# dora-google-cloud-roi-ai-assisted-software-development-j-curve-2026-04-21

## Veille

Informe conjunto **DORA × delta** (Google Cloud Professional Services), 60 páginas, versión **v. 2026.1** (citas de febrero de 2026, PDF creado el 21 de abril de 2026), licencia **CC BY-NC-SA 4.0** — el primer framework oficial de **ROI de DORA** dedicado a la IA en el SDLC, con una **calculadora interactiva** en dora.dev/ai/roi/calculator. Tesis central: ***"AI is an amplifier"*** — la IA **amplifica** simultáneamente las fortalezas de las organizaciones de alto rendimiento y las disfunciones de las organizaciones en dificultades; no crea rendimiento, lo **multiplica allí donde ya existe**. Nuevo concepto central: la ***J-Curve of AI value realization*** — toda adopción de IA atraviesa una **caída temporal de la productividad** (curva de aprendizaje + impuesto de verificación + adaptación del pipeline) antes de un **crecimiento exponencial**, una metáfora del *"coste de escolaridad de la transformación"* que debe **presupuestarse explícitamente**. Cálculo de referencia: organización de 500 ETC / salario totalmente cargado de 176.000 $ / 12,5 % de tiempo ahorrado por desarrollador (≈ 1 h en una jornada de 8 h) → **valor 11,6 M$ / inversión 8,4 M$ / ROI 39 % / periodo de recuperación 8 meses (0,7 año)**. Costes modelizados: licencias (250 $/usuario/año), API adicional (80 $/usuario/año), formación (9.600 $/usuario/año), infraestructura (100.000 $/año), coste de la curva en J (3,3 M$ por una caída del 15 % durante 3 meses). Valor modelizado: **capacidad de reinversión de la plantilla** (11 M$ — capacidad liberada para reinvertir, **NO reducción de plantilla**), ingresos por despliegues de funciones adicionales (990.000 $, basado en una tasa de éxito de ideas del 33 %, Larsen 2023), **impacto negativo de las interrupciones** (−344.000 $, «impuesto de inestabilidad»). **Estrategia de reinversión explícita**: ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvertir en innovación, retener el talento, capitalizar el conocimiento institucional. Cinco pilares del valor: Productividad / Experiencia de usuario / Eficiencia de costes / Experiencia del desarrollador / Crecimiento del negocio (del más directo al más indirecto, *valor de negocio acumulado*). Cinco claves sistémicas de adopción: **Confianza + Plataforma + Datos + Usuarios + Barreras de protección**. Hoja de ruta en dos fases: (1) **Construir la capa de contexto (CapEx)** — IDP de calidad + ecosistemas de datos saludables; (2) **Empoderar al humano en el bucle (OpEx)** — context engineering + confianza en la IA. Indicadores: adelantados = frecuencia de experimentación + frecuencia de despliegue; indicador de estabilidad = tasa de fallos de cambio + retrabajo. Tres escenarios a modelizar (Conservador 0,8 valor × 1,5 coste / Realista 1,0 / Optimista 1,2 × 0,8). Datos externos movilizados: el 78 % de los directivos declara ROI en ≥1 caso de uso de IA generativa (Google Cloud), el 88 % de los adoptantes tempranos de IA agéntica constata un ROI positivo, **productividad del 35-40 % en greenfield frente a ≤10 % en brownfield/legado** (Stanford), coste de inferencia dividido por 280 entre noviembre de 2022 y octubre de 2024 (Stanford AI Index 2025), **ROI del 727 % en 3 años** para los clientes de IA de Google Cloud, periodo medio de recuperación de la IA en el mercado de **8 meses**. Debilidades reconocidas: *"all models are wrong"* — el modelo necesita contextualizarse, la calculadora necesita ajustarse; riesgo de doble contabilización del valor (tiempo ahorrado → tanto contratación evitada COMO ingresos adicionales); un vínculo «laxo» con la experiencia de usuario, por lo que queda excluido de la calculadora. **Perspectiva deontológica**: ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — se mide por los cuellos de botella eliminados, no por el volumen de código. **Relevancia mayor** para CIO/CTO que necesitan construir un business case de IA defendible ante un CFO/consejo de administración; para Francia/Europa, a articular con Wescale (X3-X4 realista), Tatsyi/Raiffeisen Bank Ukraine (caso de estudio bancario, −75 personas pero reinversión deliberada), Frizzo (mediana de 3-5×), Curran/Intercom (3× I+D en 16 meses), DORA Report 2025 (sobre el que se apoya este ROI).

## Titre Article

The ROI of AI-assisted Software Development

## Date

2026-04-21

## URL

https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development

## Keywords

DORA ROI of AI-assisted software development, informe Google Cloud DORA 2026.1, curva en J de la materialización del valor de la IA, AI is an amplifier, el código es un pasivo no un activo, coste de escolaridad de la transformación, curva de aprendizaje impuesto de verificación adaptación del pipeline, cinco pilares del valor Productividad Experiencia de usuario Eficiencia de costes Experiencia del desarrollador Crecimiento del negocio, capacidad de reinversión de la plantilla, no adoptar una estrategia de reducción de plantilla, impuesto de inestabilidad, ROI 39% periodo de recuperación 8 meses, calculadora de ejemplo 500 ETC salario 176k 12,5 por ciento de tiempo ahorrado, caída de productividad de la curva en J 15% tres meses, tasa de éxito de ideas un tercio, 0,5 por ciento de impacto en ingresos por función exitosa, tasa de fallos de cambio 5 a 6 por ciento, lead time de cambios frecuencia de despliegue, rendimiento frente a inestabilidad, cinco claves sistémicas de adopción Confianza Plataforma Datos Usuarios Barreras de protección, construir la capa de contexto CapEx empoderar al humano en el bucle OpEx, frecuencia de experimentación indicador adelantado, opcionalidad prima de opción valor de opción, plataforma interna de desarrolladores IDP como producto, datos internos accesibles para la IA, ecosistemas de datos saludables, calidad de la documentación, context engineering, confianza en la IA, postura clara y comunicada sobre la IA, enfoque centrado en el usuario, trabajar en lotes pequeños control de versiones automatización de pruebas integración continua, planificación de escenarios conservador realista optimista, multiplicador de valor multiplicador de coste, brownfield 10 por ciento frente a greenfield 35-40 por ciento de productividad, coste de inferencia dividido por 280 Stanford AI Index, 727 por ciento de ROI Google Cloud AI tres años, 78 por ciento de directivos con ROI en un caso de uso de IA generativa, 88 por ciento de adoptantes tempranos de IA agéntica con retornos positivos, economía sumergida de IA MIT NANDA, GenAI Divide State of AI in Business 2025, era agéntica, agentes autónomos transformación de extremo a extremo, no medimos la IA por el código que escribe sino por los cuellos de botella que elimina, todos los modelos son erróneos pero útiles, liberar plantilla reinvertir en innovación, la entrega de software como motor de valor, retener y formar el conocimiento institucional, coste de gobernanza frente a desplazamiento del coste de inferencia, Google Cloud delta team, Eva Dong, Andre Ellis Jr., Nathen Harvey, Vivian Hu, Ursula Lübbert-Passing, Eric Maxwell, Aaron Wanjala, dora.dev/ai/roi/calculator, CC BY-NC-SA 4.0

## Authors

Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan), **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA), **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know), **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development), **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects), **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA), **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose, Eric Lam, Matt Orr, Allison Park, Ryan J. Salva, Jerome Simms, Dave Stanke, Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0**, version v. 2026.1, citations retrieved February 2026.

## Ton

**Perfil**: informe-framework del **equipo delta de Google Cloud DORA**, 60 páginas, un **documento de referencia para responsables de decisión** (CTO / CIO / CFO / VP Engineering / consejos de administración), publicado bajo licencia Creative Commons CC BY-NC-SA 4.0 para permitir la adopción y la adaptación interna. Formato híbrido entre un **whitepaper de proveedor** (metodología, calculadora), un **informe de investigación DORA** (continuidad con el State of AI-assisted Software Development 2025) y un **kit de herramientas financiero** (fórmulas, escenarios, calculadora interactiva). Público objetivo primario: líderes de ingeniería y finanzas que necesitan **construir un business case de IA defendible ante un CFO o un consejo de administración**. Público secundario: patrocinadores de la transformación, comunidades CTO/CIO, firmas de consultoría, equipos de Value Realization y FinOps.

**Estilo**: voz institucional DORA, inglés claro, **pedagógico-prescriptivo** sin ser condescendiente. Alta densidad de cifras pero **siempre enmarcadas por advertencias metodológicas explícitas** — ***"all models are wrong"*** se cita ya desde la introducción de la calculadora. **Registro honesto sobre la incertidumbre**: Google Cloud documenta **tres perspectivas de mercado** (positiva / neutral / pesimista) en lugar de imponer una única narrativa; documenta **las limitaciones de la calculadora**; reconoce que el vínculo entre la experiencia de usuario y los ingresos es *"laxo"* y fue **excluido del cálculo**. Sin hype: se trata de un **rigor de nivel consultoría** aplicado a un tema narrativamente saturado.

**Aforismos clave**:
- ***"AI is an amplifier"*** (la tesis central — la metáfora pivote del documento).
- ***"AI magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."***
- ***"Code is often seen as a liability, not an asset."*** (cita de Software Engineering at Google, Winters/Manshreck/Wright 2020).
- ***"We don't measure AI by the code it writes but by the bottlenecks it clears."*** (fórmula de medición ético-deontológica).
- ***"All models are wrong, but we hope this one proves useful."*** (lucidez metodológica reconocida).
- ***"The tuition cost of transformation."*** (la metáfora de la curva en J que estructura la comunicación financiera).
- ***"We strongly recommend organizations do not adopt a headcount-reduction strategy."*** (posición normativa explícita — la productividad liberada debe **reinvertirse**, no recortarse).

**Metáforas elaboradas**:
- ***J-Curve of AI value realization*** — una metáfora visual que **hace financieramente legible** un fenómeno no lineal (caída temporal antes del crecimiento exponencial). Una metáfora especialmente útil para CFO/consejos de administración que necesitan **validar la estrategia durante la caída** sin entrar en pánico.
- ***Tuition cost of transformation*** — la inversión inicial es **escolaridad**, no una pérdida. Un marco semántico que convierte la deuda en inversión educativa.
- ***AI as amplifier*** — la IA no es una **herramienta** en el sentido clásico, es un **multiplicador** que actúa sobre el estado preexistente del sistema. Rompe la narrativa «IA = solución».
- ***Verification tax*** — el coste oculto de revisar/verificar el código generado, gravado sobre el tiempo ahorrado en la generación. Un concepto clave que explica que las ganancias aparentes no son netas.
- ***Free headcount*** — la capacidad liberada por la productividad = equivalente a una plantilla adicional que asignar a otro lugar. Una metáfora RR. HH./finanzas para enmarcar la **reasignación** en lugar de la **reducción**.
- ***Optionality / option premium / option value*** — tomado de las finanzas de derivados: cada experimento es una opción de bajo coste que solo se «ejercerá» si demuestra su valor. **Enmarca la experimentación como una cartera de opciones de bajo coste**.
- ***We don't measure AI by the code it writes but by the bottlenecks it clears*** — redirige la métrica lejos del **volumen de código** (una métrica de vanidad, incluso tóxica ya que *el código es un pasivo*) hacia la **eliminación de cuellos de botella**.

**Postura epistémica**: **rigor metodológico** ejemplar + **lucidez sobre la incertidumbre**. Tres marcadores:
1. **Tres perspectivas** (positiva / neutral / pesimista) sobre el ROI de la IA en el mercado — Google Cloud documenta la pesimista (economía sumergida de IA de MIT NANDA) **sin minimizarla**.
2. **Nota metodológica repetida**: *"high-uncertainty estimate meant to spark a conversation, rather than a rigid mathematical formula"*.
3. **Recomendaciones excluidas de la calculadora** cuando el vínculo es débil (p. ej., retención de desarrolladores, experiencia de usuario a ingresos) — prefiere una estimación conservadora a una cadena causal frágil.

**Autoridad**: construida a partir de (a) el **linaje DORA** (continuidad desde el ROI of DevOps Transformation de 2020 → State of AI-assisted Software Development 2025 → DORA AI Capabilities Model → ROI of AI 2026), (b) el **rigor del framework** (fórmula simple ROI = (Valor − Inversión) / Inversión, una calculadora abierta y adaptable), (c) la **convergencia con datos más amplios de Google Cloud** (78 % de directivos, 88 % de adoptantes agénticos, 727 % en 3 años, recuperación de 8 meses), (d) el **equipo delta cofirmante**, Google Cloud Professional Services (autoridad en transformación operativa).

## Pense-betes

- **Fecha / fuente**: **21 de abril de 2026** (metadatos CreationDate del PDF), versión **v. 2026.1**, citas recuperadas en febrero de 2026. Alojamiento: https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development. PDF directo: https://services.google.com/fh/files/misc/dora-roi-of-ai-assisted-software-development-2026.pdf
- **Formato**: informe-framework del equipo DORA × delta, **60 páginas**, bajo licencia **CC BY-NC-SA 4.0**, con una **calculadora interactiva** en https://dora.dev/ai/roi/calculator
- **Autores principales**: Eva Dong, Andre Ellis Jr., Nathen Harvey (líder del equipo DORA), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
- **Estructura en 7 capítulos**: Resumen ejecutivo → Construir el business case → Comprender la brecha del mercado → Calcular el ROI → Construir la base organizativa → Trazar la hoja de ruta de inversión en IA → Asegurar el ROI a largo plazo → (Agradecimientos / Próximos pasos / Anexo calculadora) ### La tesis central — *AI is an amplifier* > *"Artificial intelligence (AI) serves as a powerful amplifier in software development. It magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."*
- **Implicación 1**: comprar licencias de IA por sí solo **no basta** — *"purchasing licenses alone will not guarantee a financial return"*.
- **Implicación 2**: si la organización tiene cuellos de botella (pruebas manuales, burocracia, datos fragmentados), la IA **acelera** la deuda técnica en lugar de reducirla.
- **Implicación 3**: *"Code is often seen as a liability, not an asset"* (Winters/Manshreck/Wright, *Software Engineering at Google*, 2020) — generar más código **sin supervisión** aumenta la sobrecarga de verificación y la deuda a largo plazo.
- **Implicación 4**: la métrica relevante **no es el volumen de código** sino ***"the bottlenecks it clears"***. ### La curva en J de la materialización del valor de la IA (concepto central) > *"The introduction of a new process almost guarantees an initial negative impact on performance, with the depth of the decline directly correlating to the magnitude of the change."* **Tres motores** de la caída temporal de productividad: 1. **Curva de aprendizaje**: los equipos aprenden nuevas interfaces, adaptan flujos de trabajo, dominan el paso de *prompting → sistemas construidos sobre contexto, intención, especificación*. 2. **Impuesto de verificación**: tiempo dedicado a revisar código generado (desconfianza hacia las alucinaciones + volumen aumentado). 3. **Adaptación del pipeline**: los procesos posteriores (pruebas, aprobación de cambios) deben absorber la nueva velocidad, **exponiendo las limitaciones heredadas**. **Riesgo de gestión**: *"Initiatives often fail not because the technology is flawed but because leadership misinterprets this learning phase as a failure and pulls funding during the inevitable dip."* De ahí la necesidad de **presupuestar explícitamente** la caída para proteger la inversión durante la fase de aprendizaje. ### La calculadora de ejemplo — cifras de referencia | Variable | Valor de ejemplo | |----------|---------------| | Tamaño del personal técnico (ETC) | **500** | | Salario medio totalmente cargado | **176.000 $** (mezcla US; +30 % US, +100 % UE sobre la base) | | Tiempo neto ahorrado por desarrollador | **12,5 %** (~1 h / jornada de 8 h; rango de la literatura de 40-150 min/día) | | Licencia anual de IA / usuario | **250 $** | | Costes anuales adicionales de IA / usuario (API/tokens) | **80 $** | | Coste anual de formación / usuario | **9.600 $** | | Coste adicional de infraestructura | **100.000 $** | | Caída de productividad de la curva en J | **15 %** | | Duración de la curva en J | **3 meses** | | Ingresos de la cartera de productos | **100 M$** | | Coste de las interrupciones / hora | **100.000 $** | | Despliegues actuales / año | 50 | | Tasa de éxito de las ideas | **33 %** (Larsen et al. 2023) | | Impacto en ingresos por función exitosa | **0,5 %** (rango 0,01-1 %) | | CFR actual | 5 % | | CFR objetivo | 6 % (+20 % — *impuesto de inestabilidad*) | | Despliegues objetivo / año | 56 (+12 %) | | Funciones objetivo / año | 56 | | FDRT (tiempo de recuperación de despliegue fallido) | 4 horas | **Resultados de ejemplo**: | | Importe | |--|--| | Costes duros totales (herramientas + formación) | **5.065.000 $** | | Coste de la curva en J | **3.300.000 $** | | **Inversión total del primer año** | **8.365.000 $** | | Capacidad de reinversión de la plantilla | 11.000.000 $ | | Ingresos por despliegues de funciones adicionales | 990.000 $ | | Impacto de las interrupciones (impuesto de inestabilidad) | **−344.000 $** | | **Valor anual total** | **11.646.000 $** | | **Beneficio del primer año** | 3.281.000 $ | | **ROI del primer año** | **39 %** | | **Periodo de recuperación** | **0,7 año (8 meses)** | ### Cinco pilares del valor (valor de negocio acumulado) ``` Productividad → Experiencia de usuario → Eficiencia de costes → Experiencia del desarrollador → Crecimiento del negocio (más directo)                                                  (más indirecto) ```
- **Productividad**: el efecto más directo, mejor confirmado por DORA 2025 (>80 % de los encuestados percibe una ganancia).
- **Experiencia del desarrollador**: retención, menos rotación (coste de reemplazo = 1,5-2× el salario anual). **Excluida de la calculadora base** (vínculo variable).
- **Eficiencia de costes**: contratación evitada (¡no reducción de plantilla!) + ahorros de infraestructura TI.
- **Experiencia de usuario**: rendimiento de la aplicación → compromiso. **Excluida de la calculadora** (vínculo «laxo»).
- **Crecimiento del negocio**: ingresos, conversión. El más aguas abajo, el más difícil de atribuir. ### Cinco claves sistémicas de adopción (base organizativa) 1. **Confianza**: *"clear and communicated AI stance"* — reduce el impuesto de verificación mediante la seguridad psicológica. 2. **Plataforma**: la Internal Developer Platform (IDP) tratada **como un producto** — barreras de protección tanto para desarrolladores como para agentes. 3. **Datos**: datos internos accesibles para la IA + ecosistemas de datos saludables + calidad de la documentación legible por máquina. 4. **Usuarios**: enfoque centrado en el usuario — la velocidad dirigida hacia el valor para el usuario, no hacia el volumen de commits. 5. **Barreras de protección**: gates de seguridad/calidad no opcionales, verificaciones automatizadas, hooks de pre-commit. ### Hoja de ruta de inversión en dos fases | Fase | Tipo de presupuesto | Capacidades | Objetivo | |-------|-------------|--------------|------| | (1) **Construir la capa de contexto** | **CapEx** | IDP de calidad + ecosistema de datos saludable + documentación legible por máquina | Minimizar la fricción de los agentes — *garbage in, garbage out* | | (2) **Empoderar al humano en el bucle** | **OpEx** | Confianza en la IA + context engineering | Los desarrolladores se convierten en *orquestadores de alto nivel* — reducir el impuesto de verificación | | (3) **Validar el progreso** | (indicador) | Adelantados: frecuencia de experimentación + frecuencia de despliegue / Estabilidad: tasa de fallos de cambio + retrabajo | Confirmar la trayectoria de la curva en J | ### Tres escenarios a modelizar | Escenario | Multiplicador de valor | Multiplicador de coste | Hipótesis | |----------|------------------|-----------------|-----------| | **Conservador** | **0,8** | **1,5** | Adopción lenta + sobrecarga de integración oculta | | **Base realista** | 1,0 | 1,0 | Trayectoria estándar | | **Optimista** | **1,2** | **0,8** | Equipo de élite + IDP madura que absorbe las herramientas | ### Datos externos movilizados (evidencia) | Dato | Valor | Fuente | |--------|--------|--------| | Directivos que declaran ROI en ≥1 caso de uso de IA generativa | **78 %** | Google Cloud, *The ROI of AI 2025* | | Adoptantes tempranos que constatan retornos positivos de la IA agéntica | **88 %** | Google Cloud, *The ROI of AI 2025* | | Ganancia de productividad greenfield (simple) | **35-40 %** | Stanford Software Engineering Productivity Research | | Ganancia de productividad brownfield (legado) | **≤10 %** | Stanford | | Reducción del coste de inferencia (nov. 2022 → oct. 2024) | **÷280** | Stanford 2025 AI Index | | Periodo medio de recuperación para herramientas de IA (datos de Google Cloud) | **8 meses** | Google Cloud, *How Businesses Achieve Strong ROI* | | ROI medio para clientes de IA de Google Cloud (3 años) | **727 %** | Google Cloud | | Tasa de éxito de ideas (funciones que aumentan los ingresos) | **~33 %** | Larsen et al. 2023 (metodología de pruebas A/B) | | Coste de reemplazo de un desarrollador | **1,5-2× el salario anual** | RR. HH. estándar | | Sobrecoste del salario totalmente cargado | **+30 % US / +100 % UE** | Sobre el salario base | ### Posición normativa explícita — *no reducir la plantilla* > *"We strongly recommend organizations do not adopt a headcount-reduction strategy, which has a negative impact on morale and organizational culture, can reduce efficiencies, and can even incentivize workers to not improve their work processes. Instead, this effort should be reinvested into new, innovative, or more productive work."* Posición **explícitamente opuesta** a casos como **Tatsyi/Raiffeisen Bank Ukraine** (−75 personas en 12 meses). Tensión productiva: Tatsyi declara una **reasignación deliberada** de la capacidad liberada aun reduciendo la plantilla; DORA recomienda **mantener la plantilla** y reinvertir la capacidad liberada en innovación. Las dos posiciones no son irreconciliables — Tatsyi es retrospectivo sobre una decisión ya tomada, DORA es prescriptivo **a priori** para preservar la moral, el conocimiento institucional y la estructura de incentivos. A utilizar como **eje de discusión** en comités de dirección. ### Conexión con el corpus #### Convergencia sobre «la IA es un amplificador» / «el sistema organizativo >> la herramienta»
- **Tatsyi/Raiffeisen** (2026-05-05): *"AI expanded our production possibility frontier, and we deliberately allocated the freed capacity"* — un análogo exacto de la posición de DORA.
- **Wescale Usine Logicielle Augmentée** (2026-05-03): *gobernanza inyectada como una «capa casi militar»*, X3-X4 realista.
- **Habert PROJ-AI** (2026-05-05): *"technology 20% / team discipline 80%"* — una reformulación directa.
- **Osmani *Cognitive Surrender*** (2026-05-05): 6 barreras de protección organizativas estructurales.
- **MIT NANDA *GenAI Divide*** (2025-08-23): el 95 % de los pilotos de IA no logran generar ROI — citado explícitamente por DORA como una *"perspectiva pesimista"*.
- → **Fuerte convergencia**: la madurez organizativa es el **foso defensivo**, no la herramienta. #### Convergencia sobre «curva en J / coste de escolaridad»
- **Frizzo** (2026-05-05): *"atrofia del músculo de escritura"*, *"el nuevo cuello de botella es la supervisión"* — vive el impuesto de verificación día a día.
- **BCG Brain Fry** (Bedard et al., 2026-03-05): 14 % de brain fry por IA — el coste de aprendizaje del lado humano.
- **Beck *Starving Genies*** (2026-04-03): escasez voluntaria para preservar la práctica manual frente al FOMO de los agentes 24/7.
- → DORA aporta el **marco financiero** de la caída que estos autores documentan cualitativamente. #### Convergencia sobre las ratios de productividad (mediana comprometida de 3-5×)
- **Ejemplo DORA de 12,5 % de tiempo ahorrado** = equivalente a un 1,14× sobre una base de 8 h, **mucho más conservador** que las ratios medianas de 3-5× del corpus 2026.
- **Por qué**: DORA es **conservador por diseño** para defender el caso ante un CFO. Las ratios de los profesionales (Frizzo 3-5×, Wescale X3-X4, Curran 3×, Tatsyi multi-herramienta ×1,5-3 / stack Claude ×4,5) capturan **toda la transformación del oficio** (cambio de alcance, nuevos productos, reasignación de tareas) que la calculadora de DORA no captura — mide *contratación evitada*, no *nuevo espacio de producto*.
- **Stanford 35-40 % greenfield frente a ≤10 % brownfield** citado por DORA: confirma la **distribución desigual** según el contexto técnico.
- → **Lectura correcta**: DORA = **suelo financieramente defendible**; ratios de los profesionales = **techo observado organizacionalmente**. Ambos son ciertos según el alcance de la medición. #### Convergencia sobre «liberar plantilla / reinvertir / no reducir la plantilla»
- **DORA**: *"do not adopt a headcount-reduction strategy"*.
- **Curran/Intercom** (2026-04-16): 3× productividad de I+D **sin reducción masiva** — reasignación interna.
- **Tatsyi/Raiffeisen** (2026-05-05): −75 personas pero con **reasignación deliberada** de la capacidad liberada hacia funciones / estabilidad / deuda técnica.
- → **Tensión productiva**: DORA prescriptivo (no reducir) frente a Tatsyi descriptivo (redujo reasignando). A utilizar para presentaciones **equilibradas**. #### Convergencia sobre «el código es un pasivo»
- **DORA** cita Software Engineering at Google (Winters/Manshreck/Wright, 2020).
- **Cherny** (2026-05): *"100 % del código generado"* — pero con supervisión y compactación.
- **Frizzo** (2026-05-05): *"atrofia del músculo de escritura"* — el coste cognitivo del volumen.
- **Osmani Cognitive Surrender** (2026-05-05): *"PRs de ~100 líneas máximo"* — un límite anti-volumen explícito.
- → ***"más código es peor código"*** es un **hecho estilizado de 2026** confirmado por fuentes heterogéneas. #### Posición Francia/Europa frente a anglosajona
- DORA es **estadounidense pero documenta una posición europea** (Ursula Lübbert-Passing PhD, EMEA Value Realization).
- **La calculadora incluye** un sobrecoste salarial del +100 % para Europa (frente a +30 % US) — sensible a los contextos locales.
- A utilizar en presentaciones FR como **estándar de referencia** para CFO/consejos de administración, complementario a Wescale (firma FR), Habert (FR), Tatsyi (Europa Central). #### Convergencia sobre «frecuencia de experimentación = indicador financiero adelantado»
- **DORA**: marco de opcionalidad, frecuencia de experimentación como indicador adelantado.
- **Cherny** (2026-05): *"unas pocas decenas de PRs/día"*, exploración en paralelo.
- **Karpathy** (2026-04-29): MenuGen frente a Nanobanana, *inteligencia irregular*, la experimentación como nuevo modo.
- **Habert PROJ-AI**: los *Decision Records de 7 dimensiones* legitiman la exploración documentada.
- → **Convergencia**: la IA permite **convertir cada función en una opción de bajo coste**. ### Limitaciones a señalar
- **Calculadora deliberadamente simplista** (reconocido por los autores) — **excluye**: ahorros de retención/rotación, experiencia de usuario a ingresos, efectos compuestos de la IA agéntica del año 2 en adelante, ahorros en procesos de negocio aguas abajo (RR. HH., etc.).
- **Cifras de ejemplo muy centradas en EE. UU.** (salario de 176.000 $, licencia de 250 $/año — probablemente subestima los costes empresariales con negociación de grandes cuentas + agentes).
- **El 12,5 % de tiempo ahorrado es muy conservador** en comparación con el feedback de los profesionales — pero esto es **intencional** para defender el caso ante un CFO escéptico. Riesgo inverso: **infravalorar** el potencial.
- **Ahorro de tiempo limitado por el impuesto de inestabilidad** en el modelo — la caída temporal (bajada del 15 % durante 3 meses) **pesa 3,3 M$** de los 8,4 M$ de inversión total. A verificar: ¿es esta caída realmente siempre tan grande? Para organizaciones maduras, podría ser mucho menor.
- **La tasa de éxito de ideas del 33 % (Larsen 2023)** proviene de pruebas A/B estándar — puede ser demasiado **baja** para funciones bien investigadas y demasiado **alta** para las experimentales.
- **Ninguna discusión explícita** de los riesgos regulatorios (RGPD, EU AI Act, supervisión sectorial) — **sorprendente** para un documento de Google Cloud con alcance empresarial EMEA.
- **El vínculo con Google Cloud** (727 % de ROI en 3 años, recuperación de 8 meses): estadísticas **internas a los clientes de Google Cloud**, probable sesgo de selección.
- **La calculadora no captura** lo que Tatsyi llama la *"frontera de posibilidades de producción"* (los **nuevos productos** que no existían antes) — mide *contratación evitada*, no *nuevo espacio de producto*. Una limitación **estructural** del modelo.
- **«All models are wrong»** se repite 3 veces en el documento — un gesto de autodesarme, pero **no exime** al modelo de la crítica metodológica sobre su aplicación ciega. ### A utilizar para
- **Presentaciones de comité de dirección / consejo de administración / CFO**: framework oficial de Google Cloud × DORA — autoridad institucional para defender un presupuesto de IA.
- **Construir un business case de IA**: reutilizar la calculadora como estructura, **ajustar las hipótesis al contexto del cliente** (recomendación explícita de los autores).
- **Sensibilizar sobre el «coste de escolaridad»**: proteger la inversión durante la caída de la curva en J, no recortar la financiación durante la fase de aprendizaje.
- **Debate equipo / RR. HH.**: la posición normativa *"no reducir la plantilla"* es un argumento utilizable frente a impulsos de reducción de plantilla puramente orientados al presupuesto.
- **Cifras con fuente**: 39 % de ROI / recuperación de 8 meses / 35-40 % greenfield frente a 10 % brownfield / coste de inferencia ÷280 / ROI del 727 % en 3 años — **cifras sólidas** a integrar en formaciones, notas de veille y presentaciones estratégicas.
- **Conectar contenido FR con Wescale / Habert / Tatsyi / Frizzo**: DORA como **base financiera institucional**, otras notas como **testimonios operativos** complementarios.
- **Discusión estratégica sobre IDP / context engineering**: las capacidades de DORA (IDP de calidad + datos internos accesibles para la IA + calidad de la documentación) se vuelven **inversiones prioritarias** identificables y presupuestables.

## RésuméDe400mots

El **equipo delta de Google Cloud DORA** publica en abril de 2026 (v. 2026.1, citas de febrero de 2026, **CC BY-NC-SA 4.0**) un informe-framework de 60 páginas dedicado al ROI de la IA en el desarrollo de software, con una **calculadora interactiva** en dora.dev/ai/roi/calculator. El documento se inscribe en el linaje DORA (2020 ROI of DevOps Transformation → 2025 State of AI-assisted Software Development → DORA AI Capabilities Model → 2026 ROI of AI).

**Tesis central**: ***"AI is an amplifier"*** — la IA magnifica simultáneamente las fortalezas de las organizaciones de alto rendimiento y las disfunciones de las organizaciones en dificultades. Comprar licencias de IA **no basta**: la IA inyectada en un sistema con pruebas manuales, burocracia o datos fragmentados **acelera** la deuda técnica. Cita de Software Engineering at Google: ***"code is often seen as a liability, not an asset"***. Métrica ética: ***"we don't measure AI by the code it writes but by the bottlenecks it clears"***.

**Nuevo concepto central**: la ***J-Curve of AI value realization*** — toda adopción de IA atraviesa una **caída temporal** (curva de aprendizaje + impuesto de verificación + adaptación del pipeline) antes de un **crecimiento exponencial**, una metáfora del *"coste de escolaridad de la transformación"* que debe **presupuestarse explícitamente** para no entrar en pánico durante la caída.

**Calculadora de ejemplo** (500 ETC / salario de 176.000 $ / 12,5 % de tiempo ahorrado por desarrollador): **valor 11,6 M$ / inversión 8,4 M$ / ROI 39 % / recuperación 8 meses (0,7 año)**. Detalle: costes duros 5,065 M$ + coste de la curva en J 3,3 M$; valor = reinversión de plantilla 11 M$ + funciones adicionales 990.000 $ − impuesto de inestabilidad 344.000 $.

**Posición normativa explícita**: ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvertir, retener el talento, capitalizar el conocimiento institucional.

**Cinco pilares del valor**: Productividad / Experiencia de usuario / Eficiencia de costes / Experiencia del desarrollador / Crecimiento del negocio (del más directo al más indirecto). **Cinco claves sistémicas**: Confianza + Plataforma + Datos + Usuarios + Barreras de protección. **Hoja de ruta en dos fases**: (1) Construir la capa de contexto (CapEx) — IDP de calidad + ecosistema de datos saludable; (2) Empoderar al humano en el bucle (OpEx) — context engineering + confianza en la IA. Indicadores adelantados: frecuencia de experimentación + frecuencia de despliegue.

**Datos externos**: el 78 % de los directivos declara ROI en ≥1 caso de uso de IA generativa, el 88 % de los adoptantes tempranos de IA agéntica constata un ROI positivo, **productividad del 35-40 % en greenfield frente a ≤10 % en brownfield** (Stanford), coste de inferencia **dividido por 280** (nov. 2022 → oct. 2024), **ROI del 727 % en 3 años** para los clientes de IA de Google Cloud, recuperación media de **8 meses**.

**Conexión con el corpus**: fuerte convergencia con Tatsyi/Raiffeisen (frontera de posibilidades de producción), Wescale (gobernanza + X3-X4), Habert PROJ-AI (tecnología 20 % / disciplina 80 %), MIT NANDA (95 % de los pilotos fracasan, citado explícitamente). Tensión productiva con las ratios de los profesionales (Frizzo 3-5×, Curran 3×, Tatsyi ×1,5-4,5): DORA = **suelo financieramente defendible** (12,5 % de tiempo ahorrado), profesionales = **techo observado organizacionalmente**. A utilizar para comités de dirección, business cases ante el CFO, patrocinadores de la transformación.

## GrapheDeConnaissance

- DORA —publie→ The ROI of AI-assisted Software Development (DOCUMENT, 0.98)
- Google Cloud delta team —publie→ The ROI of AI-assisted Software Development (DOCUMENT, 0.97)
- Eva Dong —travaille_chez→ Google Cloud (ORGANISATION, 0.95)
- Nathen Harvey —dirige→ DORA (ORGANISATION, 0.96)
- Ursula Lübbert-Passing —travaille_chez→ Google Cloud (ORGANISATION, 0.95)
- AI —est_instance_de→ amplificateur du système organisationnel (CONCEPT, 0.97)
- DORA —affirme_que→ l'IA magnifie les forces des organisations performantes et les dysfonctionnements des organisations en difficulté (AFFIRMATION, 0.97)
- J-Curve of AI value realization —est_instance_de→ trajectoire à creux de productivité initial puis croissance exponentielle (CONCEPT, 0.96)
- Learning curve —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Verification tax —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Pipeline adaptation —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Tuition cost of transformation —est_variante_de→ J-Curve productivity drop (CONCEPT, 0.94)
- Code —est_instance_de→ liability not asset (CONCEPT, 0.94)
- DORA —recommande→ mesurer l'IA par les bottlenecks levés et non par le volume de code généré (AFFIRMATION, 0.96)
- Sample ROI calculator —mesure→ 39% ROI / 8 mois payback / 11.6M$ valeur / 8.4M$ investissement (MESURE, 0.97)
- Sample ROI calculator —est_basé_sur→ hypothèses 500 FTE / 176k$ salary / 12.5% time saved / 15% J-Curve drop 3 mois (CONCEPT, 0.96)
- DORA —recommande→ ne pas adopter de stratégie de réduction d'effectifs (AFFIRMATION, 0.97)
- DORA —recommande→ réinvestir la productivité libérée par l'IA dans l'innovation et la création de valeur (AFFIRMATION, 0.96)
- Productivity, User Experience, Cost Efficiency, Developer Experience, Business Growth —fait_partie_de→ Cinq piliers de valeur (DORA) (CONCEPT, 0.96)
- Trust, Platform, Data, Users, Guardrails —fait_partie_de→ Cinq clés systémiques d'adoption (CONCEPT, 0.96)
- DORA —recommande→ traiter l'Internal Developer Platform comme un produit (AFFIRMATION, 0.95)
- Build context layer —est_instance_de→ phase CapEx (Quality IDP + Healthy data ecosystem) (CONCEPT, 0.94)
- Empower human in loop —est_instance_de→ phase OpEx (Trust in AI + context engineering) (CONCEPT, 0.94)
- Experiment frequency —est_instance_de→ leading financial indicator (CONCEPT, 0.95)
- Stanford AI Index 2025 —mesure→ inference cost réduit ×280 entre nov 2022 et oct 2024 (MESURE, 0.96)
- Stanford research —mesure→ 35-40% productivité greenfield vs ≤10% brownfield (MESURE, 0.94)
- Google Cloud —mesure→ 727% ROI moyen sur 3 ans des clients Google Cloud AI (MESURE, 0.92)
- MIT NANDA —affirme_que→ une shadow AI economy existe et 95% des pilotes IA échouent à délivrer un ROI (AFFIRMATION, 0.94)
- Larsen et al. 2023 —mesure→ idea success rate ~33% (MESURE, 0.92)
- Verification tax —est_basé_sur→ Code (CONCEPT, 0.95)
- bilan ROI de l'étude —converge_avec→ Tatsyi production possibility frontier, Wescale gouvernance, Habert technology 20 / discipline 80 (CONCEPT, 0.93)
- Ratios praticiens 3-5× (Frizzo, Wescale, Curran, Tatsyi) —surpasse→ Sample 12.5% time saved (CONCEPT, 0.93)
- Position no-headcount-reduction (DORA) —s_oppose_à→ Tatsyi −75 personnes mais réallocation délibérée (CONCEPT, 0.91)
- Optionality framework —permet→ de traiter chaque expérience comme option à faible coût (CONCEPT, 0.94)
- DORA —affirme_que→ l'IA accélère l'accumulation de dette technique si l'organisation est en bottleneck (AFFIRMATION, 0.95)
- Scénarios Conservative 0.8/1.5, Realistic 1.0, Optimistic 1.2/0.8 —fait_partie_de→ Trois scénarios (DORA) (METHODOLOGIE, 0.94)
- Google Cloud —mesure→ 78% des executives rapportent un ROI sur au moins 1 use case gen AI (MESURE, 0.93)
- Google Cloud —mesure→ 88% des early adopters agentic AI voient des retours positifs (MESURE, 0.92)

---
Canonical: https://www.thekb.eu/es/fiches/dora-google-cloud-roi-ai-assisted-software-development-j-curve-2026-04-21/