Ya no basta con escribir código que funcione como prueba de haber aprendido programación, según Ardit Sulce, instructor de Python cuyos cursos han tenido más de 650.000 alumnos en Udemy. Dado que las herramientas de inteligencia artificial pueden producir grandes partes de las aplicaciones, el énfasis pasa de escribir cada línea a comprender lo que producen las herramientas, revisarlo, detectar sus errores y saber cómo se conectan entre sí los componentes del sistema.
Esta visión apareció en una entrevista publicada por JetBrains Blog con Sulce, que tiene 10 años de experiencia enseñando programación y posee una maestría en tecnologías geográficas por University of Münster, en Alemania. También es fundador y desarrollador principal de la plataforma ActiveSkill Dev, que utiliza la inteligencia artificial como profesora personal para aprender programación y desarrollo de software.
La inteligencia artificial cambió más las preguntas de lo que eliminó el papel del profesor
Sulce afirma que el número de preguntas diarias que recibe de los alumnos se redujo entre cinco y diez veces respecto a antes de la expansión de la inteligencia artificial generativa. Cuando un alumno se enfrenta a un problema, puede obtener una respuesta inmediata en lugar de publicar una pregunta en la página de debate y esperar al profesor o al asistente docente.
Sin embargo, las preguntas que permanecieron, según su descripción, se volvieron más amplias y dependen más del criterio: ¿qué camino conviene seguir? ¿El proyecto sirve para incluirlo en el portafolio? ¿Y cómo encaja lo que aprende el alumno en el panorama general? Desde esta perspectiva, el papel del curso educativo no se limita a responder una pregunta concreta, sino que consiste en ofrecer un recorrido estructurado dentro de un campo en el que el principiante ni siquiera conoce sus preguntas básicas.
También cambiaron las expectativas de los alumnos. Para ellos, un curso de Python que ignore la relación del lenguaje con la inteligencia artificial parece anticuado; quieren aprender a utilizar las herramientas para acelerar la escritura de código y crear aplicaciones basadas en modelos de lenguaje, agentes y automatización. Al mismo tiempo, el profesor sigue siendo importante para determinar qué debe aprenderse y en qué orden, y para proporcionar la motivación y la curiosidad que, según Sulce, todavía resulta difícil reproducir automáticamente para las herramientas de inteligencia artificial.
No todo el sufrimiento educativo es igual
Sulce distingue entre el esfuerzo que construye comprensión y la fricción que desperdicia tiempo. Intentar averiguar por qué un bucle se ejecuta una vez más, o seguir el flujo de datos dentro del programa, puede formar parte del aprendizaje. En cambio, los problemas relacionados con la instalación de una definición dañada, un error de configuración ambiguo o una lección antigua que ya no es compatible con el entorno actual son obstáculos que pueden delegarse en la inteligencia artificial sin una pérdida educativa evidente.
Según esta regla, el principiante debe preguntarse: ¿resolver este problema me dará una comprensión que podré utilizar más adelante, o simplemente me devolverá al punto de partida? Sulce subraya que escribir código manualmente sigue siendo importante durante la etapa de aprendizaje, porque ayuda a construir un modelo mental de las variables, los bucles y el flujo de datos. En el trabajo profesional, en cambio, escribir todo el código manualmente puede ser menos importante que revisar lo que producen las herramientas.
Tres habilidades para los desarrolladores al comienzo de su trayectoria
- Leer código que no escribieron: el desarrollador debe leer repositorios de GitHub, sus proyectos antiguos y las salidas de los agentes, y decidir si el código es correcto y sigue siendo adecuado cuando cambian las entradas.
- Expresar con precisión lo que se necesita: Sulce considera que una buena solicitud para el modelo es una especificación que determine qué debe hacer el código y qué no debe hacer, y cómo debe comportarse ante los casos extremos. Esto se aproxima al concepto de requisitos, que a menudo era responsabilidad de otra parte.
- Comprender el sistema: no basta con conocer partes aisladas del código; el desarrollador necesita comprender los componentes de la aplicación y la forma en que están conectados, una habilidad que le permite supervisar la inteligencia artificial en lugar de convertirse en dependiente de sus resultados.
Esto implica un cambio en la manera de evaluar a estudiantes y candidatos a puestos de trabajo. En lugar de limitarse a pedirles que construyan una aplicación, Sulce propone presentar código generado por inteligencia artificial que contenga un problema preciso, como un error en los límites de un bucle, la absorción silenciosa de excepciones o un comportamiento incorrecto cuando existe una entrada vacía, y después poner a prueba la capacidad de la persona para detectar y explicar el problema. También puede realizarse una sesión de depuración en directo para observar cómo acota el alcance del fallo.
Un recorrido gradual del código a la supervisión
Sulce divide el aprendizaje en tres etapas: escribir manualmente pequeños programas reales dentro de un entorno de desarrollo integrado; después, utilizar la inteligencia artificial como profesora para explicar lo que el alumno no entiende mientras avanza hacia proyectos más grandes; y, finalmente, utilizarla como compañera de trabajo que escribe partes del código mientras el alumno las revisa.
Esta progresión supone aumentar gradualmente el tamaño de los proyectos: desde un script hasta una aplicación que utiliza una base de datos, luego un proyecto que interactúa con usuarios, después un servicio publicado y una aplicación que se conecta a una interfaz de programación de aplicaciones. En la práctica, el recorrido vincula el conocimiento de la sintaxis con la comprensión de los sistemas, en lugar de asumir que la comprensión arquitectónica aparecerá automáticamente después de años de escribir código.
La entrevista confirma que aprender dentro de un entorno de desarrollo profesional no es un detalle meramente formal. Los proyectos que dependen de la inteligencia artificial incluyen claves de API en los archivos de entorno, entornos virtuales, conflictos de dependencias, diferencias entre versiones de paquetes y archivos que los agentes crean o modifican. Por ello, la capacidad de ejecutar el proyecto, revisar los cambios, corregir fallos y modificar el código de forma segura es lo que determina si el alumno realmente supervisa la herramienta o se limita a aceptar lo que produce.