Se unió al equipo hace siete meses, justo al salir de la universidad. Inteligente, motivado, técnicamente capaz. Sus marcas personales se fusionaron en el primer o segundo intento. Sus números de velocidad eran sólidos. Su representante la llamó «una natural».

El mes pasado hubo un incidente en la producción. Un servicio de procesamiento de pagos empezó a agotar el tiempo bajo carga. El equipo necesitaba a alguien que rastreara la avería a través de tres servicios, entendiera por qué la configuración del interruptor automático estaba configurada así y determinara si la causa raíz era un cambio reciente o un fallo latente de diseño.

No podía hacerlo. No porque le faltara inteligencia o motivación, sino porque nunca había construido el modelo mental. Durante siete meses, generó código con ayuda de IA, lo fusionó tras la revisión y siguió adelante. El código funcionaba. Pero nunca lo había escrito mal, ni lo había depurado a mano, ni rastreado un fallo de sistema a través de capas que ella misma había construido, ni se había sentado con un ingeniero senior mientras razonaban en voz alta una decisión de arquitectura. Las tareas que la habrían obligado a desarrollar ese entendimiento fueron las primeras que la IA hizo por ella.

Su líder me dijo: «Es productiva. Ella se envía. Pero no entiende el sistema que está construyendo.»

Esa frase es la crisis de talento para la que nadie está presupuestando.

Las cifras son peores de lo que la mayoría piensa

Un documento de trabajo de Harvard publicado en mayo de 2026 analizó a 66 millones de trabajadores en 280.000 empresas estadounidenses entre 2015 y 2025. En las empresas que integraron activamente la IA generativa en sus flujos de trabajo, la contratación de nivel inicial cayó aproximadamente un 80% por trimestre desde 2023. Los investigadores, Hosseini y Lichtinger, lo llaman «cambio tecnológico sesgado por antigüedad». El empleo de nivel inicial en estas empresas cayó aproximadamente un 9% en seis trimestres desde la adopción de la IA. El empleo de alto nivel en las mismas empresas siguió creciendo.

El mecanismo es sencillo. La IA generativa gestiona mejor las tareas codificadas y comprobables, exactamente el tipo de trabajo aprendido de libros de texto y datos de entrenamiento en lugar de acumulado en el trabajo. Esas tareas definen los primeros años de carrera. Cuando las empresas los automatizan, dejan de contratar a quienes solían hacerlo.

El Global AI Jobs Barometer 2026 de PwC, que analiza más de mil millones de ofertas de empleo en todo el mundo, encontró algo aún más revelador. Lo llaman «seniorización»: los puestos de nivel inicial expuestos a IA ahora tienen siete veces más probabilidades de requerir habilidades tradicionalmente senior como juicio, liderazgo y gestión de grupos de interés que en 2019. Esos roles transformados crecieron un 35% desde 2019. Las vacantes tradicionales de nivel inicial se redujeron un 10% en el mismo periodo.

El peldaño no desapareció. Subió tres peldaños por la escalera, fuera del alcance de alguien que empezaba.

El contraargumento que merece la pena tomar en serio

El Informe sobre el Estado del Talento 2026 de SignalFire, publicado en junio de 2026, rastreó las carreras en 80 millones de empresas y encontró que los puestos de ingeniería solo cayeron un 11% respecto a los niveles de 2019, mientras que el total de contratación tecnológica cayó un 25%. La ingeniería es la función laboral más resiliente. Los ingenieros representaron el 55% de todas las nuevas contrataciones en las doce carreras de Tecnología en 2025, frente al 46% de 2019.

Estos datos son reales y importan. Las empresas siguen contratando ingenieros. La cuestión es qué ingenieros y qué ocurre con el oleoducto que los produce.

Hoy puedes tener un mercado de ingeniería senior saludable y una escasez catastrófica de talento en cinco u ocho años simultáneamente. Una cosa no impide a la otra. Se tarda entre cinco y ocho años en desarrollar el juicio a nivel de sistemas de un ingeniero senior. Si rompes esa cartera ahora, creas una brecha que se hace visible alrededor de 2030, cuando las organizaciones que dejaron de invertir en desarrollo junior descubran que no pueden cubrir los puestos senior que tanto necesitan.

Gartner predijo exactamente esto en mayo de 2026: el 75% de las organizaciones que suspendan la contratación de nivel inicial para IA pagarán primas superiores al 15% a los profesionales en etapas tempranas de su carrera para 2030. Ahora ahorras en el número de personas; Luego pagas un precio extra por el talento que no desarrollaste.

La ironía de la automatización, aplicada a las carreras de ingeniería

Lisanne Bainbridge escribió «Las ironías de la automatización» en 1983. La idea central: cuanto más automatizas un sistema, menos oportunidades tienen los operadores para practicar la intervención directa y más difíciles se vuelven las tareas restantes cuando requieren juicio humano. Gregor Hohpe, en 37 cosas que un arquitecto sabe sobre la transformación de TI, resume cinco efectos: la automatización se encarga de las partes fáciles, dejando a los operadores con las difíciles; el piloto automático reduce la atención al estado del sistema; la toma manual es necesaria precisamente cuando el sistema ya está en un estado anormal; la automatización bloquea el sistema, reduciendo las oportunidades de aprendizaje; Y los pequeños problemas se ocultan hasta convertirse en grandes.

Cada uno de esos efectos se está manifestando ahora en carreras de ingeniería.

La IA se encarga de las tareas sencillas que antes formaban a ingenieros junior. Las tareas que quedan requieren juicio que solo se desarrolla tras años de hacer primero las tareas fáciles. Cuando un ingeniero junior necesita intervenir, el sistema ya está en un estado anormal porque el código generado por IA es opaco para la persona a la que se le pide depurarlo. Y como la IA oculta pequeños errores con una salida funcionalmente correcta, los problemas se acumulan silenciosamente hasta que algo falla en producción a las 3 de la madrugada.

Mark Russinovich y Scott Hanselman, de Microsoft, nombraron la asimetría en un artículo de ACM de 2026: el «Senior Boost» frente al «AI Drag». Para los ingenieros experimentados, las herramientas de IA actúan como multiplicadores masivos de productividad porque tienen el criterio para orientar, verificar e integrar la producción de la IA. Para los desarrolladores en etapas tempranas, las mismas herramientas resultan un lastre, produciendo resultados que funcionan pero no enseñan nada, evitando la lucha que genera experiencia.

El Índice Económico de Anthropic cuantificó el impacto a nivel de tarea: la IA sustituye el trabajo por completo en más del 50% de las interacciones en ocupaciones de nivel inicial. En los puestos de alto nivel, esa cifra baja al 40%. Las tareas que forman a los juniors son precisamente las que la IA absorbe primero.

Cómo era el aprendizaje

Llevo 28 años construyendo y gestionando equipos técnicos. En cada uno de esos años, los ingenieros junior que se convirtieron en los seniors más fuertes compartieron algo: primero habían hecho mal el trabajo. Escribieron código que falló en producción, rastrearon el fallo ellos mismos, entendieron por qué su modelo mental era incorrecto y lo reconstruyeron. Ese ciclo, repetido cientos de veces en diferentes dominios problemáticos, es lo que produce un ingeniero senior.

El Missing README de Riccomini capta bien el modelo tradicional: trabajar en la sombra a ingenieros con experiencia, programa en pareja, aprendizaje de carga inicial, experimentar con proyectos paralelos, hacer preguntas, recibir feedback. El modelo 70-20-10 del Center for Creative Leadership cuenta la misma historia: el 70% del desarrollo se realiza a través de la experiencia laboral, el 20% a través de relaciones de desarrollo y el 10% a través de la formación formal.

La IA alteró la mayoría del 70%. Las experiencias laborales que construyeron la competencia fueron exactamente las tareas que una herramienta de IA realiza más rápido y mejor. Corrección de errores, código estándar, implementaciones sencillas de funcionalidades, depuración de problemas sencillos. Eso no es glamuroso. Son cómo aprendes qué hace el sistema cuando cambias algo, cómo desarrollas el instinto de lo que se rompe antes de que se rompa.

Peter Norvig lo expresó con precisión: «La clave para desarrollar experiencia es la práctica deliberativa: no solo hacerlo una y otra vez, sino desafiarte a ti mismo con una tarea que está justo fuera de tu capacidad actual, intentarlo, analizar tu rendimiento mientras y después de hacerlo, y corregir cualquier error.»

La IA se corta ese ciclo. El resultado es correcto en la primera pasada, lo que significa que el junior nunca experimenta el fracaso que construye la comprensión.

Lo que hacen algunas organizaciones

No todo el mundo camina sonámbulo hacia este vacío. Los que lo hacen bien comparten un principio: preservar intencionadamente el mecanismo de aprendizaje incluso cuando la tarea puede automatizarse.

Hohpe nombró esto como «puntos de ruptura predeterminados» en sus escritos sobre automatización. Reducir intencionadamente la calificación de automatización por debajo de lo técnicamente posible, para que los operadores tengan que resolver regularmente los problemas menos críticos y estar preparados para los raros críticos. Aplicado a la ingeniería, esto significa asignar deliberadamente trabajo a ingenieros junior que la IA podría manejar más rápido, no por eficiencia, sino por desarrollo. La herramienta maneja mejor la tarea. El humano necesita la lucha.

Deloitte construyó un programa completo alrededor de este principio. Su piloto de aprendizaje de 2026 se centró en ocho actividades cotidianas: conectar, hacer explícitas las expectativas, compartir conocimientos, trabajar codo con codo, hacer observable la práctica experta, usar preguntas para sacar a la luz el pensamiento, crear repeticiones seguras de práctica y calibrar mediante retroalimentación. En un piloto de cuatro semanas, la gran mayoría de los participantes pasó de «Desarrollando» a «Competente». El programa fue diseñado explícitamente para entornos híbridos y con interrupciones por IA donde el aprendizaje basado en proximidad ya no funciona.

Otros están encontrando su propio camino. Revelry documentó su enfoque para gestionar un aprendizaje en software en 2026: mentoría estructurada con exposición deliberada a la complejidad de todo el sistema, emparejando a juniors con seniors en trabajos reales de producción en lugar de ejercicios generados por IA. SAP y Wakefield Research descubrieron que el 88% de los CHROs afirman que la IA está haciendo que el talento esté listo para puestos en etapas tempranas de su carrera más rápido, lo que enmarca bien la oportunidad: rediseñar los puestos de nivel inicial en torno a la IA en lugar de eliminarlos.

El hilo conductor: la herramienta cambia, pero la necesidad de que las personas desarrollen juicio a través de la práctica no.

La pregunta sobre CTO

Este es un problema de planificación de la plantilla, y debería estar en el escritorio del CTO. Ni de RRHH, ni del jefe de ingeniería, ni del reclutador. RRHH optimiza el coste por contratación y el tiempo de cobertura, métricas que recompensan activamente la eliminación de puestos de nivel inicial. El CTO es la única persona que ve la cadena de suministro de talento de cinco años.

Las cuatro cosas que la IA no puede reemplazar en las personas que contratas argumentaban que hay cuatro cualidades que importan más ahora, no menos: excelencia, trabajo en equipo, empoderamiento y curiosidad. Esas cualidades no son innatas. Se desarrollan a lo largo de años de práctica en equipo, bajo mentoría, a través de la experiencia de construir algo, ver cómo fracasa y aprender de ese fracaso. La IA puede acelerar ese desarrollo si se estructura correctamente. La IA también puede eliminar las condiciones que la hacen posible.

El verdadero trabajo del CTO cuando la IA cambia la forma en que se construye el software defendió que proteger el conocimiento institucional durante las transiciones de IA es responsabilidad de los CTO. Esta es la versión más concreta de ese argumento. El conocimiento institucional de 2030 se está construyendo, o no, en las decisiones que tomes sobre la contratación de nivel inicial este trimestre.

Los datos del artículo de Harvard mostraron que gran parte del descenso no está impulsado por despidos. Los trabajadores que se marcharon simplemente no fueron reemplazados, las tasas de separación bajaron en las empresas que adoptaron y la erosión de los oleoductos es tan silenciosa que parece eficiencia en un informe trimestral.

La pregunta que aún no puedo responder

He formado equipos y ayudado a clientes a crear los suyos en decenas de organizaciones. He contratado a cientos de ingenieros junior y los he visto convertirse en los ingenieros senior que llevan organizaciones. El ciclo siempre funcionaba porque existía el punto de entrada: tareas desordenadas y poco glamorosas que obligaban a los nuevos ingenieros a construir la comprensión que finalmente los hacía indispensables.

Ese punto de entrada se está estrechando. No desaparece del todo, pero sí se estrecha lo suficiente como para que la cartera produzca menos ingenieros senior por cohorte que antes. Las organizaciones que reconozcan esto e inviertan en aprendizajes estructurados tendrán una ventaja significativa en el talento para 2030. Los que optimizen únicamente para las métricas de productividad de este trimestre descubrirán la brecha cuando sea demasiado tarde para cerrarla.

No tengo un marco claro de cómo es el aprendizaje cuando la IA se encarga de las tareas que antes eran el campo de entrenamiento. El modelo de Deloitte apunta en una dirección. Los límites predeterminados de Hohpe ofrecen un principio. En mis propios equipos, lo aplico directamente: hay tareas que la IA podría manejar más rápido que asigno deliberadamente a ingenieros junior porque la lucha es el objetivo, no el resultado. Los profesionales que realizan los aprendizajes en 2026 lo están descubriendo en tiempo real.

Lo que sí sé: todos los ingenieros senior que tienes hoy en día fueron juniors que aprendieron haciendo mal el trabajo primero. Si automatizas ese trabajo sin reemplazar el mecanismo de aprendizaje, estás comiendo tu maíz semilla. La cosecha este año pinta bien. Dentro de cinco años, competirás contra todas las demás organizaciones que tomaron la misma decisión, compitiendo por un grupo cada vez más reducido de personas con un juicio que solo se desarrolla tras años de práctica.

Ricardo