Un programador novato se enfrenta a una biblioteca de Python que nunca ha utilizado. Tiene dos opciones: estudiar la documentación, cometer errores, depurar su código hasta comprenderlo profundamente, o consultar a un asistente algorítmico que le genera la solución completa en segundos. La segunda opción parece irresistiblemente eficiente. Sin embargo, investigadores de Anthropic acaban de demostrar que ese atajo cognitivo cobra un precio invisible pero sustancial: la erosión de habilidades fundamentales para supervisar precisamente ese tipo de sistemas automatizados.
El estudio, publicado en enero de 2026 y liderado por Judy Hanwen Shen y Alex Tamkin, representa uno de los primeros intentos rigurosos de medir experimentalmente cómo la asistencia tecnológica afecta la formación de competencias profesionales en tiempo real. A diferencia de investigaciones previas centradas en productividad inmediata, este trabajo examina el proceso mismo de aprendizaje: ¿qué sucede cuando las herramientas digitales no solo ejecutan tareas sino que también reemplazan el esfuerzo cognitivo necesario para dominarlas?
Los hallazgos resultan inquietantes. Los 26 participantes que utilizaron asistencia algorítmica para completar ejercicios de programación asincrónica obtuvieron calificaciones 17 por ciento inferiores en evaluaciones posteriores comparados con quienes trabajaron sin esa ayuda. La diferencia no es marginal: equivale a dos puntos de calificación completos en un examen de 27 puntos. Más revelador aún, esa merma en comprensión no vino acompañada de ganancias compensatorias en velocidad. El grupo asistido no terminó significativamente más rápido que el control.
Seis patrones, tres soluciones
Tras analizar grabaciones de pantalla de cada participante, los investigadores identificaron seis patrones distintos de interacción con los asistentes algorítmicos. Tres de ellos preservaban el aprendizaje; los otros tres lo devastaban. La diferencia clave radicaba en el nivel de compromiso cognitivo que cada enfoque demandaba.
| Patrón de interacción | Descripción | Tiempo de completación | Puntaje en evaluación |
|---|---|---|---|
| Delegación total | Solo solicitar generación de código completo sin preguntas conceptuales | 19.5 min | 39% |
| Dependencia progresiva | Hacer preguntas iniciales, luego delegar toda la escritura de código | 22 min | 35% |
| Depuración iterativa | Depender del asistente para resolver errores sin entender el problema | 31 min | 24% |
| Indagación conceptual | Solo hacer preguntas teóricas, resolver errores de manera independiente | 24 min | 86% |
| Código híbrido con explicaciones | Solicitar código junto con explicaciones detalladas de su funcionamiento | 22 min | 65% |
| Generación seguida de comprensión | Generar código primero, luego hacer preguntas para entender cada parte | 24 min | 68% |
Los tres patrones destructivos compartían una característica común: desplazaban el trabajo intelectual hacia la máquina. Los participantes que simplemente copiaban y pegaban código generado automáticamente terminaban más rápido, pero no desarrollaban comprensión funcional de los conceptos subyacentes. Uno de ellos confesó en la encuesta posterior: "Al usar el asistente me volví perezoso. No leí la introducción a la biblioteca ni los ejemplos de código con la atención que hubiera necesitado de otra manera".
En contraste, quienes adoptaron enfoques de alto compromiso cognitivo transformaron al asistente en una herramienta pedagógica. Algunos solo formulaban consultas conceptuales, del tipo "¿puedes recordarme cuáles son las operaciones asíncronas diferentes en Trio?", y luego escribían su propio código enfrentando y resolviendo errores de manera autónoma. Otros pedían código generado pero inmediatamente seguían con preguntas del tipo "¿puedes darme una descripción breve de la idea general detrás de todo esto?". Ese segundo paso, aparentemente modesto, marcaba la diferencia entre productividad vacía y aprendizaje genuino.
El hallazgo tiene implicaciones directas para diseñadores de herramientas tecnológicas y para organizaciones que las adoptan. No toda asistencia algorítmica produce los mismos efectos. La arquitectura de interacción, el tipo de prompts que el sistema facilita o desalienta, y la cultura organizacional que rodea su uso determinan si estas tecnologías amplificarán o atrofiarán las capacidades humanas.
El costo invisible del tiempo ahorrado
La ausencia de mejoras significativas en velocidad contradice estudios previos sobre productividad algorítmica. Investigaciones en centros de llamadas, consultorías y bufetes legales han documentado incrementos del 15 al 26.8 por ciento en tareas completadas cuando los trabajadores acceden a asistentes conversacionales. En programación específicamente, estudios con GitHub Copilot reportaron que desarrolladores completaban tareas hasta 55.5 por ciento más rápido.
¿Por qué esta investigación no reprodujo esas ganancias? El análisis cualitativo revela la respuesta. Algunos participantes dedicaron hasta 11 minutos del total de 35 minutos disponibles simplemente componiendo consultas para el asistente. Un usuario formuló 15 preguntas distintas; otro invirtió más del 30 por ciento de su tiempo redactando y reformulando solicitudes. Ese tiempo de interacción con la interfaz conversacional canceló cualquier ventaja temporal que la generación automática de código pudiera haber proporcionado.
Este fenómeno expone una tensión fundamental en el diseño de sistemas de asistencia: interfaces que minimizan la fricción maximizan la velocidad pero también maximizan la descarga cognitiva. Sistemas más demandantes, que requieren formular consultas cuidadosas o revisar explicaciones extensas, preservan el compromiso mental pero diluyen las ganancias en eficiencia. No existe, al menos por ahora, un diseño que optimice ambos objetivos simultáneamente.
El grupo de control, trabajando sin asistencia, encontró significativamente más errores durante la codificación: una mediana de tres errores por participante versus solo uno en el grupo asistido. Esos errores, lejos de representar fallas, constituían oportunidades de aprendizaje. Cada mensaje de error relacionado con la biblioteca Trio, cada TypeError o RuntimeWarning, forzaba una confrontación directa con conceptos fundamentales sobre corutinas, palabras clave await y gestores de contexto asíncronos. Resolver esos problemas de manera independiente consolidaba exactamente las competencias que la evaluación posterior medía.
Implicaciones para el futuro del trabajo
Los resultados plantean preguntas incómodas sobre la trayectoria actual de integración tecnológica en entornos laborales. Si los trabajadores novatos, aquellos en pleno proceso de desarrollo profesional, obtienen las mayores ganancias inmediatas de productividad al usar asistentes algorítmicos pero también sufren el mayor deterioro en formación de competencias, ¿qué tipo de profesionales estamos cultivando?
El dilema se agudiza en dominios de alta criticidad donde la supervisión humana permanece indispensable. Código generado algorítmicamente para sistemas financieros, infraestructura médica o transporte autónomo requiere validación por ingenieros que comprendan profundamente no solo si el código funciona, sino por qué funciona, qué puede fallar y cómo diagnosticarlo. Si esos mismos ingenieros desarrollaron sus habilidades delegando sistemáticamente el trabajo cognitivo a máquinas, su capacidad de supervisión queda fundamentalmente comprometida.
El estudio sugiere que organizaciones responsables deberían implementar políticas deliberadas sobre cuándo y cómo empleados en formación utilizan asistencia algorítmica. Algunas empresas tecnológicas ya experimentan con "modos de aprendizaje" que limitan la automatización durante períodos de adquisición de nuevas habilidades. Anthropic, paradójicamente una compañía cuyo modelo de negocio depende de estos asistentes, ha desarrollado configuraciones explicativas que priorizan comprensión sobre velocidad.
Limitaciones y direcciones futuras
Los investigadores reconocen varias limitaciones importantes. El experimento duró aproximadamente una hora; la formación real de habilidades profesionales se extiende por meses o años. Los participantes eran programadores freelance o profesionales, pero sin los incentivos organizacionales que moldean el comportamiento en empleos reales. El estudio midió aprendizaje mediante un examen, no mediante la completación de tareas adicionales o desempeño a largo plazo. Investigación longitudinal en entornos laborales auténticos resultaría más conclusiva pero también más difícil de ejecutar con rigor experimental.
Un hallazgo adicional merece atención: los participantes del grupo asistido reportaron menor percepción de aprendizaje que el grupo control, a pesar de que ambos grupos calificaron la tarea como igualmente disfrutable. Esta consciencia de que "algo falta" sugiere que muchos usuarios intuyen el problema incluso cuando carecen de métricas para cuantificarlo. Varios participantes del grupo asistido comentaron espontáneamente que deseaban haber prestado más atención a los detalles de la biblioteca durante la codificación, que sentían "muchos vacíos" en su comprensión, o que se habían vuelto "perezosos".
La investigación concluye con una recomendación clara pero matizada: la productividad mejorada por algoritmos no constituye un atajo hacia la competencia. Las organizaciones que adopten estas herramientas deben hacerlo con cuidado deliberado, especialmente en sectores donde la seguridad depende de supervisión humana informada. Los trabajadores individuales, por su parte, enfrentan una responsabilidad nueva: ejercitar conscientemente el compromiso cognitivo incluso cuando existen opciones más convenientes.
En un entorno donde asistentes cada vez más capaces prometen resolver prácticamente cualquier problema técnico, la habilidad más valiosa podría ser saber cuándo rechazar esa ayuda. La verdadera maestría no reside en qué tan eficientemente delegamos tareas a sistemas automatizados, sino en qué tan sabiamente elegimos qué delegar y qué preservar bajo control humano directo. Esa distinción, aparentemente simple, podría determinar si la próxima generación de profesionales supervisa tecnología poderosa o simplemente la acompaña sin comprenderla.
Referencias
Shen, J. H., & Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv preprint arXiv:2601.20245v1. Anthropic Research. Disponible en: https://arxiv.org/pdf/2601.20245
Anthropic. (2026). How AI assistance impacts the formation of coding skills. Anthropic Research. Disponible en: https://www.anthropic.com/research/AI-assistance-coding-skills
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889-945.
Dell'Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Working Paper, (24-013).
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv preprint arXiv:2302.06590.
Cui, Z. K., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2024). The effects of generative AI on high skilled work: Evidence from three field experiments with software developers. Available at SSRN 4945566.
Vasconcelos, H., Jörke, M., Grunde-McLaughlin, M., Gerstenberg, T., Bernstein, M. S., & Krishna, R. (2023). Explanations can reduce overreliance on AI systems during decision-making. Proceedings of the ACM on Human-Computer Interaction, 7(CSCW1), 1-38.
Training Magazine. (2025). How AI Training Can Reduce the Risks of Cognitive Offloading. Disponible en: https://trainingmag.com/how-ai-training-can-reduce-the-risks-of-cognitive-offloading/
Journal of the Association for Information Systems. (2023). The Vicious Circles of Skill Erosion: A Case Study of Cognitive Automation in Accounting. JAIS, 24(5). Disponible en: https://aisel.aisnet.org/jais/vol24/iss5/2/
Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity. arXiv preprint arXiv:2507.09089.
