Google: el 75% del código nuevo lo propone la IA y abre preguntas sobre seguridad

Google dijo en su presentación trimestral que el 75% del código nuevo que aparece en sus repositorios tiene origen en propuestas generadas por inteligencia artificial, aunque solo el 25% de ese código termina integrado en producción (según Sundar Pichai, citado por iProfesional, 28/4/2026). Esa es la cifra que ocupa titulares, pero la explicación detrás importa más: la IA propone; los humanos deciden.

¿Qué dijeron exactamente y qué conviene leer entre líneas?

Google habla de dos porcentajes: 75% del "código nuevo" viene de propuestas de IA y 25% del total es lo que finalmente se produce y se integra, siempre según la presentación citada por iProfesional (28/4/2026). Ojo que eso no significa que las máquinas programen sin supervisión: la compañía afirma que la revisión humana es obligatoria. Si se interpreta el dato en contexto, implica que aproximadamente un tercio de lo que la IA propone termina aprobado (25/75 ≈ 33%), lo que sugiere altas tasas de descarte o reescritura. Esa relación entre generado y producido es la que define el verdadero impacto: si se generan millones de líneas, revisar con rigor demanda herramientas y procesos distintos a los usados hasta ahora.

¿Cómo afecta esto al trabajo del programador argentino?

La adopción masiva de sugerencias automatizadas cambia la rutina, no necesariamente el rol. Herramientas que aceleran tareas repetitivas pueden liberar tiempo para diseño y revisión; también pueden crear expectativas de velocidad que empujan a integrar código sin pruebas suficientes. En la industria global vimos movimientos similares tras el lanzamiento de GitHub Copilot (2021) y la aparición pública de modelos como ChatGPT (2022), que aceleraron la adopción de asistentes de código en equipos (GitHub, OpenAI). Además, plataformas de conocimiento técnico reaccionaron: por ejemplo, Stack Overflow aplicó en 2023 políticas duras sobre contenido generado por IA por problemas de exactitud (Stack Overflow Meta, 2023). Para desarrolladores locales esto implica: capacitarse en revisión de propuestas de IA, exigir trazabilidad de prompts y cuidar el testing antes de mergear a main.

¿Por qué hay que tener cuidado con el código que sugiere una IA?

La principal razón es que los modelos no son infalibles: "alucinan" funciones, confunden sintaxis entre lenguajes o recomiendan bibliotecas obsoletas. El artículo cita casos concretos, como el fallo en la app del desarrollador 'Goobix', donde una sugerencia de IA introdujo una lógica defectuosa que pasó semanas sin detectarse (iProfesional, 28/4/2026). Además, las vulnerabilidades pueden ser sutiles: código que compila pero deja puertas abiertas para ataques. La deuda técnica es otra amenaza real: soluciones funcionales pero poco elegantes o documentadas suben el costo de mantenimiento. Por eso es clave combinar análisis estático, pruebas unitarias y code review humano; confiar solo en que la IA "funciona" es jugar con la seguridad del producto.

Qué conviene hacer: pasos prácticos para empresas y desarrolladores

Recomendamos prudencia y pasos concretos: 1) exigir registro de origen de cada propuesta (qué prompt, qué modelo), 2) integrar tests automáticos que ejecuten cobertura mínima antes de aceptar cambios, 3) habilitar revisiones humanas obligatorias y listas de chequeo de seguridad, 4) auditar dependencias sugeridas por la IA y 5) capacitar equipos en análisis de hallazgos de modelos. Para las empresas argentinas, además, conviene documentar los acuerdos con proveedores de IA (SLA, responsabilidades) y actualizar políticas internas de seguridad. No es cuestión de frenar la herramienta: es de imponer controles. Recomendamos prudencia: verificar trazabilidad, exigir transparencia y no externalizar la responsabilidad del código en una 'caja negra' llamada IA.