La ansiedad actual en los departamentos de ingeniería y producto no es nueva. El miedo a que la inteligencia artificial generativa atrofie la capacidad de escribir código limpio, depurar arquitectura compleja o sintetizar estrategia de producto sin un copiloto resonando en el IDE, tiene un precedente histórico exacto: la cabina de un Airbus o un Boeing a finales de los años 90.

Entonces, la industria aérea vivió su propio "apocalipsis de habilidades". La automatización avanzada —pilotos automáticos que gestionaban la navegación, el empuje y hasta el aterrizaje— redujo drásticamente los accidentes por error humano. Pero creó un efecto secundario insidioso: la "dependencia de la automatización". Los pilotos, convertidos en gestores de sistemas, perdieron la pericia manual stick-and-rudder (palanca y timón). Cuando los sensores fallaban o el software se desconectaba inesperadamente, la tripulación a menudo reaccionaba mal o tarde. Los informes de accidentes como el del vuelo 447 de Air France (2009) o el 214 de Asiana (2013) señalaron lo mismo: los pilotos sabían operar la máquina, pero habían olvidado cómo volar el avión.

La respuesta de la aviación no fue prohibir el piloto automático ni volver a la instrumentación analógica. Fue radicalmente pragmática: construyeron mejores simuladores y cambiaron la cultura de entrenamiento. Se introdujo el concepto de Upset Prevention and Recovery Training (UPRT) y se mandató que los pilotos practicaran regularmente vuelos manuales en condiciones adversas, sin las redes de seguridad del software. El simulador se convirtió en el "gimnasio" donde se mantiene la memoria muscular y la conciencia situacional para el día que la automatización falle —o simplemente no sea la mejor opción—.

Este es el modelo que el sector tecnológico debe copiar urgentemente. No podemos permitir que los desarrolladores junior solo aprendan a prompting; necesitan escribir bucles for, gestionar memoria y entender la latencia de red sin la muleta de Copilot o Cursor. Las empresas que traten a la IA como un sustituto del aprendizaje, y no como un acelerador del experto, sufrirán una deuda técnica invisible: equipos incapaces de diagnosticar alucinaciones críticas, optimizar costos de inferencia o refactorizar legacy cuando el modelo proponga soluciones elegantes pero incorrectas.

La analogía del simulador se traduce en "entornos de práctica deliberada sin IA". Hackatones internos con prohibición de asistentes de código, revisiones de arquitectura whiteboard donde se exige razonamiento desde cero, "días de apagón" programados donde el stack se despliega y debuguea manualmente. Algunas organizaciones pioneras ya están creando sandboxes adversariales: entornos donde el modelo falla a propósito para que el humano entrene la detección de sesgos, fugas de datos o lógica rota.

Además, la gestión del recurso de tripulación (CRM), la disciplina que enseña a pilotos y copilotos a comunicarse, desafiar decisiones y monitorizar el estado del otro, encuentra su paralelo en la supervisión humana efectiva (Human-in-the-loop). No basta con tener un humano "en el bucle"; ese humano debe tener la autoridad y la competencia técnica para vetar a la máquina. Eso requiere que la organización valore —y pague— la pericia profunda tanto como la velocidad de entrega asistida por IA.

El coste de no hacer esto es la "deskilling" organizacional: una plantilla que produce output a velocidad de vértigo pero pierde outcome estratégico y resiliencia. La próxima gran caída de sistema no vendrá por un bug en el LLM, sino porque nadie en la sala supo cómo arreglarlo cuando el modelo se quedó callado. La lección de la aviación es clara: la seguridad y la excelencia no vienen de volar siempre en automático, sino de entrenar obsesivamente para el momento en que toca tomar los mandos.