La incorporación de asistentes basados en Inteligencia Artificial (IA) al desarrollo de software dejó de ser una tendencia para convertirse en una realidad cotidiana. Hoy resulta difícil negar, impedir o incluso dificultar el acceso a estas herramientas. En la práctica, un desarrollador suele demorar menos tiempo en obtener una implementación funcional mediante un asistente de IA que en recorrer documentación, tutoriales o foros para comprender una nueva tecnología.
Sin embargo, este cambio no implica únicamente una mejora en la productividad. También modifica el desafío principal del desarrollo de software.
El diferencial no está solamente en escribir código más rápido, sino en comprenderlo, gobernarlo y ser capaz de evolucionarlo con criterio. Para un CIO o un líder de tecnología, el valor de esta práctica se observa en resultados de negocio concretos.
Una adopción bien gestionada puede reducir el costo y el tiempo de desarrollo, mejorar el time-to-market, aumentar la capacidad de atender iniciativas y disminuir el backlog. No se trata simplemente de producir más código, sino de convertir la capacidad técnica en una respuesta más ágil y previsible para el negocio.
Diversos estudios muestran mejoras significativas en velocidad de desarrollo, refactorización, documentación y otras tareas de ingeniería de software mediante el uso de IA generativa. La experiencia en proyectos empresariales confirma esta tendencia, especialmente durante sus diversas etapas.
Los análisis preliminares de factibilidad, la exploración de alternativas técnicas, el inicio de nuevas implementaciones y la comprensión de aplicaciones existentes son algunas de las actividades donde el impacto resulta más evidente. Reducir el tiempo necesario para entender un sistema o evaluar una arquitectura permite acelerar la toma de decisiones y comenzar a generar valor mucho antes que hace algunos años.
AI First: cuando la IA acelera la entrega de proyectos sin perder el foco en el negocio
En ENTA, la adopción de un enfoque AI First en el desarrollo de software permitió reducir los tiempos de entrega de proyectos. Un backlog que antes acumulaba una gran cantidad de ítems pendientes se redujo considerablemente, liberando capacidad para atender más iniciativas. El resultado no fue sólo mayor velocidad: fue una mejora en la capacidad de respuesta del equipo frente a las prioridades del negocio.
Sin embargo, esos resultados no aparecen por la simple incorporación de una herramienta. La adopción requiere una decisión organizacional: capacitar a los equipos para que comprendan tanto las posibilidades como las limitaciones de los asistentes, definir estándares de uso y establecer qué controles siguen siendo obligatorios para el código que llegará a producción.
También es necesario definir un entorno tecnológico común. Esto implica seleccionar las herramientas autorizadas, como por ejemplo GitHub Copilot en Visual Studio Code, acordar los modelos sobre los que se trabajará y establecer criterios para proteger información sensible.
Finalmente, la organización debe medir el impacto. Comparar tiempos de entrega, volumen y antigüedad del backlog, retrabajo, calidad y capacidad de atención permite distinguir una percepción de productividad de una mejora real y sostenible. En nuestra experiencia, esta etapa de medición suele ser la más desafiante, pero es indispensable para orientar la inversión y ajustar la metodología.
El verdadero diferencial no es generar código, sino comprenderlo y gobernarlo
En esta nueva era del desarrollo, cobra relevancia la habilidad para apropiarse del código generado. Apropiarse de una solución significa mucho más que únicamente figurar como autor de un commit en el repositorio, implica:
- Comprender la arquitectura implementada,
- Conocer las decisiones de diseño adoptadas,
- Identificar las soluciones de compromiso realizadas y
- Mantener la capacidad de adaptar esa solución cuando cambien los requerimientos del negocio.
Esa responsabilidad continúa siendo exclusivamente del equipo de desarrollo.
Cómo cambia el rol de los desarrolladores junior y senior con la IA
Este cambio también redefine el crecimiento de los perfiles más junior. Lejos de reducir su importancia, la IA puede potenciar significativamente su curva de aprendizaje, siempre que sea utilizada con el enfoque adecuado.
En la práctica, esto permite que perfiles junior comiencen a resolver problemas que antes dependían necesariamente de perfiles con mayor seniority. No elimina la necesidad de experiencia: reorienta su aporte hacia la revisión, el acompañamiento y las decisiones de mayor impacto.
El mayor beneficio no proviene de solicitar una solución completa esperando que la herramienta resuelva todo el problema. Por el contrario, el aprendizaje aparece cuando el desarrollo se aborda de manera incremental: comprender cada componente, analizar por qué se eligió determinada implementación, explorar alternativas y cuestionar las decisiones propuestas por el asistente. En ese proceso, la IA deja de ser un reemplazo del razonamiento y pasa a convertirse en un acelerador del aprendizaje.
Los perfiles con mayor experiencia también ven transformado su rol. Si antes gran parte del tiempo se invertía en producir código, hoy cobra aún más relevancia la capacidad de revisar arquitecturas, validar decisiones técnicas, evaluar riesgos y asegurar que cada implementación responda al contexto específico del cliente.
Esta evolución ayuda a reducir la dependencia de especialistas en tareas repetitivas y, a la vez, favorece la continuidad del conocimiento dentro de los equipos. La experiencia deja de concentrarse únicamente en la ejecución y cobra mayor valor en la validación, el diseño y la evolución de la solución.
Por qué el criterio técnico sigue siendo irremplazable
En proyectos empresariales, las decisiones técnicas rara vez dependen únicamente de criterios tecnológicos. Existen estándares corporativos, políticas de seguridad, restricciones de infraestructura, requerimientos regulatorios y estrategias de evolución que un modelo de lenguaje difícilmente conozca por completo. Un patrón de diseño técnicamente correcto puede convertirse en una mala decisión si no contempla ese contexto.
Por ese motivo, las decisiones críticas, especialmente aquellas relacionadas con arquitectura, seguridad e integración con sistemas sensibles, deben continuar atravesando una revisión humana.
La responsabilidad técnica no puede delegarse en un modelo de lenguaje.
IA aplicada al desarrollo: también en RPA, Low-Code y automatización
Este principio aplica tanto al desarrollo tradicional como a otros entornos tecnológicos. En ENTA desarrollamos soluciones sobre plataformas como SS&C Blue Prism, Power Automate y .NET. Incluso cuando una solución incorpora componentes low-code o RPA, la asistencia de IA sigue aportando valor para acelerar implementaciones, desarrollar componentes complementarios, generar expresiones regulares, documentar soluciones o facilitar integraciones. La productividad mejora en todo el ciclo de desarrollo, aun cuando el resultado final no sea una aplicación desarrollada íntegramente en código.
Experimentar rápido, gobernar mejor: el equilibrio entre velocidad y calidad
La adopción de estas herramientas tampoco debería ser uniforme para todas las etapas de un proyecto
- Durante la construcción de pruebas de concepto resulta razonable aprovechar la velocidad que ofrecen los asistentes para validar ideas, explorar alternativas y reducir la incertidumbre técnica.
- Sin embargo, cuando una solución comienza a transitar el camino hacia producción, el criterio debe cambiar. La revisión sistemática del código, las iteraciones de menor alcance, la validación mediante pruebas y el control de calidad vuelven a ocupar un rol central para evitar que la productividad inicial se transforme en deuda técnica.
Esta distinción también protege la predictibilidad y el retorno sobre la inversión. Una solución que se entrega rápidamente, pero no puede mantenerse, escalar o adaptarse a nuevos requerimientos, traslada el costo al futuro.
En cambio, una metodología que combina experimentación ágil con controles de calidad permite acelerar sin perder visibilidad sobre los plazos, el riesgo ni el valor generado.
La productividad sólo genera valor cuando existe gobernabilidad
En definitiva, incorporar IA al desarrollo de software no consiste únicamente en elegir el mejor asistente de código disponible. El verdadero desafío es construir una metodología que traduzca la productividad individual en capacidad organizacional: menos backlog, entregas más ágiles, mayor continuidad del conocimiento, menor dependencia de especialistas y una mejor respuesta al negocio, sin perder el control sobre las decisiones técnicas.
Ejercer un buen gobierno técnico no implica conocer de memoria cada línea de código generada. Significa comprender las decisiones de diseño, mantener una visión clara de la arquitectura y conservar la capacidad de estimar el impacto de nuevos requerimientos. Porque, al final del día, la responsabilidad sobre el software continúa siendo de las personas que lo diseñan, lo implementan y lo mantienen, independientemente de cuánta ayuda hayan recibido de la Inteligencia Artificial.
Gerente de IA Aplicada – ENTA
