De dónde sale el 70 % y qué no hay detrás
El concepto lo introdujo un texto profesional de finales de 2024, y el autor es inusualmente honesto con su fuente:
«Un tuit que me llamó la atención hace poco capta a la perfección lo que veo sobre el terreno.»
La formulación dice así: quienes no son desarrolladores llegan «sorprendentemente rápido al 70 %, pero el último 30 % se convierte en un ejercicio de rendimientos decrecientes».
Digámoslo claro: el 70 % es una observación, no una medición. Detrás no hay muestra, ni metodología, ni publicación. Y no significa que la IA haga el 70 % del trabajo — esa cifra no la respalda ninguna medición.
Esto no debilita la idea, la afila: la observación es acertada, el número es inventado. Las mediciones de verdad están en otra parte — y son más contundentes.
La otra cifra que se cita mal
En cuanto alguien habla de retorno de la inversión, antes o después sale que «el 95 % de los pilotos de IA fracasa». Conviene saber exactamente qué es eso.
La fuente es un informe de 2025 basado en 52 entrevistas estructuradas, 153 cuestionarios de directivos recogidos en congresos del sector y la revisión de más de 300 iniciativas anunciadas públicamente. Muestra de conveniencia, sin revisión por pares, no representativa.
Y lo que dice en realidad: «el 95 % de las organizaciones obtiene cero retorno». Eso no es lo mismo que decir que el 95 % de los pilotos fracasa.
La valoración del informe por parte de un experto universitario, literal: «Parece que no hay ningún respaldo adicional para la afirmación del 95 %. He leído el documento entero varias veces y sigo sin ver de dónde sale.»
Lo que conviene citar en su lugar
El dato mejor documentado es de agosto de 2026: 1.719 encuestados de 97 países, con el campo hecho en mayo y junio de 2026.
- El 37 % de las empresas atribuye al menos algún efecto en su resultado al uso de la IA.
- Es lo mismo que un año antes.
- Solo un 6 % cuenta como puntero.
- Mientras tanto, el 80 % dice que su productividad personal ha subido.
El muro en una frase: beneficio individual hay, beneficio de empresa no. Un ochenta por ciento se siente más rápido, un treinta y siete por ciento puede demostrar algo — y esa proporción lleva un año parada.
Hay también un pronóstico que se cita a menudo como si fuera una medición: dice que antes de que acabe 2027 se cancelará más del 40 % de los proyectos de IA agéntica. Eso es una estimación, no un dato — pero ese mismo análisis señala que, de los varios miles de fabricantes que se llaman agénticos, alrededor de 130 ofrecen capacidad agéntica de verdad.
¿Qué hay en la parte que queda?
Hay medición dura para cuatro cosas; para el resto, solo práctica. Conviene distinguirlas.
Seguridad — medido. En más de cien modelos y cuatro lenguajes: el 45 % de las muestras de código suspendió la prueba de seguridad, introduciendo una vulnerabilidad conocida. La dispersión por lenguaje es grande: en uno de los grandes lenguajes corporativos la tasa de aprobados es de apenas el 28 %. La frase del responsable del estudio: «Mientras los modelos iban mejorando en escribir código que funciona y sintácticamente correcto, en escribir código seguro no mejoraron absolutamente nada.»
Mantenibilidad — medido. Un estudio que analizó 623 millones de cambios de código encontró que entre 2022 y 2026 la proporción de refactorización sobre las líneas modificadas cayó del 21 % al 3,8 %, la duplicación de bloques de código creció un 81 %, y las estructuras que se tragan los errores, un 47 %.
Estabilidad de entrega — medido. Según la mayor encuesta del sector, la adopción de IA se asocia positivamente con el rendimiento de entrega, pero negativamente con la estabilidad: más cambios fallidos, más rehacer, plazos más largos.
La ilusión de productividad — medido. En un experimento controlado, desarrolladores con experiencia terminaron un 19 % más lentos con IA, mientras que después sintieron una aceleración del 20 %.
Y lo que no está medido: autenticación, gestión de permisos, migración de datos, tolerancia a fallos, carga, observabilidad, cumplimiento normativo. Esto sale de la práctica, no de una medición — pero la mitad más grande del muro está hecha de eso, y por eso no se puede refutar con una cifra.
¿Cuánto cuesta tenerlo funcionando?
Esta es la parte sobre la que circulan más mitos, así que conviene calcularlo entero.
Supongamos que tienes una funcionalidad — por ejemplo, un resumen de atención al cliente — que atiende diez mil peticiones al mes, con 4.000 tokens de entrada y 600 de salida por petición. Eso son 40 millones de tokens de entrada y 6 millones de salida al mes.
| Nivel de modelo | Coste mensual de inferencia |
|---|---|
| Nivel barato | ~15 dólares |
| Nivel de entrada | ~70 dólares |
| Nivel medio | ~140 dólares |
| Nivel tope | ~350 dólares |
(Cálculo propio con precios de lista de septiembre de 2026. Fórmula: número de peticiones × tokens por petición ÷ 1.000.000 × precio unitario, por separado para entrada y para salida.)
Con diez veces ese tráfico y un modelo de nivel medio son 1.400 dólares al mes, unos 16.800 al año. Cacheando el contexto que se repite, el lado de la entrada baja a una fracción; y el procesamiento por lotes asíncrono trae otro descuento importante.
La lección de orden de magnitud: el token no es la parte cara.
Y ahora viene lo que no está en esa cifra:
- hosting, base de datos, base de datos vectorial, monitorización, registro;
- los reintentos y las vueltas del agent — una ejecución agéntica no es una llamada, son de diez a cien; el multiplicador llega con facilidad a diez o cincuenta veces;
- las ejecuciones de evaluación, que durante el desarrollo consumen a menudo más que el tráfico real;
- el bucle de revisión humana — la partida más cara de todas, y no se mide en tokens;
- y el movimiento de los precios de los modelos.
O sea que el muro del 70 % no es un muro porque el token sea caro. Es un muro porque la parte que queda exige personas, tests, responsabilidad y operación — y ninguna de esas cosas se abarata porque el prototipo estuviera listo en dos días.
Anatomía del muro
LO QUE TIENES EN DOS DÍAS
pantallas funcionando, modelo de datos básico, el camino feliz
-> esto es lo que ves en la demo
LO QUE VIENE DESPUÉS
autenticación y permisos (quién ve qué)
migración de datos (qué hacer con lo viejo)
tolerancia a fallos (y si se cae)
carga (y si viene mucha gente)
observabilidad (cómo sabes que se cayó)
cumplimiento normativo (quién responde de esto)
SEGURIDAD (medido: 45 % de fallos)
MANTENIBILIDAD (medido: duplicación +81 %)
ESTO NO ES EL 30 %. Es lo que hace que el software sea software.
Cómo se puede pasar de todas formas
Sin magia. Hay tres cosas a las que apuntan las mediciones:
- Los punteros rediseñaron el proceso en vez de encajar la IA en el que ya tenían. En esa encuesta de 1.719 personas, cerca de tres cuartas partes de los que mejor rinden rehicieron su flujo de trabajo de raíz.
- La capacidad de revisión hay que planificarla por adelantado. Si crece la cantidad de código pero no la de revisión, el muro se hace más alto, no más bajo.
- El prototipo no es una fase previa del sistema en producción, es un producto aparte. La decisión más barata suele ser tirar el prototipo y volver a empezar con lo aprendido.
Malentendidos típicos
- «La IA hace el 70 % del trabajo.» Esa cifra no la respalda ninguna medición; su propio autor escribe que la sacó de un tuit.
- «El 95 % de los pilotos fracasa.» La fuente dice que el 95 % de las organizaciones obtiene cero retorno — y eso sale de 52 entrevistas y 153 cuestionarios recogidos en congresos del sector.
- «Aquí funciona, todo el mundo va más rápido.» Un ochenta por ciento lo siente así. Un treinta y siete por ciento puede demostrar algún efecto en el resultado.
- «Va a salir caro tener el modelo funcionando.» La inferencia en sí está entre diez y unos pocos cientos de dólares en una funcionalidad de tráfico medio. Lo caro son las vueltas del agent, la evaluación y la revisión humana.
- «Ya nos pasará al otro lado el siguiente modelo.» La mitad más grande del muro es autenticación, migración, carga y responsabilidad. Ahí un modelo mejor no ayuda.
Lo que conviene llevarse
El 70 % no es una cifra medida, pero la observación que hay detrás sí es cierta — y las mediciones de verdad son más duras que ella: productividad individual en el ochenta por ciento, efecto de negocio demostrable en el treinta y siete, sin cambios desde hace un año. La parte que queda no depende del modelo, sino de personas, tests, operación y responsabilidad. El token es barato; demostrarlo es caro.
De hasta dónde puedes olvidar que el código existe se ocupa el post la realidad del vibe coding , con los casos; la decisión de comprar o construir la desarrolla el post el nuevo cálculo , número a número; y la parte de operación la recoge el post DevOps con IA , desde dentro.