Hace unas semanas leí un artículo de Jaya Gupta que defendía una idea provocadora: «Experience is now a tax». La experiencia se ha convertido en un impuesto. Me pareció un diagnóstico brillante, pero incompleto. Porque, al cruzarlo con otro debate que llevo meses observando —cómo la IA está transformando los roles de producto, ingeniería, diseño y datos— aparece una conclusión mucho más preocupante: el impuesto a la experiencia existe, pero la factura realmente cara aún está por llegar. Y no te voy a prometer un final feliz, porque no lo hay.
Gupta acierta en algo fundamental. Durante décadas, el trabajo del conocimiento se apoyó en tres ventajas que favorecían a los perfiles más experimentados: experimentar era caro, acumular conocimiento era una ventaja competitiva y rectificar tenía un coste elevado. La IA ha reducido drásticamente el coste de las tres.
Hoy experimentar es casi gratuito. Lo que antes requería semanas de análisis puede generarse en horas. La memoria también ha dejado de ser un activo exclusivo de los veteranos: buena parte de lo que llamábamos inteligencia consistía en recordar precedentes y patrones, algo que ahora cualquier profesional recupera en minutos con ayuda de la IA. Incluso rectificar cuesta mucho menos. Cuando cambiar de dirección ya no implica meses de trabajo, quienes aún no han construido una reputación que proteger suelen adaptarse con mayor rapidez que quienes llevan décadas tomando decisiones.
Los datos respaldan esta transformación. El estudio de Erik Brynjolfsson, Danielle Li y Lindsey Raymond sobre más de 5.000 agentes de atención al cliente mostró un aumento medio de productividad del 14%, pero con una diferencia reveladora: los trabajadores menos experimentados mejoraron un 34%, mientras que los veteranos apenas obtuvieron beneficios. La IA capturó el conocimiento de los mejores y lo puso al alcance de quienes todavía no lo habían adquirido.
El mismo patrón aparece en programación. En el experimento de GitHub Copilot, los desarrolladores con acceso a IA completaron las tareas un 55,8% más rápido, siendo los perfiles con menos experiencia quienes más aprovecharon la herramienta. Paralelamente, los modelos de IA avanzan a una velocidad extraordinaria: en apenas un año pasaron de resolver el 4,4% al 71,7% de los problemas del benchmark SWE-Bench.
La escena ya es habitual. Un profesional de 22 años convierte una idea en un prototipo funcional en cuestión de horas gracias a la IA, mientras que, en muchas organizaciones, quienes deciden la estrategia de adopción de estas herramientas apenas las han utilizado. Esa asimetría existe y sería un error ignorarla.
Hasta aquí, Gupta tiene razón. Si la IA democratiza precisamente aquello que antes requería años de experiencia, parece lógico concluir que la antigüedad pierde valor y que las empresas deberían apostar por perfiles jóvenes capaces de producir más, más rápido y con menor coste.
Pero ahí empieza el verdadero problema.
Porque la misma tecnología que multiplica la productividad de los juniors está eliminando el trabajo con el que históricamente aprendían. El primer borrador, el análisis exploratorio, la búsqueda de información o el código inicial eran precisamente las tareas que permitían adquirir experiencia. Si ahora la IA realiza ese trabajo por una fracción del coste, la pregunta que muchas empresas ya se están haciendo no es cuántos juniors contratar, sino si necesitan contratarlos.
Y los datos muestran que esa decisión ya está ocurriendo.
El estudio «Canaries in the Coal Mine» de Brynjolfsson, Bharat Chandar y Ruyu Chen aporta un dato que rompe el relato fácil. Analizando millones de nóminas en Estados Unidos observaron que, desde la adopción masiva de la IA generativa, el empleo de los trabajadores de entre 22 y 25 años en las ocupaciones más expuestas cayó cerca de un 13%, mientras que el de los perfiles más experimentados se mantuvo estable o incluso creció. En desarrollo de software, la caída de contratación de perfiles junior fue aún mayor. Y el ajuste no llega por el salario, sino por el empleo: no es que a los juniors les paguen menos, es que directamente no los contratan. Otros análisis, como los de SignalFire, apuntan en la misma dirección. Incluso Dario Amodei, CEO de Anthropic, advirtió en 2025 de que la IA podría eliminar hasta la mitad de los empleos administrativos de nivel básico en los próximos años. Que lo diga quien está construyendo esta tecnología convierte la advertencia en un argumento difícil de ignorar.
Aquí aparece la gran paradoja: la IA convierte a un junior en alguien mucho más productivo desde el primer día y, al mismo tiempo, lleva a muchas empresas a dejar de contratar juniors.
Estamos utilizando la herramienta que mejor potencia a los perfiles de entrada para justificar que ya no hacen falta perfiles de entrada.
Ese es el verdadero riesgo. Los seniors no aparecen de la nada. Son juniors que pasaron años equivocándose, viendo fracasar proyectos y desarrollando criterio. Si dejamos de alimentar esa cantera, durante un tiempo no ocurrirá nada porque seguiremos viviendo del conocimiento acumulado por las generaciones anteriores. El problema llegará después, cuando esos profesionales se marchen y descubramos que nadie recorrió el camino necesario para sustituirlos.
Ese es el coste que casi nadie está calculando.
Por eso la pregunta «¿junior o senior?» está mal planteada.
Lo importante no son los años de experiencia, sino el tipo de contribución que una persona aporta. Inspirándome en una observación de Boris Cherny sobre los equipos que construyen con IA, cada vez resulta más útil pensar en cinco arquetipos de trabajo: el Prototipador, que genera ideas; el Constructor, que las convierte rápidamente en producto; el Barrendero, que simplifica y elimina lo innecesario; el Cultivador, que hace evolucionar un producto vivo; y el Mantenedor, que garantiza su estabilidad y escalabilidad.
Estos arquetipos no dependen de la edad ni de la disciplina. Puede haber diseñadores Prototipadores, ingenieros Mantenedores o product managers Barrenderos. Lo relevante es la forma de trabajar, no los años acumulados.
Con esta perspectiva, los datos empiezan a encajar. La IA potencia especialmente el trabajo de Prototipadores y Constructores, donde predominan tareas de generación y experimentación. Ahí los perfiles menos experimentados pueden avanzar a una velocidad inédita. Sin embargo, el trabajo del Barrendero y del Mantenedor exige algo diferente: decidir qué eliminar, qué merece sobrevivir, qué resistirá cuando el producto escale y qué acabará rompiéndose. Ese tipo de juicio sigue dependiendo del contexto acumulado durante años.
La misma división empieza a verse en todas las disciplinas.
En producto, desaparece parte del trabajo de coordinación mientras gana valor quien es capaz de construir prototipos o de optimizar un producto real con criterio.
En diseño, una parte evoluciona hacia la creación rápida de prototipos y otra hacia algo todavía más valioso: aportar criterio para simplificar y eliminar ruido en un mundo saturado de interfaces generadas automáticamente.
En ingeniería ocurre algo parecido. La IA acelera a quien construye código nuevo, pero sigue necesitando profesionales capaces de mantener sistemas complejos, donde el conocimiento específico pesa mucho más que la velocidad de generación.
En datos e inteligencia artificial sucede exactamente lo mismo. Generar análisis o consultas es cada vez más barato. Lo difícil continúa siendo decidir qué métricas importan, distinguir correlación de causalidad, validar modelos y descartar conclusiones equivocadas.
La vieja escalera profesional está dejando de existir. Antes, un senior hacía una versión más compleja del trabajo del junior. Ahora ambos tienden a especializarse en funciones diferentes y complementarias. El reto ya no consiste en decidir entre juventud o experiencia, sino en construir equipos que combinen ambas capacidades según la fase del producto y el problema que deben resolver.
Aquí es donde entra otro estudio que ayuda a reconciliar lo que, a primera vista, parecen conclusiones contradictorias. En 2025, METR analizó el trabajo de desarrolladores experimentados sobre sus propios proyectos y descubrió algo inesperado: usando IA tardaban un 19% más en completar tareas complejas, aunque ellos creían estar trabajando más rápido. El tiempo ahorrado escribiendo código se perdía revisando, corrigiendo y adaptando las respuestas de la máquina. Conviene interpretar este resultado con cautela: es una fotografía de las herramientas disponibles a comienzos de 2025 y los modelos seguirán mejorando. Lo relevante del estudio no es la limitación de una versión concreta, sino mostrar dónde sigue residiendo el valor diferencial de la experiencia.
La conclusión no es que la IA no funcione. Es que funciona de forma distinta según el tipo de trabajo. En tareas repetitivas, frecuentes y bien definidas impulsa enormemente a los perfiles menos experimentados. En cambio, cuando el problema exige conocimiento profundo de un sistema concreto, contexto acumulado y juicio, la experiencia sigue siendo decisiva.
Por eso prefiero no hablar de un impuesto a la experiencia. La experiencia no ha perdido valor; simplemente ha cambiado de lugar. Ahora que generar alternativas es barato, el cuello de botella ya no consiste en producir más, sino en decidir qué merece sobrevivir. Y ese juicio sigue siendo uno de los recursos más escasos.
Eso sí, conviene distinguir entre experiencia y criterio. No todo lo que un veterano presenta como criterio lo es realmente. A veces hay reconocimiento de patrones construidos durante años. Otras veces hay costumbre, preferencias personales o miedo a equivocarse públicamente. El reto de cualquier líder no consiste en venerar ni despreciar la experiencia, sino en reconocer cuándo existe criterio real.
La objeción parece evidente: si la IA hace productivo a un junior desde la primera semana y cuesta mucho menos que un senior, ¿por qué no construir equipos solo con juniors y la mejor IA disponible? Se cae por tres sitios. El estudio de METR muestra que, cuando el problema exige contexto y conocimiento profundo, la misma IA deja de acelerar y puede incluso ralentizar el trabajo. Los seniors de dentro de diez años son los juniors a los que alguien decide formar hoy. Y, sobre todo, un equipo de juniors idénticos, salidos del mismo molde y entrenados por la misma IA, es tan homogéneo como un equipo de seniors idénticos: has cambiado un punto ciego por otro más barato.
Y eso conduce a la idea más importante del artículo.
El verdadero impuesto no es la experiencia: es la homogeneidad.
Un equipo formado únicamente por seniors corre el riesgo de compartir los mismos sesgos, la misma aversión al riesgo y la misma forma de interpretar los problemas. Un equipo compuesto solo por juniors tiene el problema contrario: velocidad y creatividad, pero poca capacidad para decidir qué merece la pena construir y qué conviene descartar.
En ambos casos el problema es el mismo: todos piensan de forma parecida.
Y el verdadero origen de esa homogeneidad no es la edad, sino la cultura. Los entornos que castigan la discrepancia no producen equipos diversos que luego se uniformizan: producen uniformidad desde el principio, enseñando a las personas a autocensurarse. Esa forma de envejecer profesionalmente puede afectar igual a alguien de 28 años que a alguien de 55 si trabaja en el entorno equivocado. Por eso contratar juniors no salva de la homogeneidad si se los mete en una máquina que en seis meses les enseña a pensar exactamente como los seniors que ya había.
La diversidad que importa, por tanto, no es únicamente demográfica; es cognitiva. Equipos donde conviven distintas formas de pensar, distintos niveles de experiencia y distintos arquetipos generan mejores decisiones que equipos excelentes pero homogéneos.
Por eso la IA también obliga a replantear cómo organizamos el talento. Ya no basta con clasificar a las personas por disciplina y antigüedad. También importa el papel que desempeñan dentro del ciclo de vida del producto. Un producto nuevo necesita más Prototipadores y Constructores. Un producto consolidado requiere cada vez más Barrenderos y Mantenedores. La mejor combinación suele ser emparejar a un perfil joven capaz de generar muchas alternativas con un perfil experimentado capaz de seleccionar las correctas. No compiten entre sí; se potencian mutuamente.
De todo ello se desprenden varias consecuencias prácticas.
Las organizaciones no deberían dejar de contratar juniors: se están comiendo el grano de siembra. Pan para hoy y hambre para mañana, con el agravante de que quien toma esa decisión rara vez paga la factura, porque cuando llegue probablemente ya estará en otro puesto presumiendo de haber optimizado los márgenes. Tampoco pueden confiar en que la IA sustituya el aprendizaje tradicional: si la máquina realiza las tareas con las que antes se adquiría experiencia, habrá que diseñar nuevas formas de desarrollar criterio. Revisar, auditar y cuestionar lo que produce la IA será tan importante como producir.
Al mismo tiempo, conviene empezar a reconocer y premiar perfiles que históricamente han pasado desapercibidos: quienes simplifican, eliminan complejidad y mantienen sistemas robustos. En un mundo donde generar contenido es cada vez más barato, saber qué no construir se convierte en una ventaja competitiva.
Para quienes empiezan su carrera, el mensaje también cambia. La ventaja ya no será ejecutar tareas que la IA hace automáticamente, sino demostrar criterio antes de lo habitual: entender el negocio, detectar errores de la máquina y aportar juicio. Para quienes acumulan experiencia, el desafío consiste en desplazar su valor desde la producción hacia la toma de decisiones y, sobre todo, utilizar la IA para comprender sus posibilidades y limitaciones.
Al final, creo que Gupta tiene razón en el diagnóstico inicial: la IA ha reducido el valor de muchas ventajas asociadas tradicionalmente a la experiencia. Pero sería un error convertir ese diagnóstico en una estrategia de sustitución de seniors por juniors.
La experiencia sigue siendo un activo. Lo que ha cambiado es dónde genera valor.
La pregunta nunca fue «¿junior o senior?». La verdadera pregunta es si seremos capaces de construir equipos donde la velocidad y la frescura de quienes empiezan convivan con el criterio de quienes ya han visto suficientes proyectos fracasar para decidir qué de todo eso merece existir. Porque el verdadero impuesto que pagarán las organizaciones no será la edad de sus profesionales, sino la homogeneidad con la que tomen sus decisiones. El peligro no es envejecer; es trabajar en un entorno que te enseña a filtrarte a ti mismo.
Así que mira la sala donde se toman las decisiones importantes de tu organización y pregúntate honestamente si todo el mundo piensa igual. Yo tengo claro de qué lado quiero estar. ¿Y tú?
