- A pesar de las afirmaciones de que las herramientas de programación con IA han aumentado enormemente la productividad, no se observa una explosión en la creación de nuevo software
- El análisis de los datos de PyPI muestra que, incluso después de ChatGPT, la velocidad total de creación de paquetes no cambió
- Solo en los paquetes populares relacionados con IA la frecuencia de actualizaciones aumentó más del doble, mientras que los paquetes no relacionados con IA mantuvieron la tendencia previa
- Esta concentración se interpreta más como un efecto de concentración de financiamiento y atención que como una mejora general de productividad por la tecnología de IA
- En consecuencia, el impacto de la IA generativa no aparece como una expansión de todo el ecosistema de desarrollo, sino como una concentración de actividad dentro del campo de la IA
Análisis de la productividad de software en la era de la IA
- A pesar de las afirmaciones de que las herramientas de programación con IA multiplicaron la productividad por decenas, en la práctica no se observa una explosión en la creación de nuevo software
- Se analizaron las tendencias de creación y actualización de paquetes tras la adopción de la IA usando datos del repositorio de paquetes de Python, PyPI
- Como resultado, solo en los paquetes populares relacionados con IA la frecuencia de actualizaciones aumentó de forma abrupta, mientras que en el ecosistema general no hay cambios claros
- Este fenómeno parece deberse más a la concentración de financiamiento y atención que a una mejora de productividad atribuible a la tecnología de IA en sí
Análisis del número de paquetes
- El número total de paquetes en PyPI mostró un crecimiento exponencial sostenido, pero no hubo un cambio evidente en el momento del lanzamiento de ChatGPT
- La cantidad de paquetes nuevos por mes fluctuó entre 5,000 y 15,000
- Algunos picos desde 2020 se deben a la entrada de spam y malware
- Si la IA hubiera aumentado la productividad de los desarrolladores, debería observarse un incremento brusco en la cantidad de paquetes, pero los datos no muestran ese fenómeno
Análisis de la frecuencia de actualización de paquetes
- Más que la simple creación de paquetes, se considera un indicador más significativo la frecuencia de actualización de los paquetes mantenidos
- Se analizaron los 15,000 paquetes más descargados con corte a diciembre de 2025
- Se agruparon los paquetes por año de creación y se siguió la frecuencia mediana de actualización de cada cohorte anual
- Los paquetes creados después de ChatGPT registraron en promedio 13 actualizaciones en su primer año, frente a 6 en los paquetes creados en 2014
- Sin embargo, esta tendencia ya venía en aumento desde 2019, posiblemente por la expansión de herramientas de CI como GitHub Actions
- En todas las cohortes, la frecuencia de actualización disminuye a medida que los paquetes envejecen
- El uso de herramientas de IA no parece aumentar la frecuencia de mantenimiento de los paquetes antiguos
El caso particular de los paquetes relacionados con IA
- Al clasificar los paquetes según si estaban relacionados con IA a partir de su descripción, solo en ellos apareció un cambio claro
- Los paquetes relacionados con IA creados en 2023 tuvieron una mediana de 20 actualizaciones en el primer año, alrededor del doble que los paquetes no relacionados con IA
- Los paquetes no relacionados con IA mantuvieron un crecimiento gradual similar al de antes
- Por lo tanto, se confirma un aumento de actividad concentrado solo en proyectos relacionados con IA
Relación con el factor de popularidad
- Para comprobar si la alta frecuencia de actualización de los paquetes relacionados con IA era simplemente un efecto de popularidad,
los 15,000 paquetes principales se dividieron en los 7,500 superiores y 7,500 inferiores según descargas
- Como resultado, solo en los paquetes de IA populares la frecuencia de actualización se disparó
- Después de ChatGPT, los paquetes de IA populares tuvieron entre 21 y 26 actualizaciones por año, mientras que los paquetes populares no relacionados con IA se mantuvieron en alrededor de 10
- Incluso bastante por encima de los paquetes de IA menos populares
Observaciones generales
- La velocidad de creación de paquetes no mostró un aumento claro incluso después de ChatGPT
- La frecuencia total de actualización aumentó gradualmente, pero esa era una tendencia que ya existía antes de la IA
- Solo en los paquetes populares relacionados con IA se observó un aumento de más del doble en la frecuencia de actualización
Interpretación e hipótesis
-
No hay evidencia de que la IA haya disparado de forma general la productividad de los desarrolladores
- En conjunto, no hay una explosión de nuevos paquetes ni de actualizaciones
- Es posible que algunos desarrolladores sí estén construyendo más rápido con ayuda de la IA, pero su número o su impacto parecen limitados
- El desarrollo de software que usa IA sí está avanzando activamente
- En particular, se observa actividad intensiva en los paquetes populares relacionados con IA
Dos hipótesis
- Tema de habilidades con IA: quienes crean herramientas de IA también son quienes mejor saben aprovechar la IA, por lo que la mejora de productividad se manifiesta más en los paquetes de IA. Sin embargo, solo con las habilidades es difícil explicar por qué la concentración ocurre solo en los paquetes de IA populares
- Financiamiento y hype: la enorme inversión y atención volcada en el campo de la IA hizo que más personas realizaran más trabajo, aumentando la creación y actualización de paquetes
- El cambio en el tamaño de las cohortes respalda esto: la proporción entre no IA e IA en la cohorte de 2021 era de 6:1 (1,211 vs 185), pero en 2024 pasó a ser de menos de 2:1 (727 vs 423)
- No es que los desarrolladores se hayan vuelto sobrehumanos, sino que el sobrecalentamiento del interés por la IA se convirtió en financiamiento, acelerando la creación y la iteración de paquetes de IA
- Solo con estos datos no es posible determinar cuál de los dos efectos pesa más
Conclusión
- El efecto visible de la revolución de la IA generativa no es una explosión de la productividad total del software, sino un aumento de actividad concentrado dentro del ecosistema de IA
- Tomando como referencia los datos de PyPI, la IA no ha hecho sobrehumanos a todos los desarrolladores, sino que muestra el resultado de una concentración de financiamiento y esfuerzo en los proyectos relacionados con IA
4 comentarios
Por ahora, me parece que la mayor innovación es que bajó la barrera de entrada para desarrollar.
Qué lógica tan rara... jaja. Yo, desde ChatGPT, he usado muchísimo la IA para desarrollar en otros dominios... Cosas que antes eran imposibles, o que requerían que se sumaran unas 10 personas con experiencia, ahora las hago yo solo... ¿Eso no es una revolución?
¿No es que no les gusta esa clase de innovación? Parece que lo están difundiendo casi al nivel de un comunicado de prensa; da la impresión de que hay intereses de por medio.
Opiniones de Hacker News
Hoy en día se volvió muy fácil llevar una idea hasta la etapa de prototipo
Pero para sacarla como un servicio real todavía hace falta mucha ingeniería de software aburrida
He visto a mucha gente seguir la tendencia de “voy a construir un negocio yo mismo con código”, pero en la práctica casi ninguno llega al lanzamiento
Al final, la última etapa es la parte que se lleva la mayor parte del tiempo y el esfuerzo
Una app no tiene que publicarse para todo el mundo para ser útil
Si el objetivo es resolver un problema mío, de mi entorno o de mi equipo, esa “última etapa” es un desperdicio innecesario
Los productos del mercado no son soluciones a problemas, sino herramientas para ganar dinero
La IA redujo mucho el costo de ‘resolver problemas’, pero redujo menos el costo de ‘convertir eso en producto’
Así que la falta de productos no significa que falten soluciones
Eso es peligroso, porque se atrofia la capacidad de encontrar la causa raíz de un problema
La IA te hace rápido el primer 80%, pero la calidad es dudosa
Al final fomenta un desarrollo por ensayo y error, y mientras más experiencia tiene un desarrollador, más suele detestar ese enfoque
Si le pides a Claude que diseñe una función, te saca una especificación excelente, y un agente de código construye bien hasta el 80%
Pero el 20% final toma muchísimo más tiempo
Mientras tanto se van acumulando ideas para nuevas funciones, y aparece un backlog interminable junto con ansiedad
En realidad nadie me pidió eso, fui yo mismo quien se creó esa presión
Es un proceso largo que va desde levantar requisitos, diseñar, aprobar, montar infraestructura, escribir código, probar, desplegar y monitorear
La IA puede acelerar 4 o 5 de esas etapas, es decir, sobre todo la parte de infraestructura y escritura de código
Pero el resto sigue siendo terreno humano
Medir el impacto de la IA con los 15,000 paquetes más populares de PyPI no tiene mucho sentido
Más bien, la estadística de que hubo un aumento del 24% en nuevas apps iOS registradas sí parece más relevante
Según Appfigures Explorer, en 2025 hubo 557 mil apps nuevas, el primer aumento fuerte desde 2016
Después del momento en que la IA se volvió lo bastante práctica (diciembre de 2025, con el lanzamiento de Opus 4.5 y Codex), la productividad de desarrollo se disparó
Ahora vivimos en una época en la que lo que antes le preguntabas a Stack Overflow se lo preguntas a un LLM
Un LLM con acceso a documentación puede responder el 95% de las preguntas
Stack Overflow difícilmente va a aguantar ese cambio
Muchas veces la programación con IA se usa para reducir utilidades o en forma de herramientas internas que ni siquiera se publican como paquete
Casi no hay apps útiles que aporten a la productividad económica
La IA consume energía y capital, pero deja beneficios reales mínimos
Desde una perspectiva económica, el boom de la IA se parece más a una burbuja sobrecalentada
Últimamente abundan proyectos tipo “YoloSwag”
Presumen ser una implementación 1:1 de PyTorch en Rust, con 80% menos uso de CPU y mejoras de velocidad del 300%, pero en realidad se caen apenas arrancan
Todas las pruebas pasan con mocks falsos, y el código es un monstruo formado mitad por bindings de PyTorch y mitad por APIs sin sentido
El desarrollador era un excriptofanático que afirmaba haberse vuelto experto en computación cuántica en 6 semanas
No usan la IA para aprender por cuenta propia, sino solo para presumir
Si esa cultura no cambia, vamos a seguir viendo proyectos de este estilo ‘YoloSwag’
Borré VSCode y me hice mi propio dashboard hiperpersonal
Manejo noticias, gestión de issues, editor Markdown, calendario, botones de IA y todo lo demás en una sola pantalla
Pero está tan personalizado que no hay razón para compartirlo
La mayoría de los servicios nuevos se queda en wrappers de LLM o herramientas de IA
Por ejemplo, terminé en 20 minutos una app de compras adaptada a mis hábitos
Este tipo de software hiperpersonalizado es la siguiente etapa
Si compartieras tu configuración, podría servir de inspiración para muchos builders
La razón por la que muchas cosas hechas con IA no se publican es simple
La mayoría está personalizada para cada quien, así que no hace falta hacerla pública
Además, ahora la idea en sí misma se volvió más competitiva que la ejecución, así que tampoco hay mucho incentivo para compartirla
Vivimos en una época en la que cualquiera puede tener capacidades parecidas y construir rápido y barato lo que necesita
Por eso hay muchísimos resultados hechos con IA, pero cada vez menos terminan expuestos al mundo
Hace falta evidencia que muestre no proyectos personales, sino cambios en toda la industria
Eso incluso está frenando contribuciones reales
Claro que el código de baja calidad generado por IA es un problema, pero rechazarlo todo por esa razón no es la solución
Una cultura que no revisa ni prueba bien el código es un problema todavía mayor
La IA vuelve muy fácil hacer el primer 90% de una app, pero hace mucho más difícil el 10% final
La base de código creció, pero se perdió la familiaridad con ella, y la mayoría abandona justo ahí
Al final, aunque la IA construya rápido, hay muchas trampas de calidad y seguridad
El boom actual de la IA recuerda a la burbuja puntocom
Igual que a comienzos de los 2000, hay muchas empresas quemando dinero bajo la ilusión de que “solo hay que usar IA”
En cambio, también hay compañías que están adoptando IA en silencio para mejorar la eficiencia del trabajo
Al final, la mayoría quedará como herramienta de apoyo, y las apps totalmente automatizadas serán pocas
Medir el impacto de la IA por la cantidad de paquetes en PyPI es un enfoque equivocado
El aumento real de productividad está ocurriendo en repositorios privados, herramientas internas y apps de propósito único
Yo mismo hice con IA en 6 semanas una webapp con soporte offline, pagos con Stripe y páginas SEO
Antes eso me habría tomado 6 meses
Ese tipo de resultado no aparece en los datasets, pero la mejora de productividad es indudable
Yo también últimamente uso menos librerías
Gracias a la IA, manejar llamadas directas a APIs se volvió más sencillo
Publicar un paquete es básicamente lo mismo que mantener un proyecto open source, y eso agota muchísimo
La carga de mantenimiento y el desbalance entre esfuerzo y recompensa hacen que todos le saquen la vuelta
El mundo ya tiene suficientes librerías, y no está mal que haya una tendencia a consolidarse alrededor de las realmente buenas
Muchos desarrolladores ya no usan IA “por proyecto”, sino por commit
Medir el efecto de la IA con PyPI es una visión de corto alcance
En cambio, si miras el informe GitHub Octoverse 2025, se ve con claridad una tendencia al alza tanto en usuarios como en contribuciones open source
En 2025, el 81.5% de todas las contribuciones ocurrió en repositorios privados, y los públicos apenas representaron el 63%
Ya existían herramientas como Cursor, Copilot y otras, y todas fueron llamadas una innovación
Si la IA realmente permitiera desplegar código 10 veces más rápido, ya deberían verse resultados explosivos ahora mismo