Para llegar a esa conclusión, los investigadores analizaron más de 30 millones de contribuciones en Pitón realizado por unas 160.000 personas en GitHuby entrenaron un modelo capaz de estimar si ciertos fragmentos tenían señales compatibles con haber sido generados por herramientas como ChatGPT oh Copiloto de GitHub. La elección no es casual: GitHub funciona como un registro de cambios globales, una especie de “historial clínico” del código, donde quedan anotados los agregados, correcciones y mejoras.
En la práctica, si tu empresa vive de software —y hoy casi cualquier sector lo hace, desde banca hasta automoción—, que una parte tan grande del código nuevo nazca con asistencia algorítmica es una pista sobre el ritmo al que cambian los hábitos de trabajo, la forma de aprender, la productividad y también la competencia entre países.
De 5% a casi 30% en muy poco tiempo: la adopción va en ascenso
El estudio describe una difusión acelerada. En Estados Unidos, la proporción de código asistido por IA pasó de alrededor del 5% en 2022 a cerca del 30% hacia finales de 2024, y se sitúa en torno al 29% en el tramo más reciente del análisis, que llega a inicios de 2025. Traducido a una imagen cotidiana: es como si en dos años, en una cocina profesional, se hubiera vuelto normal que casi una de cada tres preparaciones contara con un “ayudante” que sugiere ingredientes, cantidades y pasos, mientras el chef decide qué se sirve y cómo.
Ese matiz es importante: “asistido” no equivale a “autónomo”. En herramientas tipo Copilot, la IA completa líneas, propone funciones y redacta pruebas; el desarrollador revisa, ajusta y acepta. En entornos reales, el valor es tanto en la rapidez como en reducir el cansancio mental de tareas repetitivas, como escribir validaciones, manejar formatos, o traducir una idea a un esqueleto de función.
Un mapa desigual: países, acceso y velocidad de convergencia
La adopción no avanza igual en todas las partes. Según el trabajo del CSH, Estados Unidos encabeza el uso con ese 29%, mientras que Francia rondaría el 24% y Alemania el 23%. India aparece como un caso de aceleración reciente, situándose alrededor del 20% tras recortar distancia con rapidez. En el otro extremo, Rusia se quedaría en torno al 15% y China alrededor del 12% en el periodo observado.
Los autores apuntan una explicación plausible: la disponibilidad y el acceso a los grandes modelos de lenguaje no han sido uniformes, por bloqueos gubernamentales o restricciones de proveedores, aunque existan rodeos como VPN. También señalan que el panorama puede moverse deprisa, citando avances domésticos chinos posteriores al periodo de datos —como el caso de búsqueda profundamencionado como ejemplo de que la brecha podría estrecharse—. Conviene leer estos porcentajes como una foto de un instante: útil para entender tendencias, pero sensible a cambios de oferta, regulación y cultura técnica.
La paradoja del uso: los junior lo usan más, los senior aprovechan mejor
Aquí llega una de las conclusiones más incómodas y, a la vez, más útiles: quienes menos experiencia tienen tendencia a usar más la IA generativa al programar, pero los beneficios medibles se concentran en perfiles con más recorrido.
El estudio estima que los desarrolladores con menos experiencia emplean asistencia de IA en aproximadamente el 37% de su código, frente a alrededor del 27% en los más experimentados. Suena lógico: si estás empezando, cualquier ayuda que convierta una idea en código compilable es tentadora. Es como tener un GPS cuando todavía no te orientas en una ciudad nueva.
Lo sorprendente es el resultado en productividad. Los investigadores asocian el uso de IA con un aumento medio de productividad del 3,6% hacia finales de 2024, medido a través de actividad como “commits” y otros indicadores en GitHub. Ese incremento aparece impulsado “exclusivamente” por desarrolladores senior, mientras que en los perfiles tempranos no observan mejoras estadísticamente significativas.
La metáfora del coche ayuda: un conductor veterano usa el GPS para elegir rutas mejores y ahorrar tiempo; un director novel puede seguir las indicaciones, pero aún le falta criterio para anticipar errores, leer señales contradictorias o reaccionar ante imprevistos. En código pasa algo parecido: la IA puede escribir una función que “parece” correcta, pero detectar una condición límite, un problema de seguridad o una mala abstracción requiere oficio.
No solo velocidad: aprendizaje, librerías y exploración de ideas nuevas
Otra capa interesante es que la IA para programar no se limita a acelerar las tareas rutinarias. El estudio relaciona el uso de IA, en desarrolladores experimentados, con una mayor amplitud funcional: más uso de librerías y más exploración de librerías nuevas. Dicho de forma simple: no solo escriben más rápido lo que ya hacían; se atreven con herramientas que antes les costaban más tiempo de aprendizaje.
Esto encaja con cómo se trabaja en el día a día. Probar una librería nueva suele implicar leer documentación, encontrar ejemplos, pelearse con dependencias, y cometer errores hasta que todo encaja. La IA actúa como un compañero que te sugiere un “hola mundo” adaptado a tu caso, te recuerda parámetros, o te propone una integración mínima viable. Para alguien con base sólida, esa ayuda a reducir la fricción y abrir puertas.
Para perfiles junior, la historia es más delicada: si la IA resuelve el “cómo” antes de que entiendas el “por qué”, puedes avanzar en apariencia y quedarte con lagunas. No se trata de prohibirla, sino de aprender a usarla como calculadora: útil, sí, pero peligroso si te impide dominar las operaciones.
Impacto económico: cuando unos puntos porcentuales valen millas de millones
El software es una infraestructura invisible que sostiene gran parte de la economía. El propio artículo del CSH cita una estimación de gasto en salarios asociados a tareas de programación en Estados Unidos que oscila entre 637.000 millones y 1,06 billones de dólares anuales, basada en un análisis de alrededor de 900 ocupaciones. Sobre ese tamaño de mercado, un aumento de productividad del 3,6% y una penetración del 29% de código asistido por IA se traduce, según los autores, en entre 23.000 y 38.000 millones de dólares de valor adicional al año.
Es un cálculo con supuestos y, por tanto, discutible en detalle, pero útil para entender escala. En empresas grandes, un pequeño porcentaje puede equivaler a meses de trabajo ahorrados, más margen para iterar productos o reforzar la calidad. También puede convertirse en presión por producir más con el mismo equipo, algo que impacta en ritmos, expectativas y evaluación de desempeño.
Lo que queda fuera del cuadro: límites y preguntas prácticas
El análisis se centra en Pitón y en actividad pública en GitHublo que deja fuera código privado, otros lenguajes muy relevantes y contextos corporativos donde se programa distinto. También depende de un modelo que clasifica probabilísticamente si un fragmento fue generado por IA; eso no es un detector infalible. Aun así, el tamaño de la muestra y la consistencia temporal aportan una señal robusta: la asistencia por IA se está normalizando con rapidez.
Para empresas y equipos técnicos, la pregunta útil no es “si” se va a usar, sino “cómo” evitar que la adopción amplíe desigualdades. Si los senior consiguen ganancias claras y los junior no, el riesgo es crear una escalera más empinada para entrar en la profesión. Aquí encajan políticas de mentoría, prácticas de revisión de código más pedagógicas, y formación específica en verificación, pruebas, seguridad y diseño, justo las áreas donde la IA tiende a sonar convincente aunque se equivoque.
Para educación y políticas públicas, el debate se parece al de cualquier herramienta potente: quien ya sabe, multiplica su capacidad; Quien no, puede confundir asistencia con el aprendizaje. El reto es que la IA generativa se convertirá en un apoyo para adquirir criterio, no en una muleta que sustituya la comprensión.
