Las tecnológicas convierten el uso de AI en una carrera: comparan a los programadores por actividad

En las empresas tecnológicas, el uso de AI para el desarrollo deja de ser un hábito opcional y pasa a formar parte de la cultura interna. En algunos equipos, esto ya ha llegado a rankings en los que se compara a los empleados por su actividad en herramientas de AI, y al mismo tiempo crecen las facturas de los modelos.

Cómo AI pasó a formar parte del trabajo

Hasta hace poco, las herramientas generativas en el desarrollo se percibían como una ayuda cómoda para tareas concretas: completar una función, explicar un error, montar rápidamente un borrador de test.

Ahora el enfoque está cambiando. Para muchos equipos, AI se está convirtiendo en una capa constante sobre el trabajo cotidiano: los programadores recurren a él al escribir código, hacer refactoring, buscar bugs y preparar documentación.

Cuando esta práctica se vuelve masiva, los responsables empiezan a mirar no solo el resultado final, sino también la propia intensidad de uso de estos sistemas.

En este contexto, en algunas empresas han aparecido tablas internas que muestran quién trabaja con AI y con qué intensidad. En esencia, ya no se trata de un conjunto personal de hábitos, sino de una nueva métrica de productividad.

Si antes se hablaba de velocidad de desarrollo, número de releases o tareas cerradas, ahora puede aparecer a su lado otro indicador: el volumen de prompts a los modelos, la frecuencia de las sesiones o la proporción de tareas realizadas con ayuda de AI. El mero hecho de que surjan estos rankings habla de un cambio: AI empieza a considerarse casi como un recurso de trabajo.

Por qué esto se ha convertido en una carrera

Cuando aparece un leaderboard dentro de la empresa, cualquier herramienta deja rápidamente de ser neutral. Empieza a influir en el comportamiento del equipo.

Los empleados ven que el uso de AI no solo está permitido, sino que además es visible y, posiblemente, incentivado. En ese entorno surge una carrera natural: quién dominará antes los nuevos escenarios, quién recurre al modelo con más frecuencia y quién muestra un mayor nivel de implicación.

Para una parte de los desarrolladores, esto es una forma de acelerar, pero para otros es una presión adicional, porque la utilidad de AI empieza a confundirse con la cantidad de veces que se recurre a él.

• Escribir código borrador más rápido
• Reducir el tiempo dedicado a encontrar errores
• Generar plantillas de documentación y tests
• Aumentar la visibilidad personal dentro del equipo

El problema es que estos rankings miden actividad, no calidad.

Las solicitudes frecuentes al modelo aún no significan un trabajo de ingeniería sólido. Un desarrollador puede dedicar menos tiempo a la rutina y salir ganando, o puede simplemente sobrecargar el sistema con aclaraciones interminables y copiar el resultado en bruto sin verificarlo.

Como resultado, una métrica concebida para mostrar progreso en la adaptación a nuevas herramientas corre el riesgo de convertirse en competición por la competición.

Esto se nota especialmente allí donde los managers aún no han definido reglas claras: qué se considera exactamente un uso eficaz de AI y qué no es más que agitación vacía.

El precio del uso masivo

Este modelo también tiene un lado muy terrenal: el dinero.

Cuanto más activamente trabajan los empleados con los modelos, mayores son los gastos de la empresa en computación y suscripciones. Si AI se convierte en una herramienta cotidiana para decenas o cientos de desarrolladores, la factura deja de ser una partida experimental casi imperceptible. Pasa a convertirse en una carga operativa tangible.

Por eso la noticia sobre rankings viene acompañada a la vez de menciones a facturas abultadas: la implantación masiva de asistentes de AI aporta velocidad, pero casi siempre incrementa el coste de cada jornada de trabajo, especialmente cuando se usan modelos potentes.

Para las empresas, esto crea un nuevo equilibrio.

Por un lado, AI realmente puede eliminar rutina, acelerar la búsqueda de soluciones y descargar a los ingenieros sénior de parte de las preguntas repetitivas.

Por otro, las empresas tendrán que calcular la economía con más cuidado: dónde la automatización compensa y dónde los costes crecen más deprisa que el retorno real.

El siguiente paso lógico no es solo registrar la actividad de los empleados, sino compararla con el resultado: velocidad de releases, número de defectos, calidad del código tras el review e impacto en las métricas de producto.

De lo contrario, los leaderboards mostrarán mucho movimiento, pero poco sentido.

Qué significa esto

AI en el desarrollo está recorriendo rápidamente el camino que va de herramienta personal de entusiastas a norma corporativa con KPIs, rankings y presupuestos.

La siguiente pregunta para la industria ya no es si hay que usar modelos, sino cómo medir su utilidad real: por el número de prompts o por la calidad del resultado.