Los agentes de codificación autónomos elevaron la actividad de commits de los desarrolladores un 240% acumulado. Las releases — la etapa en la que el software llega a un cliente — subieron un 30% (Demirer, Musolff & Yang, NBER, 2026). Mismos desarrolladores, mismas herramientas, mismo estudio, misma ventana. Ocho décimas partes de la ganancia medida nunca salieron de la empresa.
Esa brecha es la forma de la mayoría de los business cases de IA escritos este año. El piloto instrumenta la etapa que la herramienta acelera. Nadie instrumenta la etapa que gobierna la entrega, porque a esa etapa no hay ninguna cuota de licencia asociada.
El paper se titula Writing Code vs. Shipping Code, y la distinción del título es el hallazgo completo. Las ganancias de productividad de la IA son reales, grandes y se miden a nivel de tarea. Llegan al cliente con un descuento severo.
Qué ve un estudio de 500.000 desarrolladores que un piloto no puede ver
Mert Demirer (MIT Sloan), Leon Musolff y Liyuan Yang emparejaron telemetría de uso de IA con más de 500.000 desarrolladores de GitHub en un diseño de event study emparejado, y luego siguieron el efecto a lo largo de generaciones sucesivas de herramientas (NBER Working Paper 35275, 2026).
Los resultados por generación merecen mantenerse aparte, porque son la parte que la mayoría de lectores querrá citar:
- Autocompletado: +30% de efecto acumulado sobre los commits
- Agentes de codificación interactivos: +180%
- Agentes de codificación autónomos: +240%
Cada generación es un salto real. Quien sostenga que las herramientas agénticas no mueven el rendimiento a nivel de tarea está discutiendo contra una muestra muy grande.
Luego la atenuación. Ese efecto del 240% sobre los commits cae al 80% en número de proyectos y al 30% en releases efectivas. Y cuando los autores salieron de GitHub hacia cuatro grandes marketplaces de software, encontraron un fuerte aumento en el número de aplicaciones nuevas y ningún aumento en el uso total.
Más código escrito. Algunos proyectos más iniciados. Un poco más entregado. Nada más usado.
El resultado de los marketplaces merece peso propio, porque descarta una lectura cómoda. Una explicación basada solo en el cuello de botella predeciría un atasco — producto esperando detrás de una puerta, recuperable una vez que la puerta se ensanche. Pero las aplicaciones nuevas crecieron mientras el uso total no, lo que apunta a algo más allá de la etapa de release: el mercado absorbió más oferta sin generar más demanda. Parte de la ganancia ausente está en cola detrás de la revisión humana. Parte nunca iba a convertirse en valor, porque más producción de algo que nadie pidió no es producción. Ambas lecturas deberían volver cauto a un operador ante un business case que convierte la velocidad de tarea directamente en ingresos.
Por qué las ganancias de productividad de la IA mueren antes de la última etapa
La explicación de los autores es la hipótesis del eslabón débil, más antigua y mejor asentada que cualquier cosa específica de la IA: en una cadena de producción de varias etapas, la producción total la gobierna la etapa menos mejorada, no la media.
Escribir código es una etapa. La revisión, las pruebas de integración, el visto bueno de seguridad, la aprobación de release y el despliegue son las otras — y ninguna generación de herramienta de codificación las tocó. Así que la restricción se movió. No desapareció: se trasladó a la primera puerta humana aguas abajo de la aceleración.
El número de la elasticidad es el argumento
El paper le pone un coeficiente: una elasticidad de sustitución estimada de 0,23 entre IA y esfuerzo humano (Demirer et al., NBER, 2026).
Léelo sin adornos. Una elasticidad baja significa complementariedad fuerte. La IA y las personas aguas abajo no son sustitutos compitiendo por el mismo trabajo: son insumos que se necesitan mutuamente en proporción aproximada. Triplica uno sin tocar el otro y no obtienes el triple de producción. Obtienes una cola.
Este es el número para poner delante de cualquiera cuyo plan asuma en silencio que un agente suficientemente bueno acabará absorbiendo también al revisor. La mejor estimación disponible dice lo contrario, y lo dice con un decimal.
Tu pipeline tiene la misma forma
El software es el escenario, no el alcance. La estructura que produjo este resultado — etapas secuenciales, trabajo acelerable por máquina al principio, puertas de juicio humano al final — es la estructura de casi todo proceso operativo en una empresa de 50 a 500 FTE.
Order-to-cash: generar la cotización es automatizable; la aprobación de crédito y el manejo de excepciones no. Hire-to-onboard: sourcing y cribado son automatizables; la decisión de oferta y los traspasos de la primera semana no. Ticket-to-resolution: triaje y redacción son automatizables; el juicio de escalado no.
En cada caso el presupuesto de IA se sienta en la etapa inicial y el techo de capacidad está en la final.
Cómo encontrar tu eslabón débil en una tarde
El diagnóstico no requiere herramientas nuevas. Toma un proceso y escribe sus etapas de principio a fin — seis o siete es lo típico. Para cada etapa marca dos cosas: si la IA la tocó en los últimos doce meses, y qué aspecto tiene hoy la cola delante de ella.
El eslabón débil es casi siempre la primera etapa que responde no a la primera pregunta y creciendo a la segunda. Normalmente será una etapa atendida por una o dos personas senior que ya eran el punto de escalado antes de que todo esto empezara, que es precisamente por qué nadie propuso automatizarla y precisamente por qué no puede absorber más volumen.
Luego haz la pregunta que reencuadra la conversación presupuestaria: si esta etapa procesara un 20% más de unidades por semana, ¿cuánto valdría eso? Compáralo con el coste del siguiente tramo de licencias aguas arriba. En la mayoría de pipelines del mid-market la comparación ni siquiera está reñida.
La evidencia independiente dice que este desalineamiento es casi universal. La telemetría conductual sobre 120.620 trabajadores encontró solo un 2% en madurez de integración en el flujo de trabajo — usar IA dentro de un proceso rediseñado en lugar de como consulta lateral, con un 27% todavía en simple asistencia a la investigación (ActivTrak Productivity Lab, 2026). Si el 98% de la adopción ocurre alrededor del proceso y no dentro de él, las etapas aguas abajo nunca estuvieron en el alcance.
Los datos de producción apuntan a lo mismo desde el extremo opuesto. Un estudio de uso de agente frente a búsqueda encontró tareas emparejadas completadas en 36 minutos frente a 269, una reducción de tiempo del 87% — mientras el trabajo posterior se desplazaba hacia arriba, a verificación y extensión, en lugar de desaparecer (Perplexity & HBS, arXiv, 2026). El trabajo humano no se fue. Se mudó a la etapa que no estabas midiendo.
La puerta que no financiaste es también la cara
Dos hallazgos más hacen que la etapa aguas abajo sea más difícil de ignorar que un simple problema de colas.
Primero, cuesta más que la herramienta. El análisis de McKinsey QuantumBlack sobre la economía unitaria de los agentes encontró que para un agente de atención al cliente bancario los costes de tokens representan apenas el 20–25% de los costes variables de ejecución, mientras que la supervisión humana supone el 70–75% (McKinsey QuantumBlack, 2026). La etapa que tu business case trata como gasto general gratuito es la mayor parte del coste operativo.
Segundo, se degrada bajo carga. Una encuesta a 2.500 trabajadores del conocimiento encontró que el 42% dedica más tiempo a verificar la salida de la IA del que ahorra usándola, y que el 52% corrige habitualmente trabajo generado por IA producido por colegas (Adaptavist, 2026). Empuja más volumen a través de una etapa de revisión sin cambios y los revisores lo absorben como retrabajo — que es exactamente cómo una ganancia aguas arriba del 240% se convierte en una del 30% aguas abajo.
Así que el eslabón débil no es solo lento. Es el centro de coste, y ya está saturado.
La objeción honesta
Tres límites, dichos antes de que los diga otro.
Los autores tienen una relación declarada con un proveedor. Demirer y Musolff ocuparon ambos puestos postdoctorales de investigación en Microsoft y hoy trabajan como consultores de investigación remunerados para la compañía — declarado en el propio working paper. El hallazgo va en contra del interés comercial (pone techo al efecto de producción reclamable para las herramientas de codificación), que es la dirección que vuelve un conflicto menos preocupante. Anótalo igualmente.
Las estimaciones se movieron entre borradores, y eso importa para cómo las citas. La versión de mayo de 2026 reportaba una muestra menor y coeficientes distintos; la revisión de septiembre de 2026 reporta más de 500.000 desarrolladores, los efectos generacionales del 30/180/240% y la elasticidad de 0,23. El patrón de atenuación se mantuvo en ambas. Si citas una cifra de este paper en un board deck, cita la revisión vigente y féchala — los working papers no son resultados cerrados, y los que vale la pena citar son aquellos cuya forma sobrevive a la revisión.
Un sector no es todos los sectores. El software tiene fronteras de etapa inusualmente limpias y telemetría inusualmente buena. Tu cierre financiero o tu cadena de fulfilment pueden tener implicación humana más profunda en cada etapa, lo que comprimiría tanto la ganancia aguas arriba como la atenuación. La dirección se transfiere. Las magnitudes no son tuyas hasta que las midas.
Qué decidir este trimestre
Cuatro movimientos. Tres no cuestan nada más que atención.
- Nombra la última puerta humana de un proceso. No al dueño del proceso — el paso concreto de aprobación, revisión o firma que cada unidad de trabajo debe atravesar antes de contar como entregada. Si no puedes nombrarlo en una frase, ese es el hallazgo.
- Mide las dos etapas por separado. Tu métrica actual casi con certeza cuenta actividad en la etapa acelerada: borradores producidos, tickets triados, cotizaciones generadas. Añade un contador en la etapa de entrega. La razón entre ambos es tu atenuación, y es el único número de este artículo que trata de verdad sobre tu empresa.
- Mueve aguas abajo el próximo incremento de presupuesto de IA. Si el resultado del eslabón débil se sostiene en tu pipeline, el retorno marginal de otra licencia aguas arriba es casi cero y el retorno marginal de desbloquear la puerta es todo lo que esa puerta está reteniendo. Eso es una reasignación, no gasto nuevo.
- Rediseña la puerta antes de ensanchar el embudo. Subir el volumen aguas arriba contra una etapa de revisión inalterada produce cola y retrabajo, no producción. Invierte la secuencia: arregla la puerta, y luego deja pasar el volumen.
Tus ganancias de productividad de la IA son reales. El estudio lo dice, a una escala que ningún piloto interno alcanzará jamás.
También están paradas en una cola detrás de una persona que nadie presupuestó. La pregunta de este trimestre no es cuánto más rápido puede producir trabajo tu equipo. Es cuánto de ese trabajo puede todavía terminar tu organización.
