Son las diez de la mañana. Abres tu IDE y Claude Code ya te espera en la barra lateral. El requerimiento es claro: añadir lógica de soft delete a la tabla de usuarios, incluyendo la estrategia de caché asociada. Escribes una línea de comentario describiendo tu intención, presionas Tab, y la IA escupe treinta líneas de código. Parece correcto. Ejecutas las pruebas: verdes. Diez minutos, commit, push, y a por la siguiente tarea. Por la tarde, CI dispara una alerta: un caso límite en producción provocó un deadlock. Te quedas mirando el stack trace durante cinco minutos y de repente te das cuenta de que no tienes ni idea de lo que realmente ocurre dentro de ese código autogenerado. Aquel tú que era capaz de desmontar problemas de concurrencia a mano parece haberse ido para siempre.
No es un escenario ficticio. El 18 de junio de 2026, Nature publicó el artículo de revisión «Is AI ruining our skills? Early results are in — and they’re not good», que sintetiza dos estudios experimentales recientes y apunta a una misma conclusión: la asistencia de IA está provocando una degradación medible de las habilidades fundamentales en profesionales formados. No se trata de una tendencia débil: los valores p son significativos y los tamaños del efecto se sitúan en un rango medio-alto. Son hechos estadísticos. El tema desató cientos de comentarios en la comunidad Lobsters, donde usuarios veteranos como lcamtuf señalaron preocupaciones estructurales más profundas.
Como explorador, el autor recorre estos datos experimentales al tiempo que presenta las pruebas que respaldan la mejora de productividad con IA. La cuestión está lejos de estar zanjada, pero los resultados actuales bastan para que cualquier trabajador del conocimiento que dependa diariamente de la IA se detenga a reflexionar.
Médicos: en tres meses, la tasa de detección cayó seis puntos porcentuales
El primer estudio procede de un equipo conjunto de la Academia Silesiana (Polonia) y la Universidad de Oslo, publicado en «The Lancet Gastroenterology and Hepatology». Los sujetos fueron 19 endoscopistas experimentados, cada uno con al menos 2.000 colonoscopias en su haber. El equipo introdujo un sistema de asistencia de IA capaz de analizar las imágenes de colonoscopia en tiempo real y marcar pólipos adenomatosos sospechosos (lesiones intestinales precancerosas). La herramienta estaba disponible unos días laborables sí y otros no.
El estudio comparó dos ventanas temporales: los tres meses anteriores a la introducción de la IA (795 casos) y los tres meses posteriores en los que la IA no estaba disponible (648 casos). Antes de la IA, la tasa de detección de adenomas era del 28,4%. Después, sin asistencia de IA, cayó al 22,4%, un descenso de seis puntos porcentuales estadísticamente significativo. Los autores interpretan que la exposición continua a la IA puede provocar en los clínicos «menor motivación, atención reducida y menor sentido de responsabilidad en la toma de decisiones» cuando el soporte desaparece.
Conviene señalar un matiz metodológico. El usuario de Lobsters hyperpape observó que, tras la introducción de la IA, el volumen total de colonoscopias se duplicó y los intervalos de confianza son amplios. No se puede atribuir toda la caída a la dependencia de la IA: el aumento de carga de trabajo por sí solo podría diluir los recursos atencionales. El coautor Yuichi Mori admitió que «se necesita más investigación» y reconoció con franqueza que «actualmente no existen soluciones establecidas para la degradación de habilidades».
No obstante, un hecho queda suficientemente claro: cuando la IA se incrusta de forma intermitente en flujos de trabajo de alta cualificación, el rendimiento independiente de los humanos cuando carecen de ella empeora de manera real. Desde la ingeniería, esto apunta a un juicio: si se usa la IA como «muleta» en lugar de como «asistente de entrenamiento», la capacidad autónoma del operador humano puede empezar a deteriorarse en cuestión de semanas. En sectores de alto riesgo —medicina, aviación, energía nuclear— donde no se tolera el tiempo de inactividad de la IA, esta curva de declive merece una atención seria.
Desarrolladores: ensayo controlado aleatorizado, el grupo con IA bajó dos niveles
El segundo estudio procede del equipo de investigación de Anthropic (arXiv: 2601.20245) y fue citado por la revisión de Nature como evidencia central de degradación de habilidades en ciencias de la computación. Es un ensayo controlado aleatorizado (RCT), actualmente el de mayor rigor metodológico.
El experimento reclutó a 52 ingenieros de software (en su mayoría juniors), todos con al menos un año de experiencia en Python y sin familiaridad previa con Trio, una biblioteca de Python para programación asíncrona. Los participantes se asignaron aleatoriamente a dos grupos: uno podía usar un asistente de IA en barra lateral (con acceso al código y capacidad de generar respuestas correctas en cualquier momento), el otro solo podía completar las tareas mediante búsquedas web y consulta de documentación. Las tareas incluían comprender los conceptos centrales de Trio y escribir dos funcionalidades. A todos se les informó de que habría un cuestionario posterior, pero se les animó a «terminar cuanto antes».
El cuestionario evaluó cuatro dimensiones: depuración, lectura de código, escritura de código y comprensión conceptual, con especial énfasis en las tres primeras. El equipo las consideró «las capacidades fundamentales que los humanos necesitarán conservar en un futuro donde la proporción de código generado por IA siga en aumento».
El resultado fue demoledor. El grupo con IA obtuvo una puntuación media del 50%, frente al 67% del grupo sin IA. La diferencia equivale aproximadamente a dos niveles de calificación (Cohen’s d = 0,738, p = 0,01). La mayor brecha se dio en depuración —la capacidad de «determinar qué falla en el código y por qué»— que resulta ser, irónicamente, la meta-habilidad más necesaria cuando un humano supervisa código generado por IA. En cuanto a velocidad, el grupo con IA fue en promedio unos dos minutos más rápido, pero sin alcanzar significación estadística.
Este resultado contraintuitivo merece ser desglosado: la IA hizo a los desarrolladores ligeramente más rápidos, pero no significativamente; y, sin embargo, redujo de forma notable la profundidad de comprensión de conceptos con los que acababan de entrar en contacto apenas unos minutos antes. Y el golpe se concentró justo en la «capacidad de depuración», precisamente la habilidad humana más irremplazable en la producción de código de la era de la IA.
El modo de interacción importa más que «usar o no usar»
La parte más reveladora del artículo de Anthropic es la subdivisión de los patrones de uso que aparece en el análisis cualitativo. Mediante la anotación de grabaciones de pantalla, el equipo clasificó a los participantes del grupo con IA en seis categorías según su modo de interacción.
Patrones de baja puntuación (media del cuestionario inferior al 40%):
- Delegación total a la IA (n=4): dejaban que la IA escribiera todo el código; ellos solo copiaban y pegaban. Los más rápidos en la tarea, los peores en el cuestionario.
- Dependencia progresiva de la IA (n=4): empezaban haciendo una o dos preguntas y acababan delegando todo; ni siquiera llegaron a asimilar los conceptos de la segunda tarea.
- Depuración iterativa con IA (n=4): pedían a la IA que les ayudara a depurar, confiando en que ella resolviera los problemas en lugar de aclarar su propia comprensión. Malos resultados en el cuestionario y además lentos.
Patrones de alta puntuación (media del cuestionario superior al 65%):
- Generación seguida de preguntas de comprensión (n=2): primero generaban el código con IA y luego hacían preguntas conceptuales para profundizar.
- Código y explicación combinados (n=3): solicitaban a la vez generación de código y explicación de la lógica. Más tiempo, pero asimilación más sólida.
- Solo preguntas conceptuales (n=7): solo preguntaban conceptos y programaban por sí mismos a partir de lo comprendido. El más rápido de los patrones de alta puntuación, solo por detrás de la delegación total.
La idea clave es de una sencillez demoledora. Quienes usaron el LLM como «máquina de respuestas» vieron degradadas sus habilidades; quienes lo usaron como «mentor conversacional» las vieron crecer. La diferencia reside en la disposición a dedicar dos minutos extra a preguntar «¿por qué?» después de obtener la respuesta. Pero este hallazgo también encierra un problema estructural. En los entornos laborales reales, los incentivos organizacionales empujan de forma natural hacia la «entrega rápida» más que hacia el «aprendizaje profundo». Para un desarrollador junior frente a un deadline, elegir la delegación total a la IA es un acto casi racional. El propio artículo de Anthropic lo señala: «Dadas las limitaciones de tiempo y las presiones organizacionales, los desarrolladores juniors pueden verse empujados a completar las tareas con IA lo más rápido posible a costa del desarrollo de habilidades —lo que, a su vez, socava su capacidad para depurar cuando algo sale mal.»
La otra cara: la IA sí mejora la productividad, pero solo si ya dominas la tarea
Siendo justos, la literatura no es unánime. En ese mismo artículo, Anthropic cita estudios observacionales sobre usuarios de Claude.ai que muestran que la IA puede reducir en un 80% el tiempo de ciertas tareas. La explicación del equipo es: la IA acelera la ejecución de habilidades ya dominadas, pero obstaculiza el proceso de aprendizaje de habilidades nuevas. Las dos conclusiones no se contradicen: responden a preguntas diferentes. Un desarrollador experimentado en React puede usar la IA para escribir componentes de formulario y ahorrarse el tiempo de teclear el boilerplate; pero si está aprendiendo un framework nuevo y deja que la IA escriba por él, se le arrebata la oportunidad de construir un modelo mental.
Además, un RCT de METR en julio de 2025 arrojó un dato intrigante: 16 desarrolladores sénior de código abierto (mantenedores de proyectos con una media de más de 22.000 estrellas) fueron un 19% más lentos al usar herramientas de IA de principios de 2025. La dirección coincide con la conclusión de Anthropic —la IA no mejoró la productividad de desarrolladores con experiencia—, aunque METR se centraba en productividad, no en degradación de habilidades.
Balance: hay evidencia positiva de que la IA mejora la eficiencia en tareas familiares, pero también existe evidencia con nivel de RCT de que obstaculiza el aprendizaje de nuevas habilidades. Ninguno de los dos extremos es concluyente, pero lo que hay basta para tomarse en serio la idea de que «el modo de uso decide si la IA es herramienta o trampa».
Tres capas de preocupación: responsabilidad, esencia y homogeneización
Volviendo al hilo de Lobsters. El extenso comentario de lcamtuf, un conocido investigador de seguridad, recibió 34 votos y señaló tres problemas estructurales que trascienden los datos experimentales.
Primero, la fractura en la atribución de responsabilidad. El sistema de responsabilidad legal y profesional que la sociedad moderna impone a los especialistas se asienta sobre la premisa de que «tú comprendes y eres dueño de los resultados de tu trabajo». Si los LLM degradan continuamente la capacidad diagnóstica pero el estándar de responsabilidad por negligencia médica permanece inalterado, el resultado es el peor escenario posible: el juicio clínico se deteriora, pero la responsabilidad sigue clavada sobre tus hombros. Esta lógica vale para todas las profesiones que firman: ingenieros, contables, abogados.
Segundo, la externalización de habilidades esencialmente humanas. «Las habilidades de las que estamos hablando son crear arte, expresar ideas, tomar decisiones complejas, comunicar emociones, enseñar a otros. Son casi la quintaesencia de la existencia humana.» La pregunta de lcamtuf es más profunda que «¿puede hacerlo la IA?»: si todas estas actividades humanas terminan externalizándose a los LLM, «¿qué queda por lo que merezca la pena estar orgulloso de ser humano?» No hay buena respuesta a día de hoy, pero precisamente por eso la pregunta merece ser formulada una y otra vez.
Tercero, la IA como «amplificador de homogeneización». lcamtuf desarrolló en su blog la idea de que la IA puede amplificar la capacidad individual, pero también es un sorprendente amplificador de uniformidad: «Estas herramientas te dan ventaja competitiva al mismo tiempo que te despojan de toda personalidad. Cuando tu producción es completamente intercambiable con la de otros mil millones de personas que saben escribir un prompt, ¿con qué compites?»
Estas tres inquietudes ofrecen un marco para interpretar los datos experimentales: la evidencia de degradación de habilidades es el «qué»; la fractura de la responsabilidad, la externalización esencial y la homogeneización son el «y qué».
¿Problema de herramienta o problema estructural?
¿Por qué este tema resulta tan perturbador? Aceptamos con naturalidad que el GPS atrofió nuestro sentido de la orientación y que los motores de búsqueda debilitaron nuestra memoria. ¿Qué tiene la IA de diferente?
La metáfora del usuario de Lobsters emk ofrece parte de la respuesta. La fotografía reemplazó la destreza pictórica, pero no el ojo ni el cerebro del pintor: la composición, la luz, la elección del tema siguieron siendo humanos. El LLM es distinto: invade el propio proceso de juicio. La capacidad de depurar, la intuición de diseño, la comprensión conceptual. Cuando una herramienta empieza a sustituir tus decisiones en lugar de ejecutar tus pasos, su naturaleza vira de «herramienta» a «agente». Cuanto más tiempo usas un agente, más se atrofian los músculos del juicio independiente.
El autor no se opone al uso de la IA —de hecho, ha recurrido intensamente a ella para organizar y traducir materiales durante la redacción de este artículo. La clave está en el modo de empleo: tratar la IA como interlocutor de diálogo, no como expendedora de respuestas, e integrar la pregunta «¿por qué?» como paso obligatorio del flujo de trabajo. Pero incluso cuando un individuo lo consigue, los problemas estructurales persisten. Cuando el sistema de desempeño premia la velocidad de entrega por encima de la calidad del código, y cuando la dirección traduce «asistencia de IA» como «se puede reducir plantilla», quien se empeña en «comprender antes de commitear» acaba aplastado bajo presiones sistémicas.
No hay una conclusión definitiva. La dirección de la evidencia experimental disponible es básicamente consistente: la asistencia de IA tiene un efecto negativo significativo sobre el aprendizaje de habilidades a corto plazo, y el tamaño del efecto no es pequeño. Pero las muestras son reducidas (52 y 19 personas), los entornos experimentales difieren de los flujos de trabajo reales, y sobre los efectos a largo plazo no hay absolutamente ningún dato. Lo máximo que puede hacer este artículo es poner sobre la mesa las pruebas experimentales existentes junto con la intuición ingenieril, e invitar al lector a examinar sus propios hábitos a la luz de esta información.
(Este artículo se basa en información pública de la revisión de Nature y de los estudios originales relacionados. Todas las cifras y citas tienen su fuente indicada. El autor ha utilizado herramientas de IA como apoyo en los procesos de organización y traducción de materiales; el juicio y la estructura del artículo son obra humana. Este texto no constituye asesoramiento profesional de ningún tipo ni representa una postura global de rechazo hacia la tecnología de IA.)