The ROI of AI-assisted Software Development

Puntos clave

1. Fecha / fuente. 21 de abril de 2026 (metadatos CreationDate del PDF), versión v. 2026.1, citas recuperadas en febrero de 2026. Alojamiento: 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-framework del equipo DORA × delta, 60 páginas, bajo 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 (líder del equipo DORA), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
4. Estructura en 7 capítulos. Resumen ejecutivo → Construir el business case → 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 / Anexo calculadora) ### La tesis central — AI is an amplifier > "Artificial intelligence (AI) serves as a powerful amplifier in software development. It magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."
5. Implicación 1. comprar licencias de IA por sí solo no basta — "purchasing licenses alone will not guarantee a financial return".
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. "Code is often seen as a liability, not an asset" (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 "the bottlenecks it clears". ### La curva en J de la materialización del valor de la IA (concepto central) > "The introduction of a new process almost guarantees an initial negative impact on performance, with the depth of the decline directly correlating to the magnitude of the change." Tres motores de la caída temporal de 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. Impuesto de verificación: tiempo dedicado a revisar código generado (desconfianza hacia las alucinaciones + volumen aumentado). 3. Adaptación del pipeline: los procesos posteriores (pruebas, aprobación de cambios) deben absorber la nueva velocidad, exponiendo las limitaciones heredadas. Riesgo de gestión: "Initiatives often fail not because the technology is flawed but because leadership misinterprets this learning phase as a failure and pulls funding during the inevitable dip." De ahí la necesidad de presupuestar explícitamente la caída para proteger la inversión durante la fase de aprendizaje. ### La calculadora de ejemplo — cifras de referencia | Variable | Valor de ejemplo | |----------|---------------| | Tamaño del personal técnico (ETC) | 500 | | Salario medio totalmente cargado | 176.000 $ (mezcla US; +30 % US, +100 % UE sobre la base) | | Tiempo neto ahorrado por desarrollador | 12,5 % (~1 h / jornada de 8 h; rango de la literatura de 40-150 min/día) | | Licencia anual de IA / usuario | 250 $ | | Costes anuales adicionales de IA / usuario (API/tokens) | 80 $ | | Coste anual de formación / 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 de las interrupciones / hora | 100.000 $ | | Despliegues actuales / año | 50 | | Tasa de éxito de las ideas | 33 % (Larsen et al. 2023) | | Impacto en ingresos por función exitosa | 0,5 % (rango 0,01-1 %) | | CFR actual | 5 % | | CFR objetivo | 6 % (+20 % — impuesto de inestabilidad) | | Despliegues objetivo / año | 56 (+12 %) | | Funciones objetivo / año | 56 | | FDRT (tiempo de recuperación de 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 la plantilla | 11.000.000 $ | | Ingresos por despliegues de funciones adicionales | 990.000 $ | | Impacto de las interrupciones (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 del valor (valor de negocio acumulado) ` Productividad → Experiencia de usuario → Eficiencia de costes → Experiencia del desarrollador → Crecimiento del negocio (más directo) (más indirecto) `
9. Productividad. el efecto más directo, mejor confirmado por DORA 2025 (>80 % de los encuestados percibe una ganancia).
10. Experiencia del desarrollador. retención, menos rotación (coste de reemplazo = 1,5-2× el salario anual). Excluida de la calculadora base (vínculo variable).
11. Eficiencia de costes. contratación evitada (¡no reducción de plantilla!) + ahorros de infraestructura TI.
12. Experiencia de usuario. rendimiento de la aplicación → compromiso. Excluida de la calculadora (vínculo «laxo»).
13. Crecimiento del negocio. ingresos, conversión. El más aguas abajo, el más difícil de atribuir. ### Cinco claves sistémicas de adopción (base organizativa) 1. Confianza: "clear and communicated AI stance" — reduce el impuesto de verificación mediante la seguridad psicológica. 2. Plataforma: la Internal Developer Platform (IDP) tratada como un producto — barreras de protección tanto para desarrolladores como para agentes. 3. Datos: datos internos accesibles para la IA + ecosistemas de datos saludables + calidad de la 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. Barreras de protección: gates 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 de los agentes — 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 impuesto de verificación | | (3) Validar el progreso | (indicador) | Adelantados: frecuencia de experimentación + frecuencia de despliegue / Estabilidad: tasa de fallos de cambio + retrabajo | Confirmar la trayectoria de la curva en J | ### Tres escenarios a modelizar | Escenario | Multiplicador de valor | Multiplicador de coste | Hipótesis | |----------|------------------|-----------------|-----------| | Conservador | 0,8 | 1,5 | Adopción lenta + sobrecarga de integración oculta | | Base realista | 1,0 | 1,0 | Trayectoria estándar | | Optimista | 1,2 | 0,8 | Equipo de élite + IDP madura que absorbe las herramientas | ### Datos externos movilizados (evidencia) | Dato | Valor | Fuente | |--------|--------|--------| | Directivos que declaran ROI en ≥1 caso de uso de IA generativa | 78 % | Google Cloud, The ROI of AI 2025 | | Adoptantes tempranos que constatan retornos positivos de la IA agéntica | 88 % | Google Cloud, The ROI of AI 2025 | | Ganancia de productividad greenfield (simple) | 35-40 % | Stanford Software Engineering Productivity Research | | Ganancia de productividad 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 clientes de IA de Google Cloud (3 años) | 727 % | Google Cloud | | Tasa de éxito de ideas (funciones 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 % US / +100 % UE | Sobre el salario base | ### Posición normativa explícita — no reducir la plantilla > "We strongly recommend organizations do not adopt a headcount-reduction strategy, which has a negative impact on morale and organizational culture, can reduce efficiencies, and can even incentivize workers to not improve their work processes. Instead, this effort should be reinvested into new, innovative, or more productive work." Posición explícitamente opuesta a casos como Tatsyi/Raiffeisen Bank Ukraine (−75 personas en 12 meses). Tensión productiva: Tatsyi declara una reasignación deliberada de la capacidad liberada aun reduciendo la plantilla; DORA recomienda mantener la plantilla y reinvertir la capacidad liberada en innovación. Las dos posiciones no son irreconciliables — Tatsyi es retrospectivo sobre una decisión ya tomada, DORA es prescriptivo a priori para preservar la moral, el conocimiento institucional y la estructura de incentivos. A utilizar como eje de discusión en comités de dirección. ### Conexión con el corpus #### Convergencia sobre «la IA es un amplificador» / «el sistema organizativo >> la herramienta»
14. Tatsyi/Raiffeisen. (2026-05-05): "AI expanded our production possibility frontier, and we deliberately allocated the freed capacity" — un análogo exacto de la posición de DORA.
15. Wescale Usine Logicielle Augmentée. (2026-05-03): gobernanza inyectada como una «capa casi militar», X3-X4 realista.
16. Habert PROJ-AI. (2026-05-05): "technology 20% / team discipline 80%" — una reformulación directa.
17. Osmani *Cognitive Surrender. * (2026-05-05): 6 barreras de protección organizativas estructurales.
18. 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"*.
19. → Fuerte convergencia: la madurez organizativa es el foso defensivo, no la herramienta. #### Convergencia sobre «curva en J / coste de escolaridad»
20. Frizzo. (2026-05-05): "atrofia del músculo de escritura", "el nuevo cuello de botella es la supervisión" — vive el impuesto de verificación día a día.
21. BCG Brain Fry. (Bedard et al., 2026-03-05): 14 % de brain fry por IA — el coste de aprendizaje del lado humano.
22. Beck *Starving Genies. * (2026-04-03): escasez voluntaria para preservar la práctica manual frente al FOMO de los agentes 24/7.
23. → DORA aporta el marco financiero de la caída que estos autores documentan cualitativamente. #### Convergencia sobre las ratios de productividad (mediana comprometida de 3-5×)
24. Ejemplo DORA de 12,5 % de tiempo ahorrado. = equivalente a un 1,14× sobre una base de 8 h, mucho más conservador que las ratios medianas de 3-5× del corpus 2026.
25. Por qué. DORA es conservador por diseño para defender el caso ante un CFO. Las ratios de los profesionales (Frizzo 3-5×, Wescale X3-X4, Curran 3×, Tatsyi multi-herramienta ×1,5-3 / stack Claude ×4,5) capturan toda la transformación del oficio (cambio de alcance, nuevos productos, reasignación de tareas) que la calculadora de DORA no captura — mide contratación evitada, no nuevo espacio de producto.
26. Stanford 35-40 % greenfield frente a ≤10 % brownfield. citado por DORA: confirma la distribución desigual según el contexto técnico.
27. → Lectura correcta: DORA = suelo financieramente defendible; ratios de los profesionales = techo observado organizacionalmente. Ambos son ciertos según el alcance de la medición. #### Convergencia sobre «liberar plantilla / reinvertir / no reducir la plantilla»
28. DORA. "do not adopt a headcount-reduction strategy".
29. Curran/Intercom. (2026-04-16): 3× productividad de I+D sin reducción masiva — reasignación interna.
30. Tatsyi/Raiffeisen. (2026-05-05): −75 personas pero con reasignación deliberada de la capacidad liberada hacia funciones / estabilidad / deuda técnica.
31. → Tensión productiva: DORA prescriptivo (no reducir) frente a Tatsyi descriptivo (redujo reasignando). A utilizar para presentaciones equilibradas. #### Convergencia sobre «el código es un pasivo»
32. DORA. cita Software Engineering at Google (Winters/Manshreck/Wright, 2020).
33. Cherny. (2026-05): "100 % del código generado" — pero con supervisión y compactación.
34. Frizzo. (2026-05-05): "atrofia del músculo de escritura" — el coste cognitivo del volumen.
35. Osmani Cognitive Surrender. (2026-05-05): "PRs de ~100 líneas máximo" — un límite anti-volumen explícito.
36. → "más código es peor código" es un hecho estilizado de 2026 confirmado por fuentes heterogéneas. #### Posición Francia/Europa frente a anglosajona
37. DORA es estadounidense pero documenta una posición europea (Ursula Lübbert-Passing PhD, EMEA Value Realization).
38. La calculadora incluye. un sobrecoste salarial del +100 % para Europa (frente a +30 % US) — sensible a los contextos locales.
39. A utilizar en presentaciones FR como estándar de referencia para CFO/consejos de administración, complementario a Wescale (firma FR), Habert (FR), Tatsyi (Europa Central). #### Convergencia sobre «frecuencia de experimentación = indicador financiero adelantado»
40. DORA. marco de opcionalidad, frecuencia de experimentación como indicador adelantado.
41. Cherny. (2026-05): "unas pocas decenas de PRs/día", exploración en paralelo.
42. Karpathy. (2026-04-29): MenuGen frente a Nanobanana, inteligencia irregular, la experimentación como nuevo modo.
43. Habert PROJ-AI. los Decision Records de 7 dimensiones legitiman la exploración documentada.
44. → Convergencia: la IA permite convertir cada función en una opción de bajo coste. ### Limitaciones a señalar
45. Calculadora deliberadamente simplista. (reconocido por los autores) — excluye: ahorros de retención/rotación, experiencia de usuario a ingresos, efectos compuestos de la IA agéntica del año 2 en adelante, ahorros en procesos de negocio aguas abajo (RR. HH., etc.).
46. Cifras de ejemplo muy centradas en EE. UU. (salario de 176.000 $, licencia de 250 $/año — probablemente subestima los costes empresariales con negociación de grandes cuentas + agentes).
47. El 12,5 % de tiempo ahorrado es muy conservador. en comparación con el feedback de los profesionales — pero esto es intencional para defender el caso ante un CFO escéptico. Riesgo inverso: infravalorar el potencial.
48. Ahorro de tiempo limitado por el impuesto de inestabilidad. en el modelo — la caída temporal (bajada del 15 % durante 3 meses) pesa 3,3 M$ de los 8,4 M$ de inversión total. A verificar: ¿es esta caída realmente siempre tan grande? Para organizaciones maduras, podría ser mucho menor.
49. La tasa de éxito de ideas del 33 % (Larsen 2023). proviene de pruebas A/B estándar — puede ser demasiado baja para funciones bien investigadas y demasiado alta para las experimentales.
50. Ninguna discusión explícita. de los riesgos regulatorios (RGPD, EU AI Act, supervisión sectorial) — sorprendente para un documento de Google Cloud con alcance empresarial EMEA.
51. El vínculo con Google Cloud. (727 % de ROI en 3 años, recuperación de 8 meses): estadísticas internas a los clientes de Google Cloud, probable sesgo de selección.
52. La calculadora no captura. lo que Tatsyi llama la "frontera de posibilidades de producción" (los nuevos productos que no existían antes) — mide contratación evitada, no nuevo espacio de producto. Una limitación estructural del modelo.
53. «All models are wrong». se repite 3 veces en el documento — un gesto de autodesarme, pero no exime al modelo de la crítica metodológica sobre su aplicación ciega. ### A utilizar para
54. Presentaciones de comité de dirección / consejo de administración / CFO. framework oficial de Google Cloud × DORA — autoridad institucional para defender un presupuesto de IA.
55. Construir un business case de IA. reutilizar la calculadora como estructura, ajustar las hipótesis al contexto del cliente (recomendación explícita de los autores).
56. Sensibilizar sobre el «coste de escolaridad». proteger la inversión durante la caída de la curva en J, no recortar la financiación durante la fase de aprendizaje.
57. Debate equipo / RR. HH. la posición normativa "no reducir la plantilla" es un argumento utilizable frente a impulsos de reducción de plantilla puramente orientados al presupuesto.
58. Cifras con fuente. 39 % de ROI / recuperación de 8 meses / 35-40 % greenfield frente a 10 % brownfield / coste de inferencia ÷280 / ROI del 727 % en 3 años — cifras sólidas a integrar en formaciones, notas de veille y presentaciones estratégicas.
59. Conectar contenido FR con Wescale / Habert / Tatsyi / Frizzo. DORA como base financiera institucional, otras notas como testimonios operativos complementarios.
60. Discusión estratégica sobre IDP / context engineering. las capacidades de DORA (IDP de calidad + datos internos accesibles para la IA + calidad de la documentación) se vuelven inversiones prioritarias identificables y presupuestables.