El experimento controlado más riguroso hecho hasta ahora sobre productividad con IA en programación encontró que los desarrolladores expertos fueron más lentos usándola, no más rápidos. Y no se dieron cuenta. Para la banca centroamericana, que apenas empieza a integrar IA a nivel estratégico, ese hallazgo debería pesar más que cualquier demo.

En julio de 2025, un laboratorio independiente de evaluación de inteligencia artificial llamado METR hizo algo que casi ningún proveedor de tecnología hace: midió, con un diseño experimental aleatorizado, si la IA realmente acelera a los desarrolladores de software. No usó tareas de laboratorio ni benchmarks sintéticos. Reclutó a 16 desarrolladores con años de experiencia trabajando en los mismos repositorios de código abierto que iban a intervenir proyectos maduros, de más de un millón de líneas de código y los asignó al azar a resolver tareas reales, con o sin asistencia de IA: corrección de errores, nuevas funcionalidades, refactorizaciones.

El resultado contradijo todo lo que se esperaba. Los desarrolladores tardaron 19% más en completar sus tareas cuando usaban herramientas de IA que cuando no las usaban. Antes del experimento, expertos consultados habían pronosticado una aceleración cercana al 40%. Al terminar, los propios participantes seguían creyendo que la IA los había hecho 20% más rápidos. La diferencia entre lo que sintieron y lo que en realidad ocurrió no fue un margen de error. Fue casi 40 puntos porcentuales de distancia entre percepción y realidad.

19% más lento  ·  20% más “rápido” (según ellos) METR, julio de 2025 — 16 desarrolladores senior, tareas reales en repositorios maduros

Este es el dato que debería incomodar a cualquier comité de tecnología que esté evaluando IA para desarrollo o pruebas de software: si desarrolladores senior, con años de dominio sobre el código que estaban tocando, no pudieron distinguir por sí mismos que estaban trabajando más lento, ¿qué posibilidad tiene una organización de detectar ese mismo efecto sin medirlo de forma deliberada?

La respuesta corta es ninguna. Y ahí está el problema de fondo: la mayoría de las instituciones que están adoptando IA en sus equipos de desarrollo lo están haciendo basadas en la misma clase de percepción subjetiva que el estudio de METR demostró que es poco confiable. Sin una métrica objetiva de por medio: tiempo real de entrega, tasa de defectos en producción, esfuerzo de revisión; una organización puede pasar meses "sintiendo" que su velocidad mejoró mientras sus datos dicen exactamente lo contrario.

Este hallazgo no significa que la IA sea inútil para el desarrollo de software. Significa que su valor depende enteramente del tipo de tarea y del nivel de estructura que la rodea. Una investigación separada del National Bureau of Economic Research, sobre más de 5.000 agentes de atención al cliente que empezaron a usar un asistente generativo, encontró un incremento promedio del 14% en problemas resueltos por hora, con un salto de hasta 34% entre los trabajadores menos experimentados.

La diferencia entre ambos estudios no es un error de metodología. Es la variable que define si la IA ayuda o estorba: en un proceso de atención al cliente, acotado, con guías claras y respuestas predecibles, la IA funciona como un acelerador genuino, sobre todo para quien tiene menos experiencia. En un sistema de software maduro, con lógica de negocio compleja y dependencias que solo alguien con contexto profundo puede evaluar, la misma tecnología introduce fricción, revisión adicional y decisiones que un modelo no puede tomar con criterio. Un core bancario, un motor de scoring crediticio o un sistema de detección de fraude se parecen mucho más al segundo escenario que al primero.

Hay una segunda línea de investigación, todavía reciente, que le está poniendo nombre a un fenómeno que la industria de desarrollo apenas empieza a nombrar con precisión: la deuda cognitiva, también descrita en la literatura académica como deuda epistémica. No es simplemente código difícil de mantener: eso ya lo describía la deuda técnica clásica. Es la ausencia de comprensión real, dentro del equipo, sobre cómo funciona el código que ese mismo equipo aceptó sin revisar a fondo.

Cuando un desarrollador acepta una sugerencia extensa generada por IA sin dedicarle el mismo nivel de escrutinio que le daría a un pull request de un colega, el sistema sigue funcionando, pero el conocimiento sobre por qué funciona queda atrapado en un contexto que nadie del equipo puede reconstruir. El costo de eso no aparece el día del lanzamiento. Aparece meses después, cuando ese componente falla en producción y nadie en la sala puede explicar con certeza qué se rompió ni por qué, porque nadie lo entendió del todo la primera vez.

Para una institución financiera, ese no es un problema de productividad de ingeniería. Es un problema de continuidad de negocio y de cumplimiento regulatorio: un auditor no acepta como respuesta que "el sistema funciona, pero no sabemos exactamente por qué".

Esta discusión no es teórica para la banca de la región. Según cifras citadas por Forbes Centroamérica, apenas 8% de los bancos centroamericanos había integrado la inteligencia artificial a nivel estratégico durante 2025, aunque la mayoría ya superó la etapa de pilotos aislados. Es una región que está entrando a esta ola más tarde que otros mercados, lo cual puede leerse como una desventaja o como una oportunidad: llegar después significa poder aprender de los tropiezos que otros ya tuvieron, en lugar de repetirlos.

8%  ·  54%  ·  43% / 42% Bancos con IA estratégica integrada (2025) · empresas con herramientas de riesgo especializadas · empresas que ven los riesgos éticos como la principal amenaza (CA / México) — Forbes Centroamérica y KPMG, 2026

El informe "Riesgos en México y Centroamérica 2026" de KPMG añade un segundo dato que conecta directamente con todo lo anterior: solo 54% de las empresas centroamericanas usa herramientas especializadas para gestionar riesgos tecnológicos. Y cuando se les pregunta qué las preocupa más del uso de IA, 43% de las empresas centroamericanas y 42% de las mexicanas señalan los desafíos éticos como el riesgo principal, por encima de los riesgos puramente técnicos o de seguridad. Un documento regional de estabilidad financiera publicado en agosto de 2026 va un paso más allá: advierte que el uso generalizado de modelos de IA en la banca puede amplificar correlaciones entre instituciones y acelerar episodios de tensión sistémica cuando muchos bancos reaccionan de forma parecida ante la misma señal.

Leídos juntos, estos tres datos describen una región que está a tiempo de adoptar IA en desarrollo y en aseguramiento de calidad con una disciplina que otros mercados, más adelantados, tuvieron que aprender a golpes.

En Q-Vision hemos acompañado procesos de modernización de core bancario, desarrollo de software y aseguramiento de calidad en instituciones financieras de Colombia, México, Panamá y Ecuador durante más de veinte años, y el patrón detrás del hallazgo de METR no nos resulta nuevo. Cada ola tecnológica trae la misma tentación: medir el éxito por la velocidad con la que algo se lanza, en lugar de por la solidez con la que sigue funcionando seis meses después. Con la banca móvil pasó. Con los pagos inmediatos pasó. Con la IA en desarrollo y en pruebas está pasando exactamente igual, solo que ahora la ciencia ya tiene los números para probarlo.

Nuestra práctica de aseguramiento de calidad no se construyó para frenar la adopción de IA en el desarrollo de software financiero. Se construyó para que esa adopción se mida con la misma exigencia con la que se mide cualquier sistema que va a sostener dinero de terceros: con métricas objetivas de rendimiento, con pruebas continuas diseñadas para un código cuyo comportamiento puede cambiar entre una versión y la siguiente, y con la disciplina de exigir que alguien del equipo entienda, de verdad, cada componente crítico que termina en producción, sin importar quién o qué lo haya escrito primero.

Ningún banco de la región va a detener su adopción de IA en desarrollo esperando el próximo estudio y tampoco debería. Pero la evidencia disponible hoy deja una tarea concreta sobre la mesa de cualquier CIO o CTO: antes de reportarle a su junta directiva que la IA aceleró sus ciclos de desarrollo, hay que poder demostrarlo con datos medidos, no con la misma sensación que hace que dieciséis desarrolladores expertos crean haber ganado tiempo cuando en realidad lo perdieron.

La institución que se tome en serio este escenario y construya la disciplina de medición, gobernanza y pruebas continuas necesaria para responderla con evidencia, no solo va a evitar el error que la ciencia ya documentó. Va a estar construyendo, desde ahora, la ventaja que el resto de la industria todavía está confundiendo con velocidad.