Llevo un tiempo empachado de promesas de futuro. No sé a vosotros, pero a mí todo este ruido de fondo me tiene un poco cansado. Abres cualquier red social y es imposible esquivar la avalancha de certezas absolutas, recetas mágicas de productividad y promesas de que estamos a un paso de que cualquiera, desde su sofá y con tres frases bien escritas, construya un imperio tecnológico.

Parece que si no estás multiplicando tu rendimiento por diez es porque no quieres. Pero detrás de este espectáculo de fuegos artificiales hay un par de realidades incómodas (una económica y otra cognitiva) de las que se habla bastante menos. Y creo que va siendo hora de añadir unos cuantos grises a la conversación.

El espejismo del ROI y la devaluación del código (“softflation”)

Empecemos por lo tangible, el dinero, que al final es lo que mueve el mundo (nos guste más o menos, pero es así). Toda la narrativa actual de la hiperproductividad barata se sostiene sobre una ilusión financiera. Hoy nos parece normal tener acceso a la tecnología de cálculo más avanzada de la historia por el precio de un par de menús diarios. Pero la realidad es que estamos consumiendo un producto profundamente subvencionado a pérdidas por las Big Tech en una lucha encarnizada por captar cuota de mercado. El coste de computación real de cada consulta que hacemos supera con creces lo que pagamos de forma proporcional.

¿Qué pasará cuando estas empresas tengan que sincerar sus costes para empezar a dar beneficios reales? Cuando la tarifa se ajuste al coste real de infraestructura, el precio de las suscripciones y de las APIs se disparará. Y no es una hipótesis lejana: la propia Gartner predice que, para 2028, el coste de la programación asistida por IA superará el salario medio de un desarrollador, empujado por el consumo desbocado de tokens y por los modelos de pago por uso. Hoy, casi una cuarta parte de los líderes tecnológicos ya gasta entre 200 y 500 dólares al mes por programador solo en tokens.

En ese escenario, el supuesto retorno de inversión (ROI) de muchas empresas se evapora. De hecho, según el estudio The GenAI Divide del MIT, el 95% de los proyectos piloto de IA generativa no logra ningún retorno medible en la cuenta de resultados. Solo un 5% consigue mover de verdad la aguja. No es un problema de los modelos: es la brecha entre adoptar la herramienta y transformar realmente el negocio.

Pero imaginemos por un momento que los costes se mantienen bajos. ¿Significa eso que la hiperproductividad nos hará a todos más ricos? Mi opinión es que no. Y aquí es donde entra lo que algunos economistas ya empiezan a llamar “softflation” (la deflación del valor del software).

Tradicionalmente, el software obtenía su valor del coste de desarrollo: el talento, las horas de diseño, la escasez de buenos programadores… La IA rompe esta barrera al reducir el coste marginal de generar código con un coste cercano a cero. Si ahora cualquiera puede desarrollar una aplicación o añadir cincuenta funcionalidades en una tarde, el software se comoditiza.

Y aquí llega la trampa comercial: tus clientes no te van a pagar más dinero por tener más funcionalidades que probablemente ni lleguen a utilizar. Al contrario; al haber más competencia capaz de replicar tu producto (o lo que cada uno necesite de tu producto) en unos pocos días gracias a la IA, la presión del mercado empujará los precios a la baja. Producimos más código, más rápido y con más features, pero el valor percibido del producto final se desploma. El modelo comercial pre-IA, diseñado para cobrar por tiempo de ejecución o complejidad de desarrollo, simplemente no está preparado para absorber esta dinámica sin colapsar.

Y ojo, que esto no significa que el software pase a valer cero. El valor no se evapora, se muda. Deja de estar en producir código (ahora casi gratis) y se refugia en lo que sigue siendo caro y escaso: la orquestación, la fiabilidad, la integración a largo plazo y el criterio para saber qué merece la pena construir. El mercado se polariza: en un extremo, la ultra-commodity que cualquiera se monta en una tarde; en el otro, los fosos (moats) de verdad: la distribución, la marca, los datos… Lo que se desploma es el término medio. Y da la casualidad de que ahí es donde vive hoy la mayor parte del software que pagamos.

La tiranía de la campana de Gauss y el sesgo del superviviente

“Pero yo he visto a un tío en Twitter que ha montado un SaaS funcional en tres horas sin saber programar y ya está facturando”.

Claro que sí. Y yo también lo he visto. Pero eso tiene un nombre muy viejo y muy humano: el sesgo del superviviente.

Nos bombardean constantemente con los casos de éxito excepcionales de la tecnología, esas anomalías estadísticas que se sitúan en el extremo derecho de la campana de Gauss. Esos “supervivientes” suelen ser profesionales brillantes que ya contaban con un conocimiento técnico brutal y un criterio de negocio excepcional. Para ellos, la IA es una palanca maravillosa.

Pero el mercado no puede funcionar basándose en la excepción. El mercado es la media. Y en el centro de la campana, donde por definición habita la inmensa mayoría en el día a día, la realidad es muy distinta.

Cuando un CTO o el dueño de una PYME planifica sus presupuestos o diseña sus plazos de entrega asumiendo que toda su plantilla va a rendir un 10x gracias a la IA, está cometiendo un error de diagnóstico fatal. No todo el mundo es igual de inteligente, ni todo el mundo tiene el mismo criterio, ni todo el mundo sabrá utilizar estas nuevas herramientas con el mismo nivel de excelencia.

La velocidad extrema de generación de la IA está provocando dos nuevos tipos de deuda que amenazan con hundir los proyectos que no estén liderados por expertos:

  • La deuda de verificación (un concepto de Werner Vogels, CTO de AWS, en su última keynote de re:Invent): la brecha insostenible entre la velocidad a la que la IA escupe código y la velocidad biológica a la que un humano puede revisarlo, entenderlo y testearlo de verdad. Como el ritmo de la máquina es inasumible, acabamos aprobando cosas “por encima”, acumulando errores invisibles que estallarán en producción. Y no son pocos: un informe de Veracode que analizó más de cien modelos encontró que el 45% del código generado por IA contenía alguna vulnerabilidad de seguridad conocida. Cuando el ritmo te empuja a aprobar sin mirar, esos agujeros pasan el filtro sin que nadie se entere.
  • La deuda de comprensión: ocurre cuando un desarrollador acepta la solución que le propone la IA sin llegar a entender realmente la lógica matemática o el algoritmo que hay detrás. Ese código nace muerto: nadie lo entiende, ni siquiera quien lo “escribió”. Cuando ese sistema falle (y fallará), depurarlo costará hasta cuatro veces más tiempo. No porque el código sea un misterio (lo tienes ahí delante), sino porque no vive en tu cabeza: no lo construiste tú, así que para localizar el fallo te toca reconstruir un contexto que nunca llegaste a tener, leyendo mucho más de lo que el bug afecta en realidad. Y la trampa final es que la máquina que lo escribió a veces sabe arreglar sus propios destrozos… y a veces no. Y cuando no, te quedas tú solo delante de medio proyecto que no entiendes, teniendo que desenredarlo a mano.

La asimetría cognitiva: de creadores a correctores de “slop”

Y esto nos lleva, inevitablemente, al terreno que más me apasiona: el comportamiento humano y el desgaste de nuestros propios cerebros.

Siempre ha habido herramientas que mejoraban el trabajo del artesano. Un buen carpintero utiliza mejor un formón que uno malo, pero incluso el carpintero mediocre, a base de insistir, consigue hacer una mesa funcional. Sin embargo, la IA es la primera tecnología que, en mi humilde y sesgada opinión, depende de una forma casi dramática de las capacidades cognitivas de quien la maneja. No es un ecualizador; es un amplificador de la brecha cognitiva.

Y aquí es donde las dos historias, la económica y la cognitiva, se dan la mano. Porque a la IA no le hace falta convertirnos a todos en genios: le basta con subir el nivel medio lo justo para que el valor de lo que produce ese nivel medio se desplome. Si antes solo el 20% hacía buen software y ahora lo hace “suficientemente bien” el 40%, ese software deja de ser escaso, y con la escasez se va también su precio y su estatus.

A nivel cerebral, escribir código o diseñar una solución desde cero activa nuestra memoria de evocación (tenemos que construir activamente el modelo mental del problema, conectar variables, predecir efectos secundarios). Cuando usamos IA, nuestro cerebro se relaja y pasa a un modo pasivo de reconocimiento (leer lo que sugiere la pantalla y decidir si “parece correcto”).

El problema es que la forma de comunicarse de los modelos de lenguaje es tan “humana” y suena tan coherente que, a la mínima que nos relajamos, nos la cuelan. Con elegancia, pero hasta el fondo. Si no tienes un conocimiento profundo del dominio, careces del criterio para auditar el resultado. De hecho, un estudio de METR con desarrolladores experimentados trabajando sobre bases de código que conocían bien reveló algo demoledor: tardaban un 19% más en terminar sus tareas usando IA. Y lo mejor no es eso, sino que ellos estaban convencidos de haber ido un 20% más rápido. El tiempo que supuestamente ahorran escribiendo lo pierden (multiplicado) atrapados en bucles de corrección intentando que la máquina entienda por qué su solución no funciona.

Y esto tiene un coste psicológico brutal que ya se empieza a conocer como la fatiga cognitiva por IA (AI vibe coding fatigue).

Programar, diseñar, escribir… son actividades creativas. Tienen un componente de gratificación enorme cuando logras resolver el rompecabezas con tu propio esfuerzo. Al delegar la creación en la IA, el rol del humano se desplaza. Dejamos de ser creadores y nos convertimos en revisores. Y eso rompe el sistema de recompensa y por tanto la motivación. Y sin esa motivación es difícil mantener en el medio-largo plazo cierto grado de excelencia.

Va llegando la hora de ir cerrando, al menos por ahora

La tecnología avanza de forma exponencial (concatenación de sigmoides para ser más preciso) mientras que nuestra biología lo hace a un ritmo evolutivo mucho más lento.

Y no quiero que nada de esto suene pesimista. Yo mismo utilizo la IA a diario desde hace más de un año y, a día de hoy, me parece una herramienta increíble. Pero sigo pensando que el concepto de “centauro” de Kaspárov (un humano potenciado por una máquina trabajando en equipo) sigue siendo el camino más inteligente. Pero para subirnos a lomos de ese caballo primero tenemos que bajarnos de la nube del hype.

Para sacarle a la IA un valor real, rentable y sostenible hace falta justo aquello que no viene incluido en la cuota mensual: cabeza para decidir qué merece la pena construir, criterio para separar lo que funciona de lo que solo lo aparenta y un conocimiento del dominio lo bastante profundo como para pillar a la máquina cuando te la intenta colar. Ejecutar rápido ha dejado de ser una ventaja, porque ahora ejecuta rápido cualquiera. Lo que no se ha comoditizado, y es lo que de verdad separa a unos de otros, es el juicio para saber qué pedirle y cuándo desconfiar de lo que te devuelve.

Y esa es, para mí, la gran paradoja de todo esto: cuanto más potente se vuelve la “máquina”, más peso cae sobre lo que esa “máquina” no tiene. El criterio para decidir qué merece la pena. La paciencia para dudar de una respuesta que suena impecable. Así que no, no creo que estemos a un paso de que cualquiera levante un imperio desde el sofá. Creo que estamos a un paso de tener que demostrar, más que nunca, qué ponemos nosotros encima de la mesa.

Como siempre, esto no es más que una reflexión que empecé a sacar ayer por la noche de mi cabeza y que ha terminado de coger forma esta mañana, poniendo un poco de orden en mi cabecita loca. No pretendo tener razón, no escribo para eso. Pero sería bonito que estas más o menos 4 horas que le he dedicado acabaran en una bonita conversación, llena de acuerdos y desacuerdos, que nos enriquecieran aunque solo sea un poco a ambas partes. A mí con eso me vale. Y si te animas a la conversación, ya sabes, al café invito yo.

P.D., por aquello de la coherencia: sería un poco cínico soltar todo este sermón sin admitir que este texto está escrito con IA (más o menos, sería muy largo explicar los detalles). Pero no del modo en que le pides a un chatbot “hazme un post con cinco claves sobre la IA” y lo publicas tal cual. Detrás hay una conversación larguísima con un asistente que me he montado yo, alimentado con mis artículos y con mi forma de pensar, y usarlo es casi como discutir conmigo mismo en voz alta (con la ventaja de poder pedirle que salga a buscar ideas similares o si hay quien defiende lo contrario y qué datos podrían tumbar o reafirmar mis hipótesis). De ahí salió un borrador que he reescrito no sé cuántas veces: párrafos enteros a la basura, matices, ruido fuera, palabras cambiadas una y otra vez hasta que, más o menos, este texto sonara a mí.

No te voy a decir que cada palabra sea mía, porque no lo es. Pero cada idea y cada hipótesis han salido de mi cabeza. Y puedo firmar el resultado sin que se me caiga la cara de vergüenza. Y esa es justo la parte que quería defender: la IA bien usada no es un altavoz para producir más y llamar más la atención, sino una palanca para profundizar, para pensar mejor y para enriquecer lo que ya llevabas dentro. Casualmente, lo contrario del espejismo del que iba todo esto.