La cantera rota: cómo se forma a quien audita si ya nadie empieza programando
Los artículos anteriores de esta serie llegaron a una conclusión cómoda para quien ya tiene experiencia: el trabajo humano se mueve a acotar, especificar y auditar, y eso exige más criterio, no menos. Pero el criterio no aparece solo. Se forma haciendo, y buena parte de lo que se hacía para formarlo es justo lo que hoy hace la IA.
Ahí está la paradoja de este artículo: si quien empieza ya no escribe el código sencillo, no corrige los errores fáciles ni recibe revisiones de alguien con más experiencia, ¿de dónde saldrán dentro de diez años las personas capaces de auditar lo que genera la IA?
La ironía, que ya tiene 40 años
En 1983, Lisanne Bainbridge publicó un artículo breve sobre la automatización de procesos industriales que se convirtió en un clásico: Ironies of Automation. Su argumento: cuando se automatiza casi todo, a la persona le queda vigilar al sistema e intervenir en los casos raros. Pero como ya casi no practica, pierde la habilidad que necesita justo para esos casos. Y concluía con la ironía principal: los sistemas automatizados más exitosos, los que casi nunca necesitan intervención humana, son los que exigen más inversión en formar a quien los supervisa.
El desarrollo de software con IA reproduce el mismo esquema. Hay una diferencia, y no es menor: en la industria la persona supervisora ya se había formado operando a mano antes de la automatización. Aquí, quien empieza puede no haberlo hecho nunca.
Lo que dice la evidencia
| Hallazgo | Fuente | Qué dice | Qué no dice |
|---|---|---|---|
| El empleo de personas de 22 a 25 años en ocupaciones expuestas a IA está 19% por debajo de donde estaría si hubiera seguido a sus pares menos expuestos; en quienes tienen experiencia no hay brecha | Brynjolfsson, Chandar y Chen, Stanford, agosto de 2026 | La brecha viene de menos contratación de gente que empieza | Que la IA lo cause: los autores lo presentan como indicador descriptivo |
| De la recuperación de vacantes de desarrollo de software en EE. UU., 71% fueron puestos senior | Indeed Hiring Lab, julio de 2026 | El mercado busca experiencia | Que no vaya a volver la contratación de quien empieza |
| Estudiantes que practicaron con IA sin restricciones mejoraron 48% en la práctica y, al retirarla, obtuvieron 17% menos en el examen que quienes nunca la usaron; un tutor con guardas evitó casi todo el daño | Bastani et al., PNAS, 2025 | Usar la IA como muleta impide aprender | Qué pasa a largo plazo |
| Estudiantes de programación con IA tuvieron una ilusión de avance: nueve de diez con dificultades llegaron a la solución, y la mayoría creía entender más de lo que entendía | Prather et al., ICER, 2024 | La IA oculta a quien aprende lo que no sabe | Que pase igual con otras formas de usarla |
| En endoscopistas con experiencia, la tasa de detección de adenomas sin IA bajó de 28.4% a 22.4% tras meses de trabajar con IA | Budzyń et al., Lancet Gastroenterology & Hepatology, 2025 | Incluso con experiencia, la habilidad se erosiona cuando la IA la ejerce por ti | Causalidad: es un estudio observacional en cuatro centros |
| La complacencia y el sesgo de automatización aparecen tanto en novatos como en expertos, y la simple práctica no los elimina | Parasuraman y Manzey, Human Factors, 2010 | Vigilar a una máquina que casi siempre acierta es difícil para cualquiera | Cómo se comporta con la IA generativa en particular |
Las seis fuentes apuntan en la misma dirección desde ángulos distintos. Se contrata menos a quien empieza. Aprender con la IA haciendo el trabajo deja menos aprendizaje. Y quien ya sabe pierde habilidad si deja de ejercerla.
Cómo se aprendía, y qué se pierde
La formación tradicional en desarrollo de software era en gran parte implícita. Nadie la diseñaba: ocurría porque el trabajo estaba organizado así.
| Lo que hacía quien empezaba | Lo que aprendía sin proponérselo | ¿Lo hace hoy la IA? |
|---|---|---|
| Escribir código repetitivo y sencillo | Fluidez con el lenguaje, patrones del proyecto | Casi siempre |
| Corregir errores reportados por otros | Leer código ajeno, depurar, entender el sistema | Cada vez más |
| Recibir revisiones de alguien con experiencia | Qué se considera correcto y por qué | Si la revisión la hace la IA, se pierde el modelo humano |
| Escribir pruebas de lo que hacía otra persona | Pensar en casos límite | Sí |
| Romper algo en producción y arreglarlo | Respeto por las consecuencias | Menos, si los controles lo atrapan antes |
La columna de la derecha es el problema. Las tareas que la IA hace mejor son justo las de entrada, las que servían para aprender.
Qué necesita saber quien audita
En el artículo sobre los nuevos roles listamos las capacidades de quien audita: leer código de forma crítica, pensamiento adversarial, conocer cómo falla la IA, especificar sin ambigüedad, estadística básica y conocimiento del dominio. Ninguna se aprende leyendo sobre ella. Todas exigen haber visto muchos casos, haberse equivocado y haber recibido una corrección.
El experimento de causa común dejó un ejemplo concreto: una propiedad de prueba que parecía sólida no probaba nada por cómo estaba escrito el código. Detectarlo exige entender el código por dentro, no solo leer que las pruebas pasan.
Una propuesta: aprender auditando
Si el trabajo de entrada ya no forma, hay que diseñar la formación de forma explícita. Tres ideas de la investigación educativa sirven de base:
- Práctica deliberada (Ericsson y colaboradores, 1993): la pericia sale de practicar justo por encima del nivel propio, con metas concretas y retroalimentación inmediata.
- Aprendizaje cognitivo (Collins, Brown y Newman, 1989): quien sabe muestra cómo piensa, acompaña, da apoyos y los va retirando poco a poco.
- Dificultades deseables (Bjork, 1994): lo que cuesta más esfuerzo al practicar es lo que más se retiene. Una herramienta que quita todo el esfuerzo quita también el aprendizaje.
Con esas tres ideas, una escalera de cuatro niveles:
| Nivel | Duración | Programar sin IA | Especificar | Auditar | Trabajar con agentes |
|---|---|---|---|---|---|
| 1 | Meses 0 a 3 | 50% | 15% | 25% | 10% |
| 2 | Meses 3 a 6 | 30% | 25% | 25% | 20% |
| 3 | Meses 6 a 12 | 15% | 25% | 35% | 25% |
| 4 | Después del año | 10% | 25% | 40% | 25% |
El reparto es una propuesta para discutir y probar, no una medición. Lo que importa es la forma:
- Nivel 1: construir la base. Programar a mano problemas pequeños, sin asistentes que generen código. Leer código ajeno a diario. Auditar código generado por IA con errores sembrados, que da retroalimentación inmediata y objetiva: se sabe cuántos había y cuántos encontró.
- Nivel 2: especificar antes de generar. Escribir historias de usuario y pruebas antes del código, y usar la IA como tutor que da pistas en vez de respuestas, que es lo que evitó el daño en el estudio de Bastani.
- Nivel 3: auditar trabajo real en pareja. Revisar cambios reales de riesgo bajo y medio con alguien con experiencia que revisa lo mismo y compara. Medir la calidad de las pruebas con mutación.
- Nivel 4: autonomía con segunda firma. Auditar cambios de alto riesgo con una segunda persona que firma, escribir modelos de amenazas y empezar a formar al nivel 1.
Cómo saber si funciona. La auditoría con errores sembrados da una métrica objetiva: qué fracción de los errores encuentra cada persona, y si su confianza coincide con su acierto. Si la tasa no sube entre niveles, la escalera no está funcionando.
Si en una revisión se sembraron Esembrados errores y la persona encontró Eencontrados, su tasa de detección es:
Quién lo paga
Esta es la parte incómoda. Formar a alguien cuesta tiempo de personas con experiencia, y durante meses quien aprende aporta menos de lo que consume. Una empresa que no contrata gente que empieza y recluta a quien otras ya formaron se ahorra ese costo. Si muchas hacen lo mismo, la cantera se seca para todas.
Es un problema de acción colectiva, y no lo resuelve cada empresa por separado. Algunas piezas que ya existen pueden ayudar:
- Las universidades, si adecuan sus planes como propusimos en Enseñar ingeniería de software cuando la IA programa.
- El servicio social y las prácticas profesionales, orientados a auditar bajo supervisión.
- Programas de entrada compartidos entre varias empresas, o financiados en parte por quienes más contratan experiencia.
Qué está medido y qué no
| Afirmación | Estado |
|---|---|
| Se contrata menos a gente joven en ocupaciones expuestas a la IA | Medido, sin causalidad establecida |
| Aprender con IA sin guardas reduce lo que se aprende | Medido en corto plazo, en bachillerato |
| La IA da a quien aprende programación una falsa sensación de entender | Observado en un estudio pequeño |
| La habilidad de expertos se erosiona al trabajar con IA | Observado en medicina, estudio observacional |
| Una escalera como la propuesta forma auditores competentes | No medido: es una propuesta |
| Sin formación explícita habrá escasez de auditores en diez años | Plausible, no demostrado |
Explicaciones rivales
- La caída de contratación no es por la IA. Podría ser la corrección tras la sobrecontratación de 2021 y 2022, o las tasas de interés. El estudio de Stanford encuentra que las tasas no la explican y que persiste fuera de las empresas de tecnología, pero sigue siendo descriptivo.
- La IA también auditará. Es posible, y en parte ya ocurre. Pero el experimento y el problema de la causa común sugieren que alguien independiente de la IA seguirá haciendo falta, al menos para lo que cuesta caro.
- Se puede auditar sin haber programado. Puede que nuevas herramientas lo permitan. Hoy no hay evidencia de que alguien sin experiencia escribiendo código detecte bien sus errores.
Lo que este artículo no afirma
- No afirma que la IA sea mala para aprender. Afirma que depende de cómo se use: como tutor ayuda, como muleta estorba.
- No afirma que la escalera propuesta sea la correcta. Es una hipótesis de diseño que hay que probar y medir.
- No afirma que la escasez de auditores sea inevitable. Afirma que es probable si nadie diseña la formación de forma explícita.
- No culpa a las empresas que no contratan gente nueva. Describe un incentivo que solo se corrige de forma colectiva.
Fuentes
- Bainbridge, Ironies of Automation, Automatica 19(6), 775–779 (1983).
- Brynjolfsson, Chandar y Chen, Canaries in the Coal Mine?, Stanford Digital Economy Lab, versión de agosto de 2026.
- Indeed Hiring Lab, vacantes de desarrollo de software en EE. UU., julio de 2026.
- Bastani et al., Generative AI without guardrails can harm learning, PNAS 122(26) (2025).
- Prather et al., The Widening Gap, ICER (2024).
- Budzyń et al., Endoscopist deskilling after exposure to artificial intelligence in colonoscopy: a multicenter observational study, The Lancet Gastroenterology & Hepatology 10, 896–903 (2025).
- Parasuraman y Manzey, Complacency and Bias in Human Use of Automation, Human Factors 52(3), 381–410 (2010).
- Ericsson, Krampe y Tesch-Römer, The role of deliberate practice in the acquisition of expert performance, Psychological Review 100(3) (1993).
- Collins, Brown y Newman, Cognitive apprenticeship, en Knowing, Learning, and Instruction (1989).
- Bjork, Memory and metamemory considerations in the training of human beings, en Metacognition (1994).
- Dixi-Project: Deuda de verificación, Acotar, especificar y auditar, Enseñar ingeniería de software cuando la IA programa, ¿Las pruebas de la IA atrapan los errores de la IA? y Un mantenedor, un agente y 141 PRs sin revisión humana (2026).