Por qué los programadores usan más IA que otros profesionales

The Economist ha situado un conflicto en el centro de Google News: las empresas de IA necesitan que otros profesionales empiecen a trabajar como desarrolladores de software.

Los programadores ya delegan trabajo significativo en asistentes de Anthropic, OpenAI, Google, GitHub y startups especializadas. Muchos describen ahora las tareas de forma conversacional mientras los agentes inspeccionan archivos, editan código, ejecutan pruebas e informan de los resultados.

Ese flujo de trabajo sigue siendo inusual fuera del desarrollo de software. Abogados, banqueros, trabajadores de atención al cliente y directivos se enfrentan a datos menos estructurados, evaluaciones más difíciles, normas más estrictas y menos incentivos para experimentar.

La distinción importa porque los proveedores de IA están construyendo infraestructura para un mercado mucho mayor. The Economist calcula que los ingresos anuales de la IA deben alcanzar los 2,5 billones de dólares en 2030 para cubrir la inversión prevista en centros de datos. Sitúa los ingresos actuales cerca de los 150.000 millones de dólares.

Por tanto, no se trata de si los asistentes de programación son populares. La cuestión es si la programación ofrece un modelo repetible para la adopción en el trabajo o representa una excepción especialmente favorable.

La evidencia apunta a una respuesta incómoda. La programación muestra cómo es el uso intensivo de IA, pero su éxito depende de condiciones que la mayoría de las ocupaciones no comparten.

Google News sitúa la brecha de los programadores en el centro

La programación con IA se ha convertido en un referente comercial que toda otra aplicación para el trabajo debe perseguir ahora.

El análisis original, publicado por The Economist y difundido por Mint, describe un cambio llamativo en el trabajo de software. Algunos ingenieros de Silicon Valley ahora dictan instrucciones al micrófono en lugar de escribir cada línea por sí mismos.

La transcripción de voz envía esas instrucciones a agentes de IA. Un agente es un software que puede inspeccionar su entorno, seleccionar acciones y completar varios pasos con una dirección humana limitada.

El resultado visible sigue siendo código. El proceso de producción se parece cada vez más a la supervisión, la revisión y la corrección.

Según The Economist, cuatro de cada cinco desarrolladores afirman utilizar una herramienta de programación con IA. La encuesta a desarrolladores de 2025 ofrece una medida estrechamente relacionada: el 84% de los encuestados utilizaba o planeaba utilizar herramientas de IA.

La encuesta también concluyó que el 51% de los desarrolladores profesionales usaba herramientas de IA a diario. Esa frecuencia distingue al desarrollo de software de la experimentación ocasional con chatbots.

La adopción ha generado un mercado de rápido crecimiento. The Economist estima que Cognition, Cursor, Lovable y Replit generaron alrededor de 800 millones de dólares en ingresos recurrentes anuales combinados durante junio de 2025.

Sitúa su total combinado actual en 6.000 millones de dólares. Los ingresos recurrentes anuales, o ARR, estiman los ingresos por suscripciones proyectados a lo largo de un año.

Estas cifras son estimaciones, no cuentas combinadas auditadas. Sin embargo, la dirección es clara: los desarrolladores están pagando por herramientas que se integran directamente en los flujos de trabajo cotidianos.

The Economist también cita a SemiAnalysis, que estima que la programación generó más de la mitad del ARR combinado de Anthropic y OpenAI durante el segundo trimestre de 2026. Ninguna de las dos empresas publica un desglose detallado de sus ingresos por programación.

Esa concentración revela lo que está en juego detrás del titular de Google News. La programación no es simplemente una aplicación exitosa entre muchas. Está ayudando a sostener la economía de los principales proveedores de modelos.

El ejecutivo de OpenAI Colin Jarvis reconoció la brecha de adopción con una franqueza inusual. Dijo a The Economist que otros trabajadores de oficina aún no están “en este mundo”.

La declaración importa porque las empresas de IA no pueden justificar la expansión de infraestructura únicamente mediante suscripciones de desarrolladores. Necesitan una actividad igual de intensa en mercados profesionales mucho más grandes.

El trabajo jurídico, las finanzas y la atención al cliente parecen ser los principales candidatos. Cada uno implica mano de obra costosa, procesamiento repetido de información y decisiones que el software puede respaldar parcialmente.

Su crecimiento es real. Sin embargo, la adopción no ha alcanzado la combinación de frecuencia, autonomía y entusiasmo desde las bases propia de la programación.

Esa diferencia desplaza la pregunta central. El asunto ya no es si la IA puede redactar un contrato, resumir una llamada o crear un modelo financiero.

La cuestión es si los profesionales confiarán repetidamente en esos resultados dentro del trabajo real. La dependencia habitual, no las demostraciones impresionantes, genera ingresos duraderos.

Por qué la programación se convirtió en el entorno laboral ideal para la IA

El código ofrece a la IA algo poco común en el trabajo intelectual: ejemplos abundantes, contexto legible por máquinas y retroalimentación rápida cuando una respuesta falla.

Los repositorios públicos contienen enormes cantidades de código fuente. También incluyen documentación, debates sobre incidencias, historiales de cambios y ejemplos de cómo los desarrolladores corrigieron errores anteriores.

The Economist informa de que el código puede representar casi una quinta parte de algunos conjuntos de datos de entrenamiento de modelos. No existen colecciones públicas comparables para negociaciones privadas, disputas de clientes o decisiones internas de inversión.

Esta disponibilidad proporciona a los modelos muchos ejemplos de entradas, resultados, patrones y correcciones. No garantiza que el código generado sea correcto, pero crea condiciones de entrenamiento excepcionalmente favorables.

El software también cuenta con sistemas de verificación integrados. Los compiladores detectan sintaxis no válida, mientras que las pruebas automatizadas comparan el comportamiento con los resultados esperados.

Los linters, verificadores de tipos, escáneres de seguridad y sistemas de integración continua añaden más retroalimentación. Un agente de programación a menudo puede ejecutar estas herramientas sin esperar a un revisor humano.

Esto crea un ciclo entre generación y evaluación. El modelo propone un cambio, ejecuta una prueba, lee el error e intenta otra solución.

Otras tareas profesionales rara vez ofrecen señales tan claras. Un cliente tranquilo aún puede marcharse, mientras que un contrato bien redactado puede ocultar una obligación desfavorable.

Una previsión financiera puede ser internamente coherente y aun así basarse en supuestos débiles. Una recomendación de contratación persuasiva puede reproducir sesgos sin activar un error legible por máquinas.

Los proyectos de software también almacenan gran parte de su contexto operativo de forma digital. Los agentes pueden inspeccionar bases de código, sistemas de tickets, documentación, registros e interfaces de programación de aplicaciones.

Una interfaz de programación de aplicaciones, o API, permite a un software intercambiar información estructurada con otro sistema. Las API ofrecen a los agentes de programación vías directas hacia las herramientas necesarias para una tarea.

En cambio, el contexto esencial en otras ocupaciones suele permanecer disperso. Puede estar en conversaciones privadas, prácticas no escritas, archivos adjuntos antiguos o la memoria de un empleado experimentado.

Este problema de contexto explica por qué importan los sistemas de conocimiento organizacional. Los equipos necesitan una base de conocimiento consultable antes de que un agente pueda encontrar de forma fiable material local relevante.

Los desarrolladores aportan otra ventaja: entienden el fallo como una parte normal del flujo de trabajo. Ya esperan depurar, revisar diferencias, revertir cambios y volver a ejecutar pruebas.

Las herramientas de programación también cambian con frecuencia. Los ingenieros aprenden habitualmente nuevos frameworks, lenguajes, editores y sistemas de despliegue.

Esa cultura hizo que la adopción de IA fuera excepcionalmente ascendente. Los desarrolladores individuales podían probar un asistente antes de que su empleador rediseñara un proceso empresarial completo.

Las herramientas también llegaban a los usuarios dentro de interfaces conocidas. El autocompletado aparecía en los editores, el chat se abría junto a los archivos fuente y los agentes llegaban a los terminales.

No se necesitaba ningún programa de transformación independiente para la experimentación inicial. Un desarrollador podía usar IA en una función, una prueba o un mensaje de error.

Este punto de entrada incremental redujo la fricción de adopción. Los experimentos exitosos se ampliaron después hacia tareas mayores, entre ellas la revisión de código, las migraciones, la depuración y la implementación de funcionalidades.

El mecanismo se parece a una escalera. Cada resultado verificado respalda una delegación ligeramente mayor, mientras que los controles de ingeniería existentes limitan el daño derivado de los errores.

La mayoría de los trabajadores de oficina no tienen esa escalera. Se enfrentan a un salto desde la asistencia ocasional hasta la delegación con consecuencias, sin una infraestructura de pruebas comparable.

El argumento para la expansión es real, pero desigual

El derecho, las finanzas y la atención al cliente están creciendo con rapidez, pero el crecimiento de los ingresos no demuestra que sus trabajadores igualarán la intensidad de uso de los desarrolladores.

The Economist identifica la tecnología jurídica como un competidor. Estima que Harvey, Clio y Legora duplicaron su ARR combinado en un año hasta aproximadamente 1.000 millones de dólares.

Harvey afirma que el tiempo dedicado a su plataforma se duplica cada mes. Esa afirmación sugiere una implicación más profunda, aunque la empresa no ha publicado datos de uso auditados de forma independiente.

El trabajo jurídico contiene varios elementos similares a la programación. Los contratos utilizan cláusulas recurrentes, la investigación sigue autoridades establecidas y la revisión documental implica grandes colecciones de texto.

Las diferencias son igualmente importantes. El significado jurídico depende de la jurisdicción, los objetivos del cliente, el historial de negociación y la tolerancia al riesgo.

Una cláusula puede ser gramaticalmente correcta y jurídicamente peligrosa. Rara vez existe una prueba automatizada que determine si un compromiso sirve al cliente.

Las finanzas ofrecen otro mercado amplio. The Economist informa de que Rogo incorporó 100 clientes empresariales durante un trimestre e incrementó su ARR en un 50%.

Los profesionales financieros ya trabajan con datos estructurados, modelos y documentos repetibles. Estas características crean puntos de entrada prometedores para asistentes de investigación y análisis.

Sin embargo, las decisiones financieras combinan resultados numéricos con oportunidad, criterio y responsabilidad. Un modelo puede recuperar cifras con precisión mientras malinterpreta qué supuestos importan.

La atención al cliente parece más cercana al software porque las empresas poseen transcripciones de llamadas, políticas y resoluciones históricas. Ping Wu, CEO de Cresta, dijo a The Economist que analizar miles de llamadas puede revelar conocimientos que antes solo estaban en manos de los empleados.

Sierra, otra empresa de IA para atención al cliente, habría alcanzado 200 millones de dólares en ARR durante junio. The Economist afirma que esa cifra duplicaba su nivel de noviembre de 2025.

La financiación de riesgo ha seguido esa tendencia. La publicación estima que los inversores destinaron 3.000 millones de dólares a startups de IA para atención al cliente durante 2026, más que a cualquier otra categoría de aplicaciones de IA.

Estos mercados muestran que la IA en el trabajo se está extendiendo. Aún no demuestran un uso al nivel de los programadores.

Los agentes de atención al cliente normalmente no pueden instalar herramientas experimentales de forma independiente. Los empleadores eligen el software, conectan bases de datos, establecen permisos y definen respuestas aceptables.

Los abogados y banqueros afrontan limitaciones adicionales. La confidencialidad, el mantenimiento de registros, las obligaciones regulatorias y la responsabilidad profesional encarecen la experimentación sin control.

Eso crea un patrón de adopción descendente. Los proveedores deben completar revisiones de seguridad, integraciones, evaluaciones y formación antes de que el uso pueda crecer.

La programación a menudo avanzó en la dirección opuesta. Los desarrolladores adoptaron asistentes de forma individual, demostraron valor local y después impulsaron compras para toda la empresa.

Los proveedores de IA intentan cerrar esa diferencia. Harvey utiliza datos sintéticos, es decir, material de entrenamiento generado por modelos en lugar de recopilado directamente de la actividad humana.

Las plataformas de trabajo especializado también conectan a expertos de dominio con desarrolladores de modelos. Estos expertos crean ejemplos, evalúan respuestas y describen el razonamiento detrás de las decisiones profesionales.

Mientras tanto, los ingenieros de implantación trabajan dentro de las organizaciones de clientes para adaptar los modelos a los sistemas locales. Su función combina la implementación técnica con el descubrimiento continuo de procesos.

Estos enfoques pueden hacer que los entornos profesionales sean más legibles para las máquinas. Sin embargo, cada uno requiere trabajo, integración y conocimiento específico de cada cliente.

Eso debilita la suposición de que un modelo general puede extenderse por todos los lugares de trabajo con la misma facilidad que un asistente de programación. La adopción fuera del software puede parecerse más a la consultoría más software que al software de autoservicio por sí solo.

La popularidad de la programación no resuelve la cuestión de la productividad

El uso elevado demuestra que los desarrolladores valoran el acceso a la IA, pero no prueba que todas las tareas se vuelvan más rápidas o mejores.

La encuesta de Stack Overflow expone esta tensión. Aunque el 84% de los encuestados utilizaba o planeaba utilizar herramientas de IA, solo el 33% confiaba en su precisión.

El 46% desconfiaba activamente de los resultados de la IA. Solo el 3% se describía como muy confiado.

Esa brecha entre adopción y confianza no es contradictoria. Los desarrolladores pueden usar la IA con frecuencia mientras revisan cada resultado importante.

La misma encuesta reveló que el 52% creía que las herramientas o agentes de IA habían mejorado su productividad. Sin embargo, una mayoría no utilizaba agentes o dependía únicamente de asistentes más simples.

Los desarrolladores también se resistían a delegar en ámbitos de alta responsabilidad. El 76% no planeaba usar IA para despliegue y monitorización, mientras que el 69% la rechazaba para la planificación de proyectos.

Estos hallazgos sugieren que la adopción depende de la tarea. La búsqueda, la explicación, la documentación, el código repetitivo y las pruebas pueden resultar atractivos incluso cuando las decisiones de arquitectura siguen estando lideradas por personas.

Un estudio de productividad aleatorizado de METR añadió una advertencia más contundente. Dieciséis desarrolladores experimentados de código abierto completaron 246 tareas en repositorios maduros.

Cuando se les permitió usar herramientas de IA de principios de 2025, los participantes tardaron un 19% más. Antes del estudio, esperaban que la IA redujera el tiempo de finalización en un 24%.

Después, seguían creyendo que las herramientas les habían ahorrado un 20%. Su percepción se movió en la dirección opuesta al tiempo de finalización medido.

Ese resultado no debería generalizarse a todos los desarrolladores. El estudio se centró en colaboradores experimentados que trabajaban en grandes repositorios que conocían bien.

Las herramientas también han mejorado desde el experimento. Distintos desarrolladores, proyectos y flujos de trabajo pueden producir resultados diferentes.

Aun así, el hallazgo cuestiona un atajo habitual. El uso, la satisfacción y la velocidad percibida no son intercambiables con la productividad medida.

La IA puede parecer útil porque reduce la escritura tediosa, sugiere sintaxis desconocida o hace que la exploración resulte más atractiva. Un desarrollador puede preferir esa experiencia incluso cuando revisar los resultados consume tiempo adicional.

La evidencia más amplia sobre empleo también exige cautela. Investigadores de la Reserva Federal descubrieron que el trabajo informático y matemático generaba más de un tercio de las consultas de Claude incluidas en la muestra.

Esas ocupaciones representaban solo el 3,4% de la fuerza laboral. El desequilibrio confirma una exposición inusualmente alta, pero la muestra excluía la actividad empresarial, de equipos y de API.

Los autores también concluyeron que las distintas medidas de exposición discrepan de forma considerable. Ambas situaron la programación entre las ocupaciones más expuestas, pero la exposición por sí sola no identifica efectos sobre el empleo.

Esta distinción importa para la tesis de inversión. Los proveedores de IA necesitan que los clientes obtengan suficiente valor medible para que el uso sobreviva a las revisiones presupuestarias.

Un producto puede extenderse rápidamente gracias a la curiosidad y la conveniencia. El gasto empresarial sostenido requiere pruebas de que mejora el resultado, la calidad, la velocidad o la capacidad.

La programación conserva una ventaja incluso desde esta perspectiva escéptica. Los equipos de software pueden medir cambios aceptados, tasas de defectos, tiempo de revisión, frecuencia de despliegue y finalización de tareas.

Otras funciones suelen carecer de referencias comparables. Eso hace más difícil demostrar tanto la mejora como el fracaso.

Por tanto, el riesgo va más allá de la precisión de los modelos. Las empresas pueden implementar IA sin saber si ahorra tiempo, desplaza trabajo hacia los revisores o simplemente traslada los costes a otra parte.

Por qué los programadores pueden seguir siendo la excepción

La promesa es la automatización universal del trabajo, pero el mecanismo actual depende de forma inusual de la estructura del software y del comportamiento de sus usuarios.

Los propios datos de Anthropic respaldan el argumento de la concentración. Su informe de uso de septiembre de 2025 concluyó que la programación representaba el 36% de la actividad de Claude incluida en la muestra.

La educación subió del 9,3% al 12,4%, mientras que las tareas científicas aumentaron del 6,3% al 7,2%. Estas ganancias mostraron diversificación sin desplazar a la programación del primer lugar.

El informe de Anthropic de enero de 2026 reveló que las conversaciones de Claude.ai mayoritariamente relacionadas con programación descendieron desde un máximo del 40% hasta el 34% en noviembre de 2025. Ese movimiento indica expansión hacia otras actividades.

Sin embargo, un tercio de las conversaciones sigue representando una fuerte concentración. También refleja la combinación de productos de una sola empresa, no la totalidad del mercado de IA.

Una actualización metodológica posterior de Anthropic señaló que los agentes de larga duración habían hecho menos informativos los simples recuentos de conversaciones. Las sesiones de Claude Code y Cowork pueden contener más trabajo que los chats habituales.

Esto complica las comparaciones entre ocupaciones. Una sesión de programación puede incluir inspección de archivos, implementación, pruebas y revisión, mientras que otro usuario hace una sola pregunta de redacción.

El desarrollo de software también convierte la ambigüedad en artefactos explícitos. Los requisitos se convierten en tickets, los diseños en documentos, los cambios en commits y los fallos en registros.

Ese proceso proporciona a los agentes un estado observable. También ofrece a las personas puntos de control donde pueden aprobar, rechazar o revisar el trabajo.

El conocimiento profesional en otros ámbitos suele ser relacional. Un buen resultado puede depender de la confianza, la empatía, el momento oportuno, la política organizacional o una preferencia no expresada.

Esas señales se resisten a convertirse en datos de entrenamiento. Registrarlas puede introducir problemas de privacidad, consentimiento y gobernanza.

La regulación refuerza la división. Los abogados deben proteger la información privilegiada, las instituciones financieras deben supervisar las comunicaciones y los sistemas de atención al cliente deben cumplir las normas de protección al consumidor.

Los proveedores de IA pueden añadir controles, registros de auditoría y sistemas de recuperación. Estas medidas ayudan, pero añaden trabajo de implementación antes de que los empleados reciban valor.

El mercado de asistentes de programación también muestra lo exigente que sigue siendo una delegación fiable. La directora de producto de Anthropic, Cat Wu, afirmó que la responsabilidad en última instancia sigue recayendo en los ingenieros.

El analista de Gartner Philip Walsh sostuvo de forma similar que el software listo para empresas sigue requiriendo profesionales cualificados. Citó la calidad, la escalabilidad, la seguridad y la robustez como limitaciones persistentes.

Este requisito humano no hace que los agentes de programación sean poco importantes. Explica por qué se extienden más rápido entre personas cualificadas para evaluarlos.

El usuario de IA más sólido no es necesariamente el trabajador con el empleo más fácil de automatizar. Puede ser el trabajador mejor preparado para detectar y reparar fallos de automatización.

Ese principio crea problemas para las previsiones de adopción universal. Muchos empleados carecen tanto de autoridad para experimentar como de experiencia para evaluar cada decisión generada por un modelo.

Las empresas pueden responder rediseñando los flujos de trabajo en torno a la validación. Pueden establecer fuentes de datos aprobadas, criterios de evaluación, normas de escalado y revisión humana.

Sin embargo, hacerlo transforma la adopción en ingeniería organizacional. Comprar acceso a un modelo es solo el primer paso.

Por tanto, la cuestión de Google News plantea una inversión. La programación se presenta como prueba de que todas las profesiones adoptarán la IA, pero quizá revele en cambio los requisitos que otras no tienen.

Lo que el auge de inversión en IA debe demostrar a continuación

La siguiente fase depende de tres señales: un uso recurrente más amplio, una medición creíble de la productividad y un despliegue específico para cada cliente más barato.

La primera señal es si los productos jurídicos, financieros y de atención al cliente mantienen un uso frecuente tras los lanzamientos iniciales. El número de clientes y los ARR muestran compras, no profundidad de uso.

Los inversores deberían buscar tasas de renovación, usuarios activos, flujos de trabajo completados y expansión entre clientes existentes. Los proveedores rara vez divulgan públicamente todas estas métricas.

La evidencia más sólida mostraría que los empleados regresan a diario y delegan porciones mayores de procesos completos. La redacción o resumen ocasional respaldaría un mercado más pequeño.

Si las aplicaciones que no son de programación se acercan a la frecuencia de uso de los desarrolladores, se fortalece la tesis de adopción universal. Si el uso sigue siendo ocasional, la programación parecerá más un límite superior.

La segunda señal es evidencia independiente sobre productividad. Las empresas necesitan comparaciones que incluyan tiempo de revisión, corrección de errores, trabajo de cumplimiento y fallos posteriores.

Medidas simples, como documentos generados o chats completados, pueden inducir a error. Una producción mayor tiene un valor limitado cuando los empleados deben dedicar más tiempo a revisarla.

Los estudios controlados no abarcarán todas las organizaciones. Las empresas aún pueden usar lanzamientos escalonados, equipos comparables, muestreo de calidad y métricas operativas antes y después.

Una mejor evaluación también aclararía dónde crea valor el juicio humano. Un sistema de IA puede acelerar el análisis inicial y dejar intactas las decisiones finales.

Ese resultado aún puede justificar la inversión. Respalda una afirmación más limitada que la automatización completa del flujo de trabajo.

La tercera señal es el coste de despliegue. Los ingenieros desplegados en el cliente y los expertos del dominio pueden convertir el conocimiento organizacional privado en contexto utilizable, pero ese trabajo debe escalar de forma económica.

Hay que observar si los proveedores crean conectores reutilizables, métodos de evaluación compartidos y controles específicos para cada sector. Estos componentes pueden reducir el trabajo personalizado requerido para cada cliente.

También hay que observar el equilibrio entre modelos generales y sistemas especializados. Los modelos generales ofrecen capacidad amplia, mientras que los productos especializados integran datos del dominio, permisos y flujos de trabajo.

Si los proveedores especializados crecen sin grandes equipos de implementación, otras profesiones pueden parecerse más a la programación. Si cada despliegue requiere una personalización extensa, los márgenes y la velocidad de adopción se verán presionados.

Para los desarrolladores, la lección a corto plazo es medir los resultados en lugar de contar las líneas generadas. La habilidad valiosa consiste en avanzar hacia la definición de tareas, la gestión del contexto, la verificación y el criterio sistémico.

Para los compradores empresariales, la lección es igualmente práctica. Comiencen con flujos de trabajo que tengan datos accesibles, criterios claros de éxito, acciones reversibles y revisores responsables.

Los trabajadores del conocimiento deberían preguntarse dónde su trabajo ya genera retroalimentación digital. Esas áreas ofrecen los equivalentes más cercanos a las pruebas de software.

El auge de inversión no exige que todos los empleados se conviertan en programadores. Sí exige que otras ocupaciones desarrollen rutas igualmente repetibles desde la instrucción hasta un resultado verificado.

Ese es el desafío sin resolver detrás de la historia de Google News. Los modelos siguen mejorando y la adopción comercial se está extendiendo más allá de la ingeniería.

Sin embargo, el desarrollo de software combina material de entrenamiento público, contexto digital, validación automatizada, usuarios flexibles y resultados medibles. Ninguna otra profesión importante iguala actualmente ese conjunto.

Durante los próximos meses, ignoren las demostraciones aisladas y observen el comportamiento recurrente. ¿Los profesionales están delegando flujos de trabajo completos, midiendo los resultados y regresando sin apoyo técnico constante?

Si la respuesta pasa a ser sí, los programadores fueron el primer ejemplo de una amplia transición en el lugar de trabajo. Si sigue siendo no, fueron la excepción favorable que respalda una promesa de inversión mucho mayor.

La pregunta útil no es si su equipo puede acceder a la IA. Es si su flujo de trabajo puede exponer el contexto adecuado, detectar errores y demostrar que la delegación creó valor.