La semana pasada, The Pragmatic Engineer publicó un análisis detallado de cómo Uber usa IA en su desarrollo. No es un artículo de opinión. Son datos internos de una organización de 5,000 ingenieros, compartidos por Praveen Neppalli Naga, CTO de Uber.

Los números: 92% de los ingenieros usan agentes cada mes. Entre el 65% y 72% del código escrito en IDEs es generado por IA. El 11% de los pull requests los abre un agente — sin que un humano escriba una sola línea.

Esto no es un piloto. No es un equipo experimental. Es cómo funciona la ingeniería de producción en Uber hoy.

Uno de cada diez PRs sin que nadie escriba una línea

Vamos a los datos concretos.

Uber tiene más de 5,000 ingenieros. El 92% usa herramientas de IA con agentes cada mes. El 84% ya trabaja con flujos agénticos — es decir, no solo recibe sugerencias de autocompletado, sino que delega tareas completas a un agente.

El resultado medible: entre el 65% y 72% del código escrito desde herramientas como Cursor o IntelliJ es generado por IA. Y más allá de los IDEs, Uber construyó Minion — una plataforma interna de agentes con acceso completo al monorepo — que ya abre el 11% de todos los pull requests. Sin autor humano.

Para ponerlo en proporción: de cada diez PRs que entran al flujo de revisión en Uber, al menos uno no fue escrito por nadie. Fue generado, probado y propuesto por un agente.

Y el costo de esta infraestructura no es trivial. Los gastos en IA de Uber se multiplicaron por 6 desde 2024. Pero claramente, la decisión ya está tomada: la inversión va hacia agentes, no hacia más ingenieros haciendo trabajo que un agente puede hacer.

El autocompletado ya murió. Bienvenido al agente

Dentro de Uber, el dato más revelador no es cuánto código genera IA. Es la velocidad a la que los agentes están reemplazando al autocompletado.

En diciembre de 2025, el 32% de los ingenieros de Uber usaba Claude Code. Dos meses después, en febrero de 2026, esa cifra saltó a 63%. Se duplicó. Mientras tanto, las herramientas de autocompletado clásicas — las que sugieren una línea a la vez dentro del editor — se estancaron.

Esto no es un patrón exclusivo de Uber. La encuesta de The Pragmatic Engineer a 906 ingenieros confirma la misma tendencia a nivel global: Claude Code pasó de no existir a ser la herramienta de IA más usada en solo 8 meses. El 55% de los encuestados ya usa agentes de forma regular. Entre ingenieros Staff+ y superiores, esa cifra llega a 63%.

La conclusión es inevitable: ya no hablamos de un “copiloto” que sugiere código línea por línea. El juego ahora es “agente con contexto completo del codebase”. Si tu empresa solo desplegó autocompletado, esa inversión ya se quedó atrás.

No digo que el autocompletado no sirva. Digo que ya no es suficiente. Es como haber comprado walkie-talkies justo antes de que salieran los teléfonos celulares. Funciona. Pero el resto del mercado ya se movió.

Si tu equipo todavía debate si adoptar Copilot o Cursor para sugerencias en línea, mientras los ingenieros de Uber ya le delegan tareas completas a un agente, la brecha de capacidad se está ampliando más rápido de lo que parece.

La adopción silenciosa (y por qué tu CTO puede no verla)

Hay un detalle en los datos de Uber que vale más que cualquier gráfica.

La adopción más fuerte no viene de programas top-down. No viene de mandatos del CTO ni de talleres de capacitación. Viene de ingenieros que experimentan en silencio y envían código en silencio. Prueban un agente, ven que funciona, lo incorporan a su flujo diario, y siguen adelante. Nadie les pidió que lo hicieran. Nadie les preguntó si lo estaban haciendo.

Esto es adopción sombra de IA. Y tiene las mismas características que la shadow IT de hace una década: sin gobernanza, sin estándares, sin visibilidad.

La diferencia es que la shadow IT era instalar Dropbox sin permiso. La shadow AI es que el 70% del código en tu repositorio lo escribió un agente y tu proceso de code review fue diseñado para evaluar código escrito por humanos.

Si tus reviewers no saben distinguir entre un PR escrito por una persona y uno generado por un agente, no pueden aplicar criterios diferenciados. Si tu sistema de métricas atribuye productividad por commits, estás midiendo la velocidad del agente y confundiéndola con la del ingeniero. Si tu proceso de calidad da por hecho que detrás de cada decisión de arquitectura hay una persona que la pensó, estás ignorando que una parte cada vez mayor de tu código ya no se piensa — se genera.

Los procesos de revisión de código necesitan actualizarse para un mundo donde una fracción significativa del código no la escribió un humano. Uber ya lo sabe. Construyó uReview, un sistema que filtra comentarios de revisión por señal útil, y analiza más del 90% de sus ~65,000 diffs semanales. Tu empresa probablemente no tiene nada equivalente.

Qué debería hacer una empresa B2B con 200 ingenieros

No voy a decirte que necesitas construir lo que Uber construyó. Uber tiene un equipo de plataforma de desarrollador dedicado, presupuesto para multiplicar sus costos de IA por 6, y la escala para justificarlo. Tu empresa probablemente no.

Pero hay tres cosas que sí puedes hacer esta semana:

Mide lo que no puedes ver. Haz una encuesta interna: ¿qué porcentaje de tu equipo usa agentes? ¿Qué herramientas? ¿Qué proporción del código que envían fue generado vs. escrito manualmente? Uber tiene dashboards para esto. Tú puedes empezar con un formulario de 5 preguntas. Lo importante es tener un número base. Si no mides, cualquier decisión que tomes sobre IA en ingeniería la estás tomando con los ojos cerrados.

Mueve inversión de autocompletado a agentes. Si tu presupuesto de herramientas de IA está en licencias de Copilot para sugerencias en línea, evalúa si esa inversión debería moverse hacia herramientas con capacidad de agente completo. Los datos de Uber y de la encuesta de PE lo dejan claro: los verdaderos saltos de productividad vienen de delegar tareas a agentes, no de recibir sugerencias de autocompletado. No es que el autocompletado sea malo — es que el retorno marginal ya no crece.

Asigna a una persona responsable de gobernanza de IA en ingeniería. No un comité. No un grupo de trabajo. Una persona que entienda tanto el proceso de ingeniería como los riesgos del código generado por agentes. Alguien que pueda responder: ¿qué porcentaje de nuestro código es generado por IA? ¿Nuestro process de revisión está adaptado? ¿Tenemos trazabilidad? En nuestra experiencia en IQ Source, este rol de operador de agentes es el que más falta hace en empresas medianas que ya tienen adopción real pero cero visibilidad.

El costo de esperar ya tiene datos

Hace un año, la objeción razonable era: “Tal vez es muy temprano”. Hace seis meses: “Los datos son de Big Tech, no aplican a mi empresa”.

Ahora tenemos: 92% de adopción mensual en Uber. 84% trabajando con flujos agénticos. El 55% de 906 ingenieros encuestados por The Pragmatic Engineer ya usa agentes de forma regular — y esa cifra sube a 63% entre los más senior.

No estamos hablando de early adopters. Esto ya es cómo se construye software profesionalmente.

La pregunta ya no es si los agentes funcionan. La pregunta es: ¿cómo gobiernas los agentes que tus ingenieros probablemente ya están usando?

---

Si no sabes qué porcentaje del código que tu equipo envía cada semana fue escrito por un agente, esa es la primera brecha que podemos cerrar. En IQ Source hacemos una auditoría de madurez de ingeniería IA en dos semanas: medimos adopción real, identificamos riesgos de gobernanza y te entregamos un plan concreto. Conversemos.