Un estudio revela que el «tokenmaxxing» merma la productividad de los desarrolladores

Hay un dicho clásico en el ámbito de la gestión: «Lo que se mide, se gestiona». Y, por lo general, acabas teniendo más de aquello que controlas.

Los ingenieros de software llevan décadas debatiendo sobre las métricas de productividad, empezando por las líneas de código. Pero a medida que la nueva generación de asistentes de programación con IA genera más código que nunca, cada vez está menos claro qué deberían medir sus responsables.

Los enormes presupuestos de tokens —básicamente, la cantidad de potencia de procesamiento de IA que un desarrollador puede utilizar— se han convertido en un símbolo de estatus entre los desarrolladores de Silicon Valley. Sin embargo, esa es una forma extraña de pensar en la productividad. Medir una entrada al proceso tiene poco sentido cuando, presumiblemente, te importa más el resultado. Podría ser lógico si intentas fomentar una mayor adopción de la IA (o vender tokens), pero no si tu objetivo es ser más eficiente.

Consideremos los datos de una nueva categoría de empresas en el ámbito de la «información sobre la productividad de los desarrolladores». Están descubriendo que los desarrolladores que utilizan herramientas como Claude Code, Cursor y Codex generan un código aceptado significativamente mayor que antes. Pero también descubren que los ingenieros tienen que volver a revisar ese código aceptado con mucha más frecuencia, lo que socava las afirmaciones de una mayor productividad.

Alex Circei, director ejecutivo y fundador de Waydev, está creando una capa de inteligencia para hacer un seguimiento de estas dinámicas. Su empresa trabaja con 50 clientes diferentes que emplean a más de 10 000 ingenieros de software. (Circei ha colaborado con TechCrunch en el pasado, pero este reportero no lo había conocido antes).

Afirma que los directores de ingeniería están observando tasas de aceptación de código del 80 % al 90 %, es decir, la proporción de código generado por IA que los desarrolladores aprueban y conservan. Sin embargo, no tienen en cuenta la rotación posterior que se produce cuando los ingenieros tienen que revisar ese código en las semanas siguientes, lo que reduce la tasa de aceptación real y duradera a entre el 10 % y el 30 %.

El auge de las herramientas de codificación con IA llevó a Waydev, fundada en 2017 para ofrecer análisis para desarrolladores, a renovar por completo su plataforma en los últimos seis meses para hacer frente a la proliferación de herramientas de codificación rápida. Ahora, la empresa está lanzando nuevas herramientas que rastrean los metadatos generados por los agentes de IA, ofreciendo análisis sobre la calidad y el coste de su código para proporcionar a los directores de ingeniería una visión más profunda tanto de la adopción de la IA como de su eficacia.

Aunque las empresas de análisis tienen un incentivo para destacar los problemas que encuentran, cada vez hay más indicios de que las grandes organizaciones aún están averiguando cómo utilizar las herramientas de IA de manera eficiente. Las grandes empresas están tomando nota: Atlassian adquirió DX, otra startup de inteligencia de ingeniería, por 1000 millones de dólares el año pasado para ayudar a sus clientes a comprender el retorno de la inversión de los agentes de programación.

Los datos de todo el sector cuentan una historia coherente: se está escribiendo más código, pero una cantidad desproporcionada de este no perdura.

GitClear, otra empresa de este sector, publicó un informe en enero en el que se concluía que las herramientas de IA aumentaban la productividad. Sin embargo, sus datos también mostraban que «los usuarios habituales de IA tenían una rotación de código 9,4 veces mayor que sus homólogos que no utilizaban IA», más del doble de las ganancias de productividad que proporcionaban las herramientas.

Faros AI, una plataforma de análisis de ingeniería, se basó en dos años de datos de clientes para su informe de marzo de 2026. La conclusión: la rotación de código —líneas de código eliminadas frente a líneas añadidas— había aumentado un 861 % en entornos con alta adopción de IA.

Jellyfish, que se autodefine como una plataforma de inteligencia para la ingeniería integrada con IA, recopiló datos de 7548 ingenieros en el primer trimestre de 2026. La empresa descubrió que los ingenieros con los mayores presupuestos de tokens generaban el mayor número de solicitudes de incorporación de cambios (propuestas de modificación de un código base compartido), pero la mejora de la productividad no era proporcional. Alcanzaban el doble de rendimiento a un coste de tokens diez veces superior. En otras palabras, las herramientas están generando volumen, no valor.

Este tipo de estadísticas cobran sentido cuando se habla con los desarrolladores, quienes están constatando que las cargas de revisión de código y la deuda técnica se están acumulando, incluso mientras disfrutan de las nuevas capacidades de estas herramientas. Una conclusión común es la diferencia entre los ingenieros sénior y los junior, ya que estos últimos aceptan mucho más código generado por IA y, en consecuencia, se enfrentan a una mayor cantidad de reescritura.

Aun así, aunque los desarrolladores se esfuerzan por comprender exactamente qué hacen sus asistentes de IA, no prevén dar marcha atrás a corto plazo.

«Esta es una nueva era del desarrollo de software, y hay que adaptarse. Las empresas se ven obligadas a adaptarse», declaró Circei a TechCrunch. «No es una moda pasajera».