El 83% de los equipos usa IA, pero solo el 24% lleva su código a sistemas en producción
El código con IA aparece en cuestión de minutos, pero después siguen la revisión, las correcciones, las pruebas y el lanzamiento. Según la encuesta de SimpleOne, el 83% de los equipos usa IA, pero solo el 24% lleva a los sistemas en producción los cambios creados con ella. Un ejemplo: una tarea de 16 horas con IA se queda en 11,5 horas (un ahorro de alrededor del 28%), y si los requisitos se entienden mal, sube a 15,5 horas. Por eso conviene medir el beneficio por la tarea completa aceptada, no por la velocidad de generación.
Procesado por IA desde Habr AI; editado por Hamidun News
Una red neuronal escribe código en media hora, pero eso no significa que la mejora llegue antes a los usuarios. Según una encuesta de la compañía SimpleOne, el 83% de los equipos de desarrollo ya usa IA, pero solo el 24% afirma que lleva a los sistemas en producción, es decir, a producción, los cambios creados con su ayuda. El resto se atasca en la revisión, las correcciones y las pruebas.
Imagine una tarea que antes llevaba 16 horas: la IA generó el código en 30 minutos, después los desarrolladores dedicaron cuatro horas a revisarlo y otras cinco a corregirlo. Si va a incorporar IA en su equipo, conviene aplicar estas cifras a sus propios procesos: lo que hay que medir no es la rapidez con que aparece el código, sino el tiempo hasta el lanzamiento.
Qué mostró la encuesta
En el estudio de SimpleOne respondieron 71 personas: un 46% de responsables de desarrollo, un 24% de desarrolladores, un 15% de analistas y un 15% de otros perfiles. El 71% de los encuestados trabaja en empresas de más de 1000 empleados. La muestra es pequeña y la encuesta la realizó un proveedor con su propia plataforma, así que sirve más como referencia que como estadística del mercado.
En el 41% de los casos, empleados concretos experimentan con IA por iniciativa propia, y otro 18% realiza pilotos de equipo. Ese 24% es el que habla de un uso regular, en el que el resultado llega a producción. Otro 23% no supo decir qué proporción del código y las configuraciones creados con IA llega a producción. Es posible que esos cambios se lancen, pero nadie los registra por separado, y entonces el responsable no tiene cómo demostrar la utilidad de la herramienta.
Como principal obstáculo, el 68% citó el riesgo de fuga de código o datos y el 23%, los requisitos de los reguladores. La calidad del resultado preocupa al 48%. Casi la mitad (48%) espera una aceleración de al menos una vez y media, y otro 31% no sabe estimar el efecto.
Cómo desaparece la ganancia
Los autores presentan un cálculo sencillo. Una tarea habitual son 16 horas. Con IA: dos horas para describir la tarea, media hora de generación, cuatro horas de revisión y cinco de correcciones. En total, 11,5 horas, un ahorro de 4,5 horas, o alrededor del 28%.
Ahora supongamos que el agente entendió mal los requisitos. Las correcciones llevan nueve horas en lugar de cinco y el total es de 15,5 horas. La generación sigue durando media hora, pero la ganancia casi ha desaparecido. A ello hay que sumar el coste del modelo.
Las pruebas son otra trampa. Si el agente escribe tanto la implementación como las pruebas a partir de una misma descripción, puede equivocarse igual en ambos sitios. Un ejemplo: el responsable de soporte pide ver el porcentaje de tareas resueltas a tiempo. El agente cuenta todas las solicitudes cerradas, incluidas las canceladas y las rechazadas, escribe una prueba para ese cálculo y la supera sin problemas. En pantalla aparece una cifra que no se corresponde con las reglas del servicio. Por eso los criterios de aceptación se acuerdan antes de la generación: el responsable del proceso decide qué estados cuentan como resueltos y el ingeniero contrasta el cálculo con un conjunto de registros de referencia.
Caso: un panel en 17 horas y $20
En el webinar de SimpleGen, un product owner mostró cómo los agentes llevaron una tarea desde los requisitos hasta su instalación en un entorno de pruebas. Hacía falta un panel para el responsable de soporte: filtros por periodo, grupo y tipo de tarea, flujo de solicitudes, velocidad de tramitación, cuellos de botella y valores objetivo con resaltado de incumplimientos. La generación, que dura muchas horas, se ejecutó de antemano.
- El agente le hizo al autor 28 preguntas aclaratorias y detectó una discrepancia con el entorno: el planteamiento mencionaba tres tablas de tareas, pero en el entorno había diez tablas heredadas.
- Un segundo agente revisó la especificación; hicieron falta 11 iteraciones y 5,5 horas.
- La planificación llevó otra hora y media: 11 fases y 42 tareas con dependencias.
- El entorno devolvió un error dos veces por una indicación larga en ruso, y la recreación de un formulario creado automáticamente hubo que resolverla sincronizando el entorno con el repositorio.
- La revisión de código encontró un valor por defecto incorrecto, permisos de acceso insuficientes al informe y una etiqueta errónea.
- En el navegador, el agente completó 25 de los 28 pasos del escenario en siete minutos; tres pasos requerían una autenticación que, según las normas internas, el agente no realiza. Aparecieron un bloque vacío y unas indicaciones invisibles.
En total se emplearon unas 17 horas, contando aprobaciones y pausas. El paquete se instaló en un entorno limpio sin conflictos, errores ni advertencias. En Claude Code se consumieron 786 330 tokens, y todo cupo en la suscripción mensual de $20 con el modelo Opus 5. Por API, los tokens de salida habrían costado $19,66, pero los de entrada añadirían una suma que depende del volumen de contexto.
Qué hacer en la práctica
La brecha entre la práctica y los deseos se nota más en las pruebas: hoy la IA ayuda con ellas al 26% de los participantes, y el 61% se las confiaría a agentes. En el análisis de errores las cifras son 28% y 54%, y en la revisión de código, 26% y 46%. El 60% escribe código con IA, mientras que el 46% se lo cedería a un agente. Solo el 23% usa IA en todas las etapas del ciclo de vida.
Tome la última mejora hecha con IA y anote el tiempo dedicado a plantear la tarea, generar, revisar, corregir y lanzar. Es posible que el código apareciera en media hora y que los días se fueran en aclaraciones y verificación. Ahí es donde conviene incorporar al siguiente agente, definiendo de antemano a qué repositorios, entornos y datos tiene acceso. Y recuerde las limitaciones: el caso lo presentó el propio proveedor y las 17 horas no se compararon con un desarrollo manual.
- 30 abr 2026Hugging Face: los modelos open source chinos superan a EE. UU. en descargas de IA
- 2 may 2026IA para empresas: cómo implantar agentes de IA en la práctica
- 2 may 2026Forrester: el miedo a los despidos por la IA frena su adopción en las empresas
- 24 jul 2026OpenAI muestra cómo las redacciones de todo el mundo usan su IA en el periodismo
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué mostró la encuesta?
En el estudio de SimpleOne respondieron 71 personas: un 46% de responsables de desarrollo, un 24% de desarrolladores, un 15% de analistas y un 15% de otros perfiles. El 71% de los encuestados trabaja en empresas de más de 1000 empleados. La muestra es pequeña y la encuesta la realizó un proveedor con su propia plataforma, así que sirve más como referencia que como estadística del mercado. En el 41% de los casos, empleados concretos experimentan con IA por iniciativa propia, y otro 18% realiza pilotos de equipo.
Cómo desaparece la ganancia?
Los autores presentan un cálculo sencillo. Una tarea habitual son 16 horas. Con IA: dos horas para describir la tarea, media hora de generación, cuatro horas de revisión y cinco de correcciones. En total, 11,5 horas, un ahorro de 4,5 horas, o alrededor del 28%. Ahora supongamos que el agente entendió mal los requisitos. Las correcciones llevan nueve horas en lugar de cinco y el total es de 15,5 horas. La generación sigue durando media hora, pero la ganancia casi ha desaparecido.
¿Qué se sabe sobre Caso: un panel en 17 horas y $20?
En el webinar de SimpleGen, un product owner mostró cómo los agentes llevaron una tarea desde los requisitos hasta su instalación en un entorno de pruebas. Hacía falta un panel para el responsable de soporte: filtros por periodo, grupo y tipo de tarea, flujo de solicitudes, velocidad de tramitación, cuellos de botella y valores objetivo con resaltado de incumplimientos. La generación, que dura muchas horas, se ejecutó de antemano.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.