«¿Quién ha escrito esto?»
La funcionalidad seguía funcionando y sus tests pasaban. Sin embargo, pocas semanas después de construirla con ayuda de IA, modificarla exigía reconstruir decisiones que nunca se habían registrado.
El problema no era el código generado. Era la falta de conexión entre ese código, sus requisitos, las restricciones que lo condicionaban y la evidencia usada para aceptarlo.
Lo que deja fuera el desarrollo asistido por IA
El informe McKinsey 2024 sobre IA generativa en software describe mejoras de productividad en implementación, documentación y refactorización. Esas métricas miden la velocidad de producción, no la facilidad con la que otra persona podrá entender o cambiar el resultado más tarde.
Un estudio de McKinsey de 2023 sobre productividad de desarrolladores con IA generativa también señala que las herramientas generalistas no conocen las necesidades específicas de un proyecto u organización. Ese contexto todavía tiene que aportarlo y revisarlo una persona.
De un proceso lineal a un bucle de feedback
Después de dedicar tres días a modificar esa funcionalidad, el artefacto que faltaba quedó claro: las razones de sus decisiones de diseño no habían viajado con el código.
La investigación sobre desarrollo asistido por IA aterriza una y otra vez en la misma asimetría: las ganancias de productividad se concentran en las tareas sencillas, mientras que el trabajo complejo necesita que su contexto y su intención de diseño se preserven para beneficiarse siquiera. En este paradigma emergente, el razonamiento detrás de las decisiones se vuelve tan crítico como el propio código.
Es un problema de flujo de trabajo. Si la intención desaparece después de implementar, el siguiente cambio empieza reconstruyéndola. El artículo sobre contexto en el desarrollo asistido por IA explica cómo conservar esas conexiones.
Cinco principios operativos para el desarrollo AI-First
1. Contexto como creación primaria
Según la Encuesta para Desarrolladores 2023 de Stack Overflow, el 63% de los desarrolladores profesionales declara dedicar más de 30 minutos al día buscando respuestas o soluciones. Registrar el contexto como parte del trabajo reduce lo que habrá que reconstruir después.
En el desarrollo AI-First, el requisito, la decisión y la evidencia de aceptación son artefactos de primer nivel. El código es una implementación de ese contexto, no su único registro.
El cambio al que apunta esto va de «código como producto» a «conocimiento como producto»: las organizaciones que tratan lo que saben, y el porqué, como su activo principal son aquellas cuya inversión en IA se acumula en vez de pudrirse.
2. Arquitectura guiada por intención
El informe 2024 del McKinsey Center for Future Mobility señala que los equipos que usan IA generativa para entender requisitos de negocio y diseñar arquitectura basada en la intención «ayudan a los desarrolladores a capturar y traducir necesidades de negocio en especificaciones técnicas con más precisión, lo que reduce malentendidos».
La arquitectura guiada por intención registra por qué existe un límite, además de cómo funciona. El propósito y las restricciones de un componente siguen disponibles cuando cambia su implementación.
Los analistas del sector llevan tiempo rastreando la misma deriva hacia sistemas basados en intención en la infraestructura. El reconocimiento de fondo es más amplio que cualquier informe: en entornos complejos habilitados por IA, la arquitectura debe diseñarse en torno a intención y propósito, no solo a funcionalidad técnica.
3. Conocimiento como entidad viva
El informe Octoverse 2024 de GitHub midió un crecimiento interanual del 98% en proyectos de IA generativa en la plataforma. La adopción de las herramientas ya está resuelta; lo que distingue a los equipos ahora es si el conocimiento que esas herramientas producen y consumen se mantiene vivo.
El conocimiento del proyecto cambia con el sistema. Por eso la documentación necesita responsables, versiones y enlaces al trabajo que describe, en lugar de vivir como una instantánea separada.
Según el informe McKinsey 2023 sobre el estado de la IA, las organizaciones que han incrustado grafos de conocimiento en sus procesos junto con capacidades de IA muestran sistemáticamente mejor rendimiento. El estudio detecta que los «high-performers» de IA — aquellas empresas que atribuyen al menos un 20% de su EBIT a la IA — tienen «muchas más probabilidades que el resto de afirmar que sus organizaciones han incrustado grafos de conocimiento en al menos un producto o función de negocio», lo que permite mejor contextualización de la información y outputs de IA más precisos.
4. Revisión humana con asistencia de IA
Una investigación del estudio McKinsey 2024 sobre desarrollo de software automotriz detectó que los desarrolladores con formación adecuada en IA «usaban gen AI un 60% más a la semana que cuando no contaban con esos programas. La participación mejoró y, tras la formación, el 95% de los desarrolladores afirmó que la gen AI tiene un impacto positivo en su experiencia como desarrollador».
La IA puede redactar y transformar la implementación, mientras las personas siguen siendo responsables de los requisitos, los trade-offs y la aceptación. El límite útil es la responsabilidad, no quién escribió cada línea.
Los años transcurridos desde entonces lo han confirmado en la práctica: los desarrolladores que más sacan de los agentes no son los que teclean más rápido, sino los que estructuran el contexto, la intención y la verificación alrededor de la colaboración.
5. Arquitectura contextual de decisión
El informe McKinsey 2023 sobre el potencial económico de la IA generativa estima que esta tecnología podría aportar entre 2,6 y 4,4 billones de dólares anuales a la economía global. Capturar cualquier parte de ese valor con el tiempo depende de algo que la cifra esconde: saber, más tarde, por qué los sistemas que construiste son como son.
Los registros de decisión necesitan la razón, las restricciones y las alternativas descartadas, no solo la opción elegida.
Según el análisis 2023 de Harvard Business Review sobre implementación de IA, las organizaciones que documentan no solo qué decisiones se han tomado sino por qué, son significativamente más exitosas manteniendo sistemas de IA a lo largo del tiempo y extrayendo valor sostenido de su inversión en IA.
Diferencias frente a enfoques cercanos
La diferencia práctica está en dónde coloca cada enfoque el contexto y las decisiones:
| Paradigma | Foco principal | Tratamiento del conocimiento | Enfoque de decisión | Output principal |
|---|---|---|---|---|
| Cascada | Proceso secuencial | Documentación estática | Pre-implementación | Corrección del código |
| Ágil | Entrega iterativa | Documentación actualizada | Durante iteraciones | Software funcionando |
| DevOps | Pipeline de integración | Documentación automatizada | Continua | Velocidad de despliegue |
| AI-First | Preservación del contexto | Conocimiento vivo | Guiada por intención | Contexto + código |
El patrón de la tabla es consistente: los paradigmas tradicionales tratan el conocimiento como un subproducto del desarrollo, mientras que AI-First lo trata como el producto principal, con el código como su expresión.
Implicaciones para los equipos de software
El informe McKinsey 2024 sobre el próximo capítulo de la tecnología empresarial describe tres efectos que los equipos deben planificar:
- «A medida que aumenta la productividad del personal, la velocidad a la que IT puede concebir, construir y lanzar capacidades también se espera que aumente, mientras el coste de ese trabajo bajará».
- Sin embargo, «la gen AI puede no reducir el presupuesto de tecnología empresarial de inmediato. En su lugar, impulsará una reasignación estratégica dentro de la cartera, con líderes tecnológicos centrándose cada vez más en proyectos de crecimiento en lugar de mantenimiento rutinario».
- Las organizaciones necesitan «reforzar la planificación y la gestión del riesgo para sostener este ritmo acelerado».
El informe también recomienda revisar el equilibrio entre patrones artesanales e industriales a medida que cambian las prioridades de negocio.
Para los equipos de software, eso significa conservar no solo qué se construyó, sino por qué se tomaron las decisiones y qué evidencia las respaldó.
Qué cambian estos principios
Estos principios son operativos: registrar por qué existe un cambio, mantener los requisitos conectados con la implementación y adjuntar la verificación al mismo contexto. Así se reduce el trabajo de reconstrucción y se ofrece a personas y agentes una base mejor para los cambios futuros.
Para los equipos que quieran implementar estos principios en la práctica, el framework PAELLADOC ofrece un sistema integral para preservar contexto a lo largo de todo el ciclo de desarrollo.
Este artículo establece los fundamentos filosóficos del desarrollo AI-First. Fuentes revisadas por última vez en julio de 2026; las cifras que ya no se pudieron rastrear hasta su estudio original se eliminaron en lugar de mantenerlas por fe.
El artículo de PAELLADOC sobre contexto muestra cómo estos principios se traducen en una estructura de trabajo.
Preguntas frecuentes
¿Por qué el código generado por IA se vuelve inmantenible?
La IA genera código que funciona y pasa los tests, pero rara vez deja registrado por qué se tomó una decisión. Meses después, cambiar ese código obliga a reconstruir una intención que nunca se capturó: las restricciones, las alternativas descartadas, la razón de negocio. El código no es de baja calidad; lo que falta es el contexto a su alrededor. Ese hueco, no la IA, es lo que convierte una función rápida en un laberinto que nadie quiere tocar.
¿Cuáles son los principios del desarrollo AI-First?
Este artículo plantea cinco: el contexto como creación primaria y no como subproducto; una arquitectura guiada por la intención, organizada en torno al propósito y no solo a la función; el conocimiento como entidad viva que evoluciona con el sistema; la colaboración humano-IA como una asociación real; y una arquitectura de decisiones que registra por qué se eligió algo, no solo qué se decidió. Juntos invierten el viejo orden donde el código era primario y el contexto secundario.
¿El código generado por IA necesita documentación?
Necesita algo mejor que la documentación tradicional: contexto ligado al código y mantenido vivo a medida que el código cambia. Los documentos estáticos en un wiki aparte se pudren y se ignoran. Lo que importa es capturar el razonamiento detrás de las decisiones generadas por IA — requisitos, trade-offs, caminos descartados — cerca del código, para que la siguiente persona, o la siguiente sesión de IA, actúe sobre la intención en lugar de adivinarla.