Coherent Solutions propone reemplazar la adopción aislada de copilotos por un ciclo continuo donde IA, feedback, gobernanza y conocimiento compartido trabajen como un solo sistema. La IA deja de utilizarse únicamente para acelerar tareas individuales —como generar código o pruebas— y comienza a integrarse en todo el sistema de entrega. Esto exige rediseñar workflows, feedback, gobernanza, métricas y conocimiento organizacional para que una mayor velocidad de producción se convierta en software desplegado con calidad y valor empresarial.

Aspectos clave

• Coherent Solutions presenta Continuous Delivery Loop —CDL— como un marco operativo para evolucionar desde herramientas aisladas de IA hacia un sistema de entrega de software diseñado alrededor de ciclos continuos de aprendizaje.
• CDL se articula alrededor de cuatro centros de actividad: Problem Identification, Validation & Exploration, Delivery & Engineering y Observation & Scale.
• La compañía reporta aproximadamente 30% de mejora inicial en performance de entrega cuando la adopción de herramientas de IA se combina con cambios en el modelo operativo; debe entenderse como un resultado propio de Coherent, no como benchmark industrial independiente.
• Gartner señala que más de la mitad de los desarrolladores reporta mejoras de output de 10% o menos y proyecta que equipos que utilicen un conjunto de herramientas de IA en todo el SDLC podrían alcanzar mejoras de productividad de 25% a 30% hacia 2028.
• BCG utiliza una regla 10-20-70: aproximadamente 70% del valor de una transformación con IA depende de personas, procesos y cambio organizacional, frente al componente puramente tecnológico.
• DORA encontró que la IA puede aumentar el throughput de entrega y, simultáneamente, incrementar la inestabilidad cuando la organización carece de fundamentos sólidos.
• El modelo de Coherent mantiene juicio y supervisión humanos dentro del sistema en lugar de plantear una automatización sin control.
• Gobernanza, seguridad, reglas de licenciamiento y auditoría de acciones de IA forman parte del CDL desde el propio flujo de entrega y no únicamente al final.

Escribir código más rápido ya no es suficiente

Mineápolis, EE. UU. de Norteamérica, 17 de agosto de 2026.— La inteligencia artificial está reduciendo de manera drástica el tiempo necesario para escribir, documentar, revisar y probar determinadas piezas de software. Pero existe una paradoja. Un equipo puede producir más código sin necesariamente conseguir que ese código llegue más rápido a producción. La explicación está en todo aquello que ocurre después —y alrededor— de la programación: validación, revisión, integración, pruebas, seguridad, aprobación, despliegue, observabilidad y aprendizaje. Coherent Solutions sostiene que numerosas organizaciones están incorporando herramientas de inteligencia artificial sobre procesos de entrega que continúan funcionando esencialmente como antes. Su propuesta es dejar de tratar la IA como una capa adicional y rediseñar el sistema completo alrededor de ella. A esa transición la denomina ingeniería de software nativa de IA. El informe técnico «From traditional SDLC to the Continuous Delivery Loop» se puede descargar de forma gratuita.

De AI-assisted a AI-native

Existe una diferencia conceptual importante. En un entorno AI-assisted, el desarrollador mantiene básicamente el mismo workflow y utiliza IA para acelerar algunas tareas. Por ejemplo: desarrollador → copiloto → código más rápido. En un entorno AI-native, la propia arquitectura de trabajo comienza a reorganizarse teniendo en cuenta que humanos y sistemas de inteligencia artificial pueden participar continuamente en diferentes fases. Entonces tendríamos algo más parecido a: intención → IA → validación → ingeniería → pruebas → observación → feedback → aprendizaje → siguiente ciclo. Coherent sostiene que el verdadero salto aparece cuando la información obtenida en un ciclo deja de desaparecer al terminar el proyecto y se convierte en contexto reutilizable para el siguiente.

La brecha entre producir código y generar valor

Coherent denomina Digital Value Gap —brecha de valor digital— a la distancia que puede aparecer entre un aumento de actividad técnica y los resultados empresariales obtenidos. Es una distinción fundamental. Más líneas de código no significan automáticamente:

• mejores productos;
• menos errores;
• menor time-to-market;
• clientes más satisfechos;
• mayor ingreso;
• menor riesgo.

La IA puede optimizar una parte del proceso mientras crea un cuello de botella en otra. Gartner advierte precisamente contra concentrar la estrategia únicamente en generación de código. Su investigación indica que más de la mitad de los desarrolladores declara mejoras de output de 10% o menos, mientras organizaciones que amplían el uso de IA hacia otras etapas del ciclo reportan beneficios superiores. El cuello de botella simplemente puede trasladarse.

DORA confirma la paradoja: más throughput también puede traer inestabilidad

Esta conclusión no depende únicamente de Coherent. La investigación DORA de Google Cloud proporciona un contexto particularmente importante. Su estudio 2025 sobre desarrollo asistido por IA concluye que la IA funciona como un amplificador: fortalece las capacidades de organizaciones maduras, pero también magnifica los problemas de aquellas que mantienen plataformas frágiles, datos fragmentados, workflows inconsistentes o testing deficiente. DORA encontró asimismo que una mayor adopción de IA está asociada con mayor throughput, pero también con mayor inestabilidad de entrega. Una explicación es sencilla: si antes un equipo podía producir diez cambios, ahora quizá pueda producir veinte. Pero esos veinte cambios también necesitan: revisión + testing + integración + seguridad + despliegue + observabilidad. Si las etapas siguientes no evolucionaron, la productividad individual puede convertirse en congestión sistémica.

El Continuous Delivery Loop propone reemplazar la línea por un ciclo

El SDLC —Software Development Life Cycle— suele representarse como una secuencia: requisitos → diseño → desarrollo → pruebas → despliegue → mantenimiento. En la práctica moderna existen iteraciones, Agile, DevOps y Continuous Delivery, de modo que no todos los SDLC actuales son estrictamente lineales. Esta precisión es importante: Coherent Solutions no inventa la idea de feedback continuo. Lo diferencial de su propuesta es reorganizar específicamente la entrega para un entorno donde la IA participa continuamente y donde el conocimiento producido por cada interacción pueda alimentar ciclos posteriores. El CDL se divide en cuatro grandes centros de actividad.

1. Problem Identification

Antes de generar código, definir qué problema empresarial necesita resolverse. La IA puede ayudar a analizar señales, requisitos o información histórica, pero la intención continúa dependiendo de la organización.

2. Validation & Exploration

Hipótesis, alternativas y riesgos se prueban antes de comprometer grandes cantidades de trabajo. El objetivo es descubrir temprano si se está construyendo la solución correcta.

3. Delivery & Engineering

Código, testing, integración y otros procesos de ingeniería incorporan automatización y herramientas de IA. Aquí la velocidad empieza a ser visible.

4. Observation & Scale

El software desplegado produce telemetría y feedback real. Esas señales vuelven al sistema para orientar el siguiente ciclo. De allí el concepto Loop.

El conocimiento del proyecto deja de desaparecer al terminar el sprint

Una idea particularmente interesante del CDL es la memoria organizacional. Los proyectos de software generan enormes cantidades de conocimiento:

• decisiones arquitectónicas;
• incidentes;
• defectos;
• excepciones;
• pruebas;
• requisitos;
• documentación;
• feedback de usuarios;
• razones por las que algo funcionó o fracasó.

En organizaciones tradicionales, una parte considerable permanece distribuida entre tickets, chats, documentación, repositorios y, muchas veces, la memoria individual de los empleados. Coherent propone que ese aprendizaje pueda convertirse progresivamente en contexto disponible para los sistemas de IA, de modo que el siguiente ciclo no comience intelectualmente desde cero. Este podría terminar siendo uno de los cambios más profundos de la ingeniería nativa de IA: el conocimiento operativo empieza a convertirse en infraestructura legible por máquinas.

La IA puede escribir; la organización todavía debe decidir

Max Belov, CTO de Coherent Solutions, plantea un principio importante: aumentar la velocidad y automatización no elimina a las personas del proceso. Su argumento es que estrategia, supervisión y toma de decisiones humanas ganan importancia precisamente porque las máquinas aumentan la velocidad a la que puede ejecutarse trabajo. Parece una paradoja, pero no lo es. Cuando producir una acción resulta más barato y rápido, decidir qué acciones deben producirse se vuelve más importante. Un modelo puede generar una modificación en segundos. Una persona o sistema de gobernanza debe determinar:

• ¿es necesaria?
• ¿es segura?
• ¿cumple requisitos?
• ¿respeta licencias?
• ¿introduce deuda técnica?
• ¿es coherente con la arquitectura?
• ¿aporta valor al usuario?

La IA reduce el costo de generación. No elimina el costo de equivocarse.

La gobernanza pasa del comité al pipeline

Otro elemento diferenciador de la propuesta es insertar controles dentro de los propios workflows. Coherent menciona expresamente: security checks, license rules, y audit logging para acciones de IA. Esto responde a un problema conocido. Si la gobernanza aparece solamente antes del lanzamiento o durante una auditoría, su velocidad será incompatible con pipelines donde agentes pueden generar y modificar artefactos continuamente. En un entorno AI-native, parte de la gobernanza necesita ser machine-enforceable: reglas verificables automáticamente dentro del flujo. El humano conserva responsabilidad y capacidad de decisión, pero no necesita revisar manualmente cada evento de bajo riesgo.

Gartner: el 10% necesita contexto

El comunicado utiliza Gartner para afirmar que adoptar herramientas de IA aisladamente tiende a llegar a un techo aproximado de 10%. La idea general es correcta, pero la expresaría con mayor precisión. Gartner informa que más de la mitad de los desarrolladores afirma que la IA ha mejorado el output del equipo 10% o menos. También indica que enfoques concentrados en generación de código produjeron aproximadamente 10% de mejora en 2024, mientras pronostica que equipos que apliquen un conjunto de herramientas de IA de manera consistente en todo el SDLC podrían obtener 25% a 30% de mejoras de productividad hacia 2028. El mensaje es más potente así: el límite no necesariamente está en la IA; puede estar en el alcance del proceso que estamos intentando optimizar.

BCG: 70% del problema no está en el algoritmo

Boston Consulting Group utiliza desde hace años su regla 10-20-70 para explicar las transformaciones con inteligencia artificial. En formulaciones recientes de BCG:

• alrededor de 10% corresponde a algoritmos;
• aproximadamente 20% a tecnología y datos;
• alrededor de 70% a personas, procesos y transformación organizacional.

No debe interpretarse como una ecuación científica aplicable idénticamente a toda empresa. Es una regla práctica derivada de la experiencia de BCG. Pero resulta perfectamente coherente con el problema que Coherent intenta resolver: comprar herramientas es más sencillo que cambiar cómo trabaja una organización.

¿Qué deberíamos medir entonces?

Si medir líneas de código o prompts utilizados resulta insuficiente, necesitamos métricas que observen el sistema completo. DORA utiliza actualmente cinco indicadores de software delivery performance agrupados entre throughput e inestabilidad.

Throughput

• Change Lead Time: cuánto demora un cambio desde commit hasta producción.
• Deployment Frequency: con qué frecuencia desplegamos.
• Failed Deployment Recovery Time: cuánto tarda el equipo en recuperarse de un despliegue fallido.

Instability

• Change Fail Rate: porcentaje de despliegues que requieren intervención inmediata.
• Deployment Rework Rate: proporción de despliegues no planificados destinados a corregir problemas.

Eso permite formular una pregunta mucho más útil que: “¿cuánto código produjo la IA?” La pregunta sería: “¿el sistema está entregando valor más rápidamente sin aumentar su inestabilidad?”

AI-native no significa AI-autonomous

Conviene establecer también una frontera conceptual. AI-native engineering no debe utilizarse como sinónimo de ingeniería completamente autónoma. Coherent nos describe progresivamente una arquitectura donde agentes pueden encargarse de coordinación, síntesis de datos y ejecución repetitiva, mientras humanos mantienen control sobre intención, prioridades, riesgo y excepciones. Por eso el concepto human-in-the-loop sigue siendo estructural. Un agente puede operar dentro del pipeline. Pero necesita límites: qué puede modificar, qué necesita aprobación, qué debe registrar y cuándo debe escalar una decisión.

El desarrollador cambia de productor a orquestador

Gartner lleva también esta tendencia hacia una conclusión ocupacional. La firma prevé que la ingeniería nativa de IA desplazará progresivamente al desarrollador desde una función concentrada en implementación hacia una función de orquestación, resolución de problemas, diseño de sistemas y provisión de contexto y restricciones a agentes. Eso no significa que desaparezca la ingeniería. Significa que cambia la unidad de trabajo. Antes: “escribe esta función”. Cada vez más: “diseña este sistema, define sus restricciones, proporciona contexto, supervisa cómo la IA lo implementa y verifica el resultado”. La abstracción sube un nivel.

De DevOps a una ingeniería diseñada para máquinas y humanos

DevOps ya introdujo muchos de los principios que ahora reaparecen:

• integración continua;
• entrega continua;
• automatización;
• observabilidad;
• feedback rápido;
• responsabilidad compartida.

La diferencia es que la IA introduce un participante nuevo. Ya no tenemos solamente: personas + herramientas automatizadas. Comenzamos a tener: personas + herramientas + modelos + agentes con capacidad de generar decisiones y artefactos. Eso exige que infraestructura, conocimiento y políticas sean cada vez más machine-readable. Una política escrita exclusivamente en un PDF puede ser insuficiente para un agente que necesita decidir en milisegundos si puede ejecutar una operación. La gobernanza tendrá que convertirse progresivamente en código, contexto y reglas ejecutables.

Más contexto

CDL no es un “sistema operativo”

Utilizaría marco operativo Continuous Delivery Loop o modelo operativo CDL. La propia documentación de Coherent emplea framework y continuous operating model.

No todo SDLC es lineal

Agile, DevOps y Continuous Delivery ya introdujeron ciclos iterativos y feedback continuo. CDL debe entenderse como una propuesta específica para reorganizar estos principios alrededor de ingeniería nativa de IA, no como la primera alternativa no lineal al desarrollo tradicional.

30% no es todavía un benchmark independiente

La mejora aproximada de delivery performance procede de resultados iniciales divulgados por Coherent Solutions.

El 10% de Gartner no es un techo universal

Gartner describe resultados modestos cuando la IA se concentra en generación de código y observa mayores beneficios cuando se extiende a todo el SDLC.

El 70% de BCG es una regla de transformación

El 10-20-70 es un marco práctico de BCG para representar el peso de personas, procesos y cambio organizacional, no una proporción garantizada para cada implementación empresarial.

Datos citables

• Coherent organiza CDL alrededor de cuatro centros de actividad: identificación del problema, validación y exploración, ingeniería y entrega, y observación y escala.
• La compañía reporta aproximadamente 30% de mejora inicial en delivery performance cuando herramientas de IA y transformación operacional se combinan.
• Más de la mitad de los desarrolladores consultados por Gartner declara mejoras de output de 10% o menos mediante IA.
• Gartner proyecta que equipos que utilicen herramientas de IA consistentemente a lo largo del SDLC podrían lograr 25%-30% de productividad adicional hacia 2028.
• BCG atribuye aproximadamente 70% del valor de una transformación de IA a personas, procesos y cambio organizacional dentro de su regla 10-20-70.
• DORA indica que alrededor de 90% de profesionales tecnológicos utiliza IA en el trabajo y más de 80% declara ganancias de productividad.
• DORA encontró que una mayor adopción de IA puede elevar simultáneamente throughput e inestabilidad en software delivery.
• DORA emplea actualmente cinco métricas principales para evaluar software delivery performance.

Preguntas y respuestas para entender la ingeniería nativa de IA

¿Qué diferencia existe entre desarrollo asistido por IA y AI-native?

En el primero, la IA acelera tareas dentro del proceso existente. En el segundo, workflows, roles, controles, datos y feedback se diseñan suponiendo que sistemas de IA participarán permanentemente en el ciclo de ingeniería.

¿Qué es Continuous Delivery Loop?

Es el marco propuesto por Coherent Solutions para conectar identificación del problema, exploración, ingeniería y observación dentro de ciclos de feedback donde el aprendizaje obtenido alimenta las siguientes iteraciones.

¿CDL reemplaza DevOps?

No necesariamente. Puede interpretarse como una propuesta adicional de modelo operativo para incorporar IA sobre principios ya conocidos de Continuous Delivery, DevOps, observabilidad y feedback.

¿Generar código más rápidamente aumenta siempre la productividad?

No. La velocidad local puede trasladar el cuello de botella a revisión, testing, integración o despliegue. DORA ha observado precisamente tensiones entre mayor throughput y estabilidad cuando aumenta la adopción de IA.

¿Qué debería medir una empresa para comprobar que la IA aporta valor?

Además de productividad individual, debería evaluar lead time, frecuencia de despliegue, recuperación ante fallos, change fail rate, rework, calidad, adopción y resultados de producto. DORA utiliza precisamente métricas de throughput e inestabilidad para evaluar performance de entrega.

¿La ingeniería AI-native elimina al desarrollador humano?

No. Gartner y Coherent coinciden en una transformación hacia mayor orquestación, diseño, contextualización, supervisión y toma de decisiones humanas.

Knowledge Layer | Glosario

• SDLC —Software Development Life Cycle—: conjunto de procesos mediante los cuales una organización diseña, desarrolla, prueba, despliega y mantiene software.
• AI-assisted development: utilización de inteligencia artificial para apoyar tareas específicas manteniendo esencialmente intacto el modelo de desarrollo existente.
• AI-native software engineering: enfoque en el cual workflows, herramientas, roles y controles se diseñan suponiendo que la IA participa estructuralmente durante todo el ciclo.
• Continuous Delivery Loop —CDL—: marco desarrollado por Coherent Solutions que organiza la entrega AI-native como ciclos conectados de intención, validación, ingeniería, observación y aprendizaje.
• Digital Value Gap: término utilizado por Coherent para describir la diferencia entre aumentar la actividad o velocidad técnica y conseguir resultados empresariales reales.
• Throughput: capacidad del sistema para mover cambios de software hacia producción durante un determinado periodo.
• Change Lead Time: tiempo transcurrido entre comprometer un cambio al control de versiones y desplegarlo exitosamente en producción.
• Change Fail Rate: proporción de despliegues que producen fallos y requieren intervención inmediata.
• Human-in-the-loop: arquitectura donde las personas conservan responsabilidad de supervisión, autorización, escalamiento o decisión dentro de procesos parcialmente automatizados.
• Machine-readable context: conocimiento, políticas o información expresados de manera que sistemas de software e IA puedan utilizarlos directamente como contexto operacional.

¿Por qué es importante?

La IA está eliminando uno de los límites tradicionales de la ingeniería: el costo de producir código. Pero cuando esa restricción desaparece, aparecen otras —validación, seguridad, integración, conocimiento y gobernanza—. Para obtener valor empresarial, las compañías necesitarán optimizar todo el sistema de entrega, no únicamente la velocidad del programador.

Visión Estratégica

La siguiente etapa de la inteligencia artificial aplicada al software no se decidirá por cuál copiloto genera más líneas de código. La ventaja estará en qué organización puede transformar esa capacidad en cambios pequeños, verificables, seguros y alineados con resultados empresariales. AI-native implicará que repositorios, plataformas, políticas, telemetría y conocimiento institucional formen un ecosistema legible tanto por personas como por agentes. En ese escenario, el software dejará de ser una cadena de tareas aceleradas por IA para convertirse en un sistema sociotécnico que aprende continuamente. La automatización producirá velocidad; la arquitectura organizacional determinará si esa velocidad genera valor o simplemente deuda técnica más rápidamente.

Acerca de Coherent Solutions

Coherent Solutions es una firma internacional de ingeniería digital fundada en 1995 que trabaja con organizaciones en desarrollo de productos y soluciones digitales. Su oferta actual incluye ingeniería de software, datos e inteligencia artificial y un enfoque denominado Digital Value Creation, dentro del cual está posicionando Continuous Delivery Loop como su modelo AI-native de entrega.

Tu Opinión Nos Importa ツ

La inteligencia artificial puede hacer que producir software sea cada vez más barato y rápido. Pero si una organización genera código cinco veces más rápido y su capacidad para validarlo, asegurarlo y desplegarlo permanece igual, probablemente no eliminó el cuello de botella: solamente lo movió.

¿Crees que las empresas están invirtiendo demasiado en copilotos de IA y demasiado poco en rediseñar sus procesos de ingeniería?

¿Qué indicador debería definir realmente el éxito de la IA en desarrollo de software: más código producido, menor tiempo de entrega, mayor calidad o mayor impacto en el negocio?

Comparte tu perspectiva con la comunidad de IT/USERS® Magazine:

#ItusersAwards2026 #SuperFan

Apoya al Periodismo Independiente

¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457