La IA ha movido el cuello de botella, no lo ha quitado
Por Xavier Franco, CEO de Elternativa · Grupo Zemsania
· 7 min de lectura
Redactado con ayuda de IA y revisado por Xavier Franco

En este artículo
Lo vivimos nosotros antes que nadie. Le das IA a tu equipo de desarrollo, el código empieza a salir el doble de rápido y, unas semanas después, alguien te dice que las entregas no han acelerado tanto. El cuello de botella no ha desaparecido: se ha movido. Si diriges tecnología, te interesa saber adónde, porque ahí está la diferencia entre tener IA y que la IA escale.
Escribir código ya no es el problema
Durante años, el cuello de botella del SDLC, el ciclo de vida del desarrollo de software, estaba en escribir código. Faltaban manos. La IA ha resuelto esa parte mejor de lo que esperábamos: según la encuesta de Stack Overflow de 2025, con más de 49.000 respuestas, el 84 % de los desarrolladores ya usa o piensa usar herramientas de IA.
Pero el ciclo no termina al escribir. Después hay que revisar, probar, integrar, documentar y auditar. Y esas fases siguen funcionando al ritmo de antes, con las mismas personas.
El resultado es fácil de imaginar: cada persona produce el doble y quien revisa sigue siendo el mismo. La cola se acumula justo donde ya teníamos menos gente.
En la práctica: mira tus pull requests del último mes. ¿Cuánto tiempo pasa de media entre que se abre una y se aprueba? Si ese tiempo ha crecido desde que usáis IA, ya sabes dónde está tu nuevo cuello de botella.
El técnico quiere entenderlo todo, y es razonable
Aquí hay un punto que me parece importante, porque a veces se plantea como un problema de actitud y no lo es. El técnico quiere entender todo lo que hace la IA antes de darlo por bueno. Es razonable: no tiene el control.
Los datos lo confirman. En la misma encuesta de Stack Overflow, el 46 % de los desarrolladores dice que no confía en la precisión de lo que generan las herramientas de IA, frente al 31 % del año anterior. Y para el 45 %, una de las frustraciones principales es que depurar el código generado por la IA lleva mucho tiempo.
A eso se suma el desorden que aparece cuando cada uno trabaja con su IA a su manera:
- lo mismo hecho de dos maneras en dos partes del sistema;
- lo aprendido se queda en una conversación que nadie volverá a leer;
- nadie sabe qué escribió quién: si una persona o un modelo.
Con esto, revisar línea a línea no es desconfianza. Es la única forma de control que le hemos dejado al técnico.
En la práctica: pregunta a tu equipo qué les preocupa al revisar código generado por IA. Te dirán dónde falta el método.
El control está en el contrato, no en leer cada línea
La salida no es revisar más deprisa. Es mover el control al principio del ciclo. Si antes de que la IA escriba una línea ya está fijado qué tiene que hacer, con qué límites y con qué pruebas, la revisión deja de ser una lectura completa y pasa a ser una comprobación contra algo concreto.
Así lo planteamos nosotros, fase a fase:
- Requisito y plan. Cada tarea nace con sus criterios de aceptación fijados de antemano. No cambian después.
- Desarrollo. Varias instancias de IA trabajan en paralelo, sin que nadie las tenga que perseguir.
- Pruebas. Las ejecuta una instancia distinta de la que escribió el código. Nadie valida su propio trabajo.
- Revisión y validación. Una persona de tu equipo valida el cierre contra los criterios, y su firma queda registrada.
- Pull request y despliegue. La IA abre la pull request y respeta tu Git y tu CI/CD.
- Evolutivo y soporte. En la misma cola, con lo aprendido convertido en reglas que la siguiente tarea ya recibe.
El técnico deja de perseguir a la IA. Define, valida y decide.
En la práctica: coge la próxima funcionalidad que vayáis a construir y escribe sus criterios de aceptación antes de empezar. Solo eso ya cambia la revisión.
Integrar, documentar y auditar también son parte del ciclo
Las otras tres fases que se atascan necesitan lo mismo: método, no más horas.
- Integrar. Un mismo método y las mismas reglas para cada IA, y cada tarea reserva los recursos que toca, para que dos trabajos en paralelo no se pisen.
- Documentar. El conocimiento del proyecto (normas, decisiones y reuniones) vive en un sistema que la IA consulta, no en la cabeza de una persona ni en una conversación perdida.
- Auditar. Todo queda trazado: quién pidió, quién hizo, quién validó y cuánto costó.
Cuando estas fases funcionan, el efecto de la IA se nota en las entregas y no solo en la velocidad de escritura.
En la práctica: busca en tu último proyecto una decisión técnica importante. ¿Está escrita en algún sitio donde la próxima persona, o la próxima IA, la pueda encontrar?
Qué medir para saber si la IA escala
Hay un riesgo que veo mucho: medir la IA por la sensación de velocidad. «Vamos más rápido» es una percepción, no un dato. El informe DORA 2025 de Google, con casi 5.000 profesionales de tecnología, lo pone en números: el 90 % usa IA en el trabajo y más del 80 % cree que ha ganado productividad. Pero el 30 % confía poco o nada en el código que genera.
Y hay un dato del mismo informe que creo que todo director de tecnología debería tener en la cabeza: la adopción de IA ya se relaciona con más velocidad de entrega, pero sigue relacionándose con menos estabilidad. Más cambios, más rápido, y más cosas que se rompen si no hay pruebas sólidas, un control de versiones maduro y ciclos cortos. DORA lo resume en una frase: la IA no arregla un equipo, amplifica lo que ya hay.
Por eso, si quieres saber si tu IA escala, mide sobre tu repositorio, no sobre encuestas internas:
- entregas por semana y tiempo hasta producción;
- tiempo de revisión de cada pull request;
- retrabajo, es decir, cuánto de lo entregado hay que volver a tocar;
- fallos tras desplegar;
- qué parte de las entregas sale del flujo con IA y qué parte sigue haciéndose a mano.
En la práctica: saca esas cinco cifras hoy, antes de cambiar nada. Sin una foto del antes, nunca sabrás si el después es mejor.
Por dónde empezar
Mi consejo es no intentar cambiar todo el ciclo de golpe:
- Mide el cuello de botella actual: tiempo de revisión, retrabajo y pull requests abiertas.
- Elige un equipo y un tipo de trabajo acotado y repetible: evolutivo, deuda técnica o pruebas.
- Fija los criterios antes de empezar y separa quien construye de quien prueba.
- Deja que una persona valide, contra los criterios, no contra su intuición.
- Compara durante unas semanas entregas, retrabajo y tiempo hasta producción, sobre tu propio repositorio.
Si los números mejoran, ya tienes el argumento para escalar. Y si no, sabrás exactamente en qué fase.
Cómo te ayudamos
En Agentic Data & Software Engineering orquestamos las IA de desarrollo que ya tienes, como Claude Code, Cursor, Codex o Copilot, en todo el SDLC: varias instancias en paralelo, pruebas hechas por una instancia distinta y una persona de tu equipo que valida cada cierre. El código queda en tu Git y el conocimiento, en una base de datos tuya. En la web publicamos lo que medimos sobre el código de nuestros clientes: hasta 2 veces más capacidad en ingeniería de datos y de software con el mismo equipo.
Lo hacemos con Agentagile, nuestra metodología para desarrollar con IA: tu IA desarrolla, prueba y documenta; tu equipo decide. Nada avanza sin tu visto bueno.
¿Quién revisa todo lo que escribe tu IA?
Te enseñamos en una demo cómo varias IA de desarrollo construyen en paralelo, otra prueba y tu equipo valida cada entrega.


