En los últimos años, la promesa de la inteligencia artificial (IA) como motor de productividad ha inundado a la comunidad tecnológica. Desde chatbots que generan código hasta asistentes que depuran errores, la narrativa dominante sugiere que cualquier desarrollador puede ser hasta un 20 % más rápido con estas herramientas. Sin embargo, una investigación reciente publicada en Towards AI pone a prueba esa hipótesis y los resultados son inesperados: los ingenieros senior, precisamente los más experimentados, terminan trabajando un 19 % más lento cuando incorporan IA a sus flujos.
El estudio detrás de la cifra
El informe se basa en un experimento controlado en el que participaron programadores de distintos niveles de senioridad (junior, intermedio y senior) en tareas típicas de desarrollo: escritura de funciones, refactorización y solución de bugs. Cada participante utilizó una suite de herramientas de IA, incluyendo modelos de lenguaje tipo GPT‑4 y asistentes de depuración automática. El tiempo de ejecución se midió con precisión y se comparó con un grupo de control que trabajó sin apoyo de IA.
Los resultados fueron claros: mientras los desarrolladores junior ganaron alrededor de un 10 % de velocidad, los intermedios apenas mejoraron (2 %). Los senior, en cambio, mostraron una disminución del 19 % en su rendimiento. Además, el coste total para el equipo se duplicó, pues la integración de IA generó más revisiones, correcciones y tiempo de coordinación.
¿Por qué los senior se ven más afectados?
1. Sobreconfianza en la propia experiencia
Los ingenieros con años de trayectoria tienden a confiar en sus heurísticas y patrones de solución. Cuando la IA sugiere una alternativa, el senior debe invertir tiempo en validar, comparar y, a menudo, descartar la propuesta. Ese proceso de “doble verificación” no ocurre de la misma forma con un junior, cuyo flujo de trabajo ya está basado en la revisión constante de un mentor.
2. Complejidad del código legado
Los proyectos en los que participan los senior suelen ser sistemas grandes y antiguos, con arquitecturas intrincadas. La IA, entrenada mayormente con código abierto y ejemplos modernos, no siempre comprende las sutilezas de esos entornos, lo que lleva a soluciones poco adecuadas que requieren mayor tiempo de ajuste.
3. Coste cognitivo de la interrupción
Cambiar entre la escritura manual y la interacción con un asistente de IA implica una carga cognitiva adicional. Para un senior, cuyo pensamiento está optimizado para fluir de forma continua, esas interrupciones fragmentan la concentración y ralentizan el proceso.
Implicaciones para los equipos de desarrollo
Duplicación del coste del proyecto
Si la productividad promedio de un equipo se reduce y, al mismo tiempo, se añaden capas de revisión de la salida de la IA, el coste total del proyecto puede casi duplicarse. Esto es crítico para empresas que adoptan IA como una solución de reducción de costes sin una evaluación profunda.
Reconfiguración de roles y capacitación
Los resultados sugieren que la IA no es un “plug‑and‑play” universal. Las organizaciones deben diseñar programas de capacitación específicos, enfocándose en cómo los senior pueden integrar la IA sin romper su flujo de trabajo. Algunas empresas están experimentando con “pair‑programming” entre junior y senior, donde el junior maneja la IA y el senior revisa la lógica.
Reevaluación de métricas de productividad
Las métricas tradicionales (líneas de código, tickets cerrados) pueden no reflejar el impacto real de la IA. Es necesario crear indicadores que capturen la calidad del código, el número de iteraciones de revisión y el tiempo invertido en validar sugerencias automáticas.
Qué pueden hacer los líderes tecnológicos ahora
- Pilotos controlados: Realizar pruebas piloto en módulos no críticos para medir el efecto real de la IA antes de escalar.
- Definir flujos de trabajo claros: Establecer cuándo y cómo se debe usar la IA, con protocolos de revisión que minimicen la sobrecarga cognitiva.
- Fomentar la colaboración intersenior: Incentivar que los senior actúen como mentores en la adopción de IA, guiando a los junior en la interpretación de los resultados.
- Monitorear costes ocultos: Medir no solo el tiempo de desarrollo, sino también el tiempo de revisión y los defectos introducidos por la IA.
Conclusión
La promesa de la IA como acelerador de la productividad es tentadora, pero la evidencia empírica muestra que su impacto varía significativamente según la senioridad del desarrollador y la complejidad del proyecto. Para los profesionales tech hispanohablantes, la lección es clara: la adopción de IA debe ser estratégica, basada en datos y acompañada de procesos que mitiguen la fricción que actualmente genera en los ingenieros más experimentados. Solo así se podrá aprovechar el potencial de la IA sin sacrificar eficiencia ni calidad.
