Este texto sintetiza una década de investigación para examinar cómo la IA generativa y los modelos de lenguaje a gran escala están transformando radicalmente la ingeniería de software. La investigación destaca un cambio de la codificación manual hacia un nuevo paradigma de especificación de intenciones, orquestación de agentes y verificación rigurosa. Si bien estas herramientas ofrecen importantes aumentos de productividad, especialmente para principiantes, también introducen una paradoja de confianza: una mayor adopción coincide con preocupaciones sobre la seguridad del código y los costos ocultos de mantenimiento. Para abordar estos cambios, el autor propone un modelo de competencias de nueve dimensiones y una hoja de ruta curricular universitaria de cuatro fases diseñada para priorizar el juicio humano sobre la simple producción de código. En última instancia, las fuentes argumentan que el futuro del campo depende de una confianza calibrada y de la capacidad de los ingenieros para supervisar críticamente los sistemas de IA autónomos.
Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "The Rise of AI-Native Software Engineering: Implications for Practice, Education, and the Future Workforce", por Mamdouh Alenezi, de Arabia Saudita. Publicado el 11 de Julio de 2026.
El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.
El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.
Resumen
Alicia
¿Qué pasaría si te dijera que darle a un desarrollador de software, experto y altamente capacitado, una asistente de IA avanzada podría hacerlo, de hecho, un 19% más lento en su trabajo?
Beto
Suena totalmente ilógico.
Alicia
Así es. Pero bienvenidos a un nuevo análisis profundo. Hoy vamos a ver por qué la revolución de la IA en la codificación no es la aceleración limpia y mágica que se nos ha vendido.
Beto
Sí, constantemente escuchamos sobre la automatización, y existe esta expectativa de una transición a una línea de producción prístina.
Alicia
Sí, simplemente escribes un "prompt", la máquina lo desarrolla, y ¡boom!, sale un producto terminado perfecto.
Beto
Y si han estado prestando atención al mundo de la tecnología últimamente, probablemente hayan oído que la ingeniería de software es el punto de partida para esto.
Alicia
Absolutamente. Pero cuando salen del ámbito de la publicidad engañosa y entran en las trincheras reales del desarrollo de software, esa línea de producción se ve increíblemente desordenada.
Y es exactamente por eso que les traemos esto hoy, porque como alguien que navega por este panorama moderno, ya sea un programador, o quizás un gerente que mira la producción de sus equipos, o simplemente muy curioso sobre cómo se está construyendo el futuro del trabajo del conocimiento, necesitan saber lo que realmente está sucediendo en el terreno.
Beto
Y necesitan saberlo sin ahogarse en la sobrecarga de información, porque hay demasiado ruido por ahí ahora mismo.
Alicia
Mucho ruido. De hecho, tenemos una pila masiva de notas hoy centrada en un "preprint" recién publicado y de gran relevancia desde junio de 2026. Es de Mamdouh Alenezi.
Beto
Sí. Y el verdadero valor de este artículo, tengo que decir, es su síntesis rigurosa. No es solo un experimento localizado.
Alicia
Correcto. Es masivo.
Beto
Revisa sistemáticamente 48 estudios verificados y revisados por pares e influyentes. Y abarca una década completa. Desde 2016 hasta 2026.
Alicia
Vaya. 10 años de datos.
Beto
Exacto. Los investigadores extrajeron información de los principales foros de ingeniería de software, aprendizaje automático, educación informática e incluso economía laboral. Básicamente agregaron los datos más confiables que tenemos para mostrarnos la imagen macro de toda la industria.
Alicia
Así que nuestra misión para este análisis profundo es clara. Vamos a cortar el ruido y a mirar los datos duros para entender exactamente cómo la IA generativa, los modelos de lenguaje grandes y la IA agente están cambiando la forma en que se construye el software.
Beto
Y cómo se enseña también, lo cual es enorme.
Alicia
Sí, exactamente. Y lo que todo esto significa para el futuro de la fuerza laboral humana.
SE3.0: el cambio hacia la ingeniería de software nativa de IA
Alicia
Muy bien, desglosémoslo. ¿Dónde empezamos a medir la escala de lo que realmente está sucediendo?
Beto
Bueno, para captar la escala, realmente tenemos que mirar los datos científicos. Esa es la medida real de la producción y el enfoque de la investigación científica.
Alicia
Muy bien, ¿cuántos artículos se están publicando?
Beto
El artículo describe un punto de inflexión increíble. La producción anual de investigación sobre modelos de lenguaje grandes e ingeniería de software creció aproximadamente cinco veces inmediatamente después del lanzamiento de ChatGPT a finales de 2022.
Alicia
Cinco veces. Eso es una locura.
Beto
Es masivo. Estamos hablando de un tema pasando de ser un área de exploración académica de nicho a una obsesión académica a nivel de campo, de forma instantánea.
Alicia
Y supongo que la difusión de estas herramientas en la fuerza laboral comercial reflejó exactamente esa misma trayectoria explosiva.
Beto
Oh, completamente. Fue paralela.
Alicia
Para entender lo que nos dicen los datos sobre la productividad y los cuellos de botella, siento que primero tenemos que entender exactamente lo que están haciendo los ingenieros de software con la IA ahora mismo.
Beto
Sí, eso es crucial, porque la imagen que pinta el artículo es que hemos ido mucho más allá del autocompletado.
Alicia
Sí. El término de IA generativa y de IA agente se usa tanto. ¿Cuál es el cambio técnico real aquí, en el terreno?
Beto
Pues hemos visto un cambio muy rápido en la frontera de la capacidad. Hace solo unos años, estábamos lidiando principalmente con modelos fundacionales.
Alicia
¿Como qué?
Beto
Bueno, si miras sistemas de hace unos años, como CodeBERT o CodeT5, su función principal era altamente localizada y limitada.
Un desarrollador empieza a escribir una línea de sintaxis, y el modelo predice el resto de esa línea específica. O tal vez sugiere la siguiente función basada en el contexto inmediato. Era muy determinista.
Alicia
Correcto. Como un corrector ortográfico súper potente, o texto predictivo en tu teléfono, pero para el código, realmente solo está ayudando con la tarea inmediata que tienes frente a ti.
Beto
Exacto. Pero el cambio documentado en esta revisión exhaustiva nos mueve de esos modelos de finalización fundacional a agentes autónomos y marcos multiagente.
Alicia
Así que cosas como el SWE-Agent o ChatDev, ¿verdad?
Beto
Sí. Y MetaGPT. Con estas herramientas, no solo le estamos pidiendo a la máquina que complete una línea de sintaxis. La pregunta operativa se ha convertido en: ¿puede este sistema intentar resolver un problema completo de repositorio del mundo real de principio a fin?
Alicia
Quiero hacer una pausa en eso porque suena como un salto masivo. ¿Puedes decir resolver un problema de principio a fin? ¿Cómo hace realmente la máquina eso? Porque ya no solo está adivinando texto.
Beto
No, está intercalando el razonamiento con las acciones. Estos sistemas agentes navegan por directorios enteros de archivos, leen el código existente, proponen correcciones funcionales y, crucialmente, utilizan protocolos de autorreflexión.
Alicia
Espera, ¿protocolos de autorreflexión? ¿Cómo se reflexiona un software sobre su propio trabajo?
Beto
Bueno, esencialmente califica su propia tarea.
Alicia
¿En serio?
Beto
Sí. La IA escribe un fragmento de código para corregir un error, ejecuta una prueba contra ese código y luego lee el mensaje de error cuando la prueba falla inevitablemente.
Alicia
Oh, vaya.
Beto
Y luego toma ese mensaje de error, reescribe su propio código para corregir el error y ejecuta la prueba de nuevo. Repite todo este proceso de forma autónoma.
Alicia
Así que estoy imaginando esta transición. Es como pasar de ser un cocinero de línea cortando verduras, que es equivalente a escribir líneas individuales de sintaxis, a, de repente, ser el chef ejecutivo.
Beto
Esa es una forma perfecta de verlo.
Alicia
Sí. Ya no estás cortando las cebollas. Estás diseñando el menú general, orquestando al personal de cocina y probando el plato final para asegurarte de que esté correcto. El artículo realmente se refiere a esta transición como "SE 3.0", un paradigma impulsado por la intención y basado en la conversación.
Beto
Lo fascinante aquí es a dónde está migrando el esfuerzo humano.
Alicia
Sí, ¿a dónde va?
Beto
Bueno, el ingeniero humano no desaparece de la ecuación en absoluto, lo cual va en contra de gran parte del pánico generalizado que escuchamos.
Alicia
Totalmente. Entonces, ¿cuál es el desafío ahora?
Beto
El desafío se traslada a traducir un problema de negocios desordenado en una intención precisa, refinar esa intención y luego verificar rigurosamente que la salida, algo impredecible de la máquina, realmente logre el objetivo.
Alicia
Así que estamos retrocediendo del lienzo para dirigir el pincel, pero esto nos lleva a una contradicción masiva en los datos.
Beto
¿Será la productividad?
Alicia
Sí, porque lógicamente, si la IA está haciendo el trabajo pesado de escribir el código e incluso ejecutar sus propias pruebas, los humanos deben estar haciendo las cosas mucho, mucho más rápido, ¿verdad? Sin embargo, los datos muestran algo que se siente completamente ilógico.
Beto
Lo hace. Presenta una imagen muy debatida y matizada de la productividad. Simplemente no es un aumento plano en todos los aspectos.
Alicia
Bueno, veamos primero los éxitos, porque las ganancias son innegables en ciertos contextos. El artículo destaca aceleraciones increíbles, especialmente para los novatos que realizan tareas contenidas.
Beto
Definitivamente.
Alicia
Hay un estudio que muestra una aceleración del 55.8% en una tarea de servidor HTTP delimitada cuando los desarrolladores usaron Github Copilot.
Beto
Esa es un margen enorme.
Alicia
Sí. Y otro estudio masivo de organización en tres empresas diferentes, con miles de desarrolladores, mostró un aumento del 26% en las tareas completadas en general, y los desarrolladores junior obtuvieron lo máximo de la ayuda.
Beto
Sí, esas son ganancias medidas sustanciales. La compresión de habilidades está sucediendo absolutamente, donde los trabajadores con menos experiencia son elevados a una base de competencia mucho más rápido.
Alicia
Pero, y este es un punto importante, estoy mirando esta prueba controlada de 2025 mencionada en las fuentes y me detuvo en seco.
Beto
El caso de la base de código madura.
Alicia
Sí. Si la IA es este acelerante mágico, ¿por qué esta prueba mostró que los desarrolladores altamente experimentados eran en realidad un 19% más lentos cuando usaban IA en bases de código heredadas maduras?
Beto
Es salvaje, ¿verdad?
Alicia
Me cuesta entender cómo puedes tener una herramienta avanzada que literalmente haga el tecleo por ti y termines tardando más en terminar el trabajo.
Beto
Bueno, esto es lo que el artículo sintetiza como "la paradoja de la productividad". Para entender por qué sucede esto, tenemos que mirar el mecanismo subyacente de cómo un desarrollador interactúa con el código.
Alicia
Okay, desglosémelo para mí.
Beto
Cuando un desarrollador humano escribe código completamente desde cero, está construyendo un modelo mental intrínseco de su lógica, paso a paso, mientras teclea. Entienden cada dependencia porque la crearon ellos mismos.
Alicia
Sí, es su propia arquitectura.
Beto
Exacto. Pero cuando una IA genera un bloque masivo de código, especialmente en un sistema complejo y maduro que ha existido durante años, el desarrollador humano ahora tiene un trabajo totalmente diferente. Tiene que leer, interpretar, depurar y verificar ese código.
Alicia
Ah, ya veo. Esencialmente tienen que hacer ingeniería inversa de la lógica de la máquina para averiguar lo que acaba de hacer.
Beto
Sí. Y eso requiere una tremenda carga cognitiva. Piensa en la carga de verificación de esta manera: Es como tratar de editar una novela elegante de 500 páginas escrita por un guionista fantasma que no se molestó en leer las notas del personaje de los tres libros anteriores de la serie.
Alicia
Oh, hombre. Eso suena como una pesadilla.
Beto
Lo es. El tiempo ahorrado por no teclear ese primer borrador físico se consume por completo y a menudo se supera por el tiempo que se tarda en buscar todos los errores de continuidad sutiles.
Alicia
Porque la IA no tiene el contexto de los últimos cinco años de decisiones humanas desordenadas tomadas en esa base de código corporativa específica, simplemente escribe lo que parece estadísticamente plausible.
Beto
Precisamente. En sistemas maduros, donde un solo cambio podría romper una docena de dependencias interconectadas que no son inmediatamente obvias, leer y verificar código alucinado toma a un desarrollador sénior significativamente más tiempo que simplemente escribirlo desde cero con su propio modelo mental intacto.
Alicia
Eso tiene todo el sentido cuando lo pones así.
Beto
Y aquí está el golpe psicológico de los datos. El estudio de 2025 señaló que los desarrolladores creían activamente que estaban trabajando más rápido cuando usaban las herramientas, incluso cuando estadísticamente se les midió como un 19% más lentos.
Alicia
Eso es salvaje. La sensación de productividad enmascara la realidad de la ralentización.
Beto
Porque la parte de teclear es rápida.
Alicia
Sí. La fricción del tecleo desaparece, por lo que se siente rápido, incluso si pasas las siguientes tres horas buscando un error que introdujo la IA. Y esa ilusión de velocidad nos lleva a una ilusión mucho más peligrosa delineada en estas fuentes, que es la ilusión de competencia y seguridad.
Beto
Sí, aquí es donde se pone aterrador.
Alicia
Porque si estamos pasando todo nuestro tiempo verificando la IA, tenemos que preguntarnos qué tan buena es la capacidad de código de la IA para empezar.
Beto
La realidad de la seguridad es desconcertante. El artículo señala un estudio importante donde aproximadamente el 40% de los programas generados por IA en escenarios sensibles a la seguridad contienen vulnerabilidades graves.
Alicia
40%.
Beto
Sí. Y estas no fueron solo erratas menores. Fueron vulnerabilidades de la lista "Top 25" de MITRE.
Alicia
Okay. Para los que no sepan, la lista Top 25 de MITRE no es solo una lista de errores extraños. Es el catálogo estándar de la industria de las debilidades de software más peligrosas y fácilmente explotables del mundo.
Beto
El tipo de cosas que arruinan a las empresas.
Alicia
Exacto. Cosas que conducen a brechas de datos masivas. Y el 40% de las salidas de la IA las contienen. Eso es un margen de error aterrador.
Beto
Es una responsabilidad masiva.
Y esto introduce lo que la síntesis de la investigación llama "la paradoja de la confianza".
Alicia
¿Qué es eso?
Beto
Los datos de telemetría y encuestas de 2025 muestran que el 84% de los desarrolladores habían adoptado esta asistencia de IA en su flujo de trabajo diario. Pero simultáneamente, su confianza autodeclarada en la salida de la IA estaba cayendo.
Alicia
Okay. Así que la están usando más, pero confiando menos en ella.
Beto
Sí. Y aquí está la paradoja, en entornos controlados, los usuarios con asistencia de IA escribieron código menos seguro mientras se sentían más confiados en su seguridad que aquellos que codificaron sin IA.
Alicia
Oh, vaya. Es exactamente como confiar tanto en un GPS, que pierdes por completo tu propio sentido de la dirección.
Beto
Sí, es exactamente eso.
Alicia
Terminas perdiéndote en tu propio vecindario porque dejas de mirar la carretera, dejas de leer las señales de tráfico y simplemente sigues ciegamente la línea azul en la pantalla, incluso si te lleva a un lago.
Te sientes confiado porque la máquina te está guiando con una voz muy autoritaria, pero tu conducción real es demostrablemente peor.
Beto
Esa analogía se mapea perfectamente con el mecanismo en juego aquí. Cuando usas un GPS constantemente, externalizas tu conciencia espacial. En la ingeniería de software ahora, los desarrolladores están externalizando inadvertidamente su conciencia de seguridad.
Alicia
Porque el código se ve bien.
Beto
Sí. La máquina produce algo que se ve increíblemente fluido y profesional, lo que evita nuestro escepticismo natural. Y este fenómeno se extiende directamente a cómo aprendemos estas habilidades en primer lugar. El artículo vincula esto fuertemente a la educación a través de lo que llama "la paradoja de la confianza".
Alicia
Hombre, si estás gestionando un equipo ahora, esta próxima parte es aterradora. Porque si los profesionales experimentados están cayendo en esta trampa, ¿qué está pasando con el personal junior o los estudiantes que solo están aprendiendo a codificar?
Beto
Bueno, estudios de 2023 y 2024 que rastrean cursos universitarios de ciencias de la computación encontraron que, si bien el acceso a la IA aceleró drásticamente el trabajo de estudiantes fuertes y experimentados, dio a los novatos con dificultades una "ilusión masiva de competencia".
Alicia
Una ilusión de competencia.
Beto
Sí, porque estos novatos podían pedirle a la IA que generara un programa funcional muy fluido, parecían estar teniendo éxito en papel. Estaban entregando tareas que funcionaban perfectamente.
Alicia
Pero en realidad no sabían lo que estaban haciendo exactamente.
Beto
Exacto. Esos resultados fluidos enmascararon una comprensión totalmente superficial. Cuando los investigadores sentaron a esos mismos estudiantes y les pidieron que explicaran el código que acababan de entregar o rasteara su lógica sin la ayuda de la IA, no pudieron hacerlo.
Alicia
No aprendieron cómo funciona el motor. Simplemente aprendieron a pedirle indicaciones al GPS.
Beto
Exacto.
Alicia
Entonces, si la IA nos da código defectuoso con fallas de seguridad masivas, hace que los desarrolladores expertos sean más lentos en sistemas complejos y le da a los novatos una falsa sensación peligrosa de habilidad, ¿Cómo se supone que debemos usarla de manera efectiva? Obviamente no podemos devolver al genio en la botella. Necesitamos un conjunto totalmente nuevo de habilidades.
Beto
Sí. El artículo propone un marco sintetizado muy específico para esta nueva era de la ingeniería. Y se desglosa en tres pilares fundamentales: intención, colaboración y verificación.
Alicia
Estoy tratando de visualizar cómo se desarrolla esto en el trabajo. Empecemos con la intención.
Beto
La intención es sobre el encuadre del problema y la especificación. Es la capacidad de expresar lo que quieres, lo suficientemente preciso como para que un sistema estocástico y probabilístico pueda actuar sobre ello de manera predecible.
Alicia
Así que se está alejando de escribir la solución para describir perfectamente el problema.
Beto
Sí, muy bien dicho.
Alicia
Okay, entonces, si la intención es dibujar el plano, ¿cómo encaja la colaboración? ¿Es eso como manejar diferentes herramientas de IA para construir la casa?
Beto
Exacto. La colaboración es la pieza de orquestación. Involucra gestionar equipos humanos y de IA, coordinar múltiples agentes de IA especializados. Así que tal vez un agente ejecute el código y otro agente escriba las pruebas y un tercero lo revise e integre sus salidas sin problemas en un producto cohesivo.
Alicia
¿Y el tercer pilar?
Beto
Finalmente, la verificación es el escrutinio de lo que se construye. Involucra evaluación crítica, pruebas rigurosas y lo que los investigadores llaman "calibración de confianza".
Alicia
Okay, calibración de confianza.
Beto
Sí. Todo esto está envuelto en un envoltorio obligatorio de ética y seguridad, lo que significa que la seguridad no es una ocurrencia tardía. Es la lente a través de la cual cada pieza de código de IA debe ser vista.
Alicia
Aquí es donde se pone realmente interesante para mí. Mirando este nuevo plano de competencia, intención, colaboración, verificación, podrías pensar, genial, ya no necesito aprender a codificar. Solo necesito aprender a escribir un buen "prompt" y gestionar un chatbot.
Beto
Mucha gente lo está diciendo.
Alicia
Pero la conclusión más crucial del marco del artículo es que toda esta estructura nativa de IA todavía se basa enteramente en fundamentos duraderos de la informática. Todavía tienes que conocer los temas duros.
Beto
Si conectamos esto con la imagen más grande, explica exactamente por qué esos fundamentos fundamentales son innegociables. No puedes evaluar, supervisar o verificar significativamente la salida de un sistema de IA, si no entiendes tú mismo los algoritmos, las estructuras de datos y la arquitectura del sistema.
Alicia
Porque no verás los errores.
Beto
Sí, simplemente no detectarás las fallas estructurales sutiles.
Alicia
Volviendo a nuestra analogía de la cocina, no puedes ser el chef ejecutivo probando el plato final y devolviéndolo, si no sabes fundamentalmente cómo debe saber una cebolla bien salteada.
Beto
Esa es la esencia de ello. La habilidad más valiosa en esta era es ese concepto de confianza calibrada. Eso significa saber exactamente cuándo confiar en la salida de la IA para ahorrar tiempo y exactamente cuándo el contexto te exige que la escrutines, la reescribas o la descartes por completo.
Alicia
Y solo puedes hacer eso si sabes lo tuyo.
Beto
Solo puedes calibrar esa confianza si tu propio conocimiento fundamental es sólido como una roca. Un supervisor es prácticamente inútil si no entiende fundamentalmente la mecánica del trabajo que está supervisando.
Alicia
Okay, así que sabemos las habilidades que necesitamos. Necesitamos intención, colaboración, verificación, todo construido sobre fundamentos tradicionales duraderos. Pero ¿cómo llegamos a eso?
El análisis profundo aquí explora cómo las escuelas y las empresas corporativas están siendo obligadas a adaptar por completo sus hojas de ruta para construir estos músculos humanos específicos.
Beto
Sí, la adaptación está sucediendo ahora mismo.
Alicia
Veamos primero las universidades.
Beto
El artículo describe una hoja de ruta curricular muy deliberada de cuatro fases para las universidades. Y está impulsada completamente por la necesidad de realinear la evaluación. Porque las tareas tradicionales, "hacer un programa que haga X", ahora son resueltas fácilmente por la IA en dos segundos.
Alicia
Esta hoja de ruta es fascinante porque es una restricción deliberada y dura de la IA. Lo llaman "la fase fundacional". Prohíbes completamente la IA para la construcción de habilidades fundamentales.
Beto
Tienes que forzar la lucha cognitiva. Todo el punto de la fase uno es construir esos modelos mentales intrínsecos que hablamos antes.
Alicia
Sí.
Beto
Si un estudiante usa IA para resolver un algoritmo de ordenación básico, nunca experimenta la frustración y la resolución de problemas requeridas para entender cómo se mueven los datos.
Así que las universidades están pasando fuertemente a exámenes presenciales vigilados, defensas orales donde los estudiantes tienen que explicar verbalmente su lógica y rastreo manual de código en papel.
Alicia
Porque sin esa restricción inicial, se activa inmediatamente la paradoja de la competencia. Tienes que proteger la práctica deliberada al principio.
Luego pasamos a las fases dos y tres, donde la IA se introduce progresivamente. Pero no se introduce como un oráculo que te da la respuesta. Se introduce como un colaborador estable.
Beto
Sí. La evaluación cambia por completo aquí.
Alicia
En lugar de que un profesor diga, "escribe este código", la tarea se convierte en: "aquí hay un bloque de código generado por IA. Revísalo, encuentra las tres vulnerabilidades de seguridad ocultas, y diseña un conjunto de pruebas para demostrar que falla".
Beto
Está entrenando explícitamente ese músculo de la verificación.
Y luego este currículo culmina en las pruebas finales de la fase cuatro.
Alicia
¿Cómo se ve eso?
Beto
Este es trabajo auténtico a escala de repositorio usando agentes autónomos. El trabajo del estudiante ya no es escribir los componentes. Su trabajo es la gobernanza, la orquestación y probar que el sistema final es seguro.
Alicia
Entonces, ¿qué significa todo esto para las personas que ya salieron de la escuela? Las empresas están empleando actualmente a miles de estos ingenieros y tratando de descubrir su estrategia de IA hoy.
Beto
Bueno, para la transformación orientada al trabajo, la síntesis es muy clara. Las organizaciones no pueden depender de una política de IA única para todos. Las necesidades de capacitación están fuertemente bifurcadas según los niveles de experiencia.
Alicia
Esta capacitación bifurcada tiene sentido en teoría, pero estoy tratando de imaginar la ejecución. Si la mayor trampa de un desarrollador junior es esa ilusión de competencia, ¿cómo lo entrenas realmente para que dude activamente de una máquina que parece increíblemente autoritaria y competente?
Beto
Los desarrolladores junior que entran en la tubería deben estar inmersos en capacitación de verificación. Su incorporación debe centrarse fuertemente en la comprensión de sistemas y la auditoría de seguridad para que no acepten ciegamente la salida de la máquina.
Alicia
¿Tienes que engañarlos?
Beto
Más o menos, sí. Las empresas tienen que simular escenarios donde la IA proporciona código defectuoso, obligando a los desarrolladores junior a encontrarlo. Necesitan aprender a interrogar activamente a la IA.
Alicia
Y los desarrolladores sénior, los que son un 19% más lentos en ese estudio basado en código maduro, ¿qué necesitan?
Beto
Los desarrolladores sénior necesitan un tipo de capacitación completamente diferente. Necesitan capacitación sobre cuándo no delegar.
Alicia
Ah, interesante.
Beto
Necesitan nuevos patrones y heurísticas para reconocer contextos específicos, como cambios arquitectónicos heredados altamente complejos, donde gestionar una asistente de IA crea demasiada carga de verificación.
Alicia
Necesitan saber cuándo simplemente escribirlo es más rápido.
Beto
Necesitan saber cuándo la codificación manual es realmente más segura y rápida. Sobre todo, las organizaciones tienen que dejar de medir la productividad por la producción bruta o las pulsaciones de teclas ahorradas y empezar a medir basándose en el costo total de la verificación y el mantenimiento a largo plazo.
Alicia
Vaya, realmente cambia toda la propuesta de valor de un ser humano en el circuito.
Para los que están escuchando, ya sea que sean ingenieros de software, gerentes de proyecto o realmente cualquier persona que navegue por el lugar de trabajo moderno aumentado por IA, su valor económico principal ya no está en su velocidad de producción bruta.
Beto
Para nada.
Alicia
La máquina puede producir sintaxis o texto o widgets básicos más rápido de lo que tú jamás lo harás. Tu valor ahora está anclado completamente en tu juicio, tu capacidad para especificar una intención precisa y tu capacidad para orquestar y verificar sin piedad la salida de la máquina.
Beto
Esto plantea una pregunta importante y es quizás la tensión más profunda que atraviesa todos estos datos de investigación.
Alicia
Te escucho.
Beto
Los datos muestran claramente que el futuro del trabajo del conocimiento depende de que los humanos posean un conocimiento fundamental duradero para que puedan verificar y supervisar de forma segura los sistemas de IA.
Pero si transitamos nuestra práctica profesional diaria a ser solo editores y supervisores de la salida de la máquina, en lugar de los creadores originales que hacen la lucha fundacional, ¿cómo construirá la próxima generación de profesionales ese conocimiento fundamental profundo en primer lugar?
Alicia
Oh, hombre, esa es una gran pregunta.
Beto
Si sistemáticamente dejamos de hacer el trabajo pesado en nuestro trabajo diario, ¿cómo mantendremos nuestros músculos mentales lo suficientemente fuertes para saber cuándo la máquina nos está mintiendo?
Alicia
Esa es la pregunta de varios billones de dólares para el futuro del trabajo. Si nunca nos forzamos a cortar las cebollas, ¿podremos alguna vez convertirnos realmente en el chef ejecutivo? ¿O simplemente olvidaremos cómo funciona la cocina por completo?
Es una paradoja fascinante para dejarles hoy.
Muchas gracias por acompañarnos en este análisis profundo. Sigan cuestionando las herramientas, sigan construyendo esos modelos mentales fundamentales y sigan haciendo las grandes preguntas. Los veremos la próxima vez.
Entradas
