Usar IA para programar es más rápido. Pero según un nuevo estudio de Anthropic, también puede hacerte un 17% peor en lo que importa: entender el código que acabas de escribir. El tradeoff productividad vs. aprendizaje que muchos intuían ahora tiene evidencia empírica.
El estudio, publicado en enero de 2026, es un experimento controlado aleatorizado (RCT) con 52 ingenieros de software. El objetivo: aprender Trio, una biblioteca de Python para programación asíncrona que ninguno conocía. La mitad usó un asistente de IA durante la tarea; la otra mitad programó a mano. Después, a todos les hicieron una prueba sobre los conceptos que acababan de usar.
Los números: casi dos notas de diferencia
El grupo con IA obtuvo un 50% promedio en el quiz. El grupo sin IA: 67%. Son casi dos notas académicas de diferencia (Cohen’s d=0.738, p=0.01), estadísticamente significativa. En velocidad, el grupo con IA terminó unos dos minutos antes en promedio, pero esa diferencia no alcanzó significancia estadística.
La brecha más grande se dio en preguntas de debugging: identificar y diagnosticar errores en código. Es exactamente la habilidad que más necesitas cuando la IA te genera algo incorrecto y tienes que darte cuenta de por qué falla.
¿Por qué pasa esto?
La hipótesis apunta al proceso de aprendizaje por fricción. Cuando programas sin IA y te equivocas, tienes que entender el error para resolverlo. Ese proceso es el aprendizaje. Cuando le preguntas a la IA y ella resuelve el error por ti, te saltaste el paso donde el conocimiento se consolida en tu memoria.
El estudio identificó varios patrones de uso que predicen resultados distintos:
- Bajo puntaje: Depender completamente de la IA para producir código sin intentar entenderlo. Algunos participantes tardaron hasta 11 minutos componiendo 15 consultas a la IA — más tiempo “hablando con la IA” que escribiendo código.
- Alto puntaje: Usar la IA como herramienta de entendimiento: hacer preguntas de seguimiento, pedir explicaciones conceptuales, alternar entre escribir código propio y consultar a la IA. El resultado era similar en velocidad, pero muy diferente en retención.
En otras palabras: no es si usas IA, sino cómo la usas.
Las implicaciones que más duelen
Hay tres grupos para los que esto tiene consecuencias directas:
- Developers junior: El estudio usó mayormente ingenieros con al menos un año de experiencia usando Python. Para alguien que está aprendiendo desde cero, el efecto podría ser mayor. No es coincidencia que el empleo de developers junior haya caído un 20% en 2025 — si los equipos usan IA para el código simple, contratan menos para aprender haciendo.
- Equipos de ingeniería: Si tus devs usan IA en todo, puede que produzcan código más rápido pero con menor capacidad para auditarlo, mantenerlo, o detectar cuando la IA se equivocó. Esto alimenta directamente lo que se llama deuda de verificación: código que parece correcto pero que nadie entiende del todo.
- La industria en general: El informe DORA 2025 ya documentaba que el 90% de developers usa IA pero la estabilidad de entrega cayó un 7,2%. Más velocidad, menos robustez. Este estudio sugiere un mecanismo explicativo.
Lo que dice el contexto más amplio
Este no es el primer estudio que apunta al tradeoff. Microsoft Research ya mostraba en 2025 que la asistencia de IA llevaba a las personas a reducir el esfuerzo cognitivo y el pensamiento crítico. Lo que hace especial el estudio de Anthropic es la metodología: experimento controlado, tarea definida, evaluación medible. No es una encuesta de percepción ni una corazonada.
También hay algo que vale la pena notar: Anthropic, que vende herramientas de IA para programadores, publica investigación que muestra un efecto secundario negativo de esas herramientas. Eso es un nivel de honestidad que no siempre vemos en la industria.
Por qué importa
El mundo tech lleva dos años midiendo productividad en PRs por hora, no en horas de aprendizaje. Pero hay una pregunta que eso ignora: si los equipos de hoy producen código más rápido pero entienden menos lo que producen, ¿quién hace el mantenimiento en cinco años? ¿Quién audita los sistemas críticos? ¿Quién detecta el bug sutil que la IA generó con seguridad?
La productividad de corto plazo y el dominio de largo plazo pueden no ser la misma cosa — y ahora hay datos que lo respaldan. El estudio no dice que dejes de usar IA. Dice que si solo la usas para que te dé respuestas, estás construyendo dependencia en lugar de construir capacidad.
