Cuando se habla del uso de inteligencia artificial en el desarrollo de software, lo primero que se imagina es una revolución absoluta: robots escribiendo código solos, equipos reducidos a la mitad o aplicaciones que se crean con un clic. Sin embargo, la realidad es más matizada, y las empresas tecnológicas que ya están usando estas herramientas lo conocen bien.

La Adopción Masiva es una Realidad

Hoy, alrededor del 85% de los ingenieros de software utilizan herramientas de codificación con IA en su trabajo diario, según datos del informe de herramientas 2025 de The Pragmatic Engineer. Pero adoptar una nueva tecnología no implica automáticamente productividad garantizada. Medir el valor que aporta una herramienta de IA es un reto constante para las compañías.

Más que Velocidad: Eficiencia Cognitiva

Un asistente de código con IA, como GitHub Copilot, no solo aporta velocidad al escribir. Lo que muchas veces ofrece es una reducción de la carga cognitiva: menos búsquedas en Stack Overflow, menos dudas sobre sintaxis y más foco en el diseño del sistema.

Como describen muchos desarrolladores: "La IA no te armará el mueble, pero sí te pasará la herramienta correcta justo cuando la necesitas". Son asistentes contextuales, no reemplazos.

Métricas que Importan: Casos Reales

El CTO de DX, Laura Tacho, colaboró con The Pragmatic Engineer para analizar cómo 18 empresas tecnológicas, incluyendo Google, GitHub, Dropbox, Atlassian y Monzo, están midiendo el impacto real de la IA. Todas coinciden en que no basta con métricas superficiales como líneas de código generadas.

Las métricas más utilizadas incluyen:

  • PR Throughput: cuántas pull requests se completan por semana
  • Change Failure Rate: cuántos cambios generan errores en producción
  • Tiempo ahorrado por ingeniero
  • Satisfacción del desarrollador (CSAT)
  • Usuarios activos semanales/diarios

Dropbox ha logrado un 90% de adopción entre sus ingenieros, con un aumento del 20% en PRs semanales y una reducción significativa en errores gracias al uso constante de IA.

El Desafío del Coste

Usar IA a gran escala no es barato. Cada sugerencia consume tokens, y empresas como Monzo y Shopify han detectado que ciertos usos, como revisiones automáticas de código con IA, consumen demasiados tokens sin ofrecer resultados útiles.

Monzo optó por desactivar algunas funciones por defecto después de observar que no eran coste-eficientes. La conciencia sobre el coste de cada uso de IA aún no está generalizada.

Diferencias según Experiencia

Webflow descubrió que los desarrolladores con más de tres años en la empresa eran quienes más se beneficiaban de las herramientas de IA, logrando también un 20% más en throughput.

Para que estos análisis funcionen, se necesitan buenos datos de base. Muchas empresas aún no tienen una línea de referencia clara sobre su productividad pre-IA.

Velocidad vs Calidad: El Equilibrio Crítico

Uno de los riesgos más repetidos por los líderes técnicos es generar deuda técnica al priorizar velocidad sobre calidad. Por eso, muchas compañías cruzan métricas de velocidad con métricas de calidad como la tasa de fallos.

Se están usando métricas más sofisticadas como:

  • Confianza en los cambios
  • Mantenibilidad del código
  • Experiencia del desarrollador

Métricas Innovadoras

Microsoft ha creado la métrica de "Bad Developer Day" (BDD) para evaluar si la IA reduce los días frustrantes para los desarrolladores. Glassdoor mide si los desarrolladores están experimentando más con IA, siguiendo la cantidad de pruebas A/B mensuales como indicio de innovación.

El Futuro de la Medición

Hoy, la mayoría de las mediciones se centran en la escritura de código. Pero se está reconociendo que muchas tareas clave —como planificación, análisis de bugs, o gestión de tickets— también pueden beneficiarse de la IA.

La clave es mantener un enfoque experimental. Ninguna métrica aislada lo explica todo. Es necesario observar patrones a lo largo del tiempo y evitar decisiones basadas solo en titulares o intuiciones.

Fuente: WWWhat's new