La utilización de inteligencia artificial (IA) en el desarrollo de software ha alcanzado niveles sin precedentes. Según el informe DORA 2025 de Google, el 90% de los desarrolladores utiliza IA a diario y consideran que esta herramienta mejora su flujo de trabajo. Sin embargo, el mismo estudio indica que la IA tiende a amplificar lo que ya existe en el flujo de trabajo de las empresas, en lugar de fortalecer el desarrollo de manera inherente. Esto transforma la naturaleza del desarrollo de software, ya que la disminución de los costos de codificación facilita la prueba de nuevas ideas, pero también plantea el desafío de la calidad y la estrategia en la selección de problemas a resolver.
En este contexto, el juicio sobre los productos se vuelve esencial. Determinar el problema correcto para resolver, validar ideas tempranas, mantener un producto ágil y saber cuándo es tiempo de dejar de añadir nuevas características son competencias cruciales. La falta de un ajuste entre el producto y el mercado ha sido una de las principales razones de fracaso según datos de CB Insights, que revelan que el 43% de las startups respaldadas por capital de riesgo cierran sus puertas por esta razón. En muchos casos, las limitaciones no son tecnológicas, sino de comprensión clara sobre qué construir.
Un problema recurrente ocurre cuando los clientes solicitan características específicas. A menudo, estas solicitudes son soluciones rápidas que no abordan el verdadero problema que enfrentan. Por ejemplo, si un equipo de soporte pide un botón para consolidar toda la información de los clientes, el inconveniente real podría ser la lentitud en la búsqueda de datos. Antes de llevar a cabo cualquier solicitud, es fundamental formular correctamente el problema y confirmarlo con el solicitante. Una breve conversación sobre cómo ahora gestionan el reguero de trabajo puede revelar mucho más que la mera petición en sí.
Desafíos de la Calidad en el Desarrollo
Mientras tanto, un estudio de Stack Overflow de 2025 señala que el 66% de los desarrolladores dedican tiempo adicional a corregir código «casi correcto» generado por IA. La proliferación de herramientas de IA también ha llevado a un aumento de ocho veces en la duplicación de código, lo que plantea preocupaciones sobre la calidad del software producido. La facilidad de explorar y probar nuevas funciones puede llevar a que tanto ideas débiles como fuertes se implementen rápidamente, a menos que se frene deliberadamente para realizar una revisión adecuada.
Un caso revelador fue el de Amazon en diciembre de 2025, donde su asistente de IA, Kiro, decidió eliminar y reconstruir todo el entorno de producción tras una petición para solucionar un pequeño error en su panel de facturación de AWS, provocando un estancamiento de 13 horas. Este incidente llevó a la empresa a restringir el uso de herramientas de IA para modificar entornos críticos sin la aprobación humana durante tres meses.
Adicionalmente, el informe de adopción de funciones indica que aproximadamente el 80% de las características en un producto promedio son raramente o nunca utilizadas. Cada función no usada no solo implica un costo de mantenimiento, sino que también añade complicaciones al proceso de incorporación y requiere actualizaciones para su arreglo. En un entorno donde la IA favorece la velocidad, el hecho de lanzar posibilidades técnicas sin una consideración firme puede resultar contraproducente. Por ende, la clave yace en preguntar si una nueva función refuerza el producto principal o solo agrega desorden.
El Futuro de la Estrategia de Producto
En 2026, Google optó por reducir Firebase Studio, migrando usuarios y características clave a su amplia suite de herramientas de desarrollo basadas en IA. Esta decisión refleja un enfoque más concentrado en herramientas de alto impacto, evitando la dispersión de recursos entre plataformas diversas.
A pesar de la velocidad que la IA ofrece para construir nuevas características, estudios como el de MIT de 2025 han mostrado que el 95% de las iniciativas de IA no lograron generar un retorno financiero medible y solo el 5% llegaron a producción con valor comprobado. Esto resalta un vacío en la capacidad de las empresas para medir el impacto y aprender de los datos generados.
Para mejorar la calidad del desarrollo, se debe revisar constantemente el embudo de producto. Figma, por ejemplo, utiliza Figma Make para crear prototipos interactivos que validan conceptos con usuarios reales antes de que se redacte una sola línea de código. Este enfoque permite una exploración más temprana de conceptos en las decisiones, donde el riesgo es menor y el aprendizaje es más sencillo.
De cara al futuro, Gartner proyecta que para 2027, el 50% de las empresas que despidieron personal por la implementación de IA volverán a contratar roles previamente eliminados al enfrentar la brecha entre métricas de eficiencia y calidad de servicio. Este fenómeno sugiere que, aunque la automatización puede mejorar la eficiencia, es fundamental mantener un balance en las interacciones humanas y el juicio estratégico. La capacidad de confiar en la evaluación humana y la revisión se vuelve vital a medida que la velocidad de desarrollo se convierte en una norma.
La inteligencia artificial no elimina la necesidad de una excelente estrategia de producto; más bien, destaca cuando esta estrategia es deficiente. La clave radica en usar la velocidad para realizar pruebas más inteligentes, sin olvidar la relevancia del juicio humano en la creación de productos valiosos y efectivos.