Berkeley reporta colapso en notas de CS mientras Impulse levanta 500M para contratar humanos
Failing grades se disparan con uso de IA y caída de skills matemáticas. Startup de cohetes dice que ingeniería física aún depende de talento, no modelos.
La universidad que formó a los fundadores de Intel y Apple acaba de documentar algo incómodo: sus estudiantes de Computer Science están reprobando a tasas récord. No por falta de herramientas — las tienen de sobra — sino precisamente por usarlas. Mientras tanto, una startup de motores de cohetes levanta medio billón de dólares con un pitch explícito: vamos a contratar humanos, no modelos de lenguaje. La paradoja define el momento: la IA te ayuda a pasar exámenes hasta que deja de hacerlo, pero sigue sin poder diseñar un sistema que funcione en el mundo físico.
El colapso silencioso en Berkeley
UC Berkeley reporta un incremento dramático en tasas de reprobación en cursos de ciencias de la computación, correlacionado directamente con dos variables: adopción masiva de herramientas de IA generativa y deterioro observable en habilidades matemáticas fundamentales. Los profesores no están viendo estudiantes que usan IA como asistente — están viendo estudiantes que delegaron por completo la construcción de intuición. El problema no es copiar código; es que cuando llega el examen sin acceso a ChatGPT, el alumno descubre que nunca internalizó cómo funciona un algoritmo de ordenamiento o por qué importa la complejidad temporal.
La ironía es brutal: la generación con más acceso a tutores sintéticos está desarrollando menos capacidad de razonamiento independiente que sus predecesores. Berkeley documenta que el deterioro no es solo en programación — las bases matemáticas (álgebra lineal, cálculo, probabilidad) muestran gaps que antes no existían a esta escala. Estamos criando una cohorte que sabe promptear pero no derivar, que puede generar boilerplate pero no debuggear un edge case no obvio.
Impulse apuesta medio billón a lo insustituible
En paralelo, Impulse Space levanta 500 millones de dólares con un mensaje que suena anacrónico hasta que lo pensás dos veces: ese capital va directo a contratar talento humano, no a escalar inferencia. Eric Romo, presidente de la compañía, es explícito: la ingeniería de sistemas físicos — motores de cohete, propulsión orbital, transferencia de calor en vacío — sigue dependiendo de intuición humana que ningún modelo actual replica.
Impulse no está haciendo teatro luddita. Usan simulación, CAD avanzado, optimización computacional. Pero cuando tenés que decidir si un diseño va a sobrevivir 18 meses en órbita bajo radiación y vacío térmico, necesitás ingenieros que entiendan física a nivel visceral — que puedan anticipar modos de falla que no están en el dataset de entrenamiento porque literalmente nunca ocurrieron antes. La IA te ayuda a iterar; no te dice qué iterar ni por qué.
El gap que importa
La distancia entre estos dos hechos define el problema real del talento técnico en 2026. Los modelos de lenguaje son extraordinarios para tareas bien definidas con espacios de solución conocidos: refactorear código legacy, generar tests unitarios, traducir pseudocódigo a Python. Colapsan en problemas mal especificados, ambiguos, o que requieren razonamiento físico sobre sistemas no deterministas.
Berkeley muestra qué pasa cuando una generación confunde acceso a respuestas con capacidad de razonamiento. Impulse demuestra que industrias donde el costo del error es catastrófico (aerospace, infraestructura crítica, medicina) siguen pagando premium por humanos que pueden pensar desde primeros principios. El mercado está bifurcándose: roles donde la IA es suficiente versus roles donde es irrelevante.
Qué mirar
Para líderes técnicos y gestores de talento, la señal es clara: el diferencial de valor está migrando hacia capacidades que los modelos no emulan — razonamiento físico, intuición sobre sistemas complejos, capacidad de formular problemas nuevos en lugar de resolver los conocidos. Las empresas que dependan de talento junior que nunca desarrolló fundamentals van a descubrir el costo cuando necesiten escalar más allá de CRUD apps.
Observá las tasas de retención en roles de ingeniería crítica, el premium salarial en sectores donde IA no sustituye (hardware, biotech, infraestructura), y si tus pipelines de formación interna están generando dependencia o capacidad. La pregunta no es si tus equipos usan IA — es si todavía pueden trabajar sin ella cuando el problema no tiene solución en el corpus de entrenamiento.