Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# La IA puede escribir el código. ¿Quién aprenderá a repararlo?

> Una tarea de programación puede completarse antes de que quien la escribió entienda el sistema. Dos experimentos plantean una pregunta práctica para los equipos: ¿cómo aprenderán los desarrolladores júnior a explicar, diagnosticar y adaptar el trabajo asistido por IA?

By BIG CHANGE Editorial

Published: 2026-09-22T16:40:55.934Z
Updated: 2026-09-22T16:40:55.934Z
Canonical: https://bigchange.ai/blog/ai-coding-skills-learning-apprenticeship

![An automated arm assembles abstract interlocking modules while a junior developer studies orange pathways inside an opened module.](https://bigchange.ai/api/media/file/ai-coding-learning-apprenticeship-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Automation can deliver a finished implementation before a newcomer has traced how it works. This conceptual scene represents the need to build understanding alongside AI-assisted output; it is not a product interface, study result or forecast of inevitable deskilling.

Un desarrollador júnior puede pedirle a un asistente de IA que use una biblioteca desconocida, obtener código funcional y seguir adelante. La función quizá esté lista antes de que el desarrollador entienda por qué funciona. Eso importa la próxima vez que falle el código, cambien los requisitos o alguien tenga que decidir si es seguro aplicar la solución del asistente.

El ingeniero de software Alexandru Nedelcu planteó esta preocupación en un [ensayo del 22 de septiembre](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you). Sostiene que los desarrolladores adquieren criterio al leer código, tomar decisiones y hacerse cargo de los errores. Su predicción de que algunas empresas anunciarán políticas contra la IA es una opinión, no un cambio observado en el sector. Un experimento aparte, publicado en enero, formula la cuestión del aprendizaje de forma más acotada y comprobable: ¿qué entendieron los programadores justo después de completar una tarea con ayuda de IA? [El análisis de la investigación de Anthropic](https://www.anthropic.com/research/AI-assistance-coding-skills)

## El cambio de fondo

- **Qué ha cambiado:** La IA facilita entregar software terminado sin haber entendido su lógica. Puede proporcionar una implementación antes de que una persona que empieza haya practicado las decisiones necesarias para explicarla o repararla.
- **Por qué importa:** Los responsables quizá obtengan más resultados hoy, pero debiliten el camino que permite al personal júnior convertirse en las personas capaces de diagnosticar los fallos de mañana. El riesgo es mayor cuando una tarea incluye conceptos desconocidos; la ayuda también puede ser valiosa para el trabajo familiar.
- **Qué conviene observar:** Los equipos podrían empezar a considerar el aprendizaje parte de la entrega y reservar tiempo para explicar, diagnosticar y adaptar el trabajo asistido por IA. Si lo hacen, las pruebas de contratación y los productos de programación podrían valorar la comprensión demostrada además de la velocidad.

## Completar una tarea y aprender una habilidad son resultados distintos

En [un estudio aleatorizado con 52 programadores](https://arxiv.org/abs/2601.20245), los participantes usaron una biblioteca de Python desconocida llamada Trio para completar dos tareas de programación. La mitad tenía un asistente de IA disponible en el entorno de programación; la otra mitad no. Sabían que después harían un cuestionario. Poco después de trabajar, el cuestionario evaluó conceptos, lectura de código y depuración.

El grupo que usó IA obtuvo una media del 50 %, frente al 67 % del grupo que trabajó sin IA: una diferencia de 17 puntos porcentuales, no una caída relativa del 17 %. La mayor brecha apareció en las preguntas de depuración. En promedio, el grupo de IA terminó unos dos minutos antes, pero la diferencia de tiempo no fue estadísticamente significativa. Estos resultados corresponden a un encuentro breve con una biblioteca y una prueba inmediata; no miden las carreras de los desarrolladores ni la calidad de un sistema de producción. [Resultados y límites del estudio](https://www.anthropic.com/research/AI-assistance-coding-skills)

Los investigadores también observaron cómo usaban el asistente los participantes. Algunos delegaron en gran medida la escritura y depuración del código; otros pidieron explicaciones o analizaron los conceptos por su cuenta. Los patrones de mayor participación tendieron a obtener mejores puntuaciones, pero esos grupos pequeños se identificaron después del experimento. Se asignó aleatoriamente el acceso a la IA, no una forma concreta de interactuar con ella. Pedir una explicación podría ayudar a quien está aprendiendo, pero este estudio no puede demostrar que una instrucción o un flujo de trabajo evite la brecha de aprendizaje. [Análisis de las interacciones del artículo](https://arxiv.org/html/2601.20245v2)

Un error suele ser el momento en que quien empieza aprende qué presupone una biblioteca. Si el asistente se encarga tanto de la implementación inicial como de la reparación, el desarrollador quizá vea menos de esos supuestos. Esa es una posible explicación de la brecha en depuración.

## La velocidad también cuenta, y la respuesta depende de la tarea

En otras condiciones, la asistencia de IA también aceleró la programación. En [un experimento controlado de GitHub Copilot](https://arxiv.org/abs/2302.06590), se asignó a 95 profesionales independientes la tarea de crear un servidor HTTP en JavaScript. Entre quienes la terminaron, el grupo de Copilot tardó una media de unos 71 minutos, frente a unos 161 minutos en el grupo de control: una reducción del 55,8 % en el tiempo de finalización. Los investigadores no evaluaron qué aprendieron después esas personas. Era una implementación acotada, no una introducción a una biblioteca desconocida seguida de un cuestionario de comprensión.

A los responsables les pueden servir ambos hallazgos. Si un desarrollador con experiencia usa IA para quitarse de encima trabajo repetitivo, el tiempo ahorrado puede ser real. Cuando el objetivo es aprender un sistema nuevo, hay que medir por separado la rapidez de entrega y la comprensión. Una prohibición general de la IA descartaría posibles ventajas sin responder a cómo aprende la gente a supervisar el trabajo.

El ensayo de Nedelcu va más allá del experimento. Sostiene que el mantenimiento se evalúa a lo largo de meses o años y que la experiencia crece al responsabilizarse de los errores. El estudio no mide el mantenimiento a largo plazo ni demuestra que quienes usan IA dejen de aprender por completo. Su pregunta más útil es organizativa: si un equipo delega cada vez más el trabajo de práctica, ¿dónde adquirirá esa práctica la próxima generación de personas encargadas de resolver problemas? [El ensayo de Nedelcu](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you)

## Ofrece al aprendiz algo que demostrar una vez que el código funciona

Una respuesta práctica podría ser dar a una persona que empieza una tarea asistida por IA y, después, pedirle una breve comprobación independiente antes de considerar que ha aprendido. Proponemos este ejercicio; ninguno de los dos estudios lo puso a prueba:

1. **Explica:** Sin pedir ayuda al asistente, describe por qué funciona la parte desconocida del código, qué presupone y qué podría hacer que fallara. Un ingeniero sénior puede hacer una pregunta de seguimiento sobre el cambio concreto.
2. **Diagnostica:** Introduce un fallo pequeño y realista en una rama de pruebas segura. Pide al aprendiz que encuentre la causa y explique qué observación permitió descartar una solución plausible pero equivocada. Lo importante es el razonamiento, no memorizar un comando.
3. **Adapta:** Cambia un requisito y pide al aprendiz que revise la implementación y sus pruebas. Puede usar IA, pero debe poder defender el nuevo comportamiento e indicar qué necesita verificar todavía.

Por ejemplo, después de que un asistente escriba una nueva operación asíncrona, quien revisa el código podría preguntar qué ocurre si se cancela a mitad de camino. El desarrollador debería poder seguir el flujo y probar un requisito modificado. Una revisión de código quizá detecte un defecto, pero aun así el aprendiz podría no saber resolver el siguiente. La comprobación propuesta pregunta si el conocimiento se conserva junto con el código entregado.

Esto no tiene por qué convertir cada tarea rutinaria en un examen. Un equipo podría reservar el ejercicio para bibliotecas desconocidas, fallos recurrentes o trabajos de los que se espera que una persona júnior se haga cargo más adelante. Hace falta tiempo remunerado y alguien que conozca el sistema para revisar el trabajo. Si la dirección solo cuenta las tareas integradas y el tiempo ahorrado, esos costes podrían ser lo primero que recorte. Eso agravaría el problema de formación aunque aumentara la producción actual.

## La cuestión del aprendizaje llega también a la contratación y al diseño de productos

Los puestos júnior suelen combinar la entrega de trabajo con la práctica supervisada. La IA altera ese acuerdo cuando un candidato puede presentar una función terminada e impresionante sin mostrar cómo razonó para crearla. Las empresas podrían pedir a los candidatos que expliquen y modifiquen una pequeña parte del trabajo, en vez de tratar un repositorio pulido como prueba de habilidad independiente. Esta es una propuesta para la contratación, no una tendencia de contratación observada. La prueba debe evaluar las capacidades que realmente requiere el puesto, no exigir que todos los candidatos trabajen sin herramientas.

Los productos de programación se enfrentan a una decisión parecida. Un asistente puede optimizarse para dar una respuesta rápida o facilitar que se revisen los supuestos, se hagan preguntas conceptuales y se pruebe un cambio antes de revelar una solución. Los patrones de interacción observados en el estudio justifican probar el segundo diseño, aunque no demuestran que una interfaz concreta enseñe mejor. Para las empresas, la pregunta de compra equivalente es si una herramienta ayuda al personal a aprender a revisar y modificar sus resultados, y no solo cuánto código genera.

El cuestionario breve no puede decirnos quién se convertirá en experto dentro de cinco años. Sí muestra por qué aceptar una implementación no sustituye a demostrar comprensión cuando la tarea incluye algo desconocido. Los equipos que quieran tanto automatización como una nueva generación de profesionales capaces deben dejar espacio para la práctica y comprobar qué pueden hacer las personas cuando cambia la respuesta.

## Sources

- [Alexandru Nedelcu: la IA no tiene sabiduría, y tú tampoco la tendrás](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you) — El ensayo de Nedelcu sostiene que el criterio de ingeniería se desarrolla leyendo, tomando decisiones y responsabilizándose de los errores. Sus afirmaciones sobre el mantenimiento y su predicción de políticas que prohíban la IA son opiniones, no resultados medidos.
- [Anthropic: cómo afecta la asistencia de IA al desarrollo de habilidades de programación](https://www.anthropic.com/research/AI-assistance-coding-skills) — Los investigadores explican el experimento aleatorizado con Trio y 52 participantes: 50 % frente a 67 % en un cuestionario inmediato, una diferencia de 17 puntos porcentuales; la pequeña diferencia en el tiempo de finalización no fue significativa. Los patrones de interacción son observacionales y el estudio no mide carreras profesionales a largo plazo.
- [Shen y Tamkin: cómo afecta la IA a la adquisición de habilidades](https://arxiv.org/abs/2601.20245) — El artículo académico detalla la tarea, los participantes, la asignación aleatoria y la evaluación. La revisión de febrero corrige errores tipográficos en una tabla. Lo usamos para acotar el resultado causal al acceso a la IA y la comprensión inmediata, no para recomendar una técnica de instrucciones como si estuviera demostrada.
- [Peng y otros: el impacto de la IA en la productividad de los desarrolladores](https://arxiv.org/abs/2302.06590) — En otro estudio controlado con Copilot, profesionales independientes completaron más rápido con IA una tarea de implementación de un servidor JavaScript; la reducción del 55,8 % en el tiempo corresponde a quienes terminaron. El estudio no midió el aprendizaje y la tarea difiere del ejercicio con Trio, que usó una biblioteca desconocida.