Después de asegurar una ronda de financiación Serie B de 70 millones de dólares, podría suponerse que Qodo gastaría sin miramientos en sus propias iniciativas de inteligencia artificial. Sin embargo, la startup refina cuidadosamente su consumo de IA, limitando a sus ingenieros a un umbral mensual de 10,000 dólares en tokens, un límite que el CEO Itamar Friedman califica como «generoso» y que rara vez se alcanza. Esta medida, más que una restricción, busca garantizar una supervisión rigurosa y promover la eficiencia para escalar sin incurrir en gastos desmesurados.
Aunque el gasto en tokens para los desarrolladores está controlado, el coste de infraestructura de IA para ejecutar el producto crece anualmente a un ritmo aproximado de cinco veces. Este aumento está impulsado por una mayor adopción y las funciones de los agentes de IA, que asumen tareas más complejas y extensas conforme evolucionan. Para compensar, Qodo invierte en optimizaciones internas dirigidas a reducir el costo asociado a las revisiones de código mediante una mejor gestión y eficiencia en los procesos.
La base tecnológica que respalda Qodo
La propia startup utiliza intensamente su producto para gestionar las solicitudes de cambio (pull requests) a lo largo de todo su ciclo de vida del desarrollo de software. Su ecosistema tecnológico combina herramientas como Slack, Notion (con bots integrados), una base de conocimiento centralizada preparada para agentes de IA, Google Workspace y modelos de distintos proveedores, incluidos Google. 
La solución de Qodo no elimina el uso de otros asistentes de codificación líderes como Claude Code o Codex de OpenAI, sino que convive con ellos. Internamente Claude Code sigue siendo líder, aunque se observa una rápida transición hacia Codex, conforme se evalúan preferencias a través de encuestas internas y datos de uso.
Los datos internos revelan que el volumen de pull requests se duplica aproximadamente cada pocos meses, mientras que la cantidad de errores y fallos disminuye. Esta evolución refleja avances importantes en calidad y eficiencia gracias a la asistencia de la IA.
El cambio en el cuello de botella del desarrollo
Un aumento en las solicitudes de cambio junto a una reducción de errores evidencia que Qodo está abordando con éxito uno de los grandes retos generados por la IA en la programación: la sobreproducción de código que excede la capacidad humana para revisarlo y validar su calidad. Aunque aceleraron la generación de código, no habían conseguido acelerar el ritmo global de desarrollo. En palabras de Friedman: «Solucionamos la velocidad para escribir código, pero no la velocidad para crear software». Esto marca la diferencia entre el mero entusiasmo por la IA y un retorno real de la inversión.
Este fenómeno revela la necesidad de una visión holística al evaluar costes y beneficios de la IA. Centrarse solo en una métrica, como el coste de los créditos de una herramienta, puede generar una factura abultada sin un incremento real en la productividad.
La fórmula para medir el ROI de la IA
Friedman propone un método basado en una ecuación simple que compara lo positivo y lo negativo, acercándose al modelo matemático usado para medir la felicidad, donde la relación entre expectativas y realidad determina el nivel de satisfacción.
En el caso del ROI, la fórmula sería:
- Beneficios de la IA / Costes de la IA = Retorno de inversión en IA
Inspirándose en The Phoenix Project, una novela sobre DevOps que clasifica el trabajo de software en «bueno» y «malo», Friedman ajusta la fórmula para el desarrollo de software como:
- (Características + Infraestructura) / (Incidentes + Errores) = Velocidad del desarrollo de software
Con más pull requests y menos errores, la equación arroja un resultado positivo mayor, que se traduce en un ROI más alto. Este cálculo no se limita al desarrollo sino que engloba también la eficiencia lograda con la IA en otras áreas, como la gestión documental o la comunicación en plataformas como Google Workspace y Slack.
Friedman reconoce que esta fórmula es una simplificación, pero subraya que «lo que no se puede medir, no se puede mejorar». Por ello anima a las empresas a asignar un conjunto reducido de métricas (seis u ocho como máximo) para comenzar a monitorear su rendimiento con IA.
El riesgo de un ROI negativo
La ecuación también sirve para identificar casos donde el retorno es negativo, es decir, cuando se generan beneficios en una área, pero se incurre en altos costos o ineficiencias en otras etapas del proceso.
Friedman señala un ejemplo real en Qodo: la automatización del correo electrónico. Tras un intento intensivo, la compañía ajustó su estrategia de «automatización completa» para incluir una fase de «mejora asistida por IA», debido a dificultades para captar el tono adecuado o extraer tareas con precisión. Reconoce que cuando falta contexto o se requiere juicio humano, la IA no es una solución definitiva.
La gestión adecuada y accesible del contexto, un desafío global para muchas startups, es clave para maximizar la efectividad y el ROI de la inteligencia artificial.
Un enfoque equilibrado para el uso de la IA
En Qodo no se obliga a los empleados a utilizar IA, pues el CEO insiste en que el objetivo es la eficiencia en el trabajo, y cada profesional decide su método. No obstante, aquellos que no recurran a automatización cuando sea necesario podrían verse en desventaja.
Friedman recuerda que en 2023, cuando comenzó a impulsar el uso de agentes de IA, muchos lo consideraban un capricho o moda pasajera. Ahora, con una ronda Serie B millonaria y un equipo internacional, la realidad ha demostrado lo contrario.
Su consejo para las empresas: anticiparse al futuro inmediato, que suele llegar en menos tiempo de lo previsto, y comenzar ahora a implementar soluciones para mantener la competitividad.
“Predecir el futuro es complicado, pero es imprescindible”, concluye Friedman.
