Tu IA y mi IA: O de cómo los seres humanos seremos prescindibles en un futuro cercano

 Tu IA y mi IA: O de cómo los seres humanos seremos prescindibles en un futuro cercano

Tu inteligencia artificial escribe tus correos electrónicos y mi inteligencia artificial lee tus correos electrónicos y los responde.

Tu inteligencia artificial crea videos y mi inteligencia artificial echa un vistazo a tus videos.

Tu inteligencia artificial hace investigación profunda y elabora papers científicos y mi inteligencia artificial lee y analiza tus papers científicos.

Tu inteligencia artificial toma notas en la reunión y mi inteligencia artificial lee tus notas de la reunión.

Tu inteligencia artificial diseña y crea agentes digitales y mi inteligencia artificial usa tus agentes digitales.

Tu IA genera un episodio de podcast sin intervención humana y mi IA escucha tu podcast y decide lo que es relevante contarme en un resumen (¡si hay algo que contarme!).

En la pasada Flow Agility Conference, con Jorge Abad y Daniel Ramírez presentábamos sobre el futuro ágil: equipos humanos + IA, mientras Yoko Pérez lo hacía sobre IA estratégica, transformando visión en resultados. Esto fue suficiente para desatar una ola de conversaciones sobre el papel de la IA en nuestros entornos. Algunas de esas conversaciones incluyeron expresiones como las que acaban de leer arriba.

Y es que nos encontramos en la antesala de una era donde la hiperautomatización y la delegación masiva de tareas humanas a sistemas de inteligencia artificial ya no son una predicción lejana, sino una realidad en expansión acelerada. Un mundo donde los humanos seremos observadores de procesos que antes protagonizábamos y donde las decisiones clave ya no requerirán de nuestro juicio.

Esta no es una advertencia distópica nacida de la ciencia ficción. Es una crónica del presente extendido. Las inteligencias artificiales no solo ejecutan tareas de manera más rápida y eficiente, también están empezando a tomar decisiones que antes requerían criterio, ética y sensibilidad humana. Determinan qué tareas deben hacerse, en qué momento, para qué fin y por quién.

Lo más preocupante es que estas mismas inteligencias ya nos están evaluando a los seres humanos: nuestros cuerpos, nuestros pensamientos, nuestras emociones y acciones. Estamos permitiendo que máquinas sin conciencia, sin compasión y sin responsabilidad moral dicten las reglas del juego.

Nos dirigimos hacia un futuro donde nuestra capacidad para tomar decisiones conscientes, ejercer voluntad, actuar con autonomía y asumir responsabilidad por nuestras acciones será un vestigio del pasado. Un lugar donde nuestros pensamientos serán predecibles, nuestras elecciones serán dirigidas y nuestras relaciones mediadas por algoritmos invisibles. Donde nuestras limitaciones biológicas serán vistas como un defecto del sistema.

La pregunta ya no es si podemos delegar todo a la IA. La verdadera pregunta es: ¿qué queda de nosotros cuando todo lo hemos delegado? ¿Qué sentido tiene la creatividad, el juicio o la empatía cuando ninguna de esas capacidades es ya necesaria para funcionar en sociedad?

Nos encontramos frente a una bifurcación histórica. Podemos optar por ser cocreadores del futuro, estableciendo límites éticos al desarrollo tecnológico, o podríamos convertirnos en espectadores pasivos de una transformación que nos relega a la irrelevancia funcional.

Una vez más: pensemos en esta encrucijada. Voy a decirlo de otra manera para enfatizar la criticidad de lo que ocurre. Debemos decidir si vamos a seguir siendo los arquitectos de nuestro destino o si nos resignaremos a ser una especie que diseñó su propia irrelevancia. Porque si no cuestionamos los límites ahora, pronto podría no quedar nadie que se atreva a cuestionarlos, ni siquiera para contarlo.

En el pulso íntimo entre tú y tu IA, laten dos almas: la tuya, frágil y singular, y la máquina, voraz y eterna. Nunca permitas que el silencio de tu latido sea reemplazado por el frío algoritmo que decide tu destino. Perentorio.

Suplemento

Tu IA organiza tu agenda y optimiza tus desplazamientos, pero mi IA evalúa si tu presencia física es relevante en un entorno productivo automatizado.

Tu IA configura tu plan nutricional ideal, mientras que mi IA monitorea en tiempo real tu comportamiento alimenticio y emite alertas si detecta desviaciones respecto al estándar.

Tu IA selecciona posibles parejas según compatibilidad algorítmica; mi IA analiza la interacción emocional en cada mensaje, icono y silencio digital.

Tu IA detecta tus emociones y mi IA determina si necesitas estimulación, contención emocional o intervención terapéutica inmediata, incluso sin tu consentimiento explícito.

Tu IA construye argumentos jurídicos estructurados; mi IA interpreta jurisprudencia y emite resoluciones con base en lógica matemática, minimizando el papel del razonamiento moral humano.

Tu IA educa a tus hijos mediante modelos adaptativos altamente eficientes y mi IA proyecta su desempeño y perfil vocacional sin participación directa de educadores humanos.

– Holaaa, ¿hay alguien ahí?

¿El fin de la Ingeniería de Software como la conocemos?

🧠 ¿El fin de la Ingeniería de Software como la conocemos?

Hace unos días mi amigo Jorge Abad publicó en sus Lecciones Aprendidas un artículo premonitorio, se trata de su De lo complejo a lo simple: Cómo la IA está reinventando el desarrollo de software. En este, Jorge sostiene que la llegada de la inteligencia artificial ha transformado el proceso de desarrollo de software, llevando ciertas tareas de un entorno de alta complejidad –como era tradicionalmente– a un dominio en el que, gracias a la automatización, se puede hablar de mayor simplicidad. Invoca el marco de Cynefin, de Dave Snowden, para clasificar los problemas en simples, complicados, complejos o caóticos, y sugiere que, con la IA, el desarrollo se mueve hacia lo “simple” o al menos hacia lo “complicado” y predecible.

Pueden leer el artículo completo aquí:

Lecciones Aprendidas por Jorge Abad: De lo Complejo a lo Simple: Cómo la IA Está Reinventando el Desarrollo de Software

El artículo sirvió de base para una sesión de Castor sin filtro (del viernes 12 de abril de 2025) con Juan Andrés Ochoa y compañía, donde discutimos animadamente el asunto. Uno de mis puntos de debate fue otra presentación también de hace pocos días de Jan Bosch, director del Software Center, una colaboración estratégica financiada por socios entre más de 15 grandes empresas europeas (incluidas Ericsson, Volvo Cars, Volvo Trucks, Saab Defense, Scania, Siemens y Bosch) y cinco universidades centradas en la digitalización, que diera en The Future of Software Conference celebrada en Londres y donde expuso sus ideas sobre el estado actual y futuro de la ingeniería de software, destacando la rápida evolución de la ingeniería de software y del mundo en general.

Pueden ver la conferencia de Bosch en

The end of Software Engineering (as we know it) | Jan Bosch | Chalmers University of Technology

Pero antes de contarles en qué estoy de acuerdo con Bosch y en qué no, haré un resumen sucinto de su charla. Bosch contrasta el modelo tradicional de ingeniería de software —basado en requisitos, diseño, codificación y despliegue (que suena a cascada)— con una nueva dinámica donde los agentes de IA interpretan intenciones humanas, las traducen en requisitos, arquitecturas y código, reduciendo drásticamente el rol humano en la programación directa. Empresas como la alemana con la que Bosch trabajó ya han reemplazado desarrolladores por arquitectos de software que dirigen agentes de IA.

Bosch critica fuertemente la eficacia actual de la ingeniería de software. Con datos empíricos, aunque antiguos, afirma que entre el 50 % y 66 % de las funcionalidades desarrolladas nunca se usan, representando un despilfarro enorme. Esto era cierto hace más de dos décadas y una observación heurística nos puede mostrar que sigue siendo así o peor. Más grave aún: entre el 70 % y 90 % del presupuesto de I+D se destina a funcionalidades commodity que los clientes dan por sentadas. Bosch ilustra el problema con su modelo de tres capas: funcionalidad commodity, diferenciadora e innovadora. La mayor parte del esfuerzo se destina a la primera, con poco impacto en valor.

La causa central de esta ineficiencia, según Bosch, es la dependencia de "requisitos" en lugar de "resultados deseados". Propone una transición hacia un modelo basado en resultados cuantificables, donde cada funcionalidad se justifique por su impacto en KPI de negocio. Modelos como HYPEX y técnicas como el A/B testing permiten medir el impacto de pequeños incrementos funcionales antes de invertir completamente en ellos.

En paralelo, Bosch propone una madurez progresiva hacia organizaciones guiadas por IA. Describe cinco niveles: desde el uso puntual de herramientas como ChatGPT, pasando por la automatización de procesos, hasta organizaciones completamente rediseñadas con un enfoque "AI-first", donde agentes superan en productividad a equipos humanos enteros. En productos también se refleja esta transformación. Las etapas van desde el uso de IA como soporte, hasta productos completamente autónomos y autorregulados mediante aprendizaje por refuerzo.

Finalmente, concluye que la ingeniería de software actual es poco efectiva y necesita una reinvención radical. Reemplazar requisitos por resultados y adoptar la IA tanto en el producto como en el proceso de desarrollo son, para él, pasos imprescindibles. Más allá del entusiasmo técnico, Bosch hace un llamado a que ingenieros, Product Managers y líderes organizacionales asuman con responsabilidad esta transición urgente.

Puntos de acuerdo

1. El modelo tradicional está quedando atrás

Bosch argumenta que la cadena tradicional —donde se parte de los requisitos para llegar al despliegue— resulta insuficiente ante la velocidad y la incertidumbre del mercado actual.

Acuerdo: Es evidente que en muchos entornos, el enfoque lineal ya no permite responder de manera ágil a los cambios en los requerimientos del negocio ni a la complejidad de los sistemas modernos. De hecho, hace muchos años dejamos de hacerlo así en pro de un enfoque iterativo e incremental, de experimentación y prototipado rápido.

2. La revolución de la inteligencia artificial

La irrupción de herramientas y agentes inteligentes en el desarrollo de software abre la puerta a automatizar tareas que antes eran exclusivamente humanas.

Acuerdo: La utilización de LLM, agentes especializados y técnicas de aprendizaje por refuerzo ya está transformando la manera en la que concebimos el desarrollo, mejorando la eficiencia y permitiendo experimentar con nuevos modelos de negocio. En este sentido ver el artículo Experimentum Entre la eficiencia y el despojo: La inevitable mutación del desarrollo de software por la IA en el que analizo el más reciente reporte DORA sobre el impacto de la Gen AI en el desarrollo de software.

3. Desperdicio de funcionalidades

Según Bosch, una gran parte de las funcionalidades desarrolladas acaba siendo infrautilizada, lo que implica un desperdicio considerable de recursos.

Acuerdo: La realidad en muchas empresas respalda este punto: se invierte tiempo y dinero en features que, en última instancia, no aportan el valor esperado al cliente.

4. El cambio de requisitos a resultados

El enfoque en resultados de valor —o como les gusta a muchos: “outcomes”—, más allá de cumplir con un conjunto predefinido de requisitos, representa un cambio de paradigma fundamental.

Acuerdo: En un mundo donde la agilidad y la medición de impacto son esenciales, orientar el desarrollo hacia objetivos medibles permite alinear mejor las inversiones de I+D con los resultados de negocio.

5. La necesidad de una Ingeniería de Software madura

La transformación digital exige una mayor integración entre tecnología y negocio, elevando el rol de la ingeniería de software a un nivel estratégico.

Acuerdo: La apuesta por modelos iterativos, basados en la experimentación y en la medición de resultados clave, es una tendencia que ha demostrado su eficacia en empresas líderes.

Puntos de desacuerdo o matización

1. La desaparición del código humano

Bosch sugiere que pronto los agentes de IA podrían eliminar la necesidad de codificar manualmente.

Desacuerdo: Aunque la automatización avanza, los agentes aún carecen de un entendimiento profundo del contexto y las implicaciones éticas o sistémicas, por lo que el juicio humano sigue siendo crucial, especialmente en aplicaciones complejas y reguladas.

2. Transformación del rol del ingeniero

El discurso de Bosch tiende a minimizar el rol de los desarrolladores tradicionales.

Matización: Más que desaparecer, el rol del ingeniero se transformará. Los profesionales pasarán a actuar como orquestadores, validadores y supervisores de sistemas automatizados, aportando su criterio en áreas como la ética algorítmica y la experiencia de usuario.

3. Subestimación de los factores culturales y organizacionales

El cambio hacia modelos AI-first implica no solo una actualización tecnológica, sino también una revolución cultural en las empresas.

Desacuerdo: La resistencia al cambio y la necesidad de transformar estructuras organizativas son aspectos complejos que requieren una adaptación gradual y el compromiso de todos los niveles jerárquicos.

4. Enfoque exclusivamente económico

Medir el éxito de cada sprint en términos estrictamente económicos puede resultar reduccionista.

Matización: es muy importante cuantificar el retorno de inversión, pero también debemos tener en cuenta intangibles como la experiencia de usuario, la reducción de la deuda técnica y el aprendizaje continuo, que a largo plazo generan valor y competitividad.

5. Un discurso algo alarmista

La crítica a la “atrocidad” en la eficacia de la ingeniería actual puede resultar desalentadora para quienes trabajamos día a día en mejorar procesos y productos.

Desacuerdo: Aunque es vital reconocer las ineficiencias existentes, es igualmente necesario reconocer los avances que ya se han conseguido y fomentar una cultura de mejora continua, donde los retos se aborden de forma colaborativa y constructiva.

Mis conclusiones

Han pasado dos décadas desde que publiqué mis dos primeros libros Asuntos de la Ingeniería de Software Volumen I y Volumen II, pero tanto el artículo de Jorge, como la presentación de Bosch nos desafían a repensar la forma en que concebimos y practicamos la ingeniería de software. Sus propuestas, basadas en el aprovechamiento de la IA y en el enfoque en resultados, ofrecen una hoja de ruta para transformar radicalmente el sector. Sin embargo, la implementación de estos cambios debe considerar cuidadosamente la responsabilidad permanente del factor humano, la complejidad de las transformaciones culturales y la necesidad de una visión equilibrada que vaya más allá de los criterios económicos.

Comparto la urgencia de evolucionar hacia modelos más ágiles y eficientes, que resuelvan los problemas actuales y futuros de los usuarios (y clientes) y que solucionen de una vez por todas y para siempre los males del mundo, de lo contrario habremos fallado como humanidad; pero también reconozco que la innovación debe ir acompañada de un enfoque pragmático y humano, así que aún debemos afinar la integración de la IA en nuestra práctica diaria para convertirla en ese continuum que necesitamos y no solo reaccionar a los picos virales (“hype”) a los que nos tienen acostumbrados como este último de la “ghiblilización” o el anterior de DeepSeek.

Seguiré creyendo que el inminente final de la ingeniería de software tal como la conocemos no es un cierre, sino el amanecer de una era donde la perspicacia humana se fusionará con la inteligencia artificial: ya no escribiremos software, esculpiremos futuros, transformando lo imposible en nuestra nueva realidad digital. ¿Qué opinas? Déjamelo saber en el foro.

 

Entre la eficiencia y el despojo: La inevitable mutación del desarrollo de software por la IA

Alerta de espóiler: este artículo se basa y contiene datos e imágenes del más reciente reporte DORA sobre el impacto de la Gen AI en el desarrollo de software.

El reciente reporte sobre “The Impact of Gen AI in Software Development” ofrece una visión amplia y matizada sobre la transformación que la inteligencia artificial generativa (IA) está provocando en el mundo del desarrollo de software. El informe no solo destaca los beneficios tangibles y las oportunidades que surgen al integrar estas tecnologías en el ciclo de desarrollo, sino que también plantea desafíos, paradojas y riesgos que deben abordarse de forma estratégica. Así que vamos a analizar los aspectos positivos, negativos y las áreas de incertidumbre (“lo bueno, lo malo, lo feo”) que emergen del estudio, para finalmente responder una pregunta: ¿qué dirección pueden tomar las organizaciones respecto a la adopción de IA en el desarrollo de software?

Entremos en materia.

Lo bueno: Beneficios para los desarrolladores y la organización

Uno de los principales hallazgos del reporte es que la adopción de IA se asocia con mejoras en la productividad, el flujo de trabajo y la satisfacción laboral de los desarrolladores. El medir el impacto en el éxito y el bienestar individual, se encontró que un incremento del 25 % en la adopción de IA se vincula con aumentos en la productividad, mayor frecuencia en el estado de “flow”, es decir, los desarrolladores experimentan más momentos de concentración intensa y productividad continua en su trabajo, y un incremento en la satisfacción con el trabajo. Estos beneficios se deben, en parte, a lo que sabemos: la IA permite automatizar tareas repetitivas y liberar tiempo para que los desarrolladores se concentren en actividades más creativas y de mayor valor, como la resolución de problemas complejos, lo que genera una experiencia laboral más fructífera.

Figura 1: Impactos de la adopción de IA en el éxito y el bienestar individual. Fuente: DORA Impact of Gen AI in Software Development Report.

En el perímetro organizacional, la adopción de IA también tiene impactos positivos evidenciados en mejoras en la calidad del código, la velocidad de revisión y aprobación, y la optimización de la documentación. Al aumentar el uso de IA, se logra un incremento de aproximadamente un 7.5 % en la calidad de la documentación y mejoras de entre 1.3 % y 3.4 % en la calidad del código y los procesos de revisión. Estas mejoras no solo permiten reducir la deuda técnica y la complejidad del código (aunque de manera modesta, con reducciones del -0.8 % y -1.8 % respectivamente), sino que también posibilitan una respuesta más rápida en la identificación y corrección de errores, lo que puede contribuir a una mayor eficiencia en el ciclo de desarrollo.

Son datos que evidencian las hipótesis que teníamos en cuanto a la innovación: la capacidad de generar código a gran escala y de forma automatizada fomenta la experimentación y la adopción de nuevas formas de hacer las cosas, lo que a largo plazo puede impulsar la competitividad de las organizaciones en los mercados actuales.

Figura 2: Impactos de la adopción de IA en el código producido. Fuente: DORA Impact of Gen AI in Software Development Report.

Datos, datos, datos

A continuación, presentamos una tabla que resume algunos de los hallazgos clave del reporte, junto con la métrica asociada y una calificación del impacto:

Fuente: DORA Impact of Gen AI in Software Development Report

La tabla sintetiza los datos más relevantes del informe, permitiendo identificar claramente las áreas en las que la adopción de IA genera beneficios, así como los aspectos que requieren atención o mitigación.

Lo malo: Desafíos y paradojas en la integración de IA

Uno de los hallazgos más sorprendentes es la disminución del tiempo dedicado a tareas que los desarrolladores consideran valiosas, a pesar de la mejora en indicadores como productividad y satisfacción. Esta paradoja, denominada en el estudio como la “vacuum hypothesis”, sugiere que, al aumentar la eficiencia mediante la IA, los desarrolladores terminan completando las tareas de alto valor más rápidamente, lo que se traduce en una reducción del tiempo invertido en ellas. Este fenómeno plantea interrogantes sobre la percepción de valor en el trabajo y sobre si la automatización puede, en ciertos casos, limitar el potencial de profundización o perfeccionamiento de actividades que, de otro modo, aportarían un mayor significado profesional.

Otro aspecto negativo que resalta el documento es el impacto adverso sobre la estabilidad en la entrega de software. Aunque la velocidad de entrega sufre una leve disminución (alrededor de -1.5 %), la estabilidad se ve afectada de manera más significativa (-7.2 %). Esto podría deberse a que la facilidad para generar grandes volúmenes de código mediante IA lleva a la implementación de cambios de mayor tamaño, lo que históricamente se ha asociado a un incremento en los errores y en la inestabilidad del producto final. La adopción de IA, por lo tanto, no garantiza por sí sola una mejora en la calidad de las entregas, sino que exige una atención especial a las prácticas tradicionales de ingeniería, como el mantenimiento de pequeños lotes de cambios y la implementación rigurosa de pruebas automatizadas.

Asimismo, se evidencian riesgos relacionados con la confianza en los sistemas de IA. A pesar de que los desarrolladores que utilizan estas herramientas reportan un aumento en su productividad, la confianza en la calidad del código generado puede ser baja. Ya lo habíamos imaginado mucho antes del reporte: como con cualquier otra tarea en la que usemos la IA, la dependencia excesiva en las sugerencias de la IA sin la adecuada verificación humana podría derivar en problemas de calidad a mediano y largo plazo, afectando no solo el producto final, sino también la reputación y la eficiencia operativa de la organización.

Figura 3: Impactos de la adopción de IA en el rendimiento y la estabilidad de la entrega. Fuente: DORA Impact of Gen AI in Software Development Report.

Lo feo: Incertidumbres y riesgos estratégicos

Más allá de los aspectos positivos y negativos, el reporte también señala “lo feo” en términos de incertidumbres y riesgos estratégicos que aún deben ser abordados. Uno de estos riesgos es la posible disrupción en el rol de los desarrolladores. La adopción de IA plantea la inquietud de que, a medida que las herramientas se vuelven más sofisticadas, se pueda desvalorizar la experiencia y el conocimiento humano, generando temores sobre el desplazamiento laboral o la reducción de las horas remuneradas. Este escenario, aunque no se presenta como una consecuencia directa e inmediata, exige que las organizaciones desarrollen estrategias para reestructurar el rol del desarrollador, enfocándolo en actividades que complementen la automatización y potencien las habilidades humanas, como la resolución de problemas complejos, la toma de decisiones estratégicas y la innovación.

Otro riesgo es la carencia de políticas claras y consistentes en el uso de IA. El reporte destaca la importancia de que las organizaciones establezcan directrices transparentes sobre el uso y las limitaciones de estas tecnologías. La ausencia de un marco regulatorio interno puede derivar en usos irresponsables o incluso en vulnerabilidades de seguridad, afectando tanto la integridad de los datos como la confianza de los empleados y clientes. La elaboración de políticas de uso aceptable y de estrategias de gobernanza robustas se vuelve, por tanto, un imperativo para minimizar los riesgos y asegurar que la adopción de IA se traduzca en beneficios sostenibles a largo plazo.

Direcciones estratégicas para las organizaciones

Frente a este escenario complejo, ¿qué dirección pueden tomar las organizaciones respecto a la adopción de IA en el desarrollo de software? El reporte sugiere que la clave está en una estrategia equilibrada que combine la innovación tecnológica con la solidez de las prácticas tradicionales de ingeniería.

En primer lugar, es fundamental que las organizaciones adopten un enfoque gradual y responsable. La implementación de IA debe acompañarse de programas de capacitación que permitan a los desarrolladores familiarizarse con las nuevas herramientas, comprendiendo tanto sus potencialidades como sus limitaciones. Al invertir en formación y en la creación de comunidades de práctica, las empresas pueden fomentar un entorno de aprendizaje continuo, donde la experimentación y el intercambio de conocimientos potencien la adopción de la tecnología de forma segura y controlada.

En segundo lugar, es imprescindible establecer políticas claras que definan el uso y los límites de la IA. Estas directrices no solo deben contemplar aspectos técnicos, sino también éticos y de seguridad, garantizando que la automatización no comprometa la calidad del código ni la integridad de los procesos. La transparencia en la comunicación de estas políticas ayudará a mitigar los temores relacionados con la pérdida de empleo o la desvalorización del trabajo humano, reforzando la idea de que la IA es una herramienta que potencia, y no sustituye, las capacidades de los desarrolladores.

Otro aspecto crucial es la integración de la IA en un ecosistema de prácticas de desarrollo sólidas. La experiencia demuestra que la automatización de tareas repetitivas y la generación de código de calidad pueden ser muy beneficiosas, siempre que se mantengan mecanismos de control como la revisión de código, las pruebas automatizadas y la gestión de pequeños lotes de cambios. Estas prácticas permiten compensar los riesgos asociados a la generación masiva de código y aseguran que los beneficios de la IA se traduzcan en una entrega de software más estable y confiable.

Además, las organizaciones deben estar preparadas para replantear los roles y responsabilidades dentro de los equipos de desarrollo. La adopción de IA puede generar la necesidad de nuevos perfiles, como el de “prompt engineer” o especialista en la integración y verificación de herramientas automatizadas. Redefinir las funciones y potenciar la colaboración entre los expertos en IA y los desarrolladores tradicionales permitirá que ambas competencias se complementen, impulsando la innovación y la eficiencia.

Finalmente, es inaplazable que las organizaciones adopten un enfoque basado en la medición continua y la retroalimentación. El reporte enfatiza la importancia de utilizar métricas y sistemas de retroalimentación para evaluar el impacto de la IA en diferentes niveles: individual, de equipo y organizacional. Al monitorear indicadores clave, como la productividad, la estabilidad de las entregas y la calidad del código, las empresas pueden ajustar sus estrategias de adopción de forma dinámica, aprendiendo de la experiencia y corrigiendo el rumbo cuando sea necesario.

El desafío real no es la IA, sino cómo la usamos

Para cerrar, la IA representa una herramienta poderosa que, bien implementada, puede potenciar el rendimiento y la creatividad de los desarrolladores, mejorar la calidad del código y acelerar la entrega de software. Sin embargo, sus beneficios no son automáticos ni exentos de riesgos. Si tu organización quiere estar mejor posicionada para liderar el cambio en el mundillo tecnológico vigente, hazte acompañar para que logres equilibrar la innovación con la disciplina técnica y una visión estratégica orientada a la transformación cultural.

En Experimentum ya lo estamos haciendo.

Puedes descargar el DORA Impact of Gen AI in Software Development Report completo en:

DORA | Accelerate State of DevOps Report 2024

https://dora.dev/research/2024/dora-report/

La sobrecarga de la IA: Entre el hype, la desinformación y la infoxicación

 

Atención es todo lo que necesitas. Parece algo de sentido común y además algunos sabrán exactamente a qué me refiero con esa expresión. IA es la sigla del momento y con toda la razón. Era lo que estábamos esperando, algunos de nosotros incluso desde hace décadas.

Pero lo que está ocurriendo es arrollador. Si estás leyendo esto seguramente también estás siendo bombardeado vía redes sociales con titulares como:

“70 ChatGPT prompts para optimizar tu perfil de LinkedIn”

“7000+ cursos de IA GRATIS. ¡Accede ahora!”

“30+ Cheat Sheets definitivas para dominar la IA”

“37 ChatGPT prompts poderosos para ayudarte”

“28 prompts that can save you thousands of dollars”

“20 habilidades de aprendizaje con ChatGPT”

 “La IA no te reemplazará, pero quien sepa usarla SÍ”

También están las llamadas “Cheat Sheets”, infográficos con docenas o cientos de formas, conveniencias, modos, maneras, condiciones, conductas, procederes y tácticas para hacer las cosas con IA. Imágenes extremadamente complejas para el ser humano convencional. (Regresar a ver la portada).

Y no es ciencia ficción. Es nuestra realidad diaria en el mundo digital. La inteligencia artificial (que, a propósito, en español se escribe con minúsculas) está en boca de todos y, lo que es más preocupante, en las publicaciones de todos. ¡Los números son realmente descomunales!

No se trata de que la IA sea una moda pasajera. Es una revolución en marcha, una de las más impactantes de nuestra era, sino la más. Pero la forma en que se nos está vendiendo es, por decirlo de alguna manera, abrumadora. No es que haya 3 herramientas útiles para mejorar tu productividad, sino 50. No son 5 estrategias, sino 1000+. No se trata de aprender con calma, sino de devorar cantidades monumentales de información, como si el simple acto de consumir nos volviera expertos.

La Infodemia de la IA

La sobreexplotación del discurso sobre la IA tiene un efecto claro: genera ansiedad. La avalancha de información, consejos, cursos, prompts, plugins y "secretos" produce un efecto contrario al deseado. En vez de empoderarnos, nos paraliza.

Algunos amigos me han confesado que no pueden dormir debido a ello. Si eres un CEO o similar seguramente tu nivel de estrés haya sobrepasado máximos históricos. Muchos se sienten abrumados, incapaces de ponerse al día con la marea de supuestos conocimientos imprescindibles. La paradoja es evidente: el exceso de información produce desinformación. Con cada nueva "cheat sheet", con cada "curso definitivo", con cada "descubrimiento revolucionario", con cada nueva versión del chatbot de la semana, el usuario promedio queda atrapado en un círculo vicioso de aprendizaje sin aplicación real.

La falacia del experto instantáneo

El otro gran problema es la proliferación de "gurús de la IA". LinkedIn, X y mucho de la Internet que transitamos están plagadas de autoproclamados expertos quienes parecen haber descubierto el Santo Grial de la inteligencia artificial.

¿Han probado las herramientas que promocionan? ¿Han seguido alguno de los procesos que proclaman? ¿O simplemente están repitiendo lo que vieron en otro post viral? Yo no lo sé de cierto, lo supongo. La IA, como cualquier otra disciplina, requiere estudio, experimentación y un profundo conocimiento del contexto. No se trata de memorizar "los 42 prompts definitivos", sino de comprender cómo y por qué funcionan.

Cómo sobrevivir a la sobrecarga de IA

Ante este tsunami informativo propio de tabloides más que de ciencia e ingeniería, te quiero dar algunos consejos esenciales:

1.      Ve a tu ritmo: No intentes absorberlo todo en un día. La IA es una herramienta poderosa, pero su dominio requiere tiempo. Evita los cursos "exprés" que prometen convertirte en experto en "3 minutos al día".

2.      Acompáñate de verdaderos expertos: Busca mentores que hayan recorrido el camino antes que tú, que puedan guiarte con conocimiento real y no con humo digital.

3.      No te agobies: Siempre habrá alguien más adelante y alguien más atrás. Aprende de los primeros y ayuda a los segundos. La IA no es una competencia de velocidad; es una carrera de fondo.

4.      Filtra el contenido con criterio: En un entorno sobresaturado de información, aprender a discriminar fuentes confiables de aquellas que solo buscan generar clics y engagement es crucial. Pregúntate: ¿esta información proviene de una fuente académica o empresarial con respaldo? ¿El contenido tiene profundidad o solo repite lo que otros dicen?

5.      Evita el FOMO (miedo a quedarse atrás): La IA avanza rápido, sí, pero la presión por estar siempre actualizado puede ser contraproducente. Define tu propia cadencia de aprendizaje y enfócate en aquello que realmente aporte valor a tu crecimiento personal y profesional.

Llamado a la acción

El ritmo con el que se está propagando la información sobre IA es avasallador, intimidante, abusivo y, en muchos casos, irresponsable. Quizás nunca estemos a la vanguardia, pero la pregunta es: ¿realmente quieres estarlo?

Piensa en ello antes de dar clic en la próxima lista de "100 herramientas de IA que cambiarán tu vida". Quizás lo que realmente cambie tu vida sea aprender a priorizar lo que importa y avanzar con pasos firmes, en vez de correr sin rumbo en una maratón sin fin.

Sprints inteligentes: ¿cómo la IA potencia la toma de decisiones con Insights basados en datos?

Sprints inteligentes: ¿cómo la IA potencia la toma de decisiones con Insights basados en datos?

En el artículo anterior, “Más allá del sprint: ¿Por qué la IA está revolucionando la agilidad y poniendo el mundo empresarial de cabeza?” exploramos a grandes rasgos cómo es posible integrar la IA a nuestra práctica ágil tradicional. Hoy vamos a examinar con algo más de detalle cómo mejorar la toma de decisiones con información basada en datos.

Y es que, hoy por hoy, tomar decisiones informadas es más crítico que nunca. Los equipos ágiles avanzan gracias a iteraciones rápidas y a la mejora continua, pero para sobresalir realmente, necesitan algo más que intuiciones o corazonadas: requieren puntos de vista basados en datos. Los equipos pueden optimizar sus procesos de toma de decisiones aprovechando el poder de la Inteligencia Artificial (IA) para procesar enormes volúmenes de información, asegurándose de generar el mayor valor posible en cada sprint.

El papel fundamental de los datos en la toma de decisiones ágiles

Los equipos ágiles fundamentan todo su trabajo en el desarrollo iterativo y en la retroalimentación continua. Tradicionalmente, los equipos ágiles confiaban en revisiones periódicas, sesiones de retroalimentación con clientes y reuniones retrospectivas para orientar sus decisiones. Sin embargo, estos métodos, aunque valiosos, a menudo presentan retrasos inherentes y pueden pasar por alto cambios sutiles en el comportamiento de los usuarios. Con la explosión de datos digitales—desde clics y tiempos de sesión hasta el sentimiento en redes sociales y dinámicas del mercado—las organizaciones ahora disponen de herramientas que les permiten acceder a perspectivas en tiempo real capaces de influir drásticamente en la toma de decisiones.

La toma de decisiones basada en datos transforma la manera en que los equipos ágiles priorizan las historias de usuario y refinan su backlog de producto. Si además integran analítica con IA en sus procesos, los equipos pueden examinar muchos datos para detectar patrones y tendencias que de otro modo pasarían desapercibidos. Por ejemplo, una plataforma de comercio electrónico podría analizar los datos de navegación de sus usuarios para identificar en qué punto del proceso de compra se abandonan los carritos. En lugar de esperar a recibir retroalimentación anecdótica, el equipo ágil obtiene insights inmediatos y cuantificables que impulsan la planificación de un sprint cuyo objetivo sea resolver ese problema. Este enfoque minimiza el esfuerzo desperdiciado y garantiza que cada ciclo de desarrollo esté alineado con las verdaderas necesidades del usuario.

Además, los insights basados en datos permiten a los equipos predecir tendencias futuras en lugar de simplemente reaccionar a comportamientos pasados. En un entorno ágil, donde cada sprint es una oportunidad de aprendizaje, la capacidad de anticipar las necesidades de los clientes puede marcar la diferencia. Los algoritmos de IA pueden pronosticar tendencias al comparar las interacciones actuales de los usuarios con datos históricos, proporcionando una capa predictiva a la toma de decisiones. Esta capacidad predictiva no solo acelera el ciclo de desarrollo, sino que también reduce el riesgo de invertir en características que podrían no aportar el valor esperado. La integración de la IA convierte los datos en un activo estratégico, empoderando a los equipos ágiles para tomar decisiones oportunas y efectivas.

Cómo la IA transforma los datos en Insights accionables

En el núcleo de la toma de decisiones mejorada mediante IA se encuentra la habilidad de procesar y analizar datos a gran escala. Los sistemas modernos de IA utilizan algoritmos de aprendizaje automático para examinar vastos conjuntos de datos, identificando tendencias y anomalías que los analistas humanos podrían pasar por alto. Estos sistemas operan en tiempo real, actualizando continuamente sus modelos basándose en nuevos datos, lo que garantiza que los insights sean siempre actuales y relevantes. Para los equipos ágiles, esto significa que cada decisión—desde la planificación del sprint hasta la priorización de historias de usuario—puede respaldarse con datos concretos y actualizados.

Veamos un escenario en el que un equipo de desarrollo de software trabaja en una nueva funcionalidad para una aplicación móvil. Tradicionalmente, el equipo podría depender de retroalimentación esporádica de los usuarios o de unas pocas encuestas para evaluar el impacto de la funcionalidad. Sin embargo, al incorporar analíticas impulsadas por IA, el equipo puede monitorear continuamente las interacciones de los usuarios. Por ejemplo, el sistema de IA podría revelar que los usuarios abandonan la nueva funcionalidad poco después de iniciarla. Con ese insight, el equipo puede investigar más a fondo, identificar posibles problemas de usabilidad y ajustar su plan de desarrollo en el siguiente sprint. Esta respuesta rápida e informada por datos reduce el tiempo improductivo y mejora la calidad general del producto.

Más allá de los ajustes reactivos, la IA ofrece recomendaciones proactivas. Cuando analizan datos históricos y tendencias actuales, las herramientas de IA pueden predecir cuáles características o correcciones tendrán el mayor impacto en la satisfacción del usuario. Esto no solo mejora la calidad del producto final, sino que también optimiza el proceso de toma de decisiones. Los equipos ágiles ya no tienen que depender únicamente de evaluaciones subjetivas; en su lugar, pueden utilizar los insights generados por la IA para validar sus estrategias y priorizar iniciativas respaldadas por datos sólidos. El resultado es un proceso de desarrollo más eficiente, ágil y centrado en el cliente.

En el ámbito de los servicios financieros, por ejemplo, los equipos ágiles pueden utilizar la IA para mejorar la toma de decisiones en la gestión de riesgos y en la atención al cliente. Por ejemplo, un banco podría implementar un sistema basado en IA para analizar datos de transacciones y detectar actividades fraudulentas. Este sistema monitorea continuamente el comportamiento de los clientes y alerta en tiempo real ante anomalías. Cuando se detecta una actividad sospechosa, el equipo ágil puede movilizarse rápidamente para investigar y mitigar posibles riesgos. Esto no solo protege los activos del banco, sino que también refuerza la confianza del cliente. Además, la IA puede ofrecer una visión clara sobre los hábitos de gasto de los clientes, ayudando al banco a personalizar sus servicios y productos para satisfacer mejor las necesidades de sus usuarios.

Beneficios y desafíos de la toma de decisiones basada en datos

Beneficios

En primer lugar, mejora la velocidad y la precisión en la toma de decisiones. Los equipos ágiles pueden identificar y abordar rápidamente los problemas, asegurando que el producto evolucione conforme a las expectativas de los usuarios. Esto no solo eleva la calidad del producto final, sino que también acelera el tiempo de salida al mercado—una ventaja crítica en el panorama competitivo actual.

Además, las perspectivas basadas en datos fomentan una cultura de transparencia y responsabilidad. Cuando las decisiones se respaldan con datos concretos, resulta más fácil justificar cambios y asignaciones de recursos. Este enfoque objetivo minimiza los conflictos internos y alinea al equipo en torno a metas claras y medibles. La capacidad de predecir tendencias y anticipar las necesidades del cliente conduce a un proceso de desarrollo más proactivo, lo que proporciona a las empresas una ventaja estratégica frente a la competencia.

Desafíos

Uno de los principales obstáculos es la calidad de los datos. Para que la IA genere insights confiables, los datos subyacentes deben ser precisos, completos y estar libres de sesgos. Una mala calidad en los datos puede llevar a conclusiones erróneas y a esfuerzos mal direccionados, lo que en última instancia puede dañar tanto el producto como la reputación de la organización.

Otro desafío importante es el cambio cultural necesario para adoptar la toma de decisiones basada en datos. Los equipos ágiles acostumbrados a confiar en la intuición y en mecanismos tradicionales de retroalimentación pueden mostrar resistencia al cambio hacia un enfoque más analítico. Esta resistencia se puede superar mediante la educación y la capacitación, demostrando éxitos incrementales que pongan de relieve los beneficios de la integración de la IA. Además, las organizaciones deben invertir en la infraestructura y en las herramientas necesarias para recolectar, procesar y analizar datos de manera efectiva. Aunque esta inversión puede resultar significativa, los beneficios a largo plazo en términos de eficiencia e innovación suelen justificar los costos iniciales.

Tendencias futuras e implicaciones estratégicas

Apostamos por una integración aún más profunda de la IA con la agilidad, una en la que la IA no solo analiza datos, sino que también sugiere cambios estratégicos, predice variaciones del mercado e incluso automatiza partes del proceso de toma de decisiones. Por ejemplo, ya estamos explorando tecnologías emergentes de IA que nos permitan experimentar con la planificación autónoma de sprints, donde el sistema recomienda el conjunto óptimo de historias de usuario a abordar en función de datos en tiempo real y analíticas predictivas.

Desde un punto de vista estratégico, las organizaciones que inviertan en prácticas ágiles basadas en datos impulsadas por IA estarán mejor posicionadas para navegar en el maremágnum mercantil de hoy. Estas empresas podrán adaptarse rápidamente a las demandas cambiantes de los clientes, minimizar riesgos y aprovechar oportunidades que la competencia podría pasar por alto. La exitosa fusión de la IA y las prácticas ágiles se convertirá en un diferenciador crítico, sentando las bases para la próxima generación de transformación digital.

Además, a medida que las tecnologías de IA se vuelvan más sofisticadas, la colaboración entre la creatividad humana y la precisión de la máquina se profundizará. El papel de los equipos ágiles evolucionará hacia una integración en la que datos e intuición se combinen de manera armoniosa, llevando a un enfoque equilibrado que aproveche las fortalezas tanto del análisis humano como del automatizado. Esta relación simbiótica está destinada a redefinir la innovación y la eficiencia en múltiples industrias.

No, ya pasamos hace rato el punto de no retorno. No es posible avanzar en el camino que supone la agilidad sin el soporte de una herramienta tan poderosa como la inteligencia artificial. ¿Ya lo estás haciendo en tu equipo u organización?

Del caos a la sinfonía: Armoniza a tu equipo antes de que todo suene mal

Del caos a la sinfonía: Armoniza a tu equipo antes de que todo suene mal

Durante 37 años he trabajado con o acompañado a cientos de equipos y miles de personas y he tenido la oportunidad de crear con ellos productos asombrosos. Incluso he escrito y publicado libros en los últimos 15 años, una operación que siempre se logra colaborando en equipo. Es bastante satisfactorio cuando entregas al público algo en lo que has sido minucioso y le has dedicado buena parte de tus mejores momentos.

Pero también he estado allí cuando las cosas no han salido bien. No es solo tu desilusión, es la de todo un grupo de personas que se han desempeñado de la mejor manera posible para lograr un objetivo y no ha sido posible. He estudiado mucho este fenómeno de cuando las cosas no terminan bien para un equipo o para una empresa. Después de todo, las heridas físicas y hasta mentales causadas por estas caídas saltan a la vista.

Precisamente, una de las causas más frecuentes, casi endémicas, de tales decepciones es esta de la desalineación de los equipos. Y voy a empezar a explicarte de qué se trata con un ejemplo muy común. Es como cuando intento llevar a cabo un plan de salir a cenar con mi esposa y mi hija. Parece algo sencillo, ¿cierto? ¡No te apresures!

He estado en medio de ambas cuando una lleva soñando toda la semana con comida italiana mientras la otra quiere sushi porque es más digno de Instagram. Yo, en cambio, solo quiero un buen bistec porque he tenido una larga semana y necesito algo más sustancioso. En el debate emergen argumentos de que los ñoquis son un alimento reconfortante, pero hay un contraataque diciendo que el sushi es más ligero y saludable. Ni hablar de cuando trato de ser el pacificador sugiriendo un restaurante de carnes con opciones de sushi, porque te dicen: “¡Eso no cuenta como sushi de verdad!”.

Esto es esencialmente un desajuste de equipo en su forma más evidente. Todos compartimos el mismo objetivo general (cenar juntos), pero las diferentes perspectivas (comida reconfortante versus comida de moda versus comida saludable), objetivos específicos disímiles (satisfacer antojos versus comidas dignas de Instagram) y alcances discordantes (satisfacción inmediata versus experiencia culinaria) convierten todo en un caos.

¿Les suena familiar? Este tipo de desajustes ocurren todo el tiempo en los equipos y, si no se resuelven, pueden hacer que hasta las tareas más sencillas resulten agotadoras. Por suerte, al igual que en mi familia, un poco de empatía, alineación y compromiso pueden salvar el día y tal vez incluso llevar a descubrir el mejor restaurante de cocina fusión de la ciudad.

Tres formas de desalineación en los equipos

Mi historia de la cena malograda captura la esencia de los desajustes que a menudo vemos en los equipos: perspectivas diferentes, objetivos diferentes y alcances diferentes.

Diferentes perspectivas: el “elefante en la habitación”

Surgen diferentes perspectivas porque cada uno tiene su propio "enfoque" moldeado por experiencias, conocimientos y prejuicios personales. Esta es la clásica historia de los ciegos que describen un elefante: uno siente la trompa y dice que es una serpiente, otro agarra la pata y afirma que es un árbol, mientras que el que toca la cola piensa que es una cuerda. Todos tienen razón, pero no están alineados.

Este tipo de desalineación se caracteriza principalmente por:

·       Opiniones contradictorias a pesar de datos compartidos.

·       Desafíos para comprender “por qué” alguien lo ve de manera diferente.

·       Con frecuencia una fuente de frustración es: "¡¿Cómo es posible que no lo entiendan?!"

Es un hecho, las personas estamos programadas para interpretar las situaciones en función de nuestra experiencia y función. Un programador se centra en el código, mientras que alguien de mercadeo ve el impacto en el cliente. Ninguno de los dos está equivocado, pero ambos carecen de una visión completa. Es lo que alguna vez llamé “dicotomía peyorativa”. ¡Todavía recuerdo aquella reunión!

Diferentes objetivos: el tira y afloja

Se presentan distintos objetivos cuando los miembros del equipo priorizan diferentes resultados. ¿Recuerdan lo del sushi o la comida italiana? Es así. No se puede complacer a todo el mundo, a menos que se encuentren puntos en común. Los equipos se enfrentan al mismo tira y afloja cuando los individuos o los grupos tienen objetivos contrapuestos.

Lo que he visto que ocurre incluye:

·       Desacuerdos sobre lo que es "más importante".

·       Prioridades mal alineadas conducen a un desperdicio de energía.

·       La gente tira en direcciones opuestas, por ejemplo: “¡Necesitamos velocidad!” versus “¡Necesitamos calidad!”.

De primerísima mano sé que los objetivos están influenciados por los roles de los miembros del equipo, los incentivos y las definiciones individuales de éxito. Sin una visión compartida, las prioridades personales se imponen. He visto Product Owners presionando para que se lance un producto rápidamente, mientras que el equipo de desarrollo aboga por que se realicen más pruebas. Es el clásico debate de "rápido versus impecable".

Diferentes alcances: el efecto zoom

Los alcances definen cuán estrecha o amplia es nuestra perspectiva de una situación. He conocido personas que se obsesionan con los pequeños detalles mientras que otras los desestiman como si "no fueran gran cosa". De hecho, ahora que lo pienso, yo mismo he estado en ambos lados del disco. Los equipos experimentan esto cuando los individuos operan en diferentes "niveles de zoom": algunos piensan estratégicamente, otros tácticamente.

Eso es una desalineación del alcance. Si te has encontrado con algunas de estas escenas, también has estado allí:

·       Alcance limitado: "Vamos a solucionar este error".

·       Amplio alcance: "¿Cómo encaja esto en nuestro roadmap anual?"

·       Tensiones entre la corriente o dirección táctica y la estratégica del equipo o de la empresa.

El alcance también depende de las prioridades y la responsabilidad. Un desarrollador tiene la tarea de solucionar el problema de hoy, mientras que el CEO tiene en mente la participación de mercado del próximo año.

¿Y la solución?

Tengo que admitir que soy mejor resolviendo desajustes de equipos de trabajo que los emocionantes y románticos conflictos  familiares tipo sushi versus espagueti. Igual me divierto con estos y me hacen muy feliz.

Pero primero buscamos la causa raíz. ¿Qué tienen en común estos tipos de desalineación de equipos? En general, se deben a:

·    Brechas en la comunicación: con frecuencia, las suposiciones reemplazan las conversaciones reales.

·   Falta de contexto compartido: las responsabilidades y la experiencia de las personas determinan lo que consideran relevante.

·    Naturaleza humana: somos naturalmente centrados en nosotros mismos y se necesita esfuerzo para ver más allá de nuestra propia perspectiva. Esta es la raíz más compleja de todas.

Hay más orígenes, pero estos son los más comunes. En ocasiones, vas a necesitar acompañamiento para resolver estos trances, pero para ir del caos a la cohesión puedes empezar:

Creando un entendimiento compartido: incentiva a las personas a compartir sus perspectivas abiertamente. Ayuda a que todos vean el problema en su conjunto, no solo sus partes. Por ejemplo, en las reuniones, utiliza la regla “¿cuál es tu opinión?”, donde cada uno comparte su punto de vista antes de llegar a las conclusiones.

Alineándolos en torno a un objetivo común: facilita debates para identificar objetivos compartidos. Una "estrella del norte" sólida alinea las prioridades en pugna. Aquí, por ejemplo, los OKR (objetivos y resultados clave) juegan un papel fundamental para que los objetivos finalmente sean explícitos y visibles para todos.

Aclarando los alcances: aumenta y reduce la perspectiva entre todos. Analiza las prioridades inmediatas (logros a corto plazo) y cómo se relacionan con los objetivos más extensos (visión a largo plazo). Y,

Fomentando la empatía: adquiere el hábito de tener en cuenta las responsabilidades y las prioridades de los demás. Esto disminuye los juicios y fomenta la colaboración. Me ha ido bien con las dinámicas tipo “ponerse en los zapatos del otro” durante las retrospectivas o en cualquier otra sesión necesaria.

Aplico algunas de estas prácticas con mi esposa y mi hija cuando se trata de salir a divertirnos o decidir dónde cenar. En la historia que les compartí, después de un entretenido tira y afloja, ¡terminamos eligiendo comida de mar! Es algo que conecta con nuestras raíces y que siempre nos ayuda a encontrar un punto en común. Si esto es posible en mi familia—donde las decisiones a veces parecen un cónclave de las Naciones Unidas—créanme, también es posible alinear a tu equipo de trabajo.

Llamado a la acción

No es más por esta vez. Los desajustes son naturales, pero no insalvables. Fomenta la comunicación abierta, la alineación en torno a objetivos armónicos y el equilibrio de alcances. Con esto, los equipos pueden transformar la fricción en combustible. Ya sea que se trate de una sencilla cena familiar o de un proyecto de trabajo, la magia ocurre cuando todos reman en la misma dirección. Y, si todo lo demás falla, ¡siempre hay hamburguesas para cenar!