Un estudio del National Bureau of Economic Research (NBER) sobre más de 100,000 desarrolladores de GitHub ha confirmado lo que muchos sospechaban: las herramientas de IA generan mucho más código, pero no necesariamente más software terminado.
El paper, titulado “Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools” y publicado en mayo de 2026 por Demirer, Musolff y Yang, analiza el impacto de tres generaciones de herramientas de IA:
- Autocompletado (GitHub Copilot): +40% en commits
- Agentes síncronos (Cline, Codex): +140% en cambios
- Agentes asíncronos (Claude Code, loops autónomos): +180% en cambios
Pero el entregable final — releases, features que llegan al usuario — solo aumentó ~30%.
El cuello de botella se movió
Los autores del estudio identifican que la restricción ya no está en escribir código. Está río abajo: control de calidad, aprobaciones, despliegue, integración y soporte. Estas etapas no escalan con la generación de código porque involucran revisión humana, coordinación de equipos y procesos organizacionales.
La elasticidad de sustitución estimada es de solo 0.25 — lo que los economistas llaman “complementariedad fuerte”. En cristiano: por mucho que aceleres la escritura de código, las etapas posteriores no se aceleran proporcionalmente.
Los datos del mercado de aplicaciones lo confirman: la oferta de nuevas apps se disparó, pero el uso (descargas, tiempo de uso) no aumentó en la misma proporción.
¿Qué significa esto?
La paradoja tiene implicaciones directas para equipos de ingeniería:
-
Medir líneas de código o commits ya no sirve. La IA infla ambos. La métrica real es features entregadas y problemas resueltos.
-
El bottleneck es organizacional, no técnico. Invertir en mejores modelos de IA sin invertir en procesos de QA, CI/CD y revisión produce rendimientos decrecientes.
-
Aparece un nuevo rol: el “ingeniero de entregas”. Alguien que optimice el pipeline completo, no solo la generación de código. Los loops autónomos de agentes (ver nuestro artículo sobre AI coding loops) prometen ayudar, pero también añaden complejidad.
-
Cuidado con la deuda técnica. Más código generado por IA significa más código legacy potencial. Sin revisión cuidadosa, la velocidad de generación puede convertirse en velocidad de acumulación de deuda técnica.
Para equipos que usan IA
El estudio no sugiere dejar de usar herramientas de IA. Sugiere usarlas con inteligencia:
- Automatiza también las etapas posteriores: testing automatizado, despliegue continuo, revisión de código asistida por IA
- Mide features entregadas, no líneas escritas
- Mantén la revisión humana en los puntos críticos (arquitectura, seguridad, experiencia de usuario)
- Prepárate para un mundo donde el código es barato pero la validación sigue siendo cara
La paradoja de la productividad con IA no es una crítica a las herramientas. Es una llamada de atención para que la industria evolucione sus procesos al mismo ritmo que evolucionan sus modelos.