El mantenimiento software IA se ha convertido en el nuevo cuello de botella: la IA acelera la generación de código, pero el coste se traslada a mantenerlo en producción, según DORA 2025 de Google.
El dato de DORA 2025: más velocidad, menos estabilidad
DORA 2025 deja un hallazgo incómodo para quien acaba de invertir en herramientas de código asistido. A mayor adopción de IA, entrega más rápida pero también menor estabilidad. Los investigadores de Google no llegan a afirmar que el código generado por IA provoque más caídas, y ese matiz importa. Lo que sí detectan es un patrón que muchas compañías reconocen en privado: se produce más software sin ser necesariamente mejor manteniéndolo.
Vamos a los números. La muestra ronda los 5.000 profesionales tech, no es un experimento de laboratorio. Es una foto de cómo trabajan los equipos que ya han metido IA en su ciclo de desarrollo.
La segunda capa del informe resulta más útil para un founder. Los desarrolladores ahorran tiempo generando código, sí, pero lo gastan revisándolo y verificándolo. El balance neto no siempre es positivo. Y esa tensión se traslada a la parte del negocio que peor se mide: la operación.
Ahí está el punto de inflexión. El beneficio de la IA en el desarrollo depende de lo que ocurra después de que el ingeniero termine de escribir. Es decir, de la capacidad de los equipos de site reliability engineering (SRE) para mantener vivo lo desplegado.
La IA no abarata el software: desplaza la factura del desarrollo a la operación, donde cada minuto de caída se paga en clientes y en horas de ingeniero.
Por qué el coste se traslada al mantenimiento software con IA
El diagnóstico de Ishay Yaari, cofundador y CEO de DataAgent, es directo: más código, despliegues más frecuentes y más cambios en infraestructura generan por definición más puntos de fallo potenciales. Lo explica en declaraciones a Fast Company. La mayoría de los equipos de SRE carga con esa mochila.
Un feature que tarda minutos en construirse puede abrir una investigación que consume horas de ingeniería: ahí está el coste real de la IA.
Piensa en una aplicación que empieza a fallar tras una actualización. La causa puede ser código defectuoso, una configuración incorrecta, falta de memoria o un servicio de terceros caído. La herramienta de monitorización detecta el fallo al instante, pero el ingeniero necesita revisar logs, cambios recientes y descartar hipótesis antes de tocar nada.
La respuesta habitual de las empresas es añadir más herramientas de observabilidad y recoger más datos. Ojo: eso no resuelve el problema de fondo. Puede generar más alertas que investigar sin mejorar la velocidad de resolución, que es donde se concentra el coste.
El modelo de negocio que nace del dolor: remediación autónoma
Ahí es donde entran compañías como DataAgent, que desarrolla software de remediación autónoma. La lógica es sencilla de contar y difícil de ejecutar: monitorizar la aplicación y la infraestructura, identificar el problema, proponer la causa probable y, en algunos casos, actuar sin esperar al ingeniero. Algunos fallos tienen remedios conocidos, como reiniciar un servicio que se ha quedado sin memoria o revertir un despliegue que rompe la aplicación.
Pero identificar la solución no es lo mismo que tener permiso para aplicarla. Según el informe 2026 State of AI-First Operations de PagerDuty, el 44% de las organizaciones exige intervención humana cuando la IA toca sistemas que afectan al cliente. El 43% la exige al coordinar respuestas a incidentes entre equipos. Incluso las compañías más lanzadas con la IA operativa se resisten a darle autoridad ilimitada sobre sistemas críticos.
📦 Caso de estudio: DataAgent
- El reto: La operación de software se complica a medida que la IA acelera los despliegues y multiplica los puntos de fallo.
- La jugada: Agentes autónomos dentro de la infraestructura del cliente para investigar fallos y, en algunos casos, actuar sin esperar al ingeniero.
- El resultado: Un modelo que promete reducir el trabajo operativo repetitivo, aunque la compañía no ha publicado datos independientes de cuánto ahorra.
- La lección: Automatizar la operación exige decidir qué sistemas puede tocar la IA y cuándo debe pedir permiso a un humano.
El coste oculto que nadie cuantifica: observabilidad y datos
Hay una factura que casi nadie mete en el Excel del proyecto: la del almacenamiento y análisis de logs, métricas y trazas. Las aplicaciones generan volúmenes ingentes de datos operativos, y las compañías pagan por recogerlos, guardarlos y analizarlos, a menudo en varias plataformas a la vez. Añadir IA encima multiplica la factura si exige transferir datos a servicios externos.
La respuesta técnica de DataAgent pasa por un enfoque distribuido: agentes desplegados dentro de la infraestructura del cliente para reducir el volumen de datos que salen fuera. Su documentación pública describe monitorización local junto a análisis con IA en la nube e investigación guiada de incidentes. La compañía no ha publicado datos independientes de cuánto trabajo operativo o coste elimina de verdad, y eso siempre hay que leerlo con cautela.
Qué significa esto para el founder: el nuevo cuello de botella es la operación
Si miras el mercado de las herramientas de código con IA, verás una carrera por acelerar la generación. El informe DORA 2025 dice que la carrera está bien, pero que el circuito no se cierra ahí. La lección es idéntica a la de la deuda técnica: cada atajo que no se paga hoy se paga con intereses mañana, normalmente en forma de horas de ingeniero y clientes perdidos.
La comparación con la adopción de DevOps es útil. Cuando los equipos empezaron a desplegar más rápido, el cuello de botella se movió a la fiabilidad. Las que ganaron invirtieron en testing, observabilidad y procesos, no solo en herramientas de build. Las que se limiten a comprar licencias de IA para escribir código se quedarán con la mitad del problema y la factura operativa intacta.
El criterio que aplicaría un inversor es este: si una startup presume de velocidad de desarrollo sin hablar de fiabilidad, pregunta por la rotación del equipo de guardia y por el tiempo medio de resolución de incidentes. Ahí se ve si el ahorro del código llega al resultado final o se queda en el camino. Las que saben medir eso son las que podrán defender un margen operativo sano en la siguiente ronda.
🚀 Hoja de Ruta para Emprender
- Mide el coste operativo real: Calcula cuántas horas de ingeniería se van cada semana en investigar incidentes. Sin ese dato, no sabes si el ahorro en código llega al resultado final.
- Invierte en fiabilidad antes que en velocidad: Testing, observabilidad y procesos de guardia separan al equipo que escala del que se quema en producción.
- Limita la autonomía de la IA: Define qué acciones puede ejecutar sin permiso y cuáles requieren aprobación humana, especialmente en sistemas que tocan al cliente.
- Vigila la factura de la observabilidad: Los logs y métricas cuestan dinero. Consolidar plataformas y usar análisis locales reduce el coste oculto del software.
