Efecto Waymo: por qué la IA reduce la colaboración en la ciencia

⏱️ Lectura: 15 min

Un Waymo sin conductor te lleva del punto A al punto B sin que tengas que saludar a nadie, y esa misma comodidad ya llegó al laboratorio: según un ensayo publicado el 7 de septiembre de 2026, la inteligencia artificial está vaciando poco a poco la silla del colaborador humano en la ciencia y en el desarrollo de software.

📑 En este artículo

1. TL;DR
2. Qué pasó: así nace el efecto Waymo
3. Contexto e historia
4. Detalles técnicos y rendimiento
5. Cómo empezar
6. Impacto y análisis
7. Qué sigue
8. Preguntas frecuentes
   1. ¿Qué es el efecto Waymo?
   2. ¿Quién acuñó el término y dónde se publicó?
   3. ¿El ensayo aporta datos cuantitativos sobre la caída de la colaboración?
   4. ¿Cómo puedo medir si mi equipo de desarrollo está perdiendo colaboración humana por usar IA?
   5. ¿El efecto Waymo implica que hay que dejar de usar Claude o GPT para programar?
   6. ¿Qué relación tiene esto con el paradigma del dispositivo de Borgmann?
9. Referencias

Daniel Hook, Chief Scientific Officer del grupo editorial Holtzbrinck, bautizó el fenómeno como el “efecto Waymo”: la tendencia a preferir un modelo de lenguaje frente a un colega real porque el modelo nunca trae fricción, agenda propia ni objeciones inesperadas.

TL;DR

• Daniel Hook, Chief Scientific Officer de Holtzbrinck Group, publicó el ensayo “The Waymo effect” el 7 de septiembre de 2026 en Research Agenda.
• El texto compara los autos autónomos Waymo con los modelos de lenguaje: ambos eliminan la fricción de tratar con otra persona.
• Hook se apoya en “la tiranía de la conveniencia” de Tim Wu (2018) y en el “paradigma del dispositivo” de Albert Borgmann.
• La tesis central: un colaborador humano llega con su propia agenda y objeta lo que no le preguntaste; un LLM solo objeta lo que vos le pedís.
• El ensayo es argumentativo, no un estudio con cifras propias: no aporta un porcentaje de caída en la colaboración.
• Hook advierte que la pérdida ocurre “por conveniencia, no por decisión”: nadie elige dejar de colaborar, solo elige la opción sin fricción.
• Aplicado a equipos de software, el mismo patrón se puede medir con git log y la API de revisiones de pull requests de GitHub.

Qué pasó: así nace el efecto Waymo

El 7 de septiembre de 2026, Research Agenda publicó un ensayo de Daniel Hook, Chief Scientific Officer del grupo Holtzbrinck (la matriz que controla Nature, Springer y Macmillan Learning), donde relata un viaje en un Waymo por San Francisco junto a Susan Winslow, CEO de Macmillan Learning. Ambos habían cruzado el país para reunirse en persona y colaborar cara a cara, algo que consideran tercamente difícil de lograr por videollamada.

La ironía que descubrieron es la semilla del artículo: disfrutaron muchísimo el viaje en el auto sin conductor, precisamente porque no tenían que conversar con nadie. Dos personas que viajaron miles de kilómetros para hablar entre sí terminaron celebrando una tecnología cuya función central es que no tengas que hablar con nadie.

De ahí Hook extrae una definición operativa: el efecto Waymo ocurre cuando una tecnología elimina la fricción de tratar con otra persona y esa eliminación se percibe como pura ganancia, porque el costo de la fricción siempre fue visible (el esfuerzo, la charla incómoda) mientras que su beneficio (un punto de vista ajeno, no solicitado) nunca se anunció como valioso.

El ensayo traslada esa lógica del transporte a la investigación científica: los modelos de lenguaje como Claude o GPT están, según Hook, reemplazando silenciosamente al colaborador humano en el proceso de pensar, no solo en tareas mecánicas de escritura o de código.

Contexto e historia

Hook no inventa el concepto desde cero: se apoya en dos ideas ya asentadas en la filosofía de la tecnología. La primera es “la tiranía de la conveniencia” de Tim Wu, publicada en 2018: la idea de que, una vez que existe una opción sin fricción, la adoptamos por defecto y perdemos, sin darnos cuenta, lo que esa fricción hacía por nosotros.

La segunda es el “paradigma del dispositivo” de Albert Borgmann: un dispositivo entrega una comodidad (calor, información, compañía) mientras oculta la práctica que antes hacía falta para conseguirla, al punto de que dejamos de notar que esa práctica desapareció. Solo sigue llegando la comodidad.

Aplicado al chofer de un taxi: el costo de charlar con un extraño era obvio (el esfuerzo de ser cortés, la ruleta de la conversación). El beneficio era difuso y diferido: para mucha gente, ese chofer era el último desconocido con el que tenían una conversación no elegida, la última fuente confiable de una opinión que no pidieron.

Hook traslada exactamente esa estructura al trabajo intelectual. Un colaborador humano está disponible de forma limitada, entre clases, límites de subsidios y husos horarios distintos. Un modelo de lenguaje está disponible a las dos de la mañana de un domingo, que, seamos honestos, es cuando de verdad ocurre buena parte del pensamiento científico.

flowchart TD
    A["Interacción con fricción social"] --> B{"Existe alternativa sin fricción?"}
    B -- "No" --> C["Se sostiene la colaboración humana"]
    B -- "Sí" --> D["Se adopta la alternativa cómoda"]
    D --> E["El beneficio oculto de la fricción desaparece"]
    E --> F["Nadie lo decidió: fue por conveniencia"]

Detalles técnicos y rendimiento

El ensayo de Hook es filosófico, no un paper con métricas propias: no incluye ninguna cifra de adopción ni de caída de colaboración. Pero el fenómeno que describe sí se puede instrumentar en un equipo de software, que es donde el efecto Waymo se vuelve más concreto: cada vez que un desarrollador le pide a un asistente de IA que resuelva algo en vez de tocarle la puerta a un colega.

Una forma directa de medirlo es revisar los trailers Co-authored-by de Git, que tanto GitHub Copilot como Claude Code insertan automáticamente cuando participan en un commit. Contar cuántos commits llevan coautor humano frente a cuántos llevan coautor de IA (o ninguno) da una aproximación cruda a la tasa de colaboración real de un equipo.

#!/usr/bin/env bash
# cuenta_coautoria.sh: mide cuántos commits del último mes citan
# a un asistente de IA como coautor, vía el trailer Co-authored-by

DESDE="30 days ago"

total=$(git log --since="$DESDE" --oneline | wc -l)
con_ia=$(git log --since="$DESDE" -i -E \
  --grep="Co-authored-by: Claude" \
  --grep="Co-authored-by: Copilot" \
  --oneline | wc -l)

echo "Commits totales (30 dias): $total"
echo "Commits con coautor IA: $con_ia"
if [ "$total" -gt 0 ]; then
  echo "Porcentaje con IA: $(( con_ia * 100 / total ))%"
fi

Este script corre igual en Linux, macOS y en Windows dentro de Git Bash o WSL, porque solo depende de git y utilidades de shell estándar. El resultado no distingue si el commit con coautor humano fue realmente una conversación de diseño o solo una revisión de forma, pero sirve como primera señal de alerta.

Una medición más fina es preguntarle a la API de GitHub cuántos pull requests tuvieron al menos un revisor humano, no solo un bot de análisis estático o un asistente de IA marcando el PR como aprobado.

import requests
from datetime import datetime, timedelta

REPO = "programacion-labs/backend-api"
TOKEN = "ghp_xxxxxxxxxxxxxxxxxxxx"  # usar variable de entorno en produccion
HEADERS = {"Authorization": f"Bearer {TOKEN}", "Accept": "application/vnd.github+json"}

def prs_recientes(dias=90):
    desde = datetime.utcnow() - timedelta(days=dias)
    url = f"https://api.github.com/repos/{REPO}/pulls"
    params = {"state": "closed", "per_page": 100}
    prs = []
    while url:
        resp = requests.get(url, headers=HEADERS, params=params)
        data = resp.json()
        prs.extend(p for p in data if datetime.fromisoformat(p["created_at"][:-1]) >= desde)
        url = resp.links.get("next", {}).get("url")
        params = None
    return prs

def reviso_un_humano(pr):
    reviews = requests.get(pr["url"] + "/reviews", headers=HEADERS).json()
    return any(r.get("user", {}).get("type") == "User" for r in reviews)

prs = prs_recientes()
con_humano = sum(1 for pr in prs if reviso_un_humano(pr))
print(f"PRs con revisor humano: {con_humano}/{len(prs)}")

Este segundo script pagina la API de GitHub con la cabecera Link estándar y clasifica cada revisión según el campo type del usuario (User frente a Bot). Corriéndolo una vez al mes, un equipo puede graficar si el porcentaje de revisión humana sube, baja o se mantiene estable.

Interacción	Cuándo conviene	Ventaja	Limitación
Colega humano	Cuando el problema exige cuestionar un supuesto propio	Trae un marco de referencia distinto y objeciones no pedidas	Requiere agenda compartida, reuniones y tiempo de espera
LLM (Claude, GPT)	Cuando hace falta iterar rápido a cualquier hora	Disponible 24/7, sin fricción social, responde al instante	Solo objeta lo que vos le pedís que objete, no trae agenda propia
Par programming remoto	Cuando hay que transferir conocimiento tácito del equipo	Detecta errores de contexto que el autor no ve	Depende de husos horarios y disponibilidad de ambas partes
Revisión de PR por bot de IA	Para filtrar errores mecánicos antes de pedir revisión humana	Rápida y consistente, libera tiempo humano para lo sustantivo	No reemplaza la revisión de diseño ni de arquitectura

⚠️ Ojo: contar coautoría por trailers de Git no captura el trabajo de diseño que sí ocurrió en una charla de pasillo o en una llamada previa al commit; es una aproximación, no un veredicto sobre cuánto colaboró realmente el equipo.

Cómo empezar

Si querés instrumentar el efecto Waymo en tu propio equipo, no hace falta un estudio académico: alcanza con correr los dos scripts anteriores una vez al mes y guardar el resultado en una hoja de cálculo o en un dashboard interno.

1. Elegí una ventana de tiempo fija: 30 o 90 días, siempre la misma, para poder comparar mes a mes.
2. Corré cuenta_coautoria.sh sobre cada repositorio activo del equipo y guardá el porcentaje de commits con coautor de IA.
3. Corré el script de Python contra la API de pull requests y guardá el porcentaje de PRs con al menos un revisor humano.
4. Cruzá ambos números con la percepción subjetiva del equipo: una encuesta corta de “¿con quién consultaste tu último problema difícil, un colega o un LLM?” agrega contexto que el git log no captura.

💡 Tip: corré el script de git log en modo local antes de conectar cualquier cosa a la API de GitHub: no necesita token ni permisos, y ya te da una primera señal en segundos.

En equipos de investigación (no de software), el equivalente es revisar la coautoría real de los papers: cuántos autores por artículo, cuántas instituciones distintas, y si esa cifra viene bajando año a año. Ese dato sí lo llevan bases como Dimensions o Web of Science, aunque el ensayo de Hook no cita ninguna serie temporal propia.

Impacto y análisis

El argumento de Hook sobre el efecto Waymo no es que la inteligencia artificial sea mala para la ciencia o para el software. Es que la conveniencia no avisa lo que se lleva puesto. Nadie decide activamente dejar de colaborar con humanos: cada persona, por separado, elige la opción más cómoda en el momento, y la suma de esas decisiones individuales termina reduciendo la fricción a cero en todo un campo.

💭 Clave: el costo de la fricción social siempre fue visible (tiempo, incomodidad); su beneficio (una objeción no pedida, un punto de vista ajeno) nunca se anunció como valioso, así que nadie lo defendió cuando empezó a desaparecer.

En investigación, esto tiene una consecuencia concreta: la diversidad de marcos teóricos y de objeciones inesperadas es, históricamente, lo que evita que un campo entero se equivoque de la misma manera al mismo tiempo. Un LLM entrenado para ser útil tiende a devolver una versión pulida de la pregunta que le hiciste, no una pregunta distinta que no se te había ocurrido.

En equipos de software el riesgo es parecido, aunque más operativo: si el revisor humano de un pull request se reemplaza sistemáticamente por la aprobación de un asistente de IA, el equipo pierde la instancia en la que alguien con contexto de negocio (no solo de sintaxis) pregunta “¿por qué estás resolviendo esto así?”. El código puede quedar correcto y, aun así, mal alineado con lo que el negocio necesitaba.

Vale la contraparte: nadie está proponiendo prohibir los LLM ni volver a foros de discusión por correo electrónico. El propio Hook aclara que disfrutó el viaje en el Waymo y que lo repetiría sin dudar. El punto no es rechazar la comodidad, es notar conscientemente qué fricción estás dejando ir antes de que desaparezca del todo.

Qué sigue

Hook no propone una métrica oficial para el efecto Waymo ni anuncia que Holtzbrinck (la matriz de Springer Nature y Digital Science) vaya a medirlo en su propio catálogo de revistas. El ensayo termina como una invitación a la reflexión, no como un plan de acción con fecha.

Lo previsible es que el argumento se sume a un debate que ya venía creciendo: cuánta autonomía cognitiva se pierde, o se gana, al delegar en un asistente de IA el trabajo que antes forzaba una conversación incómoda con otra persona. Ese debate ya tiene evidencia empírica en el terreno de la programación, aunque con métricas propias y no directamente comparables a la tesis filosófica de Hook.

Para equipos técnicos, el paso práctico más razonable es el que describe la sección anterior: instrumentar, no asumir. Medir la proporción real de commits y revisiones con y sin coautor humano durante unos meses antes de sacar conclusiones sobre el propio equipo.

📖 Resumen en Telegram: Ver resumen

Probalo vos: corré el script cuenta_coautoria.sh sobre tu repositorio principal ahora mismo y compará el porcentaje de coautoría con IA de los últimos 30 días contra los 30 anteriores.

Preguntas frecuentes

¿Qué es el efecto Waymo?

Es el nombre que le dio Daniel Hook al fenómeno por el cual una tecnología sin fricción (un auto autónomo, un modelo de lenguaje) reemplaza silenciosamente a un colaborador humano, y esa pérdida se experimenta como ganancia porque el costo de la fricción era visible y su beneficio no.

¿Quién acuñó el término y dónde se publicó?

Lo acuñó Daniel Hook, Chief Scientific Officer del grupo Holtzbrinck, en un ensayo publicado el 7 de septiembre de 2026 en Research Agenda.

¿El ensayo aporta datos cuantitativos sobre la caída de la colaboración?

No. Es un texto argumentativo apoyado en la tiranía de la conveniencia de Tim Wu y el paradigma del dispositivo de Albert Borgmann, no un estudio con una serie de datos propia.

¿Cómo puedo medir si mi equipo de desarrollo está perdiendo colaboración humana por usar IA?

Contando la proporción de commits con coautor humano frente a coautor de IA (vía el trailer Co-authored-by de Git) y el porcentaje de pull requests con al menos un revisor humano, usando la API de GitHub.

¿El efecto Waymo implica que hay que dejar de usar Claude o GPT para programar?

No. Hook aclara que disfrutó el viaje en el Waymo y lo repetiría. El punto es notar conscientemente qué fricción, y qué beneficio oculto, se pierde antes de que desaparezca del todo, no rechazar la herramienta.

¿Qué relación tiene esto con el paradigma del dispositivo de Borgmann?

Borgmann describe cómo un dispositivo entrega una comodidad mientras oculta la práctica que antes hacía falta para conseguirla. Hook aplica esa misma idea a la colaboración: el LLM entrega la respuesta útil mientras oculta que ya no hubo una conversación humana detrás.

Referencias

• Research Agenda: ensayo original de Daniel Hook, “The Waymo effect”, publicado el 7 de septiembre de 2026.
• The New York Times: ensayo de Tim Wu, “The Tyranny of Convenience” (2018), citado como base conceptual.
• Wikipedia: perfil de Albert Borgmann, filósofo autor del “paradigma del dispositivo”.
• Wikipedia: perfil del grupo Holtzbrinck, matriz de Springer Nature y Macmillan Learning, donde Hook es Chief Scientific Officer.
• GitHub Docs: documentación oficial sobre el trailer Co-authored-by usado en los scripts de medición.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.

Imagen destacada: Foto de Erik Mclean en Unsplash