Mide el progreso útil

Define el resultado antes de elegir la métrica

Una herramienta de IA puede producir código rápidamente. El resultado útil es un cambio que satisface una necesidad del usuario con el nivel de calidad requerido. Son medidas distintas.

Las líneas generadas, las sugerencias aceptadas y las ejecuciones de agentes describen actividad. Pueden ayudarte a entender el uso de una herramienta. No demuestran que un servicio haya mejorado ni que el equipo haya entregado trabajo útil antes.

Empieza con una pregunta. Por ejemplo: «¿Reduce este flujo el esfuerzo total necesario para completar una tarea pequeña de mantenimiento?». Define qué significa terminar antes de recoger resultados. Incluye las pruebas, la revisión y la documentación necesarias.

Cuenta la tarea completa

Considera un cambio ficticio en un filtro de informes. Sin IA, la implementación tarda 60 minutos y la revisión, 10 minutos. Con IA, la implementación tarda 30 minutos y la revisión, 45 minutos.

La implementación es más rápida. El esfuerzo medido para estas fases aumenta de 70 a 75 minutos. Ningún resultado incluye preparación, correcciones posteriores ni defectos después de la publicación. Mantén visibles estas limitaciones.

Estas cifras ilustran un cálculo. No son resultados de investigación ni una previsión para tu equipo. El aumento de revisión puede deberse a un diff más grande, código desconocido o un requisito ausente. Investiga la causa antes de cambiar la política de herramientas.

Separa el esfuerzo del tiempo transcurrido

El esfuerzo mide el tiempo que las personas dedican al trabajo. El tiempo transcurrido incluye las esperas. Un agente puede ejecutar comprobaciones mientras un desarrollador realiza otra tarea. No cuentes dos veces el mismo tiempo humano. Registra también cuánto espera el cambio por una revisión o por un entorno.

Un flujo puede reducir el esfuerzo sin acortar el plazo de entrega. Esto ocurre, por ejemplo, cuando una cola de aprobaciones determina la fecha de finalización. El esfuerzo ahorrado puede seguir siendo valioso, pero la organización debe decidir por separado cómo aprovecharlo.

Pregunta a los desarrolladores si el flujo les ayuda a comprender el sistema y a mantener la concentración. Trata sus respuestas como datos sobre la experiencia. No conviertas una sensación de rapidez en un porcentaje de mejora verificado.

Lee la investigación dentro de sus límites

METR observó una ralentización en un estudio concreto de principios de 2025 con desarrolladores experimentados de código abierto. El estudio no estableció un efecto para todos los desarrolladores ni para todas las tareas. Su actualización de febrero de 2026 describió efectos de selección y problemas de medición en un experimento posterior.

La lección útil se refiere a la medición. Las versiones de las herramientas, la selección de tareas, los requisitos de calidad y el comportamiento de los participantes pueden cambiar el resultado. No uses un porcentaje histórico como regla permanente para el desarrollo con IA.

La investigación de DORA de 2025 también señala la importancia de la organización que rodea a las herramientas. Un equipo necesita prácticas de desarrollo eficaces para convertir la capacidad de las herramientas en resultados útiles de entrega.

Haz una comparación pequeña y repetible

Usa tareas representativas y los mismos criterios de finalización. Registra las versiones del modelo y de las herramientas. Incluye los intentos fallidos y el esfuerzo de revisión. Compara varias tareas en lugar de elegir la mejor demostración.

Comunica el intervalo de resultados y las principales limitaciones. Si un cambio reduce el esfuerzo pero aumenta los defectos, investiga antes de ampliarlo. Si el resultado es mixto, limita la recomendación a los tipos de tareas para los que haya pruebas útiles.

Una buena medición permite tomar una siguiente decisión concreta. No necesita demostrar que la IA sea buena o mala en todos los casos.