La inteligencia artificial está haciendo que programar sea más rápido y accesible. Los asistentes de código pueden escribir funciones, detectar errores o preparar propuestas de cambios en cuestión de minutos.
Pero esta capacidad está provocando un problema inesperado: generar código es cada vez más fácil, mientras que comprobar si ese código realmente es bueno sigue necesitando tiempo humano.
Una investigación publicada el 4 de julio de 2026 ha puesto nombre a este fenómeno: AI-DDoS. El estudio analiza 294 repositorios y más de dos millones de pull requests e incidencias, y plantea que una avalancha de contribuciones aparentemente válidas, pero de baja calidad, puede terminar superando la capacidad de revisión de las comunidades de código abierto.
La cuestión resulta especialmente interesante porque introduce una paradoja en el discurso habitual sobre la productividad de la IA. Podemos multiplicar nuestra capacidad para generar código, pero no necesariamente nuestra capacidad para determinar si ese código merece incorporarse a un proyecto.
¿Qué es el fenómeno AI-DDoS?
El nombre hace referencia a los ataques distribuidos de denegación de servicio o DDoS, aunque existe una diferencia fundamental: en este caso no tiene por qué haber ninguna intención de atacar.
En un DDoS tradicional, un servidor recibe tantas peticiones que termina saturado. Con el AI-DDoS ocurre algo parecido con las personas encargadas de mantener un proyecto.
Imaginemos un equipo que normalmente puede revisar 50 propuestas de cambios al mes. Si las herramientas de inteligencia artificial permiten que ahora reciba 200, la capacidad de generar código se habrá multiplicado, pero el número de personas disponibles para revisarlo seguirá siendo el mismo.
Y revisar una contribución implica bastante más que comprobar si funciona. Hay que entender qué problema intenta resolver, valorar si encaja con el resto del proyecto, realizar pruebas y detectar posibles errores o vulnerabilidades.
Ahí aparece el verdadero cuello de botella.
Qué ha encontrado la investigación
Los investigadores estudiaron 294 repositorios con más de dos millones de pull requests e incidencias. También analizaron experiencias compartidas por profesionales del ecosistema y posteriormente contrastaron posibles soluciones mediante una encuesta a 229 personas relacionadas con proyectos de código abierto.
Los resultados muestran que durante 2025 aumentó el volumen de pull requests, mientras que las tasas de integración disminuyeron.
El efecto fue especialmente acusado entre los denominados one-time contributors, personas que realizan una única contribución. Según el modelo estadístico utilizado, su tasa de integración cayó un 18,18 % respecto al escenario contrafactual.
Esto no significa que exactamente un 18,18 % de las contribuciones fueran rechazadas por haber sido generadas con IA. Es una estimación estadística sobre cómo habría evolucionado la situación sin el cambio observado.
Pero la tendencia apunta hacia un problema claro: la cantidad de contenido que podemos producir está creciendo más rápido que nuestra capacidad para comprobar su calidad.
Cuando producir más no significa ser más productivo
Esta es probablemente la idea más interesante detrás del AI-DDoS.
Si un desarrollador utiliza inteligencia artificial para escribir código más rápido, después lo revisa, lo prueba y se responsabiliza del resultado, la herramienta está aumentando realmente su productividad.
El problema aparece cuando resulta más sencillo generar una nueva solución que comprobar si la anterior era correcta.
En ese caso, el trabajo no desaparece. Simplemente se traslada.
Quien genera la contribución ahorra tiempo, pero el mantenedor del proyecto debe invertir el suyo en comprobar un código que quizá ni siquiera ha sido revisado por la persona que lo envía.
Esta situación conecta con algo que ya analizamos al hablar del impacto de la inteligencia artificial en la economía, sus riesgos y oportunidades: medir únicamente cuánto somos capaces de producir puede ofrecer una visión engañosa de la productividad real.
El problema no es utilizar inteligencia artificial
Sería un error interpretar esta investigación como un argumento contra el uso de IA para programar.
Otro estudio reciente analizó 1.000 repositorios populares de GitHub e identificó 118 que ya disponían de políticas específicas relacionadas con el uso de inteligencia artificial en las contribuciones.
Entre esas políticas, el 78 % permite contribuciones asistidas por IA, mientras que el 22 % las desaconseja. Además, el 51 % exige declarar su utilización y el 74 % requiere algún tipo de intervención humana.
Estos datos muestran hacia dónde parece dirigirse la respuesta de las comunidades. La cuestión no consiste tanto en prohibir la IA como en exigir responsabilidad a quien la utiliza.
Si una persona emplea un asistente para preparar una contribución, debería comprender el código, comprobarlo y ser capaz de responder ante posibles problemas. Lo que las comunidades intentan evitar es que alguien genere grandes cantidades de código y traslade toda la tarea de verificarlo a los mantenedores.
¿Puede la propia IA ayudar a solucionar el problema?
Paradójicamente, parte de la solución podría encontrarse también en la inteligencia artificial.
Los proyectos pueden utilizar herramientas automatizadas para detectar propuestas duplicadas, realizar comprobaciones iniciales o clasificar contribuciones antes de que lleguen a una persona.
Eso permitiría reservar la atención humana para las decisiones realmente importantes.
Sin embargo, automatizar la primera revisión no elimina la necesidad de supervisión. Las decisiones relacionadas con seguridad, arquitectura o mantenimiento a largo plazo siguen necesitando criterio.
Es una cuestión que aparece cada vez con más frecuencia a medida que aumenta la autonomía de estas tecnologías. También la encontramos en el Reglamento Europeo de Inteligencia Artificial y sus nuevas fases de aplicación, donde la supervisión humana y la responsabilidad ocupan un lugar central.
Un problema que puede ir mucho más allá del código abierto
El término AI-DDoS es reciente y los resultados tendrán que seguir siendo estudiados. No podemos afirmar que todo el software de código abierto esté siendo saturado por la inteligencia artificial. Pero el fenómeno plantea una cuestión que probablemente veremos en otros ámbitos.
La IA permite generar código, textos, imágenes e informes a una velocidad cada vez mayor. Si producir contenido se vuelve prácticamente gratuito mientras comprobar su calidad sigue siendo costoso, el recurso escaso deja de ser nuestra capacidad de crear. Pasa a ser nuestra capacidad para revisar.
Mi valoración es que este puede convertirse en uno de los grandes desafíos de la IA generativa. Durante los últimos años hemos hablado mucho de cuánto trabajo puede hacer la inteligencia artificial por nosotros. Quizá ahora tengamos que empezar a preguntarnos qué ocurre cuando somos capaces de generar más de lo que podemos comprobar.
El futuro del código abierto no pasa necesariamente por rechazar la IA. Probablemente dependa de encontrar un equilibrio en el que la capacidad de producir más vaya acompañada de algo que sigue siendo imprescindible: responsabilidad sobre aquello que se produce.
