¿Por qué los estudiantes STEM pueden usar la IA diez veces mejor?

Demis Hassabis, consejero delegado de Google DeepMind, sostiene que quienes dominan las bases de la informática, las matemáticas y la ingeniería podrán utilizar la inteligencia artificial hasta diez veces mejor que quienes carecen de esos conocimientos. Su tesis no es que todos deban convertirse en programadores, sino que la IA multiplica lo que una persona ya sabe: una buena formación amplía su potencia; una base endeble, también sus errores.

La afirmación contiene una respuesta bastante incómoda para quienes daban por muertas las carreras tecnológicas tras la aparición de ChatGPT y la programación mediante instrucciones en lenguaje natural. Estudiar STEM sigue teniendo sentido porque generar código es solo una parte del trabajo. Entender sistemas, detectar fallos, evaluar resultados y decidir qué debe construirse continúa exigiendo conocimientos que ningún cuadro de texto instala por arte de magia.

Hassabis hizo estas declaraciones durante una entrevista grabada en una conferencia empresarial de Londres. El responsable de DeepMind describió la evolución de la programación como una escalera: del código máquina se pasó a lenguajes como C, después a Python y, en la próxima etapa, el inglés cotidiano podría convertirse en la principal interfaz para ordenar tareas a los ordenadores. Aun así, recalcó que seguirán siendo necesarios la arquitectura de software y los buenos principios de ingeniería.

Una cifra potente, pero no una ley científica

El famoso “diez veces” debe tomarse como una estimación de Hassabis, no como el resultado de un estudio comparativo publicado. En la intervención difundida no aparece una muestra de estudiantes, una metodología ni una medición capaz de demostrar esa proporción exacta. Es una cifra redonda, muy cómoda bajo los focos de un auditorio y bastante menos dócil cuando llega la hora de abrir una hoja de cálculo.

Eso no vuelve irrelevante su razonamiento. Hassabis dirige uno de los laboratorios de inteligencia artificial más influyentes del mundo y fue galardonado, junto con John Jumper, con el Nobel de Química por el trabajo relacionado con AlphaFold, el sistema que transformó la predicción de estructuras de proteínas. Habla desde una posición privilegiada para observar cómo trabajan científicos e ingenieros con estas herramientas, aunque esa experiencia no convierta cada pronóstico suyo en una constante matemática.

La idea central es más sobria que el titular: cuanto mejor comprende alguien el problema, más puede exigirle al modelo. Un estudiante de ingeniería conoce las restricciones físicas; uno de informática puede revisar la complejidad de un algoritmo; uno de biología distingue una hipótesis plausible de una ocurrencia vestida con bata blanca. La IA produce respuestas con gran aplomo. La verdad, por desgracia para los fabricantes de demostraciones, no siempre comparte ese aplomo.

El inglés como lenguaje de programación

Cuando Hassabis afirma que el inglés puede convertirse en un lenguaje de programación, no está anunciando la desaparición inmediata de Python, Java o C++. Habla de una nueva capa de abstracción: el usuario describe un objetivo con palabras y el modelo traduce esa intención en código, consultas, pruebas, interfaces o procesos completos.

Ya ocurre. Una persona puede pedir una aplicación sencilla, una fórmula estadística o un programa que clasifique documentos sin escribir cada línea. Es lo que suele llamarse vibe coding: desarrollar software conversando con una IA, revisando sus propuestas y corrigiendo el rumbo. El término tiene algo de fiesta improvisada y, a veces, el resultado también.

La ventaja de las instrucciones naturales es evidente: reduce la barrera de entrada. La desventaja aparece cuando el usuario confunde facilidad de generación con fiabilidad. Un modelo puede crear en segundos un sistema que parece funcionar, pero emplea una biblioteca inadecuada, duplica procesos, expone datos privados o se derrumba al recibir la primera entrada no prevista.

Saber conversar con la IA no equivale a saber construir

Una petición bien redactada ayuda, pero no sustituye el conocimiento del dominio. Dos personas pueden escribir la misma instrucción y obtener una respuesta similar; la diferencia aparece después. Una sabrá comprobarla, diseñar pruebas, detectar dependencias peligrosas y decidir si el resultado encaja en un sistema mayor. La otra verá una pantalla sin errores y asumirá que la obra está terminada.

Ahí se encuentra la ventaja técnica descrita por Hassabis. No consiste únicamente en formular mejores órdenes, sino en hacer mejores preguntas al resultado: qué ocurre si aumenta el tráfico, cómo se protege la información, qué coste tendrá mantenerlo, qué partes pueden fallar y quién responderá cuando fallen.

El error invisible cuesta más que el código

La programación asistida abarata la producción de código, pero puede encarecer su revisión. Cuantas más líneas genera una organización, más superficie debe probar, mantener y proteger. Una función defectuosa escrita a mano ya era un problema; miles de funciones plausibles producidas a toda velocidad componen un bosque en el que la avería puede caminar con zapatos de camuflaje.

Por eso los fundamentos siguen importando. Las estructuras de datos, la lógica, la estadística, la arquitectura de sistemas o la ciberseguridad quizá resulten menos vistosas que pedirle a un chatbot una aplicación completa. Son, sin embargo, lo que permite saber si detrás de la fachada hay un edificio o un decorado de cartón.

Los estudios dibujan un mapa bastante menos limpio

La investigación disponible confirma que la IA puede elevar la productividad, aunque los resultados varían enormemente según la tarea, la experiencia del trabajador y el modo de medirla. Un experimento controlado sobre GitHub Copilot encontró que los participantes terminaron una prueba concreta de programación un 55,8% más rápido cuando utilizaron el asistente. Era una tarea delimitada: construir un servidor HTTP en JavaScript, no mantener durante años la infraestructura de un banco.

Otro ensayo con 96 ingenieros de software de Google estimó una reducción cercana al 21% del tiempo dedicado a una tarea empresarial compleja. Los propios autores advirtieron de que el intervalo de confianza era amplio y de que el resultado no podía trasladarse automáticamente a todos los entornos, herramientas o equipos. La ciencia, esa aguafiestas, suele añadir letra pequeña donde el marketing coloca confeti.

El contraste llegó con un estudio sobre desarrolladores experimentados que trabajaban en sus propios repositorios de código abierto. Con las herramientas disponibles a comienzos de 2025, los participantes tardaron aproximadamente un 19% más cuando podían utilizar IA. Los programadores creían que habían acelerado; el cronómetro decía otra cosa. La investigación ha continuado porque el rendimiento cambia deprisa y una fotografía tecnológica envejece casi mientras se revela.

También existe una paradoja que matiza el mensaje de Hassabis. En un análisis sobre más de 5.000 trabajadores de atención al cliente, la IA elevó la productividad media cerca de un 14%, pero el beneficio fue mucho mayor entre los empleados menos experimentados. El sistema parecía transmitir parte de las prácticas de los mejores trabajadores a quienes acababan de llegar.

No hay una contradicción obligatoria. Una persona principiante puede obtener el mayor salto porcentual porque parte de un nivel inferior, mientras alguien con conocimientos profundos puede alcanzar un resultado final más sofisticado, seguro y útil. Una calculadora ayuda más a quien se atasca con una división; eso no significa que lo convierta en matemático.

STEM y humanidades: la pareja que nadie debería divorciar

Hassabis no limitó su recomendación a las ciencias. También defendió la importancia de la filosofía, la economía y otras disciplinas humanísticas para comprender el mundo que la IA está ayudando a construir. No es un adorno amable colocado al final del discurso. Es probablemente la parte más política —y más sensata— de su intervención.

La tecnología decide cada vez más quién obtiene un crédito, qué currículum supera un filtro, qué contenido aparece primero y qué comportamiento se considera sospechoso. Diseñar esos sistemas exige matemáticas y software, pero también preguntas sobre poder, responsabilidad, justicia y libertad. Un algoritmo puede optimizar una decisión sin comprender si la decisión merece ser optimizada.

La economía permite estudiar incentivos, desigualdad y concentración empresarial. La filosofía ayuda a discutir límites y responsabilidades. El derecho define garantías. La historia recuerda que toda tecnología presentada como neutral termina viviendo dentro de instituciones, intereses y conflictos muy humanos. La máquina puede calcular la ruta; elegir la sociedad a la que conduce sigue siendo asunto nuestro.

Separar STEM y humanidades sería una torpeza educativa de primera categoría. Formar ingenieros sin perspectiva ética produce técnicos capaces de construir cualquier cosa sin detenerse demasiado a pensar para quién. Formar humanistas sin alfabetización tecnológica deja el debate público en manos de quienes dominan el sistema y también el vocabulario. La democracia necesita ambas miradas, no dos facultades observándose desde aceras opuestas.

La universidad ante una herramienta que cambia cada semestre

Las universidades afrontan un dilema menos dramático de lo que parece. No tienen que elegir entre prohibir la IA o convertir cada asignatura en un curso de instrucciones para chatbots. Deben enseñar a utilizarla sin permitir que sustituya el aprendizaje real que luego hará posible evaluarla.

Un estudiante puede emplear un modelo para explorar soluciones, comparar enfoques o recibir explicaciones alternativas. Pero debería seguir demostrando que comprende los conceptos, puede justificar sus decisiones y sabe trabajar cuando la herramienta se equivoca. Copiar una respuesta convincente no es aprender; es alquilar durante unos minutos la apariencia del conocimiento.

Tampoco tendría demasiado sentido diseñar carreras alrededor de la aplicación de moda. Los productos cambian, los modelos se actualizan y las interfaces envejecen. Los fundamentos duran más: razonamiento matemático, método científico, programación, análisis de datos, expresión escrita, lectura crítica y capacidad para aprender nuevas herramientas sin rendirles culto.

El valor de una titulación tecnológica ya no estará en memorizar cada instrucción de un lenguaje. Estará en comprender cómo se organiza un sistema, cómo se valida una hipótesis y qué consecuencias tiene una decisión. La IA puede redactar código. No asume la responsabilidad profesional, legal o moral cuando ese código afecta a una persona.

La ventaja seguirá siendo entender lo que ocurre

Demis Hassabis acierta al rechazar la idea de que la inteligencia artificial vuelve inútiles los estudios científicos y tecnológicos. La automatización no elimina el conocimiento: eleva el nivel desde el que debe aplicarse. Las tareas mecánicas pierden valor; aumenta la importancia de diseñar, verificar, integrar y decidir.

Su cifra de diez veces resulta imposible de aceptar como una medida universal. La evidencia disponible ofrece mejoras notables, efectos modestos e incluso retrocesos, según el contexto. Pero el fondo del mensaje resiste: una herramienta potente rinde más en manos de quien conoce el material que está trabajando.

La IA permitirá hacer cosas complejas con palabras corrientes. Eso es extraordinario. También permitirá fabricar errores complejos con una soltura nunca vista. Entre ambas posibilidades no habrá un truco secreto ni un prompt ceremonial, sino algo bastante menos glamuroso y más valioso: criterio, formación y conocimiento real.