La narrativa sobre la IA generativa en la ingeniería de software ha superado a la evidencia. Afirmaciones de marketing, victorias anecdóticas y estudios malinterpretados han consolidado ocho mitos persistentes que están orientando mal decisiones de adopción, herramientas y métricas de éxito.
El artículo desmonta cada mito con datos de investigación reciente. Por ejemplo, un estudio de Microsoft con más de 450 ingenieros en 2025 mostró que solo el 14 % del tiempo de trabajo se dedica a escribir código; incluso si la IA duplicara la velocidad de programación, la productividad global mejoraría menos del 15 %. El resto —diseño, reuniones, revisiones, comprensión de código heredado— queda intacto. Acelerar la generación de código sin abordar esas tareas desplaza la presión aguas abajo: más código que revisar, probar e integrar.
Otro mito analizado es el de las líneas de código como métrica de productividad, una medida que un estudio estadístico de 2014 ya descartó por inválida. Algunas compañías han hecho público el porcentaje de código escrito por IA (Microsoft llegó a hablar de hasta un 30 %), pero esa cifra no dice nada sobre calidad, velocidad de entrega ni impacto real, y puede incentivar comportamientos tóxicos. La investigación con herramientas GenAI muestra resultados mixtos: ganancias grandes en algunos contextos, efectos neutros o incluso negativos en otros. El tipo de tarea, la experiencia del desarrollador y la familiaridad con el problema determinan si la IA ayuda o estorba. Adoptar IA sin rediseñar flujos de trabajo, sin formación y sin políticas claras de confianza termina paralizando proyectos en lugar de acelerarlos.