Qué aprendería si empezara a estudiar ciencias de la computación hoy

Si empezara a estudiar ciencias de la computación hoy, no entraría en pánico.

Tampoco fingiría que el sector es igual que hace cinco años.

La realidad está en algún punto intermedio: la IA ha cambiado las tareas que abarca el desarrollo de software, especialmente para los perfiles junior. Pero en el fondo sigue tratándose de ciencias de la computación: entender sistemas, modelar problemas, depurar lo que ocurre en la práctica, evaluar alternativas y construir cosas que funcionen cuando se desvanece el entusiasmo de la demo.

Este artículo es para el estudiante que se siente entusiasmado y atrasado al mismo tiempo. Ves a personas construir agentes, apps, automatizaciones, herramientas de investigación y pequeñas startups con una laptop y una API key. Tal vez también escuchas que es más difícil conseguir un trabajo de software para principiantes, que la IA puede escribir código y que tu plan de estudios avanza lentamente.

Todo eso puede ser cierto y aun así puedes tener un camino muy prometedor.

TL;DR

Aprendería primero los fundamentos, pero no de forma aislada. La programación, las estructuras de datos, las bases de datos, los sistemas operativos, las redes y la depuración son aún más importantes a medida que la IA escribe más código.
Aprendería sobre IA desde temprano. No solo a escribir prompts, sino a usar APIs de modelos, salidas estructuradas, recuperación de información, evals y controles de seguridad.
Construiría un portafolio que demuestre mis capacidades, en lugar de acumular certificados. Tres proyectos pequeños con pruebas, decisiones y sus ventajas y desventajas explicadas en el README, capturas de pantalla, enlaces al código fuente y notas honestas sobre fallas valen más que diez demos vagas.
Usaría la IA como mentora y revisora, no como sustituto de mi cerebro. El whitepaper de NUS-Google sobre educación en ciencias de la computación cita evidencia de que el acceso sin restricciones a GPT-4 puede mejorar el rendimiento durante la práctica, pero perjudicar el rendimiento posterior en los exámenes cuando se retira la IA.
Desarrollaría mi criterio. En 2026, el código es más barato. La habilidad escasa es saber qué construir, en qué confiar, qué eliminar y cómo explicar las ventajas y desventajas de una decisión.

Qué aprenderás aquí

El contexto de 2026 para estudiantes: adopción de IA, presión en el mercado laboral y por qué los fundamentos siguen importando
El conjunto de habilidades que aprendería si empezara ahora
Cómo usar herramientas de IA sin debilitar tu capacidad para resolver problemas
Un proyecto concreto que construiría en mi primer mes
Cómo demostrar tus capacidades en un portafolio para un mercado laboral donde la IA tiene un papel importante
Qué dejaría para más adelante para poder avanzar de verdad

El contexto real de 2026

Empecemos con lo que dicen las fuentes.

El AI Index de Stanford de 2026 informa que la adopción de IA en las organizaciones alcanzó el 88%, que 4 de cada 5 estudiantes universitarios usan IA generativa y que el rendimiento en SWE-bench Verified pasó del 60% a cerca del 100% del rendimiento humano de referencia en un solo año. CBS News, al resumir la guía para graduados de LinkedIn de 2026, informó que ingeniero de IA fue el puesto de mayor crecimiento entre los trabajadores jóvenes por segundo año consecutivo, y que LinkedIn añadió 639,000 ofertas de empleo relacionadas con IA en Estados Unidos entre 2023 y 2025, incluidas 75,000 vacantes de ingeniero de IA.

Eso no significa que todos los estudiantes deban convertirse en investigadores de machine learning. No significa que todas las empresas sepan lo que hacen con la IA. No significa que un chatbot te vaya a regalar una carrera.

Mi interpretación es más sencilla: el mercado se está orientando hacia personas que pueden combinar fundamentos de software con dominio de la IA y criterio de producto. Quien solo escribe prompts está en una posición vulnerable. Quien se niega a usar IA desaprovecha una ventaja. Quien entiende el sistema y usa IA para avanzar más rápido está en una posición sólida.

El conjunto de habilidades que aprendería

Si empezara hoy, no preguntaría: «¿Qué único curso debería tomar?».

Preguntaría: «¿Qué conjunto de habilidades me permitirá progresar cada vez más?».

FOUNDATION
  programming, data structures, systems, databases, networks
        |
        v
AI LITERACY
  model APIs, prompting, structured output, retrieval, evals
        |
        v
BUILDING
  web apps, CLIs, APIs, deploys, observability, product loops
        |
        v
PROOF
  shipped projects, tests, READMEs, demos, writeups, trade-offs
        |
        v
TASTE
  judgment, debugging intuition, simplicity, security, ownership

Ese es el plan de estudios que tendría en mente. No porque sea perfecto, sino porque evita dos trampas comunes:

Profundizar tanto en la teoría que nunca entregues nada.
Aprender las herramientas de forma tan superficial que puedas entregar una demo que no sabes depurar.

1. Aprende a programar como si fueras a tener que leer código malo

La primera habilidad no es «Python» ni «TypeScript». Es ser capaz de leer un problema, convertirlo en un modelo preciso, escribir un programa pequeño y entender por qué funciona.

CS50 describe su objetivo como enseñar a resolver problemas con y sin código, haciendo énfasis en la corrección, el diseño y el estilo. Ese es exactamente el enfoque adecuado. No estás aprendiendo sintaxis por sí misma. Estás aprendiendo a pensar dentro de restricciones.

Si empezara ahora, elegiría un lenguaje principal y lo dominaría con suficiente soltura como para que se volviera rutinario:

Python si quisiera el camino más sencillo hacia los datos, las APIs de IA, los scripts y los notebooks.
TypeScript si quisiera construir aplicaciones web, demos de producto y proyectos full-stack.
C o Rust más adelante si quisiera entender con mayor profundidad la memoria, los sistemas y el rendimiento.

La regla: usa la IA para explicar, hacerte preguntas y revisar, pero escribe suficiente código a mano para que la recursión, los errores, el estado, los tipos y la depuración se conviertan realmente en parte de tus habilidades.

2. Aprende los fundamentos duraderos de las ciencias de la computación

Las materias aburridas dejan de serlo cuando las conectas con proyectos reales.

Las aprendería aproximadamente en este orden:

Área	Por qué importa ahora	Construye algo pequeño
Estructuras de datos y algoritmos	La IA puede sugerir código, pero aún necesitas saber qué es eficiente, correcto y adecuado	Una función de búsqueda con ordenamiento, ranking y pruebas de casos límite
Bases de datos	La mayoría de las apps útiles son memoria estructurada alrededor de un problema de producto	Una app de notas con usuarios, etiquetas, búsqueda de texto completo y migraciones
Sistemas operativos	Los procesos, archivos, memoria, permisos y concurrencia explican muchos bugs reales	Una CLI que monitoree archivos, ejecute tareas y maneje fallas
Redes	Todo producto de IA sigue dependiendo de HTTP, autenticación, latencia, reintentos y tiempos de espera	Un cliente de API pequeño con reintentos, límites de tasa y logs
Diseño de software	La IA facilita agregar código; el diseño te ayuda a mantener el sistema comprensible	Refactoriza un script desordenado en módulos con pruebas

Teach Yourself Computer Science recomienda estudiar programación, arquitectura de computadoras, algoritmos, matemáticas, sistemas operativos, redes, bases de datos, lenguajes y compiladores, y sistemas distribuidos. No intentaría dominar todo eso en un semestre. Lo tomaría como un mapa para varios años.

Lo importante es priorizar la profundidad sobre aparentar competencia. No le pidas simplemente a la IA la respuesta al algoritmo de Dijkstra. Impleméntalo. Haz que falle. Visualízalo. Explica cuándo no lo usarías.

3. Aprende sobre IA sin volverte dependiente de los prompts

Los conocimientos de IA son ahora una habilidad profesional básica, pero «sé cómo preguntarle a ChatGPT» no es suficiente.

Aprendería cinco capas prácticas:

Prompting: cómo las instrucciones, el contexto, los ejemplos y las restricciones influyen en la salida.
Salida estructurada: cómo hacer que las respuestas del modelo se ajusten a JSON o a esquemas tipados.
Recuperación de información: cómo responder a partir de documentos con citas, en lugar de impresiones.
Evaluación: cómo probar la calidad de las respuestas, en lugar de solo admirar una buena demo.
Seguridad y costo: cómo manejar alucinaciones, datos sensibles, latencia y gastos descontrolados.

Aquí es donde empieza a notarse la diferencia entre un proyecto estudiantil y uno serio.

Un proyecto débil dice:

«Construí un chatbot».

Un proyecto más sólido dice:

«Construí un asistente de estudio que usa mis apuntes de clase. Recupera fragmentos relevantes, responde solo a partir de ellos, devuelve citas, valida la salida con un esquema y registra las fallas para revisarlas».

La misma categoría. Una señal completamente diferente.

4. Usa la IA como mentora, no como muleta

El whitepaper de NUS-Google es útil porque no se limita a decir «usa IA» o «prohíbe la IA». Plantea que la educación en ciencias de la computación debe orientarse hacia la comprensión y verificación de los artefactos generados por IA, sin perder la comprensión conceptual.

También cita un ensayo controlado aleatorizado con casi 1,000 estudiantes en el que el acceso sin restricciones a GPT-4 mejoró el rendimiento durante la práctica en un 48%, pero provocó una caída del 17% en las calificaciones de exámenes posteriores cuando se retiró la IA. La lección no es que la IA sea mala. La lección es que recibir ayuda sin esforzarte puede hacerte sentir que dominas algo antes de dominarlo realmente.

Esta es la regla que usaría:

Before AI:
  try, sketch, fail, write what you think is happening

With AI:
  ask for hints, edge cases, explanations, alternate approaches

After AI:
  close the chat, re-implement, test, and explain from memory

Buenos usos de la IA:

«Hazme preguntas sobre tablas hash hasta que pueda explicar las colisiones».
«Revisa este código en busca de casos límite, pero no lo reescribas todavía».
«Dame tres formas en las que este esquema de base de datos podría fallar».
«Explícame este concepto de sistemas operativos con una analogía y luego con una definición precisa».
«Genera casos de prueba que probablemente pasé por alto».

Malos usos de la IA:

«Resuelve mi tarea antes de que yo intente hacerlo».
«Escribe el proyecto y el README para que pueda entregarlos».
«Explica este error y luego pega la corrección sin que yo la entienda».
«Haz que mi código parezca escrito por alguien sénior aunque yo no pueda depurarlo».

Quieres que la IA aumente tus oportunidades de practicar, no que las reemplace.

5. Construye proyectos que demuestren criterio

El mercado laboral no necesita más portafolios con doce landing pages clonadas y una app del clima.

Necesita pruebas de que puedes tomar un problema ambiguo, reducirlo a algo manejable, construir una versión funcional, probarla y explicar las ventajas y desventajas de tus decisiones.

Me propondría hacer tres proyectos:

Proyecto 1: Una app útil sin IA

Primero construye una app normal: un gestor de presupuesto para un club, un CRM personal, un planificador de estudio, un registro de entrenamientos, un dashboard de issues de código abierto o un pequeño sistema de inventario.

Qué demuestra: que puedes construir flujos de producto, modelos de datos, autenticación, CRUD, validación, despliegue y UX básica sin esconderte detrás de la magia de la IA.

Proyecto 2: Una función de IA dentro de una app normal

Agrega una función de IA a esa app: resúmenes, clasificación, extracción, búsqueda, recomendaciones o un asistente guiado.

Qué demuestra: que puedes integrar IA en software en lugar de construir un chatbot aislado.

Proyecto 3: Un proyecto de IA enfocado en la confiabilidad

Construye un pequeño asistente RAG, un ayudante de programación o un agente de tareas, pero haz visible la evaluación.

Qué demuestra: que entiendes que los sistemas de IA fallan y sabes cómo medirlos, limitar sus riesgos y mejorarlos.

Para cada proyecto, agrega una sección al README llamada Qué probé:

10 entradas de ejemplo
3 fallas que encontraste
qué cambiaste después de probar
para qué no se debe confiar en el sistema
capturas de pantalla o un video corto de demostración
pasos de configuración que alguien que no conoces pueda ejecutar realmente

Ese tipo de honestidad es poco común. Hace que sea más fácil confiar en ti.

Un proyecto concreto: el asistente de estudio basado en fuentes

Si tuviera un mes, construiría un asistente de estudio para una materia real.

No un chatbot genérico. Un sistema pequeño con un contrato definido.

Course notes / PDFs
      |
      v
Chunk documents
      |
      v
Embed chunks
      |
      v
Question -> retrieve top chunks
      |
      v
Model answers only from retrieved chunks
      |
      v
Return answer + citations + missing info
      |
      v
Log result for evaluation

Empieza con el esquema útil más pequeño:

from pydantic import BaseModel, Field


class StudyAnswer(BaseModel):
    answer: str
    citations: list[str] = Field(description="Source chunk IDs used")
    missing_information: list[str] = Field(default_factory=list)
    confidence: str = Field(description="low, medium, or high")


def validate_answer(raw_json: str) -> StudyAnswer:
    return StudyAnswer.model_validate_json(raw_json)

Luego crea un archivo pequeño de evals:

[
  {
    "question": "What is the difference between a process and a thread?",
    "must_cite": ["os-notes-03"],
    "should_refuse_if_missing": false
  },
  {
    "question": "What did the professor say will be on the final exam?",
    "must_cite": [],
    "should_refuse_if_missing": true
  }
]

Eso enseña más de lo que parece:

manejo de archivos
división en fragmentos y búsqueda
embeddings
llamadas a APIs
validación de esquemas
control de alucinaciones
pruebas
comportamiento del producto

También te da una historia clara para una entrevista: «Lo construí, lo evalué, encontré dónde fallaba y cambié el diseño».

Aprende las herramientas que las escuelas suelen omitir

Missing Semester de MIT existe porque muchos programas de ciencias de la computación no enseñan lo suficiente sobre las herramientas que usas todos los días: la shell, los editores, Git, la depuración, el profiling, el empaquetado y la entrega de software. Su programa de 2026 incluso incorpora programación con agentes y flujos de trabajo mejorados con IA.

Me lo tomaría en serio.

Aprende:

la línea de comandos
Git más allá de add, commit y push
a depurar con un depurador real
logs y trazas
variables de entorno y secretos
gestores de paquetes
permisos básicos de Linux
conceptos básicos de CI
cómo desplegar una app pequeña

Estas habilidades te hacen más rápido de inmediato. También hacen que los asistentes de IA sean más útiles porque puedes verificar lo que están haciendo.

El nivel de portafolio al que aspiraría

Un buen portafolio junior en 2026 no es solo «aquí están mis repositorios».

Debería responder rápidamente cinco preguntas:

¿Qué problema resolviste?
¿Para quién es?
¿Qué construiste tú?
¿Cómo lo probaste?
¿Qué aprendiste o cambiaste después de que falló?

Para cada proyecto serio, incluiría:

una demo en vivo si es posible
un README breve con la arquitectura y las ventajas y desventajas de las decisiones tomadas
capturas de pantalla o un video de un minuto
pruebas o un conjunto de evals
una sección de «limitaciones conocidas»
un texto breve que explique una decisión difícil

Esto no es solo para reclutadores. Es para ti. Escribir sobre las ventajas y desventajas de tus decisiones te obliga a entender tu propio trabajo.

Lo que no perseguiría primero

Tu atención es tu presupuesto.

No empezaría con:

Entrenar modelos desde cero. Es fascinante, pero no es necesario para la mayoría de los proyectos estudiantiles de IA.
Un framework nuevo cada semana. Aprende un stack con suficiente profundidad para terminar.
Sistemas multiagente antes de tener una herramienta confiable. Haz que funcione un ciclo pequeño antes de orquestar cinco que sean frágiles.
Una idea gigantesca de SaaS. Primero construye un flujo de trabajo pequeño y útil.
Solo LeetCode. Practica algoritmos, sí, pero no dejes que la preparación para entrevistas reemplace la construcción de proyectos.
Solo vibe coding. Puede ayudarte a avanzar rápido, pero todavía necesitas entender, probar y hacerte responsable del resultado.

Dejar esto para después no es falta de ambición. Es cuestión de establecer el orden.

Un plan para los primeros 90 días

Si estuviera aconsejando a un estudiante de ciencias de la computación de primer o segundo año, mantendría los primeros 90 días acotados.

Days 1-30:
  Learn one language well enough to build small programs.
  Finish a command-line tool or simple web app.
  Use Git daily.

Days 31-60:
  Add a database, auth, tests, and deployment.
  Write a README with setup instructions and trade-offs.

Days 61-90:
  Add one AI feature with structured output.
  Add a tiny eval set.
  Write what failed and what you changed.

Al final, deberías poder decir:

«Construí una app real, la desplegué, agregué una función de IA, probé los modos de falla y puedo explicar las ventajas y desventajas de cada decisión importante».

Esa frase es más sólida que «sé de IA».

Reflexión final

Si empiezas a estudiar ciencias de la computación hoy, no llegas tarde. Estás empezando en un momento extraño, lleno de oportunidades para multiplicar tu impacto.

El campo cambia rápido, pero lo esencial sigue firme: comprende los problemas a fondo, construye cosas útiles, pruébalas con honestidad y sigue aprendiendo sobre las capas que hay debajo de tus herramientas.

Usa la IA. Aprende de ella. Deja que revise tu trabajo, te haga preguntas y acelere tus proyectos.

Pero no dejes que te quite el esfuerzo que convierte la información en habilidad.

El mejor camino no es estar en contra de la IA ni depender solo de ella. Va más allá de ambos: conviértete en alguien que puede usar herramientas poderosas porque entiende lo suficiente como para cuestionarlas.