Usar IA te hace peor programador (si la usas mal): lo que dice la ciencia
Un estudio de Anthropic demuestra que la IA reduce un 17% la comprensión del código. Pero hay 3 patrones de uso que preservan el aprendizaje.
TL;DR: Un estudio de Anthropic con desarrolladores reales demuestra que usar IA reduce la comprensión del código en un 17%. Pero no todo uso es igual: se identificaron 3 patrones de interacción que preservan el aprendizaje. Todo depende de cómo la uses, y se puede trabajar con IA sin perder criterio.
El estudio que pone números a lo que muchos intuyen
Hay un debate abierto en el mundo del desarrollo: ¿nos está haciendo peor la IA?
Hasta ahora eran opiniones. Ahora hay datos.
Judy Hanwen Shen y Alex Tamkin, investigadores de Anthropic, publicaron el paper "How AI Impacts Skill Formation" (enero 2026). Es el primer estudio controlado que mide cómo la asistencia de IA afecta al desarrollo de habilidades en programadores.
El resultado principal: los desarrolladores que usaron IA obtuvieron un 17% menos en comprensión del código que los que aprendieron sin ella.
Pero el matiz es más interesante que el titular. No todo uso de IA es igual. Y ahí está la clave para empresas y equipos técnicos.
Cómo se hizo el experimento
El diseño experimental fue riguroso. Desarrolladores con experiencia en Python aprendieron una librería nueva (Trio, para programación asíncrona) bajo dos condiciones:
- Grupo con IA: acceso completo a un asistente de IA (GPT-4o) durante la tarea
- Grupo sin IA: solo documentación y búsqueda web
Después, ambos grupos hicieron un examen sin acceso a IA para medir comprensión real.
Qué midieron
El examen evaluaba 4 dimensiones:
- Depuración: identificar y diagnosticar errores en código
- Lectura de código: entender qué hace un fragmento de código
- Escritura de código: escribir o seleccionar la solución correcta
- Comprensión conceptual: entender los principios fundamentales
| Métrica | Sin IA | Con IA | Diferencia |
|---|---|---|---|
| Puntuación evaluación | ~20.5/27 | ~16.4/27 | -17% |
| Errores encontrados (mediana) | 3 | 1 | -66% |
| Tiempo activo en código | Mayor | Menor | Significativa |
La conclusión es clara: la IA reduce los errores durante el desarrollo, pero también reduce el aprendizaje que esos errores generan.
Los 6 patrones de interacción con IA
Aquí está lo más valioso del estudio. Los investigadores analizaron cómo cada desarrollador interactuaba con la IA y encontraron 6 patrones distintos, divididos en dos grupos:
3 patrones que preservan el aprendizaje
1. Conceptual Inquiry (Consulta conceptual)
El desarrollador solo hace preguntas conceptuales. No pide código. Resuelve errores por su cuenta.
Ejemplo: "¿Trio puede usar fracciones de segundo en sleep?"
- Encuentran más errores que otros patrones
- Pero los resuelven de forma independiente
- Resultado: comprensión alta, velocidad razonable
2. Generation-Then-Comprehension (Genera y luego comprende)
El desarrollador pide código a la IA, pero luego hace preguntas de seguimiento para entender lo que recibió. Copia manualmente en lugar de pegar directamente.
- Genera el código como punto de partida
- Invierte tiempo en entender por qué funciona
- Resultado: buena comprensión, buen equilibrio
3. Hybrid Code-Explanation (Híbrido código-explicación)
Pide código con explicaciones simultáneas. Lee y procesa ambas cosas.
- Más lento que otros patrones
- Pero la explicación refuerza la comprensión
- Resultado: alta puntuación en evaluación
3 patrones que destruyen el aprendizaje
1. AI Delegation (Delegación total)
Delega toda la escritura de código a la IA. Copy-paste sin leer.
- Resultado: menos del 40% en evaluación
- El más rápido... y el que menos aprende
2. Progressive AI Reliance (Dependencia progresiva)
Empieza preguntando poco y termina delegando todo. El clásico "empieza bien, acaba mal".
- Las primeras preguntas son conceptuales
- Gradualmente pasa a pedir código completo
- Falla en las tareas más complejas
3. Iterative AI Debugging (Depuración iterativa con IA)
Pega cada error directamente a la IA sin intentar entenderlo.
- Ciclo: error → pegar en IA → aplicar fix → nuevo error → repetir
- Nunca comprende la causa raíz
- Comprensión débil en todas las dimensiones
La regla de oro: esfuerzo cognitivo
El patrón que emerge es simple:
Cuanto mayor es el esfuerzo cognitivo del desarrollador, mayor es el aprendizaje. Independientemente de si usa IA o no.
Los 3 patrones buenos tienen algo en común: el desarrollador piensa activamente. Pregunta conceptos, intenta entender, resuelve errores. La IA le ayuda, pero quien piensa sigue siendo él.
Los 3 patrones malos comparten lo contrario: el desarrollador delega el pensamiento. Copia, pega, aplica. Rápido, pero sin comprensión.
Dicho de otra forma:
| Patrón | Esfuerzo cognitivo | Comprensión | Velocidad |
|---|---|---|---|
| Consulta conceptual | Alto | Alta | Media |
| Genera y comprende | Medio-Alto | Alta | Media |
| Híbrido con explicación | Medio-Alto | Alta | Baja |
| Delegación total | Bajo | Baja | Alta |
| Dependencia progresiva | Decreciente | Baja | Variable |
| Depuración iterativa | Bajo | Baja | Baja |
Qué significa esto para tu empresa
1. La velocidad no equivale a competencia
El desarrollador que más rápido termina una tarea con IA no es necesariamente el que mejor la entiende. Si tu equipo mide productividad solo por velocidad de entrega, puedes estar degradando la competencia técnica sin darte cuenta.
2. Los juniors son los más vulnerables
Los desarrolladores con menos experiencia son quienes más necesitan cometer errores para aprender. Si desde el primer día delegan todo a la IA, nunca desarrollan el criterio necesario para evaluar lo que la IA genera.
3. La IA amplifica lo que ya existe
Un desarrollador con criterio que usa IA es una máquina de productividad. Un desarrollador sin criterio que usa IA genera código que nadie entiende, incluido él mismo.
4. Hay que formar en cómo usar la IA, no solo en usarla
No basta con dar acceso a Copilot o Claude Code. Hay que enseñar a los equipos los patrones buenos: preguntar conceptos, entender antes de aplicar, resolver errores propios primero.
Guía práctica: cómo usar IA sin perder criterio
Basado en los hallazgos del estudio, estas son recomendaciones concretas:
Hazlo:
- Pregunta por qué funciona algo, además de cómo
- Intenta resolver errores tú primero. Si no puedes, pregunta a la IA por pistas, no por la solución completa
- Cuando la IA te genera código, léelo línea por línea antes de usarlo
- Copia manualmente en lugar de pegar (fuerza la comprensión)
- Pide explicaciones junto con el código
No hagas:
- Copy-paste ciego de código generado
- Pegar errores directamente a la IA sin intentar entenderlos
- Empezar preguntando y acabar delegando todo
- Medir tu productividad solo por líneas generadas
- Asumir que si funciona, lo entiendes
La paradoja de la productividad con IA
El estudio revela una paradoja que toda empresa debería entender:
La productividad mejorada por IA no es un atajo hacia la competencia.
Puedes ser más rápido con IA y al mismo tiempo entender menos de lo que construyes. Y eso, a largo plazo, es un problema. Porque cuando algo falla en producción, necesitas a alguien que entienda el sistema, no a alguien que sepa pedir a la IA que lo arregle.
Como con cualquier herramienta, lo que aporte la IA depende de quién la usa y de cómo la usa.
Preguntas frecuentes
¿Significa que no deberíamos usar IA para programar?
No. Lo que dice el estudio es que ciertos patrones de uso perjudican el aprendizaje, y los 3 patrones buenos demuestran que se puede usar IA y aprender al mismo tiempo.
¿Esto aplica solo a juniors?
No. Aplica a cualquiera que esté aprendiendo algo nuevo, incluso seniors que trabajan con tecnologías que no dominan. El factor clave es si el desarrollador mantiene el esfuerzo cognitivo activo.
¿Qué herramientas de IA se usaron en el estudio?
GPT-4o como asistente conversacional. Los resultados son aplicables a cualquier herramienta similar: GitHub Copilot, Claude Code, Cursor, etc.
¿Cómo puedo medir si mi equipo cae en patrones malos?
Observa las code reviews. Si los desarrolladores no pueden explicar su propio código, si los mismos errores se repiten, o si la dependencia de la IA crece progresivamente, son señales de alerta.
Referencia: Shen, J.H. y Tamkin, A. (2026). "How AI Impacts Skill Formation". arXiv:2601.20245. Anthropic.
En Nexttia integramos IA en equipos reales de trabajo, con formación incluida para que la herramienta ayude al equipo sin sustituir su criterio. Si quieres explorar cómo aplicar esto en tu empresa, hablemos.
¿Te ha resultado útil este artículo?
Si quieres implementar estas ideas en tu empresa, podemos ayudarte. Solicita tu diagnóstico gratuito.
Solicitar diagnóstico