgos que trae la velocidad
La otra cara de la moneda aparece cuando dejamos de mirar solamente cuánto tardamos en crear código y empezamos a preguntarnos qué pasa con ese código después. Ahí están los riesgos que hay que aprender a gestionar.
Más código repetido
GitClear analizó 623 millones de cambios de código realizados entre 2023 y 2026. En su análisis, los bloques duplicados (cinco o más líneas de código repetidas) aumentaron un 81% respecto a 2023 y alcanzaron su nivel más alto registrado.
Menos refactorización
En 2022, aproximadamente el 21% de las líneas modificadas correspondía a código reorganizado o refactorizado. En lo que va de 2026, GitClear sitúa esa cifra en apenas un 3,8%. Dicho de otra manera: una proporción mucho mayor de los cambios corresponde a código nuevo, mientras que una proporción mucho menor se dedica a refactorizar el que ya existe.
Más retrabajo
También aumentó el code churn, es decir, el código que termina modificado o reemplazado en las dos semanas siguientes a haber sido escrito. GitClear reporta un incremento del 15% en este indicador durante el periodo analizado.
Esto no demuestra por sí solo que la IA sea la causa. Pero sí muestra una tendencia que merece atención, justo cuando la generación de código con IA se está volviendo parte habitual del desarrollo.
Seguridad
Aquí hay que ser especialmente cuidadosos con los números.
Veracode sometió a más de 100 modelos de IA a tareas diseñadas específicamente para evaluar la seguridad del código generado en Java, Python, C# y JavaScript. El 45% de las muestras presentó fallos de seguridad; en Java, la cifra llegó al 72%.
Esto no significa que el 45% de todo el código generado por IA sea vulnerable. Significa que, en tareas pensadas para poner a prueba la seguridad, una proporción importante de las muestras falló. Hay otro hallazgo clave: los modelos más nuevos generaban código más funcional, pero no más seguro. Que un modelo sea más capaz no garantiza, por sí solo, código más seguro; la seguridad también tiene que formar parte del proceso.
Tiempo de revisión
La IA nos ahorra tiempo escribiendo código, pero alguien tiene que revisar ese código.
Una encuesta de Harness a 700 profesionales de Estados Unidos, Reino Unido, India, Francia y Alemania encontró que el 81% dedica más tiempo a revisar código desde que adoptó herramientas de IA. Además, las organizaciones consultadas estiman que alrededor del 31% del tiempo de sus desarrolladores se va en lo que el informe llama «trabajo invisible»: revisar código generado por IA, corregir errores y saltar entre diferentes herramientas.
La pregunta, entonces, no es solo cuánto tiempo ahorra la IA, sino dónde lo estamos reinvirtiendo. Si el tiempo que ganamos al escribir se va en revisar sin un proceso claro, parte de esa ganancia se diluye.
Construir rápido, con maestro de obra
Cuando junto todos estos datos, me viene a la cabeza una comparación sencilla.
Imaginemos que tenemos máquinas capaces de levantar las paredes de una casa en una fracción del tiempo. Es una ventaja enorme. Pero si, para ir más rápido, dejamos de revisar los cimientos, las instalaciones y la estructura, la casa puede verse estupenda. Hasta que llueve.
La solución no es volver a levantar las paredes a mano. Es asegurarnos de que el maestro de obra pueda seguir el ritmo de las máquinas.
En Nicaragua tenemos un dicho que todos conocemos: lo barato sale caro. La idea tampoco es nueva. Los romanos tenían el festina lente, «apresúrate despacio», una máxima que según Suetonio repetía el emperador Augusto. Y nuestra cultura popular tiene una versión todavía más conocida: «Vísteme despacio, que tengo prisa». La tecnología cambia; la naturaleza de los problemas, no tanto.
Y quiero ser claro: no estoy diciendo que la IA escriba mal código. El propio informe de GitClear lo aclara: el problema está menos en la IA y más en los incentivos del proceso de desarrollo, que premian entregar rápido, cerrar el ticket y pasar el test, mientras la refactorización, la reutilización y la mantenibilidad no aparecen en el tablero. Es decir, es un problema de proceso. Y los problemas de proceso tienen solución.
Los agentes: más potencia, más alcance
Aquí ya no describo un dato, sino una hipótesis.
Buena parte de los estudios que revisé corresponde a una etapa en la que la IA sugería código y una persona decidía qué aceptar. Los agentes de IA van más allá: pueden trabajar sobre repositorios completos, modificar múltiples archivos y ejecutar comandos. Eso puede multiplicar lo que un equipo es capaz de hacer, pero también puede ampliar el alcance que tendría un error.
Todavía no hay datos suficientes para medir ese riesgo. Pero creo que vale la pena prepararse: cuanto más autónoma es la herramienta, más importante es que los controles sean automáticos y claros.
La deuda de verificación
Hay un concepto que, para mí, describe muy bien el punto ciego de esta discusión: la deuda de verificación.
Werner Vogels, CTO de Amazon, usó este término durante la conferencia re:Invent de diciembre de 2025, y Sonar lo retomó después para explicar parte de sus resultados.
La idea es sencilla. La IA nos ahorra tiempo generando código, pero ese código necesita ser entendido y verificado. Si no hacemos esa verificación, el tiempo que ahorramos no desaparece: se convierte en deuda. Y como cualquier deuda, algún día hay que pagarla.
Los resultados de Sonar son llamativos:
- El 96% de los encuestados no confía plenamente en que el código generado por IA sea funcionalmente correcto.
- Solo el 48% afirma revisarlo siempre antes de hacer commit.
- El 38% considera que revisar código generado por IA requiere más esfuerzo que revisar el código de un colega.
- El 61% está de acuerdo en que la IA suele producir código que parece correcto, pero no es confiable.
Sabemos que hay que revisarlo y, aun así, no siempre lo hacemos. La buena noticia es que esta deuda se puede gestionar. Pero primero hay que verla.
Medir bien para demostrar el valor
Hay un estudio que le pone una dosis de humildad a esta conversación, en ambas direcciones.
En julio de 2025, METR, una organización sin fines de lucro, publicó un experimento controlado con 16 desarrolladores experimentados trabajando en sus propios proyectos open source. Los que usaron IA tardaron un 19% más en completar sus tareas, pero al terminar creían que la IA los había hecho aproximadamente un 20% más rápidos.
En febrero de 2026, METR publicó una actualización en la que advierte tres cosas: que aquel experimento ya no refleja las herramientas actuales, que probablemente hoy los desarrolladores sí se aceleran más con ellas, y que sus nuevos resultados todavía no dan una señal confiable.
Por eso no uso aquel 19% para decir que la IA hace más lentos a los programadores. Me quedo con otra lección: lo que sentimos como productividad y lo que realmente medimos pueden ser dos cosas distintas.
Y eso importa mucho para las empresas que están apostando por la IA. Cuando Harness pidió a los encuestados nombrar su mayor desafío con la IA, las respuestas más comunes fueron medir su impacto real en la productividad (26%), mantener la calidad del código (24%) y demostrar el retorno de la inversión a la dirección (18%). Medir bien no frena la adopción de la IA. Es lo que permite demostrar que está funcionando.
Lo que los datos todavía no dicen
Antes de sacar conclusiones demasiado grandes, hay que reconocer las limitaciones de estas investigaciones.
Quién publica importa. Sonar vende herramientas de calidad y verificación de código, Veracode vende seguridad, Harness vende plataformas de entrega de software y GitClear vende análisis de repositorios. Eso no invalida sus datos, pero sí nos obliga a leerlos sabiendo quién los publica.
Lo que la gente dice que hace no siempre coincide con lo que hace. Los datos de Sonar y Harness provienen de encuestas autodeclaradas.
Correlación no significa causalidad. GitClear muestra tendencias que coinciden en el tiempo con el crecimiento del uso de IA, pero eso no demuestra que cada línea duplicada haya sido generada por una IA.
El contexto de cada estudio importa. Las pruebas de Veracode fueron diseñadas específicamente para evaluar seguridad. Y el propio METR nos recuerda que las herramientas cambian tan rápido que un experimento de 2025 puede dejar de representar la realidad pocos meses después.
Por eso hay que tener cuidado con las conclusiones fáciles. No creo que estos datos permitan afirmar que «la IA está empeorando el software». Sí creo que permiten plantear una pregunta concreta:
¿Estamos generando código más rápido de lo que somos capaces de verificar, mantener y comprender?
Responderla bien puede marcar la diferencia entre los equipos que realmente aprovechan la IA y los que simplemente la incorporan a su flujo de trabajo.
Cómo capturar el valor sin pagar la factura
No se trata de usar menos IA. Se trata de usarla con mejores procesos. Mi opinión es que las organizaciones que más provecho le van a sacar no serán las que la usen menos, sino las que acompañen su velocidad con buenas prácticas de revisión y medición.
A partir de las recomendaciones de GitClear y Harness, y de lo que muestran los datos de Veracode, hay algunas medidas concretas que los equipos pueden considerar:
- Reservar tiempo para refactorizar y mantener el código existente, no solamente para desarrollar funcionalidades nuevas.
- Detectar automáticamente los bloques de código duplicado antes de que se conviertan en un problema mayor.
- Automatizar el análisis de seguridad y revisar explícitamente el manejo de errores del código generado.
- Medir el impacto real de la IA, incluyendo el tiempo dedicado a revisión y mantenimiento, no solamente el número de tickets cerrados o de líneas producidas.
Quizá también necesitamos actualizar lo que entendemos por productividad. El objetivo no es generar más código, sino construir mejor software, más rápido.
Los sistemas del futuro
Vuelvo a la pregunta que me hice hace unos meses: ¿estamos construyendo los sistemas del futuro, o los sistemas heredados que alguien tendrá que arreglar dentro de diez años?
Creo que la IA nos da las herramientas para construir los del futuro. Que lo logremos depende de algo muy concreto: que nuestra capacidad para comprender el software crezca al mismo ritmo que nuestra capacidad para generarlo.
Porque cuando llegue el momento de mantener ese sistema, migrarlo, protegerlo o arreglarlo en producción, alguien tendrá que abrir ese código y entenderlo. Esa es la factura que hay que gestionar: no el código que generamos hoy, sino el código que alguien tendrá que entender mañana.
Esta es la primera mitad de la historia. Hasta aquí hablé del código, de los equipos y de lo que muestran los datos. En la segunda parte quiero hablar de nosotros: cómo está cambiando nuestro oficio y qué habilidades necesitamos para sacarle todo el provecho a la IA sin perder el control de lo que construimos.
¿Y en tu equipo?
¿Cómo están aprovechando la IA? ¿Ya tienen una forma de medir su impacto, o de gestionar el tiempo que se va en revisar código generado? Me interesa conocer experiencias reales, tanto las que funcionan como las que no. Te leo en los comentarios.
Fuentes
Sonar: adopción, confianza y verificación
- Sonar, State of Code Developer Survey Report (PDF), enero de 2026.
https://www.sonarsource.com/state-of-code-developer-survey-report.pdf - Sonar, Sonar Data Reveals Critical «Verification Gap» in AI Coding, 8 de enero de 2026.
https://www.sonarsource.com/company/press-releases/sonar-data-reveals-critical-verification-gap-in-ai-coding/ - Sonar, The AI trust gap: Why code verification matters, 22 de enero de 2026.
https://www.sonarsource.com/blog/ai-coding-trust-gap/
Deuda de verificación y Werner Vogels
- IT Pro, So much for ‘trust but verify’, 9 de enero de 2026.
https://www.itpro.com/software/development/software-developers-not-checking-ai-generated-code-verification-debt
GitClear: productividad y calidad del código
- GitClear, The Maintainability Gap: AI Code Quality in 2026.
https://www.gitclear.com/the_ai_code_quality_maintainability_gap - GitClear, AI Coding Tools Attract Top Performers – But Do They Create Them?, enero de 2026.
https://www.gitclear.com/developer_ai_productivity_analysis_tools_research_2026
Veracode: seguridad
- Veracode, 2025 GenAI Code Security Report, 30 de julio de 2025.
https://www.veracode.com/blog/genai-code-security-report/
Harness: tiempo de revisión y medición
- Harness, State of Engineering Excellence 2026.
https://www.harness.io/state-of-engineering-excellence - IT Pro, AI might help speed up software development, but 81% of devs now spend more time reviewing code, 15 de mayo de 2026.
https://www.itpro.com/software/development/ai-might-help-speed-up-software-development-but-81-percent-of-devs-now-spend-more-time-reviewing-code-and-its-creating-an-invisible-work-trend-thats-pushing-teams-to-the-limit - Computer Weekly, Software developers shift to AI code reviewers, 14 de mayo de 2026.
https://www.computerweekly.com/news/366643082/Software-developers-shift-to-AI-code-reviewers
METR: productividad percibida y medida
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 10 de julio de 2025.
https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ - METR, We are Changing our Developer Productivity Experiment Design, 24 de febrero de 2026.
https://metr.org/blog/2026-02-24-uplift-update/
Cita clásica
- Suetonio, Vidas de los doce césares, «El divino Augusto», 25.
