15 de octubre de 2026Actualizado el Fathy Shalaby14 min de lectura
El coste de crear funcionalidades con IA: por qué «1 hora» no es barato
«Lo podemos construir en 1 hora con IA» es una estimación de implementación, no un argumento de producto. Lo que cuesta una funcionalidad después de esa hora, un ejemplo a 12 meses con números y cómo decir que no sin frenar al equipo.
El coste de crear funcionalidades con IA se ha hundido para la primera versión, pero la mayor parte de lo que cuesta una funcionalidad llega después de construirla: revisión, seguridad, pruebas, soporte, mantenimiento y la atención de la roadmap que se le quita a otras apuestas. Por eso «lo podemos construir en 1 hora con IA» es una estimación de implementación, no un argumento de producto. Demuestra que un prototipo es barato. No demuestra que la funcionalidad lo sea.
Respuesta corta: no, por sí solo no es un buen motivo. Sí es un buen motivo para hacer una prueba barata, si la prueba responde a una pregunta real y tiene un responsable y una fecha de fin. Se trata de pasar la conversación del tiempo de construcción al coste total de ser dueño del resultado.
Ideas clave
El mantenimiento ya era la partida más grande antes de la IA. En la encuesta de Stripe de 2018, los desarrolladores estimaban que 17,3 horas de una semana de 41,1 se iban en mantenimiento, como depurar, refactorizar y arreglar código malo (Stripe, 2018).
El código generado con IA sigue necesitando revisión: el 66 % de los desarrolladores de la encuesta de Stack Overflow de 2025 señaló las respuestas «casi correctas, pero no del todo» como su mayor frustración, y el 45,2 % dijo que depurar código de IA lleva más tiempo (Stack Overflow, 2025).
Veracode encontró que el código generado con IA introducía fallos de seguridad de riesgo en el 45 % de sus pruebas, con más de 100 modelos (Veracode, 2025).
La IA acelera a los equipos, pero sigue tensionando la estabilidad. La investigación de DORA de 2025 halló que el 90 % de los encuestados usa IA en el trabajo y que la adopción de IA sigue teniendo una relación negativa con la estabilidad de la entrega de software (Google Cloud, 2025).
En el ejemplo ilustrativo de abajo, una funcionalidad construida en 1 hora cuesta unas 53 horas en su primer año.
¿«Lo podemos construir en 1 hora con IA» es un buen argumento de producto?
Solo como prueba de que es posible hacer un sondeo de bajo coste. No dice nada sobre si el problema importa, si la solución cambiará el comportamiento o si el equipo debería hacerse cargo del resultado en producción.
El argumento no es nuevo; la IA solo lo ha hecho más ruidoso. En 2013, Des Traynor, de Intercom, incluyó «rápido de construir» entre los malos motivos habituales para añadir funcionalidades, junto con «la competencia lo tiene» y «lo quiere alguien senior». Su idea era que una estimación rápida esconde complejidad: «no hay cambios pequeños» (Intercom, 2013).
Lo que ha cambiado es la fricción. Antes los equipos descartaban ideas en parte porque implementarlas era visiblemente caro: una semana de ingeniería o una migración arriesgada generaba una pausa natural. El desarrollo asistido por IA elimina buena parte de esa pausa. El nuevo modo de fallo no es solo construir lo equivocado despacio. Es construir lo equivocado rápido y después confundir la existencia del software con la prueba de que la apuesta era buena.
¿Cuál es el coste total de crear funcionalidades con IA?
Una estimación de una hora cubre una línea de una cuenta larga. Aquí va el resto, con lo que dice la evidencia sobre cada línea.
Partida de coste
Qué incluye
Qué dice la evidencia
Revisión y corrección
Leer, arreglar y volver a pedir código generado
El 66 % de los desarrolladores cita los resultados «casi correctos» de la IA como su mayor frustración; el 45,2 % dice que depurar código de IA lleva más tiempo (Stack Overflow, 2025)
Seguridad y permisos
Autenticación, acceso a datos, tratamiento de entradas
El código de IA introdujo fallos de riesgo en el 45 % de las pruebas de Veracode (Veracode, 2025)
Pruebas y lanzamiento
Tests, QA, despliegue, marcha atrás
La estabilidad de la entrega cayó al subir la adopción de IA en los datos de DORA de 2024 (Google Cloud, 2024)
Documentación y soporte
Artículos de ayuda, tickets, cambios en el onboarding
Cada funcionalidad visible suma a lo que los usuarios deben aprender y el soporte explicar
Mantenimiento
Corrección de bugs, cambios de dependencias y de API, refactorización
Los desarrolladores estimaron que 17,3 de 41,1 horas semanales van a mantenimiento (Stripe, 2018)
Complejidad del producto
Interfaz recargada, casos límite, configuración
Las funcionalidades opcionales también aparecen en otras partes del producto (Intercom, 2013)
Coste de oportunidad
La apuesta que no probaste, el tiempo de revisión gastado
En los datos de Pendo, el 12 % de las funcionalidades genera el 80 % del uso diario (Pendo, 2019)
Retirada
Migrar a los usuarios fuera si fracasa
Rara vez se planifica, así que rara vez es barata
«Barato de construir» no es lo mismo que «barato de mantener». Por eso la afirmación de la hora puede ser técnicamente cierta y aun así ser un mal motivo para decir que sí.
¿Cuánto cuesta mantener una funcionalidad?
Más que construirla, casi siempre. El informe Developer Coefficient de Stripe, que encuestó a miles de directivos y desarrolladores de seis países, halló que los desarrolladores estiman que 17,3 horas de una semana media de 41,1 se van en mantenimiento: lidiar con código malo y errores, depurar, refactorizar y modificar. Eso es cerca del 42 % de la semana. Aparte, calculan 13,5 horas semanales en deuda técnica, y Stripe estimó el coste de oportunidad del código malo en unos 85.000 millones de dólares al año (Stripe, 2018). Son estimaciones de encuesta, no registros de tiempo, pero la dirección está clara: el código es barato de añadir y caro de conservar.
Las herramientas de IA cambian la velocidad a la que se acumula el código. El análisis de GitClear de 211 millones de líneas cambiadas entre 2020 y 2024 halló que las líneas copiadas y pegadas pasaron del 8,3 % al 12,3 % de los cambios entre 2021 y 2024, mientras que las líneas movidas durante la refactorización bajaron del 25 % a menos del 10 % (GitClear, 2025). Más duplicación y menos consolidación: así crecen las facturas de mantenimiento.
Por qué las funcionalidades de IA cuestan aún más de mantener
Si la propia funcionalidad usa IA, añade una segunda capa. D. Sculley y sus colegas defendieron en 2015 que el machine learning permite construir rápido sistemas útiles, pero que es peligroso tratar esas victorias rápidas como gratis: los sistemas de ML del mundo real suelen acarrear costes de mantenimiento continuos enormes (Sculley et al., NIPS 2015). Su lista de riesgos encaja directamente con las funcionalidades de IA de hoy:
Dependencias de datos: la funcionalidad se rompe cuando cambia la forma de los datos que lee.
Bucles de retroalimentación ocultos: la salida de la funcionalidad modifica el comportamiento del que aprende.
Consumidores no declarados: otras partes del producto empiezan a depender de la salida.
Cambios en el mundo exterior: una actualización del modelo o un cambio de proveedor altera el comportamiento sin tocar el código.
Cada uno requiere evaluación, monitorización, un plan de respaldo y alguien que responda del resultado. Nada de eso cabe en una hora. El marco de evaluación de IA explica qué implica esa responsabilidad.
¿Cuál es el coste de oportunidad de una funcionalidad «barata»?
El coste de oportunidad es aquello a lo que el equipo renuncia por dedicar atención aquí en lugar de a la siguiente mejor apuesta. Con la IA, el recurso escaso rara vez es el tiempo de escribir. Lo escaso es:
Capacidad de revisión. Cada funcionalidad generada necesita un lector cuidadoso, y los revisores senior son el cuello de botella.
Atención de la roadmap. Cada funcionalidad añade debates, actualizaciones de estado y decisiones sobre casos límite.
Atención del usuario. Cada opción visible hace el producto un poco más difícil de aprender.
Tiempo de aprendizaje. Una hora dedicada a construir lo equivocado es también una hora sin probar la hipótesis más arriesgada.
Las tasas de base no favorecen a la funcionalidad «barata». El estudio de Pendo de 2019 sobre 615 suscripciones de software halló que el 80 % de las funcionalidades se usa poco o nada, y que el 12 % genera el 80 % del uso diario (Pendo, 2019). Construir más rápido aumenta el número de funcionalidades por trimestre; no cambia la probabilidad de que cada una importe. Nuestro análisis de por qué el 80 % de las funcionalidades no se usa explica qué midió ese estudio y qué no.
Ejemplo con números: lo que cuesta una funcionalidad de «1 hora» en el primer año
Supongamos que un equipo de 6 personas de un SaaS B2B construye con una herramienta de código con IA, en una hora, una funcionalidad de «resumen semanal en Slack». El equipo y todas las cifras de abajo son ilustrativos, elegidos con prudencia.
Partida de coste
Estimación del año uno
Horas
Construcción con IA
Una sesión
1
Revisar y corregir el código generado
Dos revisores, varias pasadas
6
Revisión de seguridad y permisos
Acceso a nivel de workspace, scopes de Slack
4
Pruebas y QA
Casos límite: semanas vacías, zonas horarias
3
Documentación, artículo de ayuda, nota de versión
Uno de cada
2
Soporte
3 tickets al mes × 20 minutos × 12 meses
12
Mantenimiento
1 hora al mes por cambios de API y dependencias
12
Un incidente y su arreglo
Resumen enviado al canal equivocado
6
Planificación y debate
3 reuniones × 5 personas × 30 minutos
7,5
Total
53,5
La funcionalidad que costó una hora cuesta unas 53 en su primer año, sin contar lo que el equipo dejó de hacer con ese tiempo. Esa cifra del primer año es el coste de crear funcionalidades con IA que una roadmap debería sopesar, no el 1. Eso no la convierte en una mala funcionalidad. Si el resumen mantiene activas las cuentas de forma medible, 53 horas es barato. La clave es comparar el valor con 53 horas.
¿Cómo dices que no sin convertirte en el PM «lento»?
Un no firme no es un veto. Es una decisión que se puede inspeccionar, cuestionar y revisar. Usa cinco movimientos.
1. Nombra la decisión
Evita «esto probablemente no merece la pena». Di «todavía no lo comprometemos en la roadmap de producción» o «lo aparcamos hasta tener evidencia de que este flujo es un problema recurrente». Una decisión con nombre es más fácil de discutir que una sensación.
2. Separa la señal de la historia
«Un cliente pidió una exportación» es una señal.
«Tres clientes del mismo flujo describieron la misma tarea bloqueada» es evidencia más fuerte.
«Un asistente de IA sugirió una función de exportación» no es evidencia de clientes.
«Un competidor tiene función de exportación» es contexto de mercado, no prueba de encaje.
Mantén la fuente adjunta. Una explicación plausible no es un problema observado.
3. Formula una hipótesis falsable
Si damos a [usuario concreto] [capacidad concreta] en [contexto concreto], entonces [comportamiento observable] cambiará porque [motivo respaldado por evidencia]. Seguiremos si [condición de éxito]. Acotaremos o pararemos si [condición de fracaso] antes de [fecha de revisión].
Un brief generado por IA puede redactar esta frase. El equipo aún tiene que decidir si la cree lo bastante como para probarla. El brief de producto con IA como contrato muestra cómo exigirle ese nivel a un borrador.
4. Valora la apuesta completa
Pregunta quién es dueño del resultado, quién revisa su comportamiento, qué pasa cuando se equivoca, qué carga de soporte genera, si es reversible, qué datos toca y si estás preparado para operarlo si funciona. En funcionalidades de IA, añade evaluación, comportamiento de respaldo, casos de abuso y escalado a una persona. La implementación puede llevar una hora mientras que la responsabilidad dura años. Usa la tabla de costes de arriba como lista de comprobación.
5. Dale al equipo un siguiente paso
Un no sin siguiente paso se siente como burocracia. Ofrece uno de estos cuatro caminos:
Aprender: hablar con usuarios u observar el flujo de trabajo.
Acotar: probar un segmento, un disparador o una tarea.
Sondear: construir un prototipo desechable con fecha de caducidad.
El siguiente paso debería ser más pequeño que el compromiso que se quiere evitar. Si lo difícil es mantener la confianza de un stakeholder mientras dices que no, mira cómo los PM dicen que no sin destruir la confianza.
¿Cuándo es válido «lo podemos construir en una hora»?
Cuando el equipo deja claro que está haciendo un sondeo, no asumiendo un compromiso de producto. Usa el argumento cuando:
la prueba tiene una pregunta clara y una audiencia definida;
el resultado es desechable o está aislado con seguridad, tras un flag o fuera de producción;
el experimento tiene fecha de caducidad y alguien se encarga de la revisión;
el éxito y el fracaso se definen antes de construir;
no se implica ninguna promesa a clientes ni a producción.
En ese contexto, la velocidad es una ventaja de aprendizaje, y negarse a probar es la opción cara. Ron Kohavi y Stefan Thomke describen una idea de Bing para cambiar cómo se mostraban los titulares de los anuncios. Requería unos días de ingeniería, se clasificó como baja prioridad y estuvo sin probar más de seis meses. Una simple prueba A/B mostró después un 12 % más de ingresos, más de 100 millones de dólares al año en EE. UU. (HBR, 2017).
El argumento se debilita cuando se usa para saltarse el descubrimiento del problema, la priorización, la revisión de seguridad o la responsabilidad. Si es probable que el prototipo se haga permanente, júzgalo con la prueba de la puerta de un solo sentido frente a la de doble sentido antes de lanzarlo.
Una plantilla de decisión para equipos asistidos por IA
Cópiala en la próxima discusión de roadmap:
Campo
Pregunta
Decisión
¿A qué estamos diciendo exactamente sí o no?
Usuario y trabajo
¿Quién intenta hacer qué?
Evidencia
¿Qué fuentes muestran que es un problema real?
Supuesto
¿De qué aún no estamos seguros?
Hipótesis
¿Qué comportamiento o resultado debería cambiar?
Prueba mínima
¿Cuál es la forma más barata de aprender?
Coste de mantener (12 meses)
Revisión, seguridad, soporte, mantenimiento, atención: ¿cuántas horas, más o menos?
Éxito
¿Qué resultado merece la siguiente inversión?
Fracaso
¿Qué resultado nos hace acotar, pausar o parar?
Responsabilidad
¿Quién revisa el resultado y responde de las consecuencias?
Caducidad y retirada
¿Cuándo lo revisaremos y cómo lo retiraríamos?
No objetivos
¿Qué no estamos construyendo de forma explícita?
Esto no es proceso por el proceso. Es un límite alrededor de la atención del equipo.
¿Qué implica realmente la investigación sobre desarrollo con IA?
La investigación no respalda ninguno de los extremos: ni «la IA no cambia nada» ni «la IA hace innecesario el criterio de producto».
La investigación de DORA de 2024 halló que un aumento del 25 % en la adopción de IA se asociaba con una calidad de documentación un 7,5 % mejor, una calidad de código un 3,4 % mejor y una revisión de código un 3,1 % más rápida, pero que el rendimiento de la entrega caía un 1,5 % estimado y la estabilidad de la entrega un 7,2 % a medida que subía la adopción (Google Cloud, 2024). En 2025, con casi 5.000 encuestados, DORA vio una relación positiva con el rendimiento, pero la adopción de IA seguía relacionada negativamente con la estabilidad. Su resumen: la IA no arregla a un equipo, amplifica lo que ya hay (Google Cloud, 2025).
La respuesta de producto no es dejar de usar IA. El coste de crear funcionalidades con IA bajó; el de decidir mal, no. Haz que la evidencia y el ciclo de decisión sean tan rápidos como la construcción. Para toda la evidencia sobre velocidad, incluidos los ensayos de METR, mira Productividad de programar con IA: qué muestran los datos de 2026.
Errores comunes
Comparar la hora de construcción con el valor. Compara, en cambio, el coste del primer año con el valor.
Usar el coste como veto. Algunos sondeos baratos son el mejor uso de una semana. Valora la apuesta y luego decide.
Dejar que el prototipo se convierta en producto. Sin fecha de caducidad, una demo se convierte sin ruido en una obligación de soporte.
Contar las sugerencias de la IA como evidencia. Que un modelo proponga una funcionalidad no equivale a que un cliente la pida.
Sin plan de retirada. Si no sabes decir cómo la quitarías, no la has valorado.
Dónde encaja Specky
Specky mantiene visible la cadena que va de la señal a la decisión. Llamadas con clientes, feedback, conversaciones de soporte y analítica llegan al Product Graph, de modo que cuando alguien dice «lo construimos en una hora», el equipo puede comprobar qué evidencia respalda el problema. Las decisiones van al Decision Log con su justificación, los PRD llevan citas en línea a la evidencia y, tras el lanzamiento, puedes comprobar si la apuesta funcionó. La IA redacta y conecta; las personas deciden y responden del resultado.
Preguntas frecuentes
¿«Lo podemos construir en 1 hora con IA» sigue siendo un buen argumento de producto?
Solo como prueba de que es posible un sondeo barato. No demuestra que el problema importe, que la solución vaya a funcionar ni que el equipo deba dar soporte a la funcionalidad en producción. Tómalo como motivo para hacer una prueba acotada con responsable y fecha de caducidad, y valora aparte el coste de ser dueño del resultado.
¿Cuánto cuesta mantener una funcionalidad de software?
No hay una cifra universal, pero el mantenimiento suele pesar más que la construcción. En la encuesta de Stripe de 2018, los desarrolladores estimaron que 17,3 de 41,1 horas semanales, cerca del 42 %, se van en tareas de mantenimiento. Un hábito práctico es estimar las horas del primer año en revisión, seguridad, soporte, mantenimiento y debate; en nuestro ejemplo ilustrativo salieron unas 53 horas para una construcción de una hora.
¿Cuál es el coste de oportunidad de construir una funcionalidad?
Es el valor de la mejor alternativa a la que renunció el equipo: la hipótesis más arriesgada sin probar, el tiempo de revisión usado en otra cosa, la atención del usuario gastada en una opción nueva. Con la IA, el recurso escaso rara vez es el tiempo de programar; es la capacidad de revisión, la atención de la roadmap y el tiempo de aprendizaje. El hallazgo de Pendo de que el 12 % de las funcionalidades genera el 80 % del uso muestra por qué importa ese intercambio.
¿Deberían los equipos evitar construir prototipos con IA?
No. Usa la IA para construir prototipos cuando el prototipo responde a una pregunta clara. Dale una audiencia, un responsable, una fecha de caducidad y una regla de revisión para que no se convierta sin ruido en una promesa permanente. Las pruebas baratas suelen ganar a los debates largos, como mostró la idea de titulares de Bing, que llevaba seis meses parada, cuando una simple prueba A/B subió los ingresos cerca de un 12 %.
¿Qué deberían medir los equipos de producto en lugar de la velocidad de construcción con IA?
Mide aprendizaje y resultados: supuestos validados o descartados, comportamiento de los usuarios, calidad, estabilidad de la entrega, adopción, retención, carga de soporte y la métrica de negocio que la apuesta debía mover. La investigación de DORA muestra que velocidad y estabilidad pueden moverse en direcciones opuestas, así que el volumen de código y el tiempo de construcción por sí solos no son progreso de producto.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing