Cómo se hizo realmente el ensayo sobre programación
Antes de publicar «¿Debemos seguir enseñando programación?», hice algo que le recomendaría a cualquiera que escriba bajo su propio nombre en esta era. Primero escribí el ensayo — mi argumento, mi experiencia, mi punto de vista — y solo entonces le pedí a tres herramientas separadas de investigación profunda con IA, ChatGPT, Claude y Gemini, que hicieran una sola tarea: verificar mis afirmaciones y encontrar fuentes reales y citables para las cosas que sostengo. No que lo escribieran. No que tuvieran opiniones. Que me revisaran, y que me entregaran referencias que pudiera respaldar.
Lo hicieron bien, y quiero ser justo al respecto — esto es la augmentación funcionando exactamente como debería. En gran medida confirmaron lo que yo había escrito, y las fuentes que sacaron a la luz son las que ahora aparecen al final de ese ensayo. Entre las tres sugirieron apenas un puñado de correcciones, y cada una de ellas hizo la pieza mejor y más honesta:
- Detectaron que «fluidez digital» — el término que yo celebraba — fue popularizado por Mitchel Resnick, la mente detrás de Scratch. Así que le di el crédito. Fortaleció la pieza; el final ahora se conecta con su inicio.
- Me empujaron a matizar una afirmación sobre la transferencia de habilidades para que se lea como experiencia vivida y no como ciencia establecida — porque la investigación muestra que la transferencia cercana es fuerte, pero la lejana es solo modesta. Así que mi frase se convirtió en «en mi experiencia», con la salvedad honesta añadida.
- Corrigieron un encuadre sobre el cambio de nombre de Code.org a CodeAI: no abandonó las ciencias de la computación, las integró dentro de la «fluidez digital». Lo arreglé.
- Y me permitieron anclar la analogía de la calculadora en evidencia real — con el matiz crucial de que el beneficio apareció cuando la herramienta se integró en la enseñanza, mientras que dársela a los niños demasiado pronto podía perjudicarlos.
Cuatro mejoras pequeñas y verdaderas sobre una pieza que ya había escrito con cuidado. Ese es el buen caso. Para eso sirven estas herramientas.
Entonces Gemini se ofreció a hacer una infografía
Cuando Gemini terminó su investigación, ofreció algo extra: podía convertir los hallazgos en una infografía. Dije que sí, por curiosidad. Lo que recibí era genuinamente impresionante a la vista — un visual limpio de cuatro partes, gráficos, un titular seguro, pulido profesional. Durante cerca de un minuto pensé en publicarla.
Pero no se sentía mía. Era fría. Era puramente estadística — un muro de porcentajes y gráficos de riesgo, un tono alarmista sobre una «resaca del vibe coding» y una «deuda cognitiva», enmarcado para ponerte ansioso. Mi ensayo no es ansioso. Sostiene que el fundamento perdura, que la IA augmenta en lugar de reemplazar, que la tarea es cambiar la educación bien. La infografía había derivado de mi voz hacia la de otro.
Así que hice lo que siempre hacemos. Se la entregué a nuestra propia IA — Claude Code, alineada con mi gemelo digital y mi persona y con nuestras guías publicadas — y le pedí que verificara la infografía contra cómo trabajamos realmente. Volvió con una página de sorpresas.
No era solo el tono. Bajo el pulido había problemas reales: una estadística de «adopción por desarrolladores» sin fuente verificable; una afirmación de que una red de clubes de programación opera en «180 países» cuando la cifra verificada es de alrededor de cien; y — la que me habría avergonzado — datos de gráficos inventados presentados como si vinieran de estudios nombrados, junto a hallazgos preliminares, no revisados por pares, mostrados como hechos establecidos.
Nada de esto significa que Gemini sea una mala herramienta, ni que la investigación fuera mala — el dossier subyacente era cuidadoso y en su mayoría excelente. Significa que el resultado derivó: de verificado a adornado, de mi encuadre a uno genérico, de «con fuentes» a «con apariencia de fuentes». Y derivó precisamente donde la deriva es más peligrosa — en la superficie segura y decorativa en la que los lectores más confían.
La deriva es normal. Anticípala.
Aquí está lo que la industria ha aprendido y que las personas que usan IA a menudo no: incluso cuando le das a un modelo guías, estructuras y formatos explícitos, aun así se desviará de ellos. Lo llamamos deriva. Aparece sobre todo en solicitudes complejas y — contraintuitivamente — en solicitudes que son solo ligeramente distintas de lo que sueles pedir, porque el modelo reconoce el patrón familiar y descarta en silencio la parte que era nueva.
Por eso, en nuestros sistemas, cada flujo de trabajo — no importa cuán simple o cuán complejo — termina con una lista de verificación de cumplimiento. La IA toma su propio resultado y lo verifica, punto por punto, contra nuestras guías y nuestras estructuras aprobadas. Lo que falla se regenera; si falla lo suficiente, todo se genera de nuevo. Es un ciclo autocorrectivo, y te diré lo que más nos sorprendió de él: detecta la deriva mucho más a menudo de lo que esperarías. Elementos faltantes, una sección que en silencio revirtió a un formato por defecto, una cifra que se coló sin fuente, un tono que se deslizó. La lista lo encuentra, y el ciclo lo arregla. Esa disciplina es buena parte de por qué podemos movernos rápido sin publicar cosas de las que nos arrepintamos.
Si te llevas una sola cosa práctica de esta pieza, que sea esta: si generas contenido con IA y no tienes un mecanismo de verificación, constrúyelo — o vigila cada resultado como un halcón. Una lista escrita que la IA aplica contra sí misma, y un humano que da el visto bueno, es un seguro barato contra el único artefacto malo que deshace mucho trabajo bueno.
Lo que hice en cambio
No publiqué la infografía. Tomamos los buenos huesos — la estructura real, los números genuinamente verificados — y pedí que la reconstruyéramos como corresponde: en nuestra paleta, en nuestra voz, autocontenida, consciente del modo oscuro, con cada cifra con fuente y cada estudio preliminar etiquetado como preliminar. Puedes ver esa versión rehecha aquí — la que pasó la lista de verificación.
Y entonces escribí esto. Porque lo más útil que puedo compartir no es la infografía; es la decisión de no publicar la primera. Esa decisión — verificar, atrapar la deriva, elegir la alineación por encima del pulido — no es un impuesto sobre trabajar con IA. Es trabajar con IA. Las herramientas son extraordinarias. El juicio sobre si lo que produjeron es verdadero, y si suena a ti, permanece contigo. Siempre fue así.
Para que conste: este artículo pasó por la misma lista de verificación — voz, afirmaciones y fuentes revisadas antes de publicarlo. — Carlos Miranda Levy
Cuatro perspectivas
El mecanismo que describe Carlos también tiene un nombre en la literatura: la verificación no es un paso que añades al final, es lo que hace que el resultado generativo sea confiable en absoluto. El modo de falla en la infografía — valores inventados mostrados con la autoridad de datos medidos — es la manera más común en que el contenido de IA engaña, porque la forma misma del gráfico señala rigor. Una lista de verificación de cumplimiento que separa lo «con fuentes» de lo «con apariencia de fuentes», y que marca la evidencia preliminar como preliminar, es exactamente el instrumento correcto. Yo le añadiría un punto: cada número debe resolverse en una fuente que un lector pueda abrir.
Lo que me preocupa es la persona sin este aparato. Una organización grande puede construir ciclos de cumplimiento; un docente, una pequeña organización sin fines de lucro, un estudiante no pueden hacerlo con facilidad. El artefacto pulido pero equivocado es un problema genuino de equidad — es más peligroso para quienes están menos equipados para auditarlo, y llega con una apariencia más autorizada que el trabajo cuidadoso y más sencillo con el que compite. La jugada honesta aquí no es solo construir la lista para nosotros, sino hacer que la lista misma sea compartible, de modo que la disciplina no sea un privilegio de los bien financiados.
Versión práctica: nunca dejes que el resultado de la IA vaya directo a publicación. Pon una compuerta entre la generación y el mundo — incluso una lista de cinco líneas pegada a tu monitor le gana a nada. ¿Tiene cada dato un enlace? ¿Suena a nosotros? ¿Conservó la parte de la solicitud que era nueva? Regenera lo que falla. Los equipos que publican rápido y limpio no son los que confían en el modelo; son los que construyeron la compuerta barata y aburrida y nunca la saltan.
He dicho durante años que el valor de la IA no es lo que hace en tu lugar, sino lo que puedes hacer con ella que nunca antes pudiste. Este es el lado en sombra de la misma verdad: mientras más capaz es la herramienta, más convincentes son sus errores, y más el juicio tiene que seguir siendo tuyo. Atrapamos este porque tratamos la deriva como algo normal y la verificamos por defecto — no porque seamos listos, sino porque somos disciplinados al respecto. La infografía era competente. No era verdadera, y no era mía. Ambas cosas tenían que arreglarse antes de que pudiera llevar mi nombre. Ese es todo el trabajo.