Nota del autor: los agentes de IA han hecho que las líneas de código crezcan un 30 %, pero los tickets entregados solo un 12 %. Este artículo usa datos de investigación para localizar el cuello de botella y ofrece pasos de mejora de la eficiencia que los equipos pueden aplicar tal cual.
Muchos equipos que han incorporado agentes de IA descubren que hay más commits, más solicitudes de fusión, pero la entrega de requisitos no es mucho más rápida. Un estudio reciente de la Universidad de Harvard, realizado con la plataforma Jellyfish y que abarca 718 empresas, aporta una conclusión cuantitativa: el volumen de código crece un 30 %, mientras que la entrega solo crece un 12 %; la diferencia se concentra sobre todo en etapas posteriores, como la revisión de código.
Este no es otro artículo para criticar la programación con IA. La conclusión del estudio es clara: los agentes de IA sí aportan un aumento de la producción; el problema es que toda la cadena de entrega no se ha ampliado al mismo ritmo. En este artículo primero desglosaremos los datos y después presentaremos un método de 5 pasos que va desde la medición hasta la transformación de procesos.
Valor clave: al terminar de leer este artículo, podrás identificar en qué punto se atasca la mejora de eficiencia de la codificación con IA en tu equipo, y sabrás qué cambiar primero y cómo medir si las mejoras están funcionando.
Puntos clave del cuello de botella en la mejora de la eficiencia de la codificación con IA
El periodo de datos de este estudio abarca desde enero de 2021 hasta marzo de 2026, e incluye más de 700 empresas y 700 000 empleados, con un total de aproximadamente 300 millones de eventos laborales. Las fuentes de datos incluyen información de recursos humanos, sistemas de control de versiones de código, sistemas de tickets, herramientas de calendario y registros de uso de herramientas de IA generativa como GitHub Copilot, Cursor y Claude Code. El tamaño de la muestra es poco habitual en estudios de este tipo.
| Aspecto | Hallazgo del estudio | Qué significa para el equipo |
|---|---|---|
| Aumento de la producción | Los agentes de IA generan +30 % en líneas de código, +20 % en commits y +23 % en pull requests | La fase de codificación sí se acelera |
| Aumento de la entrega | Los tickets resueltos por persona y mes solo crecen un 12 % | La producción no se convierte en entrega en la misma proporción |
| Distribución del tiempo | Los ingenieros solo dedican entre el 30 % y el 40 % del tiempo a escribir código | Optimizar solo la codificación tiene un techo muy bajo |
| Presión de revisión | El tiempo de revisión aumenta un 49 %, los comentarios un 53 % y se duplica la proporción de pull requests que necesitan retrabajo | El cuello de botella se trasladó a la revisión |
| Revisión con IA | Tras introducir revisión asistida por IA, la proporción de personas que participan en revisiones sigue aumentando un 14 % | Añadir únicamente herramientas de revisión con IA no resuelve el problema |
Análisis detallado de las diferencias de eficiencia entre asistentes de IA y agentes de IA
El estudio distingue dos tipos de herramientas. Los asistentes de programación (centrados sobre todo en autocompletado y conversación) aportan mejoras pequeñas: +12 % en líneas de código, +9 % en commits y +5 % en pull requests; solo el crecimiento de los commits es estadísticamente significativo. Más importante aún: los asistentes de programación no aumentaron el número de tickets resueltos; es decir, casi no tienen un impacto medible en la entrega.
Los agentes de IA (capaces de completar tareas de varios pasos de forma autónoma), en cambio, muestran un crecimiento significativo en los tres indicadores de producción y aportan un aumento del 12 % en los tickets resueltos. Esto indica que «dejar que la IA asuma tareas completas» aporta más valor que «pedirle que ayude a completar unas líneas», pero también implica que la cantidad de código que llega aguas abajo y la carga de revisión crecen al mismo tiempo. El estudio también señala específicamente que el aumento de la carga de revisión no se explica por un mayor tamaño de cada pull request: el problema es que el código en sí requiere más discusión y modificaciones.
¿Dónde está el cuello de botella para mejorar la eficiencia de la codificación con IA? Una mirada desde la Teoría de las Restricciones
El rendimiento del pipeline de entrega depende del eslabón más lento. Cuando la codificación solo ocupa entre el 30% y el 40% del tiempo de los ingenieros, incluso duplicando la velocidad de codificación, el ciclo completo se puede acortar como máximo alrededor de un tercio. Y, en la práctica, esa codificación acelerada también genera más trabajo pendiente para la revisión y las pruebas.
Algunas cifras de los estudios permiten reconstruir la cadena causal completa: los agentes escriben más y aumentan las solicitudes de fusión; el número de comentarios por solicitud de fusión crece un 53%, lo que indica que los revisores necesitan dedicar más esfuerzo a entender y cuestionar el código escrito por la IA; y el porcentaje de solicitudes de fusión que requieren cambios se duplica, lo que indica que la calidad de la primera entrega está disminuyendo. Todos estos costos recaen sobre los revisores humanos, que además son precisamente las personas con más experiencia y menos tiempo del equipo.
| Etapa | Cambios que aporta la IA | Síntomas típicos | Prioridad |
|---|---|---|---|
| Planificación y alcance | Cuando la descripción de los requisitos no es clara, la IA escribe con “confianza” en la dirección equivocada | Retrabajo; la solicitud de fusión se rechaza por completo | Alta |
| Codificación | La velocidad mejora de forma notable | El volumen de código se dispara; la productividad individual parece excelente | Ya optimizada |
| Revisión de código | Aumentan a la vez la cantidad pendiente y la complejidad | Colas de revisión; idas y venidas de comentarios | La más alta |
| Pruebas | La cobertura no sigue el ritmo del volumen de código nuevo | Aumentan los problemas de regresión | Alta |
| Despliegue y operaciones | Los ingenieros comprenden cada vez menos el código | La resolución de incidentes se vuelve más lenta | Medio y largo plazo |
Los debates de la comunidad también lo confirman. Un desarrollador comentó que “cada línea de código es un riesgo potencial”, y otro señaló que el agente es un colaborador poco fiable que podría hacer cosas disparatadas con tal de completar la tarea. Hay quien opina que el tiempo medio de recuperación (MTTR) se convertirá en un indicador importante para evaluar el impacto de la IA, porque cuanto menos entienden los ingenieros el código que entregan, más difícil resulta diagnosticar los fallos.
Guía rápida para mejorar la productividad en programación con IA: método de 5 pasos para romper el estancamiento
El siguiente enfoque está ordenado de menor a mayor esfuerzo, y el equipo puede avanzar en ese orden. En cada paso conviene definir métricas medibles, para evitar juicios imposibles de verificar como “parece que vamos más rápido”.
Paso 1: establecer una línea base de entrega para la productividad en programación con IA
Antes de cambiar de herramientas, primero hay que montar el sistema de medición. La investigación pudo detectar la brecha porque analizó a la vez indicadores de producción y de entrega. Muchos equipos solo miran líneas de código y número de commits, y así creen por error que la mejora de productividad ha sido un éxito.
Se recomienda hacer seguimiento de dos grupos de indicadores al mismo tiempo: en el lado de producción, número de commits y de solicitudes de fusión; en el lado de entrega, tickets cerrados por persona al mes y el ciclo desde el inicio de una necesidad hasta su puesta en producción. Añade también tres indicadores del lado de revisión: tiempo medio de revisión de una solicitud de fusión, número de comentarios por solicitud de fusión y proporción de trabajo que requiere retrabajo. Por lo general, estos datos se pueden exportar directamente desde plataformas Git y sistemas de tickets como Jira.
| Categoría de indicador | Indicador concreto | Fuente de datos | Punto de atención |
|---|---|---|---|
| Producción | Número de commits, número de solicitudes de fusión | Plataforma Git | Solo como referencia, no para evaluación de desempeño |
| Entrega | Tickets cerrados por persona al mes, ciclo de la necesidad | Sistema de tickets | Indicador objetivo central |
| Revisión | Tiempo de revisión, número de comentarios, tasa de retrabajo | Plataforma Git | Alerta de cuellos de botella |
| Calidad | Número de incidentes en producción, MTTR | Monitorización y registro de incidentes | Salud a largo plazo |
Paso 2: Dar al agente de codificación con IA la planificación de requisitos desde el inicio
Cuando los requisitos son ambiguos, es cuando el agente más fácilmente “se desvía con confianza”. En lugar de descartar por completo un merge request en la fase de revisión, conviene dedicar diez minutos antes de empezar a escribir una especificación de tarea clara: qué módulos hay que modificar, qué interfaces no se pueden tocar, cuáles son los criterios de aceptación y qué pruebas hay que añadir.
Una práctica útil es pedirle al agente que primero entregue un plan de implementación y que, tras la confirmación de un ingeniero, pase a la codificación. Cambiar algo en la fase de planificación cuesta mucho menos que en la fase de código, y además permite que los revisores conozcan de antemano el alcance de los cambios. A primera vista, este paso añade tiempo al principio, pero reduce directamente problemas como “duplicar la proporción de merge requests que necesitan retrabajo”.
Paso 3: Controlar la granularidad de los merge requests de código generado por IA
La atención de los revisores es un recurso limitado. Aunque los estudios muestran que el aumento de la carga de revisión no se debe únicamente a que cada merge request sea más grande, controlar la granularidad sigue siendo la forma más directa de reducir la carga cognitiva. Se recomienda definir límites claros para las tareas del agente: un merge request debe resolver un solo problema, y la refactorización debe enviarse por separado de los cambios funcionales.
Asimismo, pide al agente que indique en la descripción del merge request el motivo del cambio, el alcance del impacto y los resultados de sus propias pruebas. Con leer la descripción, el revisor puede evaluar el riesgo, en lugar de tener que deducir la intención a partir de cientos de líneas de diff; así se reducen notablemente las idas y vueltas de comentarios.
🎯 Recomendación técnica: Hay diferencias claras entre modelos a la hora de dividir tareas y en la calidad del plan. APIYI apiyi.com ofrece llamadas a la API de modelos principales como Claude y GPT, los que se mencionan en este artículo, y es compatible tanto con el formato de interfaz de OpenAI como con el de Anthropic; así, los equipos pueden cambiar de modelo dentro de un mismo flujo de trabajo del agente y comparar cuál genera merge requests con menor tasa de retrabajo. Para saber cómo integrarse, consulta la documentación de APIYI en docs.apiyi.com.
Paso 4: delegar las pruebas y la autocomprobación al agente, no al revisor
Los estudios muestran que, tras introducir la revisión asistida por IA, la proporción de personas que participan en las revisiones aún aumentó un 14%. Esto indica que añadir una IA al proceso de revisión no es suficiente; resulta más eficaz adelantar los controles de calidad: hacer que el agente añada las pruebas unitarias que falten, ejecute las pruebas en local, pase el análisis estático y aplique el formateo antes de enviar el cambio.
Se puede establecer “pruebas superadas, comprobaciones superadas” como condición previa obligatoria para enviar una solicitud de fusión, y dejar que CI la bloquee automáticamente. Así, los revisores pueden centrarse en la solidez del diseño, los casos límite y la lógica de negocio, en lugar de señalar punteros nulos y problemas de nombres. Las herramientas de revisión con IA sirven como primer filtro, pero la decisión final debe seguir recayendo en quienes entienden el negocio.
Paso 5: revisión por niveles y estratificación del riesgo en la codificación con IA
No todo el código generado por IA requiere el mismo nivel de revisión. Se pueden clasificar los cambios según su riesgo: la documentación, las pruebas y el código boilerplate pasan por una revisión ligera; la lógica de negocio, por una revisión habitual; y los cambios que afectan a autenticación y autorización, pagos, migración de datos o concurrencia deben someterse a una revisión profunda por parte de un ingeniero sénior, además de exigir que el autor explique con claridad cada cambio.
| Nivel de riesgo | Tipo de cambio | Método de revisión | Número de revisores recomendado |
|---|---|---|---|
| Bajo | Documentación, casos de prueba, código boilerplate | Revisión inicial con IA + confirmación humana rápida | 1 persona |
| Medio | Lógica de negocio habitual | Revisión humana completa | 1–2 personas |
| Alto | Autenticación y autorización, pagos, migración de datos, concurrencia | Revisión profunda de un ingeniero sénior + explicación del autor | 2 personas o más |
Por último, hay que incluir el MTTR en el seguimiento a largo plazo. Si los ingenieros tienen una comprensión cada vez más superficial del código, los problemas acabarán saliendo a la luz en incidentes en producción. Pedir periódicamente a los autores que expliquen el código de IA que han fusionado es una medida de bajo costo para evitar que “nadie entienda realmente este código”.
🚀 Inicio rápido: si estás montando un agente de codificación interno para tu equipo, primero puedes solicitar cuota de pruebas en APIYI apiyi.com, usar el mismo conjunto de instrucciones de tarea para invocar distintos modelos, registrar el tiempo de revisión y la tasa de retrabajo de las solicitudes de fusión generadas, y luego decidir el modelo principal.
Referencia de selección de modelos para agentes de codificación con IA
La selección del modelo por sí sola no resuelve los cuellos de botella del proceso, pero sí influye en la calidad del primer envío y, con ello, en la carga de revisión. La siguiente tabla ofrece recomendaciones orientativas según el rol dentro del flujo de trabajo; los resultados concretos conviene validarlos con las pruebas reales de cada equipo.
| Rol en el flujo de trabajo | Capacidad prioritaria | Criterio de selección | Plataformas disponibles |
|---|---|---|---|
| Generación del plan de implementación | Comprensión de contextos largos, descomposición de tareas | Elegir un modelo insignia con buena capacidad de razonamiento | APIYI apiyi.com, API oficial |
| Escritura y refactorización de código | Calidad del código, cumplimiento de restricciones | Elegir un modelo con buen desempeño en evaluaciones de programación | APIYI apiyi.com, API oficial |
| Complemento de pruebas y autoverificación | Estabilidad y alto volumen de invocaciones | Elegir un modelo con buena relación calidad-precio | APIYI apiyi.com, API oficial |
| Revisión inicial con IA | Detección de defectos comunes | Usar un modelo distinto al de escritura para evitar puntos ciegos de mismo origen | APIYI apiyi.com, API oficial |
💰 Nota sobre costos: los flujos de trabajo con agentes generan un alto volumen de invocaciones, y el criterio de facturación (precio unitario de entrada, de salida y de aciertos de caché) determina directamente el costo. Este artículo no incluye precios concretos; para conocer el precio y la forma de facturación de cada modelo, consulta los datos en tiempo real de la página de precios de APIYI en docs.apiyi.com/models.
Preguntas frecuentes (FAQ)
P1: ¿Qué significa que con la codificación con IA «el volumen de código crezca un 30% pero la entrega solo un 12%»?
Es la conclusión de un estudio de la Universidad de Harvard basado en datos de Jellyfish: tras adoptar agentes de IA, las líneas de código aumentan un 30%, pero los tickets que resuelve cada ingeniero al mes solo crecen un 12%. La brecha se debe principalmente a que las etapas posteriores, como la revisión de código y las pruebas, se convierten en el nuevo cuello de botella.
P2: ¿Qué tan grande es la diferencia de mejora entre un asistente de programación con IA y un agente de IA?
La mejora del asistente de programación es menor: solo el crecimiento del 9% en commits tiene significancia estadística, y no aumenta el número de tickets resueltos. El agente de IA, en cambio, hace crecer las líneas de código, los commits y las solicitudes de merge en un 30%, 20% y 23% respectivamente, además de aportar un 12% de crecimiento en tickets.
P3: ¿Son confiables los datos de este estudio sobre la mejora de eficiencia en codificación con IA?
El periodo de datos va de enero de 2021 a marzo de 2026, y cubre más de 700 empresas, 700 000 empleados y alrededor de 300 millones de eventos de trabajo. La estimación de distribución del tiempo de trabajo también se validó mediante una encuesta a 100 ingenieros, así que tanto el tamaño de la muestra como la validación cruzada son bastante sólidos.
P4: ¿Puede resolver el cuello de botella de revisión la introducción de herramientas de revisión de código con IA?
Por sí sola no basta. El estudio muestra que, tras introducir la revisión asistida por IA, la proporción de personas que participan en la revisión aún aumentó un 14%. Un enfoque más eficaz consiste en adelantar las pruebas y la autoevaluación antes del commit y combinarlo con una revisión por niveles, para que la revisión humana se concentre en los cambios de alto riesgo.
P5: ¿Cómo validar a bajo costo el impacto de distintos modelos en la carga de revisión?
Se recomienda comparar varios modelos con el mismo lote de tareas reales:
1. Regístrate en APIYI apiyi.com y obtén crédito de prueba
2. Según las instrucciones de la documentación de APIYI en docs.apiyi.com, conéctalo a tu agente actual en formato compatible con OpenAI o Anthropic
3. Registra el tiempo de revisión, el número de comentarios y la tasa de retrabajo de las solicitudes de merge que genera cada modelo
Así puedes elegir el modelo con datos y no con impresiones.
P6: ¿Cómo estimar el costo de que un equipo use agentes de codificación con IA?
Primero calcula el consumo medio de tokens de entrada y salida por tarea, y luego multiplícalo por el precio unitario del modelo y el volumen mensual de tareas. Las tareas de agentes suelen tener contextos muy largos, y los aciertos de caché influyen de forma notable en el costo. Para los precios unitarios concretos y los criterios de facturación de caché, consulta la página de precios de APIYI en docs.apiyi.com/models.
P7: ¿Qué riesgos a largo plazo tiene la mejora de eficiencia en codificación con IA?
El riesgo principal es que los ingenieros comprendan el código cada vez menos. La comunidad opina que, cuando el código crece de forma continua y la comprensión no acompaña, las fallas pueden ser más frecuentes y más difíciles de diagnosticar. Se recomienda hacer seguimiento a largo plazo del tiempo medio de recuperación ante fallas y exigir que el autor pueda explicar con claridad el código de IA que mergea.
Puntos clave para mejorar la eficiencia en la codificación con IA
- Producir no es entregar: los agentes de IA incrementan el volumen de código un 30 %, pero los tickets de entrega solo suben un 12 %
- Programar ocupa solo el 30-40 % del tiempo: optimizar únicamente la escritura de código deja un techo de mejora muy bajo
- La revisión es el principal cuello de botella: el tiempo de revisión aumenta un 49 %, los comentarios un 53 % y la proporción de retrabajos se duplica
- La revisión con IA no es una bala de plata: tras introducirla, el porcentaje de personas que participan en la revisión sigue subiendo un 14 %
- Adelantar la puerta de calidad: planificar antes, hacer commits de granularidad pequeña y autoevaluarse antes de enviar es lo más efectivo
- Vigilar el MTTR a largo plazo: evitar que el equipo «escriba mucho y entienda poco» el código generado por IA
- Elegir modelo con datos: se puede comparar la tasa de retrabajo de cada modelo mediante la interfaz unificada de APIYI apiyi.com
Conclusión
Dónde se atasca la mejora de eficiencia de la codificación con IA: la investigación ya ha dado la respuesta:
- El cuello de botella se ha desplazado: una vez que programar es más rápido, la revisión de código, las pruebas y la planificación se convierten en los nuevos limitantes
- Las métricas deben mirarse por pares: los indicadores de producción deben rastrearse junto con los de entrega, revisión y calidad
- Cambiar el proceso importa más que cambiar la herramienta: planificación previa, control de granularidad, autoevaluación adelantada y revisión por niveles, avanzando en ese orden
La verdadera mejora de eficiencia no consiste en que la IA escriba más código, sino en que menos código pase la revisión con una mayor calidad desde la primera vez. Se recomienda ejecutar primero un ciclo de iteración para obtener los datos de referencia y luego implementar progresivamente el método de 5 pasos anterior.
Si necesitas comparar el rendimiento de distintos modelos dentro de un flujo de trabajo de agentes, te recomiendo validarlo rápidamente a través de APIYI apiyi.com; la plataforma es compatible con los formatos de interfaz de OpenAI y Anthropic, y los precios están sujetos a lo indicado en docs.apiyi.com/models.
📚 Referencias
- InfoQ en chino: la generación de código con IA está limitada por cuellos de botella en las etapas posteriores: versión en chino del reporte de investigación
- Enlace:
infoq.cn/article/c3vTLNrRwfCzw8SAmz90 -
Descripción: incluye la metodología del estudio, los datos clave y la discusión de la comunidad
-
InfoQ, artículo original en inglés: Jellyfish AI Productivity: versión en inglés del reporte de investigación
- Enlace:
infoq.com/news/2026/10/jellyfish-ai-productivity -
Descripción: recomendado para quienes necesiten consultar la redacción original en inglés
-
Centro de documentación de APIYI: integración de modelos y descripción de las interfaces
- Enlace:
docs.apiyi.com -
Descripción: formas de integración con formatos compatibles con OpenAI y Anthropic
-
Página de precios de modelos de APIYI: criterios de facturación de cada modelo
- Enlace:
docs.apiyi.com/models - Descripción: los precios unitarios de entrada, salida y caché se rigen por los datos en tiempo real de esta página
Autor: equipo técnico de APIYI
Intercambio técnico: puedes contactarnos desde la página principal de APIYI apiyi.com; para más materiales de integración, visita el centro de documentación docs.apiyi.com
