La preocupación tiene fundamento: si una empresa automatiza las tareas con las que solía introducir a sus nuevos programadores al trabajo, necesita decidir dónde ocurrirá ahora ese aprendizaje. Pero afirmar que «el nivel junior ya está ocupado por la IA» va más lejos de lo que demuestra la evidencia disponible.
Hay dos problemas que conviene separar. Uno es conseguir el primer empleo. El otro es adquirir criterio una vez dentro: entender un sistema, reconocer errores, pedir contexto y hacerse responsable de cambios. Una herramienta puede alterar ambos recorridos sin eliminar por completo una categoría profesional.
En el empleo joven hay una señal que merece atención
La revisión de agosto de 2026 de Canaries in the Coal Mine, del Stanford Digital Economy Lab, analiza nóminas de ADP en Estados Unidos hasta junio de 2026. Reporta que el empleo de personas de 22 a 25 años en ocupaciones expuestas a IA se sitúa un 19% por debajo de la trayectoria que habría seguido al ritmo de sus pares menos expuestos. La divergencia aparece principalmente en menor contratación.
Los autores no encuentran desplazamiento generalizado en toda la economía y califican los resultados como indicadores descriptivos, no estimaciones causales. Señalan limitaciones, entre ellas diferencias respecto de otras muestras y tendencias anteriores a la IA generativa. La edad tampoco equivale exactamente al rango junior. Estudio y actualización de Stanford.
Por tanto, sí existe una señal laboral relevante. No permite afirmar que todos los puestos iniciales de programación hayan desaparecido ni trasladar directamente el porcentaje a México. Tampoco demuestra que una sola causa explique las decisiones de contratación de cada empresa. El problema merece investigarse precisamente porque el acceso al trabajo puede deteriorarse antes de que se observe una eliminación completa de ocupaciones.
Terminar una tarea y aprender a hacerla son resultados diferentes
Shen y Tamkin estudiaron en 2026 a 52 ingenieros, principalmente junior, que aprendían a utilizar una biblioteca de Python. En el experimento aleatorizado, el grupo con asistencia de IA promedió 50% en la evaluación posterior y el grupo sin asistencia 67%: una diferencia de 17 puntos porcentuales. La pequeña diferencia de tiempo no fue estadísticamente significativa.
El trabajo se realizó en el entorno de investigación de Anthropic. Mide comprensión inmediata tras una tarea acotada; no sigue carreras durante años. Su análisis de formas de uso encontró mejores resultados entre participantes que buscaban comprender, pero esa agrupación observacional no demuestra qué estrategia causa mayor aprendizaje. Diseño, resultados y limitaciones del estudio.
La distinción es importante para la premisa inicial. Aunque una herramienta complete un ejercicio, eso no acredita que la persona haya adquirido la habilidad necesaria para supervisar el siguiente. También impide concluir que utilizar IA necesariamente arruina el aprendizaje: el modo de interacción y la evaluación importan, y todavía falta evidencia longitudinal.
La velocidad tampoco es una propiedad universal
METR estudió 246 tareas reales realizadas por 16 desarrolladores experimentados en repositorios que conocían. Con herramientas de comienzos de 2025, disponer de IA incrementó el tiempo de terminación en 19%, aunque los participantes creían haber trabajado más rápido. Es un resultado delimitado a esas personas, herramientas y proyectos; no mide la productividad de los modelos actuales ni la de principiantes. Experimento de METR.
Los tres trabajos responden preguntas diferentes. Stanford observa empleo; el experimento de aprendizaje mide comprensión; METR mide tiempo en un entorno particular. Sumarlos como si demostraran que «la IA reemplazó al junior» produciría una conclusión que ninguno evaluó. Lo que sí permiten es cuestionar dos atajos: asumir que producir más implica aprender más y asumir que toda tarea se acelera por igual.
El riesgo de vaciar la etapa de aprendizaje
Como análisis editorial, el riesgo más serio es que se eliminen oportunidades de práctica mientras se mantienen las expectativas de experiencia. Una organización podría dejar de asignar cambios pequeños, reducir acompañamiento y después exigir que las nuevas contrataciones comprendan sistemas complejos desde el primer día.
Es una hipótesis sobre el funcionamiento de la formación, no una predicción demostrada de escasez futura de seniors. Para comprobarla harían falta seguimientos de cohortes: qué tareas reciben los principiantes, cuánto acompañamiento tienen, qué aprenden y cómo evolucionan sus responsabilidades.
Tampoco conviene idealizar cualquier tarea repetitiva. Copiar el mismo formulario durante meses no garantiza criterio profesional. La práctica forma cuando obliga a comprender algo, ofrece retroalimentación y permite corregir. El objetivo sería conservar ese ciclo, incluso si cambia la forma de producir el código.
Una ruta posible de escuela a responsabilidad profesional
Las siguientes son propuestas editoriales, no soluciones cuya eficacia quede demostrada por los estudios anteriores:
- Asignar problemas pequeños completos. Un cambio puede ser acotado y aun así exigir entender un reporte, localizar la causa, proponer una solución y comprobarla. Conviene evaluar ese recorrido, además de la velocidad de escritura.
- Separar práctica y entrega. Durante una sesión de aprendizaje, pedir primero una hipótesis y un intento propio. Después utilizar IA para contrastar alternativas. El objetivo y el tiempo reservado deben quedar explícitos.
- Pedir explicación y transferencia. Tras resolver una tarea con ayuda, plantear otra parecida o introducir una falla nueva. Poder explicar el código conocido no acredita automáticamente poder diagnosticar un caso distinto.
- Acercar la operación con supervisión. Participar en revisiones, observar un incidente y practicar una recuperación en un entorno seguro permite conocer consecuencias que una demostración aislada no muestra.
- Reservar tiempo del mentor. Si la empresa quiere futuros profesionales autónomos, debe reconocer el acompañamiento como trabajo y no como un favor que ocurre después de la jornada.
Para quien empieza, un portafolio puede mostrar decisiones, fallas encontradas y correcciones explicadas. Esa evidencia permite conversar sobre comprensión aunque parte del código se haya generado. Para quien contrata, pedirla ayuda a distinguir una demostración atractiva de una persona que entiende qué hizo.
Acinsoft explica su enfoque de desarrollo por etapas, una referencia para dividir objetivos en avances revisables. Aquí la utilidad es pensar cómo dar responsabilidad gradual; no se anuncia un programa de empleo o mentoría.
La evidencia justifica tomar en serio el acceso al empleo y la formación. Todavía no justifica declarar desaparecido al junior. La decisión que sí está al alcance de las empresas es dónde reservarán la práctica que esperan encontrar, más adelante, en sus profesionales experimentados.