Grandes organizaciones comienzan a preguntarse si están midiendo lo correcto en el ámbito de la productividad. ¿Más IA implica automáticamente generar más valor? Parece que lo que están descubriendo es que escribir más código no es lo mismo que entregar más software.
Nos guste o no, la inteligencia artificial nos ha sumergido en una era frenética de cambios, a nivel social y empresarial. Dentro de las organizaciones, hemos pasado de acceder a modelos LLM a utilizar copilotos e integrar agentes en nuestros procesos. Está pasando todo a tanta velocidad que casi por inercia muchas empresas están midiendo su avance en esta tecnología con algo tan simple como su uso: número de usuarios, de agentes y/o tokens consumidos.
Y esto en detrimento de una métrica más importante, la productividad, porque de tanto oír que la IA nos hace más productivos, nos olvidamos de medirlo con rigor. Y algo aún más peligroso es que esto puede hacernos pensar que si la IA aumenta la productividad, cuanta más IA usemos, más valor estaremos generando.
Pero las conciencias empiezan a despertar y comienzan a aparecer las primeras señales de que la realidad es mucho más compleja.
Hace unas semanas, Andrew Macdonald, director de operaciones de Uber, cuestionaba públicamente la capacidad de relacionar el consumo de IA con mejoras reales de productividad. Básicamente afirmaba que todavía resulta muy difícil demostrar que un mayor uso de estas herramientas se traduzca directamente en más funcionalidades útiles para los clientes.
Y al igual que Macdonald, otras grandes organizaciones comienzan a preguntarse si están midiendo lo correcto. ¿Más IA implica automáticamente generar más valor?
Si nos centramos en métricas que históricamente hemos utilizado para medir la actividad de los equipos en desarrollo de software – líneas de código, commits, historias completadas o velocidad de entrega – podemos afirmar que la IA en general las ha disparado. Así lo refleja un reciente estudio elaborado por investigadores del MIT y Wharton, basado en más de 100.000 desarrolladores de GitHub. En él se confirman incrementos espectaculares en la actividad de programación gracias a las nuevas generaciones de agentes de IA. Los agentes más avanzados consiguen aumentar los commits hasta un 180%.
Si solo nos quedamos en este dato nos podría parecer una revolución de productividad sin precedentes. Pero el estudio va más allá y revela algo mucho más interesante. Cuando los investigadores analizan el resultado final y no solo la actividad generada, descubren que ese incremento del 180% en commits acaba convirtiéndose en apenas un 30% más de releases o entregas reales.
Y esta gran diferencia pone de manifiesto la realidad que muchas organizaciones están descubriendo: escribir más código no es lo mismo que entregar más software.
Entre ambos extremos existe todo un conjunto de actividades que siguen siendo fundamentales: revisión, validación, integración, pruebas, seguridad, despliegue y control de calidad. Y la IA no elimina automáticamente todos los cuellos de botella que existen alrededor.
El nuevo cuello de botella no está en el código
Y aquí enlazamos con otra idea que sigue repitiéndose en varios estudios recientes. La IA sigue necesitando contexto, dirección y criterio. Anthropic, como ejemplo, acaba de analizar cientos de miles de sesiones reales de Claude Code y ha observado que los mejores resultados no los obtenían necesariamente quienes tenían mayores conocimientos de programación, sino quienes comprendían mejor el problema que estaban intentando resolver.
Porque, aunque la IA puede reducir el coste de construir, también está aumentando el valor de decidir correctamente qué construir. Y eso tiene grandes repercusiones para las organizaciones, al cobrar todavía más importancia aspectos como la calidad de los requisitos, el conocimiento del negocio, la gestión del producto, la arquitectura, la calidad del software o la capacidad de priorizar correctamente.
Lo que nos recuerda algo que en LedaMC llevamos mucho tiempo defendiendo: la productividad no depende de cuánto código podemos generar, lo importante es cuánto valor somos capaces de entregar.
Aunque la IA puede reducir el coste de construir, también está aumentando el valor de decidir correctamente qué construir
Es habitual que, durante la primera fase de una revolución tecnológica, la gran preocupación sea la adopción, el FOMO está ahí e incluso en grandes corporaciones cuesta escapar de él.
Pero también es algo normal que, pasado un tiempo, comencemos a cuestionarnos si realmente está funcionando.
Y, para saberlo, necesitamos métricas que vayan más allá del consumo de herramientas, licencias activas, agentes desplegados o volumen de uso. Métricas que nos ayuden a responder preguntas mucho más relevantes: ¿Está disminuyendo el coste por funcionalidad entregada? ¿Se está reduciendo el tiempo total de entrega? ¿La calidad del software está mejorando o empeorando? ¿La productividad está aumentando de forma sostenible o simplemente estamos generando más actividad?
La respuesta a estas preguntas exige algo más que observar tokens o líneas de código. Requiere medir el producto entregado, la calidad obtenida, el esfuerzo invertido y el valor generado para el negocio.
Cuando miremos atrás dentro de unos años seguramente recordaremos esta primera fase de adopción masiva de la IA de una forma parecida a como recordamos otras grandes transformaciones tecnológicas: una etapa de entusiasmo, experimentación y aprendizaje acelerado.
Pero esperamos que también sea recordada como el momento en que las organizaciones comprendieron que la tecnología, por sí sola, no garantiza resultados.
La verdadera ventaja competitiva no estará en quién consuma más tokens ni en quién despliegue más agentes. Estará en quién sea capaz de demostrar, con datos objetivos, que está entregando más valor, con mejor calidad y de forma más eficiente.
Quizá estamos viendo la luz al final del túnel que nos lleva al final del tokenmaxxing y al comienzo de una nueva etapa mucho más interesante: la era de la productividad demostrada.
Alexandra Blanco, Head of Content of LedaMC
