Anteriormente, un ingeniero se criaba en tareas que ahora se denominan "rutinarias": escribir pruebas automatizadas, recopilar análisis primarios, marcar un conjunto de datos o crear documentación. Este trabajo servil era un campo de entrenamiento natural. Al avanzar, el recién llegado cometió errores controlados, se sometió a revisiones de código y formó un juicio de ingeniería: una comprensión intuitiva de cómo se comporta el sistema en la realidad.
En la ingeniería clásica, esta etapa se llama “acumulación de observación”: no se puede diseñar un puente confiable sin estudiar cientos de componentes estándar y los errores de otras personas. Un principio similar ha mantenido la vitalidad del kernel de Linux durante décadas: Linus Torvalds y un equipo de mantenedores superiores obligaron a los recién llegados a reescribir parches manualmente durante años para que “crecieran” mentalmente en la arquitectura del subsistema y adoptaran una cultura de soluciones de ingeniería.
La IA generativa tiene tareas rutinarias automatizadas (escribir pruebas, etiquetar datos) que solían servir como campo de entrenamiento para desarrollar el juicio de ingeniería. Según los investigadores de Microsoft, este cambio ha detenido el flujo de experiencia tradicional para 2026, creando un riesgo.
“incumplimiento del personal” en TI
. Un estudio de Microsoft afirma que
Arrastre AI
(efecto inhibidor) se convierte en el principal desafío que exige la reestructuración de la formación de especialistas.
Veamos por qué ahorrar en especialistas novatos conduce a una falta de personal en la industria y cómo reconstruir la capacitación cuando la rutina ya no enseña.
Leer más
|
@habr_ai