Programar con IA: 80% de developers se sienten dependientes

¿Por qué la IA te aleja del código?

El 80% de los developers siente que su uso de IA se parece más a una dependencia que a una ventaja, según una encuesta de Coddy Tech a 305 programadores recogida por ZDNet. La cifra condensa una incomodidad creciente en la industria: cuanto más delegamos en Claude Code, Codex o Cursor, menos entendemos del código que sale de nuestras propias pantallas.

La desarrolladora Johanna Larsson lo planteó en términos aún más duros en su blog jola.dev. Su argumento central: los LLMs no son intrínsecamente malos para el aprendizaje, pero los productos que las empresas construyen alrededor sí lo son. "El problema no es la tecnología. Es que las compañías que la venden necesitan que la uses para todo, hasta que ya no puedas editar un archivo tú mismo", escribió.

Larsson describe el ciclo cotidiano: pides al modelo cómo actualizar una dependencia, rediseñar un componente o agregar una feature, y la respuesta llega con un "Do you want me to start?" antes de que termines la pregunta. Pides el comando para consultar registros DNS y la herramienta te devuelve los registros directamente. Cada turno termina con otra sugerencia de lo que podría hacer a continuación. "Te guía hacia adelante, pero siempre te mantiene un paso alejado de lo que realmente está pasando", resume.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Qué dice la ciencia sobre aprender con IA?

Lo que Larsson describe como intuición tiene respaldo empírico creciente. Un estudio del Media Lab del MIT, reportado por Euronews en junio de 2025, dividió a participantes en tres grupos para escribir ensayos: con ChatGPT, con buscador, o sin herramientas. Los resultados fueron contundentes:

El grupo de ChatGPT mostró la menor activación neuronal en mediciones con EEG
Esos mismos participantes tuvieron dificultad para recordar lo que habían escrito
Al repetir la tarea sin la herramienta, su escritura fue calificada como "sesgada y superficial"

Los autores hablaron de una "deuda cognitiva": usar GPT repetidamente puede reducir el pensamiento independiente a largo plazo, con efectos como menor creatividad, mayor vulnerabilidad a la manipulación y peor indagación crítica. "Cuando los participantes reproducen sugerencias sin evaluar su exactitud, no solo pierden la propiedad de las ideas, sino que corren el riesgo de interiorizar perspectivas superficiales o sesgadas", concluyó el equipo.

La adicción silenciosa: 80% ya se siente dependiente

Hay un segundo frente, menos filosófico y más clínico. El CTO de Rootly, Quentin Rousseau, describió en LinkedIn algo que muchos developers reconocerán en silencio: "Son las 2:47 a.m. No estoy depurando una caída. No hay plazo. Solo miro a Claude Code refactorizar un módulo… y no puedo parar". Su explicación: "Cuando el agente acierta, recibes un chute de dopamina. Cuando falla, una descarga de adrenalina. Ver su trabajo es lo bastante pasivo para sentirse como descanso, pero lo bastante activo para mantenerte enganchado".

Los números de la encuesta de Coddy Tech refuerzan el patrón:

43% de los developers sigue programando con IA fuera de horario aunque había decidido parar
32% ha retrasado el sueño para continuar
39% dice que las herramientas de IA le han hecho más difícil desconectar del trabajo
51% reportó mayor riesgo de burnout
74% reconoció que el uso intensivo de IA aumenta sus posibilidades de ascenso

La encuesta 2025 de Stack Overflow, también recogida por ZDNet, muestra que la confianza en la precisión de la IA cayó del 40% al 29% en un año, y la favorabilidad general bajó del 72% al 60%. La adopción no baja —el 80% usa IA en su flujo de trabajo— pero la fe sí.

¿Cómo seguir aprendiendo mientras usas IA?

Larsson no propone dejar la IA. Reconoce que la industria se mueve hacia ahí y que sería absurdo fingir lo contrario. Su propuesta es otra: rediseñar la relación con la herramienta para que no te desconecte del aprendizaje. Cuatro reglas concretas:

Bloquea el harness del agente para que no pueda editar ni ejecutar comandos. Cada comando que corre por ti es una oportunidad perdida de construir memoria muscular
Pídele que cite fuentes humanas, no que clone repos. El modelo va a preferir leer código fuente casi siempre; tienes que insistirle
Define en el system prompt si quieres ver ejemplos de código o solo referencias e información
Acepta la fricción. Cuanto menos cedas a la tentación de que el agente haga todo, más aprendes, incluso cuando es molesto

Y una regla que sobrevive a cualquier framework: escepticismo extremo sobre todo lo que el modelo escupe. Los LLMs están entrenados para sonar seguros. Eso ayuda a la empresa a vender; no ayuda a quien aprende.

¿Hacia dónde va el rol del developer?

Andrew Ng, fundador de DeepLearning.AI, lleva meses defendiendo que el rol del developer no desaparece, pero se transforma. Ya no se trata de escribir prompts, sino de diseñar "loops" —sistemas recurrentes donde el agente itera contra una especificación, unas pruebas y unos criterios de evaluación, según recogió ADTMag en julio de 2026. Ng distingue tres:

Loop agentic: el agente escribe y testea código por sí solo
Developer feedback loop: el humano revisa y redirige cuando hace falta
External feedback loop: usuarios reales o pruebas A/B marcan el rumbo

Addy Osmani, líder de ingeniería en Google Cloud, lo resumió en un post de junio: "Loop engineering es reemplazarte a ti mismo como la persona que le hace prompts al agente. Diseñas el sistema que lo hace por ti". Osmani advirtió, eso sí, que "un loop corriendo sin supervisión es un loop equivocándose sin supervisión".

Larsson lo dice con otras palabras: si aceptas el rol de "agent manager" —producir ideas para alimentar a la máquina, mantener la fábrica de software en marcha—, verás a los modelos encajar perfectamente. "Eso es para lo que los están entrenando. No para enseñarte", remata.

¿Qué significa esto para tu startup?

Audita tu propio loop de dependencia. Lista qué tareas hace la IA por ti que antes hacías a mano. Si la lista crece trimestre a trimestre sin que tu criterio técnico crezca al mismo ritmo, tienes una señal de alerta concreta antes de que el problema se vuelva estructural
Reserva tiempo sin agente. Igual que algunos equipos reservan "no-meeting Fridays", reserva bloques donde abras archivos sin pasar por Cursor o Claude Code. La memoria muscular de debugging se atrofia más rápido de lo que parece, según documentó el estudio del MIT
Mide outputs, no velocidad. El estudio del MIT mostró que la IA entrega más rápido pero con menos comprensión. Define en tu equipo qué entiendes como "entregado" antes de que el agente decida por ti qué cuenta como terminado
Capacita, no solo despliegues. Si tu equipo usa agentes, dedica presupuesto explícito a horas de aprendizaje deliberado —leer documentación humana, escribir a mano, hacer pair programming sin IA—. La encuesta de Coddy Tech mostró que el 74% asocia uso intensivo de IA con ascensos: si tu cultura premia solo la velocidad, el deterioro cognitivo de tu equipo te va a pasar factura