El costo de construir software cayó de forma notable con la irrupción de herramientas de inteligencia artificial. Tareas que antes consumían buena parte de un sprint ahora se completan en una tarde, y equipos más pequeños producen volúmenes de cambio significativamente mayores. Hasta ahí las buenas noticias.
El problema, según Gidwani, CEO y fundador de KOSMOS, es que «ninguna de esas ganancias tocó el costo de entender un cambio que se comporta mal». Dos curvas moviéndose a velocidades completamente distintas: la de producción, en caída libre; la de investigación, prácticamente estancada.
El activo que desaparece: la memoria institucional
Cuando un ingeniero construía el cambio, también cargaba algo que nunca quedaba registrado en ningún sistema: la intención. Sabía qué problema resolvía, qué alternativas descartó y, sobre todo, qué parte del código le generaba dudas al momento de desplegarlo. Esa conversación, según Gidwani, «colapsa horas de reconstrucción en unos cinco minutos».
Cuando el agente de IA escribe el cambio, ese interlocutor no existe. El ingeniero puede haber revisado y aprobado el pull request sin desarrollar el mismo contexto que habría adquirido construyéndolo él mismo. Seis semanas después, cuando la integración falla de nuevo, la memoria institucional que antes acortaba la investigación simplemente no está.
El costo invisible que no tiene línea en el presupuesto
Gidwani introduce el concepto de «economía de la investigación»: el tiempo de ingeniería y el esfuerzo organizacional dedicados a reconstruir qué ocurrió, por qué ocurrió y si ya ocurrió antes. Es un gasto operativo sin partida presupuestaria propia, que crece en silencio.
El mecanismo de ocultamiento es técnico: el tiempo de investigación vive dentro de la ventana de resolución total. Los reportes de nivel de servicio muestran el tiempo completo, pero nunca desglosan cuánto se gastó solo en entender qué pasó antes de poder arreglarlo. Las escalaciones se cuentan; las investigaciones reales, casi nunca.
A eso se suma la recurrencia: un problema resuelto en marzo reaparece en septiembre con un número de caso distinto, y nada en la cola lo identifica como trabajo ya realizado.
La recomendación operativa
Gidwani propone tres acciones concretas: separar el conteo de escalaciones del de investigaciones; extraer el «tiempo hasta la causa raíz» del «tiempo hasta la resolución» y medirlos por separado; y preguntarse con honestidad adónde va el entendimiento cuando alguien finalmente descubre por qué ocurrió un incidente. Si la respuesta es un comentario en un ticket o un hilo de chat, «estás dirigiendo una organización que no puede capitalizar lo que aprende».
---
Desde la perspectiva de Ágora Capital, el diagnóstico de Gidwani apunta a una ineficiencia de mercado clásica: el precio visible de producir código baja, pero el costo total —incluyendo la investigación y la recurrencia— no necesariamente lo hace. Las empresas que optimizan solo la métrica visible pueden estar acumulando un pasivo operativo que no aparece en ningún dashboard.
El capital fluye hacia donde los retornos son medibles. Si la «economía de la investigación» sigue sin instrumentarse, el mercado tardará en asignarle precio. Las compañías que logren hacerlo primero —convertir ese costo oculto en una variable gestionable— tendrán una ventaja de productividad real, no solo una historia de automatización.