El post «AI es una herramienta» suma 233 puntos en Hacker News: lo que decide es la habilidad

La entrada del blog yyhh.org titulada «AI is a tool and using it well takes skill» se publicó el 12 de octubre de 2026 y reunió en Hacker News 233 puntos y 209 comentarios. No disponemos del texto completo del post: solo tenemos el titular y las métricas de la discusión. Por eso no resumiremos los argumentos del autor. Aun así, la tesis y la reacción que provoca muestran dónde se sitúa hoy el principal debate sobre las herramientas de IA.

Por qué una tesis tan obvia genera debate

El post tiene casi los mismos puntos que comentarios: 233 frente a 209. En Hacker News suele ser señal de discusión, no de acuerdo silencioso. La frase «el resultado depende de la habilidad del usuario» suena a perogrullada, pero no gusta a ninguno de los dos bandos. A los escépticos les parece una excusa para modelos poco maduros: si una herramienta exige habilidad, es que está verde. A los entusiastas les estropea el relato de que basta con escribir una consulta para que todo funcione.

Ambas posturas se pueden contrastar con datos. Todavía hay pocos, pero existen.

Qué muestran las mediciones

En el estudio de BCG y Harvard de 2023 participaron 758 consultores. En tareas dentro de la «frontera irregular» de capacidades de GPT-4, completaron un 12,2% más de tareas, un 25,1% más rápido, y la calidad se valoró más de un 40% superior. En una tarea fuera de esa frontera, la proporción de respuestas correctas del grupo con IA fue 19 puntos porcentuales inferior a la del grupo sin ella.

En 2025, la organización METR realizó un experimento con 16 desarrolladores con experiencia en proyectos de código abierto y 246 tareas reales. Con herramientas de IA trabajaron un 19% más lentos. Antes de empezar esperaban acelerar un 24%, y al terminar creían haber ido un 20% más rápido.

Ambos resultados respaldan la tesis de la habilidad. La clave está en entender dónde ayuda la herramienta y dónde estorba, y en medirlo en lugar de fiarse de las sensaciones.

Métricas del material y del contexto

• Fuente: Hacker News, con enlace al blog yyhh.org.
• Fecha de publicación: 12 de octubre de 2026.
• Puntuación del post: 233 puntos.
• Comentarios: 209.
• BCG/Harvard (2023): +12,2% de tareas, un 25,1% más rápido, calidad más de un 40% superior dentro de la frontera de capacidades; 19 p. p. menos de respuestas correctas fuera de ella.
• METR (2025): 16 desarrolladores, 246 tareas, un 19% más lentos frente a una expectativa de aceleración del 24%.

Por dónde empezar en la práctica

La habilidad para trabajar con IA se puede descomponer en varios hábitos concretos.

• Dé contexto. El modelo no conoce su código, sus restricciones ni sus criterios de «terminado» hasta que usted se los describe.
• Divida las tareas. Un paso corto con un resultado claro es más fácil de verificar que un borrador enorme.
• Verifique el resultado con tests, linters y cotejo con las fuentes, no con una lectura «a ojo».
• Decida de antemano qué tareas no le encomienda en absoluto al modelo: aquellas en las que el coste del error es alto y la verificación sale más cara que el propio trabajo.
• Mida. Durante dos semanas, anote cuánto tiempo llevan las tareas habituales con IA y sin ella. El resultado de METR demuestra que la sensación interna de velocidad engaña con facilidad.

Una nota aparte para los directivos: comprar licencias no crea habilidad. Si el equipo no está formado y no tiene métricas propias, puede acabar con el gasto en la herramienta y un efecto negativo en la velocidad. Qué consejos concretos da el autor del post original es algo que conviene comprobar en su texto. La discusión en Hacker News, accesible desde el enlace, también aporta muchos ejemplos prácticos de quienes usan estas herramientas a diario.