El MIT ante la inteligencia artificial: no se trata de prohibirla, sino de reconstruir la experiencia universitaria

 

Durante los últimos años, buena parte de la discusión universitaria sobre inteligencia artificial se ha concentrado en una pregunta limitada: ¿permitimos o prohibimos que los estudiantes utilicen ChatGPT? El reciente informe del Massachusetts Institute of Technology (MIT) desplaza esa discusión hacia un problema más profundo. La pregunta ya no es qué hacer con la IA, sino qué significa aprender en una universidad donde una máquina puede resolver muchas de las tareas que tradicionalmente hemos utilizado para enseñar y evaluar.

El 13 de agosto de 2026, el MIT publicó el informe de su comité ad hoc sobre el uso de inteligencia artificial en la enseñanza, el aprendizaje y la formación investigativa. El comité trabajó durante cinco meses con profesores, estudiantes y personal de distintas áreas. Su encargo inicial era conocer cómo se utiliza la IA, identificar innovaciones docentes y proponer políticas para regular su empleo. Sin embargo, el trabajo terminó conduciendo a una cuestión mayor: revisar la estructura, el significado y el valor de la educación universitaria ante la presencia generalizada de la inteligencia artificial generativa. El informe se puede descargar desde este enlace.

El problema no es solo usar IA, sino qué deja de hacer el estudiante

El informe parte de una constatación: la inteligencia artificial ya forma parte de la vida académica. Los estudiantes la emplean con frecuencia y los profesores mantienen posiciones que van desde la incorporación entusiasta hasta el rechazo.

El documento reconoce beneficios concretos. La IA facilita tutorías personalizadas, retroalimentación inmediata, análisis de datos, programación y creación de experiencias educativas más complejas. También permite desarrollar proyectos que antes exigían mucho más tiempo o conocimientos técnicos. Pero el MIT dirige la atención hacia otro fenómeno: la IA puede modificar aquello que los estudiantes hacen para aprender.

El comité reporta señales de disminución de la asistencia a consultas docentes, menor participación en discusiones y una reducción percibida de los grupos presenciales de estudio. También recoge preocupaciones relacionadas con la pérdida de confianza, la menor comprensión de los contenidos y el deterioro de las relaciones entre profesores y estudiantes.

Aquí aparece una de las ideas centrales del informe: obtener una respuesta correcta no equivale a aprender. Un estudiante puede resolver un problema, producir un ensayo o generar un programa mediante inteligencia artificial sin haber desarrollado los procesos cognitivos que esas actividades pretendían provocar. La tarea puede estar terminada y el aprendizaje no haber ocurrido.

El informe advierte sobre la rendición cognitiva. El estudiante encuentra una dificultad y recurre de inmediato a la IA. Desaparece parte de la fricción cognitiva que obliga a recordar, relacionar conceptos, formular hipótesis, equivocarse, corregir y construir una respuesta propia.

Esta observación cambia el centro del debate. El problema pedagógico ya no puede reducirse al plagio o a la detección del texto generado por una máquina. La pregunta pasa a ser otra: ¿qué actividad cognitiva realiza realmente el estudiante? Desde esta perspectiva, perseguir textos producidos con IA resulta insuficiente. El propio comité recomienda cautela con los detectores. Advierte sobre falsos positivos, dificultades para identificar usos parciales y el riesgo de convertir la relación educativa en una carrera entre sistemas de detección y herramientas destinadas a evadirlos. La alternativa propuesta es más pedagógica: hacer visible el proceso.

El informe menciona portafolios, evaluaciones orales, conversaciones presenciales sobre trabajos realizados fuera del aula, seguimiento periódico de proyectos y sistemas que permitan conservar versiones sucesivas de una producción. No se trata solamente de evaluar el resultado final, se necesitan evidencias de cómo se construyó ese resultado.

Esto plantea una consecuencia directa para nuestras asignaturas. El documento final comienza a perder su condición de evidencia suficiente del aprendizaje. Ante una IA capaz de producir productos terminados de gran calidad, debemos observar decisiones, argumentos, correcciones, fuentes consultadas y explicaciones del estudiante.

De una política sobre IA a una pedagogía consciente de la IA

Uno de los conceptos más sugerentes del documento es la expresión AI aware, que podemos entender como una educación consciente de la existencia de la IA.

El MIT no propone incorporar inteligencia artificial en todas las actividades. Tampoco recomienda prohibirla en todas. Su planteamiento es más complejo: ningún curso debería diseñarse como si la IA no existiera. Esto obliga a revisar los objetivos de aprendizaje.

Antes de decidir si ChatGPT puede utilizarse en una tarea, el profesor debería preguntarse qué debe aprender el estudiante, qué debe ser capaz de hacer y qué necesita comprender por sí mismo. Solo después tiene sentido decidir qué papel puede tener la inteligencia artificial.

La lógica es cercana al diseño inverso. El punto de partida no es la herramienta, sino el aprendizaje esperado.

El informe insiste también en que no existe una política única que funcione para todas las asignaturas. La relación con la IA será distinta en programación, escritura, arquitectura o matemática. También será diferente para un estudiante de primer año y para un doctorando con conocimiento profundo de su campo.

Por esta razón, el MIT propone que cada asignatura declare con claridad cuándo la inteligencia artificial está permitida, limitada, requerida o prohibida. Pero añade una condición que suele olvidarse: el profesor debe explicar por qué.

No basta escribir en el programa que ChatGPT está prohibido. Si la prohibición protege un aprendizaje que el estudiante necesita desarrollar sin asistencia, debe explicarse. Si la IA es requerida porque forma parte de las prácticas profesionales que el estudiante debe conocer, también debe justificarse.

El informe introduce otra exigencia: la transparencia del profesor. Los estudiantes cuestionan que un docente prohíba utilizar inteligencia artificial y después genere con ella sus diapositivas, tareas, comentarios o evaluaciones sin comunicarlo. El comité recomienda que los profesores informen cuándo emplean IA y expliquen las razones de ese empleo.

Surge así un nuevo contrato educativo. Profesores y estudiantes deben aprender a declarar qué delegan en la inteligencia artificial, qué conservan bajo responsabilidad humana y por qué toman esas decisiones. El principio que sintetiza esta posición es claro: ampliación, no automatización. La IA debería ayudar al estudiante a pensar mejor, no pensar en su lugar.

La pregunta práctica para cualquier actividad educativa podría formularse de esta manera: ¿la IA está apoyando el aprendizaje o está sustituyendo el trabajo cognitivo que queríamos desarrollar?

El informe propone también fortalecer el aprendizaje basado en proyectos, las experiencias prácticas, la colaboración presencial y las actividades donde los estudiantes deban interactuar con otras personas. Discutir una idea, defender una posición, recibir una crítica, explicar un error o resolver un problema junto con otros también forma parte del aprendizaje universitario.

Otro dato ilustra la magnitud del problema. En una encuesta realizada por el MIT en 2025, más de dos tercios de los estudiantes consideraban que la IA tendría relevancia en sus futuras carreras, pero solo el 25% sentía que la institución los estaba preparando adecuadamente para utilizarla.

La respuesta no puede limitarse a enseñar mejores prompts. El informe distingue entre uso efectivo, responsable y ético. Esto comprende formular problemas, verificar resultados, reconocer posibles alucinaciones, saber cuándo no recurrir a la IA, declarar su participación en un trabajo y analizar sesgos, propiedad intelectual y efectos sociales.

La mayor aportación del informe del MIT no es una nueva política sobre ChatGPT.

Es otra pregunta.

Si una máquina puede hacer la tarea que pedimos a nuestros estudiantes, ¿qué queríamos que aprendieran al realizarla?

Responder esa pregunta puede cambiar mucho más la educación superior que cualquier detector de inteligencia artificial.

Fuente

AI-Committee-Final-Report-Aug-13. Acceso https://aiandeducation.mit.edu/report/

Agonizan los prompts, nacen las skills (parte dos). Una skill para ayudar al profesor a generar una tarea evaluativa para sus estudiantes

Recientemente escribimos sobre la evolución de los prompts, como el prompt aislado solicita una actuación; mientras una skill conserva una forma de actuar. Esta diferencia parece breve, pero transforma la relación con la inteligencia artificial. El prompt suele responder a una necesidad puntual. La skill se prepara para resolver una familia de tareas semejantes sin reconstruir todo el procedimiento cada vez.

En la práctica lo que agoniza es el aislamiento del prompt, pierde fuerza la práctica de buscar una instrucción milagrosa, copiarla, cambiar dos palabras y esperar un resultado confiable. Nace una lógica diferente: organizar el conocimiento necesario para que la inteligencia artificial desarrolle un proceso con cierta consistencia.

Esta transición modifica la pregunta inicial, antes nos preguntábamos qué prompt debíamos escribir. Ahora debemos preguntarnos qué procedimiento deseamos conservar, qué decisiones contiene, qué información necesita, qué errores debe evitar y cómo comprobaremos la calidad del resultado. El centro se desplaza desde la redacción de una orden hacia el diseño de una actuación completa.

De la conversación con IA al diseño de una skill para evaluar el aprendizaje

Una skill permite organizar las instrucciones como una capacidad reutilizable. Contiene orientaciones sobre qué tarea realizar, qué información solicitar, qué pasos seguir, cómo revisar el resultado y qué límites respetar. Puede incorporar ejemplos, plantillas y otros recursos de apoyo.

En educación, una skill puede orientar el diseño de una evaluación, la preparación de una presentación o la formulación de una microcompetencia, entre otras muchas situaciones. Su valor depende de la calidad del procedimiento pedagógico que contiene, de su adecuación al contexto y de la revisión del profesor.

Para comprenderla, resulta útil distinguir entre pedir un resultado y definir cómo debe construirse. Solicitar «elabora una evaluación sobre este contenido» deja numerosas decisiones abiertas. Una skill puede indicar que, antes de proponer la evaluación, se identifiquen el objetivo, las características de los estudiantes, las condiciones de trabajo y las evidencias que permitirán valorar el aprendizaje.

La diferencia con una conversación tradicional no consiste en que esta última carezca de profundidad. Mediante el diálogo también podemos construir propuestas rigurosas, corregir errores y establecer criterios detallados. De hecho, una conversación bien desarrollada puede ser el punto de partida de una skill.

La diferencia está en cómo se organizan y reutilizan las instrucciones. En una conversación, estas suelen quedar distribuidas entre distintos mensajes. En una skill, se reúnen en un conjunto explícito que puede aplicarse a nuevas situaciones. Esto facilita mantener criterios comunes, revisar el procedimiento y compartirlo, siempre que el entorno utilizado admita ese formato.

La conversación ayuda a construir el procedimiento; la skill permite conservarlo de forma organizada. Ambas formas de trabajo se complementan. Utilizar una skill no elimina el diálogo: puede requerir preguntas, aclaraciones y ajustes durante su aplicación.

Construyendo una skill

Crear una skill comienza por delimitar una tarea. No basta con pedirle a la IA que actúe como especialista. Es necesario precisar qué debe hacer y hasta dónde llega su intervención. Por ejemplo, acompañar el diseño de una evaluación es una tarea distinta de calificar automáticamente los trabajos de los estudiantes.

Después se identifican los datos necesarios para trabajar. En una propuesta educativa pueden ser la asignatura, el objetivo, los destinatarios, el tiempo, los recursos y la modalidad. También se define cómo proceder cuando falta información: qué debe preguntarse y qué aspectos admiten una propuesta provisional.

El siguiente paso consiste en organizar la secuencia de trabajo y establecer los criterios de calidad. La skill necesita indicar qué componentes debe entregar y qué relaciones debe comprobar entre ellos. Una evaluación puede tener una consigna clara y una rúbrica bien redactada, pero seguir siendo inadecuada si ambas valoran aprendizajes diferentes.

Estas instrucciones suelen reunirse en un archivo denominado SKILL.md. Según la tarea y el sistema donde se utilice, pueden acompañarse de plantillas, ejemplos u otros archivos. La parte técnica permite organizar el conjunto; la parte pedagógica determina la calidad de sus orientaciones.

Finalmente, la skill debe probarse con situaciones concretas. Esa revisión permite detectar preguntas innecesarias, criterios ambiguos, exigencias desproporcionadas o resultados incompletos. Crear el archivo no significa que el procedimiento esté terminado.

Este recorrido orientó el desarrollo de Diseñar evaluaciones auténticas, una skill que hemos venido trabajando para acompañar al docente en la construcción de evaluaciones contextualizadas. Su objetivo es relacionar lo que se espera aprender con la actividad, las evidencias, la retroalimentación y los criterios de evaluación.

Un ejemplo para probar la skill

Para examinar su funcionamiento trabajamos una propuesta de Tecnología e Innovación Educativa: cada estudiante elaborará un podcast y una canción vinculados con su emprendimiento personal, real o proyectado. Ambos productos serán individuales y podrán realizarse con IA.

La skill realiza numerosas preguntas al profesor, pero todas siguen un orden lógico, no pasa a la siguiente hasta tanto no esté “satisfecha” con la respuesta del profesor. Esto significa que la respuesta puede ser imprecisa o no estar completa y puede nuevamente preguntar al docente, hasta que considere que la respuesta está acorde a lo que se pide. Esta es la gran diferencia con el prompt y con la conversación a la que estamos acostumbrados.

Mi primera pregunta en la comprobación de la skill se aprecia en la captura del chat

Una vez cargada la skill, se escribe: @ Diseñar evaluaciones auténticas y a partir de aquí se inicia la conversación, que se puede extender por una hora o más, en dependencia de lo que desee obtener. Por supuesto que puede retomar el trabajo cuando lo desee, sin necesidad de estar obligado a realizarlo totalmente en ese tiempo.

En la imagen se muestra la primera pregunta que realiza la skill.

En este caso la skill no se limita solo a responder, como ocurre en el chat tradicional, propone, da soluciones y vuelve a proponer hasta concluir con cada paso.

La imagen muestra la captura de pantalla de otra de las preguntas, durante la etapa de la evaluación de la skill.

Durante la revisión apareció un problema revelador. Uno de los criterios propuestos exigía transformar la respuesta de la IA. Esto podía penalizar a un estudiante que recibiera una primera propuesta adecuada y decidiera conservarla.

Ajustamos el criterio para valorar la revisión y selección del resultado. Mantener una respuesta puede ser una decisión válida si el estudiante explica su correspondencia con lo solicitado. Introducir cambios por obligación no demuestra mayor aprendizaje.

Este ejemplo muestra por qué una skill necesita la intervención del profesor. Las instrucciones pueden organizar el diseño, pero sus propuestas requieren examen. La experiencia docente permite reconocer lo que resulta pertinente para un grupo y corregir lo que excede su preparación.

Lo desarrollado hasta ahora es una propuesta de evaluación, no una demostración de resultados de aprendizaje. Su aplicación permitirá revisar la claridad de las consignas, la utilidad de las evidencias y la adecuación de los criterios.

Crear una skill educativa implica convertir decisiones pedagógicas en un procedimiento que pueda utilizarse, examinarse y ajustarse. En este caso, ese procedimiento se organiza alrededor de una pregunta: ¿qué debe realizar y explicar el estudiante para que el profesor disponga de evidencias suficientes para valorar su aprendizaje?

Instalación de la skill Diseñar evaluaciones auténticas

Paso uno.

Para esta tarea el primer paso es descargar el archivo diseñar evaluaciones autenticas.zip desde este enlace. No lo descomprima, solo lo carga en el chat de ChatGPT, Gemini o Claude, sin importar el tipo de cuenta. En el ZIP se encuentran estos archivos; no es necesario extraerlos, solo suba el ZIP, tal y como lo descargó.

Paso dos.

Cargue el archivo directamente en el chat de su IA preferida. La imagen muestra lo que puede hacer. Se cargó el archivo y a continuación puede escribir: Trabajemos con esta skill

El mensaje que devuelve la IA, es similar a este:

Observe que da diferentes opciones; incluso si ninguna de esas le conviene, puede escribir otra y obtendrá una nueva respuesta. No es un prompt aislado es un conjunto de instrucciones lógicas.

A partir de este momento, se inicia un diálogo, donde es el profesor el que aprueba cada paso. La skill sugiere, propone, pregunta, evalúa, pero nunca decide. Si el profesor no tiene una idea clara de cómo crear su evaluación, la skill lo ayuda. El proceso lleva tiempo, no se puede ejecutar en minutos, pues estaría entregando algo que al probarlo nos daríamos cuenta de que carece de utilidad. Necesita revisión permanente.

En el enlace se puede descargar el resultado de la evaluación que colocamos de ejemplo para verificar la skill. Para volver a la skill, solo escriba @ Diseñar evaluaciones auténticas y se inicia un nuevo diálogo.

En nuestras manos está todo el proceso; de la skill obtenemos el apoyo, pero la decisión final es solo nuestra.