¿De dónde saldrán los seniors si la IA hace el trabajo del junior?

El momento decisivo de un proyecto llega antes de empezar a implementar: decidir qué problema resolver, cómo estructurarlo y qué compromisos asumir. La IA puede acelerar la construcción de una solución. La organización sigue necesitando personas capaces de darle dirección.

Si quienes empiezan reciben tareas ya definidas y una solución generada, ¿dónde aprenderán a diseñar un proyecto? Ahí sitúo uno de los principales human in the loop: la participación humana que define la intención, diseña la solución y estructura el trabajo antes de delegar su ejecución.

El problema que quiero resolver es cómo desarrollar ese criterio mientras aprovechamos toda la velocidad que aporta la IA.

La revisión de código también se automatiza

Anthropic describe un flujo que automatiza la revisión y permite integrar cambios de bajo riesgo sin aprobación humana, tras sus controles. Mantiene intervención humana en otros casos, incluida arquitectura. Es una experiencia de proveedor, con condiciones propias. Caso del equipo de Claude Code, octubre de 2026.

Mi previsión es que, a corto plazo, será habitual delegar por completo la revisión de código en IA. Por eso quiero que el desarrollo de experiencia incluya desde el principio definir el problema, valorar alternativas y diseñar las condiciones de aceptación.

Ser senior implica decidir con información incompleta, entender dependencias y asumir consecuencias. Esas capacidades también se desarrollan participando en cómo se plantea un proyecto. Los profesionales experimentados necesitan practicarlas al entrar en un dominio nuevo.

Bainbridge examinó cómo la automatización puede reducir la práctica de habilidades que siguen siendo necesarias. Su análisis industrial es un antecedente conceptual para esta pregunta. Ironies of Automation, 1983.

Qué aporta la investigación sobre aprendizaje

Shen y Tamkin observaron menor comprensión inmediata con IA en un ensayo con 52 participantes aprendiendo una biblioteca de Python, sin mejora de tiempo estadísticamente significativa. Es un preprint sobre una experiencia breve. Estudio, 2026.

Brynjolfsson, Li y Raymond encontraron productividad y señales de aprendizaje en atención al cliente, incluso durante interrupciones de la herramienta. Es un estudio de una empresa, con estimaciones imprecisas sobre interrupciones. Artículo, 2025.

Bastani y colaboradores observaron en matemáticas escolares que un tutor con salvaguardas mitigaba gran parte del perjuicio posterior sin ayuda asociado a una asistencia abierta. Su traslado al trabajo requiere cautela. PNAS, 2025.

Estos estudios no evalúan la formación de arquitectos ni predicen carreras profesionales. Mi lectura es que producir con ayuda y desarrollar capacidad merecen atención propia. La propuesta siguiente es mi aplicación al trabajo de ingeniería.

Un ejemplo: diseñar antes de generar

Imaginemos un servicio de reservas que debe tolerar fallos de comunicación. Antes de implementar, el equipo necesita decidir qué significa repetir una solicitud, cómo evitar reservas duplicadas y qué garantías deben mantenerse si llegan peticiones concurrentes.

Un timeout puede dejar al cliente sin saber si el servidor completó la operación. RFC 9110 establece condiciones para reintentar automáticamente operaciones no idempotentes. HTTP Semantics, §9.2.2.

Incorporaría a quien está aprendiendo a esas decisiones: dibujar el flujo, separar responsabilidades, explicitar supuestos y proponer criterios de aceptación. Después, la IA puede ayudar a implementar y revisar. Si cambia una restricción, esa persona debería poder explicar qué parte del diseño necesita reconsiderarse.

El ejemplo es hipotético y deja fuera la solución completa. La oportunidad de aprendizaje está en estructurar el problema y justificar las decisiones antes de ejecutar.

Tres prácticas para desarrollar ese criterio

El acompañamiento de Collins, Brown y Newman ofrece una referencia: hacer visible el razonamiento, guiar la práctica y retirar apoyos gradualmente. La aplicación a este flujo es una adaptación propuesta. Cognitive Apprenticeship, 1987.

La IA puede participar en todo el recorrido. El acompañamiento humano debe ayudar a comprender las decisiones y asumir progresivamente responsabilidad sobre ellas. La aceptación del resultado conserva un responsable explícito; las prácticas sensibles requieren un entorno aislado.

Reservaría tiempo para diseñar juntos, discutir alternativas y explicar por qué se descartan algunas. Si esa labor recae siempre en los mismos expertos, incorporaría su transferencia a la planificación de capacidad.

Observaría dos resultados: la mejora en entrega y calidad, y la capacidad de más personas para plantear un proyecto o adaptar su diseño semanas después. Una buena explicación inmediata es una señal parcial; la evolución local, por sí sola, no demuestra causalidad.

Mi posición

Quiero acelerar la ejecución y aprovechar todo lo que la IA pueda automatizar. Mi exigencia es que la organización preste también atención a cómo desarrolla criterio, comparte conocimiento y forma a quienes dirigirán los siguientes proyectos.

Yo incorporaría a los juniors a las decisiones de diseño desde el principio, con acompañamiento y responsabilidad creciente. Ahí quiero poner el foco de su desarrollo.

Acelerar la ejecución me parece una gran noticia. Convertir la velocidad en el único foco organizativo me parece una mala decisión de dirección.

Referencias

• Shen, J. H. y Tamkin, A. (2026). How AI Impacts Skill Formation. Preprint.
• Brynjolfsson, E., Li, D. y Raymond, L. (2025). Generative AI at Work. QJE, 140(2).
• Bastani, H. y colaboradores (2025). Generative AI without guardrails can harm learning. PNAS, 122(26).
• Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6).
• Collins, A., Brown, J. S. y Newman, S. E. (1987). Cognitive Apprenticeship. Technical Report 403.
• Fielding, R., Nottingham, M. y Reschke, J. (2022). RFC 9110, §9.2.2.
• Osmani, A., Lunt, M. W. y Wang, Q. (2026). How the Claude Code team does code review. Caso de Anthropic.