En apenas cuatro años, la narrativa dominante sobre las carreras de ciencias de la computación dio un giro brusco: de “futuro a prueba de crisis” a incertidumbre estructural. Universidades que no daban abasto para impartir clases hoy ven egresados que celebran una sola oferta donde antes llovían múltiples. ¿Qué ha pasado —además de la IA— y qué pueden hacer estudiantes, empresas y centros académicos para reencuadrar la preparación profesional?
Qué cambió (más allá del eslogan “la IA lo alteró todo”)
1) Sobredemanda → sobreoferta (local y temporal).
La explosión de matrículas entre 2016-2022 generó cohortes muy voluminosas que han llegado al mercado en un ciclo de desaceleración: contención de plantillas, reordenamiento de prioridades y más filtros de selección.
2) Reconfiguración de tareas por IA generativa.
Herramientas de asistencia al código y agentes reducen tiempos de desarrollo en tareas estándar (scaffolding, refactor básico, pruebas), lo que comprime el valor de perfiles junior centrados solo en implementación. La productividad sube, la necesidad de headcount en ciertos equipos baja o se traslada.
3) “Thin out” organizativo.
Muchas compañías han adelgazado capas intermedias y externalizado trabajos no diferenciales. Los equipos que permanecen son más pequeños, polivalentes y con responsabilidad de producto.
4) Desplazamiento de la prima salarial.
La prima ya no está en “escribir código” a secas, sino en resolver problemas con productos que muevan métricas, integrar IA con datos y operar sistemas. La distancia entre contribución estándar y diferencial se ha ensanchado.
Señales en el campus (y en las vacantes)
- Menos ofertas múltiples para prácticas y primer empleo; procesos más largos y técnicamente exigentes.
- Mayor peso de preguntas sobre arquitectura, datos y producto además del algoritmo.
- Búsqueda de perfiles “T-shaped”: base amplia (sistemas, redes, datos, seguridad) + especializaciones que conecten con valor de negocio.
¿Está “muerta” la informática? No: cambió la canasta de habilidades
Lo que mantiene valor (y sube):
- Fundamentos: estructuras de datos, concurrencia, redes, sistemas operativos, arquitectura de computadoras.
- Ciencia de datos aplicada: preparación de datos, evaluación de modelos, prompting y tooling MLOps.
- Ingeniería de producto: diseño de APIs, métricas, UX básica, A/B testing.
- Plataforma y operaciones: cloud, contenedores, CI/CD, observabilidad, coste/finops.
- Seguridad: secure by design, threat modeling, cumplimiento básico.
Lo que se comoditiza más rápido:
- Implementación repetitiva sin contexto de producto.
- “Saber una librería” sin entender patrones o trade-offs.
Recomendaciones por actor
Para estudiantes (o bootcampers):
- Aprende a trabajar con IA, no contra ella.
Usa copilots y agentes en el día a día: especificación clara, verificación y evaluación de resultados son ya parte de la competencia profesional. - Portafolio con impacto, no solo demostraciones.
Proyectos que muestren entrega end-to-end: problema → datos → solución → métrica (p. ej., latency, retención, coste). Documenta decisiones y post-mortems. - Amplía la base y el “adjacent skill”.
Combina CS con un dominio (salud, finanzas, logística, legal). El contexto de industria te diferencia frente a “código por código”. - Comunica como ingeniero/a de producto.
Cuenta historias con datos, prioriza, estima, negocia alcance. El “por qué” pesa tanto como el “cómo”. - Itera tu búsqueda como un sprint.
Mide tu funnel: aplicaciones → entrevistas → callbacks. Ajusta CV/portafolio y práctica técnica cada 2–3 semanas; solicita feedback específico.
Para universidades:
- Tronco común fuerte (sistemas, redes, arquitectura, datos, seguridad), con laboratorios que integren IA y plataforma.
- Asignaturas puente con derecho, salud, negocios, humanidades: resolución de casos reales, ética y responsabilidad de IA.
- Capstone “multi-partner”: proyectos con empresas/ONG donde el deliverable viva después del curso (no toy apps).
- Centro de carrera orientado a portafolio y validaciones externas (certificaciones selectivas, contribuciones open source).
Para empleadores:
- Evaluaciones más realistas: menos acertijos; más retos con IA en el flujo, depuración, observability y decisiones de diseño bajo restricción.
- Junior + AI apprenticeship: onboarding con mentores y objetivos que midan aprendizaje, calidad y impacto, no solo cierre de tickets.
- Re-skilling interno: crea rutas desde QA/Soporte/IT hacia platform, data o security con sprints de aprendizaje y prácticas.
Estrategias concretas para la era de la IA
- Diseña con “IA-primero”: identifica dónde copilots/agents ahorran tiempo y dónde requieren revisión humana. Documenta los puntos de control.
- Métricas de valor: adopta KPIs combinados (p. ej., lead time + tasa de defectos + coste GPU por feature).
- Ética y cumplimiento pragmáticos: checklists de uso responsable de IA, privacidad y seguridad integrados a PRs y pipelines.
- Aprendizaje continuo: rota cada 6–9 meses por un área adyacente (datos↔backend↔plataforma).
Narrativas erróneas (y cómo corregirlas)
- “La IA quita empleos de CS” → La IA redefine tareas; desplaza valor hacia integración, evaluación y operación.
- “Basta con aprender la librería X” → Importan patrones y fundamentos; la librería cambia, el criterio perdura.
- “Todo es prompting” → Sin datos limpios, sistemas robustos y métricas, el prompt no salva el proyecto.
Señales de recuperación (qué observar en 2025–2026)
- Aumento de vacantes que mencionan agentes, observabilidad de IA, MLOps y coste por inferencia.
- Prácticas que vuelven a niveles previos (ratio ofertas/solicitantes) en cloud, data y security.
- Crecimiento en roles de plataforma y fiabilidad ligados a despliegues de IA (AI SRE, AI Infra).
Lo esencial
Ciencias de la computación no dejó de tener valor; dejó de ser automática. La ventaja ya no está en “saber programar” en abstracto, sino en convertir problemas reales en soluciones medibles apoyadas por IA —con juicio técnico, comprensión de dominio y responsabilidad. En ese terreno, quienes adopten y orquesten la IA superarán a quienes la ignoren.
Para estudiantes, universidades y empresas, la tarea no es volver al 2019: es diseñar el 2026 con una canasta de habilidades más equilibrada, interdisciplinar y operativa. Y eso, lejos de ser una amenaza, es una oportunidad para que la informática vuelva a ser lo que siempre prometió: resolver problemas importantes con tecnología y criterio.
vía: techspot
