Lo que puede enseñar una tarea pequeña
Imagina que un cliente informa de que el mismo pedido aparece a veces dos veces. Una persona ingeniera júnior recibe el ticket. La primera pregunta es si el cliente hizo dos pedidos o si el sistema procesó dos veces una sola solicitud.
Revisa los registros, intenta reproducir el problema y pide ayuda a un colega. Juntos descubren que una solicitud puede repetirse cuando se interrumpe la conexión. La corrección debe evitar el duplicado sin bloquear un pedido nuevo legítimo. Alguien tiene que probar ambas posibilidades antes de que el cambio llegue a los clientes.
El resultado visible es una corrección pequeña. Por el camino, esa persona ha practicado reunir evidencias, cuestionar una suposición, explicar la incertidumbre y decidir cuándo pedir ayuda.
Ahora supón que la IA examina los registros disponibles, identifica una probable solicitud repetida, redacta una corrección y genera pruebas antes de que esa persona haya analizado la causa. Puede que el equipo termine antes. Pero ¿sabrá reconocer el mismo problema en otro sistema, o detectar un error en la corrección sugerida?
Mi postura es que una organización que automatiza trabajo que ayudaba a formarse a quienes empiezan debería financiar la práctica, la retroalimentación y la supervisión que lo sustituyan. De lo contrario, sus cuentas registran el ahorro pero dejan sin responder quién pagará la formación que antes aportaba el trabajo eliminado.
Un problema de un cliente. ¿Qué aprende la persona ingeniera?
Una investigación ilustrativa de un pedido duplicado compara una corrección propuesta por la IA con el trabajo de la persona ingeniera para verificar la causa, probar las excepciones y explicar el razonamiento a un colega.
- 10:42:01
- Solicitud recibida
- 10:42:02
- Pedido guardado
- 10:42:03
- Conexión interrumpida
- 10:42:05
- Solicitud repetida
La persona ingeniera investiga
Comprobar si estas solicitudes corresponden a una compra o a dos.
Causa probable: una solicitud repetida.Borrador de corrección: reconocer una solicitud ya procesada.
Borrador de pruebasSolicitud repetida → un pedido
Compra nueva legítima → otro pedido
La persona ingeniera prueba y explica
Reproducir el fallo. Comprobar que una segunda compra real sigue funcionando.
Un colega revisa el razonamiento y la corrección
«Muéstrame qué lo causó, qué probaste y qué sigue siendo incierto».
Corrección y resultados de las pruebas listos para revisión
Un trabajo terminado; en esta vista no se ha evaluado lo que entiende la persona ingeniera.
La pregunta detrás de la prueba
¿Demuestra la prueba que un segundo pedido legítimo sigue funcionando, o solo que dejan de aparecer duplicados?
Terminar no es lo mismo que entender
Aquí, entender significa ser capaz de explicar la causa, probar la solución propuesta, identificar sus límites y aplicar el razonamiento a un caso nuevo.
En un pequeño estudio aleatorizado publicado en enero de 2026, investigadores de Anthropic pidieron a ingenieros de software, en su mayoría júniores, que trabajaran con una biblioteca de Python que no conocían. En una prueba de conocimientos posterior, quienes contaron con asistencia de IA obtuvieron de media peores resultados que quienes trabajaron sin ella. La mayor diferencia se dio en la depuración. El grupo con IA terminó algo más rápido, pero el estudio no pudo distinguir con confianza esa diferencia del azar.[1]
El estudio midió la comprensión poco después, no la competencia años más tarde. Aun así, plantea una preocupación práctica: el trabajo terminado puede decirle a un responsable menos que antes sobre lo que entiende la persona que lo hizo.
También hay evidencia en el sentido contrario. Un estudio sobre agentes de atención al cliente concluyó que la asistencia de IA mejoró la productividad, sobre todo la de los trabajadores con menos experiencia. Los investigadores encontraron además indicios de aprendizaje: las mejoras se mantuvieron durante las interrupciones en las que no había sugerencias de la IA.[2]
Los estudios analizaron trabajos y herramientas distintos. En nuestro ejemplo, la pregunta es qué ocurre después de que la IA le da la corrección a la persona ingeniera. ¿Investiga por qué funciona y dónde podría fallar antes de enviarla?
| Estudio | Qué encontraron los investigadores | Qué no demuestra |
|---|---|---|
| Aprender una biblioteca de programación desconocida: 52 ingenieros de software, en su mayoría júniores. Anthropic, enero de 2026. [1] | La puntuación media en la prueba de conocimientos fue del 50 % con asistencia de IA y del 67 % sin ella. La diferencia en el tiempo para completar la tarea no fue estadísticamente significativa. | Una evaluación pequeña e inmediata no demuestra la competencia profesional a largo plazo. |
| Asistencia de IA para 5172 agentes de atención al cliente. Estudio publicado, 2025. [2] | Un 15 % más de incidencias resueltas por hora de media, con mayores beneficios para los trabajadores con menos experiencia. Las mejoras durante las interrupciones de la IA aportaron evidencia compatible con el aprendizaje. | Los resultados de un solo lugar de trabajo no muestran que cualquier herramienta de IA o forma de organizar el trabajo mejore el aprendizaje. |
| Empleo de los trabajadores de 22 a 25 años en ocupaciones muy expuestas a la IA. Actualización de Stanford, agosto de 2026. [4] | En junio de 2026, el empleo estaba alrededor de un 19 % por debajo de donde habría estado si hubiera seguido el ritmo de sus pares de la misma edad en ocupaciones menos expuestas. | Se trata de una brecha de empleo relativa, no de una prueba de que la IA haya causado la pérdida del 19 % de todos los empleos júnior. No mide directamente el aprendizaje. |
Hacerlo todo a mano tampoco garantiza el aprendizaje. Repetir una tarea sin retroalimentación puede quedarse en mera repetición. Deberíamos conservar las oportunidades de investigar, entender y asumir responsabilidades, a la vez que mejoramos la forma de hacer el trabajo.
Para qué puede prepararnos la educación
La persona ingeniera ya empezó a aprender a cuestionar un resultado durante su formación y su práctica anterior. La educación debería reforzar esa capacidad enseñando cómo funciona la materia, qué cuenta como evidencia y cómo reconocer una explicación débil. Aprender a usar la IA debería apoyarse en esas bases.
La evaluación debería hacer visible la comprensión. En nuestro ejemplo, un estudiante podría explicar por qué apareció el duplicado, mostrar cuándo falla una corrección propuesta y defender un enfoque distinto. Un trabajo pulido, por sí solo, dejaría esas preguntas sin respuesta.
Una universidad puede simular este incidente y evaluar la respuesta. La responsabilidad de modificar un sistema en producción que usan clientes reales añade consecuencias que un ejercicio de clase no puede reproducir del todo. Los empleadores deberían ayudar a los docentes a ofrecer proyectos realistas y prácticas remuneradas, y después continuar la formación mediante trabajo supervisado. Esperar que los recién graduados lleguen preparados para responsabilidades complejas mientras se les retiran las oportunidades de practicar crea un problema que otro certificado no tiene por qué resolver.
El marco de 2026 del Foro Económico Mundial, elaborado con PwC, analiza cómo se incorporan las personas al trabajo, en qué consisten sus empleos, cómo se desarrollan y cómo las prepara la educación.[3] Docentes y empleadores tienen que ponerse de acuerdo sobre quién aporta cada experiencia, quién la supervisa y cómo comprobarán lo que han aprendido las personas.
¿Quién se beneficia y quién paga el aprendizaje?
Volvamos al equipo que gestiona los pedidos duplicados. Supón que una persona ingeniera con experiencia que usa IA ya puede resolver trabajo que antes requería a un colega júnior. Hay una razón de negocio para considerar ese cambio. También hay una decisión de financiación dentro de él.
Producir más no determina quién se beneficia. La ganancia podría destinarse a más automatización, salarios más altos, precios más bajos, beneficios o rendimientos para los propietarios. También podría financiar práctica remunerada, supervisión y tiempo protegido para aprender cuando el trabajo eliminado ayudaba a las personas a formarse.
Supón que el equipo conserva a la persona ingeniera júnior, pero espera que un colega con experiencia le enseñe sin reducir su carga de trabajo. Ha designado a una persona mentora sin darle tiempo para ejercer como tal. El plan debe reservar tiempo de trabajo para enseñar y practicar, además de dinero para herramientas.
Si un empleador espera que las personas adquieran esa misma experiencia en otro lugar, alguien más tendrá que ofrecerla y financiarla. Podría ser otro empleador, un centro de formación, un programa público o la propia persona que aprende. Exigir una preparación no remunerada plantearía además la cuestión de quién puede permitirse entrar.
Formar cuesta dinero, y un empleado formado puede irse. Una propuesta de formación creíble tiene que reconocerlo. Comprar herramientas y contratar a personas con experiencia también cuesta dinero. La comparación debería incluir cómo mantendrá la organización las habilidades que espera necesitar.
¿De dónde saldrá el próximo empleado con experiencia?
Pero financiar la práctica solo sirve si las personas tienen, de entrada, la oportunidad de acceder a la profesión. Por eso la cuestión de la formación se convierte en una cuestión de contratación.
Investigadores de Stanford que utilizaron datos de nóminas de ADP informaron de que, en junio de 2026, el empleo de los trabajadores de 22 a 25 años en ocupaciones muy expuestas a la IA estaba por debajo de donde habría estado si hubiera seguido el ritmo de trabajadores de edad similar en ocupaciones menos expuestas (consulta la fila sobre empleo en la tabla de evidencias). Su análisis sugiere que el cambio refleja sobre todo que se contrata a menos jóvenes, más que un aumento de los trabajadores que dejan su empleo.[4]
Los resultados muestran una diferencia en el empleo; no establecen cuánto de ella causó la IA. Además, el estudio agrupa a los trabajadores por edad, lo que no indica necesariamente cuánta experiencia tienen.
Tampoco demuestra el hallazgo que vaya a haber una futura escasez de líderes. Eso sigue siendo un riesgo que hay que considerar. Si menos personas acceden a una profesión, o quienes acceden reciben una práctica menos útil, las organizaciones tienen que examinar cómo funcionarán sus planes futuros de contratación y promoción.
Contratar a personas con experiencia formadas en otro lugar puede ser razonable para una organización concreta. La pregunta difícil surge si muchos empleadores esperan que sean otros quienes ofrezcan esa formación. ¿De dónde saldrá la experiencia y quién tendrá acceso a ganarla?
Lo que debe permanecer cuando cambia la tarea
La persona ingeniera júnior de nuestro ejemplo puede usar la IA y aun así aprender del problema de los pedidos duplicados. Pídele que investigue la causa, que explique la corrección sugerida y que pruebe si un segundo pedido legítimo sigue funcionando. Haz que un colega con experiencia revise el razonamiento además del código. Con el tiempo, dale más responsabilidad a medida que demuestre que entiende.
Eso requiere tiempo de ambas personas. Un responsable no puede pedir una formación cuidadosa mientras solo premia cerrar tickets lo más rápido posible. Los colegas con experiencia también tienen que aceptar que guiar a alguien puede llevar más tiempo que terminar el trabajo ellos mismos.
Para cada cambio sustancial en el trabajo júnior, yo pediría al empleador que identifique qué aprendían antes las personas, dónde lo practicarán ahora, quién las guiará y cómo se financiará el tiempo de esa persona. Los docentes deberían ayudar a preparar a los estudiantes para esas tareas. De los estudiantes debería esperarse que expliquen y cuestionen el trabajo que entregan, incluido el producido con IA (consulta nuestras guías sobre qué aprender de IA (en inglés) y sobre si vale la pena estudiar ingeniería de prompts (en inglés)).
El cliente necesita que se corrija el pedido duplicado. La empresa también necesita a alguien capaz de investigar el próximo fallo desconocido. Una decisión de automatización debería tener en cuenta ambas cosas.
Fuentes y evidencias
Fuentes revisadas el 27 de septiembre de 2026. La situación inicial es ilustrativa, no el relato de un proyecto concreto. Las recomendaciones y las posibles consecuencias futuras son interpretación del autor; los estudios citados a continuación no demuestran una escasez de profesionales a largo plazo.
- Anthropic — “How AI assistance impacts the formation of coding skills,” 29 de enero de 2026. Un pequeño experimento aleatorizado que mide la comprensión inmediata de una biblioteca de programación desconocida. No demuestra efectos a largo plazo en la carrera profesional. ↩
- Erik Brynjolfsson, Danielle Li y Lindsey Raymond — “Generative AI at Work,” The Quarterly Journal of Economics, mayo de 2025. Un estudio sobre 5172 agentes de atención al cliente, que incluye evidencia compatible con el aprendizaje durante el uso de la IA. Los resultados proceden de un único entorno de trabajo. ↩
- Foro Económico Mundial, en colaboración con PwC — “Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways,” 22 de junio de 2026. Un marco que conecta el acceso al empleo, el diseño de los puestos, el desarrollo del talento y la educación. Ofrece recomendaciones, no la prueba de que un programa de formación concreto funcione. ↩
- Erik Brynjolfsson, Bharat Chandar y Ruyu Chen — “No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%,” Stanford Digital Economy Lab, 12 de agosto de 2026. Resumen de los autores de su investigación revisada sobre el empleo hasta junio de 2026. Explica la brecha relativa, las limitaciones del análisis y por qué los resultados no deben tratarse como estimaciones causales. ↩