La lógica de compra de software ha cambiado. Con la IA escribiendo, revisando y refactorizando código de forma autónoma, la distancia entre adaptar un sistema al proceso de la empresa y obligar a la operación a encajar en un producto genérico se ha reducido, y se ha vuelto más estratégica.
Los datos que sustentan este giro son objetivos. Una investigación de la Universidad de Cornell mostró que los agentes de IA modifican el 26.1% de los commits intencionalmente para mejorar la estructura del software, sobre todo en mantenibilidad (52.5%) y legibilidad (28.1%). Paralelamente, Jellyfish registró un salto del 51% al 82% en la adopción de IA con agentes por parte de las empresas a lo largo de 2025. Para los líderes de TI y operaciones, la implicación es directa: si la ingeniería de software se ha vuelto más rápida, iterativa y automatizada, el diferencial competitivo migra hacia la arquitectura, los datos y el grado de adherencia de la solución al proceso real.
La IA redujo el costo de personalizar software
El cambio más relevante no es solo que la IA genera código. Es que ha pasado a participar en la mejora continua del software.
Según el estudio reportado por el Portal Information Management, basado en una investigación de la Universidad de Cornell, la IA ya ejecuta refactorización intencional; no solo entrega código funcional, sino que altera la base para hacerla más sostenible a lo largo del tiempo. Esto cambia el cálculo económico de la personalización.
Herramientas con IA ya automatizan tareas que antes consumían horas de equipos técnicos, como:
- sugerir funciones;
- completar código boilerplate;
- traducir entre lenguajes de programación;
- identificar errores lógicos;
- acelerar la generación de pruebas;
- apoyar la documentación;
- implementar funcionalidades rutinarias.
Esta ganancia operativa ayuda a explicar la velocidad de adopción de la ingeniería agéntica. Según Jellyfish, el 51% de las empresas usaban IA con agentes a principios de 2025; pocos meses después, este porcentaje alcanzó el 82%. En el mismo período, hubo una reducción de 1.16 veces en el tiempo de revisión de código y un aumento en el uso de flujos en los que la propia IA crea, confirma o abre revisiones.
En la práctica, esto reduce parte de la fricción histórica del software a medida: el esfuerzo repetitivo. Cuando la IA absorbe una porción creciente del trabajo operativo, el equipo humano puede concentrar su energía en el diseño de procesos, la integración, las reglas de negocio y la gobernanza.
Edy Silva, Developer Relations de Codeminer42, resume este cambio de rol: “En lugar de ejecutar tareas operativas, el desarrollador pasa a actuar de forma más estratégica, coordinando y supervisando diferentes agentes de IA a lo largo del proceso. Esta nueva dinámica exige un dominio técnico aún más sólido, ya que la calidad de los resultados depende de la capacidad de orientar la IA con precisión.”
La propia Codeminer42 reportó una ganancia de productividad de tres a cuatro veces con la ingeniería agéntica. El dato importa menos como promesa universal y más como señal de tendencia: la personalización dejó de ser sinónimo automático de lentitud.
La IA expone las limitaciones de los productos genéricos
Si el costo de construir ha disminuido en varios casos, los límites del software genérico se han vuelto más visibles.
Las plataformas estandarizadas siguen teniendo sentido cuando la prioridad es la velocidad de implementación, cuando el caso de uso es genérico o cuando la empresa no tiene un equipo técnico para construir y mantener una solución propia. Este punto aparece claramente en el marco de Sprinklenet sobre la decisión entre construir y comprar.
El problema surge cuando la capacidad de IA deja de ser accesoria y pasa a afectar el resultado, el margen, la calidad operativa o la diferenciación. En estos escenarios, la inadecuación del producto genérico tiende a manifestarse en frentes muy concretos:
- la empresa posee datos únicos que crean una ventaja competitiva;
- el caso exige precisión específica de dominio;
- hay necesidad de control total sobre el comportamiento, actualización e implementación del modelo;
- los requisitos regulatorios exigen transparencia sobre la arquitectura y los datos de entrenamiento;
- la capacidad de IA está en el centro del producto o del servicio entregado.
Jamie Thompson, de Sprinklenet, sintetiza este punto: “Las soluciones personalizadas de IA ofrecen el mayor valor cuando su ventaja competitiva depende de capacidades de IA propietarias que los competidores no pueden replicar.”
Este desplazamiento ayuda a entender una aparente contradicción del mercado. Por un lado, los casos de uso empresariales implementados a través de soluciones de terceros crecieron hasta aproximadamente el 76%, frente a una división cercana al 50/50 dos años antes. Por otro lado, solo el 29% de los ejecutivos están logrando un ROI significativo con las iniciativas de IA.
La lectura posible, basada en los datos del informe, es que la adopción no equivale a la captura de valor. Comprar software con IA se ha vuelto más fácil. Transformar esto en productividad, ingresos y ventaja operativa sigue dependiendo de la adherencia al proceso y de la gobernanza.
El debate dejó de ser “construir o comprar” y se convirtió en arquitectura de valor
La decisión entre software a medida y producto genérico no es binaria. El propio material de referencia señala un espectro de posibilidades: fine-tuning de modelos open-source, personalización de plataformas configurables y construcción sobre servicios de infraestructura de IA.
Este punto es decisivo para evitar un error común: tratar el software a medida como sinónimo de construir todo desde cero.
En muchos casos, la arquitectura más eficiente combina capas diferentes:
- infraestructura de IA de terceros;
- modelos base ya disponibles en el mercado;
- personalización sobre datos y flujos internos;
- integración con sistemas legados;
- reglas de negocio propias;
- gobernanza específica de la operación.
Este enfoque es importante porque el mercado de low-code/no-code superó los 37 mil millones de dólares en 2025, según datos citados por AngelHack DevLabs basados en Fortune Business Insights. El crecimiento muestra la búsqueda de velocidad y autonomía. Pero también explicita una tensión: a medida que la IA entra en procesos críticos, la discusión deja de ser solo una interfaz de construcción y pasa a involucrar control, integración, sustentación y costo total de propiedad.
En el marco de Sprinklenet, las soluciones personalizadas exigen una mayor inversión inicial en ingeniería de datos, desarrollo de modelos e infraestructura. En contrapartida, pueden ofrecer un mejor costo total de propiedad en un horizonte de tres a cinco años, especialmente cuando la alternativa sería operar en costosos niveles premium de plataformas SaaS.
Adicionalmente, hay una dimensión financiera menos evidente. Cuando la IA se convierte en una parte central de la operación, el costo no está solo en la licencia de la herramienta, sino en cuánto obliga a la empresa a sortear limitaciones, duplicar trabajo, exportar datos entre sistemas o mantener procesos paralelos.
Por eso, la pregunta más útil para los líderes de TI y operaciones no es “¿qué herramienta tiene IA?”, sino “¿dónde la estandarización comienza a crear cuellos de botella que una arquitectura a medida resolvería con más eficiencia?”.
La velocidad sin control amplía el riesgo y refuerza la necesidad de un diseño a medida
La aceleración del desarrollo no elimina un problema central: el código funcional no es, por definición, código seguro.
El estudio citado por iMasters se conoció como “Asleep at the Keyboard” precisamente por eso. La IA frecuentemente entrega software que funciona, pero sin el rigor de seguridad necesario. Entre los riesgos destacados están:
- inyección de prompt;
- tratamiento inseguro de salidas;
- envenenamiento de datos de entrenamiento;
- divulgación de información sensible;
- riesgos en la cadena de suministro.
Este punto reposiciona la discusión sobre el software a medida. La personalización no sirve solo para adaptar la interfaz o el flujo. En contextos críticos, permite incorporar controles, validaciones y gobernanza compatibles con el riesgo real de la operación.
Cuando la empresa depende de requisitos específicos de transparencia, control sobre el comportamiento del modelo o precisión de dominio, la solución genérica puede limitar justamente lo que más importa: la previsibilidad. El texto de Forbes sobre la IA como infraestructura describe este movimiento de forma directa al señalar la necesidad de operar “dentro de sistemas críticos, bajo reglas de negocio específicas, con previsibilidad y control”.
Al mismo tiempo, la respuesta no es retirar al humano del proceso. Es reposicionarlo. “El futuro de la ingeniería de software no es artificial, es híbrido y enfocado en resultados reales”, afirma el profesor Arielton Gomes Nunes, docente del curso de Análisis y Desarrollo de Sistemas del Centro Universitario Ateneu.
La frase ayuda a separar la productividad de la automatización ciega. Si la IA acelera la generación, revisión y ejecución, el valor del equipo técnico migra hacia la supervisión, la arquitectura y la calidad. En software a medida, esto significa usar la IA para reducir el esfuerzo mecánico sin renunciar a criterios propios de seguridad, integración y sustentación.
El mercado ya trata el software a medida como respuesta operativa, no como excepción
Las señales del mercado apuntan a un cambio estructural, no a un ajuste puntual de herramientas.
Según el informe citado por State of AI in the Enterprise de Deloitte, el 66% de las organizaciones reportaron mejoras de productividad con IA, y más del 40% de los ingresos de OpenAI ya provienen de clientes empresariales. El dato refuerza que la IA dejó de ser un experimento periférico y pasó a integrar el presupuesto, la operación y la estrategia corporativa.
Al mismo tiempo, Siemens Software advirtió que la inacción puede comprometer la supervivencia de las empresas en la era de la IA. La alerta es relevante porque desplaza la discusión del entusiasmo tecnológico a la competitividad. No se trata solo de adoptar IA, sino de decidir dónde debe ser infraestructura propia, capa configurable o servicio tercerizado.
También hay ejemplos prácticos de aplicación a medida en el contexto empresarial. El IEL Ceará desarrolló una solución tecnológica a medida para Sindpan, caso citado por la FIEC. Sin métricas operacionales detalladas en el material disponible, el ejemplo ilustra un punto importante: en entornos con necesidades específicas, la respuesta adoptada fue la personalización, no la estandarización.
Este movimiento no invalida el SaaS. Redefine su papel. Los productos genéricos siguen siendo adecuados para necesidades horizontales, implementación rápida y casos de uso no estratégicos. Pero, cuando la IA comienza a tocar procesos críticos, datos propietarios y reglas de negocio específicas, la discusión cambia de categoría.
Qué sigue para los líderes de TI y operaciones
Los próximos hitos de esta agenda ya están planteados en el mercado.
Primero, la madurez de la ingeniería agéntica debe seguir siendo acompañada por métricas de productividad, revisión de código y calidad de software, a medida que más empresas pasan del uso asistencial a flujos en los que la IA ejecuta etapas con mayor autonomía.
Segundo, el avance regulatorio en seguridad y privacidad tiende a aumentar la presión por la transparencia, la trazabilidad y el control sobre modelos y datos, justamente uno de los factores que favorecen las arquitecturas a medida en casos críticos.
Tercero, el equilibrio entre low-code/no-code, plataformas SaaS y desarrollo personalizado debe volverse más sensible al costo total de propiedad. Con el mercado de low-code/no-code por encima de los 37 mil millones de dólares y la IA reduciendo parte del esfuerzo de desarrollo, la comparación deja de ser solo CAPEX versus suscripción y pasa a incluir sustentación, integración y gobernanza.
Finalmente, el mercado debe seguir separando la adopción del resultado. El dato de que solo el 29% de los ejecutivos logran un ROI significativo con la IA sugiere que la próxima fase no será sobre experimentar más herramientas, sino sobre alinear la arquitectura de software, las metas de ingresos y la gobernanza.
El software genérico no desaparece en la era de la IA. Pero ya no es suficiente donde la operación depende de inteligencia integrada, control y adherencia real al proceso. A medida que la IA reduce el costo de construir y aumenta el costo de improvisar, el software a medida deja de ser una excepción técnica y pasa a ser una decisión estratégica.
Contenidos relacionados
Próximo paso con Draivv
Aplicar la IA con resultados comienza por la elección del problema correcto, la viabilidad de los datos y una métrica de negocio clara. Conozca el Diagnóstico AI for Business para transformar oportunidades dispersas en una hoja de ruta priorizada de aplicación.
Receba os próximos artigos por e-mail
Conteúdo novo de Draivv direto na sua caixa de entrada. Sem spam.
