Un estudio afirma que para muchos programadores la IA genera más problemas que soluciones: "Cuando el código está casi bien, se pierden días intentando encontrar qué salió mal y por qué"
Elígenos como tu fuente preferida en Google.
La IA para programar no siempre mejora la productividad. Algunos estudios apuntan a que puede acelerar ciertas tareas, pero los errores ocultos terminan haciendo perder más tiempo.
La inteligencia artificial promete quitar trabajo repetitivo a los programadores, escribir funciones en segundos y acelerar tareas que antes exigían bastante más tiempo.
El problema aparece después, ya que generar código rápido no dice cuánto tardará ese código en entenderse, probarse y quedar listo para entrar en una app real. Es una diferencia importante ahora que la IA está cambiando la forma de programar y permite automatizar una parte creciente del desarrollo.
Ese es el conflicto que recoge una encuesta encargada por Undo y realizada por Coleman Parkes entre julio y agosto de 2026, donde participaron 300 responsables sénior de ingeniería de grandes organizaciones que trabajan con software complejo, y el 93% utiliza C o C++.
Aunque este estudio no representa a todos los programadores, al final sí permite observar qué sucede con los agentes de IA en entornos donde revisar cada cambio tiene especial importancia.
Greg Law, fundador y director ejecutivo de Undo, pone el foco en un problema concreto: el código que parece correcto hasta que deja de serlo. Una solución puede superar una comprobación sencilla y fallar después al interactuar con otras partes del programa, obligando al equipo a investigar durante horas.
Esa situación conecta con las dudas que ya expresan desarrolladores que utilizan IA, pero no terminan de confiar en el código generado.
El 55% señala que los agentes introducen código incorrecto con demasiada frecuencia
Cabe señalar que los agentes de programación van más allá de un chatbot que responde preguntas. Pueden recibir tareas, modificar archivos y generar partes del programa con bastante autonomía, una evolución relacionada con herramientas como los nuevos asistentes capaces de asumir tareas de programación completas.
Según los resultados recogidos, el 55% considera que estos agentes introducen código incorrecto con demasiada frecuencia. Los participantes también sitúan la depuración en unas 16,9 horas semanales.
Depurar significa localizar, comprender y corregir errores, aunque ese tiempo forma parte del desarrollo general y no puede atribuirse íntegramente a la IA. Además, el 35% del código generado por IA llega a producción sin haberse comprendido completamente.
Esta situación ayuda a entender por qué algunos programadores terminan dedicando más tiempo del esperado a revisar el trabajo de la inteligencia artificial.
El problema aparece cuando una solución funciona solo en determinadas condiciones
Imaginemos una función creada por IA para calcular el importe final de un pedido. Funciona correctamente con una compra normal, pero falla cuando coinciden un descuento, una devolución parcial y un impuesto concreto.
Generar la función pudo llevar segundos; descubrir esa combinación problemática puede exigir mucho más trabajo. La encuesta de desarrolladores de Stack Overflow de 2025 muestra un contraste parecido.
El 66% de quienes respondieron sobre frustraciones señaló soluciones de IA casi correctas y el 45% dijo que depurar código generado mediante estas herramientas resulta más laborioso. Al mismo tiempo, el 52% declaró un efecto positivo sobre su productividad, por lo que utilidad y dificultades pueden coexistir.
Ese equilibrio también explica por qué Andrej Karpathy ha reconocido límites al intentar delegar proyectos completos en agentes de IA, pese a haber popularizado el llamado vibe coding.
Escribir más código no significa terminar antes un proyecto
Los resultados de Undo no demuestran que la IA genere más problemas que soluciones para todos los desarrolladores. La muestra está concentrada en grandes organizaciones con programas complejos y Undo comercializa precisamente herramientas para investigar y comprender errores, un contexto relevante al interpretar sus conclusiones.
Lo que sí cuestiona el informe es una medida demasiado simple de productividad, donde generar más líneas o completar una primera versión rápidamente sirve de poco si después hay que invertir horas en averiguar qué hace realmente el código.
Incluso en un sector donde la IA ya genera una parte considerable del software de grandes compañías, el trabajo humano continúa en la revisión, las pruebas y el mantenimiento.
Así que la productividad no termina cuando la IA escribe y entrega código, sino cuando ese código está comprobado y preparado para mantenerse sin trasladar problemas al siguiente desarrollador.