Código generado por IA: el rol de la supervisión en una célula de desarrollo con IA
- Por Amparo Silva | Amsoft
Introducción
La pregunta sobre si la inteligencia artificial debería escribir código en las empresas ya está resuelta: la respuesta es sí. Según la Encuesta de Desarrolladores 2025 de Stack Overflow, el 80% de los desarrolladores ya usa IA en su flujo de trabajo. La pregunta que reemplazó a esa es más incómoda: ¿cuánto de ese código se puede usar sin revisión?
La misma encuesta contradice el optimismo inicial. La confianza en la exactitud del código generado por IA cayó del 40% al 29% en un año. El 45% de los desarrolladores identifica como su principal frustración lidiar con soluciones “casi correctas, pero no del todo”. Ese problema consume más tiempo de depuración que escribir el código desde cero en el 66% de los casos.
GitClear analizó 623 millones de cambios de código entre 2023 y 2026. La duplicación de bloques de código aumentó 81% respecto a 2023, mientras el código refactorizado cayó de 21% a solo 3,8%. Veracode evaluó más de 100 modelos de lenguaje en Java, JavaScript, Python y C#. El código generado introdujo fallas de seguridad explotables en el 45% de las pruebas.
En Chile, el fenómeno recién comienza a manifestarse. Según MAS Analytics, citado por El Líbero, un 28,3% de las compañías chilenas declara estar en fase de implementación de IA. Solo el 3,6% ha escalado sus iniciativas con retornos medibles. El Índice ILIA 2025, de CENIA y CEPAL, ubica a Chile primero en la región, aunque en el puesto 12 de 19 en adopción de IA privada. Este artículo examina qué puede hacer hoy la IA en desarrollo de software y qué riesgos introduce sin supervisión. También explica cómo AI Dev Cell de Amsoft combina generación de código con revisión experta.
1. Lo que la IA realmente puede hacer en desarrollo de software hoy: sin hype
1.1 Las tareas donde la IA agrega valor comprobado
Cuando se aplica a tareas acotadas y con criterio humano en el circuito de revisión, la IA en desarrollo de software entrega resultados medibles. Según McKinsey, los equipos de mejor desempeño en el uso de IA generativa registran entre 16% y 30% de mejora en el tiempo de llegada al mercado, respecto a los equipos de peor desempeño. La diferencia en calidad del software es de entre 31% y 45%. Estas cifras no describen la sustitución del desarrollador. Describen la aceleración de tareas específicas: generación de código repetitivo, redacción de pruebas unitarias, documentación técnica y primeras versiones de funciones bien delimitadas.
La generación de boilerplate, la traducción entre lenguajes o frameworks y la detección de patrones de vulnerabilidad conocidos son terrenos donde los modelos actuales muestran consistencia. El boilerplate es el código de estructura repetitiva que todo proyecto necesita, pero que aporta poco valor diferencial. Un desarrollador que antes destinaba una hora a escribir pruebas unitarias para un módulo puede hacerlo en minutos con asistencia de IA bien configurada. Solo necesita revisar y ajustar la primera versión generada. El valor real está en liberar tiempo humano para las decisiones que ningún modelo toma por sí solo. Eso incluye el diseño de la arquitectura y la revisión final de lo que la IA entregó.
1.2 El límite entre asistencia y automatización completa
Existe una frontera clara entre usar IA como asistente dentro de un proceso de desarrollo gobernado y delegarle la autoría completa de una aplicación a partir de un prompt. Esta práctica se conoce en la industria como vibe coding: generar software completo describiendo el resultado deseado en lenguaje natural, sin revisar cada línea generada. La misma Encuesta de Desarrolladores 2025 de Stack Overflow muestra que el 72% de los profesionales no considera el vibe coding parte de su trabajo profesional. Otro 5% declara no practicarlo en ningún caso. Ese escepticismo refleja experiencia acumulada sobre dónde falla el enfoque cuando no hay revisión humana en el circuito.
Los agentes de IA ejecutan tareas de desarrollo de forma más autónoma que un simple autocompletado. Sin embargo, todavía están en una etapa temprana de adopción real. El 52% de los desarrolladores afirma que los agentes ya afectan su forma de trabajar, pero el beneficio que reportan es individual. Un 69% dice sentir mayor productividad personal, no una transformación del proceso de desarrollo en su conjunto. La distinción importa para cualquier empresa que evalúe dónde delegar. Hay una diferencia operativa entre acelerar a un desarrollador experimentado y reemplazar el criterio que ese desarrollador aporta al proyecto.
2. Qué pasa cuando falta supervisión: los riesgos del código generado por IA
2.1 La deuda técnica que no se ve en el primer commit
El problema del código generado por IA rara vez aparece en la revisión inicial. Aparece meses después, cuando el equipo intenta modificar o escalar lo que se construyó rápido. GitClear documentó que entre 2023 y lo que va de 2026 la conectividad entre funciones cayó 35%. Esa conectividad mide cuánto reutiliza el código nuevo lo que ya existe en el repositorio. El mantenimiento de código con más de doce meses de antigüedad, es decir, la actualización de código legado, se redujo 74% respecto a 2023. En paralelo, la duplicación de bloques de código completos subió a su nivel más alto registrado, un 81% por encima de 2023.
Estos números describen un patrón. El código generado por IA tiende a resolver el problema inmediato sin conectarse con lo que ya existe en el sistema. Esto genera funciones aisladas, lógica repetida en distintos archivos y una base de código cada vez más difícil de mantener. Cada commit individual, sin embargo, pasa sus pruebas. El costo no se refleja en la velocidad de entrega de la primera versión. Se refleja en el esfuerzo de todo cambio posterior. Cada modificación obliga a revisar múltiples copias de una misma lógica, en lugar de una sola fuente de verdad.
El impacto en la productividad real también es menos lineal de lo que sugiere el discurso comercial sobre la IA. Un estudio de 2025 evaluó a 16 desarrolladores experimentados de proyectos de código abierto maduro. Todos tenían un promedio de cinco años de experiencia en esos repositorios. Permitir el uso de IA en 246 tareas reales aumentó el tiempo de finalización en 19%. Esto ocurrió pese a que los mismos desarrolladores estimaban que la IA los había hecho más rápidos. Esa brecha entre percepción y resultado medido es la advertencia más relevante del estudio.
2.2 Vulnerabilidades de seguridad: por qué la revisión experta es la que las detecta
La seguridad es el segundo frente de riesgo, y los datos son más categóricos. Veracode evaluó más de 100 modelos de lenguaje en tareas de programación reales sobre Java, JavaScript, Python y C#. El código generado introdujo fallas de seguridad explotables en el 45% de las pruebas. Un hallazgo relevante del mismo estudio es que los modelos más grandes y recientes no mostraron mejoras consistentes en seguridad respecto a versiones anteriores. El tamaño del modelo no es un indicador confiable de qué tan seguro será el código que produce.
Ninguna de estas cifras significa que la IA sea inútil para escribir código de producción. Significa que el código que genera necesita el mismo nivel de revisión que el código de un desarrollador junior con buenas prácticas. Ese junior, sin embargo, no tiene experiencia acumulada en el dominio del negocio. La diferencia es que el junior aprende de la retroalimentación dentro de un mismo proyecto. Un modelo de lenguaje no acumula ese contexto, salvo que la organización construya un proceso explícito para capturarlo.
3. Cuándo la IA acelera y cuándo ralentiza: criterios para decidir
3.1 Las condiciones donde la IA rinde más
Los mismos estudios que documentan riesgos también identifican patrones sobre cuándo la IA efectivamente acelera el desarrollo. Una investigación de GitClear de enero de 2026 comparó a desarrolladores que usan IA de forma intensiva con el resto del equipo. Encontró que los primeros producen entre 4 y 10 veces más cambios de código. Sin embargo, gran parte de esa diferencia existía antes de adoptar IA: eran, en su mayoría, los desarrolladores más productivos del equipo incluso sin asistencia. Comparados con su propio desempeño anterior, la ganancia real de velocidad atribuible a la IA fue de 25%. Es una cifra bastante más modesta que la comparación entre personas distintas.
El patrón sugiere un criterio operativo: la IA tiende a amplificar la capacidad de un desarrollador que ya sabe qué construir y por qué. No sustituye ese criterio en alguien que carece de él. Funciona mejor en tareas bien acotadas, con especificaciones claras y bajo la revisión de alguien capaz de detectar cuándo la solución generada no responde bien al problema real del negocio. Esto ocurre incluso si esa solución compila y pasa las pruebas superficiales.
3.2 Las señales de que falta un proceso de revisión
Existen señales concretas de que un equipo está usando IA sin el proceso de revisión adecuado, y que por eso obtiene más fricción que valor. El estudio de 2025 sobre desarrolladores experimentados identificó la carga cognitiva adicional como uno de los factores detrás de la desaceleración observada. Esa carga es el esfuerzo de revisar, corregir y entender código que un modelo generó, junto con el cambio constante de contexto entre escribir y supervisar. Cuando la revisión del código toma más tiempo que escribirlo desde cero, la aceleración prometida se convierte en una ilusión contable. El 66% de los desarrolladores de la encuesta de Stack Overflow reporta esta experiencia.
Otra señal es la acumulación silenciosa de deuda técnica que ningún panel de velocidad de sprint captura. Esto incluye código duplicado, funciones aisladas del resto del sistema y secciones del proyecto que nadie toca ni actualiza porque nadie las entiende del todo. Cuando estas señales aparecen, la respuesta no pasa por prohibir el uso de IA. Pasa por instalar un proceso de revisión que las haga visibles antes de que se acumulen durante meses.
4. El modelo AI Dev Cell: cómo se combina generación de código con revisión experta
4.1 IA como capa de aceleración, no como reemplazo del criterio
AI Dev Cell, la célula de desarrollo de Amsoft, parte de un principio distinto al de automatizar la mayor cantidad de código posible. Su enfoque es usar IA donde agrega valor comprobado y mantener revisión experta donde el riesgo lo justifica. La generación asistida se aplica en tareas donde los datos muestran consistencia: pruebas unitarias, documentación, primeras versiones de funciones acotadas. Las decisiones de arquitectura, la evaluación de vulnerabilidades y la integración con los sistemas existentes del cliente, en cambio, pasan siempre por revisión de un desarrollador senior.
Este enfoque responde directamente a los riesgos documentados en la industria. El 45% del código generado por modelos de lenguaje introduce fallas de seguridad explotables. Frente a ese dato, la respuesta razonable no es prescindir de la IA ni confiar en ella sin filtro. Es construir un proceso donde ese código pase por revisión de seguridad antes de llegar a producción, exactamente como pasaría con el código escrito por cualquier desarrollador del equipo.
Este enfoque responde directamente a los riesgos documentados en la industria. El 45% del código generado por modelos de lenguaje introduce fallas de seguridad explotables. Frente a ese dato, la respuesta razonable no es prescindir de la IA ni confiar en ella sin filtro. Es construir un proceso donde ese código pase por revisión de seguridad antes de llegar a producción, exactamente como pasaría con el código escrito por cualquier desarrollador del equipo.
4.2 Trazabilidad y revisión: lo que garantiza AI Dev Cell en cada entrega
El segundo componente es la trazabilidad. Registra qué parte del código fue generada con asistencia de IA, quién la revisó y qué criterios se aplicaron para aprobarla o modificarla. Esta trazabilidad no es un ejercicio burocrático. Es lo que permite, meses después, entender por qué una función se implementó de determinada forma. También evita que el conocimiento del proyecto dependa exclusivamente de que un desarrollador específico recuerde una decisión tomada bajo presión de plazo.
El resultado que busca AI Dev Cell es la velocidad sostenible, no la velocidad máxima de generación de código. Es la velocidad que no se paga después con meses de refactorización o con una vulnerabilidad descubierta en producción. Para el cliente, esto se traduce en un criterio explícito y verificable sobre qué código fue generado, revisado y aprobado. La alternativa es una caja negra donde no queda claro cuánta supervisión humana recibió cada línea entregada.
5. Cómo evaluar si un proveedor usa IA de forma responsable en tu proyecto
5.1 Las preguntas que hay que hacer antes de contratar
Para un CTO, gerente de producto o CIO que evalúa proveedores de desarrollo, la pregunta relevante ya no es si el proveedor usa IA. La mayoría lo hace, aunque no siempre lo declare. La pregunta real es cómo la usa y qué controles tiene. Algunas preguntas concretas permiten distinguir un proceso responsable de uno improvisado: ¿qué porcentaje del código se genera con asistencia de IA? ¿Quién lo revisa antes de integrarlo, y con qué criterio? ¿Existe un registro de qué fue generado por IA y qué fue revisado por una persona? ¿Puede mostrar cómo detecta vulnerabilidades más allá de que el código compile y pase pruebas funcionales?
5.2 Los indicadores que se pueden pedir durante el proyecto
Durante la ejecución del proyecto, algunos indicadores son verificables sin necesidad de conocimientos técnicos profundos. La frecuencia con que se modifica o revierte código entregado recientemente es una señal. Una tasa alta de cambios sobre trabajo reciente puede indicar que la primera versión generada no pasó por suficiente revisión. La existencia de pruebas automatizadas que acompañan cada entrega, y no solo al final del proyecto, es otra. También importa la disposición del proveedor a explicar, con ejemplos concretos, cuándo decidió no usar IA para una tarea determinada. Eso dice tanto sobre su criterio como cualquier métrica de velocidad de entrega.
Conclusión
La inteligencia artificial en el desarrollo de software no es la revolución sin fricciones que promete cierto discurso comercial. Tampoco es la amenaza que algunos desarrolladores temen. Es una herramienta con beneficios medibles en tareas específicas y con riesgos igual de medibles cuando se usa sin criterio. Los datos de adopción (80% de los desarrolladores ya la usa, según Stack Overflow) conviven con una caída sostenida de la confianza en su exactitud. Esto refleja la maduración de una tecnología. Dejó de evaluarse por su capacidad de sorprender y empezó a evaluarse por su capacidad de sostener resultados en el tiempo.
Los estudios revisados en este artículo (GitClear, Veracode y la investigación de 2025 sobre productividad de desarrolladores experimentados) coinciden en un mismo punto. El valor de la IA depende casi por completo de la calidad de la supervisión que la rodea. El mismo modelo que acelera a un equipo con criterio claro puede ralentizar a un equipo que confía en él sin verificación. También puede dejar vulnerabilidades explotables en producción.
Para las empresas chilenas, la brecha no está en el acceso a la tecnología. Solo un 3,6% ha logrado escalar sus iniciativas de IA de forma transversal y con retornos medibles. La brecha real está en la capacidad de construir el proceso de gobierno y revisión. Ese proceso convierte la generación de código en un activo confiable, en lugar de una fuente de deuda técnica oculta.
Cualquier organización que evalúa incorporar IA en su desarrollo de software enfrenta una pregunta más específica que la de confiar o no en ella. Lo mismo aplica a la que ya la usa sin haberse detenido a revisar cómo. La pregunta correcta es bajo qué condiciones, con qué supervisión y con qué evidencia de que esa supervisión realmente ocurre.
¿Cómo puede Amsoft ayudarte en este camino?
En Amsoft, AI Dev Cell integra generación de código asistida por IA con revisión experta en cada etapa del desarrollo. Esto incluye pruebas, seguridad, arquitectura e integración con los sistemas del cliente. No prometemos que la IA reemplace el criterio técnico, porque los datos disponibles muestran que esa promesa no se sostiene sin supervisión. Ofrecemos un proceso donde la velocidad que aporta la IA se combina con la trazabilidad y el control de calidad. Es lo que un proyecto de software empresarial necesita.
Trabajamos con equipos de desarrollo, áreas de producto y direcciones de TI que quieren evaluar dónde la IA les conviene y qué riesgos deben monitorear. También los ayudamos a construir un proceso de revisión que no dependa de la buena voluntad individual de cada desarrollador.
¿Tu equipo está usando IA en el desarrollo de software sin un proceso claro de revisión? ¿Necesitas evaluar si un proveedor gestiona ese riesgo de forma responsable? Contáctanos.
Este artículo fue elaborado por Amparo Silva, miembro del equipo de Amsoft, comprometida con la innovación y la excelencia en el ámbito tecnológico.
Referencias
- Stack Overflow. (2025, diciembre 29). Developers remain willing but reluctant to use AI: The 2025 Developer Survey results are here. https://stackoverflow.blog/2025/12/29/developers-remain-willing-but-reluctant-to-use-ai-the-2025-developer-survey-results-are-here/
- GitClear. (2026). The Maintainability Gap: 2026 AI Code Quality Research. https://www.gitclear.com/the_ai_code_quality_maintainability_gap
- GitClear. (2026, enero). AI Coding Tools Attract Top Performers – But Do They Create Them? https://www.gitclear.com/developer_ai_productivity_analysis_tools_research_2026
- Veracode. (2025, octubre). 2025 GenAI Code Security Report. https://www.veracode.com/resources/analyst-reports/2025-genai-code-security-report/
- Becker, J., Rush, N., Barnes, E., & Rein, D. (2025, julio). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089. https://arxiv.org/abs/2507.09089
- McKinsey & Company. (2025, noviembre 3). Unlocking the value of AI in software development. https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/unlocking-the-value-of-ai-in-software-development
- El Líbero. (2026, mayo 23). Cerca de un 30% de las empresas chilenas han adoptado la IA, pero solo un 3,6% escala sus proyectos. https://ellibero.cl/factor-ia/mas-de-un-30-de-las-empresas-chilenas-han-adoptado-la-ia-pero-solo-un-3-escala-sus-proyectos