La IA está transformando el desarrollo de software al mejorar cada etapa del SDLC—planificación, codificación, revisión, pruebas y lanzamiento. El CEO de Jellyfish, Andrew Lau, aconseja a los líderes priorizar la adopción y avanzar en la medición más allá de las métricas de codificación hacia los resultados de la cadena de valor, asegurando ganancias de productividad reales en lugar de aceleraciones locales.

Por qué esto importa ahora

La IA ya no es un complemento para la codificación; está redefiniendo cómo funcionan los flujos de trabajo del software de principio a fin—desde la planificación y la revisión hasta el lanzamiento y la operación. En su entrevista con McKinsey, Andrew Lau (CEO de Jellyfish) argumenta que el impacto depende de la adopción y la medición a lo largo de todo el ciclo de vida, no solo de la generación de código.

Puntos clave

• La IA impulsa la transformación del SDLC: El ciclo de vida del software está siendo redefinido a medida que los equipos instrumentan la planificación, codificación, revisión, pruebas y lanzamiento con asistencia de IA.

• La medición de la productividad debe evolucionar: Las organizaciones deben ir más allá de las métricas de salida (por ejemplo, líneas de código) hacia medidas de flujo de valor vinculadas a resultados empresariales.

• Revisiones y pruebas más inteligentes: La IA acelera la revisión de código y la generación de pruebas, pero el rendimiento de principio a fin solo mejora cuando los procesos circundantes se modernizan.

Qué hay de nuevo o cómo funciona

Desde la perspectiva de Lau, los ganadores en 2026 (1) integrarán la IA a lo largo del SDLC, (2) invertirán en habilitación y gestión del cambio, y (3) modernizarán las métricas para rastrear la eficiencia del flujo, la calidad y el impacto en el cliente. La investigación de Jellyfish de 2025 muestra una adopción creciente y la creencia de que una porción significativa del desarrollo se trasladará a la IA con el tiempo—pero el verdadero ROI depende de la adopción a nivel de programa y no de usos aislados.

Pasos prácticos (guía para 2026)

1. Instrumentar toda la cadena de valor
   Rastrear el tiempo de entrega, tiempo de revisión, frecuencia de despliegue, tasa de falla de cambios y MTTR junto al uso de IA—no solo la velocidad de codificación. Usar estos para establecer límites y mostrar el impacto real.

2. Rediseñar la revisión de código con IA en el ciclo
   Estandarizar las instrucciones y políticas para revisiones asistidas por IA; requerir aprobación humana para cambios arriesgados; medir la tasa de escapes de defectos y la reelaboración a lo largo del tiempo.

3. Desplazar el enfoque de pruebas hacia el inicio
   Utilizar IA para proponer casos de prueba a partir de requisitos, generar pruebas unitarias con objetivos de cobertura, y resumir automáticamente patrones de prueba inestables para su remediación. Vincular resultados a defectos escapados y recuentos de incidentes.

4. Adopción antes de expansión
   Lau enfatiza que la adopción impulsa el impacto. Comenzar con unos pocos equipos, ofrecer capacitación y guías, y escalar solo cuando las métricas de flujo de valor mejoren.

5. Actualizar el modelo de medición
   Sustituir los proxys de productividad local (conteo de PR, LoC) con métricas de flujo y resultados (tiempo de ciclo por etapa, tiempo hasta el valor del usuario). Alinear incentivos para que los equipos optimicen todo el sistema.

Comprobación de la realidad: El análisis de Bain (resumido por ITPro) encuentra que la codificación es <40% del día de un desarrollador; las mejoras solo de codificación no transformarán los resultados a menos que también se optimicen la planificación, revisión y lanzamiento.

Ejemplos para pilotar este trimestre

• Acelerador de revisión: La IA sugiere diferencias en las que enfocarse, señala patrones arriesgados y redacta comentarios; los mantenedores aprueban/rechazan. Medir el tiempo de revisión y los defectos post-merge.

• De requisitos a pruebas: La IA convierte los criterios de aceptación en esqueletos de prueba; los ingenieros completan los casos extremos. Rastrear cobertura y errores escapados.

• Resumidor de operaciones: La IA genera líneas de tiempo de incidentes y tareas de seguimiento después de postmortems; medir MTTR y tasas de cierre de acciones.

Preguntas frecuentes

P1: ¿Cómo mejora la productividad del desarrollador la IA?
Automatizando tareas repetitivas y acelerando revisiones/pruebas, pero las ganancias sostenibles provienen de medir y mejorar el flujo completo, no solo la velocidad de codificación. McKinsey & Company

P2: ¿Qué papel juega la IA en la revisión de código?
La IA identifica cambios arriesgados, redacta comentarios y agiliza el enfoque del revisor, mientras que los humanos mantienen la aprobación. Los equipos deben rastrear el tiempo de revisión, la tasa de escapes de defectos y la reelaboración. McKinsey & Company

P3: ¿Cómo afecta el SDLC en general?
Según Jellyfish, el SDLC está siendo redefinido: la adopción impulsa el impacto, la medición debe evolucionar y se está presentando una nueva ola de herramientas—requiriendo flujos de trabajo y habilidades actualizadas. LinkedIn

Fuentes:

• Entrevista de McKinsey con Andrew Lau (10 de diciembre de 2025). McKinsey & Company

• Sala de prensa de Jellyfish: destacados de Estado de la Gestión de Ingeniería 2025. Jellyfish

• Resúmenes sociales de Jellyfish: “El SDLC está siendo redefinido; la adopción impulsa el impacto; la medición debe evolucionar.” LinkedIn

• ITPro sobre la investigación de Bain: las ganancias solo de codificación son “poco destacables” sin un rediseño del ciclo de vida. IT Pro

Próximos pasos

¿Quiere ayuda para medir el impacto de la IA en su todo el ciclo de vida, no solo la codificación? Generation Digital puede diseñar un modelo de medición de flujo de valor, pilotar IA en la revisión de código y pruebas, y construir el plan de adopción.