Aprender a programar con IA: la habilidad de depurar en riesgo

Aprender a programar con IA se siente increíble. El código corre, los errores desaparecen, el proyecto queda listo. Pero un estudio aleatorizado publicado en 2026 encontró que quienes aprendieron una biblioteca de programación nueva con un asistente de IA sacaron un 17% menos en una prueba posterior que quienes aprendieron sin él. Y tampoco fueron significativamente más rápidos. La mayor diferencia estuvo en las preguntas de depuración, es decir, de encontrar y arreglar errores.

La razón es casi demasiado simple: quienes no tenían IA se toparon con más errores, y arreglar esos errores fue justamente lo que les enseñó. Al grupo con IA, los errores se los arreglaban. Si tu hijo está aprendiendo a programar con IA hoy, esa es la habilidad que hay que proteger.

Puntos clave

• En el estudio aleatorizado de Shen y Tamkin (52 programadores, preprint de 2026), el grupo con IA sacó un 17% menos en una prueba sobre la biblioteca que acababa de usar, sin ahorrar tiempo de forma significativa.
• La mayor brecha estuvo en las preguntas de depuración. Según los autores, el grupo sin IA se encontró con más errores durante la tarea y se volvió más capaz de depurar.
• Al grupo con IA la tarea le pareció más fácil, y el grupo sin IA dijo haber aprendido más. Fácil y aprendido no fueron de la mano.
• Tres hábitos con IA conservaron el aprendizaje: hacer solo preguntas de conceptos, pedir código con explicaciones y generar código para después hacer preguntas hasta entenderlo.
• Los niños pueden usar IA mientras aprenden a programar si la IA explica y el niño escribe, corre y arregla.

Qué hizo el estudio y qué encontró

“How AI Impacts Skill Formation” (“Cómo afecta la IA la formación de habilidades”) es un preprint de Judy Hanwen Shen y Alex Tamkin, publicado en arXiv en enero de 2026. Shen trabajó dentro del programa de becarios de Anthropic y Tamkin es de Anthropic, que también publicó un resumen del estudio. No tiene revisión por pares.

El diseño: participantes con al menos un año de experiencia en Python aprendieron Trio, una biblioteca de Python para programación asíncrona, elegida porque iba a ser nueva para ellos. Hicieron dos tareas de programación que cubrían siete conceptos centrales, con o sin un asistente de IA. Después todos rindieron una prueba de 27 puntos con preguntas de conceptos, de lectura de código y de depuración, pero sin preguntas de escribir código. La forma de calificar se registró antes del experimento.

Los resultados principales, con 52 participantes (26 por grupo):

• Notas más bajas con IA. El grupo con IA sacó en promedio 4,15 puntos menos, alrededor de un 17%, o “dos notas” de diferencia (d de Cohen = 0,738; p = 0,010).
• Sin ganancia real de velocidad. Usar IA no mejoró de forma significativa el tiempo para completar la tarea.
• La mayor brecha, en depuración. En un análisis que los autores llaman exploratorio y que no estaba registrado de antemano, la diferencia más grande apareció en las preguntas de depuración y la más chica en las de lectura de código.
• Más fácil no es lo mismo que aprendido. Al grupo con IA la tarea le pareció más fácil. El grupo sin IA reportó haber aprendido más. A los dos la prueba les resultó igual de difícil.

Un detalle de las pruebas piloto vale la pena: en una primera ronda, el 35% de las personas a las que se les pidió no usar IA la usó igual, copiando las instrucciones en un chatbot. Los investigadores tuvieron que cambiar de plataforma y usar grabaciones de pantalla para que la condición sin IA fuera real. Eso te dice lo fuerte que es la tentación, incluso para adultos a los que les pagaban por resistirla.

Por qué el aprendizaje está en los errores

Aquí va el mecanismo, en términos de ingeniería. Para arreglar un error tienes que armar un modelo de cómo funciona el sistema, compararlo con lo que pasó de verdad y encontrar dónde no coinciden. Cada error arreglado actualiza tu modelo. Eso es aprender.

Los registros de errores del estudio lo hacen visible. El grupo sin IA se topó con muchos más errores relacionados con conceptos clave de Trio, como TypeError y RuntimeWarning, errores que solo se superan entendiendo cómo funciona la biblioteca. Con IA, muchos de esos errores nunca aparecieron, porque la IA escribió código correcto, o los arregló la IA.

Esto coincide con décadas de investigación en educación. Una revisión de 2008 en Computer Science Education, de Renée McCauley y colegas, describió la depuración como una habilidad difícil de aprender para los novatos y difícil de enseñar para los profesores. En una unidad de textiles electrónicos en secundaria, Deborah Fields, Yasmin Kafai y colegas (British Journal of Educational Technology, 2021) llegaron a pedirles a los estudiantes que diseñaran proyectos con fallas a propósito, porque eso los vuelve protagonistas de su aprendizaje y de cometer y resolver errores. Lo explicamos a fondo en nuestra nota sobre la IA, la depuración de código y el aprendizaje de los niños.

Las seis formas de usar la IA y cuáles conservaron el aprendizaje

Shen y Tamkin revisaron las grabaciones del grupo con IA y clasificaron su comportamiento en seis patrones. Los grupos son muy chicos (de dos a siete personas), así que tómalos como hipótesis útiles.

Patrón	Qué hizo la persona	Resultado en la prueba	Versión para niños
Delegación total (4 personas)	La IA escribió todo el código	Bajo; el más rápido	”Hazlo funcionar por mí”
Dependencia progresiva (4)	Hizo una o dos preguntas y después delegó todo	Bajo	”Solo una pista… bueno, escríbelo tú”
Depuración con IA (4)	Usó la IA para arreglar o verificar el código, sin entender	Bajo; además lento	”Arréglame el error”, una y otra vez
Generar y después entender (2)	Generó código y luego hizo preguntas para entenderlo	Alto	”Escríbelo y después enséñame cómo funciona”
Código con explicación (3)	Pidió código junto con la explicación	Alto; más lento	”Muéstrame y explícame cada línea”
Consulta conceptual (7)	Solo hizo preguntas de conceptos; escribió el código y arregló los errores solo	Alto; el más rápido entre los que sacaron buena nota	”Explícame la idea; yo lo armo”

Fíjate en dos cosas. La “depuración con IA” rindió mal aunque la persona estuvo ocupada con la IA todo el tiempo. Estar activo no es aprender. Y la “consulta conceptual”, el grupo que se topó con muchos errores y los resolvió solo, fue el más rápido de los que sacaron buena nota. Entender también rinde en velocidad.

Cómo enseñarle a tu hijo a programar con IA sin perder la depuración

De 5 a 8 años: errores sin pantalla

A esta edad, programar es sobre todo secuencias e instrucciones. Jueguen al “robot”: tu hijo te da instrucciones paso a paso para llegar a la cocina y tú las sigues al pie de la letra. Cuando chocas con una silla, él encuentra el paso equivocado y lo arregla. Herramientas como ScratchJr funcionan parecido en una tableta. No hace falta IA. La meta es que “encontrar el paso roto” se sienta como un juego, no como un fracaso.

De 9 a 12 años: la IA solo como explicadora

Cuando tu hijo use Scratch, Pilas Bloques o un curso de Python para principiantes y se trabe, pongan una regla: puede pedirle a una IA (contigo cerca) que le explique un concepto o un mensaje de error en lenguaje de niño, pero no puede pedirle el código. Que te repita la explicación con sus palabras y después intente arreglarlo solo. Ese es el patrón de consulta conceptual. Lleven un “diario de errores” en un cuaderno: el error, qué pensó y qué lo arregló.

De 13 en adelante: la regla de las dos pasadas

Los adolescentes con proyectos de verdad pueden usar más IA, con estructura. Primera pasada: escriben y depuran el código ellos, usando la IA solo para preguntas de conceptos. Segunda pasada, solo si de verdad siguen trabados después de un tiempo fijo: la IA puede sugerir código, pero ellos tienen que pedirle que explique cada línea y reescribirlo a su manera antes de meterlo en el proyecto (generar y después entender). Una vez al mes, que hagan un “simulacro de depuración” sin IA: tomar un programa que funciona, romperlo en tres lugares y arreglarlo.

La pregunta que debes hacer: “Cuando apareció el error, ¿qué pensaste que estaba mal antes de que alguien, o algo, te lo dijera?”

Aprender a programar con IA: cómo configurarlo para un niño

Escriban juntos las instrucciones de la IA

Muchos chatbots permiten fijar instrucciones permanentes. Escríbanlas juntos: “Estoy aprendiendo a programar. No escribas código por mí. Explícame conceptos y mensajes de error. Hazme preguntas. Si te pido código, recuérdame esta regla”. Es el mismo principio del tutor de IA que solo daba pistas y protegió el aprendizaje en un estudio de matemáticas publicado en PNAS (Bastani y colegas, 2025).

Separa los proyectos para aprender de los proyectos para entregar

Si tu adolescente está armando algo para compartir y a la vez aprendiendo, decidan cuál es cuál. En un proyecto para aprender, las reglas de arriba van en serio. En uno donde la meta es solo terminarlo, quizá esté bien más ayuda de IA. Tenerlo claro mantiene honestos los proyectos de aprendizaje.

Deja que el error se quede unos minutos

Las ganas de arreglar un error al instante, tuyas o de la IA, son fuertes. Pon un temporizador: cinco minutos para un niño de 10 años, quince para uno de 15, antes de cualquier ayuda. El estudio sugiere que el aprendizaje está en los errores. Pelearla un rato es justamente la idea.

Pide explicaciones, no resultados

Cuando tu hijo te muestre código que funciona, pídele que te lo explique paso a paso. Si no puede explicar una parte, esa parte todavía no está aprendida, la haya escrito quien la haya escrito. Para la parte de construir y arreglar, mira también nuestra nota sobre el fracaso en la ingeniería y la resiliencia.

Lo que no conviene hacer

No des por hecho que la ayuda de IA para programar es inofensiva porque el proyecto funciona. Al grupo con IA del estudio la tarea le pareció más fácil y produjo código que andaba, y aun así aprendió menos. Un programa que funciona no prueba una habilidad aprendida. Tampoco prohíbas la IA del todo; los patrones que sacaron buena nota muestran que puede ayudar cuando explica en lugar de reemplazar.

¿Y en América Latina?

En la región, la programación está entrando a las aulas por ley y por programas públicos, y con ella llega la tentación de que la IA escriba el código. En Colombia, la Ley 2626 de 2026, firmada en agosto, ordena incorporar pensamiento computacional, programación e inteligencia artificial a la materia de Tecnología e Informática en los colegios oficiales, con una malla curricular obligatoria. En Argentina, la iniciativa Program.AR mantiene la plataforma gratuita Pilas Bloques y anunció la llegada del programa Experience AI para capacitar a 1.700 docentes de secundaria en la enseñanza de inteligencia artificial.

Lo que estas iniciativas no pueden garantizar solas es que, en la casa, el niño siga peleando con sus propios errores. No conocemos un estudio latinoamericano como el de Shen y Tamkin, pero el mecanismo es el mismo en cualquier idioma: si la IA arregla el error, tu hijo no aprende a arreglarlo.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo tiene un diario de errores con algunas entradas que resolvió solo, y sus chats con la IA son sobre todo preguntas, no “escríbeme esto”.
• Señales de alerta en el mes 2: proyectos que funcionan pero tu hijo no puede explicar, o un patrón de pegar el error en la IA y pegar de vuelta el arreglo (la “depuración con IA”). Vuelvan a la regla de la IA solo como explicadora.
• Autoevaluación en el mes 3: ¿Tu hijo puede arreglar un error simple en su propio código sin ayuda? ¿Puede explicar con sus palabras un concepto que aprendió este mes? ¿Hizo un simulacro de depuración sin IA?

Preguntas frecuentes

¿Es malo que los niños aprendan a programar con IA?

No necesariamente, pero depende de cómo. En un estudio aleatorizado de 2026 con adultos, la ayuda de IA llevó a notas un 17% más bajas, con la mayor brecha en depuración. Aun así, quienes usaron la IA para hacer preguntas de conceptos o pedir explicaciones aprendieron bien. Los niños deberían usar la IA para que les explique, no para que escriba el código.

¿Qué encontró el estudio de Anthropic sobre IA y habilidades de programación?

El preprint de Shen y Tamkin encontró que programadores que aprendían una biblioteca nueva de Python con IA sacaron un 17% menos en una prueba posterior y no fueron significativamente más rápidos. La mayor brecha estuvo en depuración. Tres de seis formas de uso, todas con pensamiento activo, conservaron el aprendizaje. Es un estudio sin revisión por pares con 52 adultos.

¿Mi hijo puede usar GitHub Copilot o ChatGPT para las tareas de programación?

Primero revisa las reglas de la clase. Si está permitido, configura la herramienta para que explique en lugar de generar, y que tu hijo escriba y depure el código. Ferias de ciencias como ISEF solo aceptan código escrito por IA con una cita explícita de qué partes escribió la IA y un registro de prompts.

¿Por qué importa tanto depurar?

Depurar es la forma de demostrar que entiendes un sistema. Arreglar un error exige comparar tu modelo mental con lo que pasó de verdad. En el estudio, el grupo sin IA se topó con más errores y se volvió mejor depurando. Los ingenieros profesionales pasan buena parte de su tiempo depurando, y es la habilidad que la ayuda de IA reemplaza con más facilidad.

¿Cuánta IA es demasiada para un principiante?

Una buena línea: si la IA está escribiendo código que tu hijo no puede explicar, es demasiada. Los principiantes se benefician más de preguntar conceptos y arreglar sus propios errores. A medida que crecen sus habilidades, los adolescentes pueden usar la IA para generar código, pero solo si después preguntan hasta entender cada línea.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Shen, J. H., y Tamkin, A. (2026). “How AI Impacts Skill Formation.” Preprint en arXiv, sin revisión por pares. https://arxiv.org/abs/2601.20245
2. Anthropic. (29 de enero de 2026). “How AI assistance impacts the formation of coding skills.” https://www.anthropic.com/research/AI-assistance-coding-skills
3. McCauley, R., Fitzgerald, S., Lewandowski, G., Murphy, L., Simon, B., Thomas, L., y Zander, C. (2008). “Debugging: a review of the literature from an educational perspective.” Computer Science Education, 18(2), 67-92. https://doi.org/10.1080/08993400802114581
4. Fields, D. A., Kafai, Y. B., Morales-Navarro, L., y Walker, J. T. (2021). “Debugging by design: A constructionist approach to high school students’ crafting and coding of electronic textiles as failure artefacts.” British Journal of Educational Technology, 52(3), 1078-1092. https://doi.org/10.1111/bjet.13079
5. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26). https://doi.org/10.1073/pnas.2422633122
6. Society for Science. (octubre de 2025). “Use of generative AI to support a research project.” Regeneron ISEF. https://sspcdn.blob.core.windows.net/files/Documents/SEP/ISEF/2026/Rules/Generative-AI-Use-Table.pdf
7. Congreso de Colombia. (2026). “Ley 2626 de 2026.” Diario Oficial 53.602. https://sidn.ramajudicial.gov.co/SIDN//NORMATIVA/TEXTOS_COMPLETOS/7_LEYES/LEYES%202026/Ley%202626%20de%202026.pdf
8. Program.AR. (2026). Sitio oficial (Pilas Bloques y Experience AI en Argentina). https://program.ar/