IA en ingeniería: no alcanza con sumar un copiloto
La IA ya acelera el desarrollo. El desafío es integrarla con procesos, seguridad y métricas que permitan entregar más valor sin perder el control.
Por Rodrigo Garau, Head of Technical Delivery en Santex
La inteligencia artificial en el desarrollo de software ya no es una apuesta de futuro. Es una decisión de hoy. No obstante, la pregunta más importante no es qué herramienta de IA incorporar, sino cómo integrarla en el proceso de ingeniería sin perder el control sobre el código, la seguridad y los resultados.
El acceso a los modelos ya no es la principal barrera. El desafío está en todo lo que sucede alrededor: quién valida lo generado, qué modelo se utiliza en cada contexto, cómo se protegen los datos y cómo se mide si el delivery realmente mejoró.
En Santex llamamos AI-Optimized Engineering a una forma de diseñar el ciclo de desarrollo con IA integrada de punta a punta. No se trata de generar más código; se trata de construir en el marco de procesos claros, escalables y con foco en la trazabilidad.
Trabajar con IA es diseñar un proceso
Darles acceso a un copiloto a los desarrolladores no transforma por sí solo la ingeniería. AI-Optimized Engineering integra inteligencia artificial en la generación de código, el testing, la documentación y la revisión técnica, con responsabilidades claras en cada etapa, incorporando métricas de desarrollo para asegurar trazabilidad y responsabilidades claras en cada etapa.
La diferencia entre un equipo que usa IA y uno que está diseñado para trabajar con IA es similar a la diferencia entre tener datos y tomar decisiones con datos: el insumo puede ser el mismo,pero el valor surge del proceso construido alrededor.
La seguridad no puede aparecer al final
Los asistentes de IA aceleran el desarrollo, pero también amplían la superficie de riesgo. Pueden operar con acceso al repositorio, la terminal, fuentes de datosy otra información sensible del entorno. Por eso, los controles deben integrarse antes de que una nueva capacidad pueda intervenir sobre el código.
En Santex desarrollamos Skill Scanner, una herramienta que audita las skills y plugins utilizados por los asistentes antes de instalarlas. Analiza su código, identifica riesgos y ayuda a decidir qué capacidades pueden habilitarse de manera segura.
También analizamos servicios ya expuestos mediante un proceso combinado que incluye análisis de código estático (SAST), análisis dinámico (DAST) y pruebas de penetración (pentesting), ejecutados en entornos controlados y con aprobación humana.
La seguridad no se agrega al final del pipeline. Se diseña dentro del proceso.
El modelo correcto depende del contexto
No todos los proyectos necesitan el modelo más potente, sino el modelo adecuado.
En iniciativas que trabajan con información sensible, puede ser necesario utilizar modelos locales o entornos privados. Para tareas repetitivas y de alto volumen, modelos más pequeños pueden ofrecer una mejor relación entre costo y resultado. Para prototipos rápidos, los modelos en la nube pueden ser la alternativa más eficiente. Lejos de ser una decisión meramente tecnológica, se aplican criterios de ingeniería para balancear capacidades, costos y riesgos.
Por eso, una arquitectura de AI-Optimized Engineering puede combinar modelos locales, cloud, open weight o de frontera según el caso de uso.
La elección no debería responder a la popularidad de una herramienta, sino aplicar criterios de ingenieria para balancear capacidades, costos y riesgos, priorizando los resultados que el negocio necesita.
Medir actividad no es medir impacto
Decir que un equipo utiliza IA en gran parte de sus tareas no permite saber si el proceso mejoró.
Lo importante es observar qué cambió:
¿Se redujo el tiempo de delivery?
¿Bajaron los incidentes?
¿Mejoró la calidad?
¿El equipo puede entregar más valor?
En nuestra experiencia integrando IA en Delivery, registramos una reducción del 42% en tareas de codificación, tres veces más funcionalidades entregadas y una disminución del 77% en los tiempos de validación de QA.
Al mismo tiempo, fortalecimos la revisión de pull requests, logramos que el 90% incluyera pruebas integradas y una reducción del 72% en el tiempo de idea a implementación, de 9 días a 2,5 días.
La velocidad importa, pero sólo genera valor cuando está acompañada por calidad, revisión y resultados medibles.
No todos los equipos necesitan empezar por el código
En algunos casos, el mejor punto de entrada son los agentes de IA. Pueden automatizar tareas de alto volumen y baja ambigüedad, como el procesamiento de tickets, la generación de documentación, la validación de datos o las respuestas a consultas internas.
El objetivo no es sacar a las personas del proceso, es reducir la fricción que mantiene a perfiles especializados ocupados en tareas repetitivas y devolverles tiempo para arquitectura, análisis y decisiones.
Ahí es donde está el valor real.
La velocidad necesita un proceso a la altura
La IA ya forma parte del desarrollo de software. La pregunta es si el proceso construido alrededor está preparado para la velocidad que promete.
AI-Optimized Engineering integra herramientas, arquitectura, seguridad, medición y supervisión humana en un mismo sistema.
¿Tu equipo ya utiliza IA, pero todavía no puede medir su rendimiento? Contactanos y comencemos a trabajar en equipo.
Compartir en:
