Resolver problemas todos los días ofrece muchas oportunidades para aprender. En programación, basta con que algo falle de una manera que no habíamos previsto para encontrarnos leyendo documentación o explorando una solución con IA. Ese aprendizaje también tiene valor.

Pero hay una pregunta que me interesa: si quiero mejorar en algo concreto, ¿cuánto puedo dejar en manos de lo que aparezca durante la semana? Puedo pasar muchas horas trabajando sin dedicar ninguna a esa dificultad que sigo arrastrando. Las tareas se terminan; lo que todavía me cuesta puede esperar otro mes.

Un concepto que encontré en un taller

Hacia 2022 participé en un taller de transformación digital. Aunque buena parte del contenido me resultaba familiar por mi trabajo en tecnología, hubo una pregunta que me hizo revisar algo que daba por hecho. El disertante preguntó cuántas horas al día dedicábamos a aprender.

Respondí que bastantes. Como programador, tenía días que me parecían de aprendizaje puro: investigar un bug, entender una herramienta o implementar algo que no había hecho antes. La respuesta me salía sola.

El disertante aprovechó mi respuesta para señalar una diferencia. Según explicó, cuando trabajamos procuramos no equivocarnos. Hay algo que entregar, y esa responsabilidad limita cuánto podemos experimentar. Al practicar para aprender, podemos elegir una dificultad y permitirnos fallar mientras intentamos entenderla.

Entonces habló de «práctica deliberada». No había escuchado el término. La explicación me sorprendió porque reconocí las dos situaciones: en algunas ocasiones ya había practicado de esa manera sin saber cómo se llamaba; en otras, estaba contando como estudio un tiempo que en realidad dedicaba a sacar adelante el trabajo. Empecé a preguntarme cuánto de ese esfuerzo me estaba ayudando a aprender lo que quería.

No tomaría aquella explicación como una frontera absoluta. Investigar un error también puede enseñarnos mucho. Lo que me quedó fue la necesidad de mirar con más cuidado qué estaba haciendo cuando decía que estaba aprendiendo. Resolver el problema pendiente y practicar una habilidad pueden coincidir, pero no tienen por qué hacerlo.

Un laboratorio con ayuda de la IA

En su trabajo de 1993, Anders Ericsson, Ralf Krampe y Clemens Tesch-Römer describieron actividades de práctica diseñadas expresamente para mejorar el desempeño, con tareas adecuadas al nivel de quien aprende y oportunidades de corregir errores. Tomo esa idea como orientación; no cualquier ejercicio con IA constituye práctica deliberada en sentido estricto.

Imaginemos que me cuesta entender por qué una consulta a la base de datos tarda tanto. Durante una entrega puedo apoyarme en la IA para investigar, probar una corrección y seguir adelante. Hay un problema que atender y otras personas esperan una solución.

Esa misma herramienta puede ayudarme a preparar un laboratorio para estudiar lo que todavía no entiendo. Podría pedirle algo así:

Quiero aprender a interpretar planes de ejecución en PostgreSQL. Prepara un laboratorio local con datos ficticios y una consulta para investigar. Pregúntame primero qué sé y ajusta la dificultad. Dame instrucciones para montarlo, pero reserva la solución: quiero proponer una explicación, probar cambios y comparar los resultados. Si me atasco, dame una pista.

Antes de cambiar la consulta, escribiría qué creo que está ocurriendo. Después contrastaría mi explicación con el plan de ejecución y las mediciones. Le pediría a la IA que cuestionara mi razonamiento y propondría otro caso para comprobar si puedo reconocer el problema. Revisaría sus explicaciones contra la documentación y lo que ocurre al ejecutar las pruebas.

La intención cambia lo que le pido a la herramienta. Además de ayudarme a resolver, puede preparar condiciones para que yo practique. El avance se vuelve visible cuando consigo explicar y resolver una variante que todavía no había visto.

Un ciudadano de primera clase

En software usamos la expresión first-class citizen para hablar de aquello que tiene pleno reconocimiento dentro de un sistema. Me gusta tomarla prestada para el aprendizaje: darle un lugar visible cuando decidimos qué hacer y a qué dedicar tiempo.

«Aprender sobre bases de datos» puede quedarse mucho tiempo en una lista. «Completar un laboratorio de consultas y explicar por qué cambia su plan de ejecución» permite empezar. También permite reconocer cuándo parar.

Ese espacio tiene un coste. Si una semana está llena, reservar tiempo para aprender exige posponer algo o reducir el alcance de otra tarea. En un equipo, ese coste necesita acordarse. Darle importancia al aprendizaje resulta difícil si solo cabe después de terminar todo lo demás.

Algo pequeño que podamos sostener

Me parece razonable empezar por una dificultad que ya aparezca en el trabajo y pedirle a la IA un ejercicio acotado para explorarla. Al terminar, dejaría una nota con lo que pude explicar por mi cuenta y la duda que quedó pendiente. Eso daría una dirección al siguiente intento sin convertir el registro en otra obligación pesada.

También quiero dejar espacio para leer por curiosidad, probar una herramienta sin objetivo y abandonar un tema que dejó de interesarme. Dar intención a una parte del aprendizaje puede convivir con esos descubrimientos. La propuesta pierde sentido si cada interés tiene que justificar su rendimiento.

¿Qué te gustaría aprender que lleva tiempo esperando su turno, y qué espacio podrías darle esta semana?

Referencias