La Linux Foundation ha publicado un estudio sobre cómo la inteligencia artificial generativa está transformando el desarrollo de software libre. Uno de los datos que más llama la atención: en torno al 25 % de los nuevos pull requests que llegan a proyectos open source son contribuciones de baja calidad generadas con IA, un fenómeno que los mantenedores ya notan en su día a día.
El informe, elaborado por Linux Foundation Research, no se queda solo en el diagnóstico negativo. También mide el lado positivo de esta tecnología: calcula que la IA generativa puede reducir a la mitad el tiempo de codificación, lo que eleva la productividad en un 50 % en todo tipo de tareas de desarrollo. Vamos a repasar ambas caras de la moneda a continuación, porque el contraste entre las dos cifras es, precisamente, el núcleo del estudio.
Impacto del código de IA en los repositorios
El dato central del informe es ese 25 % de pull requests entrantes que la Linux Foundation clasifica como «AI slop»: código de baja calidad generado con inteligencia artificial que llega a los repositorios de proyectos open source. No se trata de una medición exacta sobre el total de código del ecosistema, sino de una estimación sobre los envíos que reciben los mantenedores para su revisión, antes de decidir si los integran en el código base.
Ese volumen obliga a quienes gestionan los proyectos a dedicar tiempo a identificar y descartar estas contribuciones, con el desgaste que eso supone para equipos que, en muchos casos, trabajan de forma voluntaria. Si tenéis algo que ver con el mantenimiento de un repositorio abierto, sabréis que cada pull request exige revisar el código, probarlo y, si falla, explicarle al autor qué falta por corregir. Cuando ese envío procede de un modelo de lenguaje sin supervisión humana suficiente, el tiempo de respuesta se multiplica sin que el proyecto avance realmente.
La otra cara: menos barreras para nuevos colaboradores
El 59 % de los mantenedores de proyectos encuestados ha notado un aumento de las contribuciones basadas en IA generativa, y el 71 % coincide en que esta tecnología reduce las barreras de entrada para quienes quieren empezar a colaborar en código abierto. Son cifras que os ayudan a entender por qué cada vez más desarrolladores recurren a estas herramientas, aunque el resultado no siempre cumpla con los estándares que exige un proyecto maduro.
La productividad del 50 % que recoge el estudio se aplica a todo tipo de tareas de desarrollo, no solo a la escritura de código nuevo. Esto sitúa a la IA generativa como una herramienta que, bien utilizada, acelera procesos que antes llevaban mucho más tiempo: revisar documentación, generar pruebas o adaptar código entre distintos módulos. De ahí que la propia Linux Foundation reconozca ese potencial, aunque lo sitúe junto al riesgo que supone el aumento de contribuciones de baja calidad.
Cómo se ha calculado y qué queda sin aclarar en el informe
Conviene leer esa cifra con cautela: el informe publicado por la Linux Foundation no detalla la metodología exacta que ha seguido su equipo de investigación para llegar al 25 %, ni especifica qué proyectos, qué muestra o qué periodo temporal se han analizado. Tampoco se define con precisión qué criterios separan una contribución «de baja calidad» de otra que simplemente necesita ajustes menores.
Por eso, lo que podemos afirmar con seguridad es que el estudio estima esa proporción sobre los pull requests entrantes, y que el documento completo, disponible en LinuxFoundation.org, debería recoger ese detalle metodológico para quien quiera profundizar. Si gestionáis un proyecto open source y queréis comparar vuestra propia experiencia con estos datos, ese informe es el punto de partida más fiable del que disponemos por ahora.
Qué es el «AI slop» y por qué desgasta a los mantenedores
Para entender bien de qué estamos hablando, conviene aclarar qué es un pull request: la propuesta de cambio de código que un colaborador envía a un proyecto para que los responsables la revisen y, si la aprueban, la incorporen al código base. Cuando ese envío se genera de forma masiva con un modelo de lenguaje, a menudo falta el contexto necesario, las pruebas adecuadas o simplemente no resuelve bien el problema que dice resolver.
A ese tipo de código se le conoce como «AI slop»: contribuciones generadas con IA que llegan en volumen pero sin la calidad suficiente para integrarse sin más. El coste no es solo el del propio parche descartado, sino el tiempo que un mantenedor emplea en revisarlo, entender qué falla y responder al autor, tiempo que deja de dedicar a otras tareas del proyecto. Vosotros mismos podéis imaginar el efecto acumulado si esto se repite varias veces al día en un proyecto con pocos mantenedores activos.
Así afecta este fenómeno a la gestión de los proyectos
El estudio retrata una tensión que ya forma parte del día a día de muchos proyectos open source: la IA generativa abre la puerta a más colaboradores y acelera el trabajo de quienes la usan bien, pero también multiplica el ruido que hay que filtrar antes de que algo llegue a producción. Los mantenedores quedan en medio, intentando aprovechar la ventaja sin asumir toda la carga de revisión que trae consigo.
El informe confirma ese aumento de volumen en las colas de revisión, aunque no ofrece cifras sobre cuánto se retrasan los lanzamientos de cada proyecto a causa de ello. Es razonable pensar que ese porcentaje podría seguir creciendo a medida que más usuarios, especialmente quienes se inician en el desarrollo, recurran a modelos de lenguaje para generar parches en su nombre, aunque el propio estudio no ofrece garantías sobre esa tendencia.