Adoptar IA no aceleró el desarrollo: la experiencia de Raiffeisenbank

La paradoja de la adopción de IA: en Raiffeisenbank, 500 ingenieros usan activamente herramientas de IA, tanto chats como agentes de programación, pero la velocidad de desarrollo no ha cambiado.

El problema que no se ve en los dashboards

El panorama de la adopción de IA en una gran empresa suele resultar alentador: crecen los usuarios activos, los ingenieros dominan nuevas herramientas y la dirección recibe informes positivos. Con eso basta, a menudo, para dar el despliegue por exitoso.

El problema aparece después, cuando se empiezan a mirar las métricas de negocio. El equipo de Kiniabulatov comparó los indicadores de antes y después de la adopción: tiempo de ciclo de las tareas, velocidad de entrega de funcionalidades y número de iteraciones hasta producción. Los 500 ingenieros aprendieron a usar las herramientas, pero la productividad de los equipos se mantuvo en el mismo nivel.

Según Kiniabulatov, este patrón no es exclusivo de Raiffeisenbank. La mayoría de las empresas que introducen IA en el desarrollo a gran escala se topan con lo mismo: las métricas de uso de las herramientas crecen antes de que cambie algo en los procesos de trabajo reales.

Por qué uso ≠ aceleración

El equipo puso a prueba varias hipótesis sobre el efecto de la IA en la velocidad de desarrollo. La lógica inicial parecía razonable:

• Los chats de IA reducen el tiempo de búsqueda de documentación y explicaciones
• Los agentes de programación se encargan de escribir código repetitivo y de plantilla
• Menos tareas rutinarias dan a los ingenieros tiempo para problemas complejos

En la práctica, cada uno de estos vínculos resultó ser no lineal. Un ingeniero que recibía respuestas rápidas de un chat podía dedicar el tiempo ahorrado a más aclaraciones y reformulaciones, en lugar de avanzar en la tarea. Un agente de programación generaba código que había que revisar y corregir, y a veces eso llevaba más tiempo que escribirlo a mano.

«En los gráficos crecen los usuarios y la actividad, los ingenieros

prueban las herramientas y se acostumbran a la nueva realidad, pero al comprobar las métricas muy a menudo resulta que nada se ha vuelto más rápido», escribe Kiniabulatov.

Qué métricas ayudaron a separar el hábito del resultado

El principal reto fue crear un sistema de medición que no muestre el hecho de usar las herramientas, sino su efecto en el resultado. El equipo buscó correlaciones entre la actividad en herramientas de IA e indicadores reales de eficiencia: cycle time, throughput y la proporción de tareas que pasaron a producción sin volver a revisión.

En paralelo, estudiaron patrones de comportamiento: qué cambiaba exactamente en el trabajo de los ingenieros cuya productividad sí había aumentado. La diferencia clave no estaba en la frecuencia de uso de las herramientas, sino en cómo las integraban en su flujo de trabajo.

Este análisis llevó al concepto de Agentic Engineering, un enfoque en el que el ingeniero construye cadenas de agentes de IA que asumen etapas completas del trabajo, en lugar de usar la IA como un manual interactivo para preguntas aisladas.

Qué significa

El caso de Raiffeisenbank describe un problema sistémico de las transformaciones con IA: las métricas visibles de uso de herramientas crean una ilusión de progreso mientras la productividad real permanece igual. El efecto auténtico no llega por adoptar la tecnología, sino por reconstruir los procesos de trabajo a su alrededor. Kiniabulatov promete en la segunda parte un análisis detallado de cómo el equipo construyó el Agentic Engineering.

¿Por qué la adopción de IA no aceleró el desarrollo?

El número de usuarios y la frecuencia de uso crecen, pero las métricas reales muestran que la velocidad de desarrollo no ha cambiado.

¿Por qué la adopción de IA no acelera el desarrollo?

Según la experiencia de Raiffeisenbank, el aumento de usuarios de herramientas de IA y de la frecuencia de uso no garantiza un desarrollo más rápido. Marat Kiniabulatov, responsable de la eficiencia de los equipos de ingeniería del banco, analizó por qué la actividad en IA no se convierte en aceleración del trabajo real.