Yandex muestra en AI Dev Day cómo la IA ya está cambiando el desarrollo en Avito, Ozon y T-Bank

Yandex organizó AI Dev Day y demostró, en la práctica, que la IA en el desarrollo de software ya ha dejado atrás la fase de demostración. En el escenario, empresas como Avito, Ozon, T-Bank, Sber y Yandex Go hablaron no de bombo, sino de métricas, limitaciones y lugares donde los agentes ya ahorran horas.

De los asistentes a los agentes

El cambio principal, presente en casi todas las ponencias, es que el mercado pasa de las simples sugerencias en el IDE a agentes capaces de modificar código por sí mismos, escribir pruebas, buscar información interna, hacer revisiones e incluso analizar incidentes.

Avito subrayó que el ajuste fino de modelos de código abierto para una empresa no siempre da el mejor resultado: a menudo es más importante dar a un modelo potente buen contexto, acceso a la documentación y herramientas mediante MCP. Otros equipos hacen una apuesta similar: no por un «modelo mágico», sino por una combinación operativa de agente + contexto + infraestructura.

En Yandex esto ya parece una plataforma sistémica. Alrededor del 57% de los ingenieros usa el asistente interno, y en backend y frontend la proporción llega al 60–75%. Más del 90% de la infraestructura interna ya está cubierta por servidores MCP, y entre los usuarios activos el 23% del código en modo agente se genera automáticamente. El énfasis pasa de la simple métrica de adopción a una pregunta más exigente: dónde exactamente puede trabajar el agente casi de forma autónoma, con el humano interviniendo solo en los puntos complejos.

Dónde ya hay efecto

La parte más útil de AI Dev Day no fueron las charlas sobre el futuro, sino las cifras de producción. Las empresas ya miden no solo el número de usuarios del asistente, sino también el tiempo hasta el lanzamiento, la velocidad de revisión, la calidad de las pruebas y el coste de los incidentes. En esencia, la IA empezó a evaluarse como una herramienta de ingeniería normal: si no mueve las métricas de negocio, el efecto «guau» no basta.

• En Yandex, los desarrolladores que usan IA hacen aproximadamente un 10% más de commits, y en Go, Python y JavaScript hasta un 20%; algunas tareas técnicas de los agentes se redujeron de 20 a 2 minutos.
• En T-Bank, el merge time mediano bajó un 12%, y en los equipos «embajadores» el lead time cayó un 30% en un año; la generación de pruebas unitarias se multiplicó por cuatro.
• En Ozon, unas 1100 personas usan a diario el asistente de agentes, es decir, aproximadamente un cuarto o un tercio del desarrollo, y la revisión automática en GitLab resultó tan demandada que hubo que limitar su lanzamiento.
• En Sber, un sistema de IA para diseñadores redujo la revisión de una maqueta de una hora a dos minutos, y la creación de una pantalla nueva, de 16 horas a cinco minutos.
• En Yandex Go, la IA ya ayuda a analizar unos 400 incidentes al día y ahorra aproximadamente 30 minutos por postmortem de cada caso.

También es importante que el abanico de tareas se amplía rápido. Ya no se trata solo de generar código, sino también de buscar en el conocimiento interno, checklists automáticas, apoyo a analistas, revisión de diseño y escenarios SRE. Si hace un año la IA parecía sobre todo un autocompletado inteligente, ahora se intenta integrarla en todo el SDLC, desde el planteamiento de la tarea hasta el análisis de las consecuencias en producción.

Por qué el entusiasmo es limitado

A pesar de los casos sólidos, los ponentes hablaron con bastante sobriedad de las limitaciones. En Avito dijeron sin rodeos que por ahora casi no se ve una aceleración notable de todo el ciclo de desarrollo: como máximo 4–5% en equipos concretos. El motivo es sencillo: escribir código ocupa solo una parte del tiempo de trabajo, y los cuellos de botella están en la revisión, las aprobaciones, las pruebas y la entrega de cambios. Por eso la generación masiva de código no resuelve el problema por sí sola: puede limitarse a trasladar el cuello de botella más adelante en el proceso.

La calidad y el control son otro punto doloroso. Los modelos pueden «hacer trampa» con las pruebas, simular la llamada a una herramienta, producir un diseño genérico y aburrido o equivocarse con un lenguaje específico de dominio interno. En Yandex Go, por ejemplo, los escenarios SRE acabaron pasando a prompts en inglés porque en ruso los resultados eran peores. Además, los agentes realmente útiles necesitan una base cara: observabilidad, grafo de dependencias de servicios, auditoría de cambios, catálogos de servicios y métricas de escenario adecuadas, no solo demos bonitas.

«No habrá fin del mundo.

Habrá una evolución cruel, pero fascinante.»

Por eso casi todas las ponencias se resumían en una idea: el human-in-the-loop no ha desaparecido. Ozon es cauteloso con los modelos externos por el riesgo de filtración de código. Sber tuvo que combatir por separado el diseño conservador y las alucinaciones. Yandex mide no solo el beneficio, sino también efectos secundarios como el mantenimiento del código generado. La IA aquí ya no es un juguete, pero tampoco un empleado autónomo: es más bien un acelerador que exige buenas reglas, herramientas y validación constante.

Qué significa

Tras AI Dev Day cuesta decir que la IA corporativa para desarrollo sea solo un experimento. El experimento terminó: ahora la competencia es por quién tiene mejor contexto, métricas, procesos e infraestructura. La IA no elimina a los desarrolladores, pero cambia de forma notable el precio de la rutina, el papel de la revisión y las exigencias para quienes saben gestionar agentes en lugar de limitarse a escribir código a mano.