Negocios IA y programación: el que sobrevive no es el que mejor codifica
Estudios revelan que delegar en IA sin comprender compromete el aprendizaje técnico. Ejecutivos latinoamericanos deben repensar la integración de estas herramientas para no erosionar habilidades críticas.
La inteligencia artificial está redefiniendo lo que significa ser un buen programador. Ya no basta con escribir código limpio y eficiente. Como señala Naresh Agarwal, vicepresidente sénior de Ingeniería en Harness, el valor ahora está en diseñar y revisar sistemas seguros para producción, entender bases de datos, APIs, la nube y la seguridad. La IA automatiza tareas repetitivas, pero quien sobrevive no es el mejor codificador, sino el ingeniero capaz de convertir ese código en software real y estable.
Gastón Milano, CTO de Globant Enterprise AI, lleva esta idea más lejos. En un artículo en CIO, describe la transición hacia lo que Andrej Karpathy llama "Software 3.0": un estado donde los desarrolladores ya no escriben cada línea, sino que orquestan flujos de trabajo de IA y formulan las preguntas correctas. La habilidad clave pasa a ser la capacidad de traducir un problema de negocio en una instrucción clara para la IA, más que el dominio de cualquier lenguaje de programación. La supervisión humana y la gobernanza se vuelven el núcleo del rol.
El costo oculto de delegar en IA
Sin embargo, un estudio reciente de Anthropic publicado en arXiv arroja una advertencia importante. En un experimento controlado, desarrolladores que usaron asistencia de IA para aprender una nueva librería de Python obtuvieron un 17% menos de puntuación en evaluaciones de comprensión conceptual, lectura de código y depuración, en comparación con quienes trabajaron sin IA. Además, no se registró una ganancia significativa en velocidad de finalización. La razón: muchos participantes invirtieron tiempo extra en redactar consultas al asistente, y al delegar completamente la codificación, perdieron la oportunidad de enfrentarse y resolver errores por sí mismos, proceso esencial para el aprendizaje.
El estudio identificó seis patrones de interacción con IA. Los que preservaron el aprendizaje —como la indagación conceptual, la depuración iterativa con IA y la combinación de código con explicación— implicaron un esfuerzo cognitivo activo. Los que simplemente delegaban tareas completas, aunque mostraban cierta ganancia de productividad, sacrificaban la formación de habilidades.
Implicaciones para Latinoamérica
Para las empresas de la región, donde la brecha de talento técnico es crónica y la capacitación es un desafío constante, este hallazgo es crítico. Incorporar herramientas de IA en equipos de desarrollo puede acelerar entregas inmediatas, pero si no se diseñan flujos que obliguen al ingeniero a comprender lo que la IA genera, se corre el riesgo de tener equipos que operan como cajas negras: dependientes de la herramienta y sin capacidad de supervisión real.
Los ejecutivos latinoamericanos deben preguntarse: ¿nuestros programas de upskilling integran la IA como un acelerador, pero también incluyen espacios para que los desarrolladores resuelvan problemas sin IA, lean código generado y lo depuren manualmente? La respuesta definirá si logran construir talento sólido o solo una ilusión de productividad. En sectores como fintech o salud, donde los errores tienen consecuencias graves, la capacidad de entender y auditar el código generado no es negociable. La IA es una herramienta poderosa, pero no un sustituto del aprendizaje por experiencia.
