The ROI of AI-assisted Software Development

Puntos clave

1. Fecha / fuente. 21 de abril de 2026 (metadato CreationDate del PDF), versión v. 2026.1, citas recuperadas en febrero de 2026. Alojado en: https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development. PDF directo: https://services.google.com/fh/files/misc/dora-roi-of-ai-assisted-software-development-2026.pdf
2. Formato. informe-marco del DORA × delta team, 60 páginas, con licencia CC BY-NC-SA 4.0, con una calculadora interactiva en https://dora.dev/ai/roi/calculator
3. Autores principales. Eva Dong, Andre Ellis Jr., Nathen Harvey (responsable del DORA team), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
4. Esquema en 7 capítulos. Resumen ejecutivo → Construir el caso de negocio → Comprender la brecha del mercado → Calcular el ROI → Construir la base organizativa → Trazar la hoja de ruta de inversión en IA → Asegurar el ROI a largo plazo → (Agradecimientos / Próximos pasos / Apéndice calculadora) ### La tesis pivote — la IA es un amplificador > "La inteligencia artificial (IA) actúa como un potente amplificador en el desarrollo de software. Magnifica las fortalezas de las organizaciones de alto rendimiento y las disfunciones de las que tienen dificultades."
5. Implicación 1. comprar licencias de IA no es suficiente — "la mera compra de licencias no garantizará un retorno financiero".
6. Implicación 2. si la organización tiene cuellos de botella (pruebas manuales, burocracia, datos fragmentados), la IA acelera la deuda técnica en lugar de reducirla.
7. Implicación 3. "El código a menudo se ve como un pasivo, no como un activo" (Winters/Manshreck/Wright, Software Engineering at Google, 2020) — generar más código sin supervisión aumenta la sobrecarga de verificación y la deuda a largo plazo.
8. Implicación 4. la métrica relevante no es el volumen de código sino "los cuellos de botella que elimina". ### La curva en J de la creación de valor de la IA (concepto central) > "La introducción de un nuevo proceso casi garantiza un impacto negativo inicial en el rendimiento, y la profundidad de la caída se correlaciona directamente con la magnitud del cambio." Tres factores de la caída temporal de la productividad: 1. Curva de aprendizaje: los equipos aprenden nuevas interfaces, adaptan flujos de trabajo, dominan el paso de prompting → sistemas construidos sobre contexto, intención, especificación. 2. Coste de verificación (verification tax): tiempo dedicado a revisar el código generado (desconfianza ante las alucinaciones + mayor volumen). 3. Adaptación del pipeline: los procesos posteriores (pruebas, aprobación de cambios) deben absorber la nueva velocidad, revelando las limitaciones heredadas. Riesgo de gestión: "Las iniciativas a menudo fracasan no porque la tecnología sea defectuosa, sino porque el liderazgo malinterpreta esta fase de aprendizaje como un fracaso y retira la financiación durante la caída inevitable." De ahí la necesidad de presupuestar explícitamente la caída para proteger la inversión durante la fase de aprendizaje.
9. ### La calculadora de ejemplo — cifras de referencia | Variable | Valor de ejemplo | |----------|---------------| | Tamaño de la plantilla técnica (ETC) | 500 | | Salario medio totalmente cargado | 176.000 $ (media EE. UU.; +30 % EE. UU., +100 % UE sobre la base) | | Tiempo neto ahorrado por desarrollador | 12,5 % (~ 1h de una jornada de 8h; rango en la literatura 40-150 min/día) | | Licencia de IA anual / usuario | 250 $ | | Costes de IA adicionales anuales / usuario (API/tokens) | 80 $ | | Coste de formación anual / usuario | 9.600 $ | | Coste adicional de infraestructura | 100.000 $ | | Caída de productividad de la curva en J | 15 % | | Duración de la curva en J | 3 meses | | Ingresos de la cartera de productos | 100 M$ | | Coste del tiempo de inactividad / hora | 100.000 $ | | Despliegues actuales / año | 50 | | Tasa de éxito de las ideas | 33 % (Larsen et al. 2023) | | Impacto en ingresos por funcionalidad exitosa | 0,5 % (rango 0,01-1 %) | | CFR actual | 5 % | | CFR objetivo | 6 % (+20 % — impuesto de inestabilidad) | | Despliegues objetivo / año | 56 (+12 %) | | Funcionalidades objetivo / año | 56 | | FDRT (tiempo de recuperación de un despliegue fallido) | 4 horas | Resultados de ejemplo: | | Importe | |--|--| | Costes duros totales (herramientas + formación) | 5.065.000 $ | | Coste de la curva en J | 3.300.000 $ | | Inversión total del primer año | 8.365.000 $ | | Capacidad de reinversión de personal | 11.000.000 $ | | Ingresos por despliegues adicionales de funcionalidades | 990.000 $ | | Impacto del tiempo de inactividad (impuesto de inestabilidad) | −344.000 $ | | Valor anual total | 11.646.000 $ | | Beneficio del primer año | 3.281.000 $ | | ROI del primer año | 39 % | | Periodo de recuperación | 0,7 año (8 meses) | ### Cinco pilares de valor (valor de negocio acumulado) ` Productividad → Experiencia de Usuario → Eficiencia de Costes → Experiencia del Desarrollador → Crecimiento del Negocio (más directo) (más indirecto) `
10. Productividad. el efecto más directo, el mejor confirmado por DORA 2025 (>80 % de los encuestados percibe una ganancia).
11. Experiencia del Desarrollador. retención, menor rotación (coste de reemplazo = 1,5-2× el salario anual). Excluido de la calculadora base (vínculo variable).
12. Eficiencia de costes. contratación evitada (¡no reducción de plantilla!) + ahorro en infraestructura de TI.
13. Experiencia de Usuario. rendimiento de la aplicación → engagement. Excluido de la calculadora (vínculo "laxo").
14. Crecimiento del Negocio. ingresos, conversión. El más aguas abajo, el más difícil de atribuir. ### Cinco claves sistémicas para la adopción (base organizativa) 1. Confianza: "una postura sobre la IA clara y comunicada" — reduce el coste de verificación mediante la seguridad psicológica. 2. Plataforma: la plataforma interna para desarrolladores (IDP) tratada como un producto — guardrails tanto para los desarrolladores COMO para los agentes. 3. Datos: datos internos accesibles para la IA + ecosistemas de datos saludables + calidad de documentación legible por máquina. 4. Usuarios: enfoque centrado en el usuario — la velocidad dirigida hacia el valor para el usuario, no hacia el volumen de commits. 5. Guardrails: controles de seguridad/calidad no opcionales, verificaciones automatizadas, hooks de pre-commit. ### Hoja de ruta de inversión en dos fases | Fase | Tipo de presupuesto | Capacidades | Objetivo | |-------|-------------|--------------|------| | (1) Construir la capa de contexto | CapEx | IDP de calidad + ecosistema de datos saludable + documentación legible por máquina | Minimizar la fricción del agente — garbage in, garbage out | | (2) Empoderar al humano en el bucle | OpEx | Confianza en la IA + context engineering | Los desarrolladores se convierten en orquestadores de alto nivel — reducir el coste de verificación | | (3) Validar el progreso | (medidor) | Adelantado: frecuencia de experimentación + frecuencia de despliegue / Estabilidad: tasa de fallos en cambios + retrabajo | Confirmar la trayectoria de la curva en J | ### Tres escenarios a modelar | Escenario | Multiplicador de valor | Multiplicador de coste | Supuesto | |----------|------------------|-----------------|-----------| | Conservador | 0,8 | 1,5 | Adopción lenta + sobrecarga oculta de integración | | Base realista | 1,0 | 1,0 | Trayectoria estándar | | Optimista | 1,2 | 0,8 | Equipo de élite + IDP maduro que absorbe las herramientas | ### Datos externos utilizados (evidencia de apoyo) | Dato | Valor | Fuente | |--------|--------|--------| | Ejecutivos que declaran ROI en ≥ 1 caso de uso de IA generativa | 78 % | Google Cloud, The ROI of AI 2025 | | Primeros adoptantes de IA agéntica que observan retornos positivos | 88 % | Google Cloud, The ROI of AI 2025 | | Ganancia de productividad en greenfield (simple) | 35-40 % | Stanford Software Engineering Productivity Research | | Ganancia de productividad en brownfield (legado) | ≤ 10 % | Stanford | | Reducción del coste de inferencia (nov. 2022 → oct. 2024) | ÷280 | Stanford 2025 AI Index | | Periodo medio de recuperación para herramientas de IA (datos de Google Cloud) | 8 meses | Google Cloud, How Businesses Achieve Strong ROI | | ROI medio para los clientes de IA de Google Cloud (3 años) | 727 % | Google Cloud | | Tasa de éxito de las ideas (funcionalidades que aumentan los ingresos) | ~33 % | Larsen et al. 2023 (metodología de pruebas A/B) | | Coste de reemplazo de un desarrollador | 1,5-2× el salario anual | RR. HH. estándar | | Sobrecoste del salario totalmente cargado | +30 % EE. UU. / +100 % UE | Sobre el salario base | ### Posición normativa explícita — no reducir la plantilla > "Recomendamos encarecidamente que las organizaciones no adopten una estrategia de reducción de plantilla, que tiene un impacto negativo en la moral y la cultura organizativa, puede reducir la eficiencia e incluso puede incentivar a los trabajadores a no mejorar sus procesos de trabajo. En su lugar, este esfuerzo debería reinvertirse en trabajo nuevo, innovador o más productivo." Una posición explícitamente opuesta a casos como Tatsyi/Raiffeisen Bank Ukraine (−75 personas en 12 meses). Tensión productiva: Tatsyi informa de una reasignación deliberada de la capacidad liberada aun reduciendo la plantilla; DORA recomienda preservar la plantilla y reinvertir la capacidad liberada en innovación. Las dos posiciones no son irreconciliables — Tatsyi es retrospectiva sobre una decisión ya tomada, DORA es prescriptiva a priori para preservar la moral, el conocimiento institucional y las estructuras de incentivos. Para utilizar como pivote de debate en comités ejecutivos. ### Conexión con el dossier de vigilancia #### Convergencia "la IA es un amplificador" / "sistema organizativo >> herramienta"
15. Tatsyi/Raiffeisen. (2026-05-05): "la IA amplió nuestra frontera de posibilidades de producción, y asignamos deliberadamente la capacidad liberada" — un análogo exacto de la posición de DORA.
16. Wescale Usine Logicielle Augmentée. (2026-05-03): gobernanza inyectada como una "capa casi militar", X3-X4 realista.
17. Habert PROJ-AI. (2026-05-05): "tecnología 20 % / disciplina de equipo 80 %" — una reformulación directa.
18. Osmani *Cognitive Surrender. * (2026-05-05): 6 guardrails organizativos estructurales.
19. MIT NANDA *GenAI Divide. * (2025-08-23): el 95 % de los pilotos de IA no logran generar ROI — citado explícitamente por DORA como una "perspectiva pesimista".
20. → Fuerte convergencia: la madurez organizativa es el moat (foso defensivo), no la herramienta. #### Convergencia "curva en J / coste de matrícula"
21. Frizzo. (2026-05-05): "atrofia del músculo de la escritura", "el nuevo cuello de botella es la supervisión" — vive el coste de verificación día a día.
22. BCG Brain Fry. (Bedard et al., 2026-03-05): 14 % de "brain fry" por IA — el coste de aprendizaje del lado humano.
23. Beck *Starving Genies. * (2026-04-03): escasez voluntaria para preservar la práctica manual frente al FOMO de los agentes 24/7.
24. → DORA proporciona el marco financiero para la caída que estos autores documentan cualitativamente. #### Convergencia en las ratios de productividad (mediana comprometida de 3-5×)
25. Ejemplo de DORA con 12,5 % de tiempo ahorrado. = equivalente a un 1,14× sobre una base de 8h, mucho más conservador que las ratios medianas de 3-5× del corpus de 2026.
26. Por qué. DORA es conservador por diseño para defenderse ante un CFO. Las ratios de los profesionales (Frizzo 3-5×, Wescale X3-X4, Curran 3×, Tatsyi multiherramienta ×1,5-3 / stack Claude ×4,5) capturan la transformación completa del trabajo (cambio de alcance, nuevos productos, reasignación de tareas) que la calculadora de DORA no captura — mide la contratación evitada, no el nuevo espacio de producto.
27. Stanford 35-40 % greenfield frente a ≤10 % brownfield. , citado por DORA: confirma la distribución desigual según el contexto técnico.
28. → Lectura correcta: DORA = suelo financieramente defendible; ratios de los profesionales = techo observado organizativamente. Ambas son válidas según el ámbito de medición. #### Convergencia "liberar plantilla / reinvertir / no reducir la plantilla"
29. DORA. "no adoptar una estrategia de reducción de plantilla".
30. Curran/Intercom. (2026-04-16): 3× de productividad en I+D sin reducción masiva — reasignación interna.
31. Tatsyi/Raiffeisen. (2026-05-05): −75 personas pero con reasignación deliberada de la capacidad liberada hacia funcionalidades / estabilidad / deuda técnica.
32. → Tensión productiva: DORA prescriptivo (no reducir) frente a Tatsyi descriptivo (redujo reasignando). Para utilizar en presentaciones equilibradas. #### Convergencia "el código es un pasivo"
33. DORA. cita Software Engineering at Google (Winters/Manshreck/Wright, 2020).
34. Cherny. (2026-05): "el 100 % del código generado" — pero con supervisión y compactación.
35. Frizzo. (2026-05-05): "atrofia del músculo de la escritura" — el coste cognitivo del volumen.
36. Osmani Cognitive Surrender. (2026-05-05): "PRs de ~100 líneas máximo" — un límite explícito antivolumen.
37. → La afirmación "más código es peor código" es un hecho estilizado de 2026 confirmado por fuentes heterogéneas. #### Posición FR/europea frente a anglosajona
38. DORA es estadounidense pero documenta una posición europea (Ursula Lübbert-Passing PhD, EMEA Value Realization).
39. La calculadora incluye. un sobrecoste salarial del +100 % para Europa (frente al +30 % de EE. UU.) — sensible a los contextos locales.
40. Para utilizar en presentaciones FR como un estándar de referencia para CFOs/consejos, complementario a Wescale (empresa FR), Habert (FR), Tatsyi (Europa Central). #### Convergencia "frecuencia de experimentación = indicador financiero adelantado"
41. DORA. marco de opcionalidad, frecuencia de experimentación como indicador adelantado.
42. Cherny. (2026-05): "unas pocas decenas de PRs/día", exploración paralela.
43. Karpathy. (2026-04-29): MenuGen frente a Nanobanana, jagged intelligence, la experimentación como nuevo modo.
44. Habert PROJ-AI. Decision Records de 7 dimensiones que legitima la exploración documentada.
45. → Convergencia: la IA permite convertir cada funcionalidad en una opción de bajo coste. ### Limitaciones a señalar
46. La calculadora es simplista por diseño. (reconocido por los autores) — excluye: el ahorro por retención/rotación, el vínculo entre experiencia de usuario e ingresos, los efectos compuestos de la IA agéntica a partir del año 2, el ahorro en procesos de negocio posteriores (RR. HH., etc.).
47. Las cifras de ejemplo están muy centradas en EE. UU. (salario de 176.000 $, licencia de 250 $/año — probablemente subestima los costes a escala empresarial con negociación corporativa + agentes).
48. El 12,5 % de tiempo ahorrado es muy conservador. en comparación con los testimonios de los profesionales — pero esto es intencionado para defenderse ante un CFO escéptico. Riesgo inverso: infravalorar el potencial.
49. El ahorro de tiempo está limitado por el impuesto de inestabilidad. en el modelo — la caída temporal (descenso del 15 % durante 3 meses) pesa 3,3 M$ de los 8,4 M$ de inversión total. A verificar: ¿esta caída es siempre tan grande? Para organizaciones maduras podría ser mucho menor.
50. La tasa de éxito de ideas del 33 % (Larsen 2023). procede de pruebas A/B estándar — puede ser demasiado baja para funcionalidades bien investigadas y demasiado alta para funcionalidades experimentales.
51. No hay discusión explícita. de los riesgos regulatorios (RGPD, EU AI Act, supervisión sectorial) — sorprendente para un documento de Google Cloud de ámbito empresarial EMEA.
52. La cifra de Google Cloud. (727 % de ROI en 3 años, recuperación en 8 meses): estadísticas de clientes internos de Google Cloud, probable sesgo de selección.
53. La calculadora no captura. lo que Tatsyi denomina la "frontera de posibilidades de producción" (los nuevos productos que antes no existían) — mide la contratación evitada, no el nuevo espacio de producto. Una limitación estructural del modelo.
54. "Todos los modelos son erróneos". se repite 3 veces en el documento — una autolimitación, pero no exime de la crítica metodológica sobre su aplicación ciega. ### Para utilizar en
55. Presentaciones ejecutivas/de consejo/CFO. marco oficial Google Cloud × DORA — autoridad institucional para defender un presupuesto de IA.
56. Construcción de un caso de negocio de IA. reutilizar la calculadora como estructura, ajustar los supuestos al contexto del cliente (recomendación explícita de los autores).
57. Sensibilización sobre el "coste de matrícula". proteger la inversión durante la caída de la curva en J, no recortar la financiación durante la fase de aprendizaje.
58. Debate de equipo/RR. HH. la posición normativa "no reducir la plantilla" es un argumento utilizable frente a los impulsos de reducción de plantilla puramente presupuestarios.
59. Cifras citadas. 39 % de ROI / recuperación en 8 meses / 35-40 % greenfield frente a 10 % brownfield / coste de inferencia ÷280 / 727 % de ROI en 3 años — cifras de referencia sólidas para integrar en formaciones, notas de vigilancia y presentaciones estratégicas.
60. Conexión del contenido FR con Wescale / Habert / Tatsyi / Frizzo. DORA como el fundamento financiero institucional, las demás notas como testimonios operativos complementarios.
61. Discusión estratégica sobre IDP / context engineering. las capacidades de DORA (IDP de calidad + datos internos accesibles para la IA + calidad de la documentación) se convierten en inversiones prioritarias identificables y presupuestables.