El silencio que apagó la AI

La discusión "¿vale la pena seguir aprendiendo a programar si existe la AI?" arranca de cero cada dos semanas. Llevo meses dándole vueltas — primero como pregunta teórica, después como una de la que depende lo que le digo a un junior que pregunta "¿por dónde empiezo?". Ya hay base de evidencia, así que esto ya no es opinión contra opinión. Y, dicho con suavidad, los dos extremos ruidosos se equivocan.

No es "aprender o no aprender". Es sobre qué exactamente le cedes a la AI y qué guardas para ti. Y sobre una cosa que la AI sí cambió — no en plan "todo se dio la vuelta", sino algo mucho más sutil: desapareció la retroalimentación forzosa que antes te daba la propia realidad.

Dos extremos — ambos sesgados

Primero despejemos la mesa de los dos bandos ruidosos que aparecen en cada discusión:

• Bando №1: "Aprender lenguajes ya no hace falta — la AI lo escribe". El más ruidoso entre los que venden bootcamps de "hazte programador en 30 días con AI".
• Bando №2: "Todos se van a embrutecer, en unos años no habrá especialistas". El más ruidoso entre los experimentados, que se asustan un poco de su propia impotencia ante lo rápido que los juniors parecen productivos.

Falsa dicotomía. En esencia nada fundamental ha cambiado: como siempre, lo que se valora es la comprensión consciente, no el aprendizaje memorístico seco. La AI solo profundiza la brecha entre los que realmente saben de qué va la cosa y el resto — y lo hace más rápido que antes.

Qué dice la base de evidencia

Esto ya no es un "a mí me parece". En 2025–2026 aparecieron mediciones concretas:

• Nature (junio de 2026), "Is AI ruining our skills?" — apoyarse demasiado en la AI degrada las habilidades. No solo en programadores — en médicos también.
• Anthropic RCT con 52 ingenieros: el asistente AI da una formación de maestría ~17% menor. El matiz fino — no sufre la velocidad de ejecución de la tarea, sino la formación de la habilidad. Es decir, a corto plazo eres más rápido, a largo plazo — peor.
• AI & Society: el deskilling es un problema estructural, sin solución lista. No es "la AI es mala", sino "la herramienta cambió el entorno de aprendizaje".
• TechCrunch: los ingenieros se niegan a trabajar sin AI porque ya no pueden hacerlo. Titular: "esto podría salir caro".

La conclusión del experto K. Crowston (citado por Nature) — no es "AI o no", sino: decide conscientemente qué habilidades guardas para ti y cuáles cedes. Esa es la frase con la que arranca el resto del post.

Qué ceder y qué guardar

En concreto — aquí está la línea:

No puedes hacer review de algo que no sabes leer. Así que "entender sin saber el lenguaje" es una ilusión; es confianza ciega en la AI. Y ese es justo el punto de transición entre "especialista que usa AI" y "operador de AI". El primero dirige a la AI; al segundo la AI lo dirige.

Otra distinción que se confunde todo el tiempo: pérdida de habilidad ≠ no formación de habilidad. Un experimentado que de repente empezó a apoyarse en la AI seguirá siendo fuerte — ya tiene un modelo del mundo. Un novato que desde el día uno está al 100% sobre la AI nunca construirá ese modelo. Son problemas distintos con consecuencias distintas.

Cómo aprender bien — y por qué, en el fondo, nada ha cambiado

Hay que seguir aprendiendo — solo que bien. No memorizar secamente términos o comandos, sino entender la lógica y tener conciencia de cómo funciona en general. El valor no está en "memorizar", sino en "entender → saber aplicar → juzgar".

Y lo principal: esto es exactamente lo mismo que siempre, ya desde antes de la AI. Siempre se valoró a los que realmente saben de qué va la cosa como especialistas, no a los que se lo aprendieron de memoria. La AI no dio la vuelta a nada — solo hace que el atajo perezoso sea más fácil (ahora puedes "hacerlo" sin entender), por eso la brecha entre estos dos tipos solo se profundiza.

Quien aprendió conscientemente — así se quedará. Quien fue perezoso — perezoso seguirá siendo. La AI no creó esta división — solo la iluminó.

Compruébalo con ejemplos simples

• Matemáticas: saberse la tabla de multiplicar de memoria no es todavía "saber matemáticas". La calculadora mató la multiplicación en columna, pero no la necesidad de entender qué es multiplicar y cuándo aplicarlo.
• Teléfonos: ya no tienes los números en la cabeza — el teléfono se acuerda. Pero tienes que saber a quién llamar y para qué. La memoria la cediste — el juicio te lo quedaste.
• GPS: no llevas las rutas en la cabeza. Pero tienes que entender adónde vas — y notar que el GPS te está mandando por una tontería a dar la vuelta.

En los tres casos la máquina se llevó la memoria mecánica, no la comprensión y el juicio — y así fue siempre. La AI es la siguiente iteración de lo mismo, simplemente con un rango más amplio de cosas que ahora se pueden delegar.

La sintaxis es un subproducto, no el objetivo

Esto no significa "la sintaxis no hay que saberla". La sintaxis igualmente se te va a quedar — pero como subproducto de la comprensión y la práctica, no como objetivo. Tú no aprendiste %d con flashcards — entendiste la lógica del format-string y se quedó solo. Así funciona el aprendizaje normal: entiendes → aplicas → la sintaxis se asienta sola. La AI solo acelera ese bucle, si la usas bien.

Pero una cosa sí cambió: desapareció la retroalimentación forzosa

"Nada ha cambiado" — es cierto al 80% más o menos. Una cosa importante sí cambió, y no es una nimiedad.

Antes el entorno te obligaba a aprender. No podías ejecutar código que funcionara sin entenderlo al menos lo suficiente para que arrancara. El compilador, el bug, la caída — eran maestros que a la fuerza arrastraban a todos al nivel básico. La lucha era obligatoria — y construía comprensión incluso en los no demasiado aplicados.

Ahora ese maestro está apagado: puedes obtener un resultado que funciona sin haber entendido ni una sola vez cómo funciona. El castigo por no entender en el momento desapareció. De ahí la consecuencia que la tesis "nada ha cambiado" se salta:

La brecha no solo se profundiza entre tipos fijos — el nuevo entorno arrastra hacia allí también a los que antes habrían aprendido, porque el camino fácil ahora da un resultado que funciona sin castigo inmediato.

Por eso lo de "el perezoso seguirá siendo perezoso" se queda corto. Va más sobre el entorno y los hábitos que sobre el carácter: la mayoría reacciona a la fricción y a la retroalimentación, no es perezosa "por naturaleza". Quita la fricción — y hasta los no perezosos se deslizan. El riesgo no está solo en los perezosos.

Y lo más sutil — la ilusión de competencia. La AI tapa los huecos tan suavemente que no te chocas contra el muro de tu propia ignorancia y no lo notas. Te parece que entiendes, porque "todo funciona" (efecto metacognitive laziness). Por eso mantenerse aplicado se ha vuelto más difícil: ahora exige crearte fricción a propósito — a veces apagar la AI, intentar explicar o escribir sin ella, comprobar "¿realmente entiendo o solo creo que entiendo?". Antes esto lo hacía por ti la realidad — ahora es tu responsabilidad.

Las reglas del juego son las mismas, pero el juego se volvió más traicionero — el camino fácil ahora se disfraza de éxito.

Para los que ya saben de qué va — el juego es otro

Todo lo anterior va sobre la formación de la habilidad desde cero. Si ya estás formado — para ti el cuadro está al revés, y es importante decirlo, porque si no el post se lee como "la AI es mala", y esa no es la tesis.

El experimentado conoce sus límites. Ve lo que le devuelve la AI → en medio segundo entiende dónde está "mal", dónde "bien, pero no para este caso", dónde "bien y ok aquí y ahora". Tiene un detector incorporado de "esto no huele bien", montado a base de años de incidentes reales. La AI no apaga ese detector — al contrario, lo alimenta más rápido: más ejemplos, más casos, más patterns que hay que filtrar deprisa.

Por eso la misma AI que arriesga convertir a un novato en operador convierte a un senior en turbo-senior. Boilerplate en 30 segundos en vez de 3 minutos. Explorar una librería nueva — en una tarde, no en una semana. Migrar un módulo de Python a TypeScript — en serio, no "alguna vez después". Es nitro en un motor ya montado.

Y otra cosa sutil: la AI no le puede mentir al experimentado sin que se note. A él la AI le miente tan a menudo como a un novato — solo que él lo pilla antes de terminar de leer la frase. Lo que para el novato es trampa de ilusión de competencia, para el senior es solo otro bug-report en el flujo diario.

Para los que ya invirtieron tiempo, la AI es turbo. Para los que aún no invirtieron — es una razón más para no invertir. Entre estos dos estados no hay punto medio — y eso convierte el "cuándo exactamente aprendiste" en uno de los factores más importantes de la carrera.

Riesgo sistémico: "la escalera rota"

Los seniors salen de los juniors. Si la AI se come el trabajo junior y nadie construye el fundamento → en 5–10 años no habrá de dónde sacar seniors. El riesgo de una "generación perdida" de especialistas es real — y esto no es alarmismo, es un simple piping problem: la tubería de entrada del sistema la taparon, la de salida no.

Por qué no va a llegar a cero (pero va a doler): el equilibrio "todos dejaron de aprender" es inestable. La escasez hace ultra-valiosos a los que sí aprendieron → el incentivo para aprender vuelve. Las empresas que conscientemente forman especialistas obtienen un moat. Pero la transición es dolorosa: los operadores se van a caer en el primer incidente serio, cuando la AI mienta clara y convincentemente y no haya nadie para distinguir la verdad.

Mi postura

• El lenguaje hay que aprenderlo sí o sí — apuntando a lectura y juicio, no a empollar. No se puede acortar el camino hacia la soltura lectora; la AI no acorta ese camino, solo lo hace imperceptiblemente opcional.
• Mientras la mayoría "le cede la comprensión" a la AI — aprender ahora es una ventana de oportunidad: te conviertes en un especialista escaso que dirige a la AI, no que compite con ella. Es una ventana de corto plazo — el mercado tarde o temprano se adapta. Mientras esté abierta — sería un pecado no aprovecharla.
• El régimen sano: usar la AI para ir más rápido y aprender más a fondo, no para evitar aprender. El antipatrón — "hazme toda la tarea". El patrón — tú escribes, la AI te explica el "por qué", tú entiendes su versión antes de aceptarla.
• Una paradoja para el camino: para usar la AI con eficacia hay que saber lo suficiente como para que en lo simple no haga falta. Quien depende de la AI en lo simple — en lo complejo va a ser engañado por la AI sin posibilidad de notarlo.

Fuentes

• Nature — Is AI ruining our skills? Early results are in (junio de 2026): nature.com/articles/d41586-026-01947-1
• InfoQ — Anthropic study, ~17% skill mastery drop: infoq.com/news/2026/02/ai-coding-skill-formation
• TechCrunch — Coders are refusing to work without AI: techcrunch.com/2026/05/29/coders-refusing-ai
• AI & Society — AI deskilling is a structural problem: link.springer.com/article/10.1007/s00146-025-02686-z