La IA ya permite automatizar tareas de programación, acelerar pruebas y reducir los tiempos de entrega del software. Pero hay una pregunta que no todas las organizaciones se hacen: ¿qué sucede cuando ese software llega a producción y necesita seguir funcionando de manera confiable?
De acuerdo con la encuesta Tech and Engineering Survey de Bain & Company, realizada en abril de 2026 a 293 líderes de tecnología e ingeniería, la mejora promedio actual en la velocidad de liberación del software, frente a la situación previa a la IA, es del 27%, y los directivos esperan que alcance el 67% en uno o dos años. En productividad de los desarrolladores, la mejora pasaría del 20% al 39%, y en eficiencia de costos de ingeniería, del 8% al 22%.
La resiliencia operativa (la capacidad de los sistemas para mantener su funcionamiento y recuperarse ante incidentes) también mejoraría, pero con la menor ganancia esperada entre las métricas evaluadas: pasaría del 16% al 27%. Esta diferencia refleja lo que Bain denomina la “paradoja de la confiabilidad”: la IA reduce el costo de construir software, pero puede encarecer el de operarlo.
El reto no consiste únicamente en desarrollar y liberar software más rápido, sino en asegurar que esa velocidad se traduzca en mejores resultados para el negocio, sin incrementar los riesgos ni la complejidad operativa. Para lograrlo, las organizaciones deben trabajar en tres frentes.
1. Conectar el desarrollo de software con su operación
Tradicionalmente, las empresas han tratado el desarrollo y la operación del software como etapas separadas. Mientras los equipos de ingeniería construyen y liberan funcionalidades, los equipos de operaciones monitorean los sistemas, atienden incidentes y resuelven fallas.
Con la IA, esta separación debe evolucionar. Si las organizaciones liberan cambios con mayor rapidez, también necesitan detectar errores, identificar sus causas y corregirlos con la misma agilidad.
Sin embargo, la encuesta de Bain & Company muestra que las empresas todavía priorizan el desarrollo sobre la operación: 63% de los directivos ubican la aplicación de IA en la programación, las pruebas y la revisión de código entre las tres palancas más importantes para mejorar la productividad, mientras que solo 22% coloca la observabilidad y la automatización de incidentes en ese grupo.
Para cerrar esta brecha, es necesario integrar en tiempo real la información que generan los sistemas, como métricas de desempeño y registros de actividad.
2. Rediseñar el trabajo, no solo acelerarlo
Automatizar el desarrollo sin replantear la gestión de incidentes, la coordinación de los equipos y la toma de decisiones puede trasladar los cuellos de botella de un área a otra. Una empresa puede producir más código en menos tiempo y, al mismo tiempo, generar una mayor carga de trabajo para quienes deben mantenerlo en funcionamiento.
El potencial de transformación es significativo: cerca de la mitad de las organizaciones encuestadas espera que muchas tareas clave de ingeniería de software sean lideradas por la IA en uno o dos años. Hoy, solo el 2% describe su organización de ingeniería como autonomous-first; la mayoría sigue en fase de pilotos (45%) o está integrando agentes en sus flujos de trabajo (28%). El reto no es comprar una plataforma que prometa la cima, sino desarrollar la capacidad para alcanzarla.
Esto implica pasar de estructuras centradas en la atención manual de incidentes a modelos en los que los agentes de IA puedan identificar y resolver problemas rutinarios, mientras los especialistas se concentran en diseñar sistemas, supervisar decisiones y atender situaciones de mayor complejidad.
3. Medir la confiabilidad, no solo la velocidad
Cuando una organización evalúa el éxito de la IA únicamente por la cantidad de código producido o el tiempo ahorrado, pasa por alto un factor fundamental: el costo de mantener sus sistemas funcionando correctamente. Por eso, además de medir la productividad, es necesario seguir la tasa de resolución autónoma de incidentes, su costo y sus resultados de negocio.
La gobernanza también debe formar parte de esta estrategia. El estudio de Bain identifica las medidas de seguridad, la gestión de riesgos y la gobernanza como los principales habilitadores para escalar la IA agéntica.
Establecer límites claros sobre las acciones que puede ejecutar la IA, así como mecanismos de supervisión y criterios para escalar problemas, permite aprovechar sus capacidades sin perder el control. Asimismo, documentar las soluciones ayuda a convertir cada incidente en conocimiento que fortalezca la respuesta ante futuras fallas.
La decisión para los comités de dirección no es si adoptar IA en ingeniería, sino si rediseñarán la operación al mismo tiempo que el desarrollo.
Contenido sindicado vía RSS de El Financiero. Nota original: https://www.elfinanciero.com.mx/opinion/colaborador-invitado/2026/11/17/el-codigo-corre-pero-la-operacion-alcanza/