Aunque algunos temen que la IA pueda desplazar a los desarrolladores, en realidad, quienes saben aprovechar las herramientas de IA generativa pueden potenciar su productividad y eficiencia de manera significativa.
Raúl Fernández, director de Operaciones de LedaMC, nos da algunas claves para entender el verdadero reto que supone.
Índice de temas
Raúl ¿qué opinas sobre estudios como el de Denisov-Blanch que intentan medir la productividad de los desarrolladores de software?
El análisis de Denisov-Blanch destaca un problema conocido: no todos los programadores aportan el mismo valor. Medir la productividad en el desarrollo de software resulta complejo.
Por ejemplo, contar líneas de código no es efectivo, ya que un código bien diseñado suele ser más compacto. Además, los desarrolladores con mayor experiencia invierten tiempo en reuniones, resolución de problemas y pruebas, actividades fundamentales que muchas veces no quedan reflejadas en métricas tradicionales.
Quienes saben aprovechar las herramientas de IA generativa pueden potenciar su productividad y eficiencia de manera significativa
Actualmente, la inteligencia artificial está transformando este panorama. Aunque algunos temen que la IA pueda desplazar a los desarrolladores, en realidad, quienes saben aprovechar las herramientas de IA generativa pueden potenciar su productividad y eficiencia de manera significativa.
Según datos de Stack Overflow, más del 60% de los desarrolladores ya utilizan estas herramientas, lo que implica que, en última instancia, la verdadera competencia no es contra la IA, sino contra otros programadores que dominen su uso.
¿Es posible evaluar la productividad de manera objetiva?
Desde nuestra perspectiva, la verdadera métrica reside en el producto final. No se trata simplemente de contar las líneas de código escritas, sino de la cantidad de software útil y de alta calidad que se produce.
No se trata simplemente de contar las líneas de código escritas, sino de la cantidad de software útil y de alta calidad que se produce
Este método, fundamentado en estándares ISO/IEC, ofrece una evaluación más confiable y es empleado por gobiernos y empresas a nivel mundial como la Unión Europea para identificar valor genuino y mejorar los procesos de desarrollo.
¿De qué manera impacta la publicación del estándar ISO/IEC SNAP en la evaluación de los aspectos no funcionales del software y en la justificación de inversiones ante la dirección ejecutiva?
Hasta ahora, aspectos no funcionales como la seguridad, mantenibilidad o rendimiento eran difíciles de cuantificar, a pesar de su impacto en el negocio.
SNAP nos permite dar valor a esa ‘arquitectura invisible’ y medirla. Cualquier avance que facilite una mejor evaluación de lo que antes era difuso, enriquece la conversación con la alta dirección.
Esto significa que los directivos ahora pueden entender y justificar inversiones en ciberseguridad o modernización de plataformas no solo como gastos técnicos, sino como mejoras tangibles en sus activos.
¿Crees que la actual percepción sobre la inteligencia artificial, marcada por una sobreexpectación y un posterior escepticismo, es solo pasajera o estamos frente a una transformación profunda aún difícil de calibrar?
En mi opinión, creo que estamos en una fase de ajuste de expectativas, lo cual es saludable. La euforia inicial nos llevó a pensar que la IA resolvería todo rápidamente, pero ahora comprendemos que requiere una estrategia y un buen gobierno.
Pero sin duda, estamos ante una transformación de gran escala, similar a la llegada de Internet. Lo que estamos aprendiendo es que la IA no es un fin en sí misma, sino un acelerador. El verdadero reto está en cómo adaptamos nuestras organizaciones para gestionar esta tecnología sin perder control.
¿En qué consiste esa ‘inteligencia artificial con enfoque humanista’ y cómo se traduce en la práctica esa colaboración entre la capacidad algorítmica y el juicio profesional?
La clave está en quién define el problema. La IA tiene gran capacidad para analizar y detectar patrones, pero siempre dentro de un marco definido por el humano.
La IA amplifica nuestra capacidad analítica, como se ve en estimaciones o mejoras en requisitos, pero no reemplaza el criterio. Es el profesional quien interpreta, contextualiza y toma decisiones.
«La IA amplifica nuestra capacidad analítica, pero no reemplaza el criterio. Es el profesional quien interpreta, contextualiza y toma decisiones»
El enfoque humanista implica diseñar sistemas donde esa colaboración funcione naturalmente: la tecnología aporta objetividad, escala y consistencia, mientras que el humano aporta experiencia, propósito y responsabilidad.
En la práctica, esto significa crear herramientas que no decidan por uno mismo, sino que faciliten decisiones mejores. Ejemplo de ello son soluciones como Quanter, que ayudan a objetivar estimaciones o evaluar productividad, siempre con trazabilidad y control.
No buscamos sustituir la inteligencia humana, sino potenciarla para resolver problemas reales.
¿Podría compartir algún ejemplo concreto en el que la incorporación de funciones de IA generativa en Quanter haya proporcionado una ventaja competitiva sustancial?
Más que un caso puntual, lo importante es cómo la IA en Quanter acelera y transforma todo el proceso.
Tradicionalmente, la estimación comenzaba con requisitos ambiguos, lo que generaba incertidumbre en todo el ciclo. Ahora, la IA mejora esos requisitos desde el inicio, dándoles mayor consistencia.
Luego, la estimación inteligente aporta rapidez y objetividad basada en datos, no en percepciones. Además, la generación automática de casos de prueba permite planificar desde el inicio las pruebas, en lugar de abordarlas al final.
La estimación inteligente aporta rapidez y objetividad basada en datos, no en percepciones
El resultado es una reducción significativa en tiempos y ambigüedad, además de conectar todas las fases del ciclo con trazabilidad clara entre requisitos, desarrollo y control de calidad.
¿Cuál es la tendencia futura en la disciplina de medición del software?
Estamos en un momento de cambio. Durante años, la medición se centró en tamaño y productividad con modelos estandarizados.
Hoy, aunque esto sigue siendo importante, ya no basta. Las organizaciones necesitan entender qué valor generan y cuál es su eficiencia económica sin olvidarnos de la calidad.
La medición evoluciona hacia una herramienta estratégica que ayuda a resolver problemas de negocio, optimizar inversiones y gestionar relaciones con proveedores.
La IA acelera esta transformación al automatizar análisis, mejorar estimaciones tempranas y hacer la información más accesible.
El reto será integrar innovación con rigor, y en ese proceso, los estándares de IFPUG seguirán siendo fundamentales para construir modelos avanzados orientados al valor.
