Un estudio de Harvard halla que los agentes de código generan más líneas, pero no más software
Con datos de 718 empresas, la revisión humana se convierte en el cuello de botella que absorbe la ganancia
Un estudio de dos investigadores de Harvard con datos de la plataforma Jellyfish —300 millones de eventos de trabajo en 718 empresas hasta marzo de 2026— concluye que los agentes de IA aumentaron un 30 % las líneas de código y un 23 % los pull requests, sin elevar de forma significativa la entrega de funcionalidades: la revisión humana se alarga un 49 % y absorbe la ganancia.
Qué ha ocurrido
Fiona Chen y James Stratton, investigadores de Harvard, han medido el impacto real de los asistentes y agentes de IA sobre código usando datos agregados de la plataforma de analítica de ingeniería Jellyfish: 300 millones de «eventos de trabajo» (commits, pull requests, incidencias en Jira, calendarios) de más de 700.000 empleados en 718 empresas entre 2021 y marzo de 2026. Aprovechando que cada empresa adoptó estas herramientas en momentos distintos, aplican una regresión de diferencias de diferencias escalonadas.
El resultado, recogido el 9 de octubre por Ars Technica: tras introducir agentes de código, las líneas generadas suben un 30 %, los commits un 20 % y los pull requests un 23 %. Sin embargo, la tasa de resolución de incidencias y epics —las unidades de software realmente entregadas— no cambia de forma estadísticamente significativa, y no pueden atribuir cambios de empleo a la IA. El motivo es la revisión: el tiempo medio de revisión de un pull request crece un 49 %, casi se duplica la proporción de pull requests que piden cambios, los comentarios por revisión suben un 35 % y un 14 % más de trabajadores acaba dedicándose a revisar código.
Por qué importa
Es de las pocas mediciones a gran escala y con datos reales de empresa —no encuestas de percepción— sobre la promesa central de los agentes de programación: más velocidad de escritura no se está traduciendo en más producto. Si el cuello de botella se desplaza del tecleo a la validación humana, las decisiones de inversión en estas herramientas deberían mirar cuánta capacidad de revisión tienen disponible sus equipos, no cuántas líneas ahorran. El propio estudio avisa de que la IA de revisión aún aporta poco: en marzo de 2026 solo el 23,3 % de los comentarios de revisión los generaba la IA y el 10,8 % de los pull requests recibía al menos un comentario generado por IA.
Qué cambió
Qué sabemos · qué no
Confirmado
- Las cifras y el método están en el documento del estudio, disponible públicamente: «Artificial Intelligence in the Firm: Bottlenecks in Software Production», job market paper de Chen y Stratton (Harvard; primera versión el 7 de enero de 2026, versión actual el 4 de agosto de 2026).
- La investigación está financiada, entre otros, por la beca Economics of AI de Stripe y el programa Stone de Harvard Kennedy School; la colaboración con Jellyfish aporta los datos propietarios.
- Los autores advierten de que el corte de datos es marzo de 2026 y los modelos han cambiado desde entonces, y de que las empresas están aún aprendiendo a desplegar agentes.
- El estudio cubre 300 millones de eventos de trabajo en 718 empresas y más de 700.000 empleados hasta marzo de 2026.
- Agentes de IA: +30 % líneas, +20 % commits, +23 % pull requests; tiempo de revisión +49 %; sin cambio significativo en entregables resueltos ni empleo.
- El 95 % de las empresas de la muestra ya implantó agentes de código; los agentes de revisión siguen siendo minoritarios en comentarios y revisiones.
- Los autores reconocen que los datos terminan en marzo de 2026 y que el entorno de modelos ha seguido cambiando.
Todavía no
- Si el cuello de botella se aliviará cuando la revisión automática madure, o si es estructural porque la responsabilidad del código exige firma humana.
- Hasta qué punto los resultados son extrapolables a empresas fuera del conjunto de clientes de Jellyfish o a equipos open source.
- Cómo evoluciona la calidad del código entregado (el estudio mide volumen de entregables y tiempos, no defectos en producción).
- Si la revisión asistida por IA llegará a descongestionar el proceso o topa con un límite de responsabilidad humana.
- El efecto sobre la calidad y los defectos en producción, que el estudio no mide directamente.
- La validez externa fuera del universo de clientes de Jellyfish.
La misma claridad, en tu correo.
IA HOY, gratis de lunes a viernes, con fuentes y contexto.
Para ir al grano técnico
- → paper
Qué vigilamos ahora
La versión revisada del paper y sus réplicas con datos posteriores a marzo de 2026, la adopción de agentes de revisión automática, y si otras plataformas de analítica (GitHub, GitLab) publican mediciones independientes del mismo patrón.
Réplicas del análisis con datos posteriores a marzo de 2026 y métricas de plataformas independientes sobre ciclos de revisión.
Fuentes
Naturaleza de la afirmación principal: Resultado de investigación. Fuente primaria consultada y verificable.
Sin fuente primaria accesible: Fuente primaria: PDF íntegro del estudio de Chen y Stratton descargado y archivado.
- Chen & Stratton (Harvard) — Artificial Intelligence in the Firm: Bottlenecks in Software Production (PDF del estudio) · nivel 1 · primaria · consultada 10 oct 2026
- Ars Technica · nivel 2 · medio · consultada 10 oct 2026
Más sobre
IA HOY · de lunes a viernes
La misma claridad,
cada día, en tu correo.
Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.
Para seguir leyendo
Investigación ·
Borrar la memoria «caducada» empeora a los agentes de IA cuando falla el clasificador
Modelos ·
Meta lanza Muse Wonder y Muse Wonder Full, sus primeros modelos frontera para agentes
Agentes ·
Un modelo de Anthropic envió una pista falsa sobre un homicidio a la Policía de Filadelfia
Empresas ·
Nous Research confirma 90 millones para llevar su agente abierto Hermes a las empresas