La realidad de la generación de código de Flux encuentra que la velocidad del código empresarial está superando la visibilidad

Flux’s nuevo informe de la realidad de la generación de código de AI, basado en una investigación independiente realizada por Dimensional Research, muestra que el código generado por AI ha pasado de la experimentación a la desarrollo de software empresarial mainstream. La encuesta de 309 líderes y practicantes de ingeniería en cinco continentes encontró que el 44,7% de las organizaciones ya tienen código generado por AI en producción, mientras que otro 35,0% están utilizando AI para escribir código pero aún no lo han enviado.

El código generado por AI se ha convertido en estándar, pero la confianza no ha alcanzado

El informe deja claro que el debate ya no es si los equipos de ingeniería utilizarán AI para escribir código. Ese cambio ya ha sucedido. La pregunta más importante es si las organizaciones pueden entender, revisar, asegurar y gobernar el creciente volumen de código que AI está ayudando a producir.

Solo una pequeña parte de los encuestados aún están en la línea de espera. Mientras que el 44,7% tiene código generado por AI en producción y el 35,0% lo está utilizando fuera de la producción, otro 16,2% planea utilizar código generado por AI dentro de los próximos 12 meses, y el 4,2% planea hacerlo más tarde. En términos prácticos, el informe sugiere que la adopción casi universal se está acercando, pero la confianza en la implementación sigue siendo desigual.

Esa vacilación no se debe a una falta de productividad. Se debe a la visibilidad. Flux enmarca el problema como una “brecha de visibilidad de AI”: los equipos pueden generar código más rápido de lo que pueden inspeccionarlo, contextualizarlo y controlarlo con confianza.

AI se está confiando primero con trabajo de bajo riesgo y repetitivo

La adopción más fuerte está sucediendo en áreas donde los patrones son predecibles y los fallos son más fáciles de contener. Según el informe, los equipos de ingeniería están utilizando código generado por AI con más frecuencia para la documentación en un 68,7%, pruebas unitarias en un 65,9% y funciones simples en un 57,7%. La revisión de código también aparece en un 57,7%, mientras que el 50,4% de los encuestados dice que AI se está utilizando para crear nuevas funciones.

Esta distribución es reveladora. Las organizaciones no están entregando ciegamente la arquitectura central o los flujos de trabajo críticos de la misión. Están comenzando con tareas estructuradas y repetitivas donde AI puede reducir el trabajo tedioso y mejorar la velocidad sin introducir inmediatamente grandes riesgos comerciales.

Los beneficios de productividad son reales. Entre los usuarios actuales de código generado por AI, el 67,1% informa una mayor productividad, el 61,8% informa una prototipación más rápida, el 58,5% informa una mejor documentación y el 48,4% informa una reducción de los costos de desarrollo. Pero el informe también muestra una brecha entre la expectativa y la realidad en cuanto a la calidad. Mientras que el 47,6% de los no usuarios esperan que el código generado por AI reduzca los errores, solo el 34,6% de los usuarios actuales dice que están viendo realmente menos errores.

El cuello de botella se ha movido de escribir código a revisar código

AI ha hecho que la creación de código sea más fácil, pero eso ha ejercido más presión sobre la revisión, las pruebas y la gestión de riesgos. Casi el 80% de los encuestados dedican al menos el 10% de su tiempo a la revisión de código, y aproximadamente uno de cada diez dedica el 41% o más de su tiempo revisando código.

Esto importa porque el código generado por AI cambia el ritmo del desarrollo de software. Más código puede producirse, las solicitudes de extracción pueden aumentar en volumen y los revisores pueden tener menos contexto sobre cómo o por qué se creó algo. El informe encuentra que los mayores desafíos para entender los cambios en la base de código incluyen código complejo en un 53,7%, diferentes equipos de desarrollo que utilizan diferentes enfoques en un 46,3%, mala documentación en un 43,0% y grandes volúmenes de cambios en un 37,9%.

Esto es donde el riesgo se vuelve más que teórico. Cuando se les preguntó qué cambios semana a semana son más difíciles de detectar, los encuestados señalaron problemas de seguridad en un 49,2%, cambios de dependencia en un 47,7% y impactos en el rendimiento en un 44,1%. Estos no son preocupaciones menores; son precisamente los tipos de cambios que pueden crear incidentes de producción, exposición a la cumplimiento o deuda técnica a largo plazo.

El código generado por AI no es claramente mejor o peor, pero es diferente

Una de las conclusiones más interesantes es que los encuestados están divididos sobre si el código generado por AI crea más problemas que el código escrito por humanos. El 32,9% dice que el código generado por AI crea algo o sustancialmente más problemas, mientras que el 33,4% dice que crea algo o sustancialmente menos problemas, y el 29,7% dice que crea aproximadamente la misma cantidad de problemas.

Esta división sugiere que el impacto del código generado por AI depende mucho del entorno que lo rodea. El código de AI puede funcionar bien cuando se combina con prácticas de revisión sólidas, cobertura de pruebas, herramientas de seguridad y gobernanza. Puede crear más problemas cuando las organizaciones lo adoptan para la velocidad sin mejorar los sistemas utilizados para evaluar la salida.

Los impactos negativos informados por las organizaciones muestran dónde está apareciendo la fricción. El 41,1% cita oportunidades de aprendizaje reducidas para los desarrolladores juniors, el 32,6% dice que el código generado por AI no entrega la funcionalidad solicitada, el 31,6% informa dependencias no deseadas, el 31,6% informa vulnerabilidades de seguridad y el 29,5% dice que el código generado por AI puede ser difícil de depurar.

El riesgo del código de AI se ha movido más allá de la ingeniería

El informe también muestra que el código generado por AI ya no es solo un tema de gestión de ingeniería. Se ha convertido en un tema de riesgo empresarial.

Los equipos de seguridad son el grupo de partes interesadas más preocupado, citado por el 62,5% de los encuestados. La cumplimiento sigue en un 51,5%, mientras que el 46,9% cita al liderazgo de CTO o CIO, y el 40,8% señala a los equipos legales. La preocupación también se extiende a operaciones, QA, gestión de productos, CEOs, éxito del cliente y incluso marketing.

Esta ampliación del mapa de partes interesadas refleja un cambio más grande. Una vez que el código generado por AI alcanza la producción, sus consecuencias pueden afectar la protección de datos, la experiencia del cliente, la postura de seguridad, la auditoría y las obligaciones contractuales. El código puede estar escrito dentro de la organización de ingeniería, pero el riesgo se distribuye en toda la empresa.

Las salvaguardas se están convirtiendo en infraestructura de producción central

Las empresas ya están respondiendo invirtiendo en nuevas salvaguardas. El informe encontró que el 45,6% ha invertido en herramientas de análisis de calidad de código, el 39,0% está utilizando herramientas de revisión de código automatizadas, el 38,5% ha agregado pruebas de seguridad de aplicación estáticas, el 35,9% ha adoptado análisis de composición de software, el 32,3% está utilizando pruebas de seguridad de aplicación interactivas y el 31,3% ha implementado clases de capacitación para asistentes de codificación específicos.

Los cambios en el proceso también son generalizados. El 57,4% ha introducido políticas que describen el uso de código generado por AI, el 49,2% requiere capacitación sobre el uso de código generado por AI, el 45,1% ha hecho que las revisiones de código sean más robustas y el 40,5% ha asignado a más desarrolladores para centrarse en la revisión de código.

Estas inversiones no están sucediendo en el vacío. Solo el 3,6% de los encuestados dice que los problemas introducidos por AI nunca alcanzan la producción. Por el contrario, el 4,6% dice que alcanzan la producción con frecuencia, el 30,3% dice que lo hacen a veces, el 31,8% dice que lo hacen ocasionalmente y el 23,6% dice que lo hacen rara vez. En otras palabras, para la mayoría de las organizaciones que utilizan código generado por AI, el impacto en la producción ya es una realidad recurrente.

La próxima fase de la codificación de AI será sobre el control

El informe también captura una paradoja: muchos líderes de ingeniería creen que AI puede ayudar a resolver la carga de revisión que AI mismo está aumentando. El 64,9% de los encuestados cree que AI podría superar a los humanos en al menos algunos aspectos de la revisión de código, mientras que el 21,1% no está de acuerdo y el 14,0% no tiene opinión.

Los encuestados ven a AI como potencialmente más fuerte en la aplicación de estándares uniformes y en la provisión de un análisis más exhaustivo, ambos en un 57,4%. También señalan la identificación de patrones en todo el código en un 53,3%, una retroalimentación más rápida en un 51,8%, la detección de más problemas en un 49,7% y la disponibilidad las 24 horas en un 48,2%.

Esto apunta a la próxima etapa de la adopción de AI empresarial en el desarrollo de software. AI no simplemente escribirá más código. Se utilizará cada vez más para inspeccionar, clasificar, priorizar y gobernar los cambios en el código. Los ganadores pueden no ser los equipos que generen la mayor cantidad de código, sino los que construyan la imagen más clara de qué cambió, dónde se está acumulando el riesgo y qué decisiones humanas aún importan.

La realidad de la generación de código de AI muestra el desafío empresarial real

El informe de Flux finalmente apunta a una fase más madura de la adopción de AI en ingeniería. El código en sí ya no es la parte difícil. El problema más difícil es la visibilidad, la capacidad de revisión, la gobernanza y la confianza.

El código generado por AI ahora está en producción en casi la mitad de las organizaciones encuestadas, pero los sistemas que lo rodean aún están alcanzando. Para los líderes de ingeniería, la implicación es clara: la codificación de AI puede acelerar el desarrollo, pero solo si las organizaciones también pueden escalar las salvaguardas, el contexto y la rendición de cuentas necesarios para mantener los sistemas de producción confiables. Como la realidad de la generación de código de AI hace claro, el futuro del desarrollo de software asistido por AI se definirá menos por la cantidad de código que AI puede producir, y más por la confianza con la que las empresas pueden entender y enviarlo.