Este estudio investiga cómo GitHub Copilot, una herramienta de IA generativa, influye en el desarrollo colaborativo de software de código abierto (OSS) mediante el análisis de datos de proyectos y métricas de uso propietarias. Los investigadores descubrieron que, si bien la adopción de la IA aumenta las contribuciones de código en casi un 6 % e impulsa la participación de los desarrolladores, también conlleva un aumento del 8 % en el tiempo de coordinación debido a debates de código más intensos. Esto genera una disyuntiva importante: la IA facilita la generación de contenido más rápida, pero complica el proceso de integración dentro de equipos descentralizados. El impacto es notablemente desigual, ya que los desarrolladores principales experimentan mayores ganancias de productividad y menores retrasos en la coordinación en comparación con los desarrolladores periféricos, quienes enfrentan mayores dificultades para integrar su código. En definitiva, el artículo sugiere que, si bien la IA proporciona un beneficio neto para la producción de proyectos, puede transformar fundamentalmente la gobernanza y la estructura social de las comunidades de código abierto. Para mantener una amplia participación, los autores argumentan que las comunidades podrían necesitar nuevas estrategias de gestión para manejar el mayor volumen de contribuciones asistidas por IA.
Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "The Impact of Generative AI on Collaborative Open-Source Software Development: Evidence from GitHub Copilot". Por Fangchen Song y colegas. Publicado el 12 de Agosto de 2026.
El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.
El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.
Resumen
Alicia
Está bien, vamos a desglosar esto. Se suponía que la IA generativa era una varita mágica. La agitabas y ¡pum!, tu factura de software, tu plan de marketing está escrito y tus informes legales han sido redactados.
Beto
Correcto, el milagro de la productividad absoluta.
Alicia
Exacto. Pero según este nuevo y masivo conjunto de datos de GitHub, desplegar IA en un entorno de equipo es, en realidad, mucho menos como encontrar una varita mágica y mucho más como contratar a un interno increíblemente rápido y altamente cafeinado.
Beto
Esa es una muy buena manera de decirlo.
Alicia
Correcto. Producen una cantidad masiva de trabajo en solo tiempo récord. Pero también requieren una supervisión monumental y una discusión interminable y comprobación doble para asegurarse de que no rompan accidentalmente todo tu sistema mientras tú no lo estabas viendo.
Beto
Lo cual es una prueba de realidad que necesitamos desesperadamente ahora mismo. Porque la narrativa predominante ha sido esta idea simplista de que la IA hace el trabajo y los trabajadores humanos simplemente pueden tomarse el resto del día libre.
Alicia
Correcto. Y por eso estamos haciendo un análisis profundo en esto hoy. Estamos explorando un próximo artículo de investigación de la Universidad de Texas, en Austin. Se titula "El Impacto de la IA Generativa en el Desarrollo Colaborativo de Software de Código Abierto". La evidencia proviene de GitHub Copilot.
Beto
Es un estudio fascinante.
Alicia
Lo es. Así que nuestra misión para esta inmersión profunda es mirar más allá del bombo, ¿verdad? La idea de que "la IA me hace más rápido". Y queremos examinar los cuellos de botella ocultos e inesperados que la IA crea cuando los humanos intentan trabajar juntos. Y aún más sorprendentemente, vamos a explorar cómo esta tecnología está remodelando fundamentalmente quién tiene el poder en una comunidad profesional.
Beto
Sí. Ese cambio en la dinámica de poder es enorme.
Alicia
Sí. Para realmente entender el cuello de botella, primero tenemos que establecer la capacidad potencial base. Porque para ser justos con nuestros internos altamente cafeinados, sí consiguen hacer mucho trabajo.
Beto
Lo consiguen absolutamente. Y la magnitud de los datos aquí lo demuestra. Los investigadores no solo atendieron a unas pocas docenas de programadores. Analizaron un conjunto de datos masivo que abarca desde enero de 2021 hasta diciembre de 2022, mirando más de 7,600 proyectos activos de software de código abierto.
Alicia
Vaya. Eso es una muestra masiva.
Beto
Oh, completamente. Y al rastrear la adopción de GitHub Copilot, que funciona como un programador de pareja de IA, encontraron un aumento del 5.9% en las contribuciones de código a nivel de proyecto.
Alicia
Vale.
Beto
Y para ser específicos, eso significa un aumento del 5.9% en las solicitudes de extracción (pull requests) fusionadas exitosamente, que es código que ha sido revisado, aceptado e integrado en el producto final.
Alicia
Vaya. Un salto de casi el 6% en código totalmente aceptado e integrado en todos estos proyectos descentralizados. Eso es masivo. Pero cuando revisé la metodología, mi lectura fue que este impulso no provino solo de que los programadores existentes escribieran más rápido. Fue en realidad una expansión de dos frentes.
Beto
Ese es el detalle crucial. En economía, dividimos este tipo de crecimiento en el margen extensivo y el margen intensivo.
Alicia
Sí, extensivo e intensivo.
Beto
Correcto. El margen extensivo se trata de la cantidad pura de participantes. Así que los datos mostraron un aumento del 3.4% en el número de desarrolladores únicos que contribuían activamente con código.
Alicia
Oh, vaya.
Beto
Sí. Así que la introducción de la IA trajo en realidad a mucha más gente a la mesa, que de otro modo podrían haberse quedado al margen.
Alicia
Es interesante.
Beto
Y luego tienes el margen intensivo, que mide cuánto trabajo está produciendo realmente cada individuo. Y eso también tuvo un repunte con un aumento del 2.1% en la cantidad de código que cada desarrollador individual logró escribir.
Alicia
Así que tienes una multitud más grande de personas, y cada persona en esa multitud está produciendo más resultados.
Beto
Exacto.
Alicia
Pero la psicología subyacente de por qué sucede esto en un entorno de código abierto es lo que encontré tan intrigante. Los investigadores filtran esto a través de algo llamado "el marco de costo-beneficio y valor esperado". Porque, quiero decir, en un trabajo normal, tu jefe te dice que uses IA, así que la usas.
Pero el código abierto es totalmente voluntario. Nadie está obligando a estos desarrolladores a trabajar gratis.
Beto
Lo que significa que tenemos que mirar su cálculo interno. Un desarrollador solo ofrece su tiempo voluntariamente si los beneficios esperados de contribuir superan los costos esperados. E históricamente, los costos son increíblemente altos. Tienes que gastar una cantidad masiva de esfuerzo mental solo para entender una base de código desde la lógica de un problema, y luego teclear meticulosamente la sintaxis correcta.
Alicia
Correcto, sin cometer un solo error tipográfico que lo rompa todo.
Beto
Exacto. Pero la IA generativa altera fundamentalmente esa ecuación, al reducir esos costos esperados. Se encarga de la escritura repetitiva. Recuerda la sintaxis básica, y autocompleta las cosas mundanas.
Alicia
Sí, entiendo la reducción de costos. La IA reduce drásticamente la barrera de entrada.
Pero permíteme que cuestione el lado del beneficio de ese marco. El artículo argumenta que la IA aumenta los beneficios percibidos de participar. Pero espera, si la IA está escribiendo el código esencialmente, ¿por qué un desarrollador obtendría un impulso en su reputación por eso, o sentiría alguna satisfacción intrínseca?
Beto
Esa es una pregunta justa.
Alicia
¿No están básicamente tomando crédito por el trabajo de un robot? Quiero decir, si uso una calculadora para resolver una ecuación matemática compleja, no de repente me siento como un genio matemático.
Beto
Entiendo completamente ese escepticismo. Pero si conectamos esto con la realidad de la ingeniería de software compleja, el valor central del desarrollador no está realmente en la escritura física de la sintaxis. Está en la ideación, la resolución de problemas y la arquitectura de alto nivel. Piénsalo como ser un arquitecto de un rascacielos. Si alguien te entrega una máquina milagrosa que dibuja instantáneamente los planos perfectos para cualquier diseño que conceptualices, no te sientes como un fraude. Te sientes liberado.
Alicia
Correcto. Porque no estás atascado con una regla dibujando líneas rectas durante horas. Realmente estás diseñando el edificio.
Beto
Exactamente el mismo principio. La IA libera el ancho de banda mental del desarrollador. En lugar de estancarse en los detalles mundanos y frustrantes de cómo teclear una función específica, pueden echar toda su energía en lo que esa función debería lograr para el ecosistema de software en general.
Alicia
Eso tiene mucho sentido.
Beto
Correcto. Les permite explorar soluciones novedosas, abordar desafíos arquitectónicos más grandes y experimentar con ideas complejas. Quizás no tenían tiempo o energía para intentarlo antes.
Así que un costo de participación drásticamente menor, más una recompensa intrínseca mucho mayor por la resolución de problemas de alto nivel.
Alicia
Esto equivale a un aumento masivo en el volumen de código generado.
Beto
Exacto.
Alicia
Bien. Eso tiene todo el sentido porque el costo de generar esas grandes ideas se desplomó casi a cero, el volumen puro de código que se enviaba a dispararse.
Beto
Sí.
Alicia
Pero aquí es donde chocamos con el conflicto central de los datos. Y realmente, la tensión central de todo este análisis profundo.
Beto
Oh, sí. Aquí vamos.
Alicia
El desarrollo de software no es un deporte en solitario. No escribes código brillante, lo lanzas en un vacío y dices que terminaste. Tiene que ser revisado, debatido e integrado con el trabajo que cientos de otras personas están haciendo simultáneamente. Y es exactamente donde este tren de productividad de IA desbocado choca contra un muro de ladrillos masivo.
Beto
Realmente lo hace. Cuando leí este artículo por primera vez, tuve que leer la estadística del cuello de botella principal dos veces. Sí, porque en la superficie, se siente tan completamente contraintuitivo para la promesa de la IA. A pesar de lo increíblemente rápido que se estaba generando todo este código, el tiempo de coordinación, que es el tiempo promedio que tarda la comunidad en revisar, discutir y aceptar una pieza de código, en realidad aumentó en un 8%.
Alicia
Un 8% de carga en el tiempo de coordinación.
Así que la IA acelera salvajemente la fase de creación, pero ralentiza severamente la coordinación de esto.
Beto
Y para entender por qué los engranajes de repente se detienen allí, tenemos que verlo a través de la lente de la "teoría de la coordinación". Si estás en un entorno corporativo tradicional, normalmente tienes una estructura jerárquica, ¿correcto? Un jefe o un gerente sénior dicta el flujo de trabajo. Asigna tareas muy específicas y toma decisiones unilaterales para resolver conflictos.
Alicia
Correcto. Simplemente dicen que lo hagas de esta manera.
Beto
Exacto. Pero el software de código abierto es profundamente descentralizado. No hay un jefe dictando órdenes. La comunidad depende completamente de la discusión entre pares para resolver conflictos e integrar tareas interdependientes.
Alicia
Así que cuando inyectas una IA que infla drásticamente el volumen de ideas complejas en un sistema descentralizado que depende de la conversación, esencialmente bloqueas los canales de comunicación.
Beto
Oh, completamente. Los números que detallan ese bloqueo son asombrosos. Los investigadores rastrearon un aumento del 6.5% en el volumen total de comentarios por envío de código.
Alicia
Vaya.
Beto
Y hubo un aumento del 1.7% en el número de personas únicas que se sumaron a esos hilos de comentarios. Y un aumento del 5.9% en el número de comentarios hechos por desarrollador. Cada persona está hablando mucho más.
Alicia
Y noté que no solo estaban lanzando más emojis o diciendo, "se ve bien".
Los investigadores usaron una herramienta de análisis de texto llamada "Latent Dirichlet Allocation", o LDA ("asignación de distribución latente") para analizar más de 5 millones de comentarios de solicitudes de extracción. Y lo que hace el algoritmo LDA, es mirar grandes bloques de texto y agrupar palabras que aparecen frecuentemente juntas para identificar temas subyacentes.
Así que no era solo contar cuántas veces alguien decía "bug". Mostró que la diversidad real de los temas debatidos se expandió significativamente.
Beto
Lo cual es un hallazgo crucial. La IA estaba ayudando a los desarrolladores a generar tantas aproximaciones diferentes, a utilizar tantas bibliotecas diferentes, y a proponer tantas arquitecturas alternativas, que la comunidad tuvo que pasar por muchos más ciclos iterativos de debate solo para llegar a un consenso sobre qué camino tomar.
Alicia
Es como organizar una reunión de lluvia de ideas corporativa. Imagina que tienes un equipo de 10 personas. Y históricamente, todos aportan una idea bastante buena a la mesa. Discuten 10 ideas, eligen una, van a almorzar.
Pero ahora, gracias a la IA, cada persona entra en esa sala con 10 ideas increíbles, complejas y totalmente desarrolladas.
Beto
Oh, hombre.
Alicia
Correcto. La fase de generación fue ligera y rápida. Y todos se sienten como un genio absoluto. Pero esa reunión ahora va a tomar cuatro horas agotadoras porque tienes que debatir, hacer referencias cruzadas y conciliar una montaña de nuevas perspectivas antes de que puedas decidir qué hacer.
Beto
Esa es la analogía perfecta. Y recuerda, en un sistema de código abierto descentralizado, nadie puede simplemente golpear un mazo y decir, vamos con la idea número 42, reunión terminada.
Alicia
Correcto, no hay jefe.
Beto
Correcto. Ese proceso de conciliación requiere una discusión escrita intensa y prolongada.
Alicia
Así que si el proceso de revisión está tardando 8% más, y las secciones de comentarios están inundadas de debates arquitectónicos complejos, mi primera suposición fue que los revisores sénior, los veteranos que gestionan estos proyectos, están completamente abrumados, o tal vez simplemente están siendo perezosos porque confían en la IA para hacer la revisión por ellos.
Beto
Esa sería la suposición lógica.
Alicia
Pero los datos muestran algo completamente diferente. Y esto revela una división estructural muy profunda en cómo la IA impacta a diferentes tipos de trabajadores.
Beto
Me iría un paso más allá y diría que esta es la revelación más profunda de todo el estudio.
Alicia
¿De verdad?
Beto
Sí. Los proyectos de código abierto generalmente consisten en dos tipos distintos de colaboradores. Tienes desarrolladores principales (core) y desarrolladores periféricos.
Los desarrolladores principales son los internos. Son los arquitectos del proyecto. Contribuyen de manera constante. Mantienen la base de código. Y poseen una profunda comprensión histórica de la visión a largo plazo del proyecto.
Los desarrolladores periféricos, por otro lado, son los forasteros. Son colaboradores irregulares que pueden aparecer para arreglar un error específico o añadir una característica menor. Pero no tienen familiaridad profunda con la estructura general o la historia del proyecto.
Alicia
Y el primer mito importante que esta data desmantela es, que los desarrolladores principales, esos internos, ralentizaron su proceso de revisión porque absolutamente no lo hicieron.
Beto
No, para nada.
Alicia
Su volumen de revisión en realidad aumentó un 5.9%. Hicieron más revisiones, participaron en más discusiones y exhibieron una productividad de revisión general más alta.
Beto
Estaban trabajando más duro que nunca solo para gestionar la avalancha de código nuevo.
Pero el hallazgo más impactante es, ¿quién se benefició realmente más de las capacidades de generación de la IA?
Alicia
Correcto.
Beto
Pensarías que la IA ayudaría más a los desarrolladores periféricos, ¿correcto? Para ayudarlos a ponerse al día.
Alicia
Sí, eso es lo que yo asumiría.
Beto
Pero la IA favoreció enormemente a los desarrolladores principales. La proporción de código fusionado exitosamente proveniente de los internos aumentó en un 6.5%.
Alicia
Espera, ¿entonces los internos que ya tenían el poder y el conocimiento se llevaron aún más de la porción? ¿Por qué funcionó la IA tan bien para ellos?
Beto
Todo se reduce al contexto. Los desarrolladores principales tienen conocimiento institucional profundo, porque conocen la evolución histórica del proyecto: por qué se tomaron ciertas decisiones extrañas hace tres años, o cómo interactúan diferentes módulos. Saben exactamente cómo solicitarle a la IA que genere cambios arquitectónicos grandes y complejos que se alineen perfectamente con las dependencias existentes únicas del proyecto.
Alicia
Así que cuando un desarrollador principal envía su código asistido por IA, encaja como una pieza de rompecabezas faltante. La comunidad lo mira, dice, sí, encaja perfectamente y lo fusiona sin necesidad de un gran debate.
Beto
Precisamente.
Pero para los desarrolladores periféricos, que tienen una historia muy diferente, ciertamente estaban usando la IA para escribir y enviar más código. Pero su tiempo promedio de fusión relativo, el tiempo que pasaron atrapados en el purgatorio de la coordinación, discutiendo en los comentarios, saltó en un 5.4%.
Alicia
Permíteme adivinar. Es porque carecen de ese contexto institucional.
Beto
Exacto. Los investigadores se refieren a esto como "el problema de la aclaración del contexto". Los desarrolladores periféricos simplemente no conocen la historia desordenada del proyecto. Así que encienden Copilot y la IA les ayuda a escribir una pieza de código hermosa y elegante increíblemente rápido.
Alicia
Correcto.
Beto
Pero la IA en sí solo está mirando la solicitud inmediata. Tampoco sabe la historia arquitectónica específica de este proyecto en particular. Así que el desarrollador periférico termina generando lo que los investigadores llaman "código ciego al contexto".
Alicia
Correcto. Para ponerle cara a esto, imagina a un desarrollador periférico hipotético llamado Dave.
Beto
Correcto.
Alicia
Dave encuentra un proyecto de código abierto, quiere añadir una característica nueva y genial, y usa la IA para escribir 500 líneas de código impecable usando la biblioteca de software más nueva y llamativa. Lo envía, sintiéndose genial.
Beto
Naturalmente.
Alicia
Pero Sarah, un desarrollador principal, lo revisa y se da cuenta de que, aunque el código es técnicamente brillante en un vacío, este proyecto específico utiliza una biblioteca más antigua y diferente para la gestión de memoria debido a una decisión heredada tomada hace cuatro años.
Beto
Correcto.
Alicia
Así que el código de Dave es totalmente ciego al contexto.
Beto
Exacto. Y ahora Sarah tiene que saltar a los comentarios y escribir un ensayo de tres párrafos explicando cuatro años de arquitectura histórica a Dave.
Alicia
Oh, hombre.
Beto
Y luego explicarle las 10 cosas específicas que necesita cambiar para que su brillante código de IA encaje en su realidad desordenada.
Alicia
Correcto.
Beto
Ahora, multiplica días por 1000, y puedes ver exactamente cómo los investigadores probaron esto. Al mirar el contenido de esos hilos de comentarios masivos, vieron que las discusiones no eran sobre arreglar errores tipográficos. Eran ejercicios profundos y que consumían mucho tiempo de aclaración del contexto. La IA dio a los desarrolladores periféricos su increíble velocidad, pero no pudo darle conocimiento institucional.
Alicia
Aquí es donde se pone realmente interesante. Porque cuando generalmente hablamos de IA en el "Zeitgeist" cultural, la vemos como este gran igualador, ¿correcto?
Beto
Absolutamente.
Alicia
Pensamos que es una herramienta que ayuda a un empleado junior a ponerse al día con el veterano, haciendo el trabajo pesado. Pero esta investigación muestra que en realidad ha consolidado el poder de los internos.
Beto
Lo hace.
Alicia
¿Significa esto que el conocimiento institucional es ahora la habilidad más valiosa que una persona puede tener?
Beto
Creo que los datos respaldan fuertemente esa conclusión.
A medida que la IA comoditiza el acto básico de la creación, ya sea escribir código, redactar un correo electrónico, o diseñar un logotipo, la prima se desplaza fuertemente hacia el conocimiento contextual: saber qué pedirle a la IA que construya, y saber cómo integrar esa salida en un sistema humano preexistente y complejo, se vuelve exponencialmente más valioso que simplemente poder generar la salida tú mismo.
Alicia
Vaya.
Beto
La IA niveló el campo de juego para la sintaxis básica, pero ampliamente amplió la brecha para la integración a nivel de sistema.
Alicia
Eso es un cambio fascinante en el valor del trabajo humano.
Pero también plantea una pregunta práctica aterradora. Si tienes una acumulación de desarrolladores periféricos inundando el sistema con código ciego al contexto, y tienes un grupo más pequeño de desarrolladores principales tratando frenéticamente de revisarlo, discutirlo e integrarlo todo mientras lidian con una carga del 8% y un tiempo de coordinación, ¿no es el producto final solo un desastre defectuoso y descoordinado?
Beto
Esa es la pregunta definitiva sobre la calidad. Y los datos aquí son maravillosamente matizados. Si solo miras el volumen bruto, el número total de errores y problemas sí aumentó. Los investigadores observaron un aumento del 7% en los problemas totales y un aumento del 5.2% en problemas graves relacionados con errores.
Alicia
Oh, Dios mío. Así que la IA está creando objetivamente más errores y rompiendo cosas. Eso suena como una pesadilla.
Beto
Espera, no es tan apocalíptico.
Alicia
Bien.
Beto
Tienes que mirar la medida normalizada. Sí, el número absoluto de errores aumentó, pero eso es simplemente porque el volumen absoluto de envíos de código aumentó tan drásticamente, cuando los investigadores calcularon los errores y los bugs por solicitud de extracción.
Alicia
Es decir, la calidad normalizada de cada envío individual.
Beto
Exacto. Se mantiene estadísticamente sin cambios.
Alicia
Ah, ya veo. Así que para volver a nuestra analogía del rompecabezas, la calidad de las piezas individuales del rompecabezas no bajó. Simplemente había muchas más piezas de rompecabezas siendo arrojadas a la mesa en general, lo que naturalmente significa que más piezas defectuosas entraron en el mix.
Beto
Ese es el punto clave. La IA no hizo que el código fuera peor. Simplemente aumentó el volumen de todo. El buen código, los errores y las discusiones agotadoras necesarias para arreglar esos errores.
Y esto nos lleva a la conclusión definitiva del análisis cuantitativo del artículo. A pesar de esa carga del 8% en el tiempo de coordinación, a pesar del aumento masivo en los comentarios, y a pesar de la afluencia de código ciego al contexto, el efecto neto general en la productividad sigue siendo positivo.
Alicia
Así que ¿la pura fuerza bruta del auge de la productividad supera la carga de coordinación?
Beto
Sí. Los investigadores midieron la fusión oportuna del código, lo que rastrea cuánto código fue aceptado exitosamente dentro de ventanas de tiempo ajustadas y específicas de un día, tres días y 10 días.
Alicia
Ok.
Beto
En todas esas ventanas, vieron aumentos que oscilaron entre el 3.5% y el 5.1%.
Así que aunque requirió hablar, revisar y fricción significativamente más, la comunidad en su conjunto aún logró enviar código funcional e integrado más rápido de lo que lo hizo antes de que se introdujera la IA.
Alicia
Vaya. Así que si estás escuchando y estás gestionando un equipo ahora mismo, ya sea que estén escribiendo código, redactando documentos legales o preparando un texto de marketing, estos datos deberían ser una llamada de atención masiva.
Beto
Oh, absolutamente.
Alicia
Desplegar IA generativa no solo corta limpiamente la mitad del trabajo de tu equipo para que todos puedan irse temprano. Fundamentalmente cambia dónde reside tu cuello de botella operativo.
Beto
Es un cambio de paradigma completo. Estamos pasando de un mundo donde la restricción principal era la creación, y estamos acelerando hacia un mundo donde la restricción principal es la coordinación y la revisión.
Alicia
Correcto. Si le das a tu equipo creativo una IA para hacerlos más rápidos, podrías encontrarte necesitando contratar más gerentes, más editores y más revisores sénior solo para manejar la avalancha de resultados. Ya no tienes un problema de generación. Tienes un problema de integración. Tu nuevo trabajo a tiempo completo es conciliar todas estas ideas altamente detalladas, hermosamente formateadas, pero ligeramente ciegas al contexto que tu equipo junior está produciendo de repente a velocidad de rayo.
Beto
Y la dura realidad es que, si no ajustas tu estructura organizacional para manejar ese nuevo cuello de botella de integración, toda esa productividad generada por la IA será totalmente inútil. Simplemente se quedará en la bandeja de entrada de un gerente esperando a ser revisada, acumulándose y creando una fricción masiva. Las organizaciones que ganen en esta nueva era no solo serán las que usen la IA para generar más contenido. Serán las que construyan los sistemas de coordinación más robustos y eficientes para integrar realmente ese contenido.
Alicia
Correcto. Quiero dejar a todos con un pensamiento final, ligeramente desconcertante, para que lo piensen hoy.
Beto
Te escuchamos.
Alicia
Hemos establecido claramente que la IA está cambiando el cuello de botella de escribir el trabajo a revisar el trabajo.
Pero los revisores humanos, estos desarrolladores principales, estos gerentes sénior, eventualmente van a llegar a un límite físico absoluto.
Beto
Correcto. Solo pueden hacer tanto.
Alicia
Solo pueden leer tantas envíos ciegos al contexto y escribir tantos comentarios explicativos antes de que se agoten por completo.
Beto
Lo que significa que esa carga de coordinación del 8% no es estática. Eventualmente se convertirá en una carga del 20% o un 50% si el volumen de generación sigue aumentando mientras la capacidad de revisión humana se mantiene exactamente igual.
Alicia
Exacto.
Así que para resolver esta carga de coordinación, es el siguiente paso inevitable construir revisores de IA, o coordinadores de IA que estén entrenados específicamente en el conocimiento institucional profundo y desordenado de una empresa diseñada con el único propósito de evaluar e integrar el trabajo de los generadores de IA.
Beto
Vaya.
Alicia
Y si llegamos a un punto en el que las IAs están generando el trabajo, y otras IAs están revisando, debatiendo y discutiendo el trabajo para forzarlo a alinearse, ¿qué queda exactamente para que haga el humano? ¿Vamos todos a convertirnos en la gente que enchufa las máquinas y miramos las luces parpadeantes?
Beto
Es un punto final lógico profundo y ligeramente aterrador. Quiero decir, trajimos al interno cafeinado para ayudarnos a teclear más rápido. Y pronto podríamos darnos cuenta de que tenemos que contratar a un gerente de IA solo para mantener al interno bajo control.
Alicia
Y de repente, somos nosotros los que vamos a buscar el café.
Bueno, gracias a todos por acompañarnos en esta exploración. Como siempre, sigan cuestionando lo obvio y mantengan sus ojos abiertos para esos cuellos de botella ocultos. Los encontraremos en el próximo análisis profundo.
ABeto
Entradas
