El problema de estimar en la era del desarrollo con IA: tu intuición podría ser la clave
El lío de las estimaciones en la era del desarrollo con IA
¿Recuerdas cuando decías con seguridad "esa función toma dos semanas"? Eso ya es historia. La IA agentic, que no solo autocompleta sino que diseña e implementa sola, ha destrozado cualquier intento de predecir tiempos con precisión.
La fórmula clásica (que más o menos funcionaba)
En los viejos tiempos, todo dependía de humanos. La estimación seguía un patrón predecible:
- Conocimiento del codebase + Complejidad del diseño + Velocidad de escritura + Tiempo en tests y bugs = Cronograma aproximado
Conocías los rincones de tu código. Sabías que el sistema de auth era estable, pero la base de datos un desastre. Calculabas horas de refactor, casos raros y productividad diaria.
No era exacto —se desviaba un 20-40%—, pero al menos apuntaba en la dirección correcta. Tenías modelos mentales que servían.
Llega la IA agentic: todo cambia
Ahora das el mismo problema a un asistente de IA. Las variables se vuelven locas:
¿Entenderá la arquitectura del codebase de una? Depende de la documentación, el tamaño del contexto y si el modelo se adapta a tu stack.
¿Dará la solución perfecta al instante? Si acierta en el primer intento, son horas. Si hace falta pulir con prompts iterativos, se van días.
¿Cuánto tendrás que retocar? El código de IA suele pedir ajustes de seguridad, personalización e integración que no vio venir.
La realidad: demasiadas variables fuera de tu control como dev.
La confesión del "coding por intuición"
Muchos devs no lo dicen en voz alta: hacemos más "coding por intuición" de lo que admitimos. Eso significa:
- Adivinar por la velocidad de la IA, no por la complejidad real.
- Esperar que "lo pille" a la primera, sin contar iteraciones.
- Subestimar la integración con tu sistema actual.
- Sobrevalorar lo rápido que pillamos alucinaciones o fallos de seguridad.
No es vagancia. Es que las herramientas viejas no valen para este mundo nuevo.
Qué sí funciona (enfoques prácticos)
Si las estimaciones con IA te traen de cabeza, prueba estas tácticas que usan los devs:
1. Mide el rendimiento base de la IA
Antes de prometer plazos, prueba features pequeñas en tu flujo. Cronometra inferencias, ciclos de iteración y revisiones. Datos reales, no suposiciones.
2. Separa tiempo de máquina y humano
No lo mires como un bloque. Divide:
- Tiempo de IA: Prompts, inferencia, salida inicial.
- Tiempo humano: Revisión, chequeo de seguridad, refactor para coherencia.
- Tiempo de integración: Conectar al sistema, tests, depuración.
Así controlas lo que depende de ti y los plazos salen más fiables.
3. Crea paquetes de contexto
La IA patina sin fondo. Invierte 2-3 horas al inicio en docs de arquitectura, convenciones de código y ejemplos. Mejora la salida y reduce iteraciones. Ahorras tiempo total.
4. Acepta la incertidumbre con rangos
Olvídate de cifras exactas. Di "3-8 días según cómo rinda el modelo". Es honesto y ayuda a planificar de verdad.
5. Registra y ajusta tu proceso
Cada equipo tiene su flujo óptimo con IA. Unos prefieren prompts profundos; otros, refinados paso a paso. Mide qué va en tu stack y equipo, y afina estimaciones con resultados reales.
El panorama general
Esa inseguridad con los plazos no es fallo tuyo. Es que el software tradicional se está transformando. Pasamos de "cuánto tardan los humanos en codificar" a "cuánto le toma a la IA entender, proponer y a los humanos validar e integrar".
Es más duro de predecir por variables locas:
- Calidad y velocidad del modelo.
- Especificidad del problema y su fit con los datos de entrenamiento.
- Documentación y estructura de tu codebase.
- Habilidad del equipo para guiar la IA.
El lado positivo
La contra: cuando la IA clava la solución de una —pasa más de lo que crees—, envías features en días, no semanas. La varianza sube, pero el promedio de throughput mejora mucho.
Clave: reconócelo, mídalo a fondo y adapta tus modelos mentales.
Hacia adelante
Los devs que triunfarán no se aferran a métodos viejos. Son los que:
- Aceptan que estimar es más caótico.
- Miden su flujo con IA sin parar.
- Construyen contextos y prompts potentes.
- Dan rangos amplios pero reales.
- Priorizan envíos rápidos y lecciones de cada iteración.
Ese "coding por intuición" no es un problema. Es el nuevo estándar del desarrollo inteligente, donde estimamos con la máquina, no a pesar de ella.