El ingeniero de Anthropic Addy Osmani advierte sobre la aceptación automática de las respuestas de la IA. La investigación sobre programación apunta a un riesgo concreto: completar tareas sin adquirir los conocimientos necesarios para supervisarlas.
Le entregas un error a un asistente de inteligencia artificial. El sistema propone un cambio, lo aplicas y el problema desaparece. Puedes continuar trabajando. Pero queda una pregunta pendiente: ¿sabes qué fallaba y por qué esa modificación lo ha solucionado?
La diferencia entre resolver un problema y comprenderlo está en el centro de la advertencia de Addy Osmani, ingeniero que trabaja en Claude Code, en Anthropic. TechRadar recoge sus reflexiones sobre la llamada rendición cognitiva: aceptar una respuesta automatizada sin construir un criterio propio para evaluarla.
El debate no exige renunciar a los agentes de programación. Plantea cómo aprovecharlos sin perder la capacidad de explicar y comprobar los sistemas que ayudamos a construir.
Delegar una tarea no equivale a entregar el criterio
Osmani distingue entre descargar trabajo en una herramienta y asumir su respuesta sin examinarla. En el primer caso, delegamos parte de la ejecución, pero seguimos evaluando el resultado. En el segundo, la propuesta del asistente se convierte directamente en nuestra decisión.
Su reflexión sobre este fenómeno no comienza con la noticia de noviembre: ya lo abordaba en un artículo publicado en mayo de 2026.
La diferencia puede parecer pequeña en una tarea aislada. Sin embargo, aceptar sucesivamente cambios que no comprendemos puede ampliar la distancia entre el software que mantenemos y nuestro conocimiento de cómo funciona.
Qué ha observado la investigación sobre aprendizaje
Un estudio de Anthropic publicado en enero de 2026 investigó cómo influía la asistencia de IA al aprender una biblioteca de programación desconocida.
Los investigadores reclutaron a 52 desarrolladores, mayoritariamente de perfil júnior, con experiencia en Python. Los participantes realizaron tareas con Trio, una biblioteca de programación asíncrona, con o sin ayuda de un asistente.
El grupo con IA obtuvo peores resultados en la evaluación posterior de conocimientos. La mejora media de velocidad no fue estadísticamente significativa en ese experimento.
Pero el uso de IA no produjo el mismo resultado en todos los casos. Quienes la utilizaron para hacer preguntas conceptuales, solicitar explicaciones y mantener una participación activa mostraron una mejor comprensión que quienes delegaron la resolución.
La investigación examinó la adquisición de una habilidad nueva en una tarea concreta. No demuestra que utilizar asistentes destruya capacidades ya adquiridas ni permite calcular cuánto tardará una persona en resolver una incidencia meses después.
Un ejemplo: corregir el síntoma sin entender la causa
Imaginemos una tienda online que registra pedidos duplicados. Un asistente propone bloquear el botón de compra después del primer clic. La interfaz parece arreglada y la prueba manual sale bien.
Sin embargo, eso no responde necesariamente a todas las preguntas. ¿Qué sucede si el navegador reintenta una solicitud? ¿Y si dos peticiones llegan casi a la vez? ¿Existe algún control en el servidor para impedir que una misma operación se procese dos veces?
Este ejemplo es ilustrativo. Muestra por qué una corrección visible puede ser insuficiente: quizá resuelve una forma de reproducir el problema, pero deja intacto otro mecanismo capaz de provocarlo.
La revisión necesita conectar el cambio con la causa del fallo. De lo contrario, podemos aprobar una solución sin saber exactamente qué garantiza.
Que las pruebas pasen es evidencia, pero hay que saber de qué
Una prueba automática comprueba unas condiciones determinadas. Su valor depende de que esas condiciones representen el comportamiento que necesitamos.
Si una función calcula descuentos, verificar una compra habitual puede ser útil. También puede ser necesario comprobar cómo se gestionan los límites, las cantidades inválidas o la combinación de promociones.
La IA puede ayudar a proponer y escribir esas pruebas. No es obligatorio redactarlas todas a mano para conservar el control. Lo importante es revisar qué comportamiento esperan, qué casos cubren y qué situaciones dejan fuera.
Una implementación y sus pruebas pueden compartir el mismo supuesto equivocado. Por eso conviene contrastarlas con los requisitos del producto, la documentación pertinente y ejemplos cuyo resultado podamos determinar de forma independiente.
La señal de alerta: no poder explicar una decisión
No hace falta recordar cada línea de un proyecto para trabajar con rigor. Los sistemas complejos siempre exigen consultar documentación, registros y código.
Una señal más útil aparece cuando no podemos explicar una decisión importante ni reconstruir las razones que la justifican. Por ejemplo, por qué una operación necesita un permiso concreto, qué ocurre cuando falla una dependencia o cómo se evita procesar dos veces un mismo evento.
En esos casos, pedir otra explicación al asistente puede ayudar, pero conviene tratarla como una hipótesis que contrastar con el funcionamiento real. Una explicación convincente tampoco constituye, por sí sola, una verificación.
Cómo trabajar con IA y seguir aprendiendo
Una forma práctica de conservar la comprensión es incorporar pequeños momentos de razonamiento y comprobación al proceso:
- Define el resultado esperado: escribe qué debe ocurrir y qué comportamientos serían incorrectos antes de evaluar la solución.
- Pide cambios de alcance manejable: cuanto más acotada sea una modificación, más fácil será relacionarla con su propósito.
- Investiga las decisiones relevantes: pregunta por alternativas y comprueba por qué una encaja mejor con los requisitos.
- Exige evidencia proporcional al riesgo: una corrección visual y un cambio en autenticación necesitan verificaciones diferentes.
- Reconstruye lo aprendido: después de resolver algo nuevo, intenta explicar la causa, la solución y sus límites con tus propias palabras.
- Practica lo que quieras conservar: reserva ejercicios sin asistencia para las habilidades que necesites dominar directamente.
Estas prácticas no requieren convertir cada tarea sencilla en una auditoría. Buscan que el esfuerzo de revisión se concentre donde una mala suposición tendría consecuencias importantes.
También afecta a quienes crean automatizaciones sin programar
El mismo criterio puede aplicarse a un flujo de trabajo que conecta formularios, hojas de cálculo y un CRM. Aunque una persona no escriba código, necesita entender qué datos entran, cómo se transforman y dónde terminan.
Por ejemplo, si una automatización crea contactos, conviene saber qué sucede cuando falta el correo, aparece un duplicado o falla una conexión. Un flujo que funciona con un registro de prueba todavía necesita comprobar esos escenarios.
La pregunta útil no es si podrías construir toda la herramienta desde cero. Es si puedes verificar su comportamiento, detectar un resultado incorrecto y decidir cuándo detenerla o pedir ayuda.
La productividad también se mide en comprensión
La advertencia sobre la rendición cognitiva merece atención sin convertirla en una condena de la automatización. Ahorrar trabajo repetitivo puede dejar más espacio para analizar, aprender y revisar, siempre que ese espacio se utilice.
El resultado deseable es terminar una tarea con una solución y con una explicación suficiente de por qué funciona. Si únicamente obtenemos el resultado, puede que hayamos avanzado en producción sin avanzar en conocimiento.
Conservar el control significa poder justificar qué hemos aceptado, qué hemos comprobado y qué sigue siendo incierto. Esa responsabilidad continúa siendo necesaria aunque gran parte del trabajo la ejecute un agente.
Fuentes
- TechRadar: la advertencia de Addy Osmani sobre rendición cognitiva.
- Addy Osmani: Cognitive Surrender, reflexión publicada en mayo de 2026.
- Anthropic: investigación sobre asistencia de IA y adquisición de habilidades de programación.
- Shen y Tamkin: How AI Impacts Skill Formation, artículo de investigación.
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
