Un estudio con 100.000 ingenieros revela que los agentes de IA generan más código, pero no más software terminado

Por Zendoric · 10 de octubre de 2026.

La cifra que circula desde ayer es llamativa: tras adoptar agentes de codificación con IA, las empresas generan un 30% más de líneas de código, un 20% más de commits (cada guardado de cambios en el repositorio) y un 23% más de solicitudes de cambio o pull requests (propuestas de código para incorporar al proyecto). Pero la métrica que de verdad importa —cuántas tareas se cierran— no se movió de forma estadísticamente significativa. Es el hallazgo central de un estudio preliminar de Fiona Chen y James Stratton, investigadores de Harvard, recogido por Ars Technica.

Los autores usaron datos agregados de Jellyfish, una plataforma que mide la actividad de equipos de ingeniería, sobre 100.000 ingenieros en 500 empresas entre 2021 y marzo de 2026. Aplicaron una técnica de diferencias en diferencias —comparar cada empresa antes y después de adoptar agentes, ya que no todas empezaron en el mismo momento— para aislar el efecto de la IA de otras tendencias del sector. Con esa metodología distinguieron entre asistentes (que apoyan a un programador humano que escribe) y agentes (que redactan y envían código de forma más autónoma a partir de instrucciones). Conviene leer los resultados como asociaciones observadas en los datos, no como una prueba causal cerrada.

El dato que explica la paradoja está en la fase posterior a escribir código. El tiempo entre enviar una pull request y que se integre en el proyecto subió un 49%. La proporción de solicitudes que recibieron peticiones de cambios casi se duplicó, los comentarios por solicitud crecieron un 35% y el porcentaje de empleados dedicados a revisar código aumentó un 14%. Para marzo de 2026, el 80% de las empresas del estudio ya usaba alguna forma de revisión de código asistida por IA, pero esa misma IA solo generaba el 23,3% de los comentarios de revisión y participaba en el 10,8% de las solicitudes: la revisión seguía siendo, mayoritariamente, un trabajo humano.

El estudio también buscó un efecto sobre el empleo cruzando los registros de Jellyfish con datos de LinkedIn de las mismas empresas, y no encontró un cambio significativo en plantillas atribuible a la adopción de agentes. Dicho de otro modo: ni los agentes dispararon despidos masivos en programación durante este periodo, ni liberaron tiempo suficiente para que las plantillas se redujeran por la vía de la eficiencia. Conviene recordar, además, que para cuando Ars Technica publicó su cobertura la adopción ya alcanzaba al 95% de las empresas analizadas, frente al periodo medido; y que los propios agentes han recibido actualizaciones relevantes después del corte de datos en marzo, así que estos números retratan una fase concreta de una tecnología que seguía moviéndose.

Nuestra lectura: esto no es una condena de los agentes de codificación, es la constatación de que medir productividad por volumen de código es medir mal. La frontera del cuello de botella no desapareció con la IA, simplemente se desplazó de la escritura a la revisión, que sigue exigiendo criterio humano para distinguir una contribución correcta de una que parece correcta. Encaja con algo que venimos repitiendo en nuestra cobertura de IA y empleo por sectores: lo que resiste a la automatización no es la tarea mecánica —escribir líneas— sino el juicio que valida el resultado. En programación, ese juicio todavía no se delega.

Hay además un patrón histórico detrás de este hallazgo que vale la pena nombrar: la llamada paradoja de la productividad, que el economista Robert Solow resumió en los años ochenta al observar que los ordenadores estaban en todas partes menos en las estadísticas de productividad. Las grandes tecnologías de propósito general tardan en traducirse en ganancias medibles porque antes exigen rediseñar procesos, no solo añadir una herramienta encima de los mismos flujos de trabajo. Las empresas de este estudio, en su mayoría, parecen haber insertado agentes en un proceso de revisión pensado para un volumen de código humano, sin rediseñar ese proceso para el volumen que genera una máquina.

Eso abre una ventana de oportunidad más que una sentencia. Si la revisión es el cuello de botella, el siguiente salto de productividad no vendrá de agentes que escriban más rápido, sino de herramientas que validen con fiabilidad lo que esos agentes producen, y de equipos que aprendan a decidir qué tareas delegar y cuáles no. Es exactamente la clase de ajuste organizativo que, según nuestra tesis de fondo, caracteriza el tramo difícil de toda transición tecnológica real: capacidad disponible por delante de la práctica que sabe aprovecharla. A medio plazo, la combinación de revisión automatizada más madura y mejor criterio de asignación de tareas debería estrechar esa brecha; mientras tanto, cualquier empresa que presuma de productividad disparada por IA solo por el volumen de código que genera está contando la mitad de la historia.