El artículo "We should be more tired than the model" explora la dinámica cognitiva entre los desarrolladores humanos y los agentes de IA en la generación de código. Este tema es de vital importancia porque, aunque la IA promete agilidad, su uso indiscriminado puede llevar a una pérdida de autonomía técnica y a la atrofia de habilidades fundamentales, manifestándose en una sensación de "niebla cerebral" o desconexión mental.
Desde un punto de vista técnico y neurocientífico, el cerebro humano opera mediante tres tipos de memoria: la memoria a corto plazo (similar a la RAM), que procesa datos temporalmente; la memoria a largo plazo (como una base de datos), que almacena conocimientos previos; y la memoria de trabajo (la CPU), que sintetiza información para resolver problemas. Al utilizar agentes de IA, el modelo automatiza la función de la memoria de trabajo, entregando soluciones sintéticas sin el esfuerzo de procesamiento interno. Esto es antitético a la retención de habilidades, ya que la experiencia de uso se asemeja a una "máquina tragamonedas": se recibe una recompensa inmediata (el código) sin el proceso de aprendizaje asociado.
Para contrarrestar esto, se propone un uso deliberado de la herramienta, reintroduciendo "fricción" en el flujo de trabajo. Casos de uso efectivos incluyen escribir la implementación inicial manualmente y pedir a la IA que la critique, o pedirle que analice dos enfoques diferentes para que el desarrollador tome la decisión final. Otras estrategias incluyen estudiar libros académicos, reimplementar estructuras de datos básicas o dedicar tiempo a entender la documentación antes de delegar.
En conclusión, aunque estas prácticas pueden parecer más lentas en el corto plazo, son necesarias para consolidar la base de conocimientos del desarrollador. La premisa central es que el esfuerzo cognitivo humano debe superar al del modelo, asegurando que la tecnología sirva para potenciar la competencia técnica en lugar de reemplazarla.