Durante años, la industria del software ha buscado formas de mejorar la productividad, reducir los tiempos de entrega y garantizar la calidad de sus productos. Marcos de trabajo ágiles como Scrum, junto con frameworks, bibliotecas y buenas prácticas de programación, han contribuido a conseguirlo.
Pero la inteligencia artificial está introduciendo un cambio que quizá nos obligue a revisar algunas de estas prácticas. No porque hayan dejado de ser válidas, sino porque las condiciones en las que surgieron están cambiando a una velocidad considerable.
Después de varios meses incorporando herramientas de IA a mi trabajo diario, especialmente Claude Code y el desarrollo guiado por especificaciones (SDD), hay una pregunta que cada vez me planteo con más frecuencia: ¿seguimos organizando y desarrollando software de la forma más eficiente o estamos manteniendo procesos cuyo coste empieza a superar los beneficios que aportan?
Cuando programar deja de ser lo más costoso
Tradicionalmente, implementar una funcionalidad podía requerir días o semanas de trabajo. Analizar los requisitos, escribir código, realizar pruebas y corregir errores suponía una inversión considerable de tiempo.
La IA está cambiando esta distribución del esfuerzo. Hoy podemos generar una primera implementación en una fracción del tiempo que necesitábamos anteriormente. Esto no significa que el software esté terminado ni que podamos prescindir del análisis, las pruebas o la supervisión técnica. De hecho, considero que estas actividades son ahora más importantes que nunca.
Sin embargo, resulta difícil ignorar que el tiempo dedicado a escribir código está disminuyendo en muchos desarrollos.
El cuello de botella empieza a desplazarse desde la programación hacia la definición de requisitos, la toma de decisiones y la validación de resultados. Ya no se trata únicamente de cuánto tardamos en construir algo, sino de decidir qué merece la pena construir y comprobar que realmente resuelve el problema.
Y aquí aparece una consecuencia que quizá no estamos valorando suficientemente: si el coste de implementar disminuye, el peso relativo de las demás actividades del proyecto aumenta. La planificación, las reuniones, la coordinación y el aprendizaje de herramientas externas siguen requiriendo tiempo, y ese tiempo no siempre se reduce al mismo ritmo.
Scrum: ¿puede la gestión seguir el ritmo de la IA?
Scrum es un marco de trabajo que busca facilitar la colaboración, la adaptación a los cambios y la entrega continua de valor.
Sus eventos, como la planificación del sprint, las reuniones diarias, la revisión y la retrospectiva, tienen una finalidad concreta. No deberían celebrarse simplemente por cumplir un procedimiento, sino porque ayudan al equipo a trabajar mejor.
El problema aparece cuando el ritmo de gestión deja de estar alineado con el ritmo de desarrollo.
Imaginemos un equipo de cuatro desarrolladores que trabaja con sprints de dos semanas. Una funcionalidad que antes requería tres o cuatro días de programación ahora puede implementarse en unas pocas horas con ayuda de IA.
Evidentemente, esto permite completar más trabajo durante el mismo sprint. Pero también plantea nuevas dificultades: ¿está el backlog suficientemente preparado para alimentar ese ritmo? ¿Podemos validar las funcionalidades con la misma rapidez con la que las desarrollamos? ¿Tiene sentido mantener ciclos de dos semanas cuando podemos obtener resultados y feedback mucho antes?
Quizá la respuesta esté en reducir la duración de los sprints, adoptar un flujo continuo como Kanban o adaptar las actividades de coordinación a las necesidades reales del equipo. Lo importante no debería ser mantener una determinada cadencia, sino encontrar aquella que permita entregar valor de manera eficiente.
Naturalmente, las reuniones siguen siendo útiles cuando aportan valor. Una conversación de quince minutos puede evitar horas de desarrollo equivocado, y la coordinación continúa siendo imprescindible cuando intervienen varias personas, departamentos o clientes.
Tampoco debemos confundir el tiempo dedicado a definir qué necesitamos desarrollar con el empleado en gestionar su ejecución. Personalmente, cada vez dedico más tiempo al análisis y las especificaciones, porque la IA permite recuperar esa inversión durante la implementación. Lo que cuestiono es si determinadas actividades de seguimiento siguen justificando su coste cuando los ciclos de desarrollo se acortan considerablemente.
Además, conviene recordar que desarrollar más rápido no significa necesariamente ser más ágil. La agilidad consiste en responder a los cambios y entregar valor, no simplemente en producir más código en menos tiempo.
No creo que Scrum deba desaparecer. Lo que me pregunto es si su aplicación en las empresas está evolucionando al mismo ritmo que las herramientas de desarrollo. Una reflexión que también encontramos en el artículo Scrum en la era de la IA, de Scrum Manager, donde se plantea la necesidad de adaptar sus prácticas a esta nueva realidad.
¿Y si reinventar la rueda empieza a salir más barato?
Esta reflexión no afecta únicamente a la gestión de proyectos. También alcanza a uno de los principios más extendidos en nuestra profesión: no reinventar la rueda.
Durante décadas hemos aprendido que, si existe una biblioteca, un framework o un proyecto de código abierto que resuelve nuestro problema, generalmente resulta preferible aprovecharlo antes que desarrollar una solución propia.
Y tiene sentido, porque reutilizar software permite ahorrar tiempo, compartir conocimiento y beneficiarse del trabajo de otros desarrolladores. Sin embargo, utilizar una solución existente también tiene sus costes: debemos localizarla, evaluarla, comprender su funcionamiento, integrarla y adaptarnos a sus limitaciones.
Hasta hace poco, desarrollar una alternativa propia solía representar un esfuerzo considerablemente mayor. Pero la IA está cambiando esta relación.
Es cierto que también podemos utilizarla para localizar bibliotecas, comprender su funcionamiento e integrarlas rápidamente en nuestros proyectos. Ambas opciones se están beneficiando de la misma tecnología.
Pero aparece una diferencia interesante: si puedo generar una solución específica para mi aplicación en un tiempo similar al que necesito para integrar una biblioteca externa, ¿qué opción terminaré eligiendo?
La respuesta no es evidente. Una biblioteca consolidada puede aportar experiencia acumulada, correcciones de seguridad y mantenimiento compartido. Una implementación propia puede ofrecer mayor control y evitar determinadas dependencias, pero también nos obliga a asumir su evolución.
Y aquí es donde creo que la realidad empresarial puede inclinar la balanza. En una pequeña empresa, con plazos ajustados y necesidad de entregar resultados, la solución que permita cerrar antes el proyecto puede resultar más atractiva, aunque no siempre sea la más conveniente a largo plazo.
¿Seguirá siendo económicamente más rentable reutilizar software existente en todos los casos? Y, sobre todo, ¿qué decisión tomará una empresa cuando necesite entregar un proyecto cuanto antes?
Esta posibilidad también me hace reflexionar sobre el futuro del software libre. Si resulta más sencillo generar una solución particular que estudiar y contribuir a un proyecto existente, podríamos acabar desarrollando repetidamente funcionalidades que ya están resueltas.
Es una paradoja interesante: una tecnología que facilita enormemente la programación podría terminar reduciendo algunos de los incentivos que tradicionalmente nos han llevado a compartir y reutilizar código.
Hay, además, otra paradoja: buena parte de las capacidades actuales de los modelos de IA se han desarrollado utilizando código disponible públicamente, incluido software libre. Si disminuye la colaboración en esos proyectos, también podría verse afectada una de las fuentes de conocimiento de futuras generaciones de herramientas.
Aunque también podría ocurrir lo contrario, facilitando la participación de nuevos colaboradores en proyectos abiertos. Todavía es pronto para saber qué tendencia tendrá más peso.
La ingeniería del software frente a la realidad empresarial
Después de muchos años trabajando en el desarrollo de software para empresas, especialmente en el entorno de las pymes, he aprendido que las decisiones técnicas no se toman únicamente desde la perspectiva de la ingeniería.
Los proyectos tienen presupuestos, plazos y compromisos comerciales. Las empresas necesitan entregar soluciones, atender a sus clientes y facturar.
En ese contexto, dedicar varios días a estudiar un framework puede resultar difícil de justificar si existe la posibilidad de obtener una solución funcional en unas horas con ayuda de IA.
Lo mismo sucede con la gestión de proyectos. Una metodología puede estar perfectamente fundamentada, pero si su aplicación introduce un coste que el proyecto no puede asumir, terminará siendo cuestionada.
Esto no significa que los responsables empresariales ignoren la calidad o el mantenimiento. Simplemente, sus decisiones están condicionadas por necesidades inmediatas que no siempre coinciden con las recomendaciones técnicas a largo plazo.
Y creo que aquí puede producirse una separación cada vez mayor entre las buenas prácticas que defendemos desde la ingeniería del software y las decisiones que realmente se adoptan en el día a día de las empresas.
No dispongo de experiencia suficiente en grandes organizaciones para asegurar que esta tendencia se reproducirá de la misma manera. Pero en pequeñas empresas de desarrollo, donde los recursos son limitados y la presión por entregar suele ser constante, me parece un escenario perfectamente plausible.
Lo preocupante no sería que las empresas abandonasen determinadas prácticas, sino que lo hicieran sin evaluar adecuadamente sus consecuencias. Porque generar código rápidamente no elimina los problemas de arquitectura, seguridad, integración o mantenimiento. Simplemente puede hacer que aparezcan después.
Adaptarse sin perder lo aprendido
En un artículo anterior sobre SDD y Claude Code, explicaba cómo he ido modificando mi manera de desarrollar software con ayuda de la IA.
Una de las principales conclusiones de aquella experiencia es que programar más rápido no significa necesariamente desarrollar mejor. El análisis, las especificaciones y la validación siguen siendo fundamentales.
Pero también creo que debemos aplicar ese mismo espíritu crítico a nuestra forma de organizar los proyectos y de tomar decisiones técnicas.
Scrum, los frameworks y el software libre siguen aportando un valor indudable. El desafío consiste en adaptar su utilización a una realidad en la que los costes de desarrollo están cambiando.
Quizá algunas reuniones deban desaparecer, otras reducirse y otras adquirir mayor importancia. Quizá determinados desarrollos que antes justificaban incorporar una biblioteca externa ahora puedan resolverse de manera más sencilla con una implementación propia. Y quizá, en otros casos, seguir utilizando soluciones consolidadas sea todavía más importante.
La inteligencia artificial no está eliminando la necesidad de gestionar proyectos ni de reutilizar software. Está cambiando la relación entre sus costes y beneficios, y esa transformación puede exigir decisiones diferentes a las que tomábamos hace unos años.
Lo que me preocupa es que incorporemos herramientas capaces de transformar radicalmente nuestra productividad mientras seguimos aplicando, sin cuestionarlas, las mismas fórmulas organizativas y técnicas.
Si la inteligencia artificial está cambiando nuestra manera de programar, ¿no deberíamos empezar a replantearnos también nuestra manera de gestionar y construir software?