El artículo de Sunil Pai explora una tendencia preocupante en el mundo del desarrollo de software y la educación técnica: una disminución en la demanda de cursos y materiales de aprendizaje relacionados con APIs, frameworks y ecosistemas de desarrollo. Aunque la producción de código sigue siendo alta, la disposición a pagar por la formación tradicional ha disminuido. Pai argumenta que la raíz del problema no es la falta de interés en aprender, sino un cambio en qué se busca aprender.
Históricamente, los cursos no solo enseñaban a usar herramientas, sino que también transmitían una forma de trabajar: cómo estructurar proyectos, depurar errores, elegir entre opciones, colaborar y, crucialmente, identificar problemas incluso en código que aparentemente funciona. Este aspecto, la adquisición de un 'modelo de trabajo', es lo que realmente se estaba comprando. Ahora, la aparición de herramientas de IA para la generación de código ha alterado este panorama.
Estas herramientas, que Pai compara con una “máquina de códigos trampa”, ofrecen soluciones rápidas y aparentemente fáciles, reduciendo la necesidad percibida de un curso estructurado. Los desarrolladores ahora se enfrentan a la elección entre pagar por un curso o pagar por más acceso a estas herramientas de IA. Sin embargo, esto no significa que la gente deje de querer aprender. Lo que buscan ahora es una comprensión más profunda de cómo usar estas herramientas de manera efectiva.
El contenido que está prosperando son las transmisiones en vivo (streams) y los videos donde los desarrolladores muestran su flujo de trabajo real, incluyendo cómo delegan tareas a la IA, qué revisan manualmente, dónde confían en la IA y dónde no, y cómo se recuperan de los errores. Esto refleja una necesidad de observar el 'juicio en acción' – ver cómo los expertos toman decisiones, evalúan resultados y manejan la incertidumbre.
Pai traza un paralelismo con su propia experiencia de aprendizaje, donde observaba a un ingeniero senior y copiaba no solo el código, sino también su enfoque general del trabajo. El trabajo en remoto ha disminuido esta forma de aprendizaje por osmosis, y la IA ha añadido otra capa de separación. La clave ahora es desarrollar la capacidad de discernir entre soluciones que simplemente funcionan y aquellas que son realmente buenas: identificar código frágil, oculto o que empeora la experiencia del usuario. Esta capacidad de 'gusto' (taste) en software, entendida como la capacidad de evaluar y elegir soluciones basadas en criterios más allá de la funcionalidad básica, se está convirtiendo en una habilidad esencial en un mundo donde el código es cada vez más barato de generar.