TL;DR
· Un emprendedor de IA afirma que los agentes que escriben código están cambiando la jerarquía de habilidades profesionales tempranas.
· Las tareas puntuables son más adecuadas para los modelos; los humanos deben aprender a identificar problemas, asignar tiempo y herramientas.
· La remuneración en efectivo no es el único objetivo; las relaciones, la reputación y la calidad de la entrega marcarán la diferencia.

Un emprendedor que, según su propio relato, ha trabajado en empresas como Scale AI, DeepMind, OpenAI y Google, y que ahora participa en una compañía nativa de agentes, ha redactado un extenso artículo en inglés ofreciendo nuevos consejos profesionales para los jóvenes. El contexto es que las herramientas de codificación con IA han pasado de completar código a agentes de ingeniería de software más completos. Cuando OpenAI lanzó Codex en 2025, afirmó que podía manejar tareas como escribir funciones, corregir errores y proponer PR en la nube de forma paralela, aunque aún requería revisión y verificación humana del código. La pregunta entonces se convierte en: cuando las respuestas estándar, el código común y las tareas puntuables son cada vez más baratas, ¿dónde deberían los jóvenes invertir su tiempo?

El núcleo de este artículo no es «los programadores serán reemplazados», sino que los criterios de selección profesional temprana están cambiando. Las escuelas y las entrevistas tradicionales entrenan en gran medida problemas bien definidos, con respuestas claras y que pueden ser calificados, y esto es precisamente donde los modelos avanzan más rápido. En el futuro, lo que realmente diferenciará a las personas podría ser la capacidad de descubrir problemas importantes, elegir entornos de alto valor, construir una reputación confiable y seguir perfeccionando los resultados de calidad media generados por los agentes hasta hacerlos entregables.

La oferta en efectivo ya no es la única respuesta; el tiempo y la reputación son más escasos

En la evaluación del autor, en el entorno emprendedor de la IA, el capital y las herramientas son más fáciles de obtener que en el pasado, pero el tiempo de alta calidad, las relaciones sólidas y la reputación confiable siguen siendo escasos.

Explica esto con su experiencia personal. Antes de unirse a Scale AI, afirma que había recibido una oferta de un puesto cuantitativo con mayor garantía en efectivo, pero finalmente eligió Scale porque allí había una comunidad más fuerte, un panorama de productos más amplio y más oportunidades para estar en contacto con problemas de vanguardia. Según su recuerdo, fue a través de Scale que entró en contacto con proveedores de inferencia de modelos grandes, obtuvo oportunidades en DeepMind y OpenAI, y conoció a un grupo de colegas que luego emprenderían juntos.

Estas experiencias no se pueden extrapolar simplemente como la fórmula profesional para todos, pero la advertencia es directa: la elección profesional temprana no debe basarse solo en el efectivo inmediato. Especialmente después de que la IA ha reducido el umbral para construir software, crear rápidamente una pequeña herramienta que genere dinero ya no es raro; la rentabilidad a largo plazo a menudo proviene de problemas más difíciles, grupos de personas más fuertes y un historial profesional más confiable.

Lo que los jóvenes deben preguntarse no es «¿qué oportunidad me da más dinero de inmediato?», sino si vale la pena invertir tiempo en esto, si se puede trabajar con personas excelentes, si su buen trabajo puede ser visto por personas confiables, y si se convertirá en la base de crédito para la próxima oportunidad.

El valor del ingeniero pasa de «resolver problemas» a «encontrar problemas»

Cuando los agentes pueden manejar cada vez más problemas con límites claros, el valor del ingeniero ya no es solo «si puede resolverlo», sino «si puede elegir el problema correcto».

El autor menciona que su equipo ha rediseñado el método de entrevistas. La razón es que si en el trabajo real ya no es necesario escribir cada línea de código a mano, entonces evaluar solo algoritmos y diseño de sistemas tradicionales tendrá una correlación menor con el rendimiento laboral. Una prueba más significativa es ver si el candidato puede comprender rápidamente el entorno, encontrar problemas que valgan la pena resolver, y luego movilizar herramientas de IA y recursos externos para obtener resultados.

Esta es también la nueva división del trabajo después de que los agentes escriban código. Los modelos son buenos para manejar tareas con objetivos claros y retroalimentación definida; los humanos deben juzgar qué problemas son importantes, qué caminos vale la pena probar, y cuánto tiempo y costo de invocación de modelos se debe invertir.

Para los estudiantes, que la IA pueda hacer las tareas puede generar frustración. Pero desde la perspectiva de la contratación, las diferencias entre candidatos no han desaparecido. Incluso si todos pueden obtener respuestas usando IA, algunos necesitan muchos intentos y pruebas de errores y prompts, mientras que otros pueden colaborar con el agente aportando intuición comercial, antecedentes técnicos y contexto, encontrando el camino más rápido.

El llamado «saber usar IA» no es solo lanzar el problema al modelo. Las capacidades más fuertes incluyen descomponer problemas, identificar información faltante, juzgar cuándo seguir iterando y cuándo cambiar de rumbo, y verificar si los resultados realmente resuelven las contradicciones clave del negocio o la tecnología.

Cuanto más fácil sea hacer software, más hay que acercarse a problemas más difíciles

La IA ha reducido el umbral para construir software y también ha facilitado la replicación de sistemas simples. El autor utiliza la «lección amarga» de la investigación en aprendizaje automático para explicar las opciones profesionales: a largo plazo, escalar métodos generales a menudo supera a la optimización fina para una sola tarea.

Aplicado a empresas y carreras individuales, esto significa que el foso de los resultados simples se vuelve más delgado. Cualquiera puede hacer más fácilmente un sistema que parezca utilizable, y el valor realmente duradero se concentra en problemas suficientemente difíciles y ambiciosos.

Al elegir una empresa, el autor da el siguiente criterio: si la empresa está resolviendo la versión más ambiciosa de ese problema y si realmente tiene la oportunidad de resolverlo. Al elegir un puesto, hay que ver si ese rol permite estar directamente en contacto con los problemas de vanguardia que la empresa está resolviendo.

También menciona que no hay que fijarse solo en si el producto inicial es bonito o si el demo es impresionante. Según su evaluación subjetiva, el demo inicial de Anthropic en ese momento parecía solo un Slackbot inferior a ChatGPT, pero eso no impidió que la empresa tomara un rumbo completamente diferente más tarde. Las empresas tempranas cambian, los productos cambian, y la calidad del equipo, el espacio de mercado y la dificultad del problema influyen más en los resultados a largo plazo.

Las oportunidades profesionales siguen una lógica similar. Las oportunidades de alta calidad no siempre se convierten en resultados, pero primero hay que estar en una posición donde se puedan ver las oportunidades. Si se puede llegar a esa posición todavía depende de la capacidad acumulada a largo plazo, la reputación y si otros están dispuestos a compartir las oportunidades contigo.

Los resultados comunes son más baratos, el último 10% vale más

Cuando un simple prompt permite que un agente genere resultados de calidad media, el valor de la producción común disminuye y el valor del pulido final aumenta.

El artículo cita a Alfred Lin de Sequoia Capital, quien dice que el último 10% suele ser el 90% del trabajo y también el 90% de la recompensa. En la era de la IA, esta frase tiene más sentido práctico. Debido a que los resultados de 70 puntos son cada vez más fáciles de obtener, lo que realmente distingue a las personas es la perspectiva única, la atención al detalle, la capacidad de iteración, la calidad de la arquitectura, la escalabilidad y la creatividad.

La primera versión de la salida de la IA rara vez es perfecta directamente. El verdadero trabajo a menudo ocurre en iteraciones posteriores: descubrir qué está mal, qué partes necesitan ser refactorizadas, qué experiencias no son fluidas, qué casos límite no se cubrieron, y cuándo es el momento de usar la próxima generación de modelos para empezar de nuevo.

Estas capacidades se pueden desarrollar a través de proyectos, prácticas y trabajo real. Dedicar un poco más de tiempo a pulir, mantener la arquitectura limpia, pensar bien en la escalabilidad, y llevar los detalles hasta el punto de que los usuarios realmente quieran usarlo, dejará huella en el portafolio y en las entrevistas.

Las habilidades tradicionales de ingeniería no han perdido validez. El cambio es que la escasez de escribir código ha disminuido, y el juicio, la estética, la comprensión del sistema y la calidad de la entrega se han vuelto más caros. La IA puede llevar a más personas a un nivel intermedio, pero la brecha restante es aún más difícil de cerrar.

El umbral de la investigación ha bajado, pero la investigación no es un título

El artículo termina extendiéndose a «cómo entrar en la investigación». El autor cree que la IA no ha hecho que la investigación sea solo para laboratorios de primer nivel, sino que ha reducido el umbral de entrada temprana.

La investigación moderna ciertamente depende más de la capacidad de cómputo, pero el punto de partida puede ser muy simple: usar modelos existentes, convertir la propia intuición en evaluaciones, participar en tablas de clasificación de optimización pública, aprovechar los créditos que las plataformas de cómputo en la nube ofrecen a estudiantes e investigadores, y probar ideas lo antes posible. La mayoría de las ideas terminan fracasando al escalar, pero entender el fracaso es parte de desarrollar el juicio investigador.

Un investigador es ante todo una forma de trabajar, no solo un puesto. La investigación en laboratorios de vanguardia a menudo mezcla curiosidad, prueba de nuevas ideas, integración con infraestructura, comprensión de los detalles del sistema, depuración rápida y la capacidad de explicar claramente el valor de los resultados para obtener más recursos. Mucho entrenamiento no necesita esperar a tener el título de «investigador» para comenzar.

Los consejos profesionales que deja este artículo no son pesimistas. La IA ha hecho que las respuestas estándar, el código común y las tareas puntuables sean más baratos, y también ha permitido que los jóvenes se enfrenten antes a problemas reales. Las oportunidades siguen existiendo, solo que la forma de distribución ha cambiado: quien pueda encontrar problemas importantes, entrar en entornos de alta calidad, acumular una reputación confiable y llevar los resultados hasta el último kilómetro, tendrá más facilidad para obtener la próxima ronda de oportunidades.

Haga clic para conocer los puestos vacantes en BlockBeats

Bienvenido a unirse a la comunidad oficial de BlockBeats:

Grupo de suscripción de Telegram: https://t.me/theblockbeats

Grupo de discusión de Telegram: https://t.me/BlockBeats_App

Cuenta oficial de Twitter: https://twitter.com/BlockBeatsAsia