Durante los últimos dos años, buena parte de la discusión sobre inteligencia artificial en las empresas giró alrededor de una pregunta: ¿cuánto más productivo puede ser un programador usando IA? Uber acaba de aportar algunos números contundentes: más del 70% de sus cambios de código ya son atribuidos a agentes, el 99% de sus ingenieros utiliza IA y la compañía desarrolló más de 2.500 agent skills para distintas partes de su ciclo de desarrollo. Sin embargo, quizás lo más interesante de su experiencia no esté ocurriendo dentro de IT, sino afuera.
Después de acelerar la adopción entre sus ingenieros, Uber seleccionó a 30 de los que tenían mayor dominio de herramientas agénticas y comenzó a desplegarlos directamente en áreas como Finanzas, Legal y Recursos Humanos.
Los llamó Forward-Deployed Engineers (FDE): perfiles técnicos senior, pero con capacidad de entender el negocio, trabajar con sus usuarios y resolver problemas más allá de un backlog de software. La lógica es sencilla: si un ingeniero puede multiplicar su capacidad gracias a los agentes, ¿por qué limitar esa capacidad a desarrollar sistemas?
El modelo, denominado Agentic Pods, propone intervenciones de apenas dos semanas. Los ingenieros se integran al equipo, observan cómo se realiza realmente el trabajo, qué sistemas se utilizan, qué planillas se completan, qué información se copia, qué controles se hacen, y construyen agentes capaces de automatizar parte de ese proceso.
En lugar de comenzar por un diagrama, comienzan mirando a la persona que ejecuta la tarea. Y en lugar de terminar con un roadmap, intentan terminar con algo funcionando.
Los resultados reportados por Uber permiten dimensionar el cambio. Un proceso de planificación de inversiones y asignación de capital que requería 15 horas pasó a resolverse en 30 minutos; un reporte financiero que demandaba dos días, en diez minutos; y controles de calidad de marketing que podían extenderse durante dos semanas comenzaron a completarse en menos de una hora. Ya no se trata de ahorrar algunos minutos con un asistente. En determinados procesos, la IA empieza a modificar directamente la unidad económica del trabajo.
Pero la experiencia de Uber también ofrece una advertencia. Según publicaciones de Forbes, Fortune y The Information, apenas cuatro meses después de extender Claude Code a unos 5.000 ingenieros, la empresa había consumido el presupuesto de IA previsto para todo el año.
La adopción había crecido a enorme velocidad y algunos usuarios generaban costos mensuales de entre 500 y 2.000 dólares. El propio management comenzó entonces a plantear una pregunta inevitable: ¿ese aumento del gasto se estaba traduciendo realmente en más funcionalidades y valor para los clientes?
El episodio podría interpretarse como una señal de que la IA es demasiado cara. Probablemente demuestre lo contrario. Cuando una unidad de inteligencia se vuelve más barata y accesible, las organizaciones encuentran rápidamente nuevas formas de consumirla.
Es una versión de la paradoja de Jevons: mejorar la eficiencia de un recurso puede terminar aumentando su consumo total. Por eso, mirar solamente la factura de tokens puede resultar tan engañoso como evaluar una fábrica únicamente por su consumo eléctrico. La pregunta relevante no es cuánto cuesta la IA, sino cuánto cuesta producir una unidad de resultado con ella.
Esta diferencia ayuda también a explicar por qué las mediciones sobre productividad con IA parecen a veces contradictorias. Algunos estudios encuentran mejoras relativamente modestas, mientras empresas como Uber muestran procesos acelerados decenas de veces.
No necesariamente alguien está midiendo mal: probablemente estén observando dos modelos de trabajo diferentes. Una cosa es agregar inteligencia artificial al proceso existente para que una persona haga lo mismo un poco más rápido. Otra es rediseñar el proceso para que una persona senior pueda delegar buena parte de la ejecución en agentes.
Un informe publicado este año por Ingenia sobre productividad en ingeniería denomina a estos dos modelos régimen asistido y régimen agéntico. En el primero aparecen mejoras incrementales; en el segundo, cuando equipos pequeños de profesionales senior orquestan agentes sobre una plataforma común, los multiplicadores pueden ubicarse entre 4x y 30x dependiendo del escenario.
Que Uber haya logrado llevar un proceso de 15 horas a 30 minutos resulta interesante justamente porque toca ese extremo superior. El salto no proviene simplemente de tener un modelo mejor: aparece cuando cambia la manera de organizar el trabajo.
Ahí probablemente esté la enseñanza más relevante para las empresas que hoy están comprando miles de licencias de IA. La adopción, por sí sola, no garantiza transformación.
Para escalar agentes hacen falta acceso gobernado a los datos, seguridad, integraciones con los sistemas existentes, componentes reutilizables, métricas de calidad y una nueva disciplina de FinOps capaz de relacionar el consumo de tokens con resultados. De lo contrario, la velocidad puede convertirse rápidamente en deuda tecnológica y sorpresa presupuestaria.
Durante años, la transformación digital consistió en poner software alrededor de los procesos de una organización. La inteligencia artificial empieza a permitir algo diferente: convertir partes de esos procesos directamente en software. Si esa tendencia continúa, también empezará a desdibujarse una frontera histórica dentro de las compañías.
Finanzas, Operaciones o Legal dejarán de pedirle simplemente sistemas a IT y comenzarán a trabajar junto con ingenieros capaces de transformar sus procesos desde adentro.
Uber comenzó intentando hacer más productivos a sus programadores y terminó enviándolos al negocio. Quizás esa sea la señal más importante de toda la historia. El próximo gran salto de productividad de la inteligencia artificial puede no ocurrir dentro de IT, sino cuando los mejores ingenieros empiecen a salir de IT.
*Por Gustavo Brey, Co-founder de Ingenia.