# La aceleración de programar con IA es menor de lo que parece En un estudio controlado, desarrolladores con experiencia que usaron IA en sus propios proyectos fueron medibles más lentos en tareas complejas, y todo el tiempo sintieron que iban un 20% más rápido. Una revisión de 2026 con mejor metodología quedó cerca de una ganancia pequeña, no grande. Mientras tanto, alrededor del 93% de los desarrolladores usa herramientas de IA y la productividad agregada apenas se ha movido. Nada de esto dice que programar con IA sea un engaño. Dice que la sensación de velocidad y el hecho de la velocidad se han separado, y si gestionas por sensaciones vas a gestionar mal. Aquí te explico cómo notar la diferencia. - **Author:** Fedor Chishchin - **Published:** 2026-06-14 - **Tags:** methodology, careers - **Source:** https://fedorthinks.com/es/blog/the-ai-coding-speedup-is-smaller-than-it-feels --- El hallazgo más incómodo sobre programar con IA no es que las herramientas no funcionen. Es que te hacen sentir más rápido de lo que realmente eres. En un estudio ya famoso de METR, desarrolladores de código abierto con experiencia trabajaron en tareas dentro de sus propios repositorios, con y sin IA. Predijeron que la IA los aceleraría un 24%. Después creían que _los había_ acelerado alrededor de un 20%. El cronómetro dijo lo contrario: [en esas tareas fueron medibles más lentos con IA](https://newsletter.getdx.com/p/metr-study-on-how-ai-affects-developer-productivity). Más lentos, mientras estaban seguros de ir más rápido. Esa brecha entre la sensación y la medición es justo el tema de este artículo. ## Por qué la sensación y el hecho se separan Obsérvate trabajar con IA durante una hora y lo verás. El modelo produce un muro de código plausible en segundos. Eso _se siente_ como un progreso enorme: pasaste de un archivo en blanco a algo que funciona en un instante. Lo que la sensación esconde es el resto del ciclo: leer el código generado, detectar la parte que está sutilmente mal, volver a darle instrucciones, reconciliarlo con la parte del sistema que solo tú entiendes, arreglar la integración que el modelo no podía ver. La parte rápida es ruidosa y la lenta es silenciosa. La generación es visible e instantánea; la revisión y la corrección son invisibles y desgastan. Así que tu sensación de velocidad se ancla en la ráfaga de resultados y descuenta la limpieza, y en una tarea compleja dentro de código que conoces bien, la limpieza es donde realmente se va el tiempo. No te estás engañando. Solo estás midiendo la mitad equivocada del trabajo. ## No es «programar con IA es un engaño», es «mídelo» Aquí está el otro lado honesto. METR [revisó ese estudio a principios de 2026](https://letsdatascience.com/blog/developers-thought-ai-made-them-faster-the-data-said-otherwise): la muestra original se inclinaba hacia los desarrolladores que menos se benefician, y un grupo más limpio quedó en torno a un 4% de ralentización, básicamente plano, con el rango cruzando hacia lo positivo. Su lectura actualizada fue que la IA «probablemente aporta beneficios de productividad a principios de 2026». Así que la lección _no_ es que estas herramientas sean inútiles. La lección es que el número real es modesto y condicional, mientras que el número sentido es grande y constante, y los dos no dejan de divergir. En toda la industria aparece la misma forma: [alrededor del 93% de los desarrolladores usa herramientas de IA, y la productividad agregada apenas se ha movido](https://philippdubach.com/posts/93-of-developers-use-ai-coding-tools.-productivity-hasnt-moved./). Adopción casi universal, señal débil. Eso no es una contradicción; es exactamente lo que esperarías cuando todos sienten un impulso del 20% que termina sumando unos pocos puntos. ## Dónde la ganancia es real y dónde es un impuesto Los estudios apuntan a una regla útil. La IA es genuinamente rápida en el trabajo que _no_ tienes ya en la cabeza: terreno desconocido, código repetitivo, el primer borrador de algo, el lenguaje que conoces a medias. Ahí el modelo te lleva en andas, y la sensación y el hecho coinciden. La ralentización aparece en el trabajo opuesto: cambios complejos en una base de código que conoces al dedillo. Ahí el cuello de botella nunca fue escribir, fue entender, y tú ya tenías el entendimiento. El modelo añade un viaje de ida y vuelta. Genera, tú verificas, tú corriges, cuando habrías sido más rápido escribiendo las veinte líneas que ya veías. Saber en qué tipo de tarea estás es hoy casi toda la habilidad. Recurre al modelo donde eres lento; desconfía de él donde ya eres rápido. ## La conclusión El peligro no es que programar con IA no ayude. Es que la _sensación_ de ayuda está desligada de la _cantidad_ de ayuda, y la sensación es la que grita. Gestiona por intuición y empujarás la IA hacia justo las tareas donde te cobra un impuesto, porque siempre se siente como una victoria en el momento. Así que mide algo. Tiempo de ciclo, carga de revisión, defectos, cuánto tardó de verdad una tarea frente a cuánto se sintió que tardó: cualquier cosa real, aunque sea aproximada. **El problema entero es que la IA se siente como una aceleración incluso cuando no lo es, así que la única forma de saberlo es mirar un número en lugar de una sensación.** Las herramientas son buenas. Tu percepción de qué tan buenas son es la parte que miente.