La IA igual no te quita el trabajo, pero no te deja aprender

Yo he aprendido fallando. Picando código, viendo que no funcionaba y volviendo a picarlo hasta entender por qué. A mi generación nos funcionó así, y con los años acabas viendo de dónde va a venir el problema antes de que llegue, con código o con cualquier otra cosa.

Ya sé que esto suena a abuelo cebolleta. Y no me atrevo a decir que sea la forma de aprender, y mucho menos decir que es la única. Así que aguantadme un poco.

Formo parte de una empresa de desarrollo de software especializada en desarrollos a medida en la nube y, cómo no, hacemos proyectos de IA desde hace años. Por nuestra empresa pasa mucha gente que viene a realizar prácticas, esa es una forma de “crear” cantera si me permitís un símil futbolístico. Desde el principio de la empresa la gente ha venido a aprender y mucha gente se ha quedado y aquí siguen con nosotros. Después de este pequeño contexto, continúo.

La IA ayuda a aprender, y mucho, es una enciclopedia que entiende tus preguntas, investigar nunca fue tan fácil y una duda se resuelve en un minuto. El problema es que te lo pone tan fácil, entre comillas, que todo depende de las ganas que tengas de aprender de verdad, de cuestionar la respuesta, de no quedarte con la primera o de pedir fuentes de confirmación de lo que te responde para validarlo personalmente. Y ahí el propio proceso de aprender puede convertirse en una trampa.

En la oficina veo el esfuerzo. Veo a la gente discutir con la IA y con lo que responde. Y también veo, y me incluyo, que a veces nos conformamos muy rápido y toca obligarse a rascar.

Y entonces me pregunto: ¿qué pasa donde no hay nadie que diga “rasca”? ¿Qué pasa cuando se acepta sin cuestionar todo lo que “te enseña” una IA?

Fui a mirar si alguien lo había medido

Porque lo mío es una impresión, con una muestra pequeña, y de esas no me fío ni yo.

Lo han medido, y el estudio que más me ha hecho pensar viene de un instituto. Casi mil estudiantes de secundaria en Turquía, repartidos en tres grupos para practicar matemáticas: uno con una IA normal, tipo ChatGPT; otro con una versión que los profesores habían capado para que diera pistas en vez de respuestas; y un tercero sin nada. Durante la práctica, la IA normal mejoró los resultados un 48%. La capada, un 127%. Y luego llegó el examen, sin herramienta para nadie.

Quienes habían usado la IA normal sacaron un 17% menos que quienes nunca la tuvieron. Habían practicado mejor y aprendido peor. Quienes usaron la versión que daba pistas quedaron igual que el grupo sin nada: la práctica les sirvió y no les pasó factura.

Fíjate en el detalle porque es básicamente lo que yo vengo a decir: el mismo experimento, la misma tecnología, y dos resultados opuestos, el problema no es la herramienta en sí, es cómo la usamos, o si afinamos más, si la usamos para aprender, qué hacemos para conseguirlo.

El segundo estudio es de programadores, y lo firma Anthropic, que es una de las que venden el asistente, y de las que más usamos, cosa que le da bastante gracia. 52 ingenieros, la mayoría junior, tenían que aprender una librería de Python que no conocían y hacer dos tareas con ella. A la mitad les dieron IA. Después, examen sobre lo que acababan de usar. Con IA, un 50% de media. A mano, un 67%.

¿Dónde estaba el hueco más grande? En depuración. En saber cuándo el código está mal y por qué falla. O sea, en lo que yo aprendí a base de fallar.

Y no penséis que esto es cosa de quien empieza. En otro ensayo, con dieciséis desarrolladores veteranos trabajando en proyectos que conocían desde hacía años, los que usaron IA creyeron ir un 20% más rápidos. Iban un 19% más lentos. Los propios autores han matizado después la cifra, y lo digo para ser honesto, pero lo que se mantiene es lo que importa: ni la gente con más experiencia nota cuándo va peor, me incluyo.

Y antes de que me lo digáis: sí, hay estudios que dicen que la IA mejora el aprendizaje. Casi todos miden con la herramienta puesta, que es el 48% de arriba. Y el más citado de todos lo retiró la revista que lo publicó en abril, por errores en el análisis.

Rendir como si supieras

Junta los tres estudios y sale una cosa que da un poco de miedo: la IA hace que quien no sabe rinda como si supiera.

Y por eso el hueco no se ve a simple vista. No lo ve quien enseña, porque el código sale. Y no lo siente quien aprende, porque quien está empezando no tiene con qué juzgar lo que le da la máquina, y cree que está aprendiendo mientras no aprende.

Piensa en para qué servían las prácticas. Servían para que el hueco se viera: el código que no salía, la pregunta a quien tenías al lado, el rato mirando la pantalla hasta caer en la cuenta. Todo eso era incómodo y todo eso era aprendizaje. Ahora el código sale a la primera, en muchos casos los proyectos de prácticas tienen un avance y un resultado final en poco tiempo que sorprende, pero cuando preguntas cómo funciona algo, a veces no hay respuestas. Y eso es un problema nuestro, de los que somos responsables de que aprendan.

Esto que os cuento de fallar para aprender tiene nombre desde hace treinta años, por si alguien quiere leer a gente que lo explica mejor que yo: “dificultades deseables”, lo llamó Robert Bjork. La fricción que te hace más lento hoy es la que hace que se te quede.

Cuando acierta iguala, cuando hay que juzgarla separa

Ahora la parte que más me ha costado entender, porque hay dos estudios que parecen decir lo contrario y en realidad dicen lo mismo.

En el primero, 758 consultores de BCG hicieron tareas de su trabajo con y sin IA. Con IA, más tareas, más rápido y con más calidad. Y lo llamativo: los que peor rendían antes mejoraron un 43%, y los mejores solo un 17%. La IA como igualador.

En el segundo, más de seiscientos emprendedores en Kenia recibieron un asistente para su negocio. De media, nada. Pero los que ya iban bien mejoraron un 15%, y los que iban mal empeoraron casi un 10%.

¿Qué pasó? Que en el primero las tareas eran de las que la IA hace bien. En el segundo había que decidir qué consejo aplicar y cuál no, y ahí quienes iban peor no tenían criterio para filtrar: se quedaron con el consejo genérico o con el equivocado. No preguntaban distinto ni recibían respuestas distintas. Los propios consultores lo comprobaron: en una tarea diseñada para que la IA se equivocara, quien la usó acertó 19 puntos menos.

Así que la regla es esta: cuando la IA acierta, iguala, pero cuando hay que juzgarla, separa, y programar es juzgar todo el rato: cada respuesta es un consejo que tienes que decidir si aplicas y si tiene sentido de la forma propuesta.

Ahora piensa en personas que llegan con menos base, quien empieza, y sobre todo quien llega a programar desde otra profesión, que antes cerraba ese hueco en las prácticas, a base de prueba y error, de preguntar, de cometer errores y de investigar posibles soluciones, y ahora lo tapa con una herramienta que se lo resuelve. Cuanto menos traes, menos tienes con qué juzgar, y cuanto menos juzgas, menos aprendes.

Y ahora diréis que picar código se aprende luego

Lo pensé yo también. Si lo que la IA te quita es lo mecánico, picar código, escribir lo que ya sabes cómo va, pues no pasa nada: eso se aprende cuando haga falta, y mientras tanto ganas tiempo.

El problema es que los datos dicen que no se separa de forma tan sencilla. En el estudio de Anthropic, el grupo sin IA aprendió a depurar porque se topó con los errores al escribir el código y tuvo que resolverlos. La lógica se aprendía picando. No era el fin, pero era el camino. Si delegas el camino, no llegas a poder identificar el problema.

Y hay otro estudio, de Microsoft, con 319 trabajadores del conocimiento contando cómo usaban la IA en su trabajo real, que lo describe muy bien: a más confianza en la IA, menos pensamiento crítico; a más confianza en uno mismo, más pensamiento crítico. Y el trabajo se mueve de buscar información a verificarla, de resolver problemas a copiar y pegar respuestas.

Así que la pregunta que me hago, y que os hago: si la IA piensa por ti y además ejecuta por ti, ¿dónde aportas tú el valor?

Los estudios contestan a coro: en juzgar. En saber si lo que te ha dado está bien. Pero para juzgar hay que saber, y para saber hay que haber aprendido haciendo justo lo que ahora hace la IA. Ahí está el nudo.

Pedirlo demuestra querer aprender

Vuelvo al estudio de Anthropic, porque tiene una segunda parte que me gusta mucho más que la primera.

Miraron cómo usaba la IA cada persona y encontraron seis maneras. En tres de ellas se aprendía igual que sin IA: quienes pedían explicaciones además del código, quienes generaban el código y luego preguntaban por qué funcionaba, y quienes solo hacían preguntas de concepto y picaban ellos. En las otras tres, no: quienes delegaban todo, quienes empezaban solos y acababan delegando, y quienes pedían que les arreglaran los errores sin entenderlos. El peor de los seis, con diferencia, la delegación total.

Y aquí viene lo que me parece importante: nadie les dijo cómo usarla. Lo eligieron. Así que el estudio no demuestra que pedir explicaciones te haga aprender. Demuestra que quien quiere aprender las pide. La herramienta no te lo va a ofrecer: por defecto, resuelve. Pedirle que te lo explique es una decisión tuya, y es visible.

Lo incómodo es lo siguiente: quien más lo necesita es quien menos sabe que tiene que pedirlo. Si no tienes base, no sabes qué te falta. Y si no sabes qué te falta, no preguntas. Esto ya pasaba en la era pre-IA.

A quién le toca

Por eso no creo que sea solo cosa de quien aprende, aunque le toque la primera parte.

A quien aprende le toca pedirlo. Cuestionar la primera respuesta. Preguntar por qué antes de copiar. Rascar aunque funcione.

A la herramienta le toca poder explicar. El estudio del instituto demuestra que se puede diseñar para que dé pistas en vez de soluciones, y que así enseña el doble sin pasar factura.

Y a quien enseña, o sea a mí, le toca decidir cómo se usa en su casa. El estudio de Anthropic termina pidiendo justo eso a quien dirige equipos: que piense a conciencia cómo despliega estas herramientas para que la gente siga aprendiendo mientras trabaja. En mi caso lo digo con una frase que ya me habrán oído demasiadas veces: aplicad vosotros la lógica, que la IA haga lo mecánico. Si la IA piensa, no me hacéis falta, y no quiero eso. Porque el tiempo que la IA devuelve a quien ya sabe es real, y ya escribí sobre qué hacer con el tiempo que sobra. El problema no es ese tiempo, es el que le quita a quien está aprendiendo.

Una última cosa, porque no quiero que parezca que el mundo es mi oficina. Un estudio de Stanford con las nóminas de millones de trabajadores dice que en las ocupaciones más expuestas a la IA, la gente de 22 a 25 años está un 19% por debajo de donde estaría, y que no es por despidos sino porque se contrata menos. A los veteranos no les pasa. O sea, que sí: se está cerrando la puerta de entrada. Y si entra menos gente y la que entra aprende menos, el problema se multiplica.

Y no es una rareza americana: Buenos Aires acaba de medirlo ocupación por ocupación con la metodología de la OIT y es la segunda ciudad más expuesta del mundo, solo por detrás de Singapur, con las ocupaciones de tecnología de la información entre las primeras. En España lo más parecido es la cuenta de la OCDE, que sitúa el 27,4% del empleo expuesto a la IA, algo por encima de la media.

Lo que os digo

Yo aprendí fallando, y no os deseo los fallos. Os deseo lo que venía después, entender por qué.

La IA no sé si os quitará el trabajo, pero no dejéis que os impida aprender, porque es peor.