La integración de la inteligencia artificial (IA) en el desarrollo de software está transformando la forma en que trabajan los programadores. Herramientas como GitHub Copilot, ChatGPT y los entornos de codificación asistida —Claude Code, Cursor, entre otros— se han vuelto parte habitual del flujo de trabajo. Con ellas han surgido preguntas que aún no tienen respuesta definitiva: ¿mejora la calidad del software que se produce?, ¿qué ocurre con las habilidades de quien lo desarrolla?, ¿en qué medida las ganancias individuales se traducen en mejores resultados para la organización? A continuación, se revisan algunos hallazgos recientes sobre estos temas.
La adopción es total; la apropiación, desigual
El 77% de los programadores reporta usar herramientas de IA siempre o frecuentemente, y el 87% percibe una mejora en su productividad, asociada principalmente a la automatización de tareas rutinarias (Montes, 2026). Sin embargo, el 23% acepta el código generado sin revisarlo, y el 43% reconoce que el uso constante podría estarle restando habilidades básicas —lógica, sintaxis, resolución autónoma de problemas—. La brecha relevante no está entre quienes usan la IA y quienes no: está entre quienes la usan con criterio técnico y quienes la usan sin verificación.
Entre el desarrollador y la organización
Algunos estudios señalan una contradicción que vale la pena observar: la IA puede mejorar los indicadores individuales de velocidad, pero no necesariamente los resultados de la organización. En equipos con alta adopción, se ha documentado que el tiempo de revisión de código creció 91%, los cambios para revisión (pull requests) acumulados aumentaron 154% y los defectos subieron 9%, sin mejora en las métricas de entrega (Farrag, 2026). La IA acelera la generación de código, pero puede saturar el paso siguiente, que sigue siendo humano. A esto se suma que el código generado puede introducir vulnerabilidades de seguridad —inyecciones, credenciales mal manejadas, validaciones omitidas— errores lógicos difíciles de detectar y soluciones aparentemente correctas que no lo son; riesgos que se agravan cuando el código se acepta sin revisión (Guerra y Balseca, 2026).
La automatización del escalón de entrada
Las tareas de implementación rutinaria —las primeras en automatizarse— son las mismas que históricamente formaban a los futuros arquitectos de software. Datos de nómina en empresas de EE. UU. sugieren que el empleo de desarrolladores de 22 a 25 años disminuyó casi 20% desde finales de 2022, mientras que el de sus pares de 30 años o más creció entre 6% y 12% en las mismas organizaciones (Farrag, 2026). ¿Puede desarrollar criterio técnico quien nunca ha tenido que escribir o depurar código por su cuenta?
Frente a este panorama, la OCDE señala que menos del 1% de los trabajadores necesitaría competencias avanzadas de IA. La demanda real es de criterio digital: saber interpretar resultados, detectar errores y decidir con apoyo de herramientas sin depender de ellas (OCDE, 2026).
América Latina: mucho consumo, poca captura de valor
La región concentra el 14% de las visitas globales a soluciones de IA, pero recibe apenas el 1.12% de la inversión mundial en esta tecnología (CENIA y CEPAL, 2025). El acceso a las herramientas no parece ser el obstáculo principal; la formación para usarlas con criterio y la capacidad para generar valor a partir de ellas son los retos pendientes.
Conclusiones
La integración de herramientas de IA en el desarrollo de software ha aportado ganancias reales de velocidad en tareas acotadas, pero la relación entre esas ganancias individuales y la calidad o la confiabilidad del software producido no es directa. Algunos estudios apuntan a que el volumen de código generado puede superar la capacidad de revisión humana disponible, con consecuencias en la estabilidad de los sistemas y en la seguridad del código. Este no es un argumento contra el uso de la IA, sino a favor de una adopción más deliberada: con criterio técnico, con mecanismos de verificación y con conciencia de los riesgos que el código generado automáticamente puede introducir si se acepta sin examen.
El talento sigue siendo el factor determinante, quien puede definir lo que espera, revisar lo que genera la IA y mantener el juicio crítico, obtiene resultados distintos a quien simplemente acepta lo que genera el modelo. Construir esa capacidad es la condición para que la productividad que promete la IA se traduzca en valor real y sostenido.
Autor
