Los desarrolladores de 1C se pasan a los agentes de IA: McKinsey ve una mejora de productividad de solo el 3%
Un equipo de 20 personas que desarrolla para 1C (una plataforma de contabilidad y gestión empresarial) adoptó agentes de IA en seis meses: el código escrito a mano se redujo varias veces y la revisión de código aumentó. McKinsey estima que la mejora media de productividad gracias a la IA es de apenas un 3%, y en un 30% de los equipos la productividad incluso cayó. Por eso el equipo primero definió quién revisa el código generado por IA y cuándo, y solo después se ocupó del hardware.
Procesado por IA desde Habr AI; editado por Hamidun News
Cuando los agentes de IA llegan a un equipo, todos preguntan lo mismo: ¿qué hacen ahora los desarrolladores? El responsable de un equipo de unas veinte personas publicó en Habr un informe sobre cómo recorrieron ese camino en pocos meses. El equipo está formado por desarrolladores de 1C (una plataforma rusa de contabilidad y automatización empresarial) y de stacks afines, además de testers y analistas.
El autor contrastó su experiencia con datos del sector. La cifra más sobria viene de la consultora McKinsey: la mejora media de productividad gracias a la IA ronda el 3%, y en un 30% de los equipos la productividad incluso bajó. La conclusión de McKinsey: gana no quien compra la herramienta, sino quien rediseña en torno a ella los roles y los procesos.
Por eso la historia de este equipo resulta útil como ejemplo de por dónde empezar.
Cómo evolucionó en el equipo
No había un plan. En la primavera de 2026, parte de los compañeros simplemente probaba agentes de IA en proyectos personales. En verano pasó a ser una práctica de trabajo: el código escrito a mano se redujo varias veces, pero aumentó la carga de revisión de código y de decisiones de arquitectura. A finales del verano, el equipo empezó a experimentar con generación local en hardware propio y montó una base de conocimiento común, de la que salió una base específica para 1C. Una vez por semana hay reuniones para compartir experiencias con herramientas de IA. Según el autor, sin ellas sería difícil mantener el ritmo.
En otoño incorporaron un agente en la nube como herramienta principal para todo el equipo. Antes limpiaron del código contraseñas, claves y otros datos sensibles. Por entonces lanzaron también un piloto de spec-driven development: la especificación se convierte en el artefacto principal y el código es un derivado de ella. Para evaluar los modelos usaron el proyecto de benchmarking PRISM, con la idea de no fiarse de las promesas publicitarias y probar los modelos con tareas propias.
También hubo un hallazgo desagradable: parte del equipo notó un empeoramiento del sueño y del bienestar a raíz de la inmersión brusca en la tecnología. El autor cree que esto hay que tenerlo en cuenta en el ritmo de adopción.
Qué dice la industria
Gartner prevé que la mayor parte del código lo escribirán agentes de IA y lo revisarán desarrolladores experimentados. Según su estimación, el 80% de los ingenieros tendrá que reciclarse antes de 2027. IDC describe lo mismo como un giro hacia la supervisión: plantear la tarea, verificar el resultado y refinar lo que produce el agente. Otras cifras del informe:
- La cuota de modelos locales y open-weight (de pesos abiertos) en el tráfico de tokens de la IA corporativa, según una encuesta a 200 empresas, subió del 23% al 34% en un año. Vercel observa en su gateway un aumento del 11% al 36% en tres meses.
- El alojamiento self-managed en la nube y on-premises (en infraestructura propia) se reparten el mercado casi a partes iguales: 46% frente a 42%.
- Según BlueOptima, en tareas reales de grandes empresas las herramientas de IA tienen éxito en menos del 23% de los casos. Sourcegraph explica la causa: el benchmark SWE-bench prueba repositorios pequeños e independientes, no grandes bases de código en producción.
- Gartner advierte de que, sin gestión, el gasto en tokens superará en 2028 el salario medio de un desarrollador.
- El 64% de las empresas está adoptando agentes de IA, pero solo el 33% de ellas mide el retorno de la inversión (ROI).
El autor puntualiza que las estimaciones sobre la extensión de la IA varían entre fuentes del 59% a más del 90%, por lo que conviene tomar con cautela cada porcentaje concreto.
Planes y reglas de revisión
A mediados del próximo año, los líderes de equipo recibirán un NVIDIA DGX Spark cada uno, un ordenador compacto de IA, como entorno de pruebas para experimentar con generación local. Para finales de año planean un servidor común capaz de atender a todo el equipo a la vez con un modelo de clase 400B+ (400 000 millones de parámetros o más). La especificación exacta del servidor se aplaza hasta un punto de control tras varios meses de trabajo con los entornos de pruebas. Si el servidor propio no llega a tiempo, la alternativa es un alojamiento open-weight gestionado.
La primera versión del plan hablaba más de herramientas que de proceso. Tras conocer las conclusiones de McKinsey, el equipo fijó tres reglas:
- La revisión de arquitectura se traslada al nivel de la especificación, antes de generar código.
- Para el código de IA se introduce una checklist propia: convenciones internas, casos límite de la lógica de negocio y comprobación de «alucinaciones».
- Antes de hacer merge de código de IA, una persona concreta firma el cambio; no vale un «ok por defecto».
Qué llevarse
El autor formula conclusiones para otros equipos. La IA acelera el trabajo, pero no sustituye a las personas, y conviene decirlo en voz alta desde el principio. Un benchmark propio sobre la base de código propia importa más que los rankings generales, sobre todo en plataformas de nicho como 1C. El proceso importa más que la herramienta. El bienestar del equipo forma parte del plan de adopción. Y una autoevaluación trimestral, aunque sea sencilla, ya te coloca en la minoría de empresas que calculan el ROI.
Salvedad: es la experiencia de un solo equipo, y los datos del sector proceden de fuentes distintas con metodologías distintas. Como punto de partida para un plan de adopción el material es útil, pero no como prueba de un efecto universal.
- 21 nov 2026Thinking Machines lanza Inkling 2 Mini: 26.000 millones de parámetros y 20,1 puntos en el AA Index
- 21 nov 2026MiniMind, un proyecto abierto, permite entrenar tu propio LLM desde cero por 0,42 $ en una RTX 3090
- 21 nov 2026TensorRT-LLM supera a vLLM en H100: 2780 frente a 2400 tokens/s con Llama 3.3 70B
- 21 nov 2026El agente de Empatra Studio 0.29 abarata el frontend un 59 % y se vuelve el doble de rápido
Preguntas frecuentes sobre la noticia
Cómo evolucionó en el equipo?
No había un plan. En la primavera de 2026, parte de los compañeros simplemente probaba agentes de IA en proyectos personales. En verano pasó a ser una práctica de trabajo: el código escrito a mano se redujo varias veces, pero aumentó la carga de revisión de código y de decisiones de arquitectura. A finales del verano, el equipo empezó a experimentar con generación local en hardware propio y montó una base de conocimiento común, de la que salió una base específica para 1C.
¿Qué se sabe sobre Qué dice la industria?
Gartner prevé que la mayor parte del código lo escribirán agentes de IA y lo revisarán desarrolladores experimentados. Según su estimación, el 80% de los ingenieros tendrá que reciclarse antes de 2027. IDC describe lo mismo como un giro hacia la supervisión: plantear la tarea, verificar el resultado y refinar lo que produce el agente.
¿Qué se sabe sobre Planes y reglas de revisión?
A mediados del próximo año, los líderes de equipo recibirán un NVIDIA DGX Spark cada uno, un ordenador compacto de IA, como entorno de pruebas para experimentar con generación local. Para finales de año planean un servidor común capaz de atender a todo el equipo a la vez con un modelo de clase 400B+ (400 000 millones de parámetros o más). La especificación exacta del servidor se aplaza hasta un punto de control tras varios meses de trabajo con los entornos de pruebas.
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.