Casos de uso de la IA en TI que merecen volverse tendencia
Resumen
- La herramienta impulsada por IA de Thoughtworks, CodeConcise, analiza código legado, extrae reglas de negocio y acelera la modernización de mainframes. Hasta ahora, ha reducido en 4 semanas el tiempo de transformación por módulo y ha ahorrado 240 años de trabajo equivalente a tiempo completo (FTE) en una renovación a gran escala.
- Las encuestas de pulso de ingeniería con IA de Finastra identificaron un incremento no registrado de 6 horas semanales en la carga laboral. Este hallazgo permitió a los líderes refinar los flujos de trabajo, optimizar la asignación de tareas y mitigar riesgos de agotamiento. Los IDEs potenciados con IA, las sugerencias inteligentes de código y los flujos de trabajo automatizados minimizan la carga cognitiva.
- CreateFuture usó seguimiento de backlog con IA para reducir en 30% el tiempo dedicado a gestionar historias de usuario y recuperar entre 4 y 8 horas por sprint. La IA ayuda a los equipos a detectar desviaciones de alcance, automatizar los reportes de sprint y predecir funcionalidades poco definidas antes de que perjudiquen el desarrollo.
- El análisis de registros impulsado por LLM de Chamomile.ai detecta anomalías sutiles, predice fallos y automatiza la remediación. Esto ha reducido el tiempo de investigación manual y ha ayudado a los equipos a resolver problemas antes de que se conviertan en grandes incidentes.
La IA ya está presente en casi todos los rincones del TI y el desarrollo. Oímos hablar de cómo aumentará la eficiencia en ingeniería, mejorará el equilibrio entre vida y trabajo, y será un asistente inteligente, omnisciente y siempre disponible. Es suficiente para marear a cualquiera.
Pero a pesar de estar prácticamente en todas partes, la IA no está cumpliendo lo esperado, o incluso nada en absoluto. Más de la mitad de los líderes de TI están luchando por demostrar el retorno de la inversión de la IA y están quemando miles de millones en el proceso.
En las salas de juntas, el foco está en la IA agentica, el riesgo y el último rumor de DeepSeek, pero hay una pregunta más grande que nadie parece plantear: ¿realmente estamos resolviendo los problemas correctos con la IA? Tal vez el verdadero reto no sea la tecnología en sí misma, sino saber dónde aplicarla.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
No todo es pesimismo, sin embargo. Algunos equipos ya han encontrado la solución. Nos sentamos a conversar con algunos pioneros en IA que están logrando un impacto real con aplicaciones empresariales sorprendentemente simples (pero efectivas). Estos son los casos de uso de IA en los que más confían:
1. Modernización de sistemas heredados
La IA está resolviendo un desafío de larga data en la modernización de sistemas heredados: evitar que la lógica desfasada se filtre en los sistemas modernos. “Las agencias gubernamentales aún operan sobre sistemas grandes y monolíticos,” dice Noel Hara, VP y CTO del sector público en NTT DATA. “Incluso cuando se extrae la lógica de negocio o se refactoriza el código, a menudo incluye lógica obsoleta oculta en lo más profundo.”
El equipo de Noel ahora utiliza IA para analizar las reglas extraídas y cruzarlas de manera inteligente con las políticas actuales. Mejor aún, las herramientas pueden sugerir actualizaciones inteligentes donde las políticas han cambiado, todo sin saturar a los responsables de negocio. “Este enfoque mantiene fluido el proceso de modernización y previene una acumulación de deuda técnica en el nuevo sistema.”
Thoughtworks ha desarrollado CodeConcise, un acelerador interno potenciado por IA que descompone estructuras de código complejas, mapea dependencias y descubre conocimientos críticos, incluso cuando los desarrolladores clave ya no están presentes. La herramienta también puede traducir código heredado a lenguajes modernos para asegurar cumplimiento y alineación con el equipo de desarrollo.
Hasta el momento, la implementación interna ha tenido bastante éxito: ya ha reducido en 4 semanas el tiempo de modernización por módulo y ahorrado un sorprendente 240 años FTE en una transformación total de mainframe.
Dicho esto, otra opción para modernizar sistemas heredados puede incluir asociarse con el socio de desarrollo de software nearshore adecuado.
2. Mejora la productividad de los empleados
Incluso antes de la actual fiebre del oro, la IA ya se encargaba de las tareas tediosas de generar código estándar y gestionar casos de prueba, labores que antes consumían horas al equipo de TI. Ahora, los IDEs con IA como Tabnine y JetBrains AI dan una capa más a estas tareas con revisiones de código inteligentes, resúmenes contextuales y documentación automatizada del conocimiento. Los desarrolladores ya no tienen que alternar interminablemente de contexto ni buscar soluciones no documentadas.
Jimmy Xu, CTO de campo de Cycode, vislumbra el futuro de la ingeniería asistida por IA hasta el punto de que califica la IA como el “medio” para habilitar desarrolladores 10x. Y tiene razón. Si lo ves en perspectiva, la IA se parece menos a una herramienta y más a un tejido conectivo del desarrollo de software moderno.
Puede unir flujos de trabajo fragmentados, ejecutar transferencias más inteligentes, ofrecer visibilidad granular y sacar a la luz ineficiencias que los equipos quizá ni siquiera sepan que existen. Finastra lo vivió en primera persona tras implementar una herramienta de IA personalizada para monitorizar la experiencia de los desarrolladores.
Inicialmente, la dirección utilizó encuestas de pulso basadas en IA para evaluar el bienestar del equipo de ingeniería, pero pronto descubrieron un problema desapercibido: los desarrolladores estaban registrando seis horas extra a la semana (antes no contabilizadas), debido a exigencias constantes y actualizaciones continuas del producto.
Reconociendo el riesgo de agotamiento, la dirección aprovechó la IA para optimizar las cargas de trabajo, establecer horas de concentración y ajustar los horarios de comunicación para reducir interrupciones innecesarias. Ahora, los ingenieros podían dedicar su energía a la innovación sin verse afectados por cambios de contexto constantes.
3. Controla el Alcance del Producto y Evita que se Salga de Control
“Para un ingeniero de software, programar ocupa solo una pequeña fracción de la semana laboral—alrededor de dos horas al día”, comenta Jeff Watkins, CTO de CreateFuture. La mayor parte de la semana se destina a ajustar historias de usuario, épicas, criterios de aceptación, flujos de trabajo de aseguramiento de calidad (QA) y, si no tienes cuidado, a luchar contra la expansión del alcance que no deja de crecer.
Por suerte, aquí es donde la IA ha brindado algunas de las mejoras más relevantes para CreateFuture. “Hemos recortado alrededor de un 30% del tiempo dedicado a escribir, revisar y alinear épicas, historias y criterios de aceptación,” explica, destacando cómo la IA ha afinado el flujo de desarrollo de productos.
Su equipo ahora aprovecha la IA para:
- Automatizar los resúmenes de reuniones para registrar discusiones clave y desviaciones del alcance original, además de crear una lista de acciones para corregir el rumbo.
- Generar informes de sprint monitoreando tareas completadas, cambios en el backlog y requisitos en evolución—ayudando a los equipos a detectar el aumento del alcance antes de que detenga el progreso.
- Realizar análisis predictivo sobre proyectos anteriores para identificar tempranamente funcionalidades mal estimadas en su alcance.
- Construir bucles de retroalimentación que resumen las percepciones de los compañeros y detectan oportunidades de crecimiento.
Jeff ve la IA como un ‘patito de goma’ para el alcance del producto: hace las preguntas correctas, detecta bloqueos y vincula las inversiones en ingeniería con los objetivos del negocio. “Con la IA gestionando informes de sprint y revisiones de documentación, estamos recuperando de cuatro a ocho horas por sprint.”
4. Habilita una Infraestructura de TI Autorreparable
Un tiempo de inactividad es una crisis costosa para los equipos de IT. Incluso en los mejores días, la inactividad puede costar hasta $9,000 por minuto a grandes organizaciones. Si sumamos las multas regulatorias, pérdida de datos y daños reputacionales en sectores regulados, el impacto total puede superar los 5 millones de dólares. A pesar de esto, la mayoría de las herramientas de monitorización de TI siguen siendo reactivas: detectan incidentes pero no evitan la recurrencia ni logran escalar correctamente. Como señala Jimmy, "La escalabilidad y la entrega se convierten en desafíos críticos en un entorno cada vez más complejo."
Una infraestructura autorreparable cierra estas brechas con herramientas de monitorización autónomas. Para el CEO de Chamomile.ai, Tirath Ramdas, el análisis de logs es un ejemplo clave de cómo la IA puede aliviar la carga de trabajo de los desarrolladores y, al mismo tiempo, fortalecer sistemas de TI autónomos. “El análisis de informes de errores es tedioso, rara vez agradable y suele darse bajo mucha presión cuando los fallos o caídas empiezan a afectar a los usuarios finales,” dice Tirath. Pero un verdadero análisis de causa raíz requiere más que buscar logs de ERROR.
“Significa correlacionar múltiples logs y detectar anomalías sutiles.” Utiliza LLMs para eliminar búsquedas tediosas en logs y conectar rápidamente patrones contextuales. “Son excelentes comparando términos difusos, diferenciando logs de manera inteligente y señalando comportamientos inusuales.” Aún mejor, pueden detectar automáticamente pequeños fallos en los logs y reducir investigaciones manuales para acelerar la resolución de incidentes.
Más allá del análisis de logs, las herramientas de IA también pueden corregir automáticamente incidentes menores. Sistemas autónomos impulsados por IA monitorizan continuamente métricas en tiempo real—uso de CPU, latencia de red, consumo de memoria—para detectar anomalías, reducir falsos positivos y actuar cuando se sobrepasan los umbrales.
Si una métrica del sistema supera un estándar predefinido, la IA puede activar un protocolo de remediación automatizado. “Para la remediación, la IA puede proporcionar orientación personalizada de remediación y generar correcciones de código sugeridas con flujos de trabajo automáticos. Luego, puedes utilizar la IA para cuantificar una puntuación de riesgo normalizada para diversos hallazgos y automatizar la priorización,” comenta Jimmy.
La IA impulsa cambios solo si tu cultura la respalda
La IA realmente puede aportar ahorro de tiempo y brindar visibilidad total del flujo de trabajo a los equipos de ingeniería y TI, pero solo si la cultura está preparada para apoyarla. “No necesitas una tecnología sofisticada para lograr estos resultados,” dice Jeff. Todo esto es posible con las herramientas de IA que ya vienen integradas en tu suite de oficina, como Microsoft Copilot 365 o Google Gemini Advanced.
“Lo que realmente importa es invertir en las personas. Enséñales cómo obtener lo que necesitan de estas herramientas,” añade. Incluso en equipos pequeños, dedicar unas horas a formar a cada persona marca la diferencia y, de repente, empiezas a ver un verdadero retorno de inversión.
Los equipos más grandes pueden probar proyectos experimentales como los famosos ‘hack the scope’. Propón a tus ingenieros un proyecto ambiguo, un montón de datos y herramientas de IA para resolver problemas como la predicción de riesgos o la elaboración de épicas. La mejor solución obtiene el derecho de presumir, algunos incentivos para motivar su próximo proyecto piloto y, probablemente, un trofeo extravagante.
“Así que mi conclusión es: domina el uso de las herramientas que tienes delante antes de comprar más, o te arriesgas a ser víctima del viejo refrán ‘todos los equipos, sin idea’.”
Suscríbete al boletín del CTO Club para más ideas sobre IA, alineación entre negocios e ingeniería y TI auto gestionable.
