La programación con agentes está cambiando la plantilla de ingeniería, pero no como crees
En esta página
El 90% de las empresas de Fortune 100 ya usa GitHub Copilot.1 Gartner prevé que el 90% de los ingenieros de software de empresa usará asistentes de código con IA en 2028, frente a menos del 14% a principios de 2024.2 La curva de adopción es vertical.
Pero la conversación se ha atascado en la pregunta equivocada. Todo el mundo pregunta “¿cuánto más rápidos son los ingenieros por separado?” cuando debería preguntar “¿cómo cambia esto lo que mi organización de ingeniería puede asumir?”
Este es el cambio: un equipo de 14 personas que antes llevaba una vertical de producto puede que ahora necesite solo 3 para mantener la misma producción. Eso no significa que despidas a 11. Significa que de repente tienes 11 ingenieros disponibles para prioridades que estaban atascadas en el backlog. Lo que limita lo que tu empresa puede construir acaba de cambiar.
La ingeniería es el banco de pruebas ideal. A diferencia de la generación de contenido o la atención al cliente, aquí hay bucles de retroalimentación duros. El código compila o no compila. Los tests pasan o fallan. Las funcionalidades salen o no salen. Las alucinaciones se cazan en la revisión de la PR, no se publican ante los clientes. Eso hace de la ingeniería uno de los ámbitos de menor riesgo para integrar IA, y uno de los más fáciles de medir bien.
La productividad individual es una distracción
A nivel individual, los estudios pintan un cuadro confuso. El riguroso ensayo de METR de julio de 2025 encontró que desarrolladores con experiencia completaban las tareas un 19% más despacio con ayuda de IA, mientras creían ir un 20% más rápido.3 McKinsey encontró lo contrario: los desarrolladores asistidos por IA completaban código nuevo casi el doble de rápido.4
Las dos cosas pueden ser ciertas. Los desarrolladores junior en bases de código que no conocen ganan entre un 26 y un 39%. Los senior que trabajan en sistemas que construyeron ellos ven cifras de un solo dígito, o nada. La variación depende de la tarea, de la base de código y de la destreza con las herramientas.
Pero este es el marco equivocado. Las cifras de productividad individual te dicen muy poco sobre lo que importa: la capacidad de tu organización para entregar ROI.
Eso solía escalar de forma lineal con la plantilla. Querías más producción, contratabas a más gente. La IA cambia la ecuación. Si tres ingenieros pueden entregar ahora lo que antes entregaban catorce, no solo has mejorado la productividad, has liberado capacidad. La pregunta pasa a ser qué haces con ella.
El discurso del reemplazo pierde de vista lo importante
Thomas Dohmke, CEO de GitHub: “The companies that are the smartest are going to hire more developers. If you 10x a single developer, then 10 developers can do 100x.”5 No ha visto “a single company say, ‘We’ve finished everything on our backlog thanks to AI.’ If anything, AI is creating more possibilities and more work.”
Goldman Sachs desplegó Devin AI para las tareas rutinarias y mantuvo su equipo de ingeniería de 12.000 personas.6 Su CIO lo planteó como ingenieros que definen los problemas y supervisan lo que producen los agentes, no que los agentes los reemplacen.
La plantilla no se encoge. Se reasigna. Los ingenieros senior ya no se limitan a generar su propia producción: dirigen un equipo de agentes de IA para sacar adelante un proyecto. El papel ha pasado de contribuidor individual a orquestador: definir el problema, dirigir a los agentes, revisar lo que entregan, ocuparse del trabajo genuinamente creativo. La capacidad liberada va a iniciativas que antes tenían los recursos limitados.
Es la conversación que tenemos con líderes de ingeniería de toda Europa y de EE. UU. Nadie pregunta “¿a cuánta gente puedo recortar?” Preguntan “¿qué podemos asumir ahora que antes no podíamos?”
El hueco de medición
Este es el problema: la mayoría de las organizaciones no ve esto con claridad.
El informe DORA de 2024 encontró que, al aumentar la adopción de IA, el rendimiento de entrega en realidad disminuyó a nivel de organización, con una caída del 7% en la estabilidad de las entregas.7 Las métricas de actividad individual se disparan (PR fusionadas, tareas completadas) mientras los resultados de la organización se quedan planos o empeoran.
Los viejos indicadores (story points, velocidad, líneas de código) ya eran sospechosos. Ahora son activamente engañosos. Que un ingeniero saque el doble de PR no ayuda si el tiempo de revisión se duplica y los errores van a más.
Ya escribí antes sobre lo difícil que es responder a “¿Qué produjo de verdad ese gasto de £20M en ingeniería?” La IA lo hace más difícil y más importante a la vez.
Lo que falta es la conexión entre la producción individual y la capacidad de la organización, el reto central de Workforce Engineering. Necesitas ver las dos cosas: quién saca valor de las herramientas de IA y cómo eso se traduce en lo que tus equipos pueden entregar en conjunto. La correlación entre las ganancias a nivel individual y los resultados a nivel macro es donde vive lo que de verdad aprendes.
Esto es lo que estamos construyendo en Flowstate. Registramos la asignación de tiempo por persona, por proyecto y por trimestre, lo que nos permite modelar cómo cambia la adopción de IA la capacidad efectiva en toda tu organización, no solo el rendimiento individual.
Los costes de la IA exigen el mismo rigor que los de la nube
La otra dimensión que nadie sigue como es debido: el gasto en IA depende del uso, igual que la computación en la nube. Y todos recordamos lo que pasó cuando las empresas adoptaron la nube por primera vez sin gobernanza.
Se prevé que el gasto mensual medio en IA suba un 36% interanual.8 La mayoría de las organizaciones dice que los costes de los agentes superaron lo esperado. Casi la mitad señala los “runaway tool loops” (bucles de herramientas desbocados) como causa de los sobrecostes.
Expliqué la dinámica de precios en Moore’s Law for AI is officially dead. Los precios de los modelos de frontera suben, no bajan, y las herramientas construidas encima se pasan todas al precio por uso porque las tarifas planas dejaron de ser sostenibles.
El consumo de tokens tiene que estar junto a la producción de ingeniería en la misma vista. Si no, no puedes responder a la pregunta básica: ¿el gasto en IA genera ganancia de capacidad suficiente para justificar el coste?
Nuestra investigación en Flowstate muestra que esto se está volviendo crítico para Workforce Engineering. No puedes prever plantilla ni presupuesto sin entender cómo escala el gasto en IA con la actividad del equipo. Las empresas que traten los costes de IA como una partida que se mira a posteriori se llevarán sorpresas. Las que lo integren en Workforce Engineering verán las contrapartidas con claridad.
Conectar el gasto con los resultados
Cuando el gasto en IA se conecta directamente con resultados de negocio, la conversación sobre el ROI se vuelve sencilla.
No justificas el coste de las herramientas aisladas. Muestras algo así: “Este equipo liberó un 40% de capacidad con herramientas de IA. Lo reasignamos al proyecto de modernización de pagos. Salió dos trimestres antes. Este es el impacto en ingresos.”
Lo que importa no es “¿somos más productivos?”. Es “¿cómo debería cambiar nuestra planificación de plantilla dado lo que permite la IA?”
Si tus equipos pueden entregar de verdad más con la misma plantilla, tienes opciones. Apostar más fuerte por la hoja de ruta. Asumir oportunidades adyacentes. Construir las funcionalidades que siempre se dejaban para después. El límite siempre fue la capacidad. La IA cambia ese límite.
Las empresas que puedan verlo, midiendo la productividad individual y la capacidad de la organización y los costes de IA en una vista unificada, tomarán mejores decisiones de asignación. Detectarán dónde rinde la inversión en IA y dónde no. Se ajustarán de forma dinámica en lugar de planificar a ojo.
Mirando a 2026
El panorama de 2026 lo marcará quién resolvió la medición en 2025.
Las herramientas de programación con IA serán lo mínimo exigible. La diferencia vendrá de una adopción estructurada, de una gobernanza que evite que los costes se disparen y de sistemas de medición que conecten la inversión en IA con la capacidad de la organización, no solo con el rendimiento individual.
La plantilla seguirá reconfigurándose en torno a ingenieros que definen problemas y supervisan resultados, con la IA encargándose del trabajo mecánico. Los equipos que inviertan ya en formación tendrán ingenieros que sepan sacar partido a las herramientas. Los que no, quemarán tokens sin ganar capacidad.
El dinero inteligente apuesta por hacer más con tu organización de ingeniería, no menos. Pero solo si puedes ver con claridad lo que la IA permite de verdad.
Hacia eso estamos construyendo.
Footnotes
-
GitHub Copilot Statistics & Adoption Trends – Second Talent ↩
-
Gartner Says 75% of Enterprise Software Engineers Will Use AI Code Assistants by 2028 – Gartner ↩
-
Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – METR ↩
-
Unleashing developer productivity with generative AI – McKinsey ↩
-
GitHub CEO says the ‘smartest’ companies will hire more software engineers – Yahoo Finance ↩
-
Goldman Sachs is piloting its first autonomous coder – CNBC ↩
-
Announcing the 2024 DORA Report – Google Cloud ↩
-
The State Of AI Costs In 2025 – CloudZero ↩