¿Cuál es la nueva barrera para los jóvenes ahora que la IA puede escribir código?

TL;DR
· Un emprendedor de IA afirma que los agentes que escriben código están cambiando el orden de las habilidades profesionales iniciales.
· Las tareas calificables son más adecuadas para los modelos; los humanos deben aprender a juzgar problemas, asignar tiempo y herramientas.
· La recompensa monetaria no es el único objetivo; las relaciones, la reputación y la calidad de entrega marcarán la diferencia.

Un emprendedor que, según su propia descripción, ha trabajado en empresas como Scale AI, DeepMind, OpenAI y Google, y ahora participa en una empresa nativa de agentes, ha reescrito un consejo profesional para los jóvenes en un extenso artículo en inglés. El contexto es que las herramientas de codificación de IA han evolucionado de completar código a convertirse en agentes de ingeniería de software más completos. Cuando OpenAI lanzó Codex en 2025, afirmó que podía procesar en la nube tareas como escribir funciones, corregir errores y proponer PR, pero aún requería revisión y validación humana. La pregunta se convierte en: ¿dónde deberían gastar su tiempo los jóvenes cuando las respuestas estándar, el código común y las tareas calificables se vuelven cada vez más baratas?

El núcleo de este artículo no es que "los programadores serán reemplazados", sino que los criterios de selección profesional inicial están cambiando. Las escuelas y las entrevistas tradicionales entrenan en gran medida para preguntas que están claramente definidas, tienen respuestas precisas y pueden ser corregidas, que es precisamente donde los modelos están avanzando más rápido. Lo que podría diferenciar a las personas en el futuro es la capacidad de identificar problemas importantes, elegir entornos de alto valor, construir una reputación confiable y perfeccionar los resultados mediocres generados por los agentes hasta que sean entregables.

Las ofertas monetarias ya no son la única respuesta; el tiempo y la reputación son más escasos

Según el autor, en el entorno emprendedor de IA, el capital y las herramientas son más accesibles que en el pasado, pero el tiempo de alta calidad, las relaciones sólidas y la reputación confiable siguen siendo escasos.

Explica esto a través de su experiencia personal. Antes de unirse a Scale AI, dice que recibió ofertas para puestos cuantitativos con garantías de efectivo más altas, pero finalmente eligió Scale porque allí había una comunidad más fuerte, un escenario de productos más amplio y más oportunidades para abordar problemas de vanguardia. Según su recuerdo, fue a través de Scale que tuvo contacto con proveedores de inferencia de modelos grandes, obtuvo oportunidades en DeepMind y OpenAI, y conoció a un grupo de colegas con los que luego emprendió.

Estas experiencias no pueden extrapolarse fácilmente como la fórmula profesional de todos, pero la advertencia es directa: las elecciones profesionales iniciales no deben centrarse solo en el efectivo inmediato. Especialmente después de que la IA ha reducido la barrera de entrada para la construcción de software, no es raro crear rápidamente una pequeña herramienta que genere ingresos; los retornos a largo plazo a menudo provienen de problemas más difíciles, de grupos más fuertes y de señales de currículum más confiables.

Los jóvenes no deben preguntarse "¿qué oportunidad me da más dinero inmediatamente?", sino si vale la pena invertir tiempo en ello, si pueden trabajar con personas talentosas, si su buen trabajo será visto por personas confiables y si se convertirá en la base de crédito para la próxima oportunidad.

El valor del ingeniero se ha trasladado de "resolver problemas" a "encontrar problemas"

A medida que los agentes pueden manejar un número creciente de problemas claramente definidos, el valor del ingeniero ya no radica solo en "si puede resolverlo", sino en "si puede elegir el problema correcto".

El autor menciona que su equipo ha rediseñado la forma de entrevistar. La razón es que, si en el trabajo real ya no es necesario que las personas escriban cada línea de código, entonces simplemente evaluar preguntas de algoritmos y diseño de sistemas tradicionales perderá relevancia en relación con el rendimiento laboral. Las pruebas más significativas son aquellas que evalúan si el candidato puede comprender rápidamente el entorno, identificar problemas que valga la pena resolver y movilizar herramientas de IA y recursos externos para avanzar en los resultados.

Esta es también la nueva división del trabajo tras la escritura de código por parte de agentes. Los modelos son buenos para manejar tareas con objetivos claros y retroalimentación precisa; los humanos deben juzgar qué problemas son importantes, qué caminos valen la pena explorar y cuánto tiempo y costo de invocación del modelo deben invertir.

Para los estudiantes, la capacidad de la IA para hacer tareas puede generar frustración. Pero desde la perspectiva de contratación, las diferencias entre los candidatos no han desaparecido. Incluso si todos pueden obtener respuestas de la IA, algunos necesitan mucha prueba y error y palabras clave, mientras que otros pueden colaborar con la IA con intuición comercial, antecedentes técnicos y contexto, encontrando dirección más rápidamente.

Lo que se entiende por "saber usar IA" no es solo lanzar preguntas al modelo. Las habilidades más fuertes incluyen descomponer problemas, identificar información faltante, juzgar cuándo continuar iterando, cuándo cambiar de rumbo y verificar si los resultados realmente resuelven las contradicciones clave en el negocio o la tecnología.

Cuanto más fácil sea hacer software, más cerca se debe estar de problemas más difíciles

La IA ha reducido la barrera de entrada para la construcción de software y ha facilitado la replicación de sistemas simples. El autor utiliza la "lección amarga" de la investigación en aprendizaje automático para explicar la elección profesional: a largo plazo, expandir métodos generales suele superar la optimización detallada para una única tarea.

Aplicado a empresas y carreras personales, esto significa que la ventaja competitiva de una producción simple se volverá más delgada. Cualquiera puede crear un sistema que parezca utilizable, pero el verdadero valor duradero se concentra en problemas que son lo suficientemente difíciles y ambiciosos.

Al elegir una empresa, el estándar que el autor sugiere es: ¿está esta empresa resolviendo la versión más ambiciosa de ese problema? ¿Realmente tiene la oportunidad de resolverlo? Al elegir un puesto, se debe considerar si este rol permite un contacto directo con los problemas de vanguardia que la empresa está resolviendo.

También menciona que no se debe centrar solo en si el producto inicial es atractivo o si la demostración es impresionante. Según su evaluación subjetiva, la demostración inicial de Anthropic en ese momento parecía ser solo un Slackbot inferior a ChatGPT, pero eso no impidió que la empresa tomara un rumbo completamente diferente más tarde. Las empresas iniciales cambiarán, los productos cambiarán, y la calidad del equipo, el espacio de mercado y la dificultad del problema tendrán un impacto mayor en los resultados a largo plazo.

Las oportunidades profesionales siguen una lógica similar. Las oportunidades de alta calidad no siempre se traducen en resultados, pero una persona debe estar en la posición de poder ver las oportunidades. La capacidad de estar allí sigue dependiendo de la habilidad acumulada a largo plazo, la reputación y si otros están dispuestos a compartir oportunidades contigo.

Los resultados comunes son más baratos, el último 10% es más valioso

Cuando un simple aviso puede hacer que un agente genere resultados de calidad media, el valor de la producción común disminuirá, mientras que el valor de la última parte de pulido aumentará.

El artículo original cita a Alfred Lin de Sequoia Capital, quien dice que el último 10% a menudo representa el 90% del trabajo y el 90% de la recompensa. En la era de la IA, esta afirmación se siente más realista. Dado que los resultados de 70 puntos son cada vez más fáciles de obtener, lo que realmente puede diferenciar a las personas son la perspectiva única, la atención a los detalles, la capacidad de iteración, la calidad de la arquitectura, la escalabilidad y la creatividad.

La primera versión de la salida de IA rara vez es perfecta. El verdadero trabajo a menudo ocurre en las iteraciones posteriores: descubrir qué está mal, qué necesita ser reestructurado, qué experiencias no son fluidas, qué casos límite no se han cubierto y cuándo se debe utilizar el siguiente modelo para rehacer todo desde cero.

Estas habilidades se pueden desarrollar a través de proyectos, pasantías y trabajos reales. Dedicar un poco más de tiempo a pulir, limpiar la arquitectura, pensar en la escalabilidad y prestar atención a los detalles que realmente hacen que los usuarios quieran usar el producto dejará huellas en el trabajo y en las entrevistas.

Las habilidades de ingeniería tradicionales no han perdido su validez. La diferencia radica en que la escasez de escribir código ha disminuido, mientras que el juicio, la estética, la comprensión del sistema y la calidad de entrega se han vuelto más valiosos. La IA permite que más personas alcancen un nivel medio, pero la brecha que queda es más difícil de cerrar.

La barrera de entrada para la investigación se ha reducido, pero la investigación no es un título

El artículo concluye extendiendo la discusión a "cómo ingresar a la investigación". El autor cree que la IA no ha hecho que la investigación sea solo para los laboratorios de élite, sino que ha reducido la barrera de entrada para comenzar.

La investigación moderna, por supuesto, depende más de la potencia de cálculo, pero el punto de partida puede ser muy simple: usar modelos existentes, convertir la intuición en evaluaciones, participar en listas de optimización públicas y utilizar las cuotas proporcionadas por plataformas de computación en la nube para estudiantes e investigadores para probar ideas lo antes posible. La mayoría de las ideas eventualmente fallarán al escalar, pero entender el fracaso es parte de desarrollar un juicio de investigación.

Un investigador es, ante todo, una forma de trabajar, no solo un puesto. La investigación en laboratorios de vanguardia a menudo combina curiosidad, prueba de nuevas ideas, adaptación a la infraestructura, comprensión de los detalles del sistema, depuración rápida y la capacidad de comunicar el valor de los resultados para obtener más recursos. Mucha formación no tiene que esperar hasta obtener el título de "investigador" para comenzar.

El consejo profesional que deja este artículo no es pesimista. La IA ha hecho que las respuestas estándar, el código común y las tareas calificables sean más baratas, y también ha permitido que los jóvenes se enfrenten a problemas reales más temprano. Las oportunidades aún existen, solo que la forma en que se distribuyen ha cambiado: quien pueda encontrar problemas importantes, ingresar a entornos de alta calidad, acumular una reputación confiable y llevar los resultados hasta el último kilómetro, será quien tenga más probabilidades de obtener la próxima oportunidad.