Un analista de finanzas arma una aplicación web. Alguien de recursos humanos entrega un tablero. Alguien de marketing pone en producción una página sin pasar por sistemas. Ninguno de los tres sabe programar, y los tres creen que eso ya no hace falta.

Los números de quien vende la herramienta más usada para esto lo confirman mejor que cualquier encuesta. Sobre 1,2 millones de sesiones de Claude Cowork, el desarrollo de software explica apenas el 8,7 % del uso: el resto se reparte entre procesos de negocio, contenido, investigación y análisis de datos. La herramienta se usa mayormente fuera de sistemas, para producir lo que antes producía otra área.

La adopción es real y es masiva: Anthropic declaró más de 300.000 clientes empresariales, y Uber pasó del 32 % al 84 % de sus ingenieros usando Claude Code en cuatro meses. Cuando eso se vuelve costumbre aparece una vara nueva, los tokens: Disney armó un tablero interno donde un solo empleado aparecía con 460.000 invocaciones en nueve días hábiles, y Meta midió 60 billones de tokens en treinta días en un panel que duró dos.

La moda ya pasó por su propio exceso. Lo que deja atrás no es el entusiasmo: es el desorden. Y el desorden tiene seis formas concretas.

El primer problema no es que la herramienta funcione mal. Funciona bien: produce algo que se ve terminado.

El código generado con IA introduce vulnerabilidades del OWASP Top 10 en el 45 % de los casos, según una evaluación de 2025 sobre más de cien modelos; en Java falla el 72 %, y la comparación entre versiones de modelos de 2023 a 2025 no muestra mejora. Un experimento revisado por pares encontró que quienes escribían con asistencia producían código significativamente menos seguro —inyección SQL en el 36 % de los casos contra el 7 % del control— y creían haberlo escrito más seguro.

Ese desfasaje es la parte que importa. En el experimento más limpio que hay, dieciséis desarrolladores senior tardaron 19 % más con IA, esperaban ser 24 % más rápidos y al terminar creían haber sido 20 % más rápidos.

Corresponde una advertencia: todo esto está medido sobre desarrolladores. No existe ningún estudio que mida la misma brecha en alguien de finanzas o de recursos humanos que se fabrica una herramienta sin saber programar. Que no exista la medición no significa que la brecha sea menor; significa que nadie la está mirando.

El resultado, en cambio, sí está medido. Un estudio de BetterUp Labs con el laboratorio de medios sociales de Stanford le puso nombre a lo que se recibe: workslop, trabajo que tiene la forma de un entregable pero no el contenido. El 40 % de los trabajadores estadounidenses había recibido uno en el mes anterior, y en una empresa de diez mil personas el cálculo da unos nueve millones de dólares al año.

Un entregable que nadie del equipo puede auditar no es un entregable. Es una caja negra con buena tipografía.

El segundo problema es el que más se parece a un éxito. Se presenta un proyecto generado con IA: funciona, se ve bien, cubre el camino feliz de la demostración. La reunión termina bien.

Lo que esa demostración no muestra es lo que la industria empezó a medir. El informe DORA de Google encontró que por cada 25 % de aumento en adopción de IA, la velocidad de entrega cae 1,5 % y la estabilidad 7,2 %. En 2025 el rendimiento se recuperó; la estabilidad, no. Se entrega más y se rompe más.

Después está lo que ninguna demo muestra. Un relevamiento sobre un millón de páginas encontró que el 94,8 % de las portadas tiene fallas de accesibilidad, con 51 errores por página. Aclaro lo que ese dato no dice: no existe ningún corte por páginas generadas con IA, y accesibilidad es exactamente lo que el camino feliz saltea.

La escalabilidad es la parte menos visible. Sobre los pilotos de IA generativa, el corte más citado dice que alrededor del 5 % llega a producción —con una metodología cuestionada— y otro informe pone que el 88 % no escala. La cifra exacta se discute; la dirección, no.

Hay un motivo concreto para que no escale: un entregable hecho fuera de un marco de trabajo no se homologa dentro del equipo, porque nunca se determinó cuál es su valor. Nadie sabe cuánto costó, quién responde por él ni con qué criterio se acepta. En un caso documentado, entre el 60 % y el 80 % de las sugerencias de los agentes vencía esperando aprobación.

Gartner le puso fecha: para 2028, el 60 % de las aplicaciones construidas así se retira.

El tercer problema es el más incómodo, porque no se arregla comprando nada. Cuando cada uno puede producir el trabajo de otro, deja de estar claro a quién le corresponde.

Los datos de Anthropic vuelven a ser el mejor retrato del fenómeno, con su advertencia. Sobre 400.000 sesiones, las diez ocupaciones principales quedaron dentro de siete puntos del rendimiento de ingeniería de software, y management por encima de ingeniería. La propia empresa aclara que ese ranking puede ser un artefacto de cómo mide el éxito. Aun así es la única evidencia disponible de que la brecha entre áreas se estrecha: no existe medición independiente del uso de IA por departamento.

El resto del cuadro confirma la dirección. Un relevamiento de Gallup encontró que el 97 % de los gerentes hace trabajo de contribuidor individual fuera de su rol. Y cuando la IA falla, no hay acuerdo sobre quién responde: entre 1.200 gerentes, el 31 % dijo que la responsabilidad es de la empresa y el proveedor juntos, el 26 % sólo de la empresa y el 20 % sólo del proveedor. Cuando la primera respuesta es «depende», el problema no es la herramienta.

Esto ya pasó una vez con el citizen developer: Gartner proyectó en 2021 que para 2024 el 80 % de los productos tecnológicos los construirían no profesionales. No pasó. Lo que sí pasó fue el shadow IT: en un estudio de 2019, las empresas creían tener 452 aplicaciones en la nube y tenían 1.807.

La IA no inventó ese patrón. Lo aceleró y le sacó el freno que tenía: antes hacía falta aprender una herramienta, ahora alcanza con pedir.

El cuarto problema es la cuenta, y tiene dos mitades que son el mismo mecanismo: tokens y costo. Cuando no hay marco de trabajo, el modelo ocupa su lugar. Y el modelo cobra.

La primera razón es aritmética. A precio de lista de octubre, un millón de tokens del modelo de frontera cuesta 4 dólares de entrada y 20 de salida; el modelo chico cuesta diez centavos y cincuenta. Cuarenta veces menos. Y el token de salida vale entre cuatro y seis veces el de entrada, así que pensar de más se paga en la moneda más cara.

Eso importa porque un entregable sin fundamentos sólidos no se corrige: se vuelve a generar. Se pide de nuevo, con más contexto, otra vez desde el principio. Una encuesta a 2.444 empresas calculó que por cada dólar gastado en tokens se van 0,44 en corregir errores, 0,27 en reescribir y 0,11 en revisar: el 82 % del costo de ingeniería termina en retrabajo. Sin gobernanza, el mismo flujo cuesta 2,2 veces más.

La cuenta se ve en las empresas que ya la pagaron. Uber agotó su presupuesto anual de IA en pocos meses; el gasto era de 150 a 250 dólares por ingeniero por mes, y los usuarios intensivos llegaban a 2.000. JPMorgan puso un tope de 2.000 dólares mensuales, y un directivo contó que algunos gastaban más en tokens que en su salario.

Del otro lado, la misma empresa que vende la herramienta declara que sus propios ingenieros gastan unos 13 dólares por día activo, y que el 90 % gasta menos de 30. La diferencia entre ese número y el de quien no tiene marco es el precio del marco que falta.

El quinto problema es que, cuando esto pasa, después nadie puede reconstruirlo. Ni qué se usó, ni con qué datos, ni quién lo aprobó.

La adopción no espera a la política. Un relevamiento de Microsoft —de 2024, que la prensa suele citar mal como de 2025— encontró que el 78 % de los empleados que usan IA en el trabajo trae herramientas que la empresa no aprobó, y que más de la mitad lo oculta cuando la tarea es importante. Del otro lado, Deloitte, sobre más de tres mil líderes, encontró que sólo el 21 % tiene un inventario de IA vigente y un modelo de gobernanza maduro. La mayoría no puede listar qué está en uso.

Lo que sigue es lo que ya se paga. Una de cada cinco brechas del último informe de IBM estaba vinculada a IA sin control, y el 97 % de las organizaciones con un incidente no tenía controles de acceso adecuados. Cuando el uso sin control es alto, la brecha cuesta unos 670.000 dólares más.

Los casos ya no son hipotéticos. En abril, un empleado usó IA generativa para armar un script de envío de correos y expuso los datos de 95.364 clientes de una cadena de alimentos en Singapur. En septiembre, agentes de programación filtraron más de 13.000 capturas internas en 900 repositorios públicos.

La norma tampoco alcanza. El reglamento europeo de IA puso en vigor el artículo 50 —declarar que se interactúa con una IA— el 2 de agosto de 2026, y postergó el 12, que obliga a registrar los eventos de los sistemas de alto riesgo, a diciembre de 2027.

Si el regulador necesitó más tiempo para decidir cómo se registra, es difícil pedirle a una empresa que lo tenga resuelto para ayer. Pero la diferencia entre no tener trazabilidad porque el marco no está y no tenerla porque nadie la pidió es, para el negocio, ninguna.

El sexto problema no es un problema aparte: es el que explica los otros cinco. Faltan tres cosas y se confunden entre sí.

Una política de uso, que es lo primero que existe y lo primero que se archiva. Un marco de trabajo por disciplina, que es cómo se hace, con qué datos y quién aprueba. Y las capacidades por perfil, que es la parte que casi nadie escribió: qué puede hacer cada rol, con qué autonomía y con qué límite.

Esa última tiene una referencia normativa concreta. El artículo 4 del reglamento europeo obliga desde febrero de 2025 a asegurar un nivel suficiente de alfabetización en IA en el personal «según su rol, el contexto de uso y el nivel de riesgo». No pide capacitar a todos por igual: pide que cada perfil sepa lo que le toca. Lo que falta es un estándar publicado que lo traduzca a una tabla de capacidades por puesto.

Nada de esto es un argumento contra la herramienta. Que alguien de finanzas resuelva en una tarde una necesidad que hubiera costado un mes de desarrollo es una ganancia real. El problema no es que cada uno pueda hacer más: es que pueda hacer cosas que después nadie va a poder auditar, mantener o cobrar.

La moda ya se está apagando sola; la costumbre se queda. Y una costumbre sin marco no se corrige después: se hereda. La arquitectura de ese marco la escribí en otro artículo: harness empresarial, la política de agentes que se puede ejecutar.

• El uso real de la herramienta. Sobre 1,2 millones de sesiones de Claude Cowork (11 al 31 de mayo de 2026): procesos de negocio y operaciones 33,4 %, contenido y redacción 16,4 %, desarrollo de software 8,7 %. El informe clasifica por tipo de trabajo, no por cargo: marketing, recursos humanos y finanzas no son categorías propias. Dato del fabricante. claude.com (7 jul 2026)
• Rendimiento por ocupación. Sobre unas 400.000 sesiones (oct 2025 a abr 2026), las diez ocupaciones principales quedan dentro de siete puntos de ingeniería, y management arriba de ingeniería; la propia empresa advierte que puede ser un artefacto de medición. Dato del fabricante. anthropic.com (16 jun 2026)
• Dimensión del negocio y consumo como métrica. Más de 300.000 clientes empresariales y clientes de más de 100.000 dólares anuales creciendo siete veces en un año: anthropic.com, Series F (2 sep 2025) (declarado por la empresa, no auditado). Disney: tablero interno, un empleado con 460.000 invocaciones en nueve días hábiles: Business Insider (abr 2026). Meta: panel Claudeonomics, 60 billones de tokens en treinta días, cerrado a los pocos días, con la frase de su director de tecnología: The Information, vía India Today (abr 2026). El término «tokenmaxxing» lo acuñó Gergely Orosz en The Pragmatic Engineer.
• Presupuesto agotado. Uber agotó su presupuesto anual de IA de 2026 en pocos meses, y la adopción de Claude Code pasó del 32 % al 84 % de unos 5.000 ingenieros en cuatro meses, con un gasto de 150 a 250 dólares por ingeniero por mes y hasta 2.000 en usuarios intensivos: The Information, vía Business Insider (2026) (prensa, sobre fuentes directas). JPMorgan puso un tope de 2.000 dólares mensuales por ingeniero: Business Insider (sep 2026)
• Calidad del código generado. 45 % de las muestras introdujo vulnerabilidades del OWASP Top 10, 72 % en Java, sin mejora entre versiones de modelos de 2023 a 2025: Veracode, GenAI Code Security Report (30 jul 2025) (informe de proveedor)
• Brecha entre lo producido y lo creído. 47 participantes: el grupo con asistencia escribió código significativamente menos seguro —inyección SQL en el 36 % contra el 7 % del control— y creyó haberlo escrito más seguro: Perry et al., Stanford, ACM CCS 2023 (revisado por pares). Dieciséis desarrolladores senior tardaron 19 % más con IA, esperaban ser 24 % más rápidos y creyeron haber sido 20 % más rápidos: METR (10 jul 2025) (preimpresión). No existe medición equivalente fuera de desarrollo de software.
• Workslop. 40 % de los trabajadores estadounidenses recibió un entregable vacío generado con IA en el mes anterior; casi dos horas por episodio; unos 186 dólares por empleado por mes, unos nueve millones al año en una empresa de diez mil personas; 18 % admitió haber enviado contenido de IA inútil: BetterUp Labs y Stanford Social Media Lab, en Harvard Business Review (sep 2025)
• Entrega, estabilidad y deuda. Por cada 25 % de aumento en adopción de IA, la velocidad de entrega cae 1,5 % y la estabilidad 7,2 %; en 2025 la velocidad se recuperó y la estabilidad siguió cayendo: Google DORA, Accelerate State of DevOps (2024 y 2025) (encuesta corporativa). El código refactorizado cayó del 25 % en 2021 a menos del 10 % en 2024, y 2024 fue el primer año en que copiar y pegar superó a mover código, sobre 211 millones de líneas: GitClear (informe de proveedor, correlacional)
• Accesibilidad. 94,8 % de las portadas con fallas WCAG, 51 errores por página, contraste insuficiente en el 79,1 %. No existe ningún corte de ese estudio por páginas generadas con IA. WebAIM Million (feb 2025) (organismo)
• Brecha prototipo a producción. Alrededor del 5 % llega a producción, con metodología cuestionada por especialistas; otro informe, sobre una muestra distinta, pone que el 88 % no escala: MIT NANDA, The GenAI Divide (jul 2025) (informe no revisado por pares). Entre el 60 % y el 80 % de las sugerencias de agentes vencía esperando aprobación: Mixlab (estimación de analista). Para 2028, el 60 % de las aplicaciones construidas así se retira: Gartner (2025) (consultora, con interés comercial)
• Precedente citizen developer. Gartner proyectó en 2021 que para 2024 el 80 % de los productos tecnológicos los construirían no profesionales; no ocurrió. Shadow IT: las empresas creían tener 452 aplicaciones en la nube y tenían 1.807: Symantec, Cloud Security Threat Report (2019) (informe de proveedor)
• Roles y responsabilidad. 97 % de los gerentes hace trabajo de contribuidor individual fuera de su rol: Gallup, State of the Global Workplace (ene 2025) (encuesta). Cuando la IA falla, 31 % dijo que responden empresa y proveedor, 26 % sólo la empresa, 20 % sólo el proveedor, entre 1.200 gerentes: ABBYY (encuesta de proveedor)
• Uso no autorizado, inventario y política. 78 % trae herramientas no aprobadas y más de la mitad lo oculta en tareas importantes —dato de 2024, que la prensa suele citar mal como de 2025—: Microsoft Work Trend Index (2024) (encuesta de proveedor). Sólo el 21 % tiene inventario de IA vigente y gobernanza madura, sobre 3.235 líderes: Deloitte, State of AI in the Enterprise (2026) (encuesta). Sólo el 17 % tiene controles técnicos y el 13 % no tiene política alguna: Kiteworks (2025) (encuesta de proveedor)
• Costo de las brechas. Una de cada cinco brechas vinculada a IA sin control; 97 % sin controles de acceso adecuados; unos 670.000 dólares más cuando el uso sin control es alto (4,74 contra 4,07 millones; no es un sobrecosto fijo por brecha de IA): IBM, Cost of a Data Breach (30 jul 2025) (informe patrocinado por IBM)
• Costo del retrabajo y precio de lista. Por cada dólar en tokens, 0,44 en corregir errores, 0,27 en reescribir y 0,11 en revisar: 82 % del costo de ingeniería en retrabajo: Entelligence AI, 2.444 empresas (may 2026) (encuesta de proveedor). Sin gobernanza, el costo es 2,2 veces mayor: Infosys, AI Tokenomics (estimación de proveedor). Precios de lista a octubre de 2026: 4 y 20 dólares por millón de tokens de entrada y salida en el modelo de frontera, 0,10 y 0,50 en el chico; pueden haber cambiado. Gasto declarado de 13 dólares por día activo y menos de 30 para el 90 %: claude.com (abr 2026) (dato del fabricante)
• Incidentes y trazabilidad normativa. Exposición de los datos de 95.364 clientes tras usar IA generativa para un script de envío (abril de 2026, divulgado en septiembre): PDPC de Singapur, vía CNA (hecho regulatorio). Más de 13.000 capturas internas filtradas por agentes de programación en 900 repositorios públicos de más de 300 organizaciones: PixelLeak, Glow Labs (sep 2026) (divulgación de proveedor). El artículo 50 del reglamento europeo de IA (transparencia) rige desde el 2 de agosto de 2026; el artículo 12 (registro de eventos) fue postergado a diciembre de 2027: Reglamentos (UE) 2024/1689 y 2026/1744 (norma vinculante, vía análisis jurídico)
• Capacidades por perfil y marcos. Artículo 4 del reglamento europeo, en vigor desde el 2 de febrero de 2025: alfabetización en IA del personal «según su rol, el contexto de uso y el nivel de riesgo». No existe un estándar único publicado que lo traduzca a una tabla de capacidades por puesto. texto del artículo · preguntas y respuestas de la Comisión. Marcos complementarios: NIST AI 600-1 y el Top 10 de OWASP para aplicaciones agénticas
• Las citas textuales de fuentes en inglés están traducidas. Cada entrada indica si el dato es medición independiente, encuesta, informe de proveedor, estimación de analista o norma.