Usar IA para programar aumenta un 19% el tiempo de desarrollo según sorprendente estudio

Un estudio reciente de la organización sin fines de lucro METR ha revelado que los desarrolladores experimentados que usaron asistentes de código con IA como Cursor tardaron un 19% más en completar sus tareas. El hallazgo contradice tanto las expectativas de expertos en tecnología como la percepción subjetiva de los propios desarrolladores, que creían haber sido un 20% más rápidos. La investigación utilizó un riguroso ensayo aleatorizado y se centró en proyectos maduros y bases de código complejas, donde se esperaba que la IA aportara mayor valor. Los resultados ponen en duda el entusiasmo desmedido en torno al impacto real de estas herramientas.

Una brecha entre percepción y realidad

El contraste entre lo que los desarrolladores sienten y lo que realmente ocurre al usar IA es llamativo. Mientras que empresas como GitHub aseguran que el 88% de los usuarios de Copilot se sienten más productivos, y algunas compañías reportan mejoras del 10-20%, el estudio de METR presenta una realidad opuesta.

Solo el 6% de los líderes de ingeniería encuestados por LeadDev observaron mejoras significativas, y la mayoría reportó apenas un 1-10% de incremento en productividad. Según los investigadores, esta desconexión podría explicarse por el paradigma de justificación del esfuerzo: cuanto más tiempo dedica un desarrollador a formular prompts e integrar sugerencias de la IA, más tiende a sobrevalorar su utilidad, incluso cuando objetivamente le ralentiza.

La metodología detrás del estudio

El estudio de METR se diseñó con un riguroso enfoque científico: ensayo controlado aleatorizado con 16 desarrolladores veteranos, con 4,9 años de experiencia promedio en los proyectos seleccionados. Se completaron 246 tareas en bases de código reales y complejas.

Los participantes fueron asignados aleatoriamente a grupos con y sin uso de asistentes de código con IA. Las tareas se cronometraron y analizaron con grabaciones de pantalla, para eliminar sesgos. El resultado fue claro: quienes usaron IA tardaron un 19% más, pese a que todos afirmaron sentirse más rápidos.

El estudio, publicado en 2025, no busca desacreditar estas herramientas, sino mostrar una instantánea realista de su rendimiento actual, con la advertencia de que futuras versiones podrían mejorar considerablemente.

Cuando la IA rompe el flujo del programador

Para los desarrolladores senior, gran parte del trabajo no consiste en escribir código, sino en construir contexto, entender dependencias y tomar decisiones informadas. En ese flujo, las interrupciones importan.

Un exingeniero de Uber Eats lo resumía así: “Los desarrolladores no pierden tiempo escribiendo código, sino buscando información”. Escribir, en realidad, ocupa una hora o menos de su jornada diaria. Integrar IA en ese flujo —por más que parezca útil— puede entorpecer más que ayudar.

Además, en proyectos con más de 50.000 líneas de código, los asistentes suelen generar sugerencias sintácticamente correctas pero semánticamente defectuosas, lo que puede introducir errores difíciles de detectar. Esto alimenta lo que algunos llaman el «problema de Ricitos de Oro»: encontrar un asistente de IA que ayude sin tomar el control.

Productividad selectiva: cuándo sí funciona la IA

El estudio de METR aclara que sus resultados no descalifican la utilidad de los asistentes de código, sino que la acotan a ciertos contextos. Por ejemplo, los beneficios son claros en programadores junior o tareas repetitivas.

Diversos estudios muestran mejoras del 20-40% para desarrolladores novatos, y tareas como generar pruebas unitarias o documentación han mostrado ahorros del 45% al 90% en tiempo. En IBM, los asistentes de IA han reducido el tiempo dedicado a documentar en un 59% y a explicar código en un 90%.

La clave está en el tipo de tarea y en el perfil del usuario. Para quienes trabajan por ráfagas, la IA puede ser un colaborador activo. Para quienes buscan concentración profunda, puede ser un ruido innecesario.

El futuro de la colaboración humano-máquina

El hallazgo más inquietante del estudio es quizás el más obvio: la percepción de mejora no siempre equivale a productividad real. Y esto tiene implicaciones profundas para empresas, equipos y responsables de tecnología que están adoptando estas herramientas como solución mágica.

El hecho de que los propios participantes creyeran haber sido más rápidos tras ir más lentos plantea preguntas sobre cómo medimos la eficiencia y qué rol juega la psicología en la adopción tecnológica. Para muchos, usar IA no solo es útil, sino también motivador, lo que puede justificar su uso aunque no siempre ahorre tiempo.

¿Más útil como maestra que como obrera?

Uno de los hallazgos indirectos del estudio de METR y de investigaciones paralelas es que los asistentes de código tienen más impacto como herramientas educativas que como aceleradores de productividad.

Sirven para entender código ajeno, para generar ejemplos, para clarificar sintaxis. En ese sentido, funcionan más como mentores que como empleados. Pero cuando se les pide que asuman tareas complejas en contextos avanzados, todavía flaquean.

En un futuro cercano, con modelos más precisos y mejor entrenamiento contextual, es posible que esta barrera se supere. Pero por ahora, su valor está menos en lo que hacen por ti y más en lo que te ayudan a entender.