Raiffeisenbank: 500 ingenieros adoptaron IA, pero la velocidad de desarrollo no aumentó

Los ingenieros del Banco Raiffeisen utilizan activamente herramientas de IA — chats y agentes de codificación. En los gráficos, la actividad se ve convincente: el número de usuarios está creciendo, la frecuencia de solicitudes está aumentando. Pero cuando el equipo verificó las métricas reales, resultó que la velocidad de desarrollo no había cambiado. Marat Kinyabulatov, experto en prácticas Ágiles y responsable de la eficiencia de los equipos de ingeniería del banco, analizó por qué el crecimiento en el uso no se traduce en aceleración.

El problema que no es visible en los paneles

La imagen de la implementación de IA en una gran empresa generalmente se ve prometedora: los usuarios activos están creciendo, los ingenieros dominan nuevas herramientas, la gerencia recibe informes positivos. Esto resulta ser suficiente para considerar la implementación exitosa.

El problema surge después — cuando comienzas a observar las métricas de negocio. El equipo de Kinyabulatov comparó indicadores antes y después de la implementación: tiempo de ciclo de tareas, velocidad de lanzamiento de características, número de iteraciones antes de producción. 500 ingenieros dominaron las herramientas, pero la productividad del equipo se mantuvo en el nivel anterior.

Según Kinyabulatov, esta imagen es típica no solo del Banco Raiffeisen. La mayoría de las empresas que están implementando masivamente IA en desarrollo enfrentan lo mismo: las métricas de uso de herramientas crecen antes de que algo cambie en los procesos de trabajo reales.

Por qué el uso ≠ aceleración

El equipo probó varias hipótesis sobre el impacto de la IA en la velocidad de desarrollo. La lógica inicial parecía razonable:

• Los chats de IA reducen el tiempo dedicado a buscar documentación y explicaciones
• Los agentes de codificación manejan la escritura de código de plantilla y repetitivo
• La rutina reducida da a los ingenieros tiempo para tareas complejas

En la práctica, cada una de estas conexiones resultó ser no lineal. Un ingeniero que recibe respuestas rápidas de un chat podría gastar el tiempo ahorrado en aclaraciones y reformulaciones adicionales — en lugar de avanzar con la tarea. Un agente de codificación generó código que necesitaba ser revisado y refinado: a veces, esto llevaba más tiempo que escribirlo de forma independiente.

"En los gráficos, los usuarios y la actividad están creciendo, los

ingenieros están probando herramientas y acostumbrándose a la nueva realidad, pero al verificar las métricas, muy a menudo resulta que nada funciona más rápido," escribe Kinyabulatov.

Qué métricas ayudaron a separar el hábito del resultado

El desafío central fue crear un sistema de medición que mostrara no solo el hecho del uso de la herramienta, sino su impacto en los resultados. El equipo buscó correlaciones entre la actividad en herramientas de IA e indicadores reales de desempeño: tiempo de ciclo, throughput, proporción de tareas que pasaron a través de la producción sin requerir retrabajo.

En paralelo, estudiaron patrones de comportamiento — qué cambió exactamente en el trabajo de los ingenieros cuya productividad sí aumentó. La diferencia clave no fue la frecuencia de uso de la herramienta, sino la forma en que se integraron en el proceso de trabajo.

Este análisis llevó al concepto de Agentic Engineering — un enfoque en el que un ingeniero construye cadenas de agentes de IA que manejan etapas completas de trabajo, en lugar de aplicar IA como una referencia interactiva para preguntas individuales.

Lo que esto significa

El caso del Banco Raiffeisen describe un problema sistémico de las transformaciones de IA: las métricas visibles del uso de herramientas crean una ilusión de progreso mientras que la productividad real permanece sin cambios. El efecto real no proviene de la implementación de la tecnología, sino de la reestructuración de los procesos de trabajo en torno a ella. Kinyabulatov promete un análisis detallado de cómo exactamente el equipo construyó la Agentic Engineering en la segunda parte.