Más allá de la codificación de IA: el verdadero salto de productividad es saltarse el código por completo

Para toda la atención que se presta al desarrollo asistido por IA, desde herramientas de autocompletado hasta sistemas que generan repositorios completos, la conversación sigue centrada en la velocidad. Todos hablan sobre una creación de estructuras más rápida, una prototipación más rápida y una generación de código más rápida. Los equipos de productos celebran la capacidad de convertir descripciones en lenguaje natural en funciones o API en cuestión de minutos. Sí, estas ganancias son significativas, pero todavía operan dentro del mismo paradigma de software. El código se escribe, se compila, se despliega, se prueba y se mantiene. El ciclo se acelera, pero la estructura permanece intacta.

En un nivel más profundo, sin embargo, una transformación está comenzando a emerger, una que apunta al próximo avance real en productividad. Para lograr ganancias verdaderamente impresionantes, necesitamos un cambio de paradigma: no un código más rápido, sino menos código. En lugar de utilizar la IA para traducir reglas de negocio en programas que las máquinas ejecutan más tarde, la lógica empresarial se expresará directamente en lenguaje natural y se ejecutará por sistemas inteligentes. El modelo se convierte en el entorno de ejecución. Las capas de traducción desaparecen.

Este paso no es cuestión de conveniencia. Cambia la forma en que operan las organizaciones. Altera la forma en que la política se convierte en software, la forma en que la regulación se convierte en acción y la forma en que los negocios se adaptan a las presiones externas. Trae la posibilidad de reducir los ciclos de ingeniería de varios meses a actualizaciones rápidas dirigidas por políticas que se mueven tan rápido como las instituciones que las gobiernan.

Cómo la IA pasa de escribir código a ejecutar lógica

Hay tres etapas amplias de adopción de IA en el desarrollo de software. La primera es la codificación asistida por IA, donde la máquina ayuda a generar fragmentos o funciones durante el desarrollo. La segunda es la generación de sistemas por IA, donde se pueden producir componentes o arquitecturas grandes a partir de lenguaje natural. La tercera es la lógica ejecutada por IA, donde los desarrolladores no escriben el código en absoluto. En su lugar, proporcionan política, reglas o intención. El sistema interpreta esas instrucciones y actúa sobre ellas directamente.

La mayoría de la discusión de la industria sigue confinada en las dos primeras etapas. Producen eficiencias pero no alteran la estructura más profunda del software. La lógica de ramificación, las tuberías de despliegue, las pruebas de regresión y la gestión de entornos permanecen. También lo hacen la deuda técnica, la deriva de dependencias y la necesidad de equipos que puedan navegar capas de traducción complejas entre política, requisitos y código.

La oportunidad en la tercera etapa es más consecuente. Cuando la instrucción empresarial se convierte en la fuente de verdad, las organizaciones pasan de ciclos de lanzamiento de software a ejecución impulsada por instrucciones. Actualizar una regla de cumplimiento se convierte en una sola instrucción. Ajustar un umbral de puntuación de fraude se convierte en una sola instrucción. Modificar una lógica de reembolso específica de una jurisdicción se convierte en una sola instrucción. Estos cambios no se alimentan en una lista de pendientes. Se mueven directamente en la ejecución controlada a través de flujos de simulación, validación y aprobación.

Este modelo apenas comienza a formarse. Los componentes existen, pero la integración no es aún generalizada. Sin embargo, la dirección del viaje es clara.

Por qué reducir el esfuerzo de codificación no es suficiente

El código generado por IA todavía lleva las mismas cargas que el código escrito por humanos. Los sistemas requieren mantenimiento y las dependencias cambian. Además, la refactorización se vuelve inevitable a medida que evoluciona la lógica, y los ciclos de prueba y regresión persisten porque la corrección todavía depende de instrucciones estáticas escritas en un lenguaje determinista. Muchas de estas limitaciones no tienen nada que ver con quién escribió el código. Reflejan lo que fundamentalmente es el código: una capa de traducción entre la intención empresarial y la ejecución de la máquina.

Estas limitaciones se acumulan. Consumen tiempo y dinero. Incluso los repositorios generados por IA más sofisticados todavía requieren supervisión y pruebas complejas. El mantenimiento se convierte en el principal conductor de costos durante la vida de un sistema.

Investigaciones recientes han detallado estos desafíos. Un estudio sobre la deuda técnica en sistemas habilitados por IA de 2025 encontró que las organizaciones que adoptan código generado por IA todavía enfrentan problemas de mantenimiento significativos, inconsistencia arquitectónica y cargas de refactorización a largo plazo. Estos problemas aparecen independientemente de si el código es escrito por humanos o modelos, lo que sugiere que acelerar la generación de código no resuelve los límites estructurales de la ingeniería de software. Eliminar la capa de traducción por completo es el único camino hacia una productividad de cambio de escala.

Por qué el sector financiero sentirá este cambio primero

Los pagos, la banca y los servicios financieros operan bajo condiciones que recompensan la adaptabilidad. Los paisajes regulatorios cambian con frecuencia, y la orientación en dominios como la autenticación de clientes fuerte, el reembolso de fraude, las sanciones transfronterizas y la protección del consumidor está evolucionando de manera continua. Por ejemplo, la comunicación de la FCA “Querido CEO” sobre el reembolso de pagos autorizados establece expectativas claras para la supervisión y los controles a nivel de sistema en este entorno. Las instituciones a menudo pasan meses traduciendo estos cambios de política en comportamiento del sistema, y ese retraso crea una desventaja estratégica.

Un modelo de ejecución impulsada por instrucciones podría cambiar el ritmo. En lugar de codificar reglas en múltiples sistemas, las instituciones financieras podrían actualizar políticas directamente en lenguaje natural y permitir que la capa de ejecución interprete, simule y genere propuestas de despliegue. Si esto sucede, el costo de desarrollo disminuiría. Además, el riesgo de mala interpretación disminuiría, y la distancia entre la regulación y la implementación se reduciría dramáticamente.

Las expectativas regulatorias en el Reino Unido están moviéndose en la misma dirección. La declaración de política de la FCA y el Banco de Inglaterra de 2024 sobre resiliencia operativa establece requisitos más estrictos para que las instituciones financieras identifiquen vulnerabilidades, respondan al cambio y mantengan la continuidad en servicios críticos. La orientación enfatiza estructuras de gobernanza más claras y una supervisión más fuerte de los sistemas que respaldan los pagos y los controles de fraude. Las instituciones que puedan traducir la política en comportamiento operativo rápidamente estarán mejor posicionadas para cumplir con estas expectativas.

Los riesgos que los líderes deben considerar

Este cambio no está exento de desafíos. Reemplazar el código con ejecución basada en modelos introduce nuevas formas de riesgo. La determinismo se vuelve esencial, particularmente en los pagos donde la previsibilidad y la auditoría son obligatorias. La explicabilidad se vuelve crítica para el cumplimiento y la revisión regulatoria. El costo de cómputo debe controlarse. La gobernanza necesita líneas claras de responsabilidad, especialmente bajo las funciones de gestión senior.

Trabajos recientes sobre la confiabilidad y evaluación de modelos resaltan lo difícil que es mantener un comportamiento determinista a gran escala. Un estudio que revisa los benchmarks de modelos de lenguaje grande encontró que pequeños cambios en la configuración de evaluación produjeron resultados inconsistentes y a veces contradictorios. Esta variabilidad significa que cualquier capa de ejecución impulsada por instrucciones necesitará controles que incluyan modelos de guardia, procedimientos de validación, entornos de simulación y instrucciones y modelos versionados. Estos elementos serán necesarios para cumplir con las expectativas regulatorias de supervisión y resiliencia operativa.

La infraestructura que rodea los modelos de ejecución de IA definirá si las instituciones pueden adoptar este paradigma de manera segura. No es suficiente expresar reglas en lenguaje natural. Las organizaciones deben construir las capas que aseguren la corrección, la reproducibilidad y la observabilidad.

Una arquitectura potencial para sistemas de política a ejecución

Un entorno de ejecución futuro para organizaciones reguladas puede seguir una estructura donde la política se convierte en la fuente principal de verdad operativa. El proceso podría funcionar a través de varias capas:

• Política: reglas de negocio o cumplimiento expresadas directamente en lenguaje natural.
• Biblioteca de instrucciones controlada: un repositorio versionado donde se almacenan, revisan y aprueban estas reglas con un registro de auditoría completo.
• Interpretación y simulación de IA: sistemas que prueban la política, ejecutan escenarios, verifican casos límite e identifican inconsistencias antes del despliegue.
• Recomendaciones de despliegue: pasos de despliegue propuestos, incluidas barreras y evaluaciones de impacto, que requieren aprobación humana.
• Ejecución a través de API estructuradas: una vez aprobado, el sistema aplica la política validada utilizando mecanismos deterministas existentes, como motores de reglas o API predefinidas que actualizan configuraciones, umbrales o controles. La capa de IA interpreta la intención; la capa de ejecución la hace cumplir sin generar nuevo código.

Un ejemplo práctico ilustra cómo podrían operar estas capas. La FCA actualiza la orientación sobre el reembolso de fraude APP, y el equipo de cumplimiento convierte el cambio en una política escrita en lenguaje natural. La instrucción podría ser tan simple como: “Marcar todos los pagos salientes superiores a £500 donde el beneficiario se creó en las últimas 48 horas a menos que el remitente haya enviado a este beneficiario antes”. El sistema de IA prueba la instrucción, ejecuta simulaciones, verifica casos límite, produce documentación y propone un camino de despliegue. El equipo de cumplimiento revisa y aprueba la recomendación. La capa de ejecución actualiza entonces los controles relevantes sin que se escriba ni despliegue código manualmente.

Esta arquitectura mantiene la supervisión humana mientras reduce la distancia técnica entre la política y el comportamiento operativo. También proporciona un entorno controlado donde la interpretación probabilística y la ejecución determinista pueden coexistir.

Análisis de ingeniería han examinado cómo las arquitecturas híbridas pueden respaldar sistemas que combinan la interpretación basada en modelos con lógica determinista. Un estudio sobre frameworks de IA agente describe cómo las organizaciones pueden integrar componentes neuronales con estructuras basadas en reglas en un entorno operativo único. La investigación sugiere que este tipo de diseño puede simplificar la coordinación entre sistemas, mantener límites más claros alrededor de operaciones críticas y crear caminos de ejecución que permanecen predecibles suficientemente para contextos regulados.

Pensamientos finales

Las herramientas de codificación de IA seguirán mejorando. Acelerarán el desarrollo de software y reducirán el esfuerzo. Pero no resuelven los límites subyacentes de traducir la intención empresarial en código determinista. El próximo cambio en productividad vendrá de eliminar completamente esa capa de traducción.

Las organizaciones que comiencen a prepararse para la ejecución impulsada por instrucciones ahora ganarán velocidad, resiliencia y claridad. Podrán adaptarse a los cambios regulatorios rápidamente y reducir la fricción de ingeniería. También construirán la infraestructura necesaria para flujos de trabajo impulsados por máquinas autónomas.

Las instituciones que sigan centradas en la generación de código capturarán la eficiencia. Las instituciones que se muevan más allá del código capturarán la ventaja estratégica.