El código se abarató. La gestión de ingeniería no

El coste de producir código plausible se ha hundido. Esa es la afirmación limitada que los responsables de ingeniería pueden hacer con seguridad; casi todo lo que va más allá sigue sin demostrarse, sostiene un director de ingeniería con más de tres años en el cargo.

El autor dice que Gemini 4 ayudó a editar notas recopiladas durante el último año, periodo en el que la organización introdujo LLMs y revisó reglas de gestión conocidas: los directores no deberían programar, el buen trabajo lleva tiempo, los equipos deben estar protegidos del negocio y el consenso debe preceder al compromiso.

La conclusión no es desechar esas reglas, sino auditar las suposiciones que las sustentan. Algunas suposiciones cambiaron cuando el código se abarató. Otras —sobre coordinación humana, confianza, atención, responsabilidad y corrección— no lo hicieron.

Mide resultados, no el volumen de código

Las afirmaciones de que las herramientas de IA han hecho que las organizaciones de ingeniería sean radicalmente más rápidas siguen sin demostrarse. Es incorrecto sostener que la revisión de código, la documentación y la incorporación de personal están obsoletas. Ejecutar la misma hoja de ruta con la mitad de la gente es una apuesta, no un hecho.

La velocidad, el número de pull requests y los tickets cerrados siempre fueron indicadores endebles. Persistieron porque el esfuerzo de escribir código era realmente escaso. Ahora que el volumen es abundante, esas métricas pueden volverse activamente engañosas. El conteo de prompts y las tasas de aceptación por IA corren el riesgo de repetir el mismo error en una forma más reciente.

Recomendado

La apuesta de IA de Shopify devuelve las tiendas al HTML

El enfoque más duradero es medir resultados de negocio y la salud del sistema, tratando el volumen de código como un coste que hay que justificar en lugar de un producto para celebrar. La primera tarea de gestión en una organización que adopta IA es una instrumentación honesta. Los ingenieros pueden sentirse más rápidos mientras entregan la misma cantidad de trabajo con más defectos, lo que lleva a decisiones erróneas sobre plantilla, planificación y compromisos de negocio.

El autor espera evidencia mejor después del cuarto trimestre de 2025, cuando se lanzó una nueva generación de modelos que «opacó por completo» las capacidades en las que se basaban informes e investigaciones anteriores. Hasta entonces, las afirmaciones de grandes aceleraciones merecen escepticismo.

La verificación se mueve, no desaparece

La IA ha reducido drásticamente el tiempo necesario para las tareas de infraestructura: servicios de andamiaje, generación de pruebas, traducción entre frameworks y redacción de migraciones. Los plazos basados en esos costes deberían comprimirse.

La corrección es más complicada. La verificación mecánica —tipos, pruebas, contratos, reglas de lint, invariantes y métricas canario— puede automatizarse a una velocidad que ningún revisor humano puede igualar. Los agentes pueden ejecutar un ciclo de pruebas, inspeccionar el fallo, modificar el diff y repetirlo rápidamente.

Esa ventaja depende de que alguien ya haya definido la corrección en una forma verificable por máquina. La verificación semántica sigue siendo más lenta: si el código implementa la política que necesita el negocio, refleja la exposición regulatoria o toma la decisión correcta. Los sistemas de IA que revisan trabajo generado por IA comparten datos de entrenamiento, sesgos y puntos ciegos, lo que permite que tanto el generador como el verificador fallen de la misma manera.

Se derivan tres consecuencias:

• El coste unitario cae mientras que la carga de trabajo total puede aumentar. La verificación barata fomenta más generación, lo que crea más material que verificar.
• El límite de la verificación es estratégico. Especificaciones sólidas, contratos e invariantes permiten a los equipos capturar más del beneficio.
• La responsabilidad sigue siendo humana. La aprobación es aceptación de riesgo, no mero procesamiento de información, y la persona que aprueba un resultado sigue absorbiendo las consecuencias de un fallo.

La limitación está pasando de la velocidad de verificación a la calidad de las especificaciones y la propiedad humana.

La canalización de talento junior sigue sin resolverse

La industria aún no sabe cómo formar a los ingenieros para este entorno. El juicio que se espera de los ingenieros senior históricamente se construía a través de pequeñas correcciones de errores, plantillas repetitivas y la experiencia de quedarse atascado y salir de ese estado —el mismo trabajo que las herramientas de IA absorben cada vez más.

Si las máquinas eliminan esa práctica, la canalización de ingenieros senior podría debilitarse con un retraso de tres a cinco años. Las posibles respuestas incluyen la revisión estructurada de código generado, ejercicios deliberados sin asistencia, rotaciones por pruebas y verificación y una exposición más temprana a sistemas reales bajo una supervisión sénior estrecha. El autor está probando algunos de estos enfoques pero aún no puede decir si funcionan.

Cualquiera que afirme haber resuelto el problema —ya sea un proveedor, un ensayista o un conferenciante— está vendiendo certeza que la evidencia no respalda.

Actualizar las viejas reglas de gestión

Un director no debería convertirse en un cuello de botella de código, pero los directores también necesitan suficiente contacto directo con las herramientas y los resultados para distinguir la velocidad genuina de los errores numerosos y confiados. La respuesta es calibración, no retirada total.

Proteger a los equipos del negocio preservaba la atención escasa y reducía el costoso cambio de contexto. Esas limitaciones siguen vigentes. Pero los ingenieros que usan IA sin contexto comercial ahora pueden producir trabajo plausible e incorrecto a gran escala. Los líderes deben filtrar el contexto deliberadamente en lugar de eliminarlo por defecto.

El consenso sigue tratándose de coordinación y compromiso, pero la reversibilidad barata cambia qué decisiones lo requieren. Las decisiones reversibles de “dos vías” deben tomarse rápidamente por el grupo viable más pequeño; las elecciones irreversibles aún justifican un proceso más lento. Las organizaciones con frecuencia clasifican mal ambas.

El número de empleados también merece un escrutinio más riguroso porque la economía del output cambió. Los líderes deben preguntarse qué trabajo requiere juicio y cuál consiste en producción que puede acelerarse. Sin embargo, los costes de coordinación, la fricción de incorporación y la sobrecarga de comunicación siguen presentes, por lo que añadir personas a un proyecto retrasado todavía puede atrasarlo más.

La misma distinción se aplica a la propia gestión. Los LLMs pueden enrutar información, resumir el estado, ensamblar paneles y prever calendarios. Una capa de gestión cuyo valor radica principalmente en resumir Jira es vulnerable. Contratar, despedir, ascender, el juicio contextual y la asunción de responsabilidad por una mala decisión son cosas diferentes: las recomendaciones generadas siguen requiriendo que un humano las compare con la realidad y asuma las consecuencias.

Es probable que esto suponga un cambio hacia los gerentes como editores y propietarios, no una prueba de que la gestión ha desaparecido. El comportamiento organizacional también depende de la confianza, el conocimiento informal y las consecuencias de decisiones pasadas —gran parte de lo cual está ausente del registro escrito. Los modelos tienden a reproducir el juicio de la organización mediana. La diferenciación radica en las decisiones que una empresa se niega a delegar.