Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Un aumento del 21% en el flujo de PR cuadruplica la espera de revisión en un modelo de colas: de 2 a 8 horas

Los asistentes de AI como Copilot aceleran la escritura de código, pero la revisión, las pruebas y el release mantienen el mismo ritmo. En un modelo de colas simplificado, un aumento del flujo de 14 a 17 pull requests al día (un 21%) eleva el tiempo de revisión de 2 a 8 horas. El código se escribe en dos horas, pero el cambio espera días a que lo verifiquen. Por eso conviene medir la carga de revisión y de QA, y no solo la velocidad de escritura de código.

Procesado por IA desde Habr AI; editado por Hamidun News
Un aumento del 21% en el flujo de PR cuadruplica la espera de revisión en un modelo de colas: de 2 a 8 horas
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1Con una carga del 94% (17 PR al día), la revisión tarda 8 horas; con un 78%, 2 horas
METRlos desarrolladores con experiencia tardaron un 19% más en completar tareas con AI
DORA 2024un 25% más de adopción de AI se asoció con un 7,2% menos de estabilidad en la entrega

Un desarrollador con Copilot o Cursor escribe una función en dos horas en lugar de ocho, abre un pull request (PR, solicitud de fusión de código) y... espera. El revisor está ocupado, las pruebas están en cola y la ventana de release no llega hasta el jueves.

El código se ha abaratado, pero la entrega al usuario no se ha acelerado. Con un modelo de colas simplificado, el autor de un análisis en Habr muestra la magnitud del efecto: si el flujo de PR diarios sube de 14 a 17, es decir, un 21%, el tiempo medio de la etapa de revisión pasa de 2 a 8 horas, cuatro veces más. Para usted, la conclusión es una: si introduce herramientas de AI y mira solo la velocidad de escritura de código, puede estar acelerando la parte equivocada del sistema.

¿Acelera realmente la AI el desarrollo?

Los datos son contradictorios. En un experimento controlado de GitHub y Microsoft de 2023, el grupo con Copilot escribió un servidor HTTP en JavaScript, de media, un 55,8% más rápido que el grupo de control. Pero participaron 95 desarrolladores de Upwork, solo 35 terminaron la tarea y esta se hizo desde cero.

En 2025, METR reunió a 16 desarrolladores open source con experiencia y 246 tareas reales en proyectos que conocían bien. Con la AI permitida, las tareas tardaron de media un 19% más. Además, antes del experimento los participantes esperaban una aceleración y, después, seguían creyendo que la AI les había ayudado. En febrero de 2026, METR realizó un segundo estudio con una muestra mayor. Apuntaba a una posible aceleración, pero una parte de los desarrolladores se negó a hacer tareas sin AI y los autores no pudieron estimar el efecto con fiabilidad. Rediseñaron el experimento.

Para lo que sigue basta con un supuesto acotado: si la AI abarata una parte de los cambios, la carga dentro de la organización de ingeniería se redistribuye.

El cuello de botella se desplaza y la cola crece de golpe

Tomemos un equipo de diez personas: cada una hace unos dos PR por semana, unos 20 en total. La revisión, el QA y los releases están dimensionados para ese flujo. La AI duplica la producción hasta 40 PR. La cola de revisión crece y la empresa añade revisión automática. Entonces el flujo choca con el QA, que también se automatiza, y los cambios empiezan a esperar la ventana de release. El cuello de botella no desaparece: se desplaza hacia donde falta capacidad.

La falta de linealidad se aprecia en el modelo M/M/1: un único canal de revisión, un flujo aleatorio de tareas y un límite de 18 PR al día. El tiempo medio en la etapa se calcula como W = 1 / (μ − λ), donde λ es el número de tareas entrantes y μ, el de tareas procesadas. Los valores son del modelo, no medidos:

  • 9 PR al día, carga del 50%: 53 minutos;
  • 12 PR, 67%: 1 hora 20 minutos;
  • 14 PR, 78%: 2 horas;
  • 16 PR, 89%: 4 horas;
  • 17 PR, 94%: 8 horas.

Un equipo real es más complejo: hay varios revisores, las tareas son distintas, existen prioridades y revisiones repetidas. Para hacer una previsión hacen falta datos reales y un modelo multicanal. La conclusión cualitativa se mantiene: una etapa que trabaja al límite se ralentiza bruscamente con cualquier carga adicional. Por eso un cambio escrito en dos horas puede esperar varios días a la revisión y las pruebas. La velocidad individual ha aumentado, pero el Lead Time (tiempo desde la idea hasta producción) de la organización sigue igual.

Los informes DORA concuerdan con este cuadro. En 2024, un aumento del 25% en la adopción de AI se asoció con una caída estimada del 1,5% en la capacidad de entrega y del 7,2% en su estabilidad. En 2025, la relación con la capacidad de entrega pasó a ser positiva, pero los problemas de estabilidad persistieron. Es una correlación y no demuestra causalidad. Aun así, la conclusión es práctica: la AI amplifica lo que ya existe. Los equipos con cambios pequeños y retroalimentación rápida irán más deprisa, mientras que los equipos con grandes colas y aprobaciones manuales notarán más los problemas.

Qué cambiar: verificaciones según el riesgo y control independiente

El autor propone replantear la arquitectura de la entrega en lugar de limitarse a automatizar cada etapa. Hoy, la corrección del texto de un error y un nuevo algoritmo de cálculo de comisiones pasan por el mismo pipeline. En el modelo Risk-Adaptive Delivery, todos los cambios cumplen un mínimo obligatorio y las verificaciones adicionales dependen de lo que se toque. Para la documentación basta con comprobar el formato y los enlaces. Para el esquema de la base de datos hacen falta migraciones y compatibilidad hacia atrás; para la autorización, una security review; y para los cálculos financieros, una verificación independiente de los invariantes de negocio.

El enfoque tiene dos trampas. El clasificador de riesgo puede equivocarse: un cambio de "documentación segura" se tomó por texto, pero afectaba a una configuración ejecutable y el pipeline aligerado lo dejó pasar. Por eso el clasificador necesita sus propias verificaciones, monitorización y un comportamiento conservador ante la incertidumbre. Además, la respuesta de un modelo de lenguaje no es una prueba de corrección, y las restricciones críticas deben definirse mediante políticas formales.

Con los agentes de AI surge un problema de confianza. Si un mismo agente escribe el código, escribe las pruebas e interpreta los resultados, puede ajustar los criterios a su implementación, y sin mala intención: entendió mal el requisito y escribió pruebas que confirman el error. Un segundo AI como verificador no lo evita si ambos parten de la misma especificación incompleta. Hacen falta criterios de aceptación fijados de antemano, invariantes de negocio, verificaciones deterministas y una persona para los cambios críticos. El ejecutor no debe poder modificar las políticas de seguridad, y la ejecución debe hacerse en un sandbox con permisos mínimos y credentials temporales.

Por último, el dinero. El coste total de un cambio suma la implementación, la verificación, la entrega y los costes esperados de fallos y rehacer trabajo. La revisión con AI, las pruebas con agentes y los entornos aislados también cuestan tokens y cómputo. Una verificación barata que deja pasar un error crítico sale más cara que una exhaustiva, y un conjunto completo de verificaciones costosas para cada cambio menor no reduce el riesgo en proporción.

Qué hacer en la práctica: mida la carga de revisión y de QA, y no solo la velocidad de escritura de código. Mantenga una reserva de capacidad y no trabaje al 90% de carga. Planifique el rollback: el código se puede revertir, pero los datos modificados y las transacciones externas no siempre. El autor considera que el siguiente cuello de botella será entender las consecuencias de un cambio en un sistema de muchos servicios, y para ello propone un modelo del sistema legible por máquina. Es su hipótesis de ingeniería, no un hecho demostrado.

Historia

Preguntas frecuentes sobre la noticia

¿Acelera realmente la AI el desarrollo?

Los datos son contradictorios. En un experimento controlado de GitHub y Microsoft de 2023, el grupo con Copilot escribió un servidor HTTP en JavaScript, de media, un 55,8% más rápido que el grupo de control. Pero participaron 95 desarrolladores de Upwork, solo 35 terminaron la tarea y esta se hizo desde cero. En 2025, METR reunió a 16 desarrolladores open source con experiencia y 246 tareas reales en proyectos que conocían bien. Con la AI permitida, las tareas tardaron de media un 19% más.

¿Qué se sabe sobre El cuello de botella se desplaza y la cola crece de golpe?

Tomemos un equipo de diez personas: cada una hace unos dos PR por semana, unos 20 en total. La revisión, el QA y los releases están dimensionados para ese flujo. La AI duplica la producción hasta 40 PR. La cola de revisión crece y la empresa añade revisión automática. Entonces el flujo choca con el QA, que también se automatiza, y los cambios empiezan a esperar la ventana de release. El cuello de botella no desaparece: se desplaza hacia donde falta capacidad.

¿Qué se sabe sobre Qué cambiar: verificaciones según el riesgo y control independiente?

El autor propone replantear la arquitectura de la entrega en lugar de limitarse a automatizar cada etapa. Hoy, la corrección del texto de un error y un nuevo algoritmo de cálculo de comisiones pasan por el mismo pipeline. En el modelo Risk-Adaptive Delivery, todos los cambios cumplen un mínimo obligatorio y las verificaciones adicionales dependen de lo que se toque. Para la documentación basta con comprobar el formato y los enlaces.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…