Industrializando la IA para el Desarrollo de Software: una hoja de ruta aplicable a todos los sectores

Este artículo fue escrito por Claude, el servicio de inteligencia artificial de Anthropic, a partir de la transcripción de una entrevista del Lean Enterprise Institute (LEI) con Fabrice Bernhard, cofundador de Theodo.

Cuando Fabrice Bernhard describe el enfoque de su empresa para el desarrollo de software impulsado por IA, recurre a una metáfora inesperada: la ingeniería de manufactura. Es una comparación que revela algo fundamental sobre la transformación en curso en el desarrollo de software — y sobre la sorprendente vigencia que los principios lean ofrecen en la era de la inteligencia artificial

En los últimos dos años, Theodo, consultora internacional de tecnología con 700 profesionales, invirtió intensamente en comprender cómo utilizar la IA no solo para escribir código más rápido, sino para industrializar todo el proceso de desarrollo. Los resultados son expresivos: en proyectos de modernización de sistemas heredados (sistemas antiguos), la empresa viene alcanzando una velocidad tres veces mayor que la del enfoque tradicional.

Pero la verdadera historia no trata sobre velocidad, sino sobre cómo llegaron a este punto y lo que esto significa para el futuro del trabajo en software y, eventualmente, para otras organizaciones y sectores.

El paralelo entre codificación y manufactura

A medida que Theodo comenzó a apalancar la IA para actualizar la programación, el avance surgió de una percepción simple: los modelos de lenguaje de gran escala (LLMs) son excepcionalmente buenos en la traducción; no solo entre idiomas, sino en la transformación de cualquier texto bien definido en otro formato, siempre que haya un contexto adecuado e instrucciones claras.

El mismo principio se aplica al código. Los sistemas heredados escritos en lenguajes o frameworks obsoletos pueden traducirse sistemáticamente a versiones modernas. Pero esto solo sucede si el problema se aborda de la manera correcta. Es aquí donde el paralelo con la manufactura se vuelve esclarecedor.

El proceso de Theodo para actualizar sistemas sigue tres fases distintas:

• Descubrimiento (Discovery): Agentes de IA analizan recursivamente los sistemas heredados, creando visualizaciones en grafo que evidencian las dependencias entre componentes. Este mapeo ayuda a los ingenieros a entender lo que el sistema realmente hace e identificar qué partes necesitan migrar juntas.

• Traducción (Translation): Los ingenieros elaboran prompts (instrucciones) precisos y ricos en contexto, que permiten a la IA transformar el código de forma consistente y confiable. Es aquí donde se produce la mayor parte de la inversión intelectual y donde los principios de la ingeniería de manufactura resultan más relevantes.

• Industrialización (Industrialization): Una vez que la transformación funciona de forma confiable, herramientas de agentes como Claude Code pueden ejecutar el proceso a escala, aplicándolo a cientos de fragmentos de código similares.

La conclusión crítica es que las ganancias de productividad no provienen de pedirle a la IA que construya algo "casi correcto" y luego corregirlo manualmente. Se trata de invertir fuertemente al inicio para obtener alta precisión y, entonces, ejecutar ese proceso en alto volumen — como en una línea de producción bien diseñada.

Diseñando la línea de producción

El verdadero arte — y el verdadero trabajo — reside en el desarrollo de lo que Fabrice llama el "prompt preciso". Esto exige sofisticación técnica y un cambio total de mentalidad.

“La diferencia entre algo razonable y algo realmente preciso — lo suficientemente preciso como para que pueda aplicarlo a 200 versiones de códigos similares — exige, en la práctica, algunas horas o incluso días de inversión”, explica Fabrice.

El proceso requiere lo que Fabrice llama un “enfoque jidoka”¹: cuando algo no funciona como se esperaba, no se debe simplemente iterar sobre el resultado hasta que sea aceptable. En cambio, es necesario detenerse, analizar la desviación, aprender de ella y mejorar el sistema — revisando el prompt, el contexto y los mecanismos de verificación de la calidad — antes de intentarlo nuevamente.

“Si hay un error, aprendemos cómo mejorar el sistema en su conjunto y volvemos a perfeccionar el sistema, en lugar de seguir iterando sobre el resultado final hasta que esté 'ok'”, afirma. “El riesgo de la alternativa es que usted no incorpora su aprendizaje en el prompt inicial y, entonces, no puede reutilizarlo. No logra escalar.”

Es en este punto donde el paralelo con la manufactura se vuelve más evidente. En el lean manufacturing, jidoka significa incorporar verificaciones de calidad directamente en el proceso productivo, estructurando mecanismos que hagan que la operación se detenga automáticamente al identificar una desviación, por medio de dispositivos a prueba de errores (poka-yoke).

En el desarrollo orientado por IA de Theodo, esto se traduce en invertir de forma consistente en pruebas automatizadas integrales, capaces de identificar fallas en el momento exacto en que ocurren.

“Si usted invierte en datos y escenarios de prueba que pueden ejecutarse automáticamente, pasa a tener sistemas andon (señalización de ayuda)”, explica Fabrice. “La IA lo llama a usted en cuanto identifica que algo está mal.”

Esta práctica lean aplicada a la IA transforma profundamente el papel humano. En lugar de escribir código manualmente o actuar como revisores que verifican, de forma exhaustiva, todo lo que la IA produce, los ingenieros pasan a diseñar sistemas robustos, con criterios claros y puntos estructurados de verificación de la calidad (quality gates).

Cuando está bien diseñado, el sistema permite que la IA opere con autonomía — a veces incluso en modo YOLO (you only look once - usted mira solo una vez), sin solicitar validación en cada etapa —, pero siempre dentro de un flujo que fue concebido para interrumpirse automáticamente cuando no se cumplen los estándares de calidad.

Sin estos sistemas de calidad, darle autonomía a la inteligencia artificial crea una trampa: la IA produce en gran volumen, pero los humanos terminan sobrecargados con la tarea tediosa de revisar y corregir, en lugar de dedicarse al trabajo de mayor valor, que es diseñar y perfeccionar el sistema.

Este enfoque iterativo para desarrollar prompts confiables exige una profunda competencia técnica. Es necesario que alguien sea capaz de percibir cuándo el resultado no es adecuado y, principalmente, comprender la causa de la desviación. Por eso, Theodo siempre cuenta con un especialista en el sistema de destino integrando el equipo responsable de estructurar estas transformaciones. 

La paradoja de la especialización

Es aquí donde surge el desafío sociotécnico: ¿cómo desarrollar esta especialización en el futuro si la escritura manual de código se vuelve cada vez más rara? Esta es la pregunta que acecha a toda revolución de automatización: si las máquinas ejecutan el trabajo, ¿de dónde vendrá la competencia humana?

Fabrice reconoce el desafío, pero ofrece una perspectiva histórica: la ingeniería de software ya ha atravesado diversas olas de abstracción a lo largo de las décadas. Los desarrolladores que soldaban placas de circuito en los años 1970 poseían conocimientos que muchos ingenieros actuales no tienen. Aun así, la especialización no desapareció, solo se desplazó hacia niveles más elevados de abstracción.

La clave, según Fabrice, está en una práctica ampliamente conocida por las organizaciones lean: el kaizen. “Necesitamos invertir tiempo, de forma regular, para dar un paso atrás y analizar cómo estamos trabajando, partiendo de un problema claro y profundizando la comprensión del sistema.”

En otras palabras, el kaizen ofrece oportunidades estructuradas para ir más allá de las capas superficiales de abstracción — garantizando que, incluso con la IA asumiendo tareas rutinarias de codificación, los ingenieros preserven la comprensión profunda necesaria para diseñar la arquitectura de soluciones, resolver problemas complejos y elaborar prompts precisos que hacen viable la industrialización del proceso.

Del arte a la ingeniería

Tal vez la afirmación más provocativa de Fabrice sea que el desarrollo de software, sin pruebas adecuadas, está más cerca de la artesanía que de la ingeniería — y que la IA está obligando al sector a enfrentar esta realidad y adoptar procesos estructurados, estandarización y prácticas consistentes.

“Si usted no tiene esta etapa de concepción que prueba automáticamente el resultado, no está, de hecho, aplicando el método científico”, argumenta. “No se industrializa la artesanía; pero es posible industrializar la ingeniería.”

Esto cambia la forma de interpretar lo que está sucediendo. La IA no está reemplazando la ingeniería de software — está evidenciando dónde el desarrollo de software aún no se había estructurado plenamente como ingeniería. Las organizaciones que están obteniendo mejores resultados con IA son aquellas que la tratan como una herramienta industrial, con toda la disciplina, el pensamiento sistémico y el foco en la calidad que eso implica.

Las competencias que pasan a ganar protagonismo reflejan esta evolución. Desdoblar problemas, diseñar la arquitectura de soluciones, diseñar flujos, establecer puntos de verificación de la calidad (quality gates) y practicar la mejora continua — son justamente capacidades desarrolladas por los practicantes lean.

Como observa Fabrice: “La ingeniería migra hacia la ingeniería de manufactura. Esto requiere aún más habilidad para abstraer lo que está sucediendo, entender y diseñar el sistema.” Y, en la comunidad lean, “los practicantes están extremadamente bien preparados para esta era de la IA.”

La línea de producción del futuro

Mirando hacia el futuro, Fabrice ve el desarrollo de software avanzando hacia una interacción cada vez mayor con la IA por medio del lenguaje natural — pero no de la forma ingenua que muchas veces se imagina, como si bastara con “conversar” con la IA para que surgieran automáticamente sistemas complejos.

“El punto central es aprender a aprovechar los LLMs desdoblando problemas complejos en problemas más pequeños, que el modelo pueda comprender”, explica. Esto refleja la forma de actuar de las organizaciones lean: identificar los problemas, desdoblarlos y resolver rápidamente problemas cada vez más específicos, de modo que rara vez ocurran fallas mayores.

En otras palabras: diseñar la propia línea de producción pasa a ser la habilidad central. “Quienes sepan crear una línea de producción en la que los LLMs traten problemas pequeños y específicos, con puntos de verificación de la calidad bien definidos entre cada etapa — eso es lo que vamos a aprender a lo largo de los próximos 10 años.”

Tecnología insertada en sistemas humanos

Lo que emerge de la experiencia de Theodo es un enfoque genuinamente sociotécnico para la adopción de la IA. La tecnología hace posibles ganancias expresivas de productividad, pero solo cuando está insertada en sistemas humanos bien diseñados:

• La excelencia técnica en la elaboración de prompts y en la construcción de mecanismos de verificación de la calidad permite que las personas se liberen del trabajo repetitivo de revisión.
• Las pruebas automatizadas crean las condiciones para confiar en la IA con un mayor grado de autonomía.
• La cultura lean de detenerse y aprender ante los problemas (andon) transforma la iteración en mejora estructurada, y no en retrabajo continuo.
• La especialización deja de estar centrada en la ejecución manual de código y migra hacia el diseño de sistemas y hacia la ingeniería de manufactura aplicada al desarrollo.
• La práctica del kaizen preserva la capacidad de desarrollar conocimiento profundo sobre procesos complejos, incluso en contextos de creciente abstracción.

Aisladamente, ni el factor humano ni la tecnología, por sí solos, generan valor sostenible. Es la integración cuidadosa de ambos, orientada por principios consolidados a lo largo de un siglo de excelencia en la manufactura, lo que desbloquea el verdadero potencial de la IA.

A medida que las organizaciones se apresuran a adoptar la IA, la experiencia de Theodo trae una lección esencial: las empresas que tendrán éxito no serán necesariamente aquellas con los modelos de IA más poderosos, sino aquellas capaces de construir sistemas sociotécnicos robustos, en los que personas y tecnología actúen de forma complementaria — cada una haciendo lo que mejor sabe hacer — con los principios lean como referencia para el diseño y la gestión de esta integración.

El futuro del desarrollo de software puede, de hecho, asumir características industriales. Pero, si las organizaciones aportan el mismo rigor en la reflexión sobre el trabajo humano, la misma disciplina en la mejora continua y el mismo cuidado en el diseño de sistemas que caracterizan la excelencia de la manufactura lean, ese futuro podrá ser un entorno en el que la creatividad humana y la capacidad de las máquinas evolucionen de forma complementaria — convirtiéndose en una referencia para organizaciones de cualquier sector.

Reciba insights sobre aplicaciones de IA desde la óptica del Lean Thinking directamente en su correo electrónico. Suscríbase a nuestro boletín mensual.