Por qué aprender a programar en la era de la IA
«Si ChatGPT escribe todo el código, ¿por qué debo aprender a programar?»
Es probable que más de una vez se haya hecho esta pregunta. En el laboratorio, si le indicas a la IA la dirección del código, este genera el código correspondiente; si copias y pegas un mensaje de error, te devuelve el código corregido. Ya no es necesario memorizar nombres de funciones ni recitar sintaxis de memoria.
¿Pero ha dejado realmente de ser necesaria la formación en programación?
La IA es una pipeta automática, no un diseñador de protocolos
Hagamos una analogía con el laboratorio.
Si apareció una pipeta automática (pipeta eléctrica), ¿significa que el investigador puede ignorar los principios del pipeteo? No. La pipeta automática solo realiza las tareas repetitivas de distribución por ti. Qué reactivo usar, en qué cantidad, en qué orden y bajo qué condiciones — este diseño experimental sigue siendo responsabilidad del investigador.
Lo mismo ocurre con las herramientas de codificación basadas en IA:
| Lo que hace bien la IA | Lo que debe hacer el investigador | |
|---|---|---|
| Rol | Generar código y corregir errores | Diseñar qué crear y verificar los resultados |
| Analogía | Pipeta automática | Diseñador experimental |
| Limitación | Si se le pregunta sin contexto, genera código erróneo | Si se le da contexto, produce código preciso |
La clave es que, para dar instrucciones precisas a la IA, debes conocer los conceptos básicos de la programación.
Lo que ocurre al usar la IA sin conocimientos fundamentales
Situaciones reales que ocurren en el laboratorio:
Situación 1: No se comprende el error
Ejecutas el código proporcionado por la IA y aparece un error. Copias y pegas el mensaje de error en la IA para obtener una corrección. Otro error. Otra vez copiar y pegar. En algún momento, el código es completamente diferente al original, pero no sabes qué ha cambiado.
Alguien que sabe que TypeError: Cannot read property of undefined significa «se intentó leer la propiedad de una variable no definida» puede hacer preguntas precisas a la IA. Quien no lo sabe queda atrapado en un bucle infinito frente al mismo error.
Situación 2: No se puede verificar si el código de la IA es correcto
Ejecutas el código de análisis proporcionado por la IA y obtienes resultados. Pero no puedes determinar si son correctos o incorrectos. Si hay un error off-by-one en un bucle for que omite el último elemento del array, al ver solo el resultado piensas: «parece correcto».
Incluir en un artículo los datos analizados por la IA sin verificación es equivalente a anotar los resultados experimentales en un informe sin verificarlos.
Situación 3: No se pueden redactar correctamente los prompts
Si dices «analiza los datos con Python», la IA te dará un código genérico. Si dices «lee el CSV con pandas, filtra solo las filas donde la columna OD sea menor a 0.5 y calcula el promedio por muestra usando groupby», obtendrás el código preciso.
Para poder escribir el segundo prompt, es necesario conocer los conceptos de pandas, CSV, filtrado y groupby. El buen uso de la IA en sí mismo requiere conocimientos de programación.
Los tres beneficios que aportan los conocimientos básicos de programación
1. La capacidad de validar la salida de la IA
Comprender los fundamentos de variables, funciones, bucles y condicionales permite leer el código generado por la IA y determinar "esta parte es incorrecta". No es necesario escribir código perfecto, pero la capacidad de leerlo y entenderlo es esencial.
2. El vocabulario para escribir prompts precisos
Conocer la terminología de programación permite solicitar con precisión a la IA. El resultado difiere entre quien puede decir "haz una llamada API asíncrona, analiza el JSON y luego aplica un map al array" y quien simplemente dice "trae los datos".
3. La confianza de poder hacerlo sin IA
Incluso si se corta Internet o falla la API, uno puede escribir scripts básicos directamente. Leer archivos CSV, filtrar por condiciones y guardar los resultados; esto debe ser posible sin IA. Y con esta capacidad básica, se puede usar la IA diez veces más eficazmente.
La programación para investigadores
No se trata de convertirse en un desarrollador especializado.
| Objetivo | Nivel necesario |
|---|---|
| Dar instrucciones precisas a la IA | Comprender variables, funciones, condicionales y bucles |
| Leer y modificar scripts de análisis | Lo anterior + entrada/salida de archivos, uso de librerías |
| Entender los pipelines creados por colegas | Lo anterior + módulos, manejo de errores, llamadas API |
| Crear herramientas de automatización propias | Lo anterior + frameworks, bases de datos |
Cada uno decide hasta dónde llegar. Sin embargo, la primera línea — "comprender variables, funciones, condicionales y bucles" — es una competencia básica para los investigadores en 2026. En esta era, saber leer código se ha convertido en parte de la investigación, al igual que saber leer un artículo científico.
Encontrar a la IA después de aprender los conocimientos básicos de programación
El orden es importante.
IA primero → Conocimientos básicos después: "No sé qué hace la IA y me bloqueo cuando aparece un error"
Conocimientos básicos primero → IA después: "Sé lo que quiero y la IA lo crea rápidamente"
DevBench es el proceso para este segundo caso. Entender qué son las variables, las funciones y los servidores; luego poder decirle a la IA "crea una API de gestión de muestras con Express, usa RESTful para el enrutamiento y añade logging como middleware". Esa es la verdadera capacidad de programación en la era de la IA.