La promesa de la Inteligencia Artificial en el desarrollo de software ha generado un entusiasmo sin precedentes. Hace apenas unos años, las herramientas como Copilot o Cursor permitían autocompletar líneas de código. Hoy, modelos avanzados como Opus 4.5 prometen workflows casi autónomos. Sin embargo, detrás de esta eficiencia aparente, expertos advierten sobre un costo oculto que podría estar erosionando las habilidades fundamentales de los desarrolladores: la deuda cognitiva. La paradoja es clara: mientras la productividad sube, la capacidad humana para supervisar y corregir esa producción disminuye.
La evolución de la adopción de la IA ha sido vertiginosa. Lo que comenzó como un asistente de autocompletado ha evolucionado hacia la era de los agentes autónomos. La industria ha pasado de la 'ingeniería asistida por IA' a la 'ingeniería asistida por humanos', donde los modelos de lenguaje realizan gran parte del trabajo de escritura. Un ejemplo reciente proviene de Spotify, donde su co-CEO, Gustav Söderström, declaró que sus mejores desarrolladores no han escrito una sola línea de código desde diciembre gracias a la IA. Estos ingenieros, ahora llamados 'Forward Deployed Engineers', gestionan flujos de trabajo complejos desde sus teléfonos, pidiendo a la IA que arregle bugs o añada funciones y aprobando los resultados antes de llegar a la oficina.
A pesar de la velocidad, esta dependencia plantea serios riesgos. Margaret-Anne Storey, investigadora de ingeniería de software, ha acuñado el término 'deuda cognitiva' para describir este fenómeno. A diferencia de la deuda técnica, que vive en el código, la deuda cognitiva vive en la cabeza de los desarrolladores. Según la teoría de Peter Naur, un programa es una teoría en la mente del desarrollador; cuando esa teoría se fragmenta por la falta de práctica, el sistema se convierte en una caja negra. Un estudio publicado en 2026 por Shen y Tamkin puso números a esta teoría: un grupo de desarrolladores asistidos por IA obtuvo un 17% menos de puntuación en comprensión conceptual y depuración (debugging) en comparación con aquellos que trabajaron sin ayuda. El mayor deterioro se observó precisamente en la habilidad crítica de depuración, la que se necesita para corregir los errores de la IA.
Esta situación crea lo que se ha denominado la 'paradoja de la revisión': si la IA escribe todo el código y el humano solo revisa, ¿dónde queda la capacidad de revisar? No se puede aprender a reconocer buen código solo leyendo PRs (Pull Requests) o manuales; se aprende escribiendo código, cometiendo errores y corrigiéndolos. La industria corre el riesgo de una colapso de la senioridad, donde los niveles de experiencia se vuelven irrelevantes si todos dependen de la IA. El camino a seguir no es detener la tecnología, sino imponer la responsabilidad humana. Requerir que cada cambio generado por IA sea comprendido y aprobado por un humano antes de su despliegue es la única forma de evitar que la eficiencia se convierta en incompetencia.