Hace algunos años uno de nuestros problemas
era la infoxicación. Internet colocó ante nosotros una cantidad de información
que superaba nuestra capacidad para leerla, procesarla y valorarla. Tener
acceso a más información no significaba estar mejor informados. Había que
aprender a buscar, seleccionar, contrastar y decidir qué merecía nuestra
atención. La inteligencia artificial generativa no eliminó ese problema: lo
transformó.
Ahora no tenemos solamente miles de
documentos, noticias, videos y enlaces esperando ser consultados. Tenemos
herramientas capaces de leerlos, resumirlos, compararlos y convertirlos en una
respuesta aparentemente coherente. Ya no necesitamos recorrer decenas de
páginas para encontrar una explicación, podemos escribir una pregunta y
recibirla en segundos.
Este cambio parece resolver una parte de la
infoxicación. Si antes el problema era encontrar una respuesta entre demasiada
información, ahora la IA puede organizar esa información por nosotros. Pero
surge otra dificultad: ¿qué hacemos con una respuesta que parece correcta,
está bien redactada y llega prácticamente terminada?
Esta pregunta adquiere mayor significado
después de leer el trabajo de Selma Hodzic, Anja Stevic y Jörg Matthes,
publicado en 2026 en Technology in Society
Los resultados dejan una paradoja que
merece ser examinada desde la educación.
Sabemos bastante sobre los riesgos y
beneficios, pero falta algo
La inteligencia artificial generativa ha
provocado una discusión que con frecuencia parece dividirse entre quienes destacan
sus posibilidades y quienes advierten sus peligros. La revisión de Hodzic y
sus colaboradores muestra una situación menos polarizada. Prácticamente todos
los estudios analizados reconocen beneficios y riesgos. El problema no está en
ignorar unos para defender los otros, sino en determinar qué hacemos frente a
ambos.
Entre los beneficios aparecen la eficacia,
la automatización, el apoyo a la toma de decisiones y la personalización.
Esta última tiene un peso particular en educación. El 80 % de los trabajos
educativos examinados menciona la personalización, frente al 62 % en tecnología
y el 57 % en salud.
El dato resulta comprensible. Desde la
perspectiva educativa, una herramienta capaz de adaptar explicaciones, generar
ejemplos, responder preguntas o modificar el nivel de complejidad de una
respuesta tiene enormes posibilidades. Un estudiante puede solicitar otra
explicación cuando no comprende la primera. Un profesor puede crear ejemplos
relacionados con diferentes contextos. La interacción puede adaptarse a
necesidades que difícilmente podrían atenderse de manera individual en grupos
numerosos.
Pero la misma revisión muestra la otra
cara. El 91 % de los trabajos educativos aborda riesgos. Los problemas éticos
aparecen en el 82 %, los sesgos en el 71 %, la privacidad en el 62 % y los
problemas de seguridad en el 31 %. Hasta aquí podríamos sentirnos relativamente
tranquilos. La investigación reconoce las posibilidades de la IA y también
identifica sus problemas. Sin embargo, hay un dato que cambia la lectura.
Solamente el 44 % de los trabajos
educativos analizados aborda la alfabetización en inteligencia artificial.
En salud el porcentaje cae al 6 % y en tecnología al 10 %. Los propios autores
advierten que la importancia de esta alfabetización todavía no está plenamente
reconocida y relacionan esta carencia con la falta de programas estructurados
que permitan a los usuarios evaluar críticamente los resultados producidos por
la IA.
Aquí aparece una contradicción. Estamos
dedicando una enorme atención a conocer qué puede hacer la inteligencia
artificial y qué riesgos genera, pero mucha menos a estudiar cómo preparar a
las personas para trabajar con ella.
Podemos trasladar el problema a una
situación cotidiana. Un estudiante pregunta a una IA sobre un tema que
desconoce. Recibe una explicación organizada, con conceptos, ejemplos y
argumentos. ¿Cómo determina que la respuesta es correcta? ¿Qué elementos le
permiten reconocer un sesgo? ¿Cómo identifica una afirmación que necesita ser
verificada? ¿Cómo distingue una explicación convincente de una explicación
científicamente sustentada?
No basta con advertirle que la IA puede
equivocarse. Necesita criterios para descubrir cuándo se equivoca.
Tampoco basta con decirle que debe
desarrollar pensamiento crítico. Tiene que aprender qué operaciones concretas
realiza para analizar una respuesta, contrastarla con otras fuentes,
identificar sus limitaciones y decidir qué puede aceptar, modificar o rechazar.
La alfabetización en IA no debería
reducirse a aprender a escribir mejores prompts. Saber conversar con una
herramienta no equivale a saber pensar con ella.
De la infoxicación a la aitoxicación
Durante años hemos relacionado la
infoxicación con el exceso de información. El sujeto se encontraba frente a más
contenidos de los que podía procesar. Su dificultad principal consistía en
seleccionar. La IA introduce una modificación profunda. El exceso ya no llega
únicamente en forma de documentos dispersos, llega convertido en respuestas.
En trabajos anteriores en el blog denominamos
aitoxicación a esta nueva situación. La diferencia no es solamente
terminológica. La infoxicación puede producir la sensación de estar perdido
entre demasiada información. La aitoxicación puede producir exactamente la
sensación contraria: creer que ya encontramos lo que necesitábamos.
Una respuesta bien construida transmite
orden, un resumen reduce la complejidad. Una explicación fluida produce
sensación de comprensión. La herramienta puede comparar documentos que no hemos
leído y entregarnos las diferencias principales. También puede redactar un
texto que después asumimos como propio.
El riesgo cambia de lugar.
La infoxicación nos obligaba a preguntarnos
qué leer. La aitoxicación nos obliga a preguntarnos qué cuestionar. En el libro
sobre este tema hemos planteado que la aitoxicación no aparece por la mera
existencia de muchas respuestas. Surge cuando la respuesta reduce la necesidad
de formular preguntas, examinar supuestos y reconstruir el sentido. La fluidez
lingüística puede generar apariencia de validez y una estructura ordenada puede
confundirse con profundidad.
Aquí los resultados de Hodzic, Stevic y
Matthes encuentran un punto de contacto con esta idea. Su revisión no utiliza
el concepto de aitoxicación, pero muestra una carencia que ayuda a
comprenderlo: conocemos los riesgos, reconocemos los beneficios y, sin
embargo, la preparación del usuario recibe mucha menos atención.
Hay otro resultado que merece detenerse.
Más del 90 % de los trabajos examinados son revisiones sistemáticas, de alcance
o narrativas. Los estudios bibliométricos representan alrededor del 5 % y los
metaanálisis apenas el 1 %. Los autores reclaman más evaluaciones empíricas
sobre la adopción de la IA. Para la educación esto plantea una tarea
concreta. Necesitamos investigar menos solamente sobre lo que la IA podría
hacer y observar más lo que profesores y estudiantes realmente hacen con ella.
Necesitamos entrar al aula.
¿Qué sucede cuando un estudiante recibe una
respuesta incorrecta pero convincente? ¿La detecta? ¿Qué hace cuando dos
herramientas ofrecen explicaciones diferentes? ¿Consulta las fuentes
originales? ¿Pregunta antes de pensar el problema o después de elaborar una
primera respuesta? ¿Utiliza la IA para ampliar su razonamiento o para evitarlo?
¿Puede explicar sin ayuda aquello que acaba de entregar?
Estas preguntas desplazan la discusión
desde la tecnología hacia el sujeto.
En otro trabajo sobre la ruta visible del
aprendizaje con IA propusimos que el estudiante no entregue solamente el
producto final. Debe reconstruir el proceso seguido, justificar las fuentes
seleccionadas, explicar sus instrucciones a la IA, valorar las respuestas
recibidas y argumentar las decisiones tomadas. La finalidad no consiste en
vigilar cuánto utilizó la herramienta, sino en obtener evidencias de que hubo
aprendizaje.
La misma lógica aparece en el modelo
C.A.R.E. que hemos propuesto frente a la aitoxicación: Curar, Analizar,
Recontextualizar y Evaluar. Curar obliga a seleccionar antes de aceptar.
Analizar introduce la duda ante una respuesta convincente. Recontextualizar
exige relacionarla con una situación concreta. Evaluar obliga a revisar tanto
el resultado como el proceso seguido.
No se trata, entonces, de utilizar menos
inteligencia artificial. Tampoco de aumentar las prohibiciones. Se trata de
formar mejores usuarios.
La revisión de Hodzic y sus colaboradores
termina reclamando una aproximación que combine innovación, protección ética,
gobernanza transparente y una alfabetización amplia en inteligencia artificial.
Desde la educación podemos añadir algo: esa alfabetización debe convertirse
en experiencia pedagógica.
Un estudiante no aprende a evaluar la IA
porque le expliquemos sus riesgos. Aprende cuando tiene que comparar
respuestas, detectar errores, verificar fuentes, justificar decisiones y
defender lo que finalmente afirma.
La
infoxicación nos enseñó que acceder a la información no equivale a conocer.
La
inteligencia artificial nos coloca frente a una lección más compleja: recibir
una buena respuesta tampoco equivale a comprenderla.
Tal vez por eso la pregunta educativa más
necesaria ya no sea cuánto saben nuestros estudiantes sobre inteligencia
artificial. Tendríamos que empezar a preguntar algo diferente: ¿Qué son capaces de pensar, cuestionar y
decidir después de utilizarla?
Referencias
Hodzic, S.,
Stevic, A., & Matthes, J. (2026). Generative AI in practice: An umbrella
review of risks, benefits, ethics, and future directions across major domains.
Technology in Society, 87, 103331.
https://doi.org/10.1016/J.TECHSOC.2026.103331
