El 42% del código ya lo escribe la IA y el 96% desconfía

Las herramientas de programación asistida por inteligencia artificial ya pueden generar miles de líneas de código en minutos, ayudando a las empresas a construir funcionalidades, correr pruebas y arreglar problemas más rápido. Pero esa avalancha de código generado por máquina sigue teniendo que ser revisada.

Los modelos de lenguaje de gran tamaño pueden producir código que se ve limpio en la superficie mientras esconde errores descuidados: supuestos equivocados, vulnerabilidades de seguridad o fallas sutiles que solo aparecen después del despliegue. Corregir esos problemas podría borrar por completo las ganancias de productividad que la tecnología promete.

Las compañías están respondiendo al aluvión repensando cómo revisan el código. Están apareciendo estrategias nuevas: examinar los planes antes de que el modelo empiece a escribir, desplegar agentes especializados para cazar fallas de rutina, derivar los cambios riesgosos a revisores humanos, o exigirle al desarrollador que defienda con sus propias palabras lo que produjo su agente.

¿Cuánto código está escribiendo realmente la IA?

En una encuesta a más de 1.100 desarrolladores realizada por Sonar, una empresa emergente de verificación de código, los encuestados estimaron que la inteligencia artificial aportó el 42% del código que incorporaron a bases compartidas. Sin embargo, aunque los desarrolladores encontraron útil a la IA para explicar y prototipar, el 96% no confía plenamente en que su salida funcione correctamente.

Los inversionistas ven una oportunidad en cerrar esa brecha. En agosto, por ejemplo, la empresa de revisión de código con IA CodeRabbit levantó 143 millones de dólares con una valoración de 1.500 millones, mientras declara realizar más de 2 millones de revisiones semanales para 17.000 clientes, entre ellos Nvidia, Indeed y el Grupo BMW.

¿Dónde se trasladó el cuello de botella?

El código escrito por máquina está desplazando el punto de congestión desde la generación de software hacia su revisión. Según el estudio de Sonar, un 38% de los desarrolladores dijo que revisar código generado por IA exige "más esfuerzo" que revisar el de un colega humano. Un 61% afirmó que la IA producía con frecuencia código que parecía correcto pero era "poco confiable".

Estas son las cifras de impacto que reportan las empresas consultadas:

Para Synthesia, plataforma de generación de video con IA, la revisión pasó a ser esencial. En noviembre de 2025 sus 118 ingenieros apostaron de lleno por herramientas como Claude Code, y el resultado fue un alza masiva de volumen, según su director de tecnología, Peter Hill.

"No sé si alguna vez llegaremos al punto en que puedas confiar de verdad en la generación agéntica de código", dice Hill.

Un problema recurrente es la duplicación. Hill señala que las herramientas pueden no reconocer que ya existe código para una tarea, y escriben otra versión porque tienen contexto limitado. Synthesia ha encontrado hasta diez versiones de la misma función, dejando a los ingenieros la tarea de identificar y eliminar las redundantes. Una vez hecho eso, reentrenan al agente para que no vuelva a ocurrir.

Agentes que revisan antes que las personas

Algunos equipos intentan prevenir los problemas antes de que el modelo escriba una sola línea.

McLaren Stanley, ingeniero principal sénior en Amazon Stores, está usando IA para modernizar 17 años de código que sostienen la aplicación móvil de compras de Amazon. Con la máquina escribiendo, dice Stanley, los ingenieros dedican más tiempo a decidir qué debe hacer antes de que empiece la generación.

Buena parte de ese trabajo consiste en redactar una "especificación", un plan detallado de qué debe construir el agente y cómo. Stanley recuerda cómo una instrucción faltante llevó a un agente a generar 25.000 líneas en la versión equivocada del lenguaje Swift. Cambiar de versión produjo 600 errores que no pudo arreglar de una vez. Stanley descartó el código, actualizó la especificación y reinició al agente. Quince minutos después, lo regeneró correctamente.

David Yanacek, ingeniero principal sénior en Amazon Web Services, cuenta que la compañía usa agentes para probar si el código funciona, contrastarlo con el plan original y buscar fallas de seguridad antes de que una persona lo revise.

En Bonterra, proveedor de software para organizaciones sin fines de lucro, los agentes comparan el código con el diseño aprobado, las reglas de seguridad, los estándares de codificación y los requisitos de accesibilidad, y luego informan su nivel de confianza en el resultado. Un puntaje bajo o un problema marcado derivan el cambio a una persona. El código que toca pagos, datos personales u otros sistemas sensibles siempre recibe revisión humana.

"Los agentes hacen la lectura y los humanos hacen el juicio", dice Tanuja Korlepra, directora de tecnología de Bonterra.

Synthesia también usa agentes para decidir dónde es necesaria la revisión humana, con criterios definidos por sus ingenieros que dirigen más escrutinio hacia los cambios de mayor riesgo. Modificar un mensaje de error implica menos riesgo que tocar código que maneja datos de clientes o reglas de negocio centrales. Aun así, menos del 5% de los cambios se saltan la revisión humana.

¿Quién responde por el código?

La revisión automatizada no cambia quién es responsable del resultado. Cuando las máquinas producen más código del que los ingenieros pueden leer con atención, la aprobación humana puede degradarse a "aprobación de teatro", según JD Raimondi, arquitecto jefe de IA en la consultora Making Sense. Dicho de otro modo, un ingeniero podría confirmar que la funcionalidad opera, hojear el código y aprobarlo sin entender las decisiones que hay debajo.

Temporal, plataforma de desarrollo de código abierto, devuelve la carga a quien envía el código. Su director ejecutivo, Samar Abbas, cuenta que el volumen y los tiempos de revisión aumentaron con la IA. Bajo su política de "devolución", los ingenieros deben explicar con sus propias palabras las decisiones de diseño del agente y cómo el código maneja condiciones inusuales. De lo contrario, el revisor lo rechaza.

"Nos negamos a que la revisión de código se convierta en un basurero de salidas de modelo sin verificar", afirmó Abbas.

¿Cómo aprenden ahora los ingenieros junior?

A medida que el trabajo se desplaza desde escribir código hacia juzgarlo, las empresas están reconsiderando cómo adquieren experiencia los ingenieros que recién entran.

Los junior de Making Sense han tenido algunas de las mayores ganancias de productividad, dice Raimondi, lo que levanta dudas sobre lo que ya no aprenden haciendo. La consultora los mantiene involucrados en decidir por qué un cliente necesita una funcionalidad y cómo debería operar, en vez de limitarlos a revisar la salida del modelo.

IBM está usando la IA para darles asignaciones más difíciles antes. Neel Sundaresan, gerente general de automatización e IA de la compañía, dice que los recién egresados ahora trabajan en funcionalidades y proyectos antes reservados a ingenieros sénior. La IA ayuda a implementar y probar el código, pero si falla, los junior evalúan qué salió mal y corrigen antes de que el trabajo pase a aprobación final. Sundaresan estima que la IA puede ayudar a un ingeniero junior a ejecutar entre el 70% y el 80% de algunas tareas que antes exigían un sénior.

En Bonterra, los agentes ejecutan hoy muchas de las tareas bien definidas que antes servían para formar gente nueva. Los junior, en cambio, se hacen cargo de resultados junto a colegas con experiencia, aprendiendo a dirigir agentes, cuestionar su salida y responder por el producto final.

"Si la industria deja de contratar junior, la industria deja de producir seniors", cerró Korlepra.