Compila hoy, rompe mañana
Introducción
El código generado por inteligencia artificial ya no es novedad. Actualmente los agentes de
IA generan una gran parte de los commits diarios en proyectos reales y repositorios de todo
tipo, desde herramientas pequeñas hasta sistemas con miles de usuarios. Y con eso, el debate
de la calidad del código sigue detenido en el mismo punto, si el código compila y funciona al
entregarse.
Este enfoque ignora la etapa más costosa, que es el mantenimiento a largo plazo. Un
programa se escribe una vez, pero se mantiene durante años y la mantenibilidad no se
demuestra simplemente haciendo un par de tests que pasan en verde. A partir de un estudio
sobre repositorios reales y de un informe anual de la industria, este artículo analiza qué ocurre
con ese código meses después de haberse integrado.
Desarrollo
Hacer las cosas a la carrera no sale bien. En programación, arreglar algo rápido para
entregarlo hoy genera problemas que alguien tendrá que resolver mañana. La inteligencia
artificial no inventó este problema, pero sí tiene una capacidad impresionante para acumular
este tipo de dificultades y aumentar el desorden que se genera.
El reporte DORA de 2025 reveló que los equipos terminan tareas más rápido, pero también
incrementa la inestabilidad en la entrega de software. El código se genera tan rápido que los
pipelines de integración y despliegue de muchas empresas no han evolucionado lo suficiente
para procesar grandes volúmenes de cambios de manera segura. Como resultado, aumentan
los fallos en los despliegues y la necesidad de rehacer el trabajo.
Al revisar 623 millones de modificaciones de código entre 2023 y 2026 que fueron los años
en que la IA llegó a hacer más commits, el estudio de GitClear mostró que la calidad se cayó
en todos los frentes:
Señal estructural medida Variación
Llamadas a funciones entre archivos -35%
Líneas movidas por refactorización -70%
Cambios sobre código con más de doce meses de antigüedad -74%
Bloques de código duplicados +81%
Señal estructural medida Variación
Llamadas a funciones entre archivos -35%
Líneas movidas por refactorización -70%
Cambios sobre código con más de doce meses de antigüedad -74%
Bloques de código duplicados +81%
Tabla 1. Variación de señales de mantenibilidad, 2023-2026. Datos de GitClear.
Los resultados muestran que el problema no está solamente en cuánto código puede
producirse, sino en lo que ocurre después de generarlo. La reducción de la refactorización y
el aumento del código duplicado sugieren que se dedica menos esfuerzo a reorganizar y
mejorar lo existente.
Los datos de GitClear sobre menor refactorización y mayor duplicación muestran que parte
del trabajo que se evita al inicio puede trasladarse al mantenimiento posterior. Cuando dichas
soluciones rápidas se acumulan, terminan convirtiéndose básicamente en deuda técnica que
posteriormente deberá resolverse.
Además, la IA crea la ilusión de corrección pero por dentro trae problemas escondidos, los
desarrolladores se enfrentan a problemas que van desde funcionalidades que no sirven o no
hacen nada y el borrado silencioso de pruebas unitarias, hasta la caída de servicios o todo el
sistema.
Debido a esto, el trabajo del desarrollador no desaparece, sino que cambia en vez de escribir
código, ahora dedica más tiempo a corregir errores y validar logs. Por esa falta de confianza
se entiende por qué los programadores dicen que no le tienen fe a la calidad del código hecho
por IA.
Figura 1. Variación de señales de mantenibilidad (2023-2026). Fuente: elaboración propia con base en datos de GitClear (2026).
La figura 1 lo deja claro, ninguna barra queda cerca de cero, lo que señala un cambio de
hábito sostenido y no una variación menor. Al mismo tiempo, creció 47 % la costumbre de
esconder errores con parches rápidos, es decir, silenciando los fallos en lugar de arreglarlos
de raíz.
Conclusiones
La inteligencia artificial ha beneficiado en muchos aspectos, su uso para generar código
puede ayudar en gran medida en el desarrollo de las funcionalidades con mayor rapidez, pero
que un programa funcione, en su entrega, no necesariamente significa que la calidad sea la
óptima según los requerimientos y menos a largo plazo, la IA se ha caracterizado por
solucionar rápido. Esto de hecho puede incurrir en que el ahorro del tiempo inicial, luego se
deba invertir en corregir errores. Por esta razón debe ser una herramienta de apoyo pero no un
reemplazo de la revisión de un desarrollador. El beneficio real de la IA dependerá no solo de
cuánto código se pueda producir, sino la mantenibilidad que puede llegar a tener en el tiempo.
Esto permite mantener abierta la discusión sobre si el ahorro de tiempo que ofrece la
inteligencia artificial justifica las dificultades que pueden aparecer después.
Referencias bibliográficas
GitClear. “The Maintainability Gap: 2026 AI Code Quality Research”. GitClear, 2026. https://www.git clear.com/the_ai_code_quality_maintainability_gap .
Google Cloud y DORA. State of AI-assisted Software Development 2025. Google, 2025. https:/ /services.google.com/fh/files/misc/2025_state_of_ai _assisted_software_development.p df.
Perry, Neil, et al. “Do Users Write More Insecure Code with AI Assistants?” ACM, 2023. https://doi.org/10.1145/3576915.3623157.
Ver diseño original de las páginas
