Cuando se introducen asistentes de IA en un equipo, el argumento habitual es la velocidad: las tareas se completan más rápido, la calidad de los resultados aumenta, especialmente entre los empleados con menos experiencia. Un experimento de campo del ámbito jurídico sugiere que este cálculo funciona a corto plazo, pero a largo plazo tiene un efecto secundario que rara vez aparece en los planes de proyecto.

Se investigó el trabajo de 133 agentes de patentes al redactar reivindicaciones de patentes, es decir, esos bloques de texto formulados con precisión que definen el alcance de protección de una invención. El resultado es ambivalente: los principiantes se beneficiaron más del apoyo de la IA. Sin embargo, cuando el apoyo desapareció, se observó que apenas habían desarrollado habilidades duraderas. Los profesionales experimentados, en cambio, pudieron retener lo aprendido.

Conocimientos básicos como requisito para aprender

La explicación más obvia: quien dispone de sólidos conocimientos especializados puede contextualizar, verificar e integrar las propuestas de un modelo en su propio mapa mental. Así se produce el aprendizaje. Quien aún no tiene esa base, tiende a adoptar los resultados sin poder comprenderlos a fondo: el trabajo se hace, pero la construcción de competencias no se produce.

Con ello se invierte parcialmente una suposición extendida. La IA suele considerarse un igualador que cierra la brecha entre principiantes y veteranos. En el experimento, la cierra en el momento de la tarea, pero no a lo largo del tiempo. El conflicto de objetivos es: productividad inmediata frente a la construcción de experiencia a largo plazo.

Por qué esto se aplica directamente a los equipos de desarrollo

El paralelismo con el desarrollo de software es evidente. Escribir reivindicaciones de patentes y escribir código comparten características centrales: precisión formal, altos costes en caso de error, mucho conocimiento experiencial implícito y una calidad que no se puede evaluar con un vistazo rápido.

Precisamente aquí trabajan hoy los asistentes de programación con IA. Una desarrolladora junior entrega más rápido una solución funcional con asistencia. Si al cabo de un año es capaz de descomponer un problema mal descrito sin herramienta, justificar una decisión de arquitectura o encontrar un error en código ajeno, es otra cuestión. El estudio no aporta una prueba de ello procedente de la informática, pero sí una indicación que conviene tomar en serio.

Para las empresas, esto es un tema estratégico, no un tema de herramientas. Los perfiles sénior no surgen por contratación, sino tras años de práctica. Si esa práctica pierde su efecto de aprendizaje, la cantera interna se seca, y lo hace con retraso y, por tanto, inicialmente de forma invisible.

Qué se puede cambiar concretamente en el día a día laboral

La consecuencia no es mantener la IA alejada de los equipos junior. Eso no sería ni realista ni en el interés de los afectados. Más sensato es acompañar conscientemente el uso de la IA:

  • La revisión como formato de aprendizaje: las revisiones de código no deberían limitarse a comprobar si algo funciona, sino preguntar por qué una solución tiene ese aspecto. Quien presenta un cambio generado por IA debería poder explicarlo.
  • Emparejamiento con colegas experimentados: el trabajo conjunto hace visible la lógica de decisión que un asistente no aporta.
  • Secciones deliberadamente sin herramientas: resolver tareas individuales sin asistencia revela lagunas de conocimiento antes de que resulten costosas en el proyecto.
  • Transmitir los fundamentos de forma explícita: el modelado de datos, los principios de seguridad, las estrategias de depuración o la comprensión de un framework no se pueden reconstruir a partir de sugerencias.
  • Adaptar las tareas según la madurez: los experimentados se benefician de forma más sostenible del trabajo rutinario asistido por IA; los principiantes necesitan tareas en las que la comprensión pase a primer plano.

La trampa de los indicadores

Un efecto secundario merece atención: el impacto de la IA suele medirse por el rendimiento, es decir, tickets entregados, líneas de código, tiempos de ciclo. Tales indicadores muestran la ganancia a corto plazo con mucha fiabilidad y la pérdida a largo plazo, en absoluto. Quien mide el éxito de un despliegue de IA exclusivamente con ellos obtiene una imagen sistemáticamente demasiado positiva.

Más útiles son indicadores adicionales más blandos: ¿con qué autonomía trabajan los miembros del equipo tras un año? ¿Qué tan bien funciona la búsqueda de errores en código desconocido? ¿Cuántas revisiones revelan problemas reales de comprensión? Estas preguntas no se pueden responder de forma automatizada, pero sí en la conversación de equipo.

Clasificación

Para los proyectos web y de software, esto significa: la asistencia de IA es una herramienta de productividad, no un sustituto de la formación. Quien la introduce debería definir al mismo tiempo cómo se sigue generando conocimiento en el equipo, mediante revisiones, emparejamiento y un trabajo deliberado sobre los fundamentos. De lo contrario, se compran entregas más rápidas hoy a cambio de una falta de mentes experimentadas pasado mañana, y precisamente esas son necesarias para poder evaluar de forma fiable los resultados de la IA.

Fuentes