Una investigación publicada en Science plantea una pregunta que los líderes de equipos tech ya están respondiendo sin darse cuenta: ¿tiene más sentido contratar a un junior o delegar esas tareas directamente a IA? La respuesta instintiva es “depende”, pero la respuesta honesta es más incómoda: cada vez más equipos eligen la IA, y las consecuencias a largo plazo todavía no son claras.
El dilema no ocurre solo en laboratorios universitarios. Ocurre en cada decisión de contratación, en cada proceso de onboarding y en cada herramienta nueva que se integra al stack de trabajo. Y la tensión tiene dos caras que vale la pena separar.
El argumento a favor de la IA es convincente en el corto plazo
Las herramientas de IA generativa pueden ejecutar tareas de investigación, análisis de datos, síntesis bibliográfica y generación de código en una fracción del tiempo que le tomaría a alguien sin experiencia. No necesitan seis meses de onboarding. No tienen curva de aprendizaje visible. No fallan en los deadlines porque perdieron el hilo de la tarea.
IA para el Resto de Nosotros
La nueva versión de mi curso estrella para aprender a usar la IA de forma práctica, simple y útil en tu día a día. Comienza el 24 de marzo.
→ Inscríbete hoy 🚀En equipos con recursos limitados, esto no es solo conveniencia: es supervivencia operacional. Un founder que hace todo con tres personas no puede darse el lujo de tener a alguien “aprendiendo” durante meses antes de aportar productividad real. La IA resuelve ese problema hoy.
Los datos acompañan esta lectura. Según el Instituto IZA de Economía Laboral, el 80% de los estudiantes universitarios en universidades de élite de EE.UU. ya usa IA generativa, principalmente para acelerar su comprensión de temas. El 61% la usa para augmentar su aprendizaje; el 42% para automatizar tareas. Incluso en los entornos más formativos, la IA ya es parte del trabajo real.
El costo que no aparece en el corto plazo
Aquí es donde el análisis se complica.
Un junior no solo produce resultados: aprende a fallar, a iterar bajo presión, a defender criterio propio frente a otros. Ese proceso —lento y costoso— genera algo que la IA no puede reemplazar directamente: el profesional que ya vio el problema desde adentro y construyó criterio propio sobre él. El senior que en cinco años va a tomar decisiones de arquitectura, no el que generó código correcto en 2026.
La American Association of University Professors advirtió en su reporte de invierno 2026 que el uso intensivo de IA podría estar relacionado con una disminución del pensamiento crítico y habilidades cognitivas en quienes la usan sin suficiente fricción intelectual. La “fricción” en el aprendizaje —el momento en que algo no funciona y hay que entender por qué— es donde se forma el criterio. Si la IA resuelve todos los problemas antes de que el developer llegue a pensar en ellos, esa fricción desaparece.
Es el mismo problema que la deuda de verificación en programación con IA: aceptar código que funciona sin entender por qué genera una deuda técnica invisible que solo aparece cuando algo falla en producción. En el talento, la deuda equivalente es aceptar trabajo que se hace sin entender cómo se construyó.
Lo que los equipos realmente están decidiendo
El debate no es “IA vs humanos” de forma absoluta. Los equipos más maduros que están navegando esto con criterio hacen una distinción importante: qué tareas deben tener fricción intelectual (para formar criterio) y cuáles pueden automatizarse sin costo formativo.
Código boilerplate, documentación rutinaria, síntesis de documentos, búsqueda de referencias: automatizar aquí tiene poco costo formativo. Diseño de arquitectura, debugging complejo, toma de decisiones en situaciones ambiguas: aquí la fricción importa y el junior que la pasa desarrolla algo que la IA no puede transferirle.
El riesgo de la adopción acelerada no es que la IA haga el trabajo; es que los equipos pierdan la capacidad de distinguir entre estos dos tipos de tareas y automatizan todo por defecto. El resultado en tres años sería equipos muy eficientes para ejecutar lo ya sabido y con poca capacidad para navegar lo que todavía no saben resolver. La dependencia de herramientas como Claude Code tiene exactamente ese doble filo: ganas velocidad pero puedes perder la capacidad de construir sin el andamio.
Por qué importa ahora
La tensión entre automatización y formación de talento no es nueva. Lo nuevo es la velocidad y la profundidad a la que la IA puede sustituir el trabajo de aprendizaje, no solo el trabajo de ejecución.
Para fundadores y líderes de equipos, la pregunta práctica es esta: ¿qué parte del trabajo de mi equipo necesita que alguien se quede con el problema el tiempo suficiente para entenderlo de verdad? Eso no debe automatizarse aunque pueda serlo. El resto, adelante.
La eficiencia de corto plazo es real y valiosa. El riesgo de largo plazo también lo es. Y la única forma de no caer en él es hacerlo una decisión consciente, no una consecuencia automática de adoptar las herramientas más nuevas.
