Los agentes de IA multiplican el código que escriben los programadores, pero el software que publican sube solo 20%
Los agentes de IA multiplican el código que se escribe, pero el software que efectivamente se publica sube mucho menos: 958% más líneas de código, 20% más versiones publicadas. Es lo que encontraron economistas del MIT y de Wharton con datos de más de 500.000 desarrolladores. En la Argentina, el empleo registrado en las empresas de software dejó de crecer: 84.402 puestos en el primer trimestre de 2026, 0,8% menos que un año antes.
Con agentes de IA, los programadores escriben mucho más código, pero el software que publican sube mucho menos. Ese es el hallazgo de un estudio de tres investigadores —Mert Demirer y Liyuan Yang, del MIT, y Leon Musolff, de la Escuela Wharton de la Universidad de Pensilvania—, publicado como documento de trabajo en la Oficina Nacional de Investigación Económica de Estados Unidos (NBER), que mide qué pasó con más de 500.000 desarrolladores de GitHub cuando empezaron a usar herramientas de IA para programar: "Writing Code vs. Shipping Code" ("Escribir código contra publicar software"). Salió en mayo de 2026 y lo revisaron en septiembre.
El hallazgo tiene dos partes. La primera: la IA hace escribir mucho más, y cada generación de herramientas, más que la anterior. Con el autocompletado, la primera generación de estas herramientas, la cantidad de cambios guardados por semana (los "commits") subió alrededor de 30%. Con los agentes que trabajan al lado del programador, como Claude Code o el modo agente de GitHub Copilot, la suba acumulada llega a cerca de 180%. Y con los agentes que trabajan solos hasta terminar una tarea, a cerca de 240%.
La segunda: casi todo eso se pierde antes de llegar al usuario. Entre los que adoptaron agentes, las líneas de código subieron 958%, pero las propuestas de cambio que se mandan a revisar subieron 86%, y las versiones de software efectivamente publicadas, 20%. Cuanto más cerca del usuario está la etapa, más chico es el efecto.
La explicación que dan los autores es un cuello de botella humano: revisar, integrar, probar y publicar el código lo siguen haciendo personas, y ese paso no se aceleró. El detalle del estudio muestra dónde se angosta la cadena y adónde va el código que no llega.
Una cadena que se angosta en cada paso. El software se produce por etapas: se escriben líneas, se agrupan en archivos, los cambios se guardan, se mandan a revisión, se integran a un proyecto y, al final, se publica una versión. El estudio mide el efecto de la IA en cada etapa y encuentra el mismo patrón con las tres generaciones de herramientas: enorme al principio, cada vez más chico hacia el final.
La IA multiplica el código, pero no las versiones publicadas
Variación porcentual contra el nivel previo de cada programador, comparado con un programador parecido que no los usaba.
Adónde va el código de más. Según el estudio, no se convierte en versiones más grandes, sino en prueba y error. Los programadores que adoptan agentes agregan 7 veces más líneas, pero borran 12,2 veces más. Abren 79% más ramas de trabajo paralelas, muchas de las cuales abandonan. Y la proporción de proyectos nuevos en GitHub que no vuelven a tocarse después del primer mes pasó de 60% a 69% desde 2021.
Lo mismo aparece del lado de los usuarios: en cuatro tiendas de aplicaciones (la de Apple, Google Play, la de Chrome y SourceForge), la cantidad de aplicaciones nuevas por mes se duplicó en promedio desde principios de 2025, pero el uso total de las aplicaciones nuevas no aumentó en ninguna.
Y un estudio que va para el otro lado. En 2025, el centro de investigación METR hizo un experimento con sorteo: 16 programadores con experiencia resolvieron 246 tareas reales en proyectos que conocían bien, y a cada tarea se le asignó al azar si podían usar IA o no. Con IA tardaron 19% más, aunque ellos mismos creían haber ido 20% más rápido.
Los autores de ese experimento aclaran que eso no significa que la IA no sirva en otros contextos, ni que las herramientas posteriores no vayan a acelerarlos. Los dos estudios no se contradicen del todo: uno mide cuánto se escribe; el otro, cuánto se tarda en terminar una tarea. Pero los dos advierten lo mismo: medir cuánto produce la IA en un paso no alcanza para saber cuánto rinde el trabajo completo.
¿Y en la Argentina? No hay un estudio así con programadores argentinos. Lo que hay son los registros de empleo, y muestran un sector que dejó de crecer. Según el Observatorio de Empleo y Dinámica Empresarial (OEDE) de la Secretaría de Trabajo, en el primer trimestre de 2026 las empresas de software y consultoría informática tenían 84.402 asalariados registrados, 0,8% menos que un año antes (85.105, el máximo de una serie que empieza en 1996).
El freno contrasta con los años anteriores. Entre el primer trimestre de 2015 y el de 2022, ese empleo había crecido 59,3%, a un ritmo de 6,9% por año; desde el primer trimestre de 2023 creció 2,9% en total, menos de 1% por año. El estancamiento empezó poco después de que salieran estas herramientas, pero ningún estudio midió si una cosa explica la otra.
El empleo en las empresas de software dejó de crecer desde 2023
Rama 722 de la clasificación CIIU revisión 3: consultores en informática y suministro de programas. Puestos de trabajo.
La rama completa de actividades de informática, que también incluye procesamiento de datos y reparación de equipos, sumó 156.501 asalariados registrados en el primer trimestre de 2026: 0,4% más que un año antes y apenas debajo de su máximo, del cuarto trimestre de 2025 (156.932).
△ La cocina del dato
Camino de verificación: hallazgo de un estudio, con las cinco condiciones de la sección (atribuido, leído en el original, con método y límites, con otro estudio al lado y con el dato argentino verificado). El 20% no es una estadística oficial ni un hecho del mundo: es lo que encontraron Demirer, Musolff y Yang en una muestra de programadores de código abierto. Así lo presentamos.
1. El original. Leímos el documento de trabajo completo (NBER Working Paper 35275, mayo de 2026, revisado en septiembre de 2026), no notas de prensa. El 958% de líneas, el 86% de propuestas de cambio y el 20% de versiones están en la página 3 y en el cuadro 6 (página 33: 957,5%, 86,0% y 19,8%). El 30%, 180% y 240% de cambios guardados por generación de herramienta, en el resumen y en el cuadro 5 (página 28). Las líneas agregadas y borradas, las ramas y los proyectos abandonados, en la página 3; las tiendas de aplicaciones, en la página 4.
2. Qué midió. La actividad pública en GitHub de más de 500.000 programadores entre 2022 y mediados de 2026, combinada con registros internos de Microsoft (dueña de GitHub) para fechar cuándo cada uno empezó a usar cada herramienta. A cada programador que adopta una herramienta lo comparan con otro que tenía la misma actividad en la misma semana del año anterior, cuando la herramienta todavía no existía; así evitan comparar contra gente que usa IA sin que se vea. Como control, aplicaron el mismo método a dos herramientas que no son de IA: una dio un efecto nulo a largo plazo y la otra, 7%. Con un grupo de comparación del mismo año, las estimaciones dan en promedio 21% más chicas, pero siguen siendo grandes.
3. Sus límites, dichos por los autores. Es un estudio con datos observados, no un experimento con sorteo. Cubre software de código abierto, con poca información sobre el software de las empresas; los autores citan otro trabajo con datos de empresas (Chen y Stratton, 2026) que encuentra el mismo patrón con efectos bastante más chicos. La programación es el terreno donde más avanzó la IA, así que los números pueden no valer para otras tareas. Y miden las herramientas que existían hasta mediados de 2026. No pasó todavía por referato. Dos de los autores, Demirer y Musolff, informan en la página del NBER que fueron investigadores posdoctorales en Microsoft y que hoy son consultores pagos de la empresa.
4. El otro estudio. Becker, Rush, Barnes y Rein, METR (2025), un experimento con sorteo tarea por tarea con 16 programadores experimentados y 246 tareas, con las herramientas de febrero a junio de 2025: con IA tardaron 19% más (resumen, página 1). Lo leímos en el original. Mide otra cosa —tiempo para terminar una tarea definida de antemano— y sobre muy pocas personas.
5. El dato argentino: estadística oficial recalculada, con contraste independiente. El empleo registrado por rama lo publica un solo organismo, el OEDE, sobre el registro de aportes (SIPA). (a) Documento: serie trimestral nacional (publicada en la página de estadísticas nacionales del OEDE), cuadro 6, rama 722: 84.402 en el primer trimestre de 2026 y 85.105 un año antes; cuadro 4, rama 72: 156.501 y 155.886. (b) Recálculo: 84.402 / 85.105 = −0,83% y 156.501 / 155.886 = +0,39%, iguales a las variaciones que trae la propia planilla (−0,826% y +0,395%). El máximo lo buscamos en la serie completa desde 1996: 85.105 (primer trimestre de 2025) para la rama 722 y 156.932 (cuarto trimestre de 2025) para la rama 72. (c) Contraste: la Encuesta Permanente de Hogares del INDEC, que pregunta a hogares y no usa el registro de aportes. Con los microdatos de los cuatro trimestres de 2025, los asalariados registrados en programación y consultoría informática (rama 62 del clasificador de la encuesta) dan en promedio alrededor de 91.000 en los 31 aglomerados urbanos: el mismo orden de magnitud que los 84.809 del OEDE para la rama 722 ese año. La diferencia se explica por clasificaciones que no coinciden del todo y por el margen de una muestra de 320 casos. Con esa muestra, la encuesta no sirve para medir una variación de 1%; por eso la variación la tomamos solo del registro.
Qué no afirmamos. Que la IA haya frenado el empleo del software argentino: el estancamiento empezó en 2023, poco después de que salieran estas herramientas, pero en esos mismos años pasaron muchas otras cosas, en el mundo y en la economía argentina, que también pueden explicarlo, y ningún estudio lo midió. Que lo que pasa en GitHub pase en las empresas argentinas. Ni que la IA no vaya a cambiar el trabajo de los programadores: el estudio mide las herramientas que existen hasta ahora, y los propios autores muestran que el efecto creció con cada generación.
La pregunta de si la IA va a reemplazar a los programadores suele contestarse mirando cuánto código escribe una máquina. El estudio del MIT y de Wharton muestra que esa es la parte fácil: el cuello de botella ya no es escribir el código, sino revisarlo, integrarlo y lograr que alguien lo use. Esas tareas las siguen haciendo personas. Los autores lo miden con un número: entre el trabajo de la IA y el trabajo humano en cada etapa estiman una elasticidad de sustitución de 0,23, lo que en lenguaje económico quiere decir que se complementan mucho más de lo que se reemplazan.
Para la Argentina el tema no es menor: el empleo registrado en las empresas de software había crecido 59,3% entre 2015 y 2022. Lo que todavía no se sabe es si las próximas herramientas van a destrabar también la revisión y la publicación —los autores dicen que de eso va a depender que las ganancias lleguen al software publicado— y qué va a pasar entonces con la demanda de programadores.
△ ¿Cómo te afecta?
Si programás, el estudio dice que lo que la IA todavía no hace bien es lo que viene después de escribir: revisar, probar, integrar y publicar. En su muestra, los que más aumentaron los cambios guardados fueron los programadores menos activos, pero eso no garantiza que su trabajo llegue más lejos.
Si tenés una empresa de software, la investigación sugiere que darle IA al equipo no alcanza: si la revisión y la publicación siguen igual, la mayor parte de lo que se gana se pierde en el camino. Los autores no encontraron evidencia de que los programadores hubieran reorganizado por completo su trabajo para aprovecharla.
Las tres generaciones de herramientas y sus efectos +
El estudio distingue tres generaciones. (1) Autocompletado, desde junio de 2022 con GitHub Copilot: sugiere código mientras el programador escribe. Efecto sobre los cambios guardados por semana: alrededor de 30%; sobre las versiones publicadas, 9% (cuadro 6). Los autores dicen que su estimación coincide con un experimento de campo previo, de un equipo que integran dos de ellos, que midió 26%. (2) Agentes sincrónicos, desde principios de 2025: el programador le describe una tarea y el agente edita varios archivos, corre pruebas y corrige, mientras el programador mira. Efecto sobre los cambios guardados, 153% (cuadro 5, semanas 21 a 30). (3) Agentes asincrónicos, desde mayo de 2025: se les asigna una tarea y trabajan solos hasta entregar una propuesta de cambio para revisar; los cambios que escriben ellos mismos equivalen a alrededor de 60% de los que el programador hacía antes.
Los efectos fueron más grandes para los programadores menos activos y crecieron con el tiempo; los autores lo atribuyen sobre todo a las mejoras de los modelos de IA y no a que los programadores aprendieran a usarlos.
Quiénes trabajan en programación en la Argentina +
El registro del OEDE cuenta solo asalariados registrados del sector privado. La Encuesta Permanente de Hogares mira a todos: en promedio de 2025, en los 31 aglomerados urbanos, alrededor de 140.000 personas trabajaban en programación y consultoría informática. De ellas, cerca de 65% eran asalariados registrados y casi 19% trabajaban por cuenta propia, una categoría donde están, entre otros, los que venden su trabajo como independientes. Son estimaciones de una encuesta por muestra (560 casos en el año) y tienen margen de error.