La doble cara de la IA para programar: más rápida, más cara y con más errores

En 2026, los programadores se han vuelto tan dependientes de las herramientas de IA que muchos se niegan a trabajar sin ellas, incluso para participar en estudios científicos. El laboratorio METR intentó repetir un experimento de 2025 que medía la productividad con y sin IA, pero fracasó porque los desarrolladores ya no aceptan programar “a mano”.

Los estudios previos de METR habían revelado que, aunque los desarrolladores sentían que la IA los hacía más productivos, en realidad tardaban más: el tiempo ganado al generar código se perdía corrigiendo errores, guiando a la IA y esperando respuestas. Ante la imposibilidad de repetir el experimento, METR publicó en 2026 una encuesta en la que los empleados técnicos declaraban sentirse el doble de valiosos gracias a la IA, pero otras evidencias cuestionan seriamente esa percepción.

La moda del “tokenmaxxing” —medir productividad por la cantidad de tokens consumidos por la IA— ha disparado costes sin aportar mejoras claras. Amazon canceló su ranking interno Kirorank al descubrir que los empleados abusaban de los agentes de IA para escalar posiciones, encareciendo el uso sin aumentar la productividad. Uber agotó su presupuesto anual de IA en apenas cuatro meses, y su dirección admite que no ha visto un aumento medible en proyectos ni en eficiencia.

Además, crece la preocupación por el mantenimiento del código generado por IA. El programador James Shore advierte que producir código el doble de rápido no sirve si no se reducen al menos a la mitad los costes de mantenimiento: de lo contrario, las empresas se atan a una deuda técnica permanente. Datos de startups del sector sugieren que una gran parte de los recursos de IA se destina a arreglar errores creados por la propia IA, y análisis de repositorios abiertos indican que el código generado por modelos produce significativamente más problemas que el escrito por humanos.

Investigadores de la Singapore Management University respaldan estas alarmas con un estudio que concluye que el código generado por IA puede introducir costes de mantenimiento a largo plazo en proyectos reales. Frente a esto, algunos fabricantes de agentes de IA, como Cognition con su agente Devin, proponen usar más IA para corregir los fallos de la propia IA, aunque reconocen que, hoy por hoy, su nivel está entre un programador junior y uno de nivel medio, lejos de ser una solución “automática” que se pueda dejar sin supervisión.

La alternativa que proponen los académicos es más conservadora: los programadores deben conocer a fondo en qué tareas la IA es fuerte y en cuáles es débil, reforzar los sistemas de calidad específicos para código generado por modelos y revisar su producción como si proviniera de un desarrollador novato. La arquitectura de software, las decisiones de seguridad y la visión de conjunto, subrayan, deben seguir en manos humanas. En resumen, la IA ya es omnipresente en la programación, pero su impacto real en productividad, costes y calidad está lejos de ser tan positivo como muchos desarrolladores creen.