El uso de inteligencia artificial se ha convertido en un indicador habitual del grado de adopción tecnológica en las empresas. Sin embargo, cada vez más organizaciones concluyen que consumir más IA no implica necesariamente generar más valor. La productividad real depende de mucho más que del volumen de código o de tokens procesados.
La inteligencia artificial ha transformado el ritmo de evolución de las organizaciones a una velocidad sin precedentes. En apenas unos años hemos pasado de experimentar con modelos de lenguaje a trabajar con copilotos inteligentes e integrar agentes de IA en procesos de negocio cada vez más complejos.
En este contexto de adopción acelerada, muchas compañías han empezado a evaluar su progreso mediante indicadores muy sencillos, cantidad de usuarios, número de agentes desplegados o volumen de tokens consumidos.
Se da por hecho que la IA incrementa la eficiencia, pero, con frecuencia no se comprueba hasta qué punto ese incremento se traduce realmente en mejores resultados
Sin embargo, esta forma de medir el avance puede resultar engañosa si desplaza el foco de una cuestión mucho más relevante como es la productividad. Se da por hecho que la IA incrementa la eficiencia, pero, con frecuencia no se comprueba hasta qué punto ese incremento se traduce realmente en mejores resultados. Incluso puede surgir una conclusión equivocada, asumir que cuanto mayor sea el uso de IA, mayor será el valor generado.
Cada vez aparecen más evidencias de que esa relación no es tan directa.
Índice de temas
IA y productividad
No hace mucho, Andrew Macdonald, director de operaciones de Uber, expresaba públicamente sus dudas sobre la capacidad de vincular el consumo de herramientas de IA con mejoras objetivas en la productividad. Su planteamiento era claro, todavía resulta complicado demostrar que un mayor uso de estas tecnologías acabe convirtiéndose para los clientes en más funcionalidades útiles.
No es un caso aislado. Cada vez son más las grandes organizaciones que se preguntan si los indicadores que utilizan para medir el impacto de la inteligencia artificial son realmente los adecuados. La cuestión de fondo es evidente ¿Utilizar más IA significa necesariamente crear más valor?
En los equipos de desarrollo de software existen métricas tradicionales para evaluar la actividad, como el número de líneas de código, los commits realizados, las historias completadas o la velocidad de desarrollo. En prácticamente todas ellas, la llegada de la IA ha supuesto un incremento muy significativo.
Y esto lo demuestra un estudio reciente elaborado por investigadores del MIT y Wharton, basado en el análisis de más de 100.000 desarrolladores de GitHub.
Sus conclusiones muestran que las nuevas generaciones de agentes de IA impulsan de forma notable la actividad de programación, llegando los sistemas más avanzados a incrementar los commits hasta un 180%.
A primera vista, estos datos podrían interpretarse como una mejora extraordinaria de la productividad. Sin embargo, el análisis incorpora una segunda lectura mucho más reveladora.
Cuando los investigadores dejan de observar únicamente la actividad generada y analizan el resultado final, descubren que ese incremento del 180% en commits apenas se traduce en un aumento aproximado del 30% en las releases o entregas efectivas de software.
La verdadera productividad no depende de la cantidad de código que somos capaces de generar, sino del valor que finalmente conseguimos entregar
La diferencia entre ambas cifras refleja una realidad que muchas empresas ya empiezan a experimentar, producir más código no equivale automáticamente a entregar más producto.
Entre la escritura del código y la entrega final existen numerosos procesos que siguen siendo imprescindibles: revisión, validación, integración, pruebas, controles de seguridad, despliegue y aseguramiento de la calidad. La inteligencia artificial puede acelerar parte del trabajo, pero no elimina por sí sola todos los cuellos de botella presentes en el ciclo de desarrollo.
De hecho, el principal obstáculo ya no reside en generar código.
Esta idea conecta con otra conclusión que se repite en distintos estudios recientes, la inteligencia artificial continúa necesitando contexto, criterio y una dirección adecuada para ofrecer su máximo potencial.
Un ejemplo especialmente ilustrativo lo aporta Anthropic. La compañía analizó cientos de miles de sesiones reales de Claude Code y comprobó que quienes obtenían mejores resultados no eran necesariamente los desarrolladores con mayores conocimientos técnicos, sino aquellos que entendían mejor el problema que pretendían resolver.
Y es que, pese a que la inteligencia artificial reduce el esfuerzo necesario para construir soluciones, también incrementa la importancia de decidir correctamente qué merece la pena construir. Este cambio tiene implicaciones profundas para las organizaciones, ya que refuerza el peso de factores como la definición de requisitos, el conocimiento del negocio, la gestión de producto, la arquitectura tecnológica, la calidad del software o la capacidad para establecer prioridades.
Es una idea que desde LedaMC se viene defendiendo desde hace tiempo: la verdadera productividad no depende de la cantidad de código que somos capaces de generar, sino del valor que finalmente conseguimos entregar.
Como ocurre en las primeras etapas de cualquier revolución tecnológica, el principal objetivo suele ser impulsar la adopción. El miedo a quedarse atrás -el conocido FOMO– también afecta a las grandes corporaciones, que sienten la presión de incorporar estas tecnologías cuanto antes.
No obstante, una vez superada esa fase inicial, llega inevitablemente una pregunta mucho más importante ¿Está funcionando realmente?
Es imprescindible evaluar el producto entregado, la calidad alcanzada, el esfuerzo realizado y el valor que finalmente recibe el negocio
Responder a esa cuestión exige indicadores diferentes. Ya no basta con contabilizar licencias activas, volumen de uso, número de agentes desplegados o tokens consumidos. Es necesario medir aspectos que reflejen el impacto real en el negocio, ver si disminuye el coste por funcionalidad entregada, si se acortan los tiempos de entrega, si mejora la calidad del software o si la productividad aumenta de forma sostenible en lugar de limitarse a generar más actividad.
Obtener estas respuestas requiere observar mucho más que el consumo de IA o las líneas de código producidas. Es imprescindible evaluar el producto entregado, la calidad alcanzada, el esfuerzo realizado y el valor que finalmente recibe el negocio.
Los resultados de la IA
Dentro de unos años, probablemente recordaremos esta primera etapa de adopción masiva de la inteligencia artificial como un periodo marcado por el entusiasmo, la experimentación y un aprendizaje acelerado, igual que ocurrió con otras grandes transformaciones tecnológicas.
Ahora bien, también sería deseable que se recordara como el momento en el que las organizaciones comprendieron que la tecnología, por sí sola, nunca garantiza los resultados.
No serán quienes consuman más tokens los que obtengan la verdadera ventaja competitiva, ni a quienes desplieguen un mayor número de agentes inteligentes. La ventaja estará en aquellas empresas capaces de demostrar, mediante datos objetivos, que generan más valor, ofrecen mayor calidad y trabajan con una eficiencia superior.
Todo apunta a que estamos dejando atrás la etapa del tokenmaxxing para adentrarnos en una fase mucho más madura: la de la productividad demostrable.
