El Efecto K en los ingenieros de software: ¿aceleración o estancamiento?

La irrupción de soluciones de inteligencia artificial generativa como ChatGPT, Gemini o DeepSeek está transformando el desarrollo de software a una velocidad sin precedentes. Hoy en día, muchos ingenieros pueden escribir más código, más rápido y con menos esfuerzo. El CEO de Anthropic, Dario Amodel, ha llegado a afirmar recientemente que “en un plazo de entre tres y seis meses, la IA podrá generar hasta el 90 % del código que hoy encargamos a los programadores”. Esta revolución tecnológica también está generando un fenómeno curioso, que encaja perfectamente con lo que denominamos el Efecto K: una divergencia radical en los resultados según el nivel de madurez profesional de quien utiliza la IA. Este fenómeno, que ya abordé en un artículo anterior sobre el Efecto K en la inteligencia artificial, se hace especialmente visible cuando analizamos su impacto sobre los ingenieros de software o más generalmente sobre aquellos que programan, como por ejemplo los científicos de datos.

A menudo tratamos la programación como una profesión en sí misma, cuando en realidad es una herramienta al servicio de disciplinas como el desarrollo de software, la ingeniería de datos o la ciencia de datos.

Ingenieros 10X: cuando la IA se convierte en multiplicador

Para los ingenieros de software muy senior o científicos de datos con amplia experiencia, la IA generativa se ha convertido en un multiplicador de productividad. Les permite enfocarse en el diseño de soluciones, en los aspectos críticos del problema, y delegar en los modelos generativos la escritura del código repetitivo o de baja complejidad. Seguramente la IA esté permitiendo que proliferen los míticos “10x Engineer” de los que se lleva años hablando.

Puedo hablar desde mi propia experiencia: hoy desarrollo más del 90 % del código apoyándome en herramientas de IA. Pero es precisamente ese 10 % restante, el más conectado con la resolución profunda del problema, el que realmente aporta valor. La IA no reemplaza el pensamiento avanzado; lo potencia. Me permite hacer más en menos tiempo, con menos esfuerzo, y enfocarme donde realmente puedo marcar la diferencia, analizar el problema a resolver, diseñar la solución a utilizar y enfocar su desarrollo para extraer el máximo valor. En la ciencia de datos esto cobra especial relevancia, puesto que el valor no está en la programación sino en el análisis del problema, el planteamiento de hipótesis y el descubrimiento de insights.

Pero, ¿es este avance bueno para todos?

El reverso del Efecto K es mucho menos alentador. Muchos programadores junior están adoptando estas herramientas sin una base sólida. Pueden generar código funcional rápidamente, pero sin comprender del todo sus implicaciones, patrones, ni fundamentos. Esto produce una ilusión de competencia: creen que pueden hacer más de lo que realmente saben. De hecho, se fían de lo que les propone la inteligencia artificial, cuando un mismo problema se puede resolver de múltiples formas y probablemente, la inteligencia artificial proponga la más común, no siendo siempre la más adecuada para el problema concreto que se pretende resolver.

Y el problema no se detiene ahí. Los perfiles senior ya no necesitan tanto a los perfiles junior como antes. Si antes un ingeniero o científico de datos con experiencia se apoyaba en uno más joven para delegar tareas de codificación, hoy puede usar un agente de IA para hacerlo más rápido, con menos errores y sin supervisión. ¿Quién enseña entonces a los futuros seniors? De hecho, muchos perfiles seniors están abandonando sus compañías para trabajar como freelance, ya que pueden producir más desarrollos para más clientes gracias a la productividad ganada con el uso de estas herramientas de inteligencia artificial.

El dilema: aprender menos, entregar más

Este nuevo paradigma plantea un reto profundo para la industria: ¿cómo garantizamos que los perfiles junior de hoy puedan evolucionar sin ese espacio de aprendizaje progresivo? ¿Cómo cultivamos capacidades como el diseño de soluciones, la estructuración de problemas complejos o la traducción de necesidades de negocio a tecnología?

La IA generativa es, sin duda, una herramienta poderosa. Pero como toda herramienta, su impacto depende de quién la use y cómo. En manos expertas, multiplica capacidades. En manos inexpertas, puede crear dependencia, estancar el aprendizaje e incluso poner en riesgo la calidad del software a largo plazo.

El futuro del desarrollo de software no se juega solo en los modelos de lenguaje. Se juega en cómo equilibramos el poder de estas herramientas con el desarrollo del talento humano para que aprovechen todo su potencial.

Estamos a tiempo de rediseñar cómo formamos a las nuevas generaciones de ingenieros y científicos de datos: no solo enseñándoles a programar, sino también a pensar, diseñar y resolver. Porque el verdadero valor no está en el código, sino en la capacidad de transformar problemas en soluciones.