- La IA cumple el papel de reducir la barrera de entrada para principiantes y personas de nivel intermedio dentro de la curva de aprendizaje, y hace posible un apoyo personalizado según el nivel de cada persona
- Sigue siendo difícil llegar a una maestría de nivel experto, y la IA todavía tiene limitaciones en temas profundos o áreas controversiales
- Si la IA se usa solo como una herramienta para obtener respuestas, puede producir el efecto secundario de quedarse en el límite de la propia IA sin un crecimiento real
- El impacto de la IA aparece de forma distinta en áreas como programación, creación y uso de apps cotidianas, y especialmente en campos donde las nuevas ideas y la innovación son importantes, su efecto transformador es limitado
- La IA ha elevado la línea de base del cambio, pero no ha generado grandes transformaciones en todos los campos, y el valor de usarla se evalúa de manera distinta según las necesidades y el contexto de cada quien
Resumen: la curva de aprendizaje que cambió la IA
- Antes de la aparición de la IA, cada material de aprendizaje se producía pensando en un público específico, por lo que existía la limitación de no reflejar adecuadamente el conocimiento previo del aprendiz
- Por ejemplo, era común aprender conectando un tema nuevo con un campo familiar, no saber siquiera que existían ciertos conocimientos previos necesarios, o no encontrar materiales adecuados en la etapa intermedia
- Antes era difícil ofrecer apoyo personalizado durante el proceso de adquirir habilidades técnicas
- La IA cambia la curva de aprendizaje al responder directamente preguntas según el nivel de comprensión de cada aprendiz o encargarse de tareas repetitivas
- Gracias a la experiencia de aprendizaje basada en IA, ahora se está produciendo un cambio en el que la propia base mínima desde la que se parte sube, porque la IA puede convertirse en punto de partida en cualquier nivel
Los límites del nivel de maestría
- Los expertos de cada campo tienen una mirada crítica sobre la efectividad de la IA
- La información que ofrece la IA muestra fortalezas en contenidos populares y básicos, pero tiene grandes limitaciones en conocimientos profundos y especializados o en temas controversiales
- Los datos de entrenamiento de la IA producen resultados más potentes cuanto más generalizado es el contenido, pero en conocimientos de alta dificultad o avanzados hay escasez de datos de entrenamiento o abundan informaciones contradictorias, por lo que es difícil ofrecer respuestas precisas y profundas
Efectos secundarios del aprendizaje con IA: hacer trampa
- Funciones como OpenAI Study Mode, que permiten pedir de inmediato solo la respuesta correcta, pueden profundizar el estancamiento de aprendizaje (plateau) del usuario
- Quienes usan las respuestas de la IA solo como un medio tienen el límite de no poder crecer más allá de eso
- A largo plazo, este enfoque perjudica el crecimiento sostenido
El impacto real de la curva de aprendizaje transformada
- Los cambios tecnológicos provocan cambios en todo el ecosistema
- La influencia de la IA varía según cuánto nivel de maestría (dominio) exijan el producto o el resultado final
-
Desarrollo de software: buenas noticias para managers, limitado en codebases grandes
- Los managers de ingeniería tenían comprensión de los principios y criterio para evaluar calidad, pero dificultades para crear aplicaciones por falta de experiencia en frameworks específicos
- Con las herramientas de IA, están aumentando los casos en que aprenden rápido desde lo básico y, aprovechando su experiencia previa, terminan rápidamente una app funcional
- En cambio, en codebases grandes y complejas las limitaciones de la ayuda de la IA son evidentes
- Le falta comprensión del contexto de los sistemas existentes o de requisitos particulares, por lo que no resulta de gran ayuda en el trabajo real
-
Áreas creativas: la competencia es feroz, así que el impacto es limitado
- En los campos creativos, la competencia es extrema y la originalidad importa
- Aunque con IA sea fácil crear imágenes, la barrera de entrada de la “novedad”, que es clave para el verdadero éxito creativo, no se reduce
- Como los humanos detectan con facilidad las derivaciones y la imitación, tras modas breves el interés se desvanece rápidamente
- Hay casos puntuales, como la moda de los avatares estilo Studio Ghibli, pero el impacto de la IA en términos de presencia cultural o popularidad masiva es mínimo
-
Apps existentes: impacto mínimo
- El correo electrónico, los pedidos de comida y otros servicios ya cuentan con apps especializadas muy bien construidas
- Aunque existan funciones de resumen basadas en IA, la limpieza de spam ya está automatizada y revisar directamente los correos importantes sigue siendo más confiable
- En pedidos de comida y otros casos ya existe una UX cuidadosamente diseñada, por lo que es difícil que la IA la transforme de forma más efectiva
La brecha en la adopción de IA y el futuro
- La IA ha elevado el piso del trabajo del conocimiento, pero no afecta a todas las personas por igual
- Según el nivel técnico, el rol y el entorno de cada persona, existe una gran variación en el impacto percibido de la IA
- Algunas personas experimentan innovación gracias a la IA, mientras que otras no perciben sus beneficios o incluso sienten crisis y confusión
- La IA todavía no es “insustituible” en todas las formas y campos, pero sí es una tecnología poderosa con potencial digno de experimentar
- Si de manera individual la IA parece no tener sentido para ti, probablemente en tu situación el cambio real no sea tan grande
2 comentarios
Opiniones de Hacker News
Se enfatiza que el post del blog incluye varias gráficas que parecen darle objetividad y rigor, pero en realidad no son más que sensaciones y conjeturas. Estudios empíricos recientes más bien apuntan a que la IA agrava la desigualdad. Se puede ver contenido relacionado en la gráfica de The Economist y en el artículo
Me parece obvio que la IA profundiza la desigualdad. La IA automatiza los peldaños inferiores de la escalera por la que la gente sube acumulando experiencia, así que no les da una base a quienes serán los expertos del futuro; más bien es una tecnología en la que invierten quienes ya están en la cima para subir esa escalera todavía más rápido
La gráfica hace suposiciones demasiado grandes, y da la impresión de que solo se sostienen dentro de la cabeza de un fanático extremo de la IA. En particular, el tema de los "side projects" se trata de forma ambigua, y no creo que la IA sea suficiente para tomar la entrada de un principiante y producir un resultado "lo bastante bueno"
Coincido en cierta medida con la idea central del texto. Se disfraza como si llevara una bata de laboratorio de científico, pero en realidad solo expresa cómo ven el mundo. Aun así, si en la gráfica se indicara claramente que es una "hipótesis", o si se usaran recursos visuales como líneas onduladas al final de los ejes para remarcarlo, podría tener valor como medio de comunicación. Tampoco se puede asegurar que necesariamente ocurra un aplanamiento de la curva (estancamiento de habilidad). Incluso creo que el autor escribió con más buena fe que los enlaces de economistas. En lo ideal, me gusta que la gente exponga opiniones honestas y, si hay datos, que también muestre cómo valida la hipótesis
En la gráfica se mencionan 4 estudios que muestran aumento de la desigualdad y 6 que muestran disminución de la desigualdad
Desde la perspectiva de un matemático retirado, en 2025 me clavé mucho con la IA y uso el plan Claude Max para usar Claude Code Opus 4 sin límites. Al revisar enormes bases de código legacy con sesiones paralelas, a veces sí llego al límite de uso. Durante un tiempo evité cualquier tipo de conversación sobre IA, pero últimamente he vuelto a interesarme porque he visto debates interesantes en HN. En mi opinión, las personas neurodivergentes tienen más éxito usando IA, porque la IA es un motor gigantesco de asociaciones. Yo me especialicé en álgebra lineal, así que la estructura asociativa de la IA encaja bien con mi forma particular de pensar. Al final, la IA eleva el techo, no el piso
Es una observación similar a la reciente presentación de Andrew Ng sobre startups de IA. El nuevo consejo que da hoy a los emprendedores es que, cuando hagan un pivot, desechen el prototipo y vuelvan a empezar desde cero. Esto también se relaciona con el contenido principal. Dice que el desarrollo de prototipos mejora hasta 10 veces, pero en bases de código existentes la mejora es solo de alrededor de 30 a 50%. Este cambio se parece a la analogía de "pets vs cattle" de cuando se pasó de VMs a contenedores. Tal vez estamos entrando en una era en la que las bases de código ya no deben tratarse como "mascotas" cuidadas con cariño, sino como "ganado" manejado con eficiencia. Se puede revisar el minuto 10:30 del video relacionado
Creo que la analogía de "pets vs cattle" se enfoca demasiado en el código y hace fácil perder de vista que el verdadero valor está en la cabeza del desarrollador. La IA puede ayudar a gestionar el código, pero el valor real está en la comprensión y en el modelo mental del desarrollador
Buen punto, pero he escuchado mucho más la expresión "cattle" que "livestock". Me pregunto si será una diferencia geográfica
Gracias por mencionar esa analogía. De ahora en adelante tal vez tengamos que tratar el código generado como tratamos la infraestructura cloud a gran escala. Puede que aplique menos al código legacy que se ha usado durante muchos años. Me dio curiosidad si alguna vez escribiste estas ideas en un blog; busqué stillpointlab.com y el Twitter @stillpointlab, pero no encontré mucho material
Siento que la analogía de "pets vs cattle" encaja mucho mejor que el debate de "artesano vs quien hace las cosas al aventón". Incluso usando LLM, el valor del resultado no se deprecia; más bien hay un cambio de perspectiva, de apego emocional al código hacia una visión más práctica
Todavía hay bastantes cosas que no se pueden hacer con LLM. Por ejemplo, cuando juegas ajedrez con uno, después de unas 5 a 10 jugadas empieza a hacer movimientos ilegales, y en el mejor de los casos el límite era como de 18 jugadas. Tampoco corrige los movimientos erróneos del oponente, así que puede enseñar mal. Al final, como no puede modelar realmente problemas complejos, es muy importante que el usuario reconozca qué debe preguntar. Un LLM puede decirte cómo mueve el caballo o cuáles son aperturas famosas, pero no puede seguir correctamente toda una notación de una partida ni decirte la mejor jugada dada la posición actual del tablero. Mucha gente probablemente cree sin más en respuestas que se expresan con seguridad, sin saber qué tan equivocadas pueden estar. A simple vista parece sólido, pero en realidad es como caminar sobre una grieta invisible
No creo que la debilidad de los LLM en ajedrez sea un gran problema. Los modelos especializados en ajedrez pueden alcanzar un ELO bastante decente y hacer solo movimientos legales. El post-training puede perjudicar la capacidad ajedrecística, y parece que en lugares como OpenAI no le prestan mucha atención. Sí se puede jugar bien ajedrez con LLM. Véanse este paper y este ejemplo de evaluación
Yo también veo seguido a expertos a mi alrededor, como doctores o médicos, que ni siquiera imaginan que un LLM pueda equivocarse. Como produce frases fantásticas y lógicas, además con confianza, quizá también haya un tipo de "efecto halo" por el que lo confunden con un experto total
Cuando trabajas con un LLM en modo agente para código, al principio parece ir bien, pero luego empieza a desviarse en direcciones raras, o intenta cambiar la indentación de código que no tiene nada que ver; he visto muchos comportamientos inesperados
En el caso del ajedrez, la IA especializada supera por muchísimo a los humanos, mientras que un LLM de propósito general apenas puede hacer movimientos legales. Es interesante: el techo de la IA está mucho más arriba que el de los LLM
Sobre eso de que "cuesta seguir más de 10 jugadas", en ajedrez importa más la posición actual del tablero que las jugadas previas. Los LLM son malos filtrando información innecesaria, así que, de hecho, si solo les das el estado del tablero, rinden mejor. Véase esta discusión más detallada
Si los agentes solo sirven para proyectos greenfield, entonces habría que preparar incluso la base de código existente para que cada nueva función sea como un nuevo proyecto greenfield, de modo que un intern solo conecte el enchufe y funcione. El resto necesita manos humanas; si no, el intern puede terminar arrancando toda la pared
Me parece absurdo. Si bajas el proyecto Y de npm desde GitHub en WebStorm y le preguntas a Junie, puede darte respuestas de inmediato e incluso documentar con ejemplos estructuras de datos que no entiendas. Tal vez no te haga el PR de inmediato, pero como pair programmer sí se puede aprovechar bastante. De hecho, terminas escribiendo más pruebas y poniendo más atención al manejo de errores, así que al final produce mejores resultados
Los agentes hacen muchas cosas bien y muchas otras mal. Entre más los uso, más me confundo sobre qué hacen mejor
Creo que los agentes en realidad no son tan buenos para arrancar proyectos completamente nuevos; son muy buenos para proyectos pequeños a medianos, y conforme aumenta el tamaño, la eficiencia va cayendo. En proyectos totalmente nuevos suelen generar mucho código de "nivel ejemplo" que en la práctica no sirve.
El resumen en una línea sería que la IA es una herramienta buena para la interpolación, pero mala para la extrapolación
Estoy de acuerdo con la mayor parte del texto principal, pero no con la idea de que "la mejora se detiene en el nivel que la IA puede ofrecer". En mi experiencia, para usar bien la IA hace falta una mentalidad de crecimiento, no una mentalidad fija; hago como si fuera el manager de la IA y voy refinando su salida continuamente. Hay ciertos límites, pero incluso sin aprender directamente esa habilidad, he podido elevar bastante la calidad del resultado concentrándome en los bordes del problema. Con el tiempo siento que me vuelvo un mejor manager de ese campo, aun sin convertirme en experto de dominio
Si no sabes el "cómo", me pregunto con qué criterio sabes que la calidad realmente mejoró lo suficiente. Al final solo será una mejora relativa frente al punto de partida, y da la impresión de que, mientras te deje satisfecho, no importa si la calidad real no es mejor
Yo no vería esta forma de trabajar como "hacer trampa"
En la curva de aprendizaje, aunque uses IA, cuando llegues cerca del pico probablemente será mejor aprender sin IA. El nivel más alto de dominio solo se logra con tiempo de aprendizaje lento y autodirigido
La mayor ventaja de los LLM es que puedes obtener respuestas precisas en un formato uniforme, sin las distracciones de la publicidad o las redes sociales. Es lo opuesto a buscar respuestas en reddit, insta o tvtropes. Ojalá pronto exista un OS totalmente enfocado en ayudar a pensar, y un entorno que ayude a que los hijos no caigan en trampas de contenido. Me gusta mucho poder recibir rápido solo los documentos e información que necesito, sin que me estorben interfaces ad hoc
Yo no creo que las respuestas de la IA sean precisas; de hecho, muchas veces me parecen peligrosamente inexactas. En una comunidad es fácil distinguir quién es experto y, al final, conseguir la respuesta correcta, pero la IA también recolectó todos esos datos, así que corre el mismo riesgo de dar respuestas equivocadas. Tampoco creo que el entorno sin anuncios dure mucho. Las empresas de IA están perdiendo cantidades enormes de dinero, así que pronto estarán llenas de anuncios y elementos sociales; los beneficios gratuitos actuales no son más que una estrategia de subsidio para atraer clientes
Se burla de que la palabra "precisas" es subjetiva
El área de IA que yo conozco mejor también va en la misma línea. Incluso alguien por debajo del promedio puede obtener resultados cercanos al promedio usando IA
También coincide con otro resumen: quien tiene más conocimiento sí obtiene mejor provecho de un LLM
Incluso alguien por encima del promedio puede usar IA para producir resultados mediocres. En muchos trabajos, el umbral de "suficientemente bueno" en realidad es muy bajo
Bromea con que quizá la gente aquí está en contra de la IA porque todos están por encima del promedio
Si alguien por debajo del promedio produce resultados de nivel promedio con IA, entonces el promedio general también sube en esa misma medida
Creo que se puede resumir como: "la IA es buena para prototipado, pero no para ingeniería". Las herramientas de IA son rápidas, pero les falta breadth (amplitud) y depth (profundidad). Sirven para resolver rápido un PoC o problemas parciales, pero les falta contexto global y profundidad, y la ingeniería real requiere mucho más que implementación (contexto, excepciones, modos de falla, comprensión profunda, etc.). Incluso un programador excelente puede no ser un ingeniero, y el mejor leetcoder puede no aportar valor real a un equipo. Para llegar a una verdadera maestría hace falta experiencia, y eso incluye conocer cosas sutiles y no intuitivas. No va a llegar una época en la que un manager pueda hacer ingeniería de producto con solo presionar un botón. Los generadores de código actuales basados en IA partieron de la ilusión de ser "automatización para managers", y me parece que funcionan mejor como herramientas que operan a partir de las explicaciones de ingenieros en activo. El comentario de Dijkstra sobre "la estupidez de programar en lenguaje natural" sigue vigente. Texto relacionado
En Meta andan presumiendo como si la superinteligencia ya estuviera casi lista jajaja