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

TL;DR
· Un emprendedor de IA afirma que los agentes que escriben código están cambiando la clasificación de habilidades profesionales tempranas.
· 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 la entrega marcarán la diferencia.

Un emprendedor que afirma haber trabajado en empresas como Scale AI, DeepMind, OpenAI y Google, y que 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 pasado de completar código a convertirse en agentes de ingeniería de software más completos. OpenAI, al lanzar Codex en 2025, afirmó que puede procesar en paralelo tareas como escribir funciones, corregir errores y proponer PR en la nube, pero aún requiere revisión y verificación humana. La pregunta se convierte en: cuando las respuestas estándar, el código común y las tareas calificables se vuelven cada vez más baratas, ¿dónde deberían gastar su tiempo los jóvenes?

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

Las ofertas en efectivo 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 fáciles de obtener que en el pasado, pero el tiempo de alta calidad, las relaciones sólidas y la reputación confiable siguen siendo escasos.

Explica esto con su experiencia personal. Antes de unirse a Scale AI, afirma que recibió una oferta para un puesto cuantitativo con una garantía de efectivo más alta, pero finalmente eligió Scale porque allí había una comunidad más fuerte, un escenario de producto 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 una fórmula profesional para todos, pero la advertencia es muy directa: las elecciones profesionales tempranas 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, ya no es raro crear rápidamente una pequeña herramienta que genere ingresos; los retornos a largo plazo a menudo provienen de problemas más difíciles, grupos más fuertes y señales de currículum más confiables.

Los jóvenes no deben preguntarse "¿qué oportunidad me da más dinero de inmediato?", sino si vale la pena invertir tiempo en ello, si pueden trabajar con personas excelentes, 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 desplazado de "resolver problemas" a "encontrar problemas"

A medida que los agentes pueden manejar cada vez más problemas con límites claros, 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 se necesita que las personas escriban cada línea de código, entonces simplemente evaluar preguntas de algoritmos y diseño de sistemas tradicionales disminuirá su relevancia con respecto al 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 después de que los agentes escriben código. 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 llamada al 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 con IA, algunos necesitan mucho ensayo y error y palabras clave, mientras que otros pueden colaborar con la IA con intuición comercial, antecedentes técnicos y contexto, encontrando dirección más rápidamente.

El concepto de "saber usar IA" no se limita a simplemente lanzar problemas 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 hay que 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, la expansión de métodos generales a menudo supera la optimización detallada para tareas únicas.

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 lo suficientemente difíciles y ambiciosos.

Al elegir una empresa, el estándar que el autor propone 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 temprana 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 emergentes 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 acumulación de habilidades, reputación y de si otros están dispuestos a informarte sobre las oportunidades.

Los resultados comunes son más baratos, y 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 también el 90% del retorno. En la era de la IA, esta afirmación es aún más relevante. 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 iterar, 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 rehacerlo 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 hagan que los usuarios quieran usarlo dejará huellas en el trabajo y en las entrevistas.

Las habilidades de ingeniería tradicionales no han perdido su valor. 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 la entrega se han vuelto más valiosos. La IA permite que más personas alcancen un nivel medio, pero la brecha restante es más difícil de cerrar.

La barrera de entrada a 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 temprana.

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 tablas de optimización públicas y aprovechar las cuotas que las plataformas de computación en la nube ofrecen a estudiantes e investigadores para probar ideas lo antes posible. La mayoría de las ideas eventualmente fracasarán al escalar, pero entender el fracaso es parte de construir un juicio de investigación.

Un investigador es, ante todo, una forma de trabajo, no solo un puesto. La investigación en laboratorios de vanguardia a menudo combina curiosidad, probar nuevas ideas, adaptarse a la infraestructura, comprender los detalles del sistema, depurar rápidamente y comunicar el valor de los resultados para obtener más recursos. Muchos entrenamientos no tienen 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 la última milla, será quien tenga más probabilidades de obtener la próxima oportunidad.