¿La IA hace que los desarrolladores sean realmente más rápidos? Lo que dice la investigación — y por qué hay que medir
By DevPrism Team
Pregunte a dos responsables de ingeniería si los asistentes de código con IA hacen que sus equipos sean más rápidos, y a menudo obtendrá dos respuestas opuestas. Cada uno puede apoyarse en investigaciones creíbles para defender su postura. Esa contradicción no significa que los estudios estén equivocados — es lo más importante que hay que entender antes de gastar un euro más en herramientas de IA.
Esto es lo que midieron realmente los estudios más citados, tanto independientes como de fabricantes, atribuido fuente por fuente. Ninguna de estas cifras pertenece a DevPrism, y ninguna es la suya. Ese es exactamente el punto.
El escenario optimista: los experimentos controlados muestran aceleraciones reales
En un ensayo controlado aleatorizado realizado por GitHub y Microsoft Research, 95 desarrolladores debían escribir un servidor HTTP en JavaScript. El grupo equipado con GitHub Copilot terminó un 55 % más rápido (1 h 11 frente a 2 h 41), y el 78 % completó la tarea frente al 70 % sin la herramienta (resultado estadísticamente significativo, p = 0,0017). El mismo estudio, usando el marco SPACE, informó de que el 73 % de los desarrolladores afirma mantenerse concentrado y que el 87 % preserva su energía mental en tareas repetitivas (GitHub, 2022).
Es un resultado real y bien diseñado. También es estrecho: una tarea desde cero, un único lenguaje, sin código heredado, sin ciclo de revisión, sin un incidente de producción tres semanas después. Indica que la IA puede acelerar una tarea bien acotada. No dice nada sobre lo que le ocurre a su sistema de entrega en su conjunto.
El escenario de alerta: desarrolladores experimentados más lentos
En 2025, el grupo de investigación sin ánimo de lucro METR realizó un ensayo controlado aleatorizado con desarrolladores de código abierto experimentados trabajando sobre sus propios repositorios, amplios y maduros. El resultado fue lo contrario del relato dominante: los desarrolladores eran un 19 % más lentos cuando se les permitía usar herramientas de IA.
El hallazgo más llamativo no fue la ralentización en sí, sino la brecha de percepción. Los desarrolladores esperaban una mejora del 24 %, e incluso después del experimento seguían creyendo que habían ganado alrededor de un 20 % de velocidad. Se equivocaban sobre el sentido mismo del efecto, en su propio código (METR, 2025).
La lección es incómoda e ineludible: la velocidad percibida no es la velocidad real. La productividad autodeclarada, e incluso la intuición de un experto, pueden apuntar en la dirección equivocada. Solo la medición lo zanja.
La visión sistémica: la IA es un amplificador, no una garantía
El programa DORA de Google — una década de investigación sobre el rendimiento de la entrega de software — llegó a una conclusión que reconcilia ambos bandos. En su informe de 2024, DORA constató que la adopción de IA aumentaba la productividad individual, la concentración y la satisfacción, pero estaba asociada a un descenso del rendimiento de entrega y de la estabilidad a nivel de equipo (DORA, 2024).
En 2025, DORA afinó el planteamiento: la IA es un amplificador. Magnifica las fortalezas de los equipos que ya tienen buenas prácticas, y magnifica las disfunciones de los que no las tienen. Los mayores retornos provenían del sistema organizativo circundante — procesos claros, ciclos de feedback rápidos, bases de código sanas — y no de la herramienta en sí (DORA, 2025).
Dicho de otro modo, no existe un «+55 %» ni un «−19 %» universal. Solo existe lo que la IA hace a su sistema, dadas sus prácticas actuales. Dos organizaciones que desplieguen la misma herramienta obtendrán resultados distintos — y ambas deberían medirlos en lugar de suponerlos.
El coste oculto: la calidad y la factura que llega después
La velocidad es solo la mitad de la ecuación. Un análisis independiente de GitClear sobre 211 millones de líneas de código modificadas en grandes repositorios públicos reveló tendencias de calidad preocupantes a medida que se extendía la asistencia de IA: el code churn (líneas revertidas o reescritas en menos de dos semanas) va camino de casi duplicarse respecto a la referencia de 2021, anterior a la IA; la proporción de líneas refactorizadas cayó de ~25 % a menos del 10 % entre 2021 y 2024; y el copia-y-pega aumentó mientras que los bloques de código duplicados se multiplicaron varias veces (GitClear, 2025).
Esto va más allá de la estética, porque la calidad tiene ahora un coste directo y medible. Un estudio de Sonar mostró que una base de código más limpia reduce de forma medible lo que cuestan sus agentes de IA — menos tokens para la misma tarea y muchas menos relecturas de archivos, sin caída en la tasa de éxito (Sonar, 2026). El código desordenado no solo ralentiza a las personas; hace subir su factura de IA.
(Tanto GitClear como Sonar tienen un interés comercial en la calidad del código: trate las magnitudes como tendencias. El sentido, en cambio, es coherente con los hallazgos independientes de DORA.)
La realidad financiera: la curva en J
Si las ganancias de velocidad son reales pero condicionales, y los riesgos de calidad también lo son, ¿qué implica esto para el ROI? El informe ROI of AI-assisted Software Development de DORA es tajante: las primeras ganancias de velocidad de codificación no se traducen automáticamente en resultado financiero.
El informe describe una curva en J: los equipos deben anticipar una caída de productividad — un «coste de aprendizaje» — mientras aprenden a trabajar con la IA, antes de que aparezcan retornos duraderos. Sobre todo, sostiene que los mayores beneficios no provienen de reducir plantilla sino de recuperar capacidad de ingeniería reduciendo el rework innecesario, y que los líderes deben traducir las métricas técnicas en resultados financieros para defender el presupuesto (DORA / Google Cloud, 2025).
Reducir el rework. Conectar la velocidad con el coste. Probar el impacto con datos en lugar de anécdotas. Es un problema de medición de ingeniería, no una decisión de licencias.
La única conclusión que se sostiene: mida sus propios datos
Alinee los estudios y el patrón se vuelve claro:
| Fuente | Resultado destacado | Lo que de verdad le dice |
|---|---|---|
| GitHub, 2022 | +55 % en una tarea acotada | La IA puede acelerar un trabajo bien definido |
| METR, 2025 | −19 % para devs experimentados | Velocidad percibida ≠ velocidad real |
| DORA, 2024 | Productividad arriba, estabilidad abajo | Ganancias y pérdidas pueden coexistir |
| DORA, 2025 | La IA es un amplificador | Su sistema decide el resultado |
| GitClear, 2025 | Churn y duplicación al alza | La velocidad puede crear deuda en silencio |
| Sonar, 2026 | Código más limpio → menor coste de IA | La calidad es ahora una partida de gasto |
Ninguna de estas cifras será cierta simultáneamente para su organización, y no puede elegir la más halagadora y suponer que se aplica. La única cifra que describe a sus equipos es la que calcula a partir de sus datos.
Esa es toda la razón de ser de DevPrism. Correlacionamos tres ejes que cada uno de los estudios anteriores trata por separado:
- Velocidad — métricas de entrega DORA, por equipo y por periodo.
- Calidad — code smells, churn, cobertura, duplicación, a partir de su señal de SonarQube/Codacy.
- Coste — adopción y gasto en IA, por desarrollador, en todos los asistentes que utiliza.
Juntos, estos ejes responden a la pregunta que la investigación no puede resolver por usted: no «¿hace la IA más rápidos a los desarrolladores en general?», sino «¿está haciendo más rápidos a mis equipos, sin aumentar discretamente mi tasa de defectos ni mi factura de tokens — y el ROI ya está apareciendo, o seguimos en la caída?»
Los estudios le dan las preguntas correctas. Sus datos dan la respuesta.
Deje de adivinar si la IA es rentable. Pruebe DevPrism gratis — correlacione velocidad, calidad y coste de la IA en sus equipos desde el plan Starter.