Resumen del contenido principal
La tasa de generación de código por parte de las tecnologías AI ya ha alcanzado el 60% (como en el caso de Kuaishou), pero la eficiencia general de I+D de las empresas no ha mejorado en consecuencia. El problema no radica en la capacidad de generación de AI, sino en que mejorar la eficiencia individual no implica necesariamente mejorar la eficiencia organizativa: los modelos tradicionales de producción e I+D, la pérdida de contexto colaborativo y la falta de acumulación de conocimiento son factores clave. Al mismo tiempo, las herramientas AI están evolucionando de ser simplemente asistentes individuales (como Copilot) a sistemas de colaboración en equipo (Agent Teams), y personal no relacionado con I+D (como operadores y desarrolladores de productos) también está comenzando a utilizar AI para crear software. En el futuro, AI cambiará la estructura organizativa de las empresas, pero la capacidad de los humanos para tomar decisiones y comprender las necesidades de los usuarios seguirá siendo un factor clave de competitividad.
I. AI acelera el trabajo individual, pero las organizaciones no están al día: tres razones principales de la estancación en la eficiencia
Muchas empresas han observado que los ingenieros escriben código 40% más rápido con la ayuda de AI, pero los ciclos de proyecto no se han acortado y la producción total del equipo no ha aumentado. El problema radica en tres aspectos:
1. Modelos organizativos obsoletos: todavía se sigue utilizando la división tradicional entre frontend y backend, así como procesos separados para el desarrollo de productos y las pruebas, lo que no se adapta a la era de AI. Por ejemplo, aunque AI puede generar código en varios archivos, los equipos siguen trabajando de manera fragmentada, lo que conlleva a coordinaciones repetidas y pérdida de tiempo.
2. Pérdida de información durante la colaboración: al transmitir las necesidades desde el departamento comercial hasta el de I+D, se pierde el contexto necesario (como el contexto del negocio o las reglas del sistema). Aunque AI puede generar código, si no cuenta con toda la información relevante, es posible que el resultado no cumpla con los requisitos y sea necesario rehacer el trabajo.
3. Conocimiento disperso: el conocimiento comercial (como las necesidades de los usuarios), el conocimiento específico del sector (como las reglas de los sistemas de comercio electrónico) y el conocimiento técnico (como las normas de codificación) están distribuido entre diferentes personas, lo que impide que AI pueda acceder a esta información de manera eficiente, resultando en código no estándar o en desarrollos duplicados.
II. ¿Qué problemas pueden surgir cuando las empresas utilizan AI para la programación?
Aunque las demostraciones de AI parecen impresionantes, en la práctica pueden aparecer problemas como desvíos del plan inicial, cambios erráticos en la arquitectura del software o inseguridad en el código. Las grandes empresas solucionan estos problemas de la siguiente manera:
- Desvíos en tareas largas: antes de que AI comience a trabajar, se le pide que aclare los requisitos detalladamente (por ejemplo, mediante un proceso de planificación estructurada como SDD). Una vez que el equipo humano confirma que el plan es correcto, AI puede generar el código.
- Confiabilidad del código: se adoptan medidas de seguridad dobles: se proporciona a AI información sobre las normas de codificación y los requisitos de arquitectura con antelación; además, se realizan revisiones cruzadas por parte de otros usuarios de AI, y se incluyen pruebas automatizadas. Finalmente, antes de la implementación, el código es verificado por un humano.
- Control del contexto: las tareas complejas se dividen en subtareas que son gestionadas por diferentes equipos de AI, lo que evita la acumulación de toda la información en una sola entidad.
III. ¿Es real la tendencia de que personas no relacionadas con I+D puedan crear software?
Actualmente, operadores, desarrolladores de productos e incluso expertos financieros están utilizando AI para generar aplicaciones pequeñas (como sistemas de registro o herramientas de análisis de datos). Esto no es solo una ilusión, sino una realidad en curso:
- Casos prácticos: Kuaishou ha proporcionado herramientas AI a personal no relacionado con I+D para desarrollar sistemas de registro y herramientas de análisis financiero; la herramienta Muse de REDnote permite que usuarios no técnicos generen contenido creativo directamente antes de su lanzamiento, utilizando bases de datos y funciones de AI.
- Cuestiones de seguridad y calidad: dado que los no técnicos pueden cometer errores en el código (por ejemplo, al incluir vulnerabilidades), es necesario que un humano supervise el proceso final (como las operaciones en la base de datos o las interfaces de pago). Sin embargo, la creación de demostraciones y herramientas automatizadas es completamente factible.
- Tendencia futura: esto se convertirá en la norma. Al igual que la imprenta mecanizada permitió que más personas pudieran imprimir, AI hará que más personas puedan desarrollar software. Lo importante no es escribir código, sino ser capaz de identificar necesidades y comprender a los usuarios.
IV. ¿Deberían las empresas desarrollar sus propias herramientas o comprarlas? El verdadero obstáculo no son los modelos, sino la organización
Las herramientas AI externas (como Claude Code o Cursor) se actualizan con rapidez, lo que plantea dudas sobre si las empresas deberían desarrollar sus propias soluciones:
- Equipos pequeños/empresas emergentes: es más económico y rápido comprar herramientas ya existentes, ya que las comunidades tecnológicas ofrecen opciones adecuadas (por ejemplo, pueden utilizarse con solo adquirir los tokens necesarios).
- Grandes empresas: adoptan un enfoque híbrido: desarrollan componentes clave (como la integración con sistemas internos o el control de seguridad) y utilizan herramientas externas para tareas específicas. Esto se debe a que las grandes empresas tienen problemas técnicos heredados y necesitan adaptar estas herramientas a sus propios sistemas.
- El verdadero obstáculo: no son los modelos ni las herramientas en sí, sino la capacidad organizativa y el grado de integración entre equipos humanos y tecnología.
V. ¿Cambiará AI la estructura de las empresas para siempre en 2028?
Dos expertos estiman que esto traerá cambios drásticos:
- Estructura organizativa: no existirán empresas puramente dedicadas al desarrollo de software; todas serán compañías que utilizan tecnologías AI. Los equipos trabajarán de manera más ágil y cerrada (por ejemplo, equipos pequeños podrían completar todo el proceso desde la identificación de necesidades hasta la implementación del software).
- Papel de los humanos: los programadores dejarán de ser simplemente creadores de código para convertirse en “descubridores de necesidades” que colaboran con AI (por ejemplo, utilizando AI para crear documentos de especificación de requisitos, diseñar prototipos o realizar análisis de la competencia). La distinción entre programadores principiantes y expertos se volverá menos clara, pero las personas con buen gusto y capacidad de toma de decisiones seguirán siendo cruciales.
- Cambios en los costos: si en el futuro los modelos AI se vuelven tan económicos como la electricidad, surgirán muchas aplicaciones dirigidas al consumidor (por ejemplo, personas podrían utilizar AI para desarrollar sus propias aplicaciones móviles).
En resumen: AI no reemplazará a los humanos, pero cambiará el modo en que estos trabajan, pasando de escribir código a tomar decisiones y buscar oportunidades.
En una frase: La programación con AI no es simplemente la adopción de herramientas más avanzadas; se trata de redefinir cómo trabajan los equipos, cómo se utiliza el conocimiento y cómo colaboran humanos y tecnologías. Quienes logren adaptar mejor sus organizaciones y sistemas a las tecnologías AI serán los primeros en mejorar su eficiencia.