La promesa está en todas partes: con agentes de IA, los equipos de desarrollo construyen productos digitales 10x más rápido. Lo que casi nadie pregunta es qué pasa del otro lado. Si cada empresa de software produce diez veces más, ¿quién comprará diez veces más?
En las últimas semanas leí tres textos que, juntos, ayudan a responder esa pregunta en dos planos: el Product Operating Model (cómo construimos y decidimos) y el mercado. No están de acuerdo entre sí, y justamente por eso vale la pena leerlos en conjunto y unir los puntos.
La presión es real
El primero es el manifiesto de ingeniería de Proton, escrito por su CTO, Bart Butler, como memo interno y publicado a comienzos de noviembre. Su diagnóstico: usar LLMs para acelerar los flujos de trabajo actuales (lo que llama «fase 1») no movió la aguja de la productividad. Para Butler, hay que pasar a la «fase 2»: rediseñar todo el ciclo de desarrollo.
La lógica detrás es teoría de restricciones. Cuando se elimina un cuello de botella, aparece otro: CI, diseño, specs, aprobaciones, code review. La respuesta de Butler es seguir eliminándolos. Incluso predice que la mayor parte del code review humano va a desaparecer y que el ingeniero pasará a ser un líder cuyo equipo estará formado por agentes.
Me parece un texto valioso porque describe lo que hoy sienten muchos CTOs. Pero su foco está en optimizar una sola cosa: la oferta.
Lo que perdemos adentro
John Cutler lo planteó así en su newsletter The Beautiful Mess: decir que «el cuello de botella se movió» es demasiado simplista. Ese cuello de botella también podía funcionar como una restricción habilitante, un concepto de Cynefin, el framework de Dave Snowden. Lo lento, lo molesto, lo que nos frenaba, también nos obligaba a prestar atención.
Sus ejemplos son conocidos. Las rondas de revisión de un documento, que daban un par de días para pensar antes de enviarlo. El pairing, que ampliaba el entendimiento del equipo. Y su propia experiencia: salir de una llamada con un cliente y ver el cambio desplegado una hora después es magia, pero se pierden las preguntas que aparecían en el camino. ¿Vale la pena? ¿Es lo que el cliente quiso decir? ¿Este diseño aguanta a largo plazo?
Lo más interesante estuvo en los comentarios, tanto en LinkedIn como en Substack. Dave Hora lo resumió así: podemos cambiar la situación mucho más rápido de lo que evoluciona nuestro entendimiento de ella. Y Sylvain Levy hizo la pregunta que el artículo deja un poco abierta: ¿cómo distinguir, antes de eliminarla, la lentitud que hacía el pensamiento de la que era solo lentitud?
Juntando lo que aportaron varios comentarios, mi respuesta es que una fricción vale la pena conservar, o rediseñar, si cumple al menos una de estas cuatro funciones:
- Da tiempo para entender antes de construir. Dejar asentar las ideas y cuestionar los supuestos: la decisión madura antes de ejecutarse.
- Obliga a cruzar perspectivas. Depender de otros forzaba conversaciones entre funciones que ahora hay que provocar a propósito.
- Hace explícita la intención antes de construir. Escribir los criterios de aceptación tomaba tanto tiempo que alguien notaba que la historia no tenía sentido.
- Mantiene un contraste independiente. Abhishek Pan resaltó un riesgo: si la misma transcripción genera el ticket y el código, la revisión ya no detecta errores, porque los dos artefactos coinciden entre sí aunque ambos hayan entendido mal al cliente.
Estas cuatro funciones nos dan un criterio para revisar las fricciones que tenemos y las que estamos eliminando: ¿qué nos ayudan a entender, discutir, aclarar o comprobar?
Si una fricción no cumple ninguna de las cuatro, probablemente sea burocracia, y se puede eliminar sin culpa. Tanya Trushnikova lo resumió así: prefiere conservar las conversaciones que atrapaban malas ideas y perder las cinco rondas de aprobación.
La oportunidad está en quitar demoras y preservar los mecanismos que nos ayudan a decidir qué vale la pena construir.
Lo que no escala afuera
El tercer texto es de Rich Mironov, y responde la pregunta del comienzo. Supongamos que de cada 10 productos nuevos, unos 4 llegan al punto de equilibrio. Si construimos 100 en lugar de 10, seguimos teniendo más o menos 4 ganadores, porque los presupuestos de los clientes no crecerán 10x. La tasa de fracaso pasaría entonces del 60% al 96%.
Mironov suma restricciones que ningún agente elimina. Los clientes empresariales ya tardaban años en adoptar mejoras, y diez veces más cambios podrían desestabilizarlos. Un equipo comercial puede impulsar dos o tres lanzamientos grandes por trimestre. Lo fácil de construir termina siendo una funcionalidad de un producto, con fuerte presión sobre el precio. Y cada producto lanzado es una obligación de soporte que dura hasta que cancela el último cliente.
Su frase central: el éxito es adopción, no disponibilidad.
A esta mirada se suma la de Aníbal Rojas, que usa el mismo marco que Cutler, Cynefin, para analizar el costo. Una PoC puede costar casi cero porque es una simplificación. En producción, el sistema se vuelve complicado y después complejo, y el costo de mantenerlo crece de forma no lineal, haya tokens o no. Si además fue vibecoded, el riesgo es caer directamente en lo caótico.
Construir diez veces más es también comprometerse a sostener diez veces más.
El hilo común
Proton optimiza la oferta. Cutler y Mironov muestran dos restricciones que la IA no elimina, y las dos son humanas: la velocidad de entender, adentro, y la velocidad de adoptar, afuera.
Hay una conexión que me parece especialmente importante. Cuando construir software era lento, esa limitación también funcionaba como filtro de portafolio: obligaba a elegir las 10 mejores apuestas. Sin ese filtro, la tentación es construir las 100, y ahí la aritmética de Mironov se vuelve muy difícil de evitar.
La fricción no solo daba tiempo para pensar dentro del equipo: también obligaba a priorizar en la empresa.
Es el build trap de Melissa Perri, multiplicado por diez.
Desde el lado técnico hay una objeción válida a esta aritmética: construir barato no es lo mismo que lanzar al mercado. Con agentes de IA, lo primero que se abarata es probar: prototipos funcionales, versiones para pocos clientes, experimentos detrás de feature flags. Construir 100 experimentos y descartar 96 en pocas semanas no es un fracaso; es discovery con software real. El riesgo no está en experimentar más, sino en lanzar y sostener más sin haber validado.
Qué hacer
La presión que describe Proton es real. Adoptar IA exige revisar cómo trabajamos. Propongo dos preguntas para orientar ese rediseño.
Antes de eliminar un cuello de botella: ¿qué función cumplía? Si cumplía alguna de las cuatro, necesitamos preservar esa función, aunque cambie el mecanismo.
Antes de construir: ¿deberíamos construirlo, para quién, a qué precio y por qué canal? Es la pregunta de Mironov, y no es exclusiva del PM: con agentes de IA, responderla es una responsabilidad compartida de la tríada de producto.
Para las empresas de software de la región que todavía venden horas, esto es más urgente. Si construir se vuelve un commodity, saber construir rápido deja de ser un diferenciador. Gana peso la capacidad de entender al cliente, el problema y el ritmo al que el mercado puede cambiar.
Con agentes de IA, la velocidad dejó de ser escasa. La dirección, no.
Lecturas
- Proton’s AI manifesto for software engineering, Bart Butler
- TBM 450: The Loss of Positive Friction, John Cutler
- 10x coding speed won’t 10x revenue, Rich Mironov
- Post de Aníbal Rojas sobre el costo de generar software

