Productividad real de la IA en programación: del código al producto

Un estudio del National Bureau of Economic Research (NBER) sobre más de 100.000 desarrolladores en GitHub revela una verdad incómoda detrás de la euforia del 'vibe coding': el uso de herramientas de inteligencia artificial multiplica por 2,8 los commits de código, pero ese incremento se desploma a apenas un 30% cuando se miden los lanzamientos reales de software. La promesa de programar sin programar choca con los cuellos de botella humanos que subsisten en la cadena de producción.

Herramientas como Cursor, Dify y GitHub Copilot han vivido una adopción explosiva. Según el tracker Viesa, Cursor —un editor de código nativo con IA— alcanza un calor de 95 sobre 100 y un crecimiento del 185% en los últimos 30 días, mientras que Dify, la plataforma low-code de código abierto, suma 52.000 estrellas en GitHub y un crecimiento del 120%. Ambas prometen reducir la barrera técnica para crear software, y ya son utilizadas por más de la mitad del Fortune 500, como detalla el tutorial de Javadex. Pero el salto entre escribir código y entregar un producto funcional sigue siendo enorme.

El paper del NBER, escrito por Mert Demirer, Leon Musolff y Liyuan Yang, analiza tres generaciones de herramientas: autocompletado (tipo Copilot inicial), agentes síncronos (que colaboran en tiempo real, como Claude Code) y agentes asíncronos (que trabajan autónomamente, como OpenAI Codex). En todos los casos, el efecto sobre la actividad de codificación es masivo: el autocompletado aumenta los commits un 40%, los agentes síncronos lo llevan al 140% y los asíncronos al 180%. Sin embargo, al subir en la jerarquía de producción —de líneas de código a archivos, de archivos a commits, de commits a pull requests y de estos a releases— las ganancias se atenúan sistemáticamente. Con agentes síncronos, las líneas de código crecen un 741%, pero los pull requests solo un 65% y los releases un 20%. La elasticidad de sustitución estimada entre el esfuerzo humano y la IA es de apenas 0,25, lo que indica una fuerte complementariedad: la IA no reemplaza la revisión, integración y despliegue que realizan las personas.

Para las empresas y ejecutivos de América Latina, donde el talento técnico especializado es escaso y los equipos de desarrollo suelen ser reducidos, esta atenuación tiene implicaciones directas. Adoptar Cursor o Dify como solución mágica sin fortalecer los procesos de revisión, testing y despliegue puede traducirse en montañas de código generado que nunca llegan a producción. La buena noticia es que el ecosistema de herramientas de código abierto y bajo costo —Dify, n8n para automatización de flujos, Ollama para modelos locales— permite a startups y pymes latinoamericanas experimentar con una inversión inicial mínima. La clave está en diseñar el flujo completo: no solo escribir código más rápido, sino integrar la revisión, las pruebas automatizadas y el despliegue continuo como parte del mismo stack de IA.

A medida que los agentes asíncronos evolucionen para cubrir también las etapas de revisión y lanzamiento, el cuello de botella podría desplazarse. Por ahora, la ventaja competitiva no está en escribir más código, sino en orquestar mejor el proceso completo. En un mercado donde cada recurso cuenta, la pregunta relevante no es qué herramienta de IA usar, sino cómo integrarla para que el 180% de productividad en commits no se quede en el camino.