Hay una paradoja que empieza a notarse en las tiendas de aplicaciones. La programación con agentes de IA ha disparado el número de apps publicadas, pero ni las descargas ni las compras de los usuarios se han movido.
La investigación del MIT siguió la actividad de miles de desarrolladores antes y después de adoptar agentes como Claude Code o Codex. El patrón que aparece no habla de una sequía de ideas, sino de otra cosa más concreta. Muchos proyectos arrancan, pocos llegan al lanzamiento final.
Producir más no significa que se venda más
Mert Demirer, profesor de economía del MIT, lo resume con una frase incómoda para el entusiasmo automático alrededor de estas herramientas. Producir más aplicaciones no implica vender más.
La diferencia importa porque el salto que facilitan estos sistemas ocurre sobre todo al principio. Ayudan a levantar prototipos, probar funciones y poner en marcha una app con menos barreras, como ya ocurre en entornos para crear apps con lenguaje natural.
Luego llega la parte menos visible y mucho más lenta. El control de calidad, la revisión del código y el despliegue siguen dependiendo de procesos manuales que frenan especialmente a quienes no tienen formación técnica.
El cuello de botella no está en escribir, sino en terminar
Ahí aparece una segunda contradicción. Nunca había sido tan fácil empezar a programar una aplicación y, al mismo tiempo, sigue siendo difícil llevarla hasta una versión estable que pueda publicarse y mantenerse sin sobresaltos.
Linus Torvalds, creador de Linux, ha descrito esa tensión con bastante crudeza.
"La IA será una herramienta, y hará que la gente sea más productiva. Creo que el vibe coding es genial para lograr que la gente comience a programar. Creo que [el código que genere] va a ser algo horrible de mantener... así que no creo que los programadores desaparezcan. Aún querrás tener a gente que sepa cómo mantener el resultado." - Linus Torvalds, creador de Linux
Su observación encaja con lo que detectó el MIT. El problema no consiste solo en generar líneas de código, sino en hacerse cargo de ellas cuando aparece el trabajo menos vistoso, desde depurar fallos hasta revisar si la app aguanta fuera del entorno de prueba.
De hecho, el auge de estos agentes también ha empezado a dejar otra factura menos visible. El consumo de tokens ha encendido alertas en empresas como Uber y Microsoft, un recordatorio de que automatizar tareas no siempre abarata el proceso completo.
Las empresas ya reparten el trabajo entre modelos caros y baratos
Por eso empieza a imponerse un modelo híbrido. Los agentes en la nube, como Claude Opus 4.8, se reservan para la planificación, mientras modelos más económicos o locales asumen la escritura del código.
Esa división del trabajo recuerda a una vieja lección industrial que Demirer rescata para explicar el momento actual. Durante la revolución industrial, la productividad no subió cuando se instalaron grandes motores eléctricos en las fábricas, sino décadas después, cuando cada puesto recibió su propio motor y la organización entera cambió.
La comparación no gira alrededor de la potencia bruta de una herramienta, sino de cómo obliga a reorganizar el trabajo. Algo parecido asoma ya en el uso de agentes para programar apps completas, donde el debate deja de ser si la IA escribe código y pasa a ser quién revisa, corrige y asume el coste final.
El dato más revelador no está en cuántas apps nuevas aparecen, sino en cuántas consiguen cruzar la última milla. Ahí, entre revisiones manuales, costes de tokens y mantenimiento, la abundancia de software sigue sin traducirse en más negocio.