Greg Brockman dice que el 80% del código de OpenAI ahora está escrito por IA.

      Los comentarios de Greg Brockman en la conferencia AI Ascent 2026 de Sequoia encajan en un patrón de líderes de laboratorios de IA que citan cifras de productividad auto-reforzadas, pero la evidencia subyacente sobre la productividad de la codificación de IA sigue siendo sustancialmente más controvertida de lo que sugiere la cifra principal.

      El presidente de OpenAI, Greg Brockman, dijo que la IA está escribiendo aproximadamente el 80% del código de la empresa en la conferencia AI Ascent 2026 de Sequoia Capital el jueves, según Business Insider.

      “Es difícil saber qué porcentaje no está siendo escrito por IA”, dijo Brockman, repitiendo un comentario que hizo en el podcast Knowledge Project a finales de abril. Las observaciones son parte de un argumento más amplio que Brockman ha estado haciendo en múltiples entrevistas este mes: que las capacidades de codificación de IA han cruzado un umbral de productividad, que la AGI está “70-80% ahí” según su definición personal, y que la escasez de computación es ahora la restricción vinculante sobre lo que los laboratorios de IA pueden entregar.

      La cifra del 80% es sorprendente pero ambigua. Las dos interpretaciones más fuertes son muy diferentes entre sí. La primera es que las herramientas de IA escriben el 80% de las líneas de código comprometidas en la base de código de OpenAI, una afirmación de productividad.

      La segunda es que la IA está involucrada de alguna manera (autocompletar, sugerencia de refactorización, generación seguida de revisión humana) en el 80% del trabajo de codificación, una afirmación de uso. El calificativo de Brockman, “es difícil saber qué porcentaje no”, se alinea más estrechamente con la segunda interpretación, y la brecha entre las dos es lo suficientemente grande como para alterar materialmente lo que significa la cifra.

      El patrón entre los líderes de laboratorios de IA

      Brockman no está solo al citar cifras altas de codificación de IA. El CEO de Anthropic, Dario Amodei, dijo públicamente el año pasado que la IA estaba escribiendo el 90% del código en Anthropic, con un objetivo del 100% en unos meses.

      Cursor alcanzó $2 mil millones en ingresos anuales dentro de tres años gracias a los flujos de trabajo de codificación asistidos por IA; GitHub Copilot tiene 4.7 millones de suscriptores de pago y una adopción del 90% entre las Fortune 100; y los ingresos de $30 mil millones de Anthropic, según la propia descripción de la empresa, están abrumadoramente concentrados en codificación, búsqueda empresarial y productividad general.

      El patrón es consistente: los laboratorios que producen los modelos subyacentes informan que esos modelos son transformadores para la ingeniería de software.

      El contexto más profundo es uno que Brockman articuló más claramente en su entrevista del podcast Big Technology a principios de abril. Describió una ‘inflexión en diciembre de 2025’ en la que los modelos pasaron de ser capaces de realizar aproximadamente el 20% de las tareas de ingeniería típicas a aproximadamente el 80%, un cambio que caracterizó como “absolutamente necesitas reestructurar tu flujo de trabajo en torno a estas IA.”

      Cita a un ingeniero de OpenAI que anteriormente no había podido hacer que la IA manejara la ingeniería de sistemas de bajo nivel y ahora le entrega un documento de diseño y observa cómo implementa, instrumenta y perfila el sistema resultante con calidad de producción.

      Sin embargo, hay un cuerpo significativo de trabajo que cuestiona si las cifras internas de productividad de codificación de IA deben tomarse al pie de la letra. Un documento de febrero de 2026 del National Bureau of Economic Research encontró que el 80% de las empresas que utilizan IA activamente no informaron ningún impacto medible en la productividad.

      Un estudio del MIT de 2025, ampliamente citado, concluyó que el 95% de los programas piloto de IA corporativa generaron cero retorno de inversión. El ingeniero de aprendizaje automático Han-Chung Lee ha argumentado en una publicación de GitHub ampliamente circulada que incluso las cifras internas de productividad de IA optimistas deben ser tratadas con escepticismo, porque generalmente se producen para alcanzar objetivos de adopción que nadie puede auditar de forma independiente.

      La crítica académica independiente ha sido más aguda por parte del científico cognitivo Gary Marcus, quien ha llamado a las afirmaciones más amplias sobre AGI “una ilusión de un billón de dólares.” “Nosotros como sociedad estamos haciendo apuestas verdaderamente masivas en torno a la premisa de que la AGI está cerca”, dijo Marcus en una reciente conferencia en la Royal Society en Londres. “Los modelos de lenguaje grandes son imitadores profundamente defectuosos que se alimentan del efecto Eliza.”

      El punto específico de Marcus sobre la codificación es estructuralmente importante: un modelo que produce código que compila y pasa las pruebas que se le dieron no es lo mismo que un modelo que produce software correcto, seguro, mantenible y bien arquitectado. El primero es verificable en segundos; el segundo requiere el tipo de juicio que ha sido el cuello de botella histórico en la productividad de la ingeniería.

      Brockman reconoce la brecha, incluso mientras argumenta que se está cerrando. “La tecnología que tenemos en este momento es muy irregular”, dijo en la entrevista de Big Technology. “Es absolutamente sobrehumana en muchas tareas. Cuando se trata de escribir código, esas cosas, la IA simplemente puede hacerlo. Pero hay algunas tareas muy básicas que un humano puede hacer con las que nuestra IA aún tiene dificultades.”

      Dos cosas hacen que la cifra del 80% de Brockman sea particularmente digna de examen en este momento. La primera es la escala financiera del despliegue de capital actual de OpenAI. La empresa recaudó $122 mil millones en 2026 y está apuntando a una OPI de potencialmente $1 billón. Brockman ha sido explícito en que la pregunta central para OpenAI ya no es la capacidad del modelo, sino la escasez de computación.

      La computación es ahora “un centro de ingresos, no un centro de costos”, ha dicho, y OpenAI está comprometiendo esencialmente todo el capital disponible a ello. Ese despliegue de capital se está justificando, en gran parte, por exactamente el tipo de afirmaciones de productividad que está haciendo sobre la codificación de IA.

      La segunda es el contexto del mercado laboral. Las empresas tecnológicas han despedido a miles de ingenieros en los últimos dos años, con la dirección citando cada vez más las ganancias de productividad impulsadas por IA como la justificación. Si la IA está realmente haciendo el 80% de la codificación en empresas como OpenAI y Anthropic, las consecuencias en el mercado laboral son sustanciales.

      Si la cifra refleja una realidad menos robusta, que la IA está involucrada en alguna etapa del flujo de trabajo en la mayoría de las tareas de codificación, pero no reemplazando realmente el 80% del esfuerzo de ingeniería, entonces los despidos pueden estar adelantándose a las ganancias reales de productividad, y el costo humano a largo plazo de la brecha puede ser considerable.

      Hay una capa adicional en el marco de Brockman que vale la pena señalar: él mismo, según su propia descripción y en el perfil de TIME de las 100 personas más influyentes en IA, pasa aproximadamente el 80% de su tiempo de trabajo codificando, entre 60 y 100 horas por semana.

      El hombre que hace la afirmación de que la IA ahora escribe el 80% del código de la empresa es también, por reputación, el codificador humano más prolífico de la empresa. Si eso lo convierte en el testigo más creíble del cambio de productividad o en el más interesado en creer en ello depende de qué marco de la cifra se acepte.