La inteligencia artificial transformará la enseñanza de la computación: descubra cómo

Las herramientas de programación con IA automatizan cada vez más las tareas rutinarias de desarrollo. Esto podría transformar la enseñanza de las ciencias de la computación, pasando de memorizar sintaxis a resolver problemas con mayor profundidad. Aravind Srinivas, CEO de Perplexity, respaldó esta postura en marzo de 2026, sugiriendo que la educación informática podría regresar a sus raíces en matemáticas, física y pensamiento a nivel de sistemas.

Durante años, la formación en ciencias de la computación estuvo marcada por una limitación práctica: los estudiantes debían aprender suficiente sintaxis para convertir sus ideas en código funcional.

Sin embargo, ahora que los modelos de lenguaje generan código base, corrigen errores y navegan repositorios con gran eficacia, esa prioridad cambia. En marzo de 2026, el CEO de Perplexity AI, Aravind Srinivas, respaldó una publicación que plantea que los LLM automatizan cada vez más la programación rutinaria. Esta tendencia podría transformar la forma de enseñar computación, fortaleciendo las bases en matemáticas, física y razonamiento lógico. (ndtv.com)

Esto no significa dejar de enseñar programación. Indica que el mayor valor profesional estará en etapas previas: pasar de escribir sintaxis sin errores a definir problemas de negocio, diseñar arquitecturas y tomar buenas decisiones técnicas.

La postura de Srinivas

NDTV informó que Srinivas compartió en X la reflexión de un estudiante de física e inteligencia artificial con el comentario: "Muy bien dicho". El argumento central señalaba que, a medida que la IA asume el trabajo repetitivo, la ingeniería de software dependerá mucho más del pensamiento crítico, la resolución de problemas y la visión sistémica que del dominio exclusivo de la sintaxis. (ndtv.com)

La publicación describió este cambio como un movimiento en el centro de gravedad: alejarse de la escritura manual de código y avanzar hacia el pensamiento analítico y la comprensión matemática. (ndtv.com)

Por qué este tema es clave hoy

Gran parte del debate educativo sobre IA generativa se centra en las evaluaciones y el plagio. Aunque son temas importantes, no representan el panorama completo.

El desafío de fondo es la relevancia de las habilidades: si las empresas esperan que los ingenieros colaboren con asistentes de IA, los profesionales deben destacar en:

• definir requisitos con claridad

• evaluar resultados con criterio técnico

• comprender algoritmos, complejidad y restricciones

• diseñar sistemas e interfaces confiables

• analizar casos límite, seguridad y rendimiento

Estas capacidades son mucho más difíciles de automatizar que el código básico.

¿Qué ajustes requiere un plan de estudios moderno?

1) Enseñar a programar con foco en el razonamiento y el diseño

Los estudiantes aún deben comprender la lógica del software, pero el criterio de evaluación puede evolucionar de escribir estructuras de memoria a:

• elegir una solución técnica y justificarla

• identificar posibles fallas y balances de costo-beneficio

• analizar la complejidad de tiempo y memoria

• crear pruebas de calidad y explicar su cobertura

• interpretar y optimizar código generado por IA

2) Convertir la revisión de código en una competencia central

Si la IA puede redactar código, los estudiantes deben formarse para auditarlo, garantizando su precisión, seguridad, facilidad de mantenimiento y desempeño.

Ejercicios recomendados:

• "La IA generó esta función: identifique el error".

• "Esta solución funciona pero es inestable: reestructure el código".

• "Agregue pruebas que eviten fallas futuras".

3) Rediseñar las evaluaciones para un entorno con IA

En lugar de prohibir herramientas, conviene plantear evaluaciones que integren su presencia:

• defensas orales para sustentar decisiones técnicas

• resolución de casos prácticos en tiempo real frente a un evaluador

• proyectos con control de versiones que expliquen cada cambio

• énfasis en el criterio de análisis por encima del volumen de entregables

4) Fortalecer matemáticas, modelado y diseño de sistemas

El planteamiento de Srinivas sobre volver a la matemática y la física se traduce en entender restricciones y modelos: optimización, probabilidad, álgebra lineal, matemática discreta y arquitectura de software.

Esto no busca convertir a cada graduado en teórico, sino asegurar que entienda con claridad por qué un sistema responde de cierta forma.

Impacto en la contratación y el desarrollo de talento corporativo

Para quienes lideran equipos de tecnología, la evolución formativa por la IA impacta de forma directa la planeación del talento.

Competencias clave para buscar y desarrollar:

• capacidad para estructurar problemas y comunicarse con claridad

• solidez en diseño de sistemas

• disciplina en pruebas y revisión técnica de código

• prácticas de seguridad integradas desde el inicio

• habilidad para usar herramientas de IA asumiendo la responsabilidad del resultado final

Próximos pasos

Si su organización busca actualizar sus marcos de competencias o incorporar IA de forma segura en sus proyectos:

• Evalúe su nivel de preparación: identifique brechas en gobierno, habilidades y madurez operativa: https://www.gend.co/ai-readiness-execution-pack

• Estructure un modelo de entrega: defina controles, métricas y acompañamiento para la adopción de herramientas de IA: https://www.gend.co/ai-services

• Establezca políticas claras a tiempo: fije lineamientos sobre plataformas autorizadas, manejo seguro de datos y responsabilidades de los equipos: https://www.gend.co/blog/ai-governance-evolving-board-strategies

Preguntas frecuentes

P1. ¿Reemplazará la IA la necesidad de aprender programación?
No. Los desarrolladores aún necesitan comprender cómo opera el software. El cambio principal es que el valor profesional se concentra ahora en definir el problema, diseñar la solución y validar el código que genera la IA.

P2. ¿Qué deben priorizar los estudiantes si la IA escribe cada vez más código?
Habilidades lógicas de base: algoritmos, complejidad, pruebas, seguridad, arquitectura de sistemas y criterio técnico para perfeccionar el trabajo asistido por IA.

P3. ¿Cómo pueden evaluar las universidades de forma justa ante el uso de IA?
Mediante formatos que exijan justificación y razonamiento propio, como sustentaciones orales, ejercicios prácticos en vivo y análisis crítico de soluciones.

P4. ¿Qué implica el pensamiento computacional en esta etapa de la IA?
Es la habilidad de modelar escenarios de negocio, definir abstracciones, anticipar riesgos de operación y validar resultados, sin importar quién haya redactado la primera versión del código.

P5. ¿Cuál es el mayor riesgo para quienes aprenden a programar con IA?
Confiar a ciegas en las respuestas automáticas. Sin bases técnicas sólidas, un profesional puede validar código vulnerable o erróneo, limitando su capacidad para diagnosticar fallas y tomar decisiones acertadas.