L’Efecte K en els enginyers de programari: acceleració o estancament?

La irrupció de solucions d’intel·ligència artificial generativa com ChatGPT, Gemini o DeepSeek està transformant el desenvolupament de programari a una velocitat sense precedents. Avui dia, molts enginyers poden escriure més codi, més ràpid i amb menys esforç. El CEO d’Anthropic, Dario Amodel, ha arribat a afirmar recentment que “en un termini d’entre tres i sis mesos, la IA podrà generar fins al 90 % del codi que avui encarreguem als programadors“. Aquesta revolució tecnològica també està generant un fenomen curiós, que encaixa perfectament amb el que denominem l’Efecte K: una divergència radical en els resultats segons el nivell de maduresa professional de qui utilitza la IA. Aquest fenomen, que ja vaig abordar en un article anterior sobre l’Efecte K en la intel·ligència artificial, es fa especialment visible quan analitzem el seu impacte sobre els enginyers de programari —o més generalment sobre aquells que programen, com, per exemple, els científics de dades.

Sovint tractem la programació com una professió en si mateixa, quan en realitat és una eina al servei de disciplines com el desenvolupament de programari, l’enginyeria de dades o la ciència de dades.

Enginyers 10X: quan la IA es converteix en multiplicador

Per als enginyers de programari molt sèniors o científics de dades amb àmplia experiència, la IA generativa s’ha convertit en un multiplicador de productivitat. Els permet enfocar-se en el disseny de solucions, en els aspectes crítics del problema, i delegar en els models generatius l’escriptura del codi repetitiu o de baixa complexitat. Segurament la IA estigui permetent que proliferin els mítics “10x Engineer” dels quals fa anys que es parla.

Puc parlar des de la meva pròpia experiència: avui desenvolupo més del 90 % del codi amb el suport d’eines d’IA. Però és precisament aquest 10 % restant, el més connectat amb la resolució profunda del problema, el que realment aporta valor. La IA no reemplaça el pensament avançat; el potencia. Em permet fer més en menys temps, amb menys esforç, i enfocar-me on realment puc marcar la diferència, analitzar el problema per resoldre, dissenyar la solució per utilitzar i enfocar el seu desenvolupament per extreure’n el màxim valor. En la ciència de dades això cobra especial rellevància, ja que el valor no està en la programació sinó en l’anàlisi del problema, el plantejament d’hipòtesis i el descobriment d’insights.

Però, és aquest avanç bo per a tothom?

El revers de l’Efecte K és molt menys encoratjador. Molts programadors júnior estan adoptant aquestes eines sense una base sòlida. Poden generar codi funcional ràpidament, però sense comprendre del tot les seves implicacions, patrons, ni fonaments. Això produeix una il·lusió de competència: creuen que poden fer més del que realment saben. De fet, se’n refien del que els proposa la intel·ligència artificial, quan un mateix problema es pot resoldre de múltiples formes i probablement, la intel·ligència artificial proposa la més comuna, i no és sempre la més adequada per al problema concret que es pretén resoldre.

I el problema no s’atura aquí. Els perfils sènior ja no necessiten tant els perfils júnior com abans. Si abans un enginyer o científic de dades amb experiència es recolzava en un de més jove per delegar tasques de codificació, avui pot utilitzar un agent d’IA per fer-ho més ràpid, amb menys errors i sense supervisió. Qui ensenya llavors els futurs sèniors? De fet, molts perfils sènior estan abandonant les seves companyies per treballar com a autònoms, ja que poden produir més desenvolupaments per a més clients gràcies a la productivitat guanyada amb l’ús d’aquestes eines d’intel·ligència artificial.

El dilema: aprendre menys, entregar més

Aquest nou paradigma planteja un repte profund per a la indústria: com garantim que els perfils júnior d’avui puguin evolucionar sense aquest espai d’aprenentatge progressiu? Com cultivem capacitats com el disseny de solucions, l’estructuració de problemes complexos o la traducció de necessitats de negoci a tecnologia?

La IA generativa és, sens dubte, una eina poderosa. Però, com tota eina, el seu impacte depèn de qui la utilitzi i com. En mans expertes, multiplica capacitats. En mans inexpertes, pot crear dependència, estancar l’aprenentatge i fins i tot posar en risc la qualitat del programari a llarg termini.

El futur del desenvolupament de programari no es juga només en els models de llenguatge. Es juga en com equilibrem el poder d’aquestes eines amb el desenvolupament del talent humà perquè aprofitin tot el seu potencial.

Som a temps de redissenyar com formem les noves generacions d’enginyers i científics de dades: no solament ensenyant-los a programar, sinó també a pensar, dissenyar i resoldre. Perquè el veritable valor no està en el codi, sinó en la capacitat de transformar problemes en solucions.