Mark Russinovich (CTO de Azure) y Scott Hanselman (veterano de relaciones con desarrolladores en Microsoft) publicaron una opinion en el numero de abril de Communications of the ACM argumentando que la forma en que la IA esta siendo adoptada en organizaciones de software esta vaciando estructuralmente el pipeline de desarrolladores junior. Los datos que citan son lo que hace que la pieza sea mas dificil de descartar que el comentario tipico de IA-y-empleo. Un estudio de Harvard encontro que el empleo de personas de 22 a 25 anos en trabajos expuestos a IA cayo aproximadamente 13% despues del lanzamiento de GPT-4. Otra investigacion que referencian pone la contratacion entry-level de desarrolladores en 67% menos desde 2022. Trabajo cognitivo del MIT a principios de 2025 mostro que adultos usando ChatGPT para tareas de escritura tenian actividad cerebral reducida y peor recuerdo vs trabajo sin asistencia — el "AI drag" que acunan para ingenieros junior usando LLMs sin el juicio para dirigirlos. Y desde dentro de Microsoft, citan Project Societas, un proyecto interno Office Agent que produjo 110,000+ lineas de codigo descritas como 98% generadas por IA, construido por siete ingenieros de tiempo parcial en 10 semanas.
El mecanismo que llaman la "hipotesis de la piramide que se estrecha" es la parte del argumento que aterriza. Los desarrolladores junior historicamente aprenden a traves de trabajo entry-level de bajo riesgo — correcciones de bugs, implementacion simple de features, refactoring — y ese trabajo es exactamente lo que la IA maneja mejor ahora. Cuando la base de la piramide desaparece, tambien lo hace el camino de aprendizaje que producia la siguiente generacion de ingenieros senior. El encuadre de Russinovich y Hanselman es que la IA da a los ingenieros senior un impulso masivo de productividad mientras impone AI drag a los junior que aun no tienen el juicio para verificar, integrar y anular la salida de IA. Los dos efectos se componen en direcciones opuestas: la productividad senior sube, la formacion de carrera junior se ralentiza, y la empresa optimiza por la solucion de staffing de corto plazo al costo del pipeline de mediano plazo.
Su intervencion propuesta es un modelo preceptor tomado prestado de la educacion medica. Los desarrolladores junior se emparejan con mentores senior dentro de equipos de producto reales, la mentoria se mide y compensa como entregable de primera clase, los preceptorados duran un ano o mas, y hay clases explicitas de "la IA es trampa" donde el junior tiene que demostrar que entiende el trabajo subyacente sin el modelo. Russinovich confirmo que Microsoft esta pilotando esto internamente. La critica honesta en la discusion que siguio a la pieza — foros de Reddit y Register, mas una observacion aguda de Charity Majors — es que las matematicas pueden no funcionar para la empresa promedio. Un junior toma aproximadamente dos anos en volverse productivo. Un asistente de coding IA hace a un desarrollador mid-level quizas 30% mas productivo hoy. Las empresas corriendo en ciclos trimestrales de ganancias confiablemente elegiran la segunda opcion. Majors anadio que en cada lugar donde ha visto realmente contratar juniors en los ultimos anos, la carga fue liderada por ingenieros senior haciendo lobby internamente — lo que significa que el incentivo organizacional por defecto es lo opuesto de lo que un modelo preceptor necesita.
Para constructores y managers de ingenieria, esta es una de las pocas piezas IA-y-empleo lo suficientemente rica en datos para actuar sobre ella en lugar de gesticular. Las preguntas que vale la pena tomar en serio dentro de tu organizacion: cuantas de tus contrataciones de los ultimos 12 meses fueron debajo de mid-level, que tareas especificas estan haciendo realmente los juniors que tienes en un ambiente IA-pesado, son tus seniors compensados de alguna manera por esfuerzo de mentoria, y como se ve tu modelo de staffing a tres anos si ningun junior en el equipo se vuelve senior? La advertencia honesta es que los datos de empleo subyacentes son disputados — algunos economistas laborales argumentan que la caida de contratacion post-GPT-4 refleja el bajon tech mas amplio de 2023-2024 mas que la IA especificamente, y el numero 67% depende fuertemente de como se define "entry-level". El estudio de Harvard controlo por efectos a nivel de industria pero no perfectamente. La pieza tiene razon en que algo esta pasando; la magnitud y la cuota causal que la IA especificamente posee es la parte donde el trabajo cuidadoso aun no se ha hecho. El modelo preceptor es el tipo correcto de intervencion por la que abogar, sostengan o no los numeros mas pesimistas.