Investigadores de Microsoft, en Estados Unidos, han publicado un estudio sobre el uso de herramientas de programación con IA que funcionan desde la línea de comandos y su impacto en la productividad, a partir de datos de decenas de miles de ingenieros de software de la empresa. El estudio abarcó Claude Code, de Anthropic, y Copilot CLI, de GitHub, durante unos cuatro meses, del 5 de enero al 29 de abril de 2026. Según sus resultados, los ingenieros que usaron las herramientas durante la primera semana desde su implantación presentaron de media un 24 % más de pull requests fusionadas que quienes no las utilizaron.
Distribuir las herramientas no basta: el primer paso llega desde el puesto de al lado
Puede que muchos directivos y responsables imaginen que, si la empresa pone herramientas de IA a disposición de toda la plantilla, al día siguiente todo el mundo empezará a usarlas. Sin embargo, este estudio indica que lo que más influye en la decisión de probarlas por primera vez no son las explicaciones sobre sus funciones ni los avisos, sino las relaciones entre compañeros en el trabajo.
Cuando las usan los compañeros con quienes se comparte código a diario o el jefe directo, aumenta la probabilidad de que uno también empiece a utilizarlas. Los datos son concretos: si más de una cuarta parte de los compañeros que compartían con la persona el mismo superior de segundo nivel las había usado en las dos semanas anteriores, las odds de probarlas aumentaban hasta un 216 %. Si las usaba el jefe directo, aumentaban un 82 %; y si las había utilizado más de una cuarta parte de las personas con quienes se intercambiaban revisiones de código habitualmente, un 54 %.
El aumento de las odds no es lo mismo que el aumento de la probabilidad
Conviene tener en cuenta el significado de «odds». Las odds (o razón de probabilidades) expresan la posibilidad de que ocurra un suceso en relación con la posibilidad de que no ocurra. Un aumento del 216 % puede dar la impresión de que el número de usuarios se ha multiplicado por más de tres, pero no significa que la proporción de personas que utilizan la herramienta haya aumentado un 216 %. Cuando la tasa de uso inicial es baja, las diferencias pueden parecer mayores, y el aumento real del número de usuarios será menor que esa cifra.
Aun así, la tendencia está clara: los movimientos de jefes y compañeros animan a probar estas herramientas. A menudo, uno empieza a usar una herramienta nueva no tras leer el manual, sino pensando: «Si esa persona la usa, yo también». En mi opinión, es algo que puede reconocerse en muchos lugares de trabajo, no solo en los equipos de desarrollo. Que un jefe se anime a probarla y muestre cómo la utiliza en una revisión puede ser un gesto discreto, pero quizá más eficaz que los materiales de formación.
Lo que determina si se sigue usando es el flujo de trabajo habitual
Que alguien pruebe la herramienta no significa que vaya a seguir utilizándola. El estudio observó una relación entre el uso continuado y el volumen habitual de actividad de programación de cada persona. Según los resultados, los ingenieros más ocupados, que escriben mucho código y presentan pull requests con frecuencia, tienden a percibir mejor los beneficios de la IA y a incorporar la herramienta a su rutina.
Un pull request es una petición para que se incorpore al código principal el código que se ha modificado. Quienes presentan muchos también pueden tener más tareas que delegar en la IA. Cuanto más trabajo se hace, más fácil resulta percibir el efecto de la herramienta.
Un entorno conocido puede convertirse en un obstáculo para adoptar una nueva herramienta
Por otro lado, el estudio también concluyó que quienes ya utilizaban otras herramientas de IA en una interfaz de desarrollo distinta probaban las nuevas, pero tendían a no incorporarlas a su rutina. Es posible que muchas personas se sientan más cómodas en el entorno al que ya están acostumbradas.
Es algo parecido a cambiar de móvil. Aunque el nuevo tenga mejores funciones, si uno ya se ha acostumbrado a la disposición de las aplicaciones y a una forma de manejarlo, puede querer volver al anterior. Quienes introducen nuevas herramientas de IA quizá deban pensar no solo en su rendimiento, sino también en cómo encajarán en los flujos de trabajo que los usuarios ya han establecido.
Cómo interpretar el aumento del 24 % en el número de pull requests
El impacto en la productividad se midió a partir del número de pull requests fusionadas, como indicador de la cantidad de trabajo completado. Los ingenieros que usaron las herramientas durante la primera semana desde su implantación presentaron de media un 24 % más que quienes no las utilizaron. Según el estudio, el efecto se mantuvo estable durante los cuatro meses de investigación y no fue un impulso pasajero debido al entusiasmo inicial.
No obstante, la productividad se mide aquí con una sola métrica: el número de pull requests. Esta cifra no demuestra que la calidad del código, el tiempo dedicado a cada solicitud o la carga de trabajo del equipo hayan mejorado en la misma proporción. Conviene distinguir entre el hecho de que haya aumentado el número y la sensación de que el trabajo en su conjunto se haya vuelto más fácil.
Claude Code: un 11,4 %; Copilot CLI: un 24,9 %
Por herramienta, el aumento del número de pull requests frente a las semanas en que no se utilizó ninguna fue del 11,4 % entre los usuarios de Claude Code y del 24,9 % entre los de Copilot CLI. La diferencia es de aproximadamente el doble, pero sería precipitado interpretar estas cifras como una comparación directa entre ambas herramientas. Copilot CLI es una herramienta de GitHub, filial de Microsoft, y no necesariamente coinciden el uso que se hace de cada una en la empresa ni los perfiles de sus usuarios.
Aun así, son pocos los estudios que han seguido durante cuatro meses tanto la expansión del uso como sus resultados en entornos de desarrollo reales con decenas de miles de personas. Mientras el debate sobre la programación con IA suele centrarse en «qué modelo es más inteligente», estos resultados muestran la realidad de la adopción: quién empieza a usar estas herramientas y quién sigue haciéndolo. Quizá estemos entrando en una etapa en la que la capacidad para diseñar cómo se extienden en el lugar de trabajo influye en los resultados tanto como la elección de las herramientas.
コメント