¿Siguen siendo necesarios los libros de texto en la era de la inteligencia artificial?

Durante muchos años, los profesores universitarios dedicamos una parte importante de nuestro tiempo a crear libros de texto. Seleccionamos contenidos, creamos explicaciones, agregamos imágenes y esquemas, elaboramos ejercicios y propusimos actividades. El libro era una referencia fundamental para el estudiante y, en numerosos casos, representaba la principal fuente de información de nuestra asignatura.

La expansión de Internet comenzó a modificar esta situación. El estudiante encontró múltiples fuentes de información que complementaban y, en ocasiones, sustituían las explicaciones del libro. Hoy, la inteligencia artificial generativa introduce un cambio más profundo. Ya no es indispensable buscar entre varias páginas para encontrar una explicación. Basta formular una pregunta para recibir una respuesta, solicitar ejemplos, resolver ejercicios o pedir que un concepto complejo se explique con palabras más sencillas. Pero como la mayoría de nuestros libros se distribuyen en formato digital, es más rápido resumirlo y “comprenderlo”.

Esta transformación nos obliga a revisar una práctica académica arraigada: escribir libros de texto como si el profesor conservara el control sobre las fuentes de información que consultarán sus estudiantes.

¿Tiene sentido seguir escribiendo libros con extensas explicaciones y ejercicios cuyas soluciones pueden obtenerse en segundos mediante la IA? ¿Qué debería ofrecer un libro para conservar su valor pedagógico? La respuesta no parece encontrarse en abandonar los libros, sino en reconsiderar su función dentro del proceso de aprendizaje.

¿Qué nos dicen las investigaciones recientes?

Una experiencia especialmente relacionada con este problema es Learn Your Way, presentada por Google Research en septiembre de 2025. Su propuesta consiste en transformar los materiales de los libros de texto mediante inteligencia artificial generativa. El estudiante puede acceder a representaciones alternativas del contenido, mapas mentales, explicaciones en audio, cuestionarios interactivos y ejemplos adaptados a sus intereses.

En una evaluación comunicada por Google, los estudiantes que utilizaron esta herramienta alcanzaron un 78 % en una prueba de retención realizada entre tres y cinco días después del estudio. Quienes emplearon un lector digital convencional obtuvieron un 67 %. La diferencia fue de 11 puntos porcentuales.

El resultado es interesante porque sugiere que una organización más flexible de los contenidos puede favorecer la retención. Sin embargo, debemos interpretarlo con cautela. Se trata de una investigación vinculada al desarrollo de la propia herramienta. Además, mejorar los resultados de una prueba de retención no equivale necesariamente a desarrollar mayor autonomía intelectual o capacidad de aplicación del conocimiento.

Otra investigación ofrece una perspectiva diferente. Hamsa Bastani y sus colaboradores publicaron en 2025, en la revista Proceedings of the National Academy of Sciences (PNAS), un estudio experimental con cerca de mil estudiantes de matemáticas de secundaria. Compararon el uso de una IA que facilitaba respuestas con otra diseñada para proporcionar orientaciones pedagógicas.

Los resultados mostraron que la IA podía mejorar considerablemente el desempeño mientras los estudiantes resolvían ejercicios. Sin embargo, apareció un problema cuando tuvieron que trabajar sin esa ayuda. Quienes habían utilizado la versión que facilitaba respuestas obtuvieron resultados inferiores a los estudiantes que nunca habían tenido acceso a la herramienta. Por el contrario, las orientaciones pedagógicas incorporadas en la otra versión redujeron ese efecto negativo.

Este hallazgo merece especial atención. Un estudiante puede resolver correctamente una actividad con ayuda de la IA y, aun así, no haber desarrollado los conocimientos necesarios para resolverla de manera independiente. El problema no está solamente en la herramienta utilizada. También importa cómo se organiza la actividad y qué clase de ayuda recibe el estudiante.

En 2026, Branislav Fecko y sus colaboradores publicaron una investigación que examina directamente la incorporación de un libro interactivo con inteligencia artificial en la enseñanza de ingeniería eléctrica. El estudio comparó resultados académicos durante cuatro años y analizó la experiencia de integrar funciones interactivas y adaptativas en el material de estudio.

Los investigadores identificaron mejoras en algunas evaluaciones intermedias. Sin embargo, los resultados finales no fueron uniformes y determinadas diferencias carecieron de significación estadística. Por tanto, el estudio no permite afirmar que incorporar IA a un libro de texto garantice mejores aprendizajes.

Una cuarta investigación, publicada por Chrysanthi Melanou, Maik Beege y Martin Kimmig en 2026, examinó la relación entre IA generativa y aprendizaje universitario durante un semestre. Participaron 87 estudiantes distribuidos en tres grupos. Uno utilizó IA con orientación pedagógica, otro empleó IA sin esa orientación específica y un tercero trabajó sin IA.

Los tres grupos mejoraron sus conocimientos. Sin embargo, las diferencias entre ellos no permitieron demostrar una ventaja adicional estadísticamente significativa por utilizar inteligencia artificial. Los investigadores encontraron que el uso reflexivo de la tecnología tenía importancia para los resultados educativos.

Estas investigaciones, aunque diferentes en sus objetivos, participantes y metodologías, permiten reconocer un aspecto común: el acceso a herramientas más avanzadas no garantiza por sí mismo un aprendizaje de mayor calidad.

El libro de texto ante una nueva realidad educativa

La investigación también nos conduce a considerar otra transformación: la expansión de los recursos educativos abiertos. En 2023, Ahmed Tlili y sus colaboradores publicaron un metaanálisis que reunió 25 estudios y datos de 119.840 participantes. Su objetivo fue examinar los efectos de los recursos y las prácticas educativas abiertas sobre el rendimiento académico.

Los autores encontraron un efecto positivo y estadísticamente significativo, pero de magnitud prácticamente despreciable. Esto significa que disponer de materiales abiertos no garantiza automáticamente mejores resultados académicos. No obstante, su importancia también reside en otras posibilidades. Los recursos abiertos pueden facilitar el acceso, la adaptación y la actualización de los contenidos, siempre que sus licencias permitan estos usos.

Esta característica adquiere relevancia en un contexto donde los conocimientos y las tecnologías cambian con rapidez. Un libro universitario no tiene necesariamente que permanecer sin cambios durante años. Puede conservar sus fundamentos conceptuales y actualizar determinados ejemplos, investigaciones y actividades.

Pero la cuestión más importante va más allá de publicar libros digitales o incorporar asistentes inteligentes. Debemos distinguir entre escribir un libro con ayuda de la IA y escribir un libro para estudiantes que utilizan IA.

En el primer caso, el profesor emplea la tecnología para apoyar la redacción, revisar contenidos, producir imágenes o elaborar ejercicios. Puede trabajar con mayor rapidez, aunque sigue siendo responsable de verificar y seleccionar los materiales.

En el segundo caso, cambia el problema pedagógico. El autor debe considerar que sus estudiantes tendrán acceso a explicaciones alternativas, podrán resolver numerosas actividades con ayuda tecnológica y dispondrán de herramientas que intervienen en sus procesos de estudio.

Los dos casos anteriores nos llevan a una conclusión: el libro no puede diseñarse ignorando esa realidad.

Desde nuestra perspectiva, el profesor que escribe un libro de texto conserva una responsabilidad fundamental: seleccionar conocimientos relevantes, organizarlos de manera coherente y establecer relaciones que faciliten su comprensión. La inteligencia artificial no elimina esa función.

Sin embargo, la disponibilidad de información obliga a preguntarnos si el libro debe continuar centrado principalmente en transmitir contenidos o si necesita conceder mayor importancia a la construcción del conocimiento.

Un libro puede contener explicaciones excelentes y, aun así, resultar insuficiente cuando sus actividades se limitan a solicitar definiciones, reproducir conceptos o resolver ejercicios que la IA completa automáticamente.

Esto no significa que debamos eliminar las explicaciones, las imágenes o los ejercicios tradicionales. Siguen siendo necesarios. El problema consiste en determinar qué función desempeñan y cómo contribuyen al aprendizaje.

Las investigaciones revisadas todavía no ofrecen un modelo definitivo de libro de texto para la era de la inteligencia artificial. Sus resultados son heterogéneos y muchos estudios se concentran en experiencias específicas. Tampoco podemos trasladar automáticamente los hallazgos obtenidos en secundaria a todas las disciplinas universitarias.

Pero sí permiten cuestionar una idea que suele acompañar la incorporación de nuevas tecnologías: que más recursos, mayor interactividad o respuestas inmediatas producen necesariamente mejores aprendizajes. No se trata de cantidad y variedad, sino de su inserción como componente de la actividad de aprendizaje. El libro de texto sigue teniendo sentido, aunque su valor no debería depender exclusivamente de la cantidad de información que contiene.

En nuestra opinión, el desafío ya no consiste solamente en escribir un libro que explique bien una asignatura, sino en crear un recurso que ayude al estudiante a aprender cuando dispone de múltiples explicaciones y de una inteligencia artificial capaz de responder sus preguntas.

La diferencia parece sencilla, pero sus consecuencias para la elaboración de materiales educativos pueden ser profundas. Los profesores hemos dedicado años a enseñar mediante libros. Ahora debemos investigar cómo escribirlos para una generación que puede conversar con la información, obtener soluciones inmediatas y producir contenidos con ayuda de la IA.

El libro no ha perdido su razón de ser. Lo que necesitamos revisar es la manera de concebirlo.

Y esa revisión debe comenzar con una pregunta esencial: si la inteligencia artificial puede ofrecer tantas respuestas, ¿qué experiencias de aprendizaje debe proporcionar el libro para que el estudiante desarrolle sus propias capacidades de comprender, analizar y pensar?

Fuentes consultadas

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Elidan, G., y Haramaty, Y. (2025, 16 de septiembre). Learn Your Way: Reimagining textbooks with generative AI. Google Research. https://research.google/blog/learn-your-way-reimagining-textbooks-with-generative-ai/

Fecko, B., Dziak, J., Vince, T., y Molnár, J. (2026). Generative AI interactive textbook in electrotechnics: A four-year comparative study on student performance and inclusion. Computers and Education: Artificial Intelligence. https://doi.org/10.1016/j.caeai.2026.100611

Melanou, C., Beege, M., y Kimmig, M. (2026). Generative AI and learning dynamics in higher education: A longitudinal empirical study. Journal of Computer Assisted Learning, 42(5), e70322. https://doi.org/10.1002/jcal.70322

Tlili, A., et al. (2023). Are open educational resources (OER) and practices (OEP) effective in improving learning achievement? A meta-analysis and research synthesis. International Journal of Educational Technology in Higher Education, 20, artículo 54. https://doi.org/10.1186/s41239-023-00424-3

 

Aceptar, modificar o rechazar: las decisiones que hacen visible el aprendizaje con IA

Cada día es más frecuente encontrar a estudiantes que entregan un trabajo elaborado con ayuda de inteligencia artificial. El texto está organizado, presenta argumentos y emplea vocabulario académico. Cuando el profesor pregunta por qué eligió determinada explicación, responde: “La revisé y cambié algunas cosas”. La respuesta deja una pregunta pendiente: ¿qué revisó y con qué criterios?

Esta escena cotidiana plantea un problema educativo que merece atención. Modificar una respuesta de la IA puede significar corregir una expresión, sustituir palabras o reorganizar párrafos. También puede implicar detectar una contradicción, comprobar una fuente o reconocer que una propuesta no corresponde al problema estudiado. Aunque todas estas acciones producen cambios, su valor como evidencia de comprensión es diferente.

Aceptar, modificar o rechazar son decisiones que pueden formar parte del aprendizaje. Para valorar su alcance necesitamos conocer las razones que las sostienen. Una respuesta correcta puede aceptarse después de un examen cuidadoso; otra puede modificarse sin haber sido comprendida. La cantidad de cambios realizados dice poco cuando desconocemos el razonamiento del estudiante.

Cambiar palabras no equivale a revisar ideas

Cuando pedimos al estudiantado que utilice la IA de manera crítica, debemos precisar qué esperamos que haga. La indicación “revisa la respuesta” deja demasiado espacio a interpretaciones. Un estudiante puede entender que debe corregir la ortografía; otro, que necesita verificar cada afirmación.

Un ejemplo puede ayudar a comprender esta situación. Consideremos una actividad de metodología de la investigación. Una estudiante solicita a la IA ayuda para formular el objetivo de un estudio sobre empleo de recursos HTML en las clases de una asignatura. La herramienta propone: Determinar el impacto de una estrategia participativa en el rendimiento académico. Sin embargo, la investigación prevista consiste en recoger opiniones mediante una encuesta aplicada una sola vez.

La estudiante podría sustituir determinar por analizar y conservar el resto. Habría modificado el texto, pero seguiría pendiente el desajuste entre el objetivo y el procedimiento. Una revisión más profunda exigiría reconocer que ese diseño no permite atribuir cambios del rendimiento a la estrategia.

La decisión adquiere otro valor cuando puede explicar: “Rechacé la formulación porque propone establecer un impacto que mis datos no permiten comprobar”. Después podría orientar el objetivo hacia las percepciones que realmente estudiará. En este caso, la modificación expresa una relación comprendida entre el objetivo y la metodología. Por eso no se trata de negar la IA, tampoco de pedir que justifique lo que hizo o no, sino que explique el trayecto.

Otra idea es la de aceptar una propuesta con fundamento. Si la respuesta corresponde a la tarea, coincide con las fuentes consultadas y presenta un razonamiento adecuado, conservarla puede ser una decisión justificada. Pero si el profesor exige cambios en todas las respuestas, introduciría una obligación artificial. El estudiante terminaría buscando diferencias para cumplir la consigna.

La investigación de Bastani y colaboradores, publicada en PNAS en (2025) , ayuda a comprender por qué conviene distinguir desempeño y aprendizaje. En un experimento con estudiantes de secundaria, el acceso a una herramienta basada en GPT mejoró la resolución de ejercicios matemáticos durante la práctica. Sin embargo, el grupo que utilizó la versión sin protecciones pedagógicas obtuvo peores resultados que el grupo de control cuando dejó de disponer de ella. Una versión diseñada para proteger el aprendizaje mitigó en gran medida ese efecto negativo. El estudio corresponde a matemáticas de secundaria; sus resultados no deben trasladarse automáticamente a la universidad. Aun así, muestran que resolver mejor una tarea con asistencia no garantiza aprender a resolverla de manera independiente.

Desde una perspectiva pedagógica, interesa examinar qué actividad intelectual conserva el estudiante durante esa ayuda. ¿Reconoce los conceptos que utiliza? ¿Puede explicar una relación? ¿Identifica qué información necesita comprobar? Estas preguntas permiten orientar la enseñanza y la evaluación hacia aspectos que el producto terminado puede ocultar.

Una justificación breve que permita conversar

Una idea que proponemos es incorporar a las tareas con IA una explicación breve de las decisiones relevantes. El estudiante seleccionaría un fragmento que haya influido en su trabajo, mostraría qué decidió y justificaría esa elección mediante conceptos, fuentes o condiciones de la actividad.

En el ejemplo anterior, bastaría presentar el objetivo sugerido, la formulación adoptada y una explicación del desajuste metodológico. El profesor tendría un punto concreto para ofrecer retroalimentación. Podría comprobar si la estudiante comprende el alcance de su encuesta o si únicamente repite una advertencia que encontró en otra respuesta. En este caso volvemos al método de exposición oral, pero el profesor debe tomar en cuenta que la cantidad de estudiantes puede frenar el correcto desarrollo de esta tarea. Es probable que varios estudiantes tengan respuestas muy similares al emplear la misma IA.

Conviene mantener esta exigencia proporcionada a la tarea. Solicitar conversaciones completas, decenas de capturas y comentarios sobre cada cambio puede generar una carga documental difícil de revisar. Para una actividad breve, una decisión bien explicada puede aportar información más útil que un historial extenso sin análisis.

Tampoco sería adecuado exigir siempre una aceptación, una modificación y un rechazo. La interacción real quizá no contenga las tres situaciones. Esa obligación podría llevar al estudiante a inventar decisiones o descartar una propuesta válida. Debe poder justificar lo que efectivamente ocurrió.

La explicación escrita necesita, además, oportunidades de contraste. El profesor puede introducir una variación del problema y preguntar si la decisión sigue siendo pertinente. En nuestro ejemplo, podría plantear: ¿Qué tendría que cambiar en la investigación para estudiar el efecto de esa estrategia? La respuesta permitiría explorar la comprensión de la relación entre objetivo y diseño.

Este intercambio requiere condiciones de confianza. Un estudiante que encuentra un error necesita poder reconocerlo y corregirlo. Si cada explicación se convierte en una búsqueda de faltas, resultará difícil conocer las dudas que acompañaron su trabajo. La retroalimentación debería ayudarle a precisar sus criterios y reconocer los límites de sus decisiones.

La propuesta es coherente con la orientación de la UNESCO hacia un uso de la IA centrado en las personas y sujeto a validación pedagógica. Esa orientación ofrece un marco general; el procedimiento aquí planteado es una propuesta didáctica que deberá ajustarse y evaluarse en cada contexto.

Debemos reconocer también su límite: la propia IA puede redactar una justificación convincente. Por eso, este registro debe combinarse con el conocimiento del proceso del estudiante, la conversación y actividades posteriores. Su utilidad consiste en abrir una oportunidad para examinar el razonamiento, sin atribuirle una certeza que no puede ofrecer.

Podemos comenzar con una pregunta sencilla al final de una tarea: ¿Qué decisión sobre una respuesta de la IA fue importante para tu trabajo y por qué? Pasar de “lo cambié porque no me gustaba” a “lo cambié porque la evidencia no sostiene esa conclusión” supone un avance que merece atención.

Aceptar, modificar o rechazar adquiere sentido educativo cuando el estudiante dispone de criterios para hacerlo. La responsabilidad del profesor incluye enseñar esos criterios y crear oportunidades para utilizarlos. Allí podemos buscar evidencias de aprendizaje: en la capacidad de explicar una elección, reconocer un error y revisar una decisión cuando aparecen mejores razones.

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26). https://doi.org/10.1073/pnas.2422633122