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 codigo. 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 comprension del codigo en un 17%. Pero no todo uso es igual: se identificaron 3 patrones de interaccion que preservan el aprendizaje. La clave no es dejar de usar IA, sino saber como usarla sin perder criterio.
El estudio que pone numeros a lo que muchos intuyen
Hay un debate abierto en el mundo del desarrollo: ¿nos esta 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 como la asistencia de IA afecta al desarrollo de habilidades en programadores.
El resultado principal: los desarrolladores que usaron IA obtuvieron un 17% menos en comprension del codigo que los que aprendieron sin ella.
Pero el matiz es mas interesante que el titular. No todo uso de IA es igual. Y ahi esta la clave para empresas y equipos tecnicos.
Como se hizo el experimento
El diseno experimental fue riguroso. Desarrolladores con experiencia en Python aprendieron una libreria nueva (Trio, para programacion asincrona) bajo dos condiciones:
- Grupo con IA: acceso completo a un asistente de IA (GPT-4o) durante la tarea
- Grupo sin IA: solo documentacion y busqueda web
Despues, ambos grupos hicieron un examen sin acceso a IA para medir comprension real.
Que midieron
El examen evaluaba 4 dimensiones:
- Depuracion: identificar y diagnosticar errores en codigo
- Lectura de codigo: entender que hace un fragmento de codigo
- Escritura de codigo: escribir o seleccionar la solucion correcta
- Comprension conceptual: entender los principios fundamentales
| Metrica | Sin IA | Con IA | Diferencia |
|---|---|---|---|
| Puntuacion evaluacion | ~20.5/27 | ~16.4/27 | -17% |
| Errores encontrados (mediana) | 3 | 1 | -66% |
| Tiempo activo en codigo | Mayor | Menor | Significativa |
La conclusion es clara: la IA reduce los errores durante el desarrollo, pero tambien reduce el aprendizaje que esos errores generan.
Los 6 patrones de interaccion con IA
Aqui esta lo mas valioso del estudio. Los investigadores analizaron como 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 codigo. Resuelve errores por su cuenta.
Ejemplo: "¿Trio puede usar fracciones de segundo en sleep?"
- Encuentran mas errores que otros patrones
- Pero los resuelven de forma independiente
- Resultado: comprension alta, velocidad razonable
2. Generation-Then-Comprehension (Genera y luego comprende)
El desarrollador pide codigo a la IA, pero luego hace preguntas de seguimiento para entender lo que recibio. Copia manualmente en lugar de pegar directamente.
- Genera el codigo como punto de partida
- Invierte tiempo en entender por que funciona
- Resultado: buena comprension, buen equilibrio
3. Hybrid Code-Explanation (Hibrido codigo-explicacion)
Pide codigo con explicaciones simultaneas. Lee y procesa ambas cosas.
- Mas lento que otros patrones
- Pero la explicacion refuerza la comprension
- Resultado: alta puntuacion en evaluacion
3 patrones que destruyen el aprendizaje
1. AI Delegation (Delegacion total)
Delega toda la escritura de codigo a la IA. Copy-paste sin leer.
- Resultado: menos del 40% en evaluacion
- El mas rapido... y el que menos aprende
2. Progressive AI Reliance (Dependencia progresiva)
Empieza preguntando poco y termina delegando todo. El clasico "empieza bien, acaba mal".
- Las primeras preguntas son conceptuales
- Gradualmente pasa a pedir codigo completo
- Falla en las tareas mas complejas
3. Iterative AI Debugging (Depuracion 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 raiz
- Comprension debil en todas las dimensiones
La regla de oro: esfuerzo cognitivo
El patron 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 comun: el desarrollador piensa activamente. Pregunta conceptos, intenta entender, resuelve errores. La IA es una herramienta, no un sustituto de pensar.
Los 3 patrones malos comparten lo contrario: el desarrollador delega el pensamiento. Copia, pega, aplica. Rapido, pero sin comprension.
Dicho de otra forma:
| Patron | Esfuerzo cognitivo | Comprension | Velocidad |
|---|---|---|---|
| Consulta conceptual | Alto | Alta | Media |
| Genera y comprende | Medio-Alto | Alta | Media |
| Hibrido con explicacion | Medio-Alto | Alta | Baja |
| Delegacion total | Bajo | Baja | Alta |
| Dependencia progresiva | Decreciente | Baja | Variable |
| Depuracion iterativa | Bajo | Baja | Baja |
Que significa esto para tu empresa
1. La velocidad no equivale a competencia
El desarrollador que mas rapido 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 tecnica sin darte cuenta.
2. Los juniors son los mas vulnerables
Los desarrolladores con menos experiencia son quienes mas necesitan cometer errores para aprender. Si desde el primer dia 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 maquina de productividad. Un desarrollador sin criterio que usa IA genera codigo que nadie entiende, incluido el mismo.
4. Hay que formar en como usar la IA, no solo en usarla
No basta con dar acceso a Copilot o Claude Code. Hay que ensena a los equipos los patrones buenos: preguntar conceptos, entender antes de aplicar, resolver errores propios primero.
Guia practica: como usar IA sin perder criterio
Basado en los hallazgos del estudio, estas son recomendaciones concretas:
Hazlo:
- Pregunta por que algo funciona, no solo como
- Intenta resolver errores tu primero. Si no puedes, pregunta a la IA por pistas, no por la solucion completa
- Cuando la IA te genera codigo, leelo linea por linea antes de usarlo
- Copia manualmente en lugar de pegar (fuerza la comprension)
- Pide explicaciones junto con el codigo
No hagas:
- Copy-paste ciego de codigo generado
- Pegar errores directamente a la IA sin intentar entenderlos
- Empezar preguntando y acabar delegando todo
- Medir tu productividad solo por lineas generadas
- Asumir que si funciona, lo entiendes
La paradoja de la productividad con IA
El estudio revela una paradoja que toda empresa deberia entender:
La productividad mejorada por IA no es un atajo hacia la competencia.
Puedes ser mas rapido 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 produccion, necesitas a alguien que entienda el sistema, no a alguien que sepa pedir a la IA que lo arregle.
La IA es una herramienta extraordinaria. Pero como toda herramienta, su valor depende de quien la usa y como la usa.
Preguntas frecuentes
¿Significa que no deberiamos usar IA para programar?
No. El estudio no dice que la IA sea mala. Dice que ciertos patrones de uso perjudican el aprendizaje. 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 este aprendiendo algo nuevo, incluso seniors que trabajan con tecnologias que no dominan. El factor clave es si el desarrollador mantiene el esfuerzo cognitivo activo.
¿Que 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.
¿Como puedo medir si mi equipo cae en patrones malos?
Observa las code reviews. Si los desarrolladores no pueden explicar su propio codigo, si los mismos errores se repiten, o si la dependencia de la IA crece progresivamente, son senales 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 formacion incluida para que la herramienta potencie al equipo en lugar de sustituir su criterio. Si quieres explorar como 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