La paradoja de la inteligencia artificial en el desarrollo de software: menos esfuerzo, más exigencia

La irrupción de la inteligencia artificial en el desarrollo de software ha generado una paradoja que hoy se vive con especial crudeza en la industria tecnológica. Por un lado, herramientas basadas en IA han reducido significativamente la barrera de entrada para escribir código: generar componentes, resolver bugs comunes o prototipar soluciones es ahora más rápido y accesible que nunca. Sin embargo, de forma simultánea (y aparentemente contradictoria), las exigencias cognitivas y conceptuales que las empresas imponen a los desarrolladores no han disminuido; por el contrario, han aumentado. En el ámbito educativo aún se encuentra el dilema de cuánta dependencia puede generar la IA y, por lo mismo, qué tan “sano” es integrarla en los procesos pedagógicos.

Esta tensión, si no se aborda críticamente, será una problemática que se arrastrará año tras año, por lo cual no podemos darnos el lujo de lecturas superficiales y en muchos casos ingenuas de lo que la inteligencia artificial realmente aporta al proceso de desarrollo.

¡Gracias por leer KaroKhan Filosofilis! Suscríbete gratis para recibir nuevos posts y apoyar mi trabajo.

Desde una perspectiva operativa, la IA parece “aliviar” el trabajo mental del desarrollador. Funcionalidades que antes requerían horas de investigación, lectura de documentación o prueba y error ahora pueden resolverse con una consulta bien formulada. Frameworks, librerías y lenguajes se vuelven más accesibles, incluso para perfiles junior.

No obstante, distintos estudios académicos cuestionan que esta reducción sea verdaderamente cognitiva. Investigaciones realizadas por el MIT Sloan School of Management (Noy & Zhang, 2023) muestran que el uso de herramientas de IA generativa puede aumentar la productividad entre un 35% y 40% en términos de tiempo, pero no garantiza una mejora equivalente en la calidad del razonamiento complejo. En algunos casos, la dependencia excesiva de la IA incluso conduce a soluciones más superficiales, especialmente en usuarios con menor experiencia previa.

Desde una perspectiva más general, existen reportes que demuestran que muchas tareas suponen un mayor gasto de tiempo y energía cuando se realizan con IA que cuando se hacen de manera manual, particularmente cuando el usuario debe verificar, corregir o reinterpretar resultados generados automáticamente. Este fenómeno también puede aplicarse al proceso de desarrollo de software, donde el tiempo “ahorrado” en escribir código se traslada a la validación y comprensión.

No obstante, esta reducción es principalmente instrumental, no cognitiva. La IA no elimina la necesidad de comprender el sistema; simplemente acelera la producción de artefactos. El problema surge cuando esta aceleración se confunde con comprensión real. Escribir código deja de ser el cuello de botella; entender por qué ese código existe, dónde encaja y qué consecuencias tiene, se vuelve el verdadero desafío.

Las empresas parecen haber interiorizado esta idea solo de forma parcial. Si “cualquiera puede codear con IA”, entonces el valor diferencial del desarrollador ya no está en escribir líneas de código, sino en manejar conceptos de mayor abstracción: arquitectura, diseño de sistemas, patrones, escalabilidad y dominio del negocio.

Así, requisitos que antes estaban reservados para perfiles senior o arquitectos ahora aparecen en ofertas de puestos intermedios o incluso junior: Domain-Driven Design, system design avanzado, conocimiento profundo de patrones, principios arquitectónicos y toma de decisiones técnicas complejas. Claro está que existen principios básicos que sí se podría esperar de un desarrollador, como principios SOLID, arquitecturas sencillas como monolíticas, microservicios o el modelo vista-controlador, entre otros.

En teoría, este desplazamiento podría ser positivo: empujar a la industria hacia un desarrollo más reflexivo y menos mecánico. Sin embargo, informes del World Economic Forum (2023) indican que, aunque la automatización reduce tareas técnicas repetitivas, incrementa la demanda de habilidades cognitivas de alto nivel, como pensamiento sistémico y diseño bajo incertidumbre. En la práctica, muchas de estas exigencias parecen infladas por expectativas irreales, alimentadas precisamente por la percepción exagerada de las capacidades de la IA.

Un fenómeno cada vez más común es el de la administración que utiliza IA no para comprender mejor la complejidad del desarrollo, sino para simplificarla artificialmente. Estudios realizados por investigadores de Stanford University y Microsoft Research señalan que los modelos de lenguaje producen respuestas coherentes y bien estructuradas incluso cuando son incompletas o incorrectas, lo que genera una ilusión de solvencia técnica (Kocielnik et al., 2024).

Al recibir este tipo de respuestas, se refuerza la idea de que los problemas técnicos son más simples de lo que realmente son. Esto deriva en frases como: “Esto debería estar listo en 24 horas”, cambios constantes de prioridad o la suposición de que un desarrollador puede dominar cualquier stack con rapidez solo porque “la IA ayuda”. La incertidumbre y el costo cognitivo de decidir, diseñar y validar se invisibilizan.

Sumado a esto, la IA vive en un mundo de ideales, donde plantea escenarios en los que un “buen desarrollador” podría cumplir ciertas tareas en condiciones óptimas. Sin embargo, cada persona es distinta y sus procesos también lo son. Precisamente para eso existe la experiencia: para que la proyección de tiempos y alcances sea realista según el equipo de trabajo, y no según una simulación idealizada.

En este contexto, la IA no reduce la presión: la redistribuye hacia el desarrollador, que ahora debe cumplir estándares más altos en menos tiempo, con menos margen de error y bajo supuestos idealizados.

La consecuencia más preocupante de esta dinámica es la aparición de una brecha cognitiva silenciosa. Mientras el código se produce más rápido, el tiempo real necesario para consolidar conocimiento profundo no se ha reducido. Aprender arquitectura, diseño de sistemas o DDD sigue requiriendo experiencia, errores, fricción y reflexión.

Sin embargo, la industria empieza a exigir ese conocimiento como si fuera fácilmente “consultable”, cuando en realidad es internalizable, no descargable. Esto genera frustración, burnout y una rotación creciente, especialmente en desarrolladores que sienten que nunca están “a la altura” de expectativas que cambian constantemente.

Se creía que quienes más se beneficiarían de esta tecnología serían los perfiles junior (una idea que siempre creí ingenua). En la práctica, informes como el GitHub Developer Productivity Report (2023) muestran que los desarrolladores senior son quienes mejor aprovechan la IA, ya que cuentan con criterio para evaluar resultados, detectar errores y contextualizar soluciones. Como consecuencia, el trabajo junior se devalúa, mientras que los perfiles senior reciben mejor remuneración, precisamente por no depender de estas tecnologías o por utilizarlas de manera crítica y controlada.

Si bien, en un escenario ideal, todo debería aprenderse sin usar IA o utilizándola solo como guía, para muchas personas la realidad se resume en una carrera contra el tiempo. El tiempo es dinero, como suele decirse, y en un mercado altamente competitivo resulta difícil exigir a quienes están aprendiendo que no utilicen estas herramientas, especialmente cuando el propio sistema productivo las incentiva. Esto se extiende, de nuevo, al sistema educativo, porque funciona bajo la misma lógica: tiempos de entrega, resultado más importante que el proceso y

La inteligencia artificial no ha bajado el nivel del desarrollo de software; ha cambiado las condiciones bajo las cuales se desarrolla y a quienes desarrollan. El problema no es que las empresas pidan más conocimiento, sino que muchas lo hacen desde una comprensión distorsionada de lo que la IA realmente puede reemplazar.

Mientras no se reconozca que la IA es una herramienta de amplificación y no de sustitución cognitiva, al igual que un martillo amplifica la fuerza pero no el criterio, esta paradoja seguirá profundizándose: menos esfuerzo aparente, más exigencia real. Y en medio, desarrolladores atrapados entre expectativas idealizadas y sistemas cada vez más complejos.

Bibliografía sugerida

• Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative AI. MIT Sloan School of Management.

• Kocielnik, R., et al. (2024). Human-AI interaction and overreliance in decision-making. Stanford University & Microsoft Research.

• World Economic Forum. (2023). The Future of Jobs Report.

• GitHub. (2023). The impact of AI on developer productivity.

• OECD. (2023). Artificial Intelligence in Education: Opportunities and Risks.