La rápida integración de la inteligencia artificial en el panorama profesional ha creado una promesa paradójica: la capacidad de hacer más sabiendo menos. A medida que herramientas como los grandes modelos de lenguaje se vuelven omnipresentes en campos que van desde la ingeniería de software hasta el análisis de datos, surge una pregunta fundamental con respecto al costo a largo plazo de nuestra nueva eficiencia.
Un estudio reciente realizado por investigadores de Anthropic, titulado “Cómo la IA impacta el entrenamiento de habilidades”, ofrece una mirada rigurosa a este dilema, revelando que la forma en que interactuamos con estas herramientas crea dos caminos distintos hacia el desarrollo profesional basados en cómo usamos las herramientas de IA.
Los investigadores estudiaron a un grupo de codificadores y los dividieron en dos grupos (uno con acceso a herramientas de inteligencia artificial y otro sin él) para completar un desafío de codificación. Al final de un desafío de codificación de 35 minutos, se pidió a todos los participantes que realizaran una prueba para comprobar su dominio de la programación en Python.
Después de la evaluación, el equipo descubrió que los del grupo de control tenían puntuaciones más altas que los del grupo de tratamiento, lo que sugiere una marcada división entre los patrones de interacción de puntuación alta y baja. Muestra que, si bien la IA puede acelerar la realización de una tarea, al mismo tiempo puede ralentizar la mente si se utiliza como sustituto en lugar de como complemento.una idea que linda con mi columna anterior sobre la construcción de carreras en la era de la IA.
El camino del grupo de tratamiento, identificado como un patrón de interacción de baja puntuación, se caracteriza por lo que los investigadores llaman descarga cognitiva. En este escenario, el usuario trata a la IA como un agente de ejecución principal y no como un colaborador. Cuando se enfrenta a una tarea compleja (como aprender una nueva biblioteca de programación), el participante con una puntuación baja se centra casi exclusivamente en el resultado.
Delegan el trabajo pesado de generación de código y depuración a la IA, llevando a cabo la tarea con una velocidad engañosa. Este grupo suele terminar las tareas rápidamente, pero su comprensión de la mecánica subyacente sigue siendo notablemente superficial. Además, los investigadores también señalaron que muchos en este grupo tendían a pasar más tiempo interactuando con el asistente de IA, lo que idealmente podría haberse utilizado para aprender una nueva habilidad.
Al evitar el proceso iterativo y a menudo frustrante de prueba y error, ignoran sin darse cuenta la “lucha” neurológica necesaria para el aprendizaje profundo. Para estas personas, la herramienta de IA sirve como un apoyo de alta tecnología; llegan a la meta, pero su “memoria muscular” interna para la habilidad nunca se construye, lo que resulta en puntajes en las pruebas que caen en picado cuando se retira la herramienta.
Esto contrasta marcadamente con el grupo con puntuaciones altas, cuyo enfoque filosófico de la IA era fundamentalmente diferente. No veían a la IA como un sustituto de su propia lógica, sino como un colega o un superior.
En lugar de pedirle a la IA que “escribiera el código”, hicieron preguntas conceptuales. Buscaron explicaciones sobre por qué se utiliza una función específica o pidieron a la IA que descompusiera un fragmento generado en sus componentes. Este grupo demostró un alto nivel de compromiso cognitivo, manteniendo un modelo mental activo de la tarea en cuestión.
Aunque pueden tardar más en completar un proyecto que los delegados puros, su retención es significativamente mayor. Al utilizar la IA para aclarar conceptos y validar su propio razonamiento, convirtieron con éxito los datos de la IA en conocimiento personal. Para el goleador, la IA es un catalizador para el dominio, no un atajo para evitarlo.
Los hallazgos del estudio sugieren que el principal diferenciador entre estos dos caminos no es la cantidad de trabajo manual realizado, sino el grado de participación mental. Curiosamente, la investigación señaló que incluso cuando los participantes volvían a escribir el código manualmente en lugar de copiarlo y pegarlo, su aprendizaje no necesariamente mejoraba si no procesaban mentalmente el “por qué” detrás de la sintaxis.
Esto pone de relieve un obstáculo crítico en el lugar de trabajo moderno: la ilusión de competencia. Es posible ser altamente productivo en el corto plazo siguiendo la ruta de la delegación de baja puntuación, pero esto conduce a un agotamiento de la experiencia. En una era en la que la IA puede manejar la ejecución rutinaria, el valor de un profesional humano reside cada vez más en su capacidad para supervisar, diseñar y resolver problemas, habilidades que sólo se desarrollan a través del camino de alta puntuación del aprendizaje inmersivo.
La elección entre las dos formas de desarrollar habilidades depende de cómo valoremos nuestra propia experiencia. El camino de baja puntuación ofrece el canto de sirena de resultados inmediatos y “codificación de vibración”, donde uno puede producir un trabajo funcional sin un conocimiento profundo de los fundamentos. El camino hacia puntuaciones altas requiere más disciplina, lo que nos exige reducir la velocidad para preguntar “cómo” y “por qué”, incluso cuando la solución está a solo un paso de distancia. Para prosperar en un mundo mejorado por la IA, debemos resistir la tentación de descargar nuestro pensamiento. Al elegir el camino de alto compromiso, nos aseguramos de que a medida que las herramientas que nos rodean se vuelven más inteligentes, nosotros nos volvamos más inteligentes junto con ellas.
Publicado – 14 de febrero de 2026, 08:00 IST
