Prólogo: el botánico que tuvo que ser todo

En The Martian (2015), Mark Watney queda solo en Marte. Es botánico. Para sobrevivir tiene que ser, además, químico, electricista, mecánico, agricultor, ingeniero de comunicaciones y contador de calorías. No se vuelve experto en nada de eso. Lo que lo salva es que conoce los límites de cada área: sabe cuánta agua puede fabricar sin volar el hábitat, cuánta potencia le queda, qué puede pedirle a la NASA y qué tiene que resolver él. Y sabe, sobre todo, qué no sabe — y lo calcula antes de intentarlo.

El profesional que la era de los agentes necesita se parece más a Watney que al programador de la década pasada. No porque vaya a estar solo — ya lo discutimos en otro paper — sino porque la capacidad de ejecución que tiene a mano cubre tantas disciplinas que su valor ya no está en dominar una, sino en saber qué se puede hacer en cada una, qué cuesta y dónde está el riesgo. Lo llamamos el profesional navaja suiza.

El rol cambió de verdad

La evidencia de que el rol del desarrollador cambió es abundante y reciente. En el experimento controlado de GitHub, quienes usaron Copilot implementaron un servidor web un 55,8 % más rápido que el grupo de control, y el efecto fue mayor entre quienes recién se iniciaban (Peng et al., 2023). Los estudios cualitativos del mismo equipo describen el cambio de naturaleza del trabajo: el desarrollador pasa de escribir a revisar y dirigir sugerencias (Bird et al., 2023), y la tasa a la que acepta esas sugerencias resulta ser el mejor predictor de su productividad percibida (Ziegler et al., 2024). A escala de mercado laboral, Eloundou et al. (2024) estiman que, con software complementario, cerca del 46 % de los empleos de Estados Unidos tendría más de la mitad de sus tareas expuestas a los modelos de lenguaje — y la programación está entre las ocupaciones más expuestas. Microsoft ya le puso nombre al rol que emerge: el «jefe de agentes», quien «construye, delega y administra agentes para amplificar su impacto»; el 83 % de los líderes encuestados cree que la IA permitirá a los empleados asumir trabajo más complejo y estratégico antes en su carrera (Microsoft, 2025).

Pero la misma evidencia muestra qué no cambió. McKinsey encontró que la IA acelera hasta dos veces las tareas comunes, pero el ahorro cae por debajo del 10 % en tareas complejas y los desarrolladores junior tardaron entre un 7 % y un 10 % más; para mantener la calidad, «los desarrolladores necesitan entender los atributos que hacen al código de calidad» (McKinsey & Company, 2023). El estudio de METR con desarrolladores expertos en bases de código maduras, donde la IA los hizo un 19 % más lentos (Becker et al., 2025), apunta a lo mismo: lo que la IA no reemplaza es el criterio. Y el propio Karpathy, al acuñar «vibe coding» — «acepto todo siempre, ya no leo los diffs» —, lo limitó explícitamente a «proyectos desechables de fin de semana» (Karpathy, 2025).

La síntesis que proponemos: la sintaxis la pone el agente; el criterio para elegir y para exigir evidencia lo pone la persona. Y ese criterio no es de una disciplina. Es de todas, a la profundidad justa.

Lo que hay que saber, por el lado de la gestión

Un profesional que pueda levantar una solución informática completa con ayuda de una IA necesita saber cosas que hoy no están en ninguna malla de computación, porque antes las sabía «el de negocio» o «el de infraestructura». Las listamos con lo que nos costó aprenderlas.

Pasarelas de pago. Integrar Webpay no es un problema de código: es un trámite. La documentación oficial de Transbank describe un flujo en cuatro pasos — hacerse cliente, integrar, validar, vender — con un ambiente de integración con tarjetas de prueba, una validación obligatoria con evidencias y una compra de prueba real antes de pasar a producción (Transbank Developers, s. f.). En una plataforma de intercambio y venta de cartas coleccionables, decidimos temprano que la plataforma nunca tocara el dinero: las comisiones van por los mecanismos de comisión de cada pasarela y la facturación mensual por Webpay, y el trámite con Transbank y el monto de la comisión los lleva el dueño, no el agente. Conocer esa frontera — qué puede automatizar la IA y qué exige una firma y un contrato — es conocimiento de gestión que la universidad no enseña y el cliente pregunta el primer día.

Servicios que se contratan, no se construyen. El sistema de gestión multitienda necesita facturación electrónica. La decisión no fue «cómo se construye»: fue comparar proveedores autorizados, elegir uno para empezar, y dejar la certificación propia ante el servicio de impuestos para después, cuando el volumen lo justifique. Lo mismo con el correo transaccional, los mapas, el DNS gestionado, el almacenamiento de objetos. Saber cuándo conviene pagar y cuándo conviene hacer es una competencia, y se aprende viendo precios.

Facturación y gasto en la nube. Un servidor con cuatro productos y ocho gigabytes de memoria va justo; antes de la tienda piloto hay que agrandarlo y eso cuesta. La disciplina que lo gobierna tiene nombre: FinOps, un marco operativo que crea responsabilidad financiera entre ingeniería, finanzas y negocio, con la ingeniería como persona central (FinOps Foundation, 2026). En nuestra escala se traduce en cosas concretas: entender la boleta mensual del proveedor, saber que los respaldos automáticos cuestan un porcentaje fijo sobre la instancia, poner alertas de costo, y saber cuánto vale cada gigabyte de respaldo fuera del servidor.

Viabilidad con IA. Con un agente, una propuesta comercial completa — alcance, historias de usuario, arquitectura, costos de infraestructura al mes, horas estimadas, márgenes — se arma en días. Para un cliente del rubro de eventos, armamos la propuesta, una demostración funcional en producción con dominio propio y un plugin para su sitio existente. El cliente no tomó el proyecto. Se archivó con su respaldo, su etiqueta en el repositorio y un documento de cómo reactivarlo. La lección no es que la propuesta sobrara: es que la evaluación de viabilidad — cuánto invertir en una demostración antes de tener un compromiso — es una decisión de gestión que el profesional tiene que saber tomar, y que la IA abarata lo suficiente como para equivocarse barato.

Lo que hay que saber, por el lado técnico

Qué tecnología va con qué problema. No dominar cada stack: saber cuál encaja con cada tipo de solución, qué límites tiene y cuánto cuesta mantenerlo. En el laboratorio conviven una plataforma de monitoreo en tiempo real sobre Node y WebSockets, un sistema de gestión en .NET con despliegue azul-verde, una tienda del lado del servidor y un sitio estático como este. Ninguna de esas elecciones la hizo el agente; el agente escribe en lo que elijas. Elegir con criterio exige haber visto varios.

Redes, lo justo y necesario. La plataforma de monitoreo recibe tramas de rastreadores físicos por TCP en puertos propios. Eso obliga a saber qué es un puerto, qué es un firewall, por qué un servicio que escucha en todas las interfaces está expuesto a internet y cómo llega una petición desde el navegador hasta el proceso pasando por el DNS, la capa de borde y el reverse proxy. No hace falta ser ingeniero de redes. Hace falta lo suficiente para no dejar una base de datos abierta a internet durante un año sin saberlo — que es, tal cual, el caso 1 de este sitio.

Seguridad y resiliencia. El marco de la fuerza laboral en ciberseguridad del NIST describe el trabajo como tareas sustentadas en conocimientos y habilidades, con vocabulario común para formar talento (Petersen et al., 2020); sirve para delimitar qué «seguridad básica» debe dominar un generalista sin ser especialista: autenticación, TLS, control de acceso, puertos cerrados, respaldos cifrados, snapshots antes de cada cambio y — después de la segunda parte de esta serie — simulacros de desastre. Incluida la seguridad de los dispositivos propios: el computador desde donde se dirige al agente es parte de la superficie de ataque.

Publicar y operar. Subir una aplicación a las tiendas es otro trámite con reglas propias. Apple revisa cada aplicación con expertos y la rechaza, entre otras causas, por fallos, metadatos incompletos, cuentas de prueba faltantes o un backend inactivo (Apple, s. f.); Google Play exige política de privacidad en una URL pública, credenciales de prueba, declaración de audiencia y de permisos sensibles, y pistas de prueba antes del lanzamiento (Google, s. f.). Para la aplicación móvil de la plataforma de monitoreo, la guía de publicación quedó escrita en el repositorio antes de intentarlo: qué cuenta de desarrollador, qué llaves, qué capturas, qué texto de revisión. El agente arma el binario; la persona firma, responde al revisor y entiende por qué lo rechazaron.

Cómo se enseña: límites, no sintaxis; varios proyectos, no uno

La comunidad de educación en computación lleva tres años procesando este cambio. Ya en 2022, Codex «superaba a la mayoría de los estudiantes» en exámenes reales de programación introductoria (Finnie-Ansley et al., 2022). Un año después, un grupo de trabajo internacional revisó 71 artículos, encuestó a estudiantes y docentes de 20 países y concluyó que las capacidades mejoran rápido y que el currículo y la evaluación tienen que cambiar (Prather et al., 2023). Los docentes entrevistados por Lau y Guo (2023) pasaron, en pocos meses, de «prohibirlo hasta entenderlo» a «resistirse es inútil», y planeaban rediseñar la enseñanza hacia la lectura crítica de código, el diseño y problemas más abiertos. Becker et al. (2023) advirtieron que, si los educadores no actúan deliberadamente, perderán influencia sobre cómo estas herramientas moldean la enseñanza. Y la síntesis en CACM propone desplazar el foco desde escribir código hacia especificar problemas, evaluar código generado y usar las herramientas con responsabilidad (Denny et al., 2024). Hasta el currículo oficial lo reconoce: la guía CS2023 de ACM e IEEE admite que «es cada vez más difícil que los programas lo sean todo para todos» y dedica un capítulo al impacto de la IA generativa (Kumar et al., 2024).

Hay además un dato que contradice el miedo más común. En un experimento controlado con 69 novatos, el acceso a un generador de código aumentó la tasa de finalización y las puntuaciones sin degradar el rendimiento en tareas manuales posteriores (Kazemitabaar et al., 2023). La IA no impide aprender; cambia qué conviene aprender.

Nuestra propuesta concreta, desde la práctica y no desde el aula, tiene tres piezas. Primera: más teoría de límites, menos sintaxis. Buena parte de lo que listamos en los capítulos 2 y 3 se enseña de forma teórica: qué se puede y qué no se puede hacer en cada área, qué exige cada servicio, dónde están los riesgos y cuánto cuestan. Es el perfil que Demirkan y Spohrer (2018) describen para la transformación digital — una especialidad profunda y una amplitud de disciplinas y sistemas que permita colaborar y adaptarse —, heredero del profesional «en forma de T» que Hansen y von Oetinger (2001) popularizaron: profundidad en una unidad y capacidad de moverse horizontalmente por el resto.

Segunda: varios proyectos reales a la vez. Con un agente que construye y prueba, un estudiante puede llevar dos o tres proyectos informáticos en paralelo, cada uno con su servidor, su pasarela y su despliegue. El aprendizaje basado en proyectos tiene literatura sólida: la revisión de Kokotsaki et al. (2016) lo respalda con recomendaciones claras — andamiaje del docente, autonomía del estudiante, evaluación formativa. Lo que cambia con el agente es la escala: en el laboratorio, una persona lleva en paralelo una plataforma de monitoreo, un sistema de gestión, una tienda, una plataforma de cartas y este sitio, con una sesión de trabajo por proyecto y una regla estricta de que cada sesión se queda en su proyecto. La amplitud se aprende cubriendo todos los roles muchas veces, no una.

Tercera: evaluar evidencia, no código. Si el primer paper de esta serie tiene razón, el examen del futuro no pregunta «escribe una función que…». Pregunta «aquí hay un informe de pruebas de un cambio hecho por un agente: ¿qué cubre, qué deja fuera, qué le exigirías antes de desplegarlo, y qué snapshot tomarías antes?».

Lo que esto le pide a la universidad: licencias

Nada de lo anterior funciona sin acceso real a la herramienta. Un curso sobre dirigir agentes sin agentes es un curso de natación sin piscina. Y eso obliga a la universidad a trabajar con alguna de las grandes empresas de inteligencia artificial para proveer licencias a sus estudiantes — algo que ya está ocurriendo. Anthropic lanzó Claude for Education en abril de 2025 con Northeastern University como primer socio de diseño (50.000 estudiantes, docentes y personal en 13 campus) y acceso para todo el campus en la London School of Economics y Champlain College, con un «modo de aprendizaje» socrático y créditos de API para estudiantes (Anthropic, 2025). OpenAI lanzó ChatGPT Edu en mayo de 2024, nacido del uso previo en Oxford, Wharton, Texas, Arizona State y Columbia (OpenAI, 2024), y en febrero de 2025 lo llevó al sistema de la California State University: más de 460.000 estudiantes y 63.000 docentes en 23 campus, «la mayor implementación de ChatGPT por una sola organización en el mundo» (OpenAI, 2025). Google incluye Gemini for Education sin costo en todas las ediciones de Workspace for Education (Google for Education, s. f.).

En Chile el movimiento empezó, aunque todavía a escala de licencias para el trabajo académico y funcionario: en enero de 2026 la Universidad de Chile compró de forma centralizada 1.555 licencias de IA para 17 unidades, dentro de su entorno de Workspace, con capacitaciones y la garantía de que los datos no entrenan modelos (Universidad de Chile, 2026). El paso que falta es el que proponemos aquí: licencias de agentes de código para los estudiantes de las carreras de computación, como parte de la malla y no como un extra, con un acuerdo institucional que resuelva costo, privacidad y uso responsable de una vez para todos.

Hay que decir también lo que no sabemos. No sabemos si el modelo correcto es una licencia por estudiante o un presupuesto de uso por curso. No sabemos cuánto de lo que hoy enseña una carrera de cinco años sigue siendo necesario cuando el agente escribe y prueba. Y no sabemos si una universidad puede moverse a la velocidad a la que este marco cambió en seis meses. Lo que sí sabemos es que el profesional que describimos ya existe — lo vemos salir de nuestro propio laboratorio — y que se formó construyendo, con un agente al lado, varias soluciones completas a la vez.

Saber qué no se sabe, y calcularlo antes

Watney no sobrevive por ser el mejor botánico de la NASA. Sobrevive porque sabe cuánto puede pedirle a cada disciplina, calcula antes de actuar y acepta que está a merced de un sistema que no controla del todo — con un plan para cuando falle. Esa es, en una frase, la serie completa: el agente construye y se pone a prueba; la red de seguridad se teje antes; y la persona que dirige todo esto sabe qué se puede hacer en cada área, qué cuesta y dónde está el riesgo.

Hace seis meses escribimos que había que atreverse a ser el todo poderoso. Hoy agregamos que el todo poderoso ya no es quien lo sabe todo ni quien lo revisa todo. Es quien sabe qué exigirle a cada cosa. Si una universidad quiere formarlo, tiene el mapa en estas tres partes — y una invitación abierta a corregirlo con nosotros.