el nuevo profesional4 capas01FundamentosSaber por qué funciona02ArquitecturaDel sistema a la empresa03Otras disciplinasMétodo, negocio, lenguaje04CriterioDecidir qué construir→ empezar la guía
Computación · Guía abierta

Guía para profesionales de la Computación: qué estudiar cuando la IA comprime la tecnología

De dónde viene la profesión, qué cambió ya la IA en el mercado y en la investigación, qué es el nuevo profesional del área y un camino de estudio que va más allá del código: arquitectura empresarial, método científico, filosofía, ciencias, negocios, economía e idiomas.

Quién escribe: Carlos Diego C. P., profesor del grado en Ciencias de la Computación y de la maestría y el doctorado en Ingeniería de Software en CESAR School · Para quién: profesionales en actividad, recién egresados y quienes lideran equipos técnicos

  • 7 secciones
  • 10 interacciones
  • 5 etapas de estudio
  • 8 disciplinas más allá de la tecnología
01 · Contexto general e historia del área

Cada generación de la Computación convirtió el trabajo de la anterior en una capa lista para usar

La historia de la profesión puede contarse como una secuencia de compresiones. Lo que exigía un especialista y semanas de trabajo se convierte, algunos años después, en una herramienta, una biblioteca o un servicio que cualquier persona del área usa en minutos. El compilador comprimió la programación en lenguaje de máquina. La base de datos relacional comprimió el control de archivos. La nube comprimió la compra y la operación de servidores. La IA generativa está comprimiendo la escritura de código.

En ninguno de esos giros la profesión desapareció. Lo que ocurrió fue un desplazamiento: el trabajo repetitivo bajó al interior de la capa nueva, y el valor subió hacia lo que la capa no resuelve sola. Elegir el problema correcto, especificar con precisión, integrar las partes, verificar el resultado y responder por las consecuencias. Entender este patrón es el primer paso para decidir qué estudiar ahora.

1946 · Programar era conectar cables

El profesional tenía que conocer la máquina por dentro

Las programadoras del ENIAC configuraban la computadora con cables e interruptores, a partir de los diagramas de la máquina. No había lenguaje ni sistema operativo entre la persona y el hardware. Todo era especialidad.

1957 · La primera gran compresión

FORTRAN y los lenguajes de alto nivel

IBM lanza FORTRAN, y el compilador empieza a traducir fórmulas escritas por personas en instrucciones de máquina. Muchos dudaron de que un programa generado automáticamente pudiera ser tan eficiente como uno escrito a mano. La duda perdió, y el número de personas capaces de programar se multiplicó.

1968 · Garmisch, Alemania

La “crisis del software” y el nacimiento de la Ingeniería de Software

Una conferencia patrocinada por la OTAN consagra el término “ingeniería de software”. El diagnóstico: los sistemas crecían más rápido que la capacidad de construirlos en plazo, con costo controlado y con calidad. Programar bien dejó de bastar; hacía falta método. [1]

1970 · Los datos se vuelven teoría

Edgar Codd y el modelo relacional

El artículo de Codd separa la forma lógica de los datos de la forma en que están grabados en el disco. Diez años después, las bases relacionales le quitan a cada programa la responsabilidad de controlar archivos, y el modelado de datos se vuelve una competencia central.

1987 · El sistema dentro de la empresa

John Zachman y la arquitectura empresarial

En el IBM Systems Journal, Zachman propone mirar los sistemas de información como parte de la arquitectura de toda la organización: quién decide, qué procesos existen, qué datos circulan, qué tecnología lo sostiene todo. En 1995 surge la primera versión de TOGAF, hoy el estándar más difundido del área. [2] [12]

2001 · Snowbird, Estados Unidos

El Manifiesto Ágil

Diecisiete profesionales firman el manifiesto que prioriza el software funcionando, la colaboración con el cliente y la respuesta al cambio. El profesional pasa a convivir de cerca con el negocio, en ciclos cortos.

2006 · La infraestructura se vuelve servicio

La computación en la nube pública

Amazon Web Services lanza el almacenamiento S3 y las máquinas virtuales de EC2. Comprar, instalar y operar servidores, trabajo de semanas, se convierte en una llamada a una API. La pregunta cambia de “¿tenemos máquina?” a “¿cuánto cuesta, cuánto aguanta y qué pasa cuando falla?”.

2009 · Gante, Bélgica

DevOps: quien construye también opera

El primer DevOpsDays da nombre a un movimiento que une desarrollo y operación. Entrega continua, infraestructura como código y observabilidad pasan a formar parte del oficio de quien escribe el sistema.

2017 · Investigación

La arquitectura Transformer

El artículo “Attention Is All You Need” presenta la arquitectura de red neuronal que está en la base de los grandes modelos de lenguaje. La investigación en IA empieza a escalar con datos y capacidad de cómputo como nunca antes.

De 2022 a hoy · La compresión del código

IA generativa y agentes

Asistentes basados en grandes modelos de lenguaje empiezan a escribir, explicar y revisar código, y después a ejecutar tareas de varias etapas dentro de repositorios. La IA generativa llegó al 53% de adopción en tres años, más rápido que la computadora personal e internet en la misma etapa. [9] Es la compresión que motiva esta guía.

La misma tarea en tres épocas

Un ejemplo concreto del desplazamiento: poner en línea un sistema web para los clientes de una empresa. Compara qué era trabajo manual en cada época y qué siguió siendo responsabilidad del profesional.

El trabajo manual
Comprar o alquilar un servidor físico, instalar el sistema operativo, configurar red, base de datos y servidor web, escribir todo el código y copiar los archivos a la máquina.
Tiempo típico
Semanas, a veces meses, solo para la infraestructura.
Lo que escaseaba
Quien supiera montar y mantener la máquina.
Lo que seguía siendo tuyo
Entender el problema del cliente, decidir qué construir, garantizar que funcionara.
El trabajo manual
Crear máquinas virtuales en la nube en minutos, automatizar la configuración con scripts, usar frameworks que ya resuelven autenticación, acceso a datos y páginas.
Tiempo típico
Días para la infraestructura; el esfuerzo migra al código del producto.
Lo que escaseaba
Quien supiera diseñar sistemas que escalan y operar en producción.
Lo que seguía siendo tuyo
Entender el problema del cliente, decidir qué construir, garantizar que funcionara.
El trabajo manual
Describir lo que se quiere a asistentes de IA que generan el código, las pruebas, la infraestructura como código y el pipeline de entrega, sobre plataformas gestionadas.
Tiempo típico
Horas para tener algo funcionando. El tiempo que sobra se va en revisar, integrar y verificar.
Lo que escasea
Quien sabe decir si lo generado es correcto, seguro, sostenible y está alineado con el negocio.
Lo que sigue siendo tuyo
Entender el problema del cliente, decidir qué construir, garantizar que funciona. Ahora con menos tiempo dedicado al resto, y más exposición cuando esta parte falla.

La última línea no cambia entre épocas. Es el núcleo de la profesión, y es hacia ella que debe apuntar el estudio.

Esta idea, la de que cada capa de abstracción cambia dónde se forma el criterio de quien trabaja con ella, es el tema del ensayo A camada que ensina: compressão, abstração e a formação do julgamento em engenharia de software (la capa que enseña), publicado en el blog, en Ensayos (en portugués).

02 · El cambio del mercado con la IA

Qué muestran los datos sobre el trabajo en Computación después de la IA generativa

La adopción es prácticamente universal entre quienes desarrollan software. La ganancia, no. Los estudios más sólidos hasta ahora apuntan a un mercado que paga cada vez menos por la ejecución aislada y cada vez más por quien sabe especificar, verificar e integrar.

90%de los profesionales de tecnología usan IA en el trabajo, según el informe DORA 2025 [4]
46%de los desarrolladores desconfían de la precisión de lo que entrega la IA [3]
13%de caída relativa en el empleo de quienes tienen de 22 a 25 años en las ocupaciones más expuestas a la IA, en EE. UU. [5]

Cuatro cambios que ya se pueden afirmar

La IA amplifica lo que ya existeEl informe DORA 2025, con casi 5 mil profesionales, concluye que la IA amplía las fortalezas de las organizaciones que funcionan bien y las disfunciones de las que no. Los equipos con arquitecturas desacopladas y ciclos rápidos de retroalimentación ganan; los atrapados en sistemas acoplados y procesos lentos ganan poco o nada. [4]
La puerta de entrada se estrechóCon datos de nómina de EE. UU., Brynjolfsson, Chandar y Chen muestran que el empleo cayó para los más jóvenes en las ocupaciones expuestas, como el desarrollo de software, mientras que los profesionales con más experiencia en esas mismas ocupaciones se mantuvieron estables o crecieron. Las tareas que formaban al junior son las que la IA hace primero. [5]
Sentirse más rápido no es ser más rápidoEn un experimento controlado de METR, desarrolladores experimentados, trabajando en sus propios proyectos, tardaron un 19% más con las herramientas de IA de principios de 2025, aunque creían haber ganado un 20% de velocidad. Medir el propio trabajo se volvió una competencia. [6]
El pensamiento analítico sigue en la cimaEn el Future of Jobs Report 2025, del Foro Económico Mundial, el pensamiento analítico sigue siendo la competencia central más citada por los empleadores, mientras que IA y big data lideran las que más crecen. La combinación de ambas es el perfil buscado. [7]

Para quien ya está en el área, la lectura práctica es esta: el trabajo que sobrevive a la compresión es el que exige contexto. Contexto del negocio, de la arquitectura que ya existe, de las restricciones de costo y de regulación, de las personas que van a usar el sistema. Ese contexto no está en el código, y por eso la IA no lo genera sola.

Cuando escribir código se vuelve barato, lo caro pasa a ser saber qué escribir, dónde encajarlo y cómo probar que está bien.

03 · El cambio de la investigación en Computación con la IA

La investigación en Computación se volvió más empírica, más cara y más mezclada con las otras ciencias

La IA no cambió solo el mercado. Cambió quién hace investigación de frontera, cómo se evalúa un resultado y dónde la Computación se encuentra con las otras áreas del conocimiento.

Qué cambió

La frontera de los modelos salió de la universidad

Según el AI Index 2025, de la Universidad de Stanford, casi el 90% de los modelos de IA considerados notables en 2024 vinieron de la industria, frente al 60% del año anterior. Entrenar un modelo de frontera exige datos y capacidad de cómputo que pocos laboratorios académicos tienen. [8]

Lo que esto te pide: leer y evaluar investigación hecha fuera de la academia, con menos transparencia sobre datos y métodos, y saber distinguir un resultado de un anuncio.

Qué cambió

Medir se volvió un problema de investigación en sí mismo

Los modelos alcanzan rápido el techo de las pruebas de referencia, y un buen resultado en una prueba no siempre se traduce en una ganancia en el mundo real, como mostró el experimento de METR con desarrolladores. Evaluar con rigor, con grupo de control, muestra e hipótesis declarada, volvió al centro del área. [6]

Lo que esto te pide: estadística, diseño de experimentos y la disciplina de no confundir impresión con evidencia.

Qué cambió

La Computación se volvió instrumento de las otras ciencias

En 2024, el Nobel de Física fue para John Hopfield y Geoffrey Hinton, por trabajos que fundamentan las redes neuronales, y el de Química se dividió entre David Baker y los creadores de AlphaFold, Demis Hassabis y John Jumper, por la predicción de la estructura de proteínas. [10]

Lo que esto te pide: conocer lo suficiente de otra ciencia para conversar con quien trabaja en ella. Los problemas más interesantes están en las fronteras.

Qué cambió

Temas clásicos ganaron urgencia práctica

Verificación formal, seguridad, confiabilidad de sistemas distribuidos, calidad y gobernanza de datos, interacción humano-computadora y ética dejaron de ser temas de nicho. Cuando parte del código lo genera una máquina, garantizar las propiedades del sistema se vuelve más importante, no menos.

Lo que esto te pide: fundamentos. Son ellos los que permiten preguntar si el sistema hace lo que debería, y no solo si compila.

Qué cambió

El currículo de referencia ya incorporó el cambio

El CS2023, currículo de referencia de la ACM, la IEEE Computer Society y, por primera vez, la AAAI, organiza las Ciencias de la Computación en 17 áreas de conocimiento y trata Sociedad, Ética y Profesión como parte integral de la mayoría de ellas, no como una asignatura aislada. [11]

Lo que esto te pide: si tu formación es anterior a este cambio, tus vacíos más probables están en IA, seguridad y en las consecuencias sociales de lo que se construye.

04 · ¿Qué es el nuevo profesional de la Computación?

Profundidad técnica, visión de arquitectura y repertorio en otras disciplinas

El nuevo profesional de la Computación no es un generalista que sabe un poco de todo. Sigue siendo profundo en Computación, porque es esa profundidad la que permite verificar lo que produce la IA. La diferencia es que también ve cómo el sistema encaja en la organización y tiene repertorio en otras áreas para conversar, decidir y responder por sus elecciones.

Una imagen útil es la letra griega π. La barra de arriba es la amplitud: método, negocios, economía, ciencias, filosofía, idiomas. Las dos patas son las profundidades: los fundamentos de Computación y la arquitectura, del software a la empresa. Con una sola pata, la persona sabe ejecutar, pero le cuesta decidir. Sin las patas, conversa bien y entrega poco.

Método científicoNegociosEconomíaCienciasFilosofíaIdiomas
Fundamentos de Computaciónalgoritmos · sistemas · datos · IA
Arquitecturadel software a la empresa
Amplitud para conversar y decidir; profundidad para construir y verificar.

Las cuatro dimensiones del perfil

FundamentosSabe por qué funciona: complejidad, concurrencia, consistencia, seguridad, estadística. Es lo que permite decir “esto está mal” ante un código que parece correcto.
ArquitecturaSabe cómo se componen las partes y cuánto cuesta cada elección: acoplamiento, datos, integración, fallas, costo. Del servicio aislado al mapa de sistemas de una empresa.
Dominio y negocioSabe para quién y por qué: cómo la organización gana dinero, qué proceso cambia el sistema, qué regla o ley se aplica.
Método y lenguajeSabe probar y convencer: formula una hipótesis, mide, escribe una decisión que otra persona entiende y defiende la elección en portugués, inglés o español.
Autodiagnóstico¿Cómo está tu perfil hoy?

Ocho afirmaciones sobre tu trabajo actual. Responde según lo que haces, no según lo que te gustaría hacer. El resultado no se guarda en ningún lugar.

  1. Puedo explicar por qué un código generado por IA está bien o mal, y no solo si pasa las pruebas.

  2. Sé dibujar cómo el sistema en el que trabajo se conecta con los otros sistemas de la empresa.

  3. Sé explicar cómo mi trabajo afecta los ingresos, el costo o el riesgo de la organización.

  4. Sé cuánto cuesta por mes el sistema que ayudo a mantener, y cuánto cuesta una hora de él fuera de servicio.

  5. Leo artículos científicos de mi área y puedo evaluar si el método sostiene la conclusión.

  6. Antes de afirmar que algo mejoró, lo mido, con una métrica definida de antemano.

  7. Escribo documentos de decisión que personas de otras áreas pueden entender.

  8. Puedo negociar y defender una decisión técnica en inglés.

Responde las 8 afirmaciones para ver el resultado.

    05 · Por qué arquitectura empresarial

    La arquitectura empresarial es la disciplina que une la estrategia de la organización con los sistemas que la sostienen

    La arquitectura empresarial es el estudio de cómo una organización se estructura para cumplir su estrategia: qué capacidades necesita tener, qué procesos ejecutan esas capacidades, qué datos usan, qué aplicaciones los soportan y qué tecnología lo hace funcionar todo. Los marcos de referencia más conocidos son el de Zachman, de 1987, y TOGAF, mantenido por The Open Group y hoy en su décima edición. [2] [12]

    Durante mucho tiempo pareció un tema de grandes corporaciones y de documentos que nadie leía. Con la IA, vuelve al centro por un motivo práctico: un agente de IA útil necesita acceder a datos correctos, respetar permisos, entrar en un proceso de negocio y ser auditado. El modelo es la parte fácil; lo difícil es el encaje. Es el mismo hallazgo de DORA 2025, visto desde el lado de la organización: la IA rinde donde la arquitectura lo permite. [4]

    Haz clic en cada dominio para ver la pregunta que responde y un ejemplo con IA.

    Pregunta central

    ¿Qué capacidades necesita la organización para cumplir su estrategia?

    Mapea capacidades (vender, atender, cobrar, cumplir normas), procesos, roles e indicadores. Es la capa que da sentido a todas las demás.

    Con IA: antes de elegir un modelo, decidir qué capacidad mejora, en qué proceso entra y quién responde por el resultado.

    Pregunta central

    ¿Qué información existe, de quién es y cuánto se puede confiar en ella?

    Modelos de datos, linaje, calidad, propiedad y reglas de acceso. En casi todo proyecto de IA, es aquí donde se rompe el plazo.

    Con IA: un asistente que responde sobre contratos solo es confiable si la base de contratos tiene dueño, versión y control de acceso.

    Pregunta central

    ¿Qué sistemas existen, qué hace cada uno y cómo se comunican?

    El portafolio de aplicaciones, las integraciones, las API, lo que se compra y lo que se construye, lo que debe darse de baja.

    Con IA: un agente que abre tickets, consulta pedidos y emite segundas copias de facturas necesita API estables en los sistemas correctos, no acceso directo a la base de datos.

    Pregunta central

    ¿Dónde corre todo, cuánto cuesta y qué pasa cuando falla?

    Nube, redes, plataformas, seguridad, observabilidad y capacidad. Es la capa más comprimida en las últimas dos décadas, y aun así la que más castiga las malas decisiones.

    Con IA: estimar consumo y costo de inferencia, latencia aceptable y el plan para cuando el proveedor del modelo se caiga.

    Pregunta central

    ¿Quién decide, con qué reglas y cómo se verifica?

    Principios de arquitectura, estándares, cumplimiento de leyes de protección de datos, gestión de riesgos y auditoría.

    Con IA: registrar qué modelo tomó qué decisión, con qué datos, y permitir que una persona la revise. La investigación sobre el Data-Centric Trust Pipeline trata este problema en dominios sensibles.

    Este es también el eje de los talleres sobre Cloud, Data y AI como camino de transformación de la arquitectura empresarial, descritos en Charlas y Talleres.

    06 · Camino de aprendizaje

    Un camino de estudio en cinco etapas, con tecnología y otras disciplinas lado a lado

    Las etapas siguen un orden, pero nadie empieza de cero: usa el autodiagnóstico de la sección 04 para decidir por dónde entrar. Cada etapa tiene qué estudiar en tecnología, qué estudiar fuera de ella, lecturas de referencia y una entrega que prueba el aprendizaje. Un ritmo sugerido es de cuatro a seis horas por semana, durante tres a seis meses en cada etapa.

    Recuperar los fundamentos que la IA no sustituye. Son la base para verificar cualquier cosa que produzca una herramienta.

    En tecnología
    • Algoritmos y complejidad: saber estimar el costo de una solución antes de ejecutarla
    • Estructuras de datos y su comportamiento en memoria
    • Sistemas operativos, concurrencia y redes
    • Bases de datos: modelado, transacciones y consistencia
    • Pruebas y verificación: qué prueba un test y qué no
    En otras disciplinas
    • Lógica y matemática discreta, revisitadas con mirada de adulto
    • Probabilidad y estadística básica
    • Resolución de problemas como método, no como talento
    • Escritura técnica: explicar con precisión en un párrafo

    Lecturas de referencia: Cormen, Leiserson, Rivest y Stein, Introduction to Algorithms; Bryant y O’Hallaron, Computer Systems: A Programmer’s Perspective; George Pólya, Cómo plantear y resolver problemas.

    Entrega que prueba el aprendizaje: reescribir, sin IA, un componente que mantienes, y compararlo con la versión generada por IA en rendimiento, claridad y casos de falla.

    Pasar del código al sistema. Entender cómo se componen, fallan y cuestan las partes.

    En tecnología
    • Patrones de arquitectura y sus costos: monolito, microservicios, eventos, serverless
    • Sistemas distribuidos: consistencia, particionamiento, colas, idempotencia
    • Computación en la nube, capacidad y observabilidad
    • Seguridad desde el diseño
    • Registros de decisión de arquitectura
    En otras disciplinas
    • Pensamiento sistémico: retroalimentación, retrasos y efectos de segundo orden
    • Microeconomía básica: costo de oportunidad y trade-off
    • Nociones de finanzas: costo fijo, costo variable, inversión

    Lecturas de referencia: Martin Kleppmann, Designing Data-Intensive Applications; Mark Richards y Neal Ford, Fundamentals of Software Architecture; Donella Meadows, Thinking in Systems; y, para la arquitectura nativa de la nube con cada patrón acompañado de su costo y de las condiciones en que deja de valer, el libro Cloud-Native Software Architecture.

    Entrega que prueba el aprendizaje: documentar la arquitectura del sistema en el que trabajas, con tres decisiones registradas, los riesgos de cada una y el costo mensual estimado.

    Pasar del sistema a la organización. Ver la empresa como un conjunto de capacidades sostenidas por datos, aplicaciones y tecnología.

    En tecnología
    • Los dominios de la arquitectura empresarial y el ciclo de TOGAF
    • Mapa de capacidades y portafolio de aplicaciones
    • Arquitectura y gobernanza de datos
    • Integración entre sistemas y estrategia de API
    • Diseño guiado por el dominio para trazar fronteras
    En otras disciplinas
    • Estrategia: cómo compiten las empresas y qué las diferencia
    • Procesos de negocio e indicadores
    • Contabilidad y finanzas para no especialistas
    • Nociones de derecho digital, empezando por la protección de datos

    Lecturas de referencia: Jeanne Ross, Peter Weill y David Robertson, Enterprise Architecture as Strategy; Eric Evans, Domain-Driven Design; Michael Porter, “What Is Strategy?” (Harvard Business Review, 1996); el TOGAF Standard, de The Open Group. [12] [13]

    Entrega que prueba el aprendizaje: el mapa de capacidades de un área de tu empresa, con los sistemas que sostienen cada capacidad y dos recomendaciones justificadas.

    Tratar la IA como componente de un sistema, no como magia. Saber elegir, integrar, evaluar y gobernar.

    En tecnología
    • Aprendizaje automático y cómo funcionan los grandes modelos de lenguaje
    • Ingeniería de sistemas con IA: recuperación de contexto, herramientas, agentes
    • Evaluación de modelos con conjuntos de prueba propios
    • Costo, latencia y capacidad de inferencia
    • Seguridad propia de la IA: inyección de instrucciones y fuga de datos
    En otras disciplinas
    • Estadística aplicada y diseño de experimentos
    • Ética y filosofía: responsabilidad, sesgo, explicabilidad
    • Regulación: leyes de protección de datos y el reglamento europeo de IA
    • Psicología de la decisión: exceso de confianza y sesgo de automatización

    Lecturas de referencia: Stuart Russell y Peter Norvig, Inteligencia Artificial: Un Enfoque Moderno; Chip Huyen, AI Engineering; James, Witten, Hastie y Tibshirani, An Introduction to Statistical Learning; Daniel Kahneman, Pensar rápido, pensar despacio.

    Entrega que prueba el aprendizaje: un componente con IA integrado a un sistema real, con un conjunto de evaluación propio, medición antes y después, costo por operación y registro de las decisiones del modelo.

    Producir conocimiento y decisiones que otras personas siguen. Es donde la amplitud se vuelve influencia.

    En tecnología
    • Métricas de entrega y confiabilidad, como las de DORA
    • Evaluación de tecnología emergente: cuándo adoptar, cuándo esperar
    • Estudios empíricos en ingeniería de software
    • Revisión de arquitectura entre equipos
    En otras disciplinas
    • Metodología de la investigación: pregunta, hipótesis, método, validez
    • Filosofía de la ciencia: qué cuenta como evidencia
    • Economía de la innovación y de las plataformas digitales
    • Comunicación: escribir, presentar y enseñar, en más de un idioma

    Lecturas de referencia: Raul Sidnei Wazlawick, Metodologia de Pesquisa para Ciência da Computação (en portugués); Karl Popper, La lógica de la investigación científica; Thomas Kuhn, La estructura de las revoluciones científicas; Nicole Forsgren, Jez Humble y Gene Kim, Accelerate. [14]

    Entrega que prueba el aprendizaje: un informe técnico o artículo con pregunta, método y resultado, publicado o presentado; o una propuesta de maestría profesional. La página de Orientación explica cómo es ese camino.

    07 · Las disciplinas más allá de la tecnología

    Qué estudiar fuera de la Computación, y por qué cada área marca la diferencia en el trabajo

    Ninguna de estas áreas pide una segunda carrera. Pide lo suficiente para pensar con sus herramientas. Haz clic en cada una para ver por qué importa, cómo aparece en el trabajo y por dónde empezar.

    Por qué importa

    Para separar lo que se sabe de lo que se cree

    Formular una pregunta que se pueda responder, elegir un método, definir la métrica antes de medir y reconocer los límites del resultado. Es el antídoto contra la decisión tomada por impresión, incluida la impresión de que una herramienta hizo al equipo más rápido.

    En el trabajo: pruebas A/B, pilotos de tecnología, evaluación de modelos, análisis de incidentes.

    Por dónde empezar: Wazlawick, Metodologia de Pesquisa para Ciência da Computação (en portugués).

    Por qué importa

    Para pensar con rigor sobre conocimiento, lenguaje y responsabilidad

    La lógica está en la base de la Computación. La epistemología pregunta qué cuenta como evidencia. La ética pregunta quién responde por lo que hace un sistema. La filosofía de la mente y del lenguaje ayuda a no exagerar ni minimizar lo que hacen los modelos de IA.

    En el trabajo: discutir sesgo, explicabilidad, autonomía de agentes y uso aceptable de datos.

    Por dónde empezar: Thomas Nagel, ¿Qué significa todo esto?; Cathy O’Neil, Armas de destrucción matemática.

    Por qué importa

    Para trabajar donde la Computación se encuentra con otras áreas

    La física enseña modelado y órdenes de magnitud. La estadística enseña incertidumbre. Biología, clima, salud y finanzas son donde están algunos de los problemas más difíciles y mejor financiados de la IA. Quien habla el idioma de otra ciencia abre puertas que la técnica sola no abre.

    En el trabajo: proyectos de salud, energía, agronegocio, mercado financiero, industria.

    Por dónde empezar: Richard Feynman, The Character of Physical Law; un curso introductorio de estadística.

    Por qué importa

    Para saber por qué existe el sistema

    Estrategia, modelo de negocio, producto, ventas y operación. Quien entiende cómo gana dinero la empresa propone la solución correcta antes de que alguien la pida, y participa de las decisiones en lugar de solo recibirlas.

    En el trabajo: priorizar el backlog, defender una inversión en arquitectura, diseñar un producto.

    Por dónde empezar: Michael Porter, “What Is Strategy?”; Clayton Christensen, El dilema del innovador.

    Por qué importa

    Para entender costo, incentivos y escala

    Costo de oportunidad, incentivos, efectos de red y costo marginal explican por qué algunas plataformas dominan mercados, por qué la nube cobra como cobra y cómo la economía de la IA, con costo por uso del modelo, cambia las cuentas de un producto.

    En el trabajo: estimar el costo de una funcionalidad con IA, elegir entre construir y comprar, negociar con proveedores.

    Por dónde empezar: N. Gregory Mankiw, Principios de economía; Carl Shapiro y Hal Varian, Information Rules.

    Por qué importa

    Para ser entendido, en tu país y fuera de él

    El inglés es el idioma de la documentación, de la investigación y de buena parte de los empleos remotos. El portugués abre Brasil, el mayor mercado de la región. Y escribir bien en tu propio idioma sigue siendo raro: especificaciones, propuestas y decisiones son textos, y ahora también son instrucciones para la IA.

    En el trabajo: escribir especificaciones, conducir reuniones con clientes del exterior, publicar, dar charlas.

    Por dónde empezar: William Zinsser, On Writing Well; una presentación técnica por mes en otro idioma.

    Por qué importa

    Para construir lo que las personas pueden y quieren usar

    Diseño, psicología cognitiva e interacción humano-computadora explican por qué un sistema correcto puede fracasar y por qué las personas confían demasiado en respuestas automáticas. Con las interfaces conversacionales, esto se volvió aún más importante.

    En el trabajo: diseñar flujos con IA en los que la persona sabe cuándo revisar, accesibilidad, adopción de sistemas internos.

    Por dónde empezar: Don Norman, The Design of Everyday Things.

    Por qué importa

    Para saber qué se puede hacer, y con qué cuidados

    Protección de datos, propiedad intelectual, contratos de software y regulación de la IA definen límites de diseño. En Brasil, la referencia es la Ley General de Protección de Datos (LGPD, Ley nº 13.709/2018); en la Unión Europea, el Reglamento de IA (Reglamento (UE) 2024/1689) ya afecta a empresas que atienden a clientes europeos.

    En el trabajo: diseñar sistemas que tratan datos personales, documentar decisiones automatizadas, responder a auditorías.

    Por dónde empezar: el texto de la ley de protección de datos de tu país y las guías de su autoridad.

    Hábitos que sostienen el camino

    El contenido sin hábito no se acumula. Ocho hábitos. Haz clic en cada tarjeta para ver por qué importa y cómo empezar.

    Mitos y verdades de la carrera

    ¿Mito o verdad?

    Afirmaciones que circulan entre profesionales del área. Responde cada una y mira qué dicen los datos.

    “Con la IA escribiendo código, los fundamentos de Computación perdieron valor.”

    “Quien está empezando su carrera es quien más siente el efecto de la IA en el empleo.”

    “Usar IA siempre hace más rápido al profesional experimentado.”

    “Ser multidisciplinario es saber un poco de todo.”

    “La arquitectura empresarial es burocracia: diagramas que nadie lee.”

    “Leer artículos científicos solo sirve para quien está en la academia.”

    “Un profesional técnico no necesita entender de finanzas.”

    “Para trabajar con clientes del exterior, basta con leer inglés técnico.”

    Preguntas frecuentes

    Las dudas que más aparecen

    Trabajo hace diez años en desarrollo. ¿Por dónde empiezo?

    Haz el autodiagnóstico de la sección 04 y empieza por la dimensión en la que marcaste menos puntos. Para la mayoría de los profesionales con experiencia, el vacío no está en el código; está en arquitectura empresarial, en finanzas o en método. La etapa 3 del camino suele ser el mejor punto de entrada.

    ¿Cómo ganar experiencia en arquitectura empresarial sin tener el cargo?

    Empieza por el sistema en el que trabajas: mapea con qué conversa, qué capacidad de negocio sostiene y qué datos usa. Ofrece ese mapa al equipo y al liderazgo. La arquitectura es una práctica antes de ser un cargo.

    ¿Valen la pena las certificaciones?

    Valen como guía de estudio y como señal en el currículum, sobre todo en nube y en arquitectura empresarial. No reemplazan la entrega que prueba el aprendizaje en cada etapa: es ella la que muestra que sabes usar lo que estudiaste.

    ¿Necesito hacer una maestría?

    No para la mayoría de las carreras. Pero una maestría, sobre todo la profesional, es la forma más estructurada de aprender método científico, y vale mucho para quien quiere liderar decisiones técnicas, evaluar tecnologías emergentes o enseñar. La página de Orientación explica cómo es ese camino.

    ¿Cómo usar la IA para estudiar sin perjudicar el aprendizaje?

    Usa la IA después de intentarlo, no antes. Pídele que explique tu error, que genere ejercicios, que critique tu solución o que haga de entrevistador. Evita pedir la respuesta lista de algo que estás intentando aprender.

    ¿Cuánto tiempo lleva todo el camino?

    Al ritmo sugerido, de cuatro a seis horas por semana, cada etapa lleva de tres a seis meses. El camino entero lleva de un año y medio a tres años, y no termina: con cada nueva compresión de la tecnología, algunas etapas hay que revisitarlas.

    Empieza esta semana

    Ocho acciones para poner el camino en marcha

    Marca lo que ya hiciste. El progreso se guarda solo en este navegador.

    0 de 8 hechas

    ¿Quieres seguir la conversación?

    Envía tu pregunta sobre carrera, estudio o arquitectura.

    Usa el formulario de contacto, o lee los textos técnicos y los ensayos del blog.

    Referencias
    1. Naur, P.; Randell, B. (eds.). Software Engineering: Report on a conference sponsored by the NATO Science Committee, Garmisch, 7–11 de octubre de 1968. Bruselas: NATO, 1969. En inglés. homepages.cs.ncl.ac.uk
    2. Zachman, J. A. A Framework for Information Systems Architecture. IBM Systems Journal, v. 26, n. 3, 1987.
    3. Stack Overflow. 2025 Developer Survey, sección de IA. En inglés. survey.stackoverflow.co
    4. DORA / Google Cloud. State of AI-assisted Software Development, 2025. En inglés. dora.dev
    5. Brynjolfsson, E.; Chandar, B.; Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, 2025. En inglés. digitaleconomy.stanford.edu
    6. Becker, J.; Rush, N.; Barnes, B.; Rein, D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, 2025. En inglés. arxiv.org
    7. Foro Económico Mundial. The Future of Jobs Report 2025. En inglés. weforum.org
    8. Stanford HAI. AI Index Report 2025. En inglés. hai.stanford.edu
    9. Stanford HAI. AI Index Report 2026. En inglés. hai.stanford.edu
    10. Fundación Nobel. Premios Nobel de Física y de Química de 2024. En inglés. Física · Química
    11. ACM, IEEE Computer Society y AAAI. Computer Science Curricula 2023 (CS2023). En inglés. csed.acm.org
    12. The Open Group. The TOGAF Standard, 10.ª edición. En inglés. opengroup.org
    13. Ross, J. W.; Weill, P.; Robertson, D. C. Enterprise Architecture as Strategy: Creating a Foundation for Business Execution. Boston: Harvard Business School Press, 2006.
    14. Wazlawick, R. S. Metodologia de Pesquisa para Ciência da Computação. Río de Janeiro: Elsevier. En portugués.