Aprender IA sin volver al inicio: la carrera sin meta

 

En colaboración con Mercedes Leticia Sánchez Ambriz

No dejes de escuchar el podcast en este enlace

Recientemente conversaba con un colega de trabajo y me explicaba que con la IA vuela en su actividad docente, pero que siempre siente que se queda atrás con las herramientas de IA que conoce. Es una sensación persistente: con la inteligencia artificial no se llega a un final. Se aprende una herramienta y aparece otra que la desplaza, o la misma plataforma cambia y obliga a reaprender. Esa experiencia suele expresarse como un problema de falta de tiempo, de disciplina o de actualización insuficiente.

Pero este problema humano, tiene una interpretación pedagógica muy diferente: el objeto de aprendizaje se mueve con más rapidez que los ciclos formativos. Si los contenidos se construyen alrededor del funcionamiento de una herramienta, el curso queda atado a un objetivo inestable. El efecto es predecible: frustración, dispersión, dependencia de tutoriales y una idea equivocada de competencia digital, entendida como dominio de la herramienta. En este caso el medio se convierte en el centro del proceso, quitando su lugar al aprendizaje del estudiante.

Una sugerencia

El punto de partida es distinguir dos formas de organizar este proceso. Una forma consiste en dominar procedimientos propios de un producto, menús, opciones, plantillas, atajos y formatos. Esa ruta produce resultados rápidos, pero caduca en cuanto cambia el producto. Otra forma consiste en construir capacidades que se transfieren entre herramientas: formular problemas, dialogar con los algoritmos, verificar, justificar, documentar, tomar decisiones con responsabilidad. En esta segunda ruta, la herramienta es un medio. La competencia se conserva, aunque la plataforma cambie.

Esta distinción reordena la enseñanza universitaria. Si el currículo evalúa la herramienta, cualquier actualización provoca la sensación de reinicio. Si el currículo evalúa el desempeño intelectual mediado por IA, el cambio tecnológico deja de ser un obstáculo y se vuelve un cambio de entorno de trabajo. En términos didácticos, el problema no es la innovación, es haber puesto la meta en un objeto móvil.

Para que esta idea no se quede en lo declarativo, conviene traducirla a principios de formación que permanezcan estables y puedan aplicarse con cualquier herramienta. Un criterio es la formulación del problema académico: qué se quiere lograr, con qué condiciones, qué evidencia será aceptable, qué limitaciones existen. Otro es la construcción de instrucciones y diálogo con la IA: pedir alternativas, delimitar supuestos, solicitar contraejemplos, exigir que la respuesta se ajuste a un formato evaluable. A los anteriores se suma la verificación: contrastar con fuentes, revisar coherencia interna, detectar afirmaciones sin respaldo, corregir errores conceptuales y de citación. La trazabilidad: dejar registro de qué aportó la IA, qué cambió el estudiante, y por qué lo cambió es otro criterio que podemos aplicar en clases. Otro criterio es el uso ético: no delegar el juicio académico, no ocultar la mediación de la herramienta, cuidar datos y evitar atajos que terminen en plagio o en trabajo sin comprensión.

En un trabajo anterior denominado “El Viejo y el mar como simulador de toma de decisiones con inteligencia artificial en educación superior” y que puede leer desde aquí comentamos como a partir del análisis de una obra literaria o científica podemos emplear la IA siguiendo un grupo de reglas que culminan con un registro de evidencias que el estudiante debe presentar. Sí seguimos este camino es el estudiante el responsable de desafiar la IA y no al revés como suele suceder.

Cuando las ideas anteriores se convierten en el centro del curso, aparece una consecuencia directa: el programa deja de quebrarse cuando cambia la herramienta. En lugar de enseñar una aplicación como contenido principal, se enseña una práctica académica con mediación de IA. La herramienta se trabaja como ejemplo y se puede sustituir sin reescribir el diseño didáctico.

Un ejemplo en Ciencias de la Educación lo muestra con claridad. En una asignatura que imparto, los estudiantes deben crear el sistema de evaluación de una asignatura. Hasta aquí parece sencilla la tarea, pero no es así. Ellos tienen que empezar por crear una institución escolar, diseñar su estructura, seleccionar las facultades, carreras y en una de ellas describir todas las asignaturas. Al principio se copian todo de la IA, pero en la medida en que van presentando públicamente sus resultados, deben volver al inicio para rediseñar todo con su propio criterio. Con un enfoque centrado en herramienta, el estudiante aprende a trabajar con la herramienta, pero no aprende a crear el sistema de evaluación exigido.

Por el contrario, al enfocarnos en las competencias, el estudiante debe definir el desempeño, justificar los criterios, construir niveles, proponer evidencias, anticipar errores, y utilizar la IA para revisar consistencia, sugerir redacción, proponer variantes y detectar ambigüedades. La evidencia evaluable no es la habilidad de navegar la interfaz, es la calidad del instrumento y la solidez de las decisiones que lo sustentan. Si mañana cambian las plataformas, la tarea sigue siendo la misma, y el aprendizaje también.

Este modo de diseñar reduce un riesgo frecuente en la formación con IA: la fatiga por actualización permanente y la sobreexposición a novedades. Al poner el énfasis en criterios pedagógicos, el estudiante aprende a decidir cuándo un cambio tecnológico requiere reentrenamiento y cuándo solo exige adaptación menor. Aprende a sostener un criterio de calidad por encima del entusiasmo por lo nuevo. En educación superior, esa estabilidad es pedagógicamente deseable: permite profundidad, continuidad de desempeño y evaluación más justa.

A manera de conclusión.

La sensación de no ver el final con la IA suele aparecer cuando se confunde el objetivo con el dominio de un producto. Si la meta es aprender herramientas, siempre habrá reinicio porque el ecosistema cambia sin pausa. Si la meta es construir capacidades transferibles, el cambio tecnológico deja de invalidar el aprendizaje. La docencia universitaria gana consistencia cuando evalúa desempeño intelectual mediado por IA: formular problemas, dialogar con criterio, verificar, justificar, documentar y actuar con responsabilidad. El final no es dominar una IA. El final es sostener un trabajo académico riguroso, aunque la herramienta cambie.