La integración de agentes de IA en la ingeniería de software ha introducido un cambio en la forma en que se estructura el trabajo. En lugar de completar una única tarea lineal, como una funcionalidad o la corrección de un error, los ingenieros ahora suelen gestionar múltiples agentes que funcionan en paralelo. Cada agente puede estar realizando una función diferente, como implementar un cambio, investigar un problema en producción o realizar investigaciones. Aunque estos agentes no requieren supervisión constante, regresan periódicamente con preguntas, planes para su aprobación o diferencias de código que requieren intervención humana. Esto crea una nueva forma de fatiga mental: la necesidad constante de cambiar de contexto entre diferentes problemas, repositorios y conjuntos de decisiones.
Los datos del historial de GitHub de un líder tecnológico ilustran este cambio. Durante los años que pasó como Principal Engineer y Vicepresidente de Tecnología, sus niveles de actividad fueron relativamente bajos, ya que sus funciones se centraban en la arquitectura y la planificación. Sin embargo, desde la adopción generalizada de agentes de IA en 2026, sus recuentos de contribuciones han vuelto a los niveles altos que se veían durante sus primeros años como ingeniero full-stack. Este aumento se atribuye al hecho de que, cuando la implementación se vuelve 'barata' a través de la IA, desaparece la fricción natural que anteriormente limitaba el alcance de los proyectos. Esto permite la búsqueda de más ideas, más experimentos y más correcciones de errores que habrían sido demasiado costosas en tiempo para intentar manualmente.
El gráfico ilustra el cambio de una actividad más baja durante los roles de liderazgo a un alto volumen de contribuciones permitidas por la implementación 'barata' de la IA.
Esta mayor capacidad conduce a un ciclo de 'ráfagas' y posterior agotamiento. Un nuevo modelo o flujo de trabajo hace posible un nuevo conjunto de tareas, lo que lleva a un período de alta actividad a medida que se abren simultáneamente muchos agentes y hilos nuevos. Eventualmente, la carga cognitiva de revisar estos resultados y gestionar los flujos de trabajo paralelos conduce a un período de repliegue. Esta dinámica sugiere que, si bien la IA puede automatizar tareas mundanas, también puede expandir el volumen total de trabajo que un individuo se siente capaz de emprender. El compromiso es un cambio del agotamiento por el trabajo manual al agotamiento por la supervisión de alto volumen y el cambio de contexto constante, donde el desafío principal ya no es el esfuerzo de ejecución, sino el ancho de banda mental requerido para gestionar el alcance expandido de posibilidades.
Sigue siendo incierto cómo esta tendencia afectará la sostenibilidad de la carrera a largo plazo o si las estructuras organizativas se adaptarán a este aumento de producción. Además, aunque la fuente principal se centra en la experiencia personal de un líder tecnológico, el impacto de estos ciclos de 'implementación barata' puede variar significativamente dependiendo del rol específico de un individuo, la calidad de las herramientas de IA utilizadas y las demandas específicas de su empleador.
Una limitación notable de esta observación es que se basa en la actividad de GitHub autoinformada, que refleja contribuciones privadas e iniciativa personal en lugar de una métrica estandarizada de productividad organizacional. Además, la experiencia resalta una lucha personal con el equilibrio; a medida que la capacidad de implementar ideas crece más rápido que la capacidad de pensar en ellas, el desafío se convierte en decidir qué tareas valen la energía mental de la supervisión.