Los números primero. En su ensayo, Barney Krishnan plantea que la productividad real del software solo aparece cuando se «retrofita» la infraestructura heredada, se rediseñan las métricas de ingeniería y se aprovecha el «paradoja de Jevons». Su tesis es que reemplazar tareas aisladas con asistentes de IA deja ganancias limitadas si el proceso sigue fragmentado.
Krishnan usa como paralelo los molinos de algodón británicos de inicios del siglo XIX. Explica que, cuando surgió la maquinaria de hilado, los industriales intentaron un reemplazo uno a uno: «100 trabajadores con 100 máquinas». Pero el salto grande no llegó hasta que se reorganizó la línea de producción con marcos horizontales largos y un sistema integrado. El mensaje central es claro: no fue la máquina sola, sino el rediseño del sistema, lo que cambió la productividad.
Llevado al desarrollo de software, el autor sostiene que muchas empresas repiten ese error. Dice que desplegar asistentes para programadores o generadores de pruebas produce mejoras modestas si las especificaciones tardan semanas en aclararse o si QA tiene que reconciliar manualmente contextos arquitectónicos rotos. En su visión, la IA debe orquestar el ciclo completo, desde requisitos y especificaciones funcionales hasta síntesis de código, pruebas automáticas y despliegue.
Para eso, propone dos piezas: un marco de ejecución de extremo a extremo y una capa universal de contexto y conocimiento que preserve memoria institucional. Esa capa, afirma, debe retener restricciones de infraestructura, reglas, pull requests previos y decisiones heredadas para que los agentes de IA actúen con criterio.
Krishnan también plantea un cambio en el trabajo humano. A medida que la automatización absorbe tareas tácticas como escribir código repetitivo, casos de prueba y documentación funcional, el talento se mueve hacia arriba en la cadena de valor. Su frase es contundente: «El diseño es el nuevo código». En esa transición, el ingeniero pasa a concentrarse en arquitectura, modelado de dominio, experiencia de usuario, administración de estados y modelado de bases de datos.
El autor advierte además que las empresas no pueden poner herramientas de IA sobre plataformas SDLC fragmentadas y esperar retornos plenos. Dice que, para capturar valor, deben reforzar cimientos, rehacer toolchains, unificar gateways de API y middleware, y estandarizar la gobernanza en toda la cadena de entrega.
Su lectura más amplia se apoya en la paradoja de Jevons: al abaratar el costo unitario, la demanda total crece. Krishnan cree que la IA generativa no reducirá el trabajo de ingeniería, sino que lo expandirá. Si producir software cuesta menos, las organizaciones crearán más herramientas personalizadas, aplicaciones hiperpersonalizadas e integraciones de nicho.
La conclusión tiene lectura de mercado: la ventaja no estará en sumar más automatización por reflejo, sino en capitalizarla con reglas claras, infraestructura sólida y métricas que midan resiliencia, no volumen. En tecnología, como en cualquier sector intensivo en capital, la productividad no nace de comprar una herramienta, sino de reorganizar el proceso para que el flujo de valor no se atasque.
Ese es el punto que distingue a los ganadores de los rezagados. Quien solo persiga velocidad aparente puede inflar el ruido; quien rediseñe el sistema captura margen, retorno y productividad. El mercado ya votó: la IA vale por su capacidad de reordenar el trabajo, no por generar más líneas de código.