La IA está ayudando a los desarrolladores a completar ciertas tareas más rápido. Que eso se traduzca en más software, menos empleos o un tipo distinto de plantilla de ingeniería depende de decisiones que se toman mucho más allá del entorno de programación.
Imagina que diriges un equipo de ingeniería de software de 40 personas.
Hay una hoja de ruta de producto larga, solicitudes de clientes en espera y sistemas antiguos que necesitan mantenimiento. El equipo tiene más trabajo del que puede atender con comodidad.
Entonces las herramientas de programación con IA empiezan a marcar la diferencia. Los cambios rutinarios llevan menos tiempo. Los desarrolladores pueden preparar pruebas, investigar código desconocido y completar algunas tareas de implementación más rápido.
Al principio, la mejora parece una ventaja evidente.
Entonces alguien hace una pregunta que cambia la conversación.
Si 40 ingenieros ahora pueden lograr más, ¿la empresa sigue necesitando a los 40?
Es una pregunta de negocio razonable. Las empresas siempre han invertido en tecnología para mejorar su eficiencia, y a veces eso ha significado reducir los costos laborales.
Pero yo cuestionaría cualquier decisión de reducir un equipo basada principalmente en una cifra de productividad de programación. No porque los empleos de ingeniería sean inmunes a la automatización, sino porque esa cifra dice muy poco a la dirección sobre el trabajo que la empresa aún necesita realizar.
Detrás de la medición de productividad hay una decisión de negocio más amplia.
Las cifras de productividad necesitan contexto
En noviembre de 2026, la organización de investigación METR publicó una evaluación independiente de la investigación y el desarrollo asistidos por IA en Anthropic.
Los investigadores estimaron que el ritmo de mejora de Anthropic en los benchmarks de capacidades de IA se había acelerado aproximadamente 1.9 veces en comparación con un período anterior. Consideraron que la IA era probablemente un factor importante, aunque reconocieron una incertidumbre considerable sobre las causas. Partes importantes de las pruebas de apoyo permanecieron confidenciales o censuradas.
Fue un resultado significativo, aunque midió el ritmo de progreso de las capacidades de la IA y no la productividad de ingenieros individuales.
La evaluación de METR de noviembre de 2026 explica la medición y sus limitaciones.
Los estudios sobre desarrolladores de software ofrecen una perspectiva distinta.
Tres experimentos de campo aleatorizados con 4867 desarrolladores encontraron que la asistencia de programación con IA aumentó las tareas completadas en aproximadamente un 26 %. Otro estudio aleatorizado de METR encontró que desarrolladores de código abierto con experiencia tardaron un 19 % más en completar las tareas concretas evaluadas con las herramientas de IA de principios de 2025.
Estos hallazgos provienen de entornos de trabajo, herramientas y tareas distintos. No deben tratarse como estimaciones rivales de una única mejora universal.
Fuentes: Experimentos de campo con desarrolladores y el estudio de METR sobre desarrolladores con experiencia.
La tabla muestra qué midió cada estudio, dónde, y qué deja fuera.
| Estudio | Qué se midió | Contexto | Qué no muestra |
|---|---|---|---|
| Evaluación de METR de la I+D (R&D) asistida por IA en Anthropic (5 de noviembre de 2026) | El ritmo de mejora en benchmarks de capacidades de IA, unas 1.9 veces más rápido que en un período anterior (intervalo del 95 % de 1.5 a 2.8 veces), en tareas bien especificadas | La propia investigación y desarrollo de IA de Anthropic. METR indicó que Anthropic censuró la mayor parte de las pruebas que consideraba más informativas | Cuánto más rápido trabajan los ingenieros individuales. METR señala que las estimaciones de aceleración individual no equivalen a ritmos de aceleración |
| Tres experimentos de campo aleatorizados (artículo de junio de 2025) | Tareas completadas, aproximadamente un 26 % más en los desarrolladores que usaron un asistente de programación con IA (error estándar del 10.3 %) | 4867 desarrolladores de Microsoft, Accenture y una empresa de Fortune 100, durante su trabajo habitual | Producto entregado, valor para el cliente o plantilla (headcount). El artículo indica que cada experimento es ruidoso |
| Estudio de METR sobre desarrolladores con experiencia (julio de 2025) | Tiempo para completar incidencias reales. Las tareas tardaron un 19 % más cuando se permitieron herramientas de IA | 16 desarrolladores de código abierto con experiencia, 246 incidencias, herramientas de IA de principios de 2025 | Las herramientas de hoy. En febrero de 2026 METR calificó sus datos más recientes como una señal poco fiable del efecto actual y dijo que los desarrolladores probablemente se aceleran más ahora que a principios de 2025 |
| NBER Writing Code vs. Shipping Code (revisión de septiembre de 2026) | Agentes de programación autónomos asociados con alrededor de un 240 % más de commits, un 80 % más de proyectos y un 30 % más de versiones publicadas, en un estudio de eventos pareado | Más de 500 000 desarrolladores de GitHub | El valor para el cliente. El uso total no aumentó en los mercados de aplicaciones examinados, y el estudio no establece por qué las versiones publicadas aumentaron menos que los commits |
Los estudios aparecen en Para profundizar. La actualización de febrero de 2026 de METR es la fuente de la observación de la tercera fila. Las filas miden cosas distintas, por lo que los porcentajes no son comparables.
Se hace visible otra distinción cuando miramos más allá de las tareas individuales.
La revisión de septiembre de 2026 del documento de trabajo de NBER Writing Code vs. Shipping Code examinó la actividad de más de 500 000 desarrolladores de GitHub.
Con un diseño de estudio de eventos pareado, los investigadores estimaron que la adopción de agentes de programación autónomos estuvo asociada con aproximadamente un 240 % más de commits y un 30 % más de versiones de software publicadas.
Son medidas distintas de la producción de software, no porcentajes intercambiables de productividad. Un commit registra un cambio en el código, mientras que una versión publicada refleja una etapa posterior de la entrega de software. Ninguna de las dos establece directamente el valor para el cliente.
La diferencia entre las ganancias estimadas es, sin embargo, informativa. Muestra que una mayor actividad de programación vino acompañada de un aumento mucho menor de versiones publicadas completadas.
El estudio no establece con precisión por qué esos aumentos fueron distintos. La revisión, las pruebas, la integración y la coordinación de las versiones son posibles restricciones que las organizaciones tendrían que examinar en sus propios entornos.
Lee Writing Code vs. Shipping Code.
Para un líder de ingeniería, esto cambia lo que vale la pena medir. Un equipo puede estar produciendo más código sin completar proporcionalmente más trabajo que los clientes puedan usar de verdad.
Esa distinción cobra importancia cuando la productividad empieza a influir en los presupuestos y en los planes de dotación de personal.
Un equipo más pequeño a veces puede ser la decisión de negocio correcta
Considera una organización que mantiene una aplicación interna madura.
Sus requisitos cambian despacio. Gran parte del esfuerzo de ingeniería consiste en mantenimiento, mejoras rutinarias, actualizaciones de cumplimiento normativo y algún incidente ocasional en producción. El negocio no tiene planes sustanciales de ampliar la aplicación.
Supongamos que la IA reduce de forma fiable el tiempo necesario para parte de ese trabajo.
Con el tiempo, la organización podría cumplir las mismas obligaciones con menos horas de ingeniería. La dirección podría reducir el gasto en contratistas, dejar puestos sin cubrir cuando alguien se va o consolidar responsabilidades.
El equipo podría hacerse más pequeño sin un anuncio de reestructuración de gran calado.
Esa posibilidad no debería descartarse solo porque la arquitectura, la seguridad y el criterio operativo sigan requiriendo atención humana. Esas responsabilidades influyen en hasta dónde se puede reducir la plantilla con seguridad, pero no garantizan que el tamaño original del equipo siga siendo necesario.
También hay un límite práctico a la reducción de costos. Un equipo más pequeño todavía debe afrontar fallos inesperados, cambios complejos, responsabilidad sobre producción y continuidad cuando se marchan empleados con experiencia.
La dirección tiene que determinar si la ganancia de eficiencia es lo bastante fiable para justificar la aceptación de esos riesgos.
Para organizaciones con requisitos estables y poca demanda de desarrollo adicional, el argumento para reducir las necesidades de personal puede ser legítimo.
Un menor costo de desarrollo también puede cambiar lo que vale la pena construir
Una empresa con una hoja de ruta de producto en crecimiento enfrenta una decisión distinta.
Quizá varios proyectos prometedores llevan tiempo en pausa porque desarrollarlos era demasiado caro. Los clientes piden capacidades que el equipo no puede entregar con suficiente rapidez, y contratar a otro grupo de ingenieros haría que los números dejaran de resultar atractivos.
La IA puede cambiar esos cálculos.
Una funcionalidad que antes requería meses de implementación podría volverse asequible. Se podrían probar ideas de producto más pequeñas sin comprometer tanta capacidad de ingeniería. Mejoras que se posponían una y otra vez podrían volverse realistas.
En esa situación, conservar el equipo de ingeniería podría crear más valor que reducir su costo.
Sin embargo, hay una condición, y tiene poco que ver con lo capaz que sea la herramienta de IA.
El software adicional debe resolver problemas que los clientes o el negocio valoren de verdad.
La investigación de NBER encontró que una mayor actividad de producción de software no generó un aumento correspondiente del uso total en los mercados de aplicaciones que examinó. Esto no establece que las nuevas aplicaciones carecieran de valor, pero advierte contra dar por hecho que una mayor oferta creará una demanda equivalente.
Una empresa con necesidades de clientes valiosas sin atender puede beneficiarse de ampliar el desarrollo. Otra puede tener pocos motivos comerciales para construir más, incluso cuando la implementación se abarata.
La diferencia está en la oportunidad que tiene el negocio.
El primer efecto en el empleo podría ser que haya menos vacantes
Los cambios en la plantilla suelen juzgarse por los anuncios de despidos. Esas cifras importan, pero no captan todo lo que ocurre dentro de las organizaciones de ingeniería.
Imagina un equipo que normalmente incorpora a varios graduados cada año. Sus ingenieros actuales empiezan a completar más trabajo con ayuda de la IA, y la dirección decide posponer la siguiente ronda de contratación de perfiles júnior.
Nadie ha perdido un empleo que ya tenía. El headcount del equipo puede mantenerse estable.
Sin embargo, para quien intenta entrar en la profesión, la oportunidad ha desaparecido.
Un análisis de julio de 2026 de Indeed Hiring Lab ofrece contexto relevante. Las ofertas de empleo de desarrollo de software en Estados Unidos habían aumentado casi un 15 % desde finales de febrero de 2025, pero el 71 % del aumento entre mayo de 2025 y mayo de 2026 provino de puestos sénior.
Fue un cambio en las oportunidades publicadas, no una prueba de que la IA hiciera que los empleadores prefirieran a ingenieros con experiencia.
El análisis de Indeed Hiring Lab ofrece las cifras de base y los períodos de comparación.
Investigadores de la Reserva Federal también han documentado un crecimiento más lento del empleo en ocupaciones con mucha programación desde la aparición de ChatGPT. Otras pruebas son más tranquilizadoras respecto al empleo agregado. Un estudio danés con datos administrativos no encontró efectos detectables superiores al 2 % en los ingresos o las horas registradas dos años después del lanzamiento de ChatGPT, mientras que la Oficina de Estadísticas Laborales de Estados Unidos proyecta un crecimiento continuado del empleo relacionado con el desarrollo de software hasta 2035.
Estas fuentes examinan poblaciones, períodos y resultados distintos. Ninguna establece una estimación causal universal de pérdidas de empleo de ingeniería provocadas por la IA.
Fuentes: investigación de la Reserva Federal sobre empleo, estudio danés del mercado laboral y perspectivas ocupacionales de la BLS.
Lo que merece atención es la posibilidad de un cambio gradual en la composición de la plantilla.
Una empresa podría seguir empleando a ingenieros con experiencia mientras contrata a menos personas al comienzo de su carrera. Su headcount declarado podría mantenerse relativamente estable aunque se estrechen las oportunidades de entrar en la profesión.
Las pruebas disponibles no establecen hasta qué punto se extenderá ese resultado. Aun así, es una posibilidad importante para los líderes que planifican su futura capacidad de ingeniería.
La decisión que yo cuestionaría en una reunión de dirección
Volvamos al equipo original de 40 personas.
Tras varios meses de adopción de la IA, su responsable de ingeniería informa de que determinadas tareas de implementación ahora llevan un 30 % menos de tiempo.
Sigue una propuesta: reducir el presupuesto de ingeniería en un porcentaje similar.
Yo cuestionaría ese cálculo de inmediato.
Supongamos que la implementación representaba antes la mitad del esfuerzo necesario para entregar una funcionalidad. Si ese mismo trabajo de implementación ahora lleva aproximadamente un 30 % menos de tiempo, el ahorro directo sería de alrededor del 15 % del esfuerzo total original, suponiendo que el resto de las actividades no cambien.
Alternativa textual accesible de esta figura
Antes de la IA, el esfuerzo para entregar una funcionalidad se muestra como una barra del 100 por ciento: la implementación es la mitad y todo lo demás es la otra mitad.
Con la IA, la implementación lleva un 30 por ciento menos de tiempo, así que pasa del 50 por ciento a alrededor del 35 por ciento del total original. Todo lo demás se mantiene en el 50 por ciento, de modo que la barra llega a alrededor del 85 por ciento y el bloque discontinuo marca alrededor del 15 por ciento ahorrado.
Todo lo demás incluye las pruebas, la integración, las decisiones de arquitectura y la revisión operativa. Siguen igual en este ejemplo y pueden limitar cuánto más rápido se entregan versiones. Es una ilustración del ejemplo del texto, no son datos medidos.
Eso ya es muy distinto de una reducción del 30 % en la carga de trabajo de todo el equipo.
Y el cálculo sigue sin decirnos si la organización puede entregar versiones más rápido. Las pruebas, la integración, las decisiones de arquitectura y las revisiones operativas pueden limitar la mejora.
La siguiente conversación debería centrarse en la hoja de ruta del producto.
¿Hay problemas de clientes que el equipo ahora puede resolver de forma económica? ¿Podría la capacidad ahorrada reducir los atrasos de mantenimiento o mejorar la fiabilidad? ¿Ganaría más la empresa lanzando antes funcionalidades importantes?
Si la respuesta es afirmativa, reducir el equipo podría sacrificar una oportunidad que vale más que el ahorro inmediato en nómina.
Si la hoja de ruta contiene poco trabajo adicional valioso, el cálculo cambia. La dirección puede tener un motivo legítimo para reducir costos, siempre que el equipo restante pueda mantener con seguridad los sistemas de los que es responsable.
Aquí es donde importa el criterio del liderazgo.
Una decisión sobre la plantilla debería venir después de evaluar la producción entregada, la demanda disponible, el riesgo operativo y la capacidad a largo plazo. El panel de productividad de una herramienta de programación no puede dar esas respuestas.
La consecuencia para los ingenieros
Los ingenieros no controlan si sus empleadores usarán la capacidad adicional para crecer o para reducir costos.
Sí influyen en lo eficazmente que contribuyen al trabajo que sigue siendo valioso.
Aprender a usar herramientas de IA forma parte de esa responsabilidad. También el desarrollo del criterio necesario para comprender requisitos, evaluar el código generado, tomar decisiones de arquitectura y entregar sistemas fiables.
Esas responsabilidades no están protegidas de forma permanente frente a la automatización. Las capacidades de la IA seguirán cambiando cuánto esfuerzo humano requieren.
Por eso, la respuesta profesional útil no es competir únicamente en la rapidez con que se produce código. Es llegar a ser eficaz en las decisiones de ingeniería que determinan si el software resultante funciona y crea valor.
Eso es una orientación para el desarrollo profesional, no una promesa de seguridad laboral.
Una ganancia de productividad todavía no es una estrategia de plantilla
No creo que las empresas deban evitar reducir sus costos de ingeniería cuando la tecnología les permite de verdad operar con mayor eficiencia.
Pero tampoco creo que un resultado de productividad impresionante con IA baste para justificar una decisión de dotación de personal.
La decisión tiene consecuencias más allá del próximo ciclo presupuestario. Reducir un equipo puede ahorrar dinero, pero también perder conocimiento, debilitar la capacidad futura o retrasar productos que se han vuelto asequibles de construir. Mantener el mismo equipo sin trabajo que valga la pena no es automáticamente mejor.
Los líderes necesitan asumir esa disyuntiva de forma explícita.
La responsabilidad no es preservar cada puesto de ingeniería existente ni eliminar cada hora que la IA pueda ahorrar. Es decidir qué capacidad de ingeniería necesita el negocio, qué puede lograr ahora esa capacidad y si el valor justifica la inversión.
Esa es la decisión que un benchmark de productividad no puede tomar.
Para profundizar
METR: Anthropic AI R&D Acceleration Assessment: Evaluación independiente del progreso de las capacidades de la IA y de la incertidumbre sobre sus causas.
The Effects of Generative AI on High-Skilled Work: Experimentos de campo aleatorizados que evalúan la asistencia de la IA y la finalización de tareas de los desarrolladores de software.
METR: Experienced Developer Productivity Study: Pruebas controladas que muestran por qué la productividad depende de la tarea y del entorno.
NBER: Writing Code vs. Shipping Code: Investigación que compara la actividad de programación con las etapas posteriores de la producción de software.
Indeed Hiring Lab: AI and Job Postings: Análisis de las ofertas de empleo de desarrollo de software, incluidos los cambios por nivel de experiencia.
Federal Reserve: AI and Coder Employment: Investigación sobre las tendencias del empleo y la incertidumbre causal en ocupaciones con mucha programación.
NBER: Still Waters, Rapid Currents: Pruebas administrativas del mercado laboral sobre la adopción de la IA, los ingresos y las horas de trabajo.
U.S. Bureau of Labor Statistics: Software Developers: Proyecciones oficiales de empleo para desarrolladores de software y ocupaciones relacionadas.
Lecturas relacionadas de TechiesJournal
El costo de la IA: cómo las empresas tecnológicas están replanteando personas y capacidad de cómputo
Si la IA hace el trabajo júnior, ¿quién formará a la próxima generación de profesionales?
AI Writes the Code. Who Understands What Happens in Production? (en inglés)
Fecha de cierre de la investigación: 16 de noviembre de 2026. A lo largo del artículo se distinguen las mediciones de la investigación, las observaciones sobre el empleo y las interpretaciones del autor.
