Aprobar sin aprender: el riesgo de delegar la programación a la inteligencia artificial
Un estudiante recibe una tarea de programación, copia las instrucciones en una herramienta de inteligencia artificial y obtiene una solución en segundos. Ejecuta el programa, comprueba que produce el resultado esperado y lo entrega. La actividad está terminada, pero queda una pregunta que una calificación puede dejar sin respuesta: ¿qué aprendió?
Esta situación plantea un desafío para la enseñanza de la programación. Una entrega puede contener código correcto, ordenado y acompañado de explicaciones, sin que quien lo presenta comprenda cómo funciona. Cuando la evaluación se concentra únicamente en el producto final, resulta difícil distinguir entre quien desarrolló una solución y quien consiguió que una herramienta la generara.
La preocupación va más allá de la honestidad académica. Si un estudiante acredita materias sin adquirir las competencias que estas deberían desarrollar, puede avanzar hacia el mercado profesional con una preparación insuficiente. El problema que parecía resolverse con una buena calificación reaparece después, frente a una entrevista técnica, un sistema que falla o una decisión que afecta a usuarios reales.
Usar inteligencia artificial no equivale automáticamente a hacer trampa
Es necesario establecer una diferencia. Consultar una herramienta para comprender un error, solicitar una pista o comparar alternativas puede formar parte de una actividad de aprendizaje. Hacer trampa implica incumplir las reglas de la evaluación o presentar como propio un trabajo cuya elaboración debía demostrar una competencia personal. Entonces, debemos entender que las reglas deben ser claras: qué ayuda está permitida, cómo debe declararse y qué necesita demostrar el estudiante por sí mismo. Sin esa claridad, también se dificulta distinguir el apoyo legítimo de una entrega deshonesta. Existe, además, un riesgo que no siempre implica engaño: depender tanto de las respuestas generadas que se deje de practicar. Un estudiante puede reconocer abiertamente que utilizó IA y, aun así, aprender poco si la herramienta resuelve todas las decisiones importantes.
La transparencia ayuda a resolver el problema de autoría; la práctica y la evaluación del razonamiento permiten comprobar el aprendizaje.
La ilusión de saber programar
Aprender a programar exige descomponer problemas, organizar instrucciones, elegir estructuras de datos, interpretar errores y comprobar resultados. Durante ese proceso, equivocarse y corregir tiene una función formativa. Entendamos que si la IA entrega la solución completa desde el principio, el estudiante puede saltarse precisamente las actividades que necesita practicar y leer una explicación comprensible tampoco garantiza que pueda resolver después un problema semejante. Esta diferencia entre completar una tarea y comprenderla aparece en la investigación. Prather y colaboradores estudiaron a 21 estudiantes principiantes mediante observación, entrevistas y seguimiento de la mirada. Aunque 20 completaron el problema asignado, encontraron diferencias importantes: algunos utilizaron la IA para ejecutar decisiones que ya comprendían; otros mantuvieron dificultades y terminaron con una percepción de competencia superior a la que mostraba su desempeño. Es un estudio pequeño, pero ofrece una advertencia relevante sobre la dependencia y la autoevaluación.
La evidencia tampoco permite afirmar que toda asistencia perjudique el aprendizaje. Un experimento de Kazemitabaar y colaboradores, con 69 participantes de entre 10 y 17 años, encontró mejoras en la elaboración de código con ayuda de IA, sin una disminución en las tareas de modificación manual evaluadas. Sus resultados corresponden a una intervención concreta y no garantizan efectos iguales en cualquier curso universitario. Sí muestran que importa cómo se integra la herramienta.
La pregunta educativa, entonces, debe centrarse en qué hace el estudiante con la ayuda recibida y qué puede demostrar después.
Cuando el problema llega al trabajo
Imaginemos que un recién egresado genera una aplicación para administrar ventas. En una demostración permite registrar productos y emitir reportes, pero, al utilizarla aparecen operaciones duplicadas, usuarios que acceden a información ajena o cálculos incorrectos cuando se modifica una compra. Este ejemplo hipotético ilustra la distancia entre producir una aplicación que parece funcionar y desarrollar software confiable. Para corregirla se necesita comprender el flujo de información, localizar las causas del fallo y comprobar que una modificación no introduce otros problemas.
Quien carece de fundamentos puede responder a cada error solicitando otro fragmento de código, sin evaluar cómo afecta al resto del sistema. El resultado puede ser una acumulación de cambios difíciles de mantener.
En un entorno profesional, esa preparación insuficiente puede traducirse en retrabajo, retrasos, mayor supervisión y riesgos para la información. Son consecuencias posibles, no resultados inevitables de utilizar IA. También dependen de las revisiones, las pruebas y los controles de calidad de la organización. Un recién egresado necesita acompañamiento y experiencia. Lo preocupante es que sus credenciales hagan suponer conocimientos básicos que todavía no puede demostrar.
¿Qué tendencia se observa en el mercado laboral?
Conviene separar dos asuntos: los cambios laborales asociados con la automatización y las carencias formativas de algunos candidatos. No existe base para atribuir las dificultades de contratación de los jóvenes a que hayan hecho sus tareas con IA. Son fenómenos distintos, aunque podrían coincidir y agravar la situación de quien llega mal preparado.
La investigación laboral ofrece señales de presión sobre el ingreso al empleo. En una actualización publicada en agosto de 2026, el Stanford Digital Economy Lab encontró, utilizando datos de nómina de Estados Unidos, una brecha cercana al 19 % en el empleo de personas de 22 a 25 años en ocupaciones muy expuestas a IA, respecto de la trayectoria que habrían seguido si hubieran crecido al ritmo de ocupaciones menos expuestas. El ajuste aparecía principalmente en una menor contratación. Los autores aclaran que son patrones descriptivos y que no permiten establecer cuánto fue causado por la IA. El porcentaje tampoco corresponde exclusivamente a programadores.
Esto no significa que el desarrollo de software esté desapareciendo. La Oficina de Estadísticas Laborales de Estados Unidos proyecta un crecimiento del 10 % entre 2025 y 2035 para el conjunto de desarrolladores de software, analistas de calidad y probadores. Una expansión general puede coexistir con dificultades para acceder al primer empleo. Ambas fuentes se refieren a Estados Unidos, sus cifras no deben trasladarse directamente a México. A partir de estas señales, considero plausible un mercado más exigente para quienes comienzan: generar una solución básica podría aportar menos diferenciación, mientras que explicar decisiones, detectar errores y verificar resultados podría adquirir mayor importancia. Esta es una interpretación de los cambios observados, no una predicción definitiva.
Para el estudiante que delegó sistemáticamente su formación, el riesgo es doble: enfrentar oportunidades de entrada más competidas y carecer de los conocimientos necesarios para aprovecharlas.
La evaluación también debe cambiar
Si una tarea puede resolverse copiando su enunciado en una herramienta, entregar el archivo final ya no ofrece evidencia suficiente del aprendizaje. Los docentes necesitamos examinar también el proceso, por ejemplo, una defensa breve puede pedir al estudiante que explique una decisión, identifique un error o modifique un requisito. Combinar ejercicios individuales sin asistencia con proyectos donde la IA esté permitida ayuda a evaluar tanto los fundamentos como el uso responsable de herramientas. Incluso, se puede decir que es útil solicitar pruebas y explicar por qué se eligieron. Ejecutar el programa con un único ejemplo comprueba muy poco y pensar en entradas inesperadas y condiciones límite obliga a comprender su comportamiento. Estas actividades deben ajustarse al nivel del curso. Su propósito es obtener evidencia de lo que el estudiante sabe y detectar a tiempo aquello que necesita reforzar.
Evaluar de esta manera también permite reconocer a quienes utilizan la IA con criterio. Un estudiante que identifica una propuesta incorrecta, explica sus limitaciones y construye una alternativa está demostrando conocimientos, aunque haya recibido asistencia durante el proceso.
Aprender con IA requiere participación
Para quien estudia programación, una práctica útil consiste en intentar primero una solución y solicitar después ayuda sobre una dificultad concreta. Si recibe código generado, debe leerlo, probarlo, modificarlo y explicar sus decisiones.
Pedir pistas puede ser más formativo que pedir una respuesta completa. Comparar la propuesta de la herramienta con el intento propio también permite reconocer errores y alternativas.
Una pregunta sencilla puede orientar este proceso: si cambian las condiciones del problema, ¿puedo adaptar la solución y justificar el cambio? Si todavía no es posible, hay conocimientos por trabajar, aunque la tarea ya esté entregada.
La IA puede facilitar el acceso a explicaciones y apoyar la práctica. Su valor educativo depende de que el estudiante siga participando en el razonamiento.
Las instituciones tienen la responsabilidad de evaluar competencias reales, las empresas, de acompañar el desarrollo de sus nuevos profesionales; y los estudiantes, de asumir que una calificación obtenida sin comprender deja una deuda en su propia formación.
La tarea termina al entregar el código. La responsabilidad profesional comienza cuando hay que responder por él.
En mi próximo artículo presentaré una estrategia para la enseñanza de la programación que implementaré en la asignatura Fundamentos de Desarrollo Web de la carrera de Lic. en Ingeniería en Sistemas de Información de la Facultad de Informática Mazatlán, de la Universidad Autónoma de Sinaloa. Su propósito será integrar la inteligencia artificial como apoyo al aprendizaje, promoviendo que los estudiantes comprendan, expliquen, prueben y modifiquen el código que desarrollan con su ayuda. Con esta propuesta buscaré prevenir la dependencia de soluciones generadas y fortalecer las competencias que los futuros profesionales necesitarán para resolver problemas y asumir la responsabilidad de su trabajo.
Si a alguien le interesa conversar sobre este tema, compartir experiencias o intercambiar propuestas para enseñar programación con apoyo de inteligencia artificial, puede contactarme directamente en ja.aguilar@uas.edu.mx.
Es cuanto.
Si quieres citar este artículo en tu texto, documento, etc. puedes hacerlo de la siguiente forma:
%2013.02.32.png)
Comentarios
Publicar un comentario
Gracias por tu comentario ;) Ayúdanos a difundir este blog !!