Hitachi Vantara potencia el almacenamiento híbrido en Azure
Microsoft y Carnegie Mellon University impulsan PRAISE, un programa que combina mentoría profesional y formación académica para preparar a desarrolladores júnior para la ingeniería de software acelerada por IA. La iniciativa pone sobre la mesa un desafío estratégico: automatizar el desarrollo sin destruir el aprendizaje que permite construir talento tecnológico de alto nivel.
Microsoft y Carnegie Mellon University (CMU) han decidido abordar este dilema con PRAISE, siglas de Preceptorship for AI-accelerated Software Engineering. El programa combina formación académica con acompañamiento de ingenieros sénior para ayudar a los profesionales que comienzan su carrera a desarrollar competencias de ingeniería de software en un entorno donde la IA transforma el trabajo cotidiano.
Si una inteligencia artificial puede generar código funcional en segundos, diseñar componentes de una aplicación y ayudar a corregir errores, ¿qué trabajo queda para un ingeniero que acaba de graduarse? Y hay una pregunta todavía más importante para las empresas: si las máquinas empiezan a resolver las tareas con las que tradicionalmente aprendían los profesionales júnior, ¿cómo adquirirán la experiencia necesaria para convertirse en los arquitectos y líderes técnicos del mañana?
La iniciativa de Microsoft y CMU, presentada el 15 de octubre de 2026, parte de una premisa que merece atención: la IA puede acelerar la producción de software, pero no elimina la necesidad de profesionales capaces de comprenderlo, evaluarlo y asumir la responsabilidad por su funcionamiento.
Esta iniciativa abre una perspectiva para la discusión sobre uno de los efectos menos visibles de la automatización del desarrollo: el posible debilitamiento de los mecanismos mediante los cuales las organizaciones forman a sus futuros expertos.
El problema que la productividad no resuelve
Durante décadas, los ingenieros júnior aprendieron mediante tareas progresivas. Corregir errores, desarrollar funcionalidades pequeñas, escribir pruebas, revisar código y participar en proyectos reales les permitía comprender cómo se construyen y mantienen los sistemas empresariales.
No todas esas actividades eran eficientes ni especialmente atractivas. Sin embargo, constituían una escuela práctica: cada problema resuelto aportaba conocimiento sobre arquitectura, dependencias, calidad, seguridad y decisiones de diseño.
La IA generativa está modificando esa dinámica. Un desarrollador con acceso a herramientas de asistencia puede producir en minutos una solución que antes requería varias horas. La ganancia de productividad es evidente, pero también aparece una paradoja: si la máquina resuelve las tareas que antes servían para aprender, el profesional puede entregar más código sin desarrollar en la misma proporción su capacidad para juzgarlo.
El riesgo no consiste en que los ingenieros jóvenes dejen de escribir cada línea manualmente. Consiste en que aprendan a aceptar soluciones que todavía no saben evaluar con suficiente profundidad.
Microsoft plantea esta cuestión desde su propia experiencia. Mark Russinovich, CTO, deputy CISO y Technical Fellow de Microsoft Azure, y Scott Hanselman, vicepresidente y miembro del equipo técnico de la compañía, sostienen que la ingeniería de software sigue necesitando profesionales júnior, porque quienes hoy comienzan su carrera serán los ingenieros sénior del futuro.
La cuestión es cómo prepararlos para una profesión en la que escribir código es solo una parte del trabajo. El diseño de sistemas, la arquitectura, la validación de soluciones y el criterio para decidir cuándo utilizar IA adquieren un peso creciente.
PRAISE: aprender con IA, no delegar el aprendizaje en ella
El programa PRAISE adopta un modelo de acompañamiento inspirado en la formación clínica de enfermería: los profesionales que comienzan su carrera trabajan con mentores experimentados que los orientan mientras desarrollan tareas reales.
La diferencia frente a una capacitación convencional es que el objetivo no consiste únicamente en enseñar a utilizar herramientas de IA. Se trata de formar el criterio necesario para integrarlas en el ciclo de desarrollo de software.
El modelo conecta dos espacios de aprendizaje.
- La experiencia dentro de Microsoft. Los participantes, denominados preceptees, trabajan con ingenieros sénior, o preceptors, que les ayudan a plantear problemas, comprobar supuestos, analizar cambios y comprender las decisiones detrás de una solución. La mentoría busca que los profesionales jóvenes aprendan haciendo, en lugar de limitarse a observar cómo otros resuelven los problemas.
- La formación académica en Carnegie Mellon. Los participantes pueden cursar asignaturas en línea de la Escuela de Ciencias de la Computación de la universidad. En el semestre de otoño de 2026, el programa contempla Machine Learning in Production y Preceptorship in AI-Augmented Software Engineering I. Para el semestre de primavera están previstas asignaturas sobre DevOps, desarrollo y despliegue seguros, además de la continuación de la secuencia formativa de ingeniería de software aumentada por IA.
La combinación intenta resolver una brecha habitual en la transformación tecnológica: la distancia entre conocer los fundamentos académicos y saber aplicarlos en sistemas reales, con restricciones de calidad, seguridad, mantenimiento y operación.
Michael Hilton, profesor de Carnegie Mellon y responsable académico vinculado al programa, destaca precisamente el valor de unir la experiencia práctica de la industria con el conocimiento universitario para responder a las exigencias cotidianas del desarrollo de software.
Del programador que produce código al ingeniero que toma decisiones
La iniciativa refleja una transformación más profunda del perfil profesional. Cuando la IA asume parte de la implementación, el valor del ingeniero no desaparece: se desplaza hacia actividades que requieren comprender el contexto, definir objetivos, evaluar alternativas y verificar resultados.
Esto exige una combinación de competencias técnicas y criterio profesional. Un desarrollador debe poder interpretar el código generado, identificar dependencias, reconocer vulnerabilidades, diseñar pruebas y entender las consecuencias de incorporar una modificación en un sistema existente.
También necesita saber cuándo no utilizar IA. No todas las tareas se benefician de la misma forma de automatización, y no todas las respuestas de un modelo son adecuadas para producción.
En ese contexto, la mentoría adquiere una función estratégica. Un ingeniero sénior no transmite únicamente conocimiento sintáctico o metodologías de trabajo: explica por qué una arquitectura es preferible, qué riesgos introduce una decisión y qué señales permiten detectar que una solución aparentemente correcta puede fallar.
Ese conocimiento tácito resulta difícil de sustituir mediante cursos aislados o documentación generada automáticamente. Se desarrolla mediante la interacción con profesionales experimentados, la revisión de decisiones y la exposición progresiva a problemas complejos.
Para las empresas, la conclusión es clara: incorporar IA al desarrollo sin rediseñar la formación del talento puede producir ganancias inmediatas y, al mismo tiempo, comprometer la capacidad de ingeniería a largo plazo.
El nuevo reto: medir la productividad sin perder talento
La adopción de herramientas de programación asistida suele evaluarse mediante indicadores como velocidad de desarrollo, volumen de código generado o tiempo necesario para completar tareas. Son métricas útiles, pero insuficientes para valorar la salud de una organización de ingeniería.
Un equipo puede acelerar la entrega de funcionalidades y, aun así, acumular deuda técnica, reducir la comprensión compartida de sus sistemas o aumentar su dependencia de unos pocos profesionales capaces de revisar las soluciones generadas.
Por eso, los CIO deberían ampliar el cuadro de mando de la ingeniería aumentada por IA. Junto con la productividad, conviene observar la calidad del software, la frecuencia de defectos, la seguridad, el tiempo de recuperación ante incidentes y la capacidad de los profesionales jóvenes para resolver problemas con autonomía creciente.
La formación también necesita indicadores propios. ¿Los ingenieros júnior comprenden las soluciones que entregan? ¿Pueden explicar las decisiones de diseño? ¿Detectan errores en el código generado? ¿Saben cuándo escalar una decisión y cuándo cuestionar una recomendación de la IA?
Estas preguntas ayudan a distinguir entre una adopción superficial de herramientas y una transformación real de las capacidades del equipo.
PRAISE ofrece una referencia interesante porque conecta el aprendizaje con el trabajo efectivo y la formación universitaria. No obstante, su anuncio no demuestra todavía resultados cuantificados sobre productividad, calidad o desarrollo profesional. Su valor como modelo para otras empresas dependerá de cómo evolucione y de las evidencias que genere con el tiempo.
La cantera tecnológica también necesita una estrategia de IA
El debate sobre la inteligencia artificial y el empleo suele concentrarse en qué puestos pueden automatizarse. En el desarrollo de software existe una cuestión adicional: qué ocurrirá con la formación de los profesionales que ocuparán los puestos de mayor responsabilidad dentro de cinco o diez años.
Las organizaciones necesitan ingenieros capaces de diseñar arquitecturas, tomar decisiones bajo incertidumbre, responder ante incidentes y comprender sistemas complejos. Esas competencias no aparecen automáticamente porque una herramienta genere código de calidad. Requieren experiencia, supervisión y oportunidades para aprender de los errores.
Por eso, la respuesta no consiste en mantener intactos los procesos de desarrollo del pasado ni en renunciar a las ventajas de la IA. Consiste en reorganizar el trabajo para que la automatización libere tiempo sin eliminar las experiencias que construyen conocimiento.
Los CIO tienen aquí una responsabilidad que trasciende la selección de herramientas: deben alinear productividad, calidad, desarrollo profesional y continuidad de las capacidades críticas de la organización.
La pregunta decisiva no es si la IA escribirá más código que los humanos, sino si las empresas seguirán formando a las personas capaces de comprender ese código cuando las máquinas se equivoquen.
En la ingeniería de software aumentada por IA, la ventaja competitiva no dependerá únicamente de cuánto se automatice. Dependerá también de cómo se construya el criterio humano que permite convertir esa velocidad en tecnología fiable, segura y sostenible.
