Resolver más, aprender menos

La paradoja del aprendizaje externalizado

Cuando escribía sobre cómo la IA está cambiando la productividad, apareció una pregunta inesperada: ¿dónde quedó el aprendizaje? Cuando la IA te da la solución en minutos, algo valioso desaparece del proceso: el camino que antes recorríamos para llegar a ella.

Porque resolver un problema sin recorrer el camino de entenderlo no es lo mismo que resolverlo y aprender. Y aquí está el argumento de este post: la IA nos hace resolver más problemas que nunca, pero quizás nunca hayamos aprendido tan poco de cada uno de ellos.

En el debate sobre la IA y el trabajo, la mayoría de las conversaciones giran en torno al dinero. "Estoy generando más valor, pero no estoy capturando una parte proporcional." Es una preocupación legítima. Pero hay una segunda, más silenciosa y, a largo plazo, más importante: "Estoy resolviendo más problemas, pero quizás estoy aprendiendo menos de ellos."

La experiencia no es el tiempo

Decimos "tiene veinte años de experiencia" como si la experiencia fuera un subproducto automático del tiempo. No lo es. La experiencia no es el tiempo. La experiencia es el aprendizaje que obtenemos del tiempo.

Y el aprendizaje no viene de resolver problemas: viene de la fricción que encontramos al resolverlos. De las horas de documentación, de los intentos fallidos, de mapear los límites de un sistema hasta entender por qué es como es. Ese camino es lo que luego te permite reconocer patrones, anticipar problemas y diseñar soluciones que otros no ven.

El camino de Senior a Staff, de Staff a Architect y de Architect a Principal se construye sobre esa capa de comprensión acumulada. No es un currículum de problemas resueltos; es un mapa mental que crece con cada problema resuelto entendiendo cómo se resolvió.

Cómo cambia el proceso de aprendizaje con IA

Antes, resolver un problema seguía un proceso que, sin que lo planeáramos, era también un proceso de aprendizaje:

Hay un matiz importante: no estamos usando menos capacidad cognitiva. De hecho, quizás pensamos más que antes: más contexto, más herramientas, más decisiones. Lo que cambia no es la cantidad de actividad mental, sino el tipo. Es la misma carga que describo en «Fatiga cognitiva en la era de la IA» y en «Cómo la IA está reconfigurando nuestra atención». Antes, resolver un problema obligaba a aprender: la investigación, las pruebas fallidas y la comprensión eran etapas inevitables del camino hacia la solución. El conocimiento era un subproducto del proceso de resolución. Ahora puedes llegar a la solución sin recorrer todas esas etapas. La IA optimiza la resolución de problemas, no necesariamente el aprendizaje que solía derivarse de ellos.

La diferencia no es la velocidad. La diferencia es que los pasos que eliminamos eran exactamente los pasos que nos enseñaban. Las pruebas fallidas son las que fijan el conocimiento. La investigación es la que construye el contexto mental. La comprensión profunda no es un lujo: es la parte del proceso que se convierte en tú.

Y aquí está el problema. Antes, resolver un problema equivalía a aprender: era imposible llegar a la solución sin recorrer las etapas que construían conocimiento. Ahora son dos cosas que pueden separarse. La IA no solo externaliza el trabajo. Externaliza la parte del trabajo que nos hacía crecer.

El riesgo para la progresión profesional

Pongamos a dos personas concretas.

Si comparamos sus currículums, el Ingeniero B parece más valioso. Ha resuelto más problemas que el Ingeniero A, pero ha aprendido menos de ellos. Y cuando la IA que le da las respuestas cambie o desaparezca, esa diferencia se hará evidente.

Las empresas miden lo que se ve: velocidad, entregas, tickets cerrados. El aprendizaje no se ve. El riesgo es que estemos acumulando output, no comprensión.

El nuevo profesional del conocimiento

Imagina la entrevista de trabajo dentro de cinco años. El candidato tiene un historial espectacular: ha entregado mucho, ha sido productivo, ha usado IA a diario. Pero cuando le preguntas por qué tomó determinada decisión técnica, o qué limitaciones tiene el sistema que construyó, las respuestas se vuelven vagas. Ha trabajado sobre sistemas que entiende a medias, porque nunca tuvo que entenderlos del todo.

Ese es el nuevo profesional del conocimiento: productivo en el presente, pero con una capa de comprensión más fina que la de sus predecesores. No es que sea peor: es más rápido. El problema es que el crecimiento profesional deja de ser la consecuencia natural de los años de trabajo y pasa a ser algo que hay que buscar activamente.

Entrenando a nuestros sustitutos

Hay algo incómodo en todo esto. Cada vez que usamos la IA para resolver un problema, hay tres actores en juego:

Fíjate dónde se concentra cada vez más la capacidad de resolución. La empresa la captura en forma de productividad, el proveedor de IA en forma de mejores modelos y el trabajador obtiene la solución, pero no siempre todo el proceso que antes generaba aprendizaje.

Existe una ironía difícil de ignorar. Mientras cada vez más profesionales delegamos parte de nuestro proceso de aprendizaje en los modelos, la industria de la IA busca desesperadamente más conocimiento humano para seguir entrenándolos. Empresas como Anthropic han comprado, escaneado y destruido millones de libros físicos para usarlos como datos de entrenamiento, según informó 404 Media. No buscan texto generado por IA: buscan libros escritos antes de la explosión de los LLM, porque consideran que el conocimiento humano original es el combustible más valioso y el menos contaminado. Si el conocimiento humano sigue siendo el activo más preciado para la IA, ¿qué ocurre si dejamos de producir personas que recorran los procesos que generan ese conocimiento?

El albañil con una excavadora no pierde el oficio: la excavadora es una herramienta que controla y entiende. El piloto con piloto automático tampoco: pasa miles de horas en simuladores precisamente porque el piloto automático reduce las horas de vuelo manual. El profesional del conocimiento, en cambio, usa una herramienta que toma decisiones por él, y no hay simulador que compense lo que deja de practicar.

La IA puede hacernos más productivos en el presente mientras reduce parte del aprendizaje que necesitamos para progresar profesionalmente en el futuro. La pregunta no es si deberíamos usar IA. La pregunta es si estamos usando la velocidad que nos da para aprender más o simplemente para producir más.