De la inteligencia artificial individual a la inteligencia colectiva: aprender con otros en tiempos de IA

La expansión de la inteligencia artificial generativa en la educación superior ha creado una escena que ya resulta familiar. Un estudiante se sienta frente a una pantalla, formula una pregunta y recibe una respuesta elaborada en pocos segundos. Puede pedir otra explicación, solicitar ejemplos, resumir un texto, corregir un escrito o generar ideas. La interacción parece muy activa, pero ocurre casi siempre de manera individual. Es el estudiante frente a la inteligencia artificial y es esta la que hace todo.

Es que estamos utilizando una tecnología nueva para reforzar una concepción bastante antigua del aprendizaje.

En el informe de UNESCO (UNESCO., 2026) The algorithm in the room: Seeing and confronting the implications of AI for the future of education, Imogen Casebourne y Rupert Wegerif plantean una perspectiva diferente. Su pregunta no se limita a cómo la inteligencia artificial puede mejorar el aprendizaje individual. Se preguntan si puede contribuir al desarrollo de la inteligencia colectiva, entendida como la capacidad de los grupos para pensar, aprender y resolver problemas de una manera que supere las posibilidades de cada integrante por separado.

La pregunta resulta especialmente relevante para la educación superior. Muchas de las herramientas actuales prometen personalización, respuestas adaptadas, tutoría individual y retroalimentación inmediata. Sin embargo, los problemas que los futuros profesionales tendrán que enfrentar rara vez podrán resolverse mediante una conversación aislada entre una persona y una máquina.

El cambio climático, los conflictos sociales, los problemas educativos, la pobreza, la salud pública o las transformaciones derivadas de la propia inteligencia artificial exigen interpretar perspectivas diferentes, dialogar, contrastar información, negociar significados y construir soluciones con otros.

La pregunta pedagógica cambia entonces de dirección: ¿qué ocurre si dejamos de pensar en la IA solamente como asistente de cada estudiante y comenzamos a considerarla como una mediación dentro de procesos colectivos de aprendizaje?

De conversar con la IA a pensar con otros

Casebourne y Wegerif parten de una idea sugerente. La inteligencia no tiene que concebirse únicamente como algo que existe dentro de la mente individual. También puede emerger de las relaciones entre las personas. Por ello, el diálogo adquiere un papel central en la inteligencia colectiva.

Pero dialogar significa algo más que hablar. Implica formular preguntas, escuchar, cuestionar supuestos, interpretar perspectivas diferentes y modificar las propias ideas como resultado de la interacción. Los autores relacionan estas características con las pedagogías dialógicas y con actividades abiertas donde los estudiantes construyen conjuntamente explicaciones y soluciones.

Esta perspectiva encuentra un punto de encuentro muy interesante con el enfoque histórico cultural. No porque ambos planteamientos sean equivalentes, sino porque permiten pensar el aprendizaje desde una concepción social. Desde la perspectiva vigotskiana, el desarrollo de las funciones psicológicas superiores tiene un origen social y está mediado por herramientas y signos culturales. El estudiante no aprende simplemente recibiendo información, sino participando en actividades con otros, apropiándose progresivamente de instrumentos culturales y transformando esas experiencias en procesos internos. Por ello debemos comprender que la inteligencia artificial no elimina esta relación, por el contrario Introduce una nueva mediación dentro de ella.

El problema surge cuando la IA ocupa el centro de la actividad y desplaza la interacción social. Un estudiante pregunta, la IA responde y el estudiante acepta la respuesta. El circuito puede ser eficiente, pero pedagógicamente pobre. Incluso cuando veinte estudiantes realizan la misma tarea con veinte conversaciones independientes, seguimos ante veinte procesos individuales. En este caso la tecnología genera muchas respuestas sin generar necesariamente una construcción colectiva del conocimiento.

Casebourne y Wegerif proponen mirar en otra dirección. La IA podría facilitar proyectos en los que los estudiantes recopilen información, contrasten perspectivas, interpreten datos y elaboren soluciones comunes. También puede ayudar a traducir entre idiomas, sintetizar posiciones diferentes o identificar puntos de consenso dentro de grupos numerosos. Estas posibilidades podrían reducir algunas barreras que dificultan la colaboración.

Pensemos en una clase universitaria que estudia el abandono estudiantil. La actividad podría comenzar sin IA, cada estudiante analiza el problema desde su experiencia, formación y contexto. Después se contrastan perspectivas y se construyen preguntas comunes. La IA puede incorporarse posteriormente para analizar documentos, organizar información, sugerir interpretaciones o cuestionar argumentos. Pero sus respuestas no constituyen el resultado de la actividad, se convierten en un nuevo objeto de discusión. Un grupo puede aceptar una interpretación de la IA, otro puede rechazarla y un tercero puede detectar un sesgo. Los estudiantes deben explicar sus decisiones y construir una interpretación colectiva.

La diferencia parece pequeña, pero pedagógicamente es considerable. En el primer caso el estudiante pregunta a la IA qué debe pensar. En el segundo, la respuesta de la IA se convierte en un elemento para pensar con otros.

La paradoja de muchas respuestas parecidas

Existe, sin embargo, un problema que no debemos minimizar. La inteligencia artificial también puede reducir la diversidad cognitiva de un grupo. Casebourne y Wegerif advierten que cuando diferentes personas utilizan el mismo sistema de IA como fuente de inspiración pueden terminar generando ideas similares. La aparente multiplicación de respuestas podría ocultar una progresiva homogeneización del pensamiento. Esta posibilidad merece especial atención en nuestras clases.

Un profesor puede solicitar a treinta estudiantes que propongan soluciones para un problema. Antes de la IA, las respuestas podían ser incompletas, desiguales e incluso equivocadas, pero provenían de experiencias, conocimientos y procesos de razonamiento diferentes.

Ahora treinta estudiantes pueden consultar sistemas semejantes. Las respuestas serán probablemente más correctas en su forma, mejor organizadas y lingüísticamente más elaboradas. Sin embargo, también pueden parecerse considerablemente. Tendríamos treinta productos, pero no necesariamente treinta perspectivas.

Aquí aparece una paradoja educativa: la IA puede aumentar la producción individual y, al mismo tiempo, disminuir la diversidad necesaria para construir inteligencia colectiva.

Este problema se agrava porque los propios modelos se alimentan de conjuntos de datos que contienen ausencias, desigualdades y sesgos. Si un grupo construye su discusión a partir de respuestas semejantes generadas por sistemas entrenados con fuentes parcialmente homogéneas, determinadas voces pueden quedar invisibilizadas. Los autores advierten que estos procesos podrían reproducir e incluso amplificar prácticas de exclusión. Por ello, la inteligencia colectiva no consiste en colocar a varias personas alrededor de una herramienta de IA. Requiere preservar la diferencia.

Antes de consultar una IA, los estudiantes deberían tener oportunidades para expresar sus propias interpretaciones. Después de recibir una respuesta automatizada, necesitan contrastarla con otras fuentes, con sus compañeros y con la realidad que estudian. Finalmente, deben explicar qué conservaron, qué rechazaron y qué modificaron. En este proceso el docente mantiene una función decisiva.

Casebourne y Wegerif destacan que los profesores tendrán que enseñar a dialogar, cuestionar, desafiar e interpretar las recomendaciones automatizadas. También deberán favorecer condiciones de respeto, empatía y participación que hagan posible una auténtica construcción colectiva.

La función docente no disminuye. Cambia.

Ya no consiste solamente en proporcionar información que los estudiantes pueden obtener mediante una máquina. El profesor diseña situaciones donde esa información debe ser interpretada, confrontada y transformada mediante la interacción social.

Este cambio también obliga a revisar la evaluación. Si continuamos calificando exclusivamente el producto individual, será lógico que cada estudiante busque la manera más eficiente de producirlo con ayuda de la IA. Si valoramos la argumentación, la contrastación, la negociación de significados y la construcción compartida de soluciones, la relación con la herramienta cambia. La IA deja de ser una máquina para terminar tareas y comienza a formar parte de una actividad intelectual colectiva.

El reto, por tanto, no consiste en enseñar solamente a nuestros estudiantes a conversar mejor con ChatGPT, Gemini, NotebookLM o cualquier herramienta que aparezca después. Necesitamos enseñarles a pensar con otras personas en un contexto donde también participan sistemas de inteligencia artificial.

Casebourne y Wegerif imaginan una educación que no enseñe únicamente qué saber, sino también cómo negociar significados, construir soluciones y desarrollar comprensiones compartidas. Reconocen que todavía no existe una fórmula para conseguirlo. Será necesario experimentar, reflexionar y construir nuevas prácticas. Tal vez esa incertidumbre sea precisamente una oportunidad para la universidad.

Durante los últimos años hemos preguntado con insistencia qué puede hacer cada estudiante con la inteligencia artificial. La siguiente pregunta debería ser más exigente: ¿qué podemos llegar a pensar y construir juntos, con ayuda de la IA, que ninguno de nosotros podría alcanzar por separado?

Ese cambio de pregunta puede conducirnos desde una inteligencia artificial centrada en el individuo hacia una pedagogía de la inteligencia colectiva.

 

Referencias

Casebourne, I., & Wegerif, R. (2026). AI and education for collective intelligence: A futures perspective. In UNESCO, The algorithm in the room: Seeing and confronting the implications of AI for the future of education (pp. 145–150). UNESCO

UNESCO. (2026). The algorithm in the room: Seeing and confronting the implications of AI and the futures of educationThe algorithm in the room: Seeing and confronting the implications of AI and the futures of education. UNESCO. https://doi.org/10.54675/PMRO5023

 

 

La inteligencia artificial ante el espejo del poder

Entre la competencia de Estados Unidos y China, las advertencias del papa León XIV y las propuestas de la ONU y la UNESCO, la discusión sobre inteligencia artificial vuelve a situarse en el terreno de la educación, la ética y la responsabilidad humana.

La semana del 22 al 28 de septiembre de 2026 dejó una imagen clara: la inteligencia artificial ya no es únicamente un asunto tecnológico. Se ha convertido en un problema geopolítico, educativo, cultural y moral.

Mientras Estados Unidos y China intentan conservar su ventaja en el desarrollo de sistemas avanzados, organismos internacionales como la ONU y la UNESCO insisten en que el futuro de la IA no puede definirse únicamente por la velocidad de innovación o por la competencia entre empresas y gobiernos. En el centro de la discusión aparece una pregunta más profunda: ¿qué debe proteger la humanidad cuando las máquinas comienzan a intervenir en la forma en que pensamos, aprendemos, trabajamos y tomamos decisiones?

Estados Unidos y China: cooperación limitada en medio de la competencia

La reunión entre Donald Trump y Xi Jinping concluyó con un acuerdo para iniciar un diálogo bilateral sobre los riesgos y beneficios de la inteligencia artificial. También se propuso establecer canales de comunicación para informar incidentes relacionados con sistemas avanzados.

Sin embargo, el encuentro no produjo un acuerdo sustantivo sobre seguridad, regulación o límites al desarrollo de la IA. La reunión estuvo dominada por la competencia tecnológica, el comercio y el control de sectores estratégicos, especialmente los semiconductores. El propio tratamiento del concepto —con la preferencia por hablar de “superinteligencia”— mostró que ambos países buscan controlar también el lenguaje con el que se interpreta esta transformación.

El hecho más significativo no fue tanto lo que se acordó, sino lo que quedó pendiente. Las dos potencias reconocen que necesitan evitar incidentes graves, pero todavía no parecen dispuestas a aceptar mecanismos internacionales que limiten de manera efectiva su capacidad de innovación.

Desde una perspectiva educativa, esta situación puede tener consecuencias importantes. La competencia entre modelos tecnológicos estadounidenses y chinos podría influir en el acceso a plataformas, datos, sistemas de traducción, herramientas de investigación y recursos educativos. La discusión sobre IA también puede convertirse en una discusión sobre dependencia tecnológica, soberanía digital y desigualdad entre instituciones educativas.

La ONU: la inteligencia artificial como asunto de desarrollo humano

Durante la semana de alto nivel de la Asamblea General de las Naciones Unidas se desarrolló una reunión dedicada a la relación entre inteligencia artificial, desarrollo humano y dignidad. Participaron representantes políticos, académicos, líderes religiosos, organismos internacionales y empresas tecnológicas.

El encuentro abordó temas como educación, creatividad, confianza, cohesión social, desinformación, inclusión, diversidad lingüística y derechos humanos. La ONU planteó que la tecnología debe estar al servicio de las personas y que la gobernanza de la IA debe considerar a quienes podrían quedar excluidos de sus beneficios.

Esta perspectiva resulta especialmente relevante porque desplaza la discusión. La pregunta ya no es solamente qué puede hacer una herramienta de IA, sino qué efectos produce en la vida social y qué condiciones deben existir para que su uso sea justo.

En contraste, durante su intervención ante la Asamblea General, Donald Trump minimizó las preocupaciones sobre los riesgos de la IA y defendió una política de desarrollo tecnológico orientada a mantener la ventaja de Estados Unidos. También propuso emplear el término “superinteligencia”.

La diferencia entre ambas posiciones es evidente. Por un lado, aparece una visión centrada en la competencia y el liderazgo tecnológico. Por otro, una visión que intenta vincular la IA con la educación, los derechos humanos, la inclusión y la responsabilidad colectiva.

El papa León XIV: las advertencias no son “fake news”

El papa León XIV intervino en esta discusión desde una perspectiva ética y humanista. Durante su visita a la sede de la UNESCO, en París, realizada el 25 de septiembre, afirmó que la inteligencia artificial debe estar al servicio de la humanidad y no convertirse en un instrumento de dominación, explotación o exclusión.

También señaló que una máquina puede procesar grandes cantidades de datos, pero no puede responder por sí misma a las preguntas humanas sobre la verdad, el sentido y el significado de la vida.

Sus declaraciones adquirieron mayor fuerza el 28 de septiembre, cuando, durante el vuelo de regreso a Roma, sostuvo que las preocupaciones de los especialistas sobre los posibles riesgos de la IA deben tomarse en serio y que no son “fake news”. Sus palabras contrastaron directamente con la posición de Trump, quien había calificado esos temores como una “estafa”.

El papa no planteó rechazar la tecnología. Su preocupación se relaciona con la pérdida de control humano, la dependencia excesiva y la posibilidad de que la innovación avance más rápido que la capacidad de las sociedades para comprenderla y regularla.

Esta advertencia tiene una aplicación directa en la educación. Utilizar IA no significa delegar en ella la responsabilidad de pensar. Una respuesta bien redactada no equivale necesariamente a una respuesta verdadera, pertinente o formativa. Por eso, el uso educativo de estas herramientas debe conservar espacios para la duda, la argumentación, la verificación y la reflexión personal.

UNESCO: educar para discernir

La UNESCO reforzó esta preocupación durante la visita papal. Su director general, Khaled El-Enany, sostuvo que la inteligencia humana, el discernimiento, la creatividad, la empatía y la responsabilidad moral no pueden ser sustituidos simplemente por máquinas.

La organización insistió además en la necesidad de promover una inteligencia artificial ética, accesible, equitativa y sostenible. Recordó la importancia de su Recomendación sobre la Ética de la IA, aprobada en 2021, y destacó el papel de la alfabetización mediática e informacional para enfrentar los contenidos falsos o manipulados mediante inteligencia artificial.

Uno de los aspectos más significativos de la posición de la UNESCO es que vincula la IA con la educación de niños, jóvenes y docentes. No basta con aprender a utilizar una aplicación. Es necesario comprender cómo produce sus respuestas, qué datos emplea, qué sesgos puede reproducir y cómo sus resultados deben ser contrastados.

En este sentido, la alfabetización en IA debe incluir al menos cinco dimensiones:

• comprensión básica del funcionamiento de estas herramientas;
• evaluación crítica de sus respuestas;
• verificación de fuentes y datos;
• reconocimiento de sesgos y riesgos éticos;
• responsabilidad sobre los contenidos producidos.

Una disputa tecnológica que también es educativa

Las noticias de esta semana muestran que la IA se encuentra en una etapa de definición política. Estados Unidos y China compiten por el liderazgo; la ONU busca construir espacios de cooperación; el Papa reclama responsabilidad moral; y la UNESCO propone educar para el discernimiento.

La cuestión no se resolverá únicamente con más potencia informática ni con modelos capaces de producir textos, imágenes o decisiones con mayor rapidez. También será necesario formar ciudadanos capaces de preguntar, contrastar, interpretar y decidir.

Para la educación superior, esto implica revisar la manera en que se enseña a investigar y escribir. La inteligencia artificial puede ayudar a organizar información, formular preguntas, comparar perspectivas o revisar un texto. Pero la interpretación, la argumentación y la responsabilidad intelectual no pueden ser transferidas completamente a una herramienta.

El desafío no consiste en elegir entre aceptar o rechazar la IA. Consiste en aprender a utilizarla sin renunciar a las capacidades que hacen posible la educación: pensar, crear, dialogar, dudar y construir conocimiento con otros.

La verdadera discusión sobre la inteligencia artificial no es si las máquinas llegarán a pensar como los seres humanos. Es si los seres humanos continuaremos pensando críticamente cuando las máquinas comiencen a ofrecer respuestas para casi todo.

Fuentes consultadas

• ONU: IA, desarrollo humano y dignidad
• ONU: actividad sobre desarrollo humano durante la Asamblea General
• UNESCO: visita del papa León XIV y dignidad humana
• UNESCO: IA, educación y paz
• Reuters: diálogo entre Estados Unidos y China sobre IA
• Reuters: declaraciones del papa León XIV sobre los riesgos de la IA

 

Del asistente conversacional al colaborador digital en el trabajo docente

 

 

Hoy la inteligencia artificial ya no permanece únicamente en una ventana esperando preguntas. Puede trabajar con archivos, utilizar herramientas, producir artefactos y sostener procesos de revisión que se prolongan a lo largo de una tarea. El reto educativo, sin embargo, no consiste en delegarle cada vez más actividades, sino en aprender a colaborar con ella sin renunciar a comprender, decidir y responder por lo realizado.

De la respuesta al espacio compartido de trabajo

Durante los primeros años de la inteligencia artificial generativa nos acostumbramos a una interacción relativamente sencilla: escribir una instrucción y esperar una respuesta. La metáfora del copiloto representó un avance porque la herramienta dejó de percibirse únicamente como un buscador y comenzó a acompañar actividades de redacción, planeación, programación o análisis. Más tarde adquirió relevancia la figura del agente: un sistema capaz de organizar varios pasos, utilizar herramientas, consultar información y verificar parcialmente sus resultados.

La integración de modelos como los conocidos GPT y de agentes de programación como Codex están haciendo posible que la IA trabaje con archivos, documentos y hojas de cálculo para transformarlo en productos que posteriormente pueden ser revisados. También muestra procesos en los que un agente recorre ciclos de planeación, ejecución, observación, reparación y documentación, apoyándose en evidencia externa como archivos, registros y resultados de pruebas (Choi, 2026; OpenAI, s. f.).

El cambio no consiste solamente en que el modelo pueda generar mejores respuestas. Lo relevante es que dispone de un entorno en el que puede actuar sobre materiales concretos, recibir retroalimentación y conservar el contexto de una tarea durante más tiempo. Esto modifica la relación entre la persona y el sistema: se pasa de pedir respuestas aisladas a trabajar sobre objetos compartidos que pueden revisarse, modificarse y mejorar progresivamente.

En nuestra experiencia docente, este cambio también transforma la manera de solicitar apoyo. Antes podíamos pedir: “redacta una actividad” o “corrige este texto”. Ahora podemos proporcionar materiales de referencia, restricciones, criterios de evaluación y productos anteriores; revisar una primera propuesta; señalar lo que no corresponde al contexto; comparar alternativas; y continuar trabajando sobre el mismo objeto.

Por ejemplo, en una materia sobre evaluación educativa, los estudiantes trabajan con varios HTML, pero cada uno de ellos cumple una función diferente. El primero de ellos es solo informativo, donde se establecen las etapas del trabajo, el segundo es para crear un prompt que les permitirá iniciar el trabajo en la materia. El tercero de ellos es para la interacción en la clase. De estos comentaremos en un próximo trabajo. La interacción se aproxima así a una forma de colaboración porque existe una tarea compartida, un contexto común y diferentes momentos en los que la intervención humana modifica el curso del trabajo.

¿Podemos llamar colaborador a una inteligencia artificial?

Conviene utilizar el término colaborador con prudencia. La IA no comparte nuestras intenciones morales, no conoce por experiencia directa a los estudiantes y no asume responsabilidad profesional por las consecuencias de una decisión pedagógica. Llamarla colaboradora, por tanto, no implica atribuirle conciencia, autonomía moral ni colocarla en el mismo plano ético que una persona.

En este artículo empleamos colaborador digital para describir una forma de organización del trabajo en la que la persona mantiene el propósito, los criterios y la decisión final, mientras la IA participa activamente en determinadas operaciones: explorar alternativas, organizar información, identificar patrones o inconsistencias, comparar posibilidades y materializar borradores o prototipos que posteriormente serán evaluados.

Esta distinción permite diferenciar tres formas de interacción. Un asistente responde a solicitudes puntuales; un agente puede ejecutar secuencias de acciones orientadas a una meta; un colaborador digital, en cambio, participa en un proceso iterativo en el que sus aportaciones son continuamente contrastadas, modificadas o rechazadas por la persona. La diferencia decisiva no está solamente en la capacidad técnica de la herramienta, sino en la forma de organizar la relación con ella.

Sharples (2023) propuso comprender la IA generativa educativa no como una sucesión aislada de preguntas y respuestas, sino como parte de un proceso social de conversación y exploración. Desde esta perspectiva, aprender implica establecer metas, construir significados, confrontar diferencias y transferir lo comprendido a situaciones nuevas. La colaboración no reside, entonces, en recibir un producto terminado, sino en sostener una interacción que transforme tanto la propuesta inicial como la comprensión de quien participa.

Esta distinción resulta especialmente importante para la docencia. Si el profesor entrega a la IA la definición del problema, la selección de fuentes, la interpretación de los resultados, los criterios de calidad y la decisión final, la interacción se aproxima más a una sustitución cognitiva que a una colaboración. En cambio, cuando utiliza la herramienta para ampliar opciones, identificar vacíos, cuestionar argumentos y crear prototipos que posteriormente somete a juicio pedagógico, la IA puede actuar como mediadora de un proceso intelectual cuya orientación y responsabilidad continúan siendo humanas.

El riesgo: mejores productos con menos pensamiento

La OCDE (2026) advierte que la inteligencia artificial generativa puede contribuir al aprendizaje cuando su utilización responde a una orientación pedagógica definida; en ausencia de ella, externalizar una tarea puede favorecer el desempeño inmediato sin producir necesariamente una comprensión equivalente. En otras palabras, el producto visible puede mejorar mientras parte del proceso intelectual necesario para producirlo se desplaza hacia la herramienta.

La investigación de Lee et al. (2025) ayuda a comprender este riesgo. Los autores estudiaron a 319 trabajadores del conocimiento, quienes describieron 936 experiencias concretas de utilización de inteligencia artificial generativa en actividades laborales. El estudio encontró que una mayor confianza en la capacidad de la IA para realizar una tarea se asociaba con una menor presencia autoinformada de pensamiento crítico, mientras que una mayor confianza de las personas en su propia capacidad se relacionaba con una mayor participación crítica.

El resultado requiere una interpretación prudente. El estudio no se realizó específicamente con docentes y se apoya en experiencias y percepciones reportadas por los propios participantes. Por ello, no demuestra que utilizar inteligencia artificial reduzca de manera causal o inevitable el pensamiento crítico. Lo que sí muestra es que la introducción de IA puede modificar dónde se concentra el esfuerzo cognitivo: verificar información, integrar respuestas, supervisar resultados y determinar cuándo una propuesta es suficientemente confiable adquieren una importancia creciente (Lee et al., 2025).

Esta evidencia obliga a cambiar la pregunta que hacemos sobre la tecnología. Ya no basta con saber si un docente utilizó o no inteligencia artificial. Necesitamos conocer qué decisiones conservó, qué verificó, qué rechazó, qué modificó y cómo justificó el producto final.

Delegar el pensamiento ocurre cuando aceptamos una respuesta por su fluidez, incorporamos datos o referencias que no hemos comprobado, permitimos que el sistema defina los criterios de calidad o somos incapaces de explicar el camino seguido para llegar al resultado. También sucede cuando confundimos ahorro de tiempo con aprendizaje. Una herramienta puede acelerar la elaboración de un recurso, pero la velocidad no sustituye la deliberación necesaria para determinar si ese recurso es pertinente, inclusivo y formativamente valioso.

Cuatro acciones para una colaboración crítica

Si la inteligencia artificial modifica tanto las posibilidades de producción como la distribución del esfuerzo cognitivo, la tarea no consiste únicamente en aprender a utilizarla, sino en establecer mecanismos que mantengan activa la agencia profesional del docente. A partir de los riesgos anteriores, proponemos organizar la colaboración docente con IA mediante cuatro acciones inseparables: dialogar, decidir, supervisar y responder.

Dialogar implica proporcionar contexto, pero también preguntar, contrastar y reformular. De esta manera, la IA responde a una intención pedagógica explícita y no únicamente a una instrucción técnica.

Decidir de manera consciente qué tareas puede realizar la IA y cuáles requieren juicio profesional. Buscar alternativas, clasificar información, sintetizar materiales o producir un primer prototipo pueden ser actividades delegables. Definir el propósito educativo, interpretar las necesidades de los estudiantes, establecer criterios de calidad y tomar decisiones con consecuencias pedagógicas requieren responsabilidad humana.

La decisión fundamental no es simplemente “usar o no usar IA”, sino determinar qué parte del proceso estamos dispuestos a delegar y cuál necesitamos conservar para comprender y responder por el resultado.

Supervisar consiste en contrastar datos y referencias, examinar posibles sesgos, solicitar explicaciones, comparar versiones, identificar inconsistencias y registrar modificaciones. Supervisar no significa revisar apresuradamente un producto cuando la IA ha terminado. Supone intervenir durante el proceso y crear puntos explícitos de verificación.

Una colaboración crítica necesita la posibilidad real de disentir. Si todas las propuestas de la IA son aceptadas, la supervisión se convierte en una formalidad. Colaborar implica también poder decir: esta respuesta no corresponde al contexto, esta fuente no es adecuada, este criterio es insuficiente o esta alternativa no beneficia a mis estudiantes.

Responder nos lleva a explicar por qué se aceptó una propuesta, qué modificaciones se realizaron y qué evidencias respaldan la decisión final. La IA puede participar en la producción, pero la responsabilidad ética y pedagógica permanece en la persona.

Responder significa también ser capaz de reconstruir el proceso: identificar qué provino de la herramienta, qué fue modificado y qué decisiones fueron tomadas por el docente. La responsabilidad no desaparece porque una parte del trabajo haya sido automatizada.

Estas cuatro acciones coinciden con la orientación humanocéntrica del Marco de competencias en IA para docentes de UNESCO. Miao y Cukurova (2024) organizan el marco en 15 competencias distribuidas en cinco dimensiones: mentalidad centrada en el ser humano, ética de la IA, fundamentos y aplicaciones de IA, pedagogía con IA y uso de IA para el aprendizaje profesional. El marco sitúa así la agencia humana y la responsabilidad docente como elementos centrales de la integración tecnológica.

El profesor no queda relegado a supervisar una máquina. Por el contrario, adquiere la responsabilidad adicional de diseñar relaciones con la tecnología que protejan la autonomía, el aprendizaje y la dignidad de quienes participan.

El docente de los próximos años no trabaja solo, pero sigue pensando

El profesor del futuro no será necesariamente quien prohíba toda inteligencia artificial ni quien entregue a la herramienta la planeación, la evaluación y la escritura. Será quien aprenda a construir con ella sin desaparecer del proceso; quien utilice su capacidad para explorar más posibilidades, pero conserve la responsabilidad de elegir; y quien aproveche la automatización del trabajo mecánico para dedicar mayor atención a comprender a sus estudiantes, diseñar mejores experiencias y analizar las consecuencias de sus decisiones.

Desde esta perspectiva, la pregunta decisiva ya no es solamente qué puede hacer GPT por nosotros. La pregunta es qué tipo de relación intelectual queremos construir con una tecnología capaz de intervenir en nuestros archivos, proyectos y productos.

Conclusiones

La propuesta de: dialogar, decidir, supervisar y responder es para organizar una colaboración crítica con la IA, no constituyen una secuencia rígida, sino un ciclo que mantiene al docente intelectualmente presente durante todo el proceso. Dialogar permite definir el problema y proporcionar contexto; decidir establece los límites de la delegación; supervisar introduce contraste y verificación; responder mantiene visible la responsabilidad profesional. Las cuatro acciones convierten el uso de IA en algo distinto de una simple transferencia de tareas.

Todavía existen límites importantes en la evidencia disponible. No todos los resultados obtenidos con trabajadores del conocimiento pueden generalizarse a profesores y estudiantes; tampoco sabemos con precisión qué formas de interacción humano-IA favorecen aprendizajes duraderos en diferentes disciplinas y niveles educativos. Se necesita, por tanto, investigación que no evalúe únicamente la calidad o rapidez del producto obtenido, sino también la comprensión alcanzada, la capacidad de transferencia, la autonomía posterior y la calidad de las decisiones tomadas sin ayuda de la herramienta.

El desafío educativo no consiste en preservar artificialmente todas las tareas que antes realizábamos sin tecnología. Tampoco consiste en automatizar todo aquello que una IA sea capaz de ejecutar. Consiste en decidir qué merece seguir siendo pensado por nosotros. Si aprendemos a colaborar sin delegar esa responsabilidad, la inteligencia artificial no tendrá que reducir al docente a un espectador. Puede convertirse, por el contrario, en una oportunidad para hacer más visible, deliberada y exigente su inteligencia profesional.

Referencias

Choi, D. (2026, 23 de febrero). Run long horizon tasks with Codex. OpenAI Developers.

Lee, H.-P. (H.), Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Article 1121, 1–22. doi:10.1145/3706598.3713778

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. doi:10.1787/062a7394-en

OpenAI. (s. f.). Productivity & collaboration. ChatGPT Learn.

Sharples, M. (2023). Towards social generative AI for education: Theory, practices and ethics. Learning: Research and Practice, 9(2), 159–167. doi:10.1080/23735082.2023.2261131

 

Cuando el currículo también debe aprender: educar como bien común en la era de la IA

En la segunda semana de septiembre del presente año, ministros de Educación, especialistas, docentes, estudiantes y representantes del sector tecnológico se reunieron en la sede de la UNESCO en París con una pregunta central: ¿cómo integrar la inteligencia artificial en la educación sin permitir que la lógica de la tecnología termine definiendo el sentido de educar?

Esta discusión mundial conduce directamente al currículo; durante años se ha hablado de actualización curricular como un proceso relativamente previsible: revisar programas, añadir contenidos, incorporar competencias digitales o modificar asignaturas. Esa lógica supone que primero cambia el mundo y después el currículo dispone de tiempo suficiente para ponerse al día. Sin embargo, la inteligencia artificial está rompiendo esa secuencia.

Cuando una institución termina de discutir el uso de una herramienta, aparecen nuevas versiones, modelos multimodales, agentes capaces de ejecutar tareas, sistemas de tutoría y nuevas formas de producir textos, imágenes, código, datos y conocimiento. El problema no es simplemente que las tecnologías cambien rápido. El problema es que están modificando las actividades intelectuales sobre las cuales se construyeron muchos currículos. Leer, escribir, investigar, resumir, traducir, programar, diseñar, buscar información y resolver problemas ya no ocurren exactamente de la misma manera.

La evidencia presentada precisamente en París resulta ilustrativa. Un estudio de UNESCO IESALC realizado en 200 instituciones de educación superior de 19 países de América Latina y el Caribe encontró que el 87 % ya utiliza inteligencia artificial en alguna de sus actividades. Sin embargo, únicamente el 26 % dispone de una estrategia institucional formal de IA (Valentini, 2026).

Del currículo actualizado al currículo que aprende

Un currículo que aprende posee algo diferente: capacidad para interpretar cambios que todavía están ocurriendo. No persigue cada innovación ni modifica los programas cada vez que aparece una nueva plataforma. Tampoco confunde innovación educativa con adopción tecnológica. Construye mecanismos para observar lo que sucede, analizar evidencias, escuchar a la comunidad, experimentar responsablemente y decidir qué debe incorporarse, transformarse, limitarse o rechazarse. Esta capacidad puede denominarse gobernanza curricular adaptativa.

Por gobernanza curricular adaptativa se entiende la capacidad de una comunidad educativa para revisar continuamente las relaciones entre conocimiento, tecnología, aprendizaje y propósito formativo, tomando decisiones informadas sin renunciar a sus principios educativos. Lo importante es la última parte de la definición. Adaptarse no significa obedecer al cambio.  Significa desarrollar capacidad para gobernarlo.

La diferencia es fundamental. Una institución que simplemente se adapta termina siguiendo el ritmo de las plataformas. Una institución que aprende puede preguntarse qué cambios son educativamente valiosos y cuáles no. De este modo, el currículo deja de ser solamente un documento que organiza contenidos y se convierte también en un sistema institucional de aprendizaje.

Hechos: Cuando producir información deja de demostrar aprendizaje

Uno de los temas planteados en París es particularmente relevante para la educación: ¿qué cuenta como un hecho en una época de conocimiento sintético? Durante mucho tiempo, buena parte de la evaluación educativa se construyó sobre una asociación relativamente sencilla: si un estudiante producía un buen texto, una presentación, una síntesis o un programa informático, era razonable interpretar ese producto como evidencia de determinadas capacidades. La IA generativa debilita esa asociación.

Un producto terminado ya no permite saber con suficiente claridad qué parte corresponde a comprensión, qué parte a búsqueda, qué parte a generación automática y qué decisiones intelectuales fueron tomadas por el estudiante. La respuesta educativa no debería ser regresar artificialmente a un mundo sin inteligencia artificial; debería consistir en mejorar nuestra idea de evidencia.

En un currículo que aprende, la evaluación tendría que recuperar elementos que durante mucho tiempo quedaron ocultos detrás del producto final: las preguntas formuladas, las fuentes utilizadas, los criterios de selección, las dudas encontradas, las alternativas descartadas, las decisiones tomadas y la capacidad de defender una conclusión. Cuando una máquina puede producir respuestas plausibles, mostrar el proceso de pensamiento adquiere mayor valor educativo.

Esto implica que el currículo de la era de la IA no debería preocuparse solamente por enseñar a producir. Necesita enseñar también a justificar, contrastar, atribuir, verificar y responder por lo producido.

Fricciones: la tecnología no llega a una educación neutral

El segundo eje de la discusión de UNESCO habla de fricciones. La palabra resulta acertada porque la IA no entra en sistemas educativos vacíos. Llega a instituciones con desigualdades, lenguas, culturas, regulaciones, modelos de evaluación, prácticas docentes y condiciones de infraestructura muy diferentes. Por eso, la misma tecnología no produce necesariamente las mismas oportunidades.

Puede ampliar el acceso para algunos estudiantes y crear nuevas barreras para otros. Puede apoyar el trabajo docente, pero también aumentar mecanismos de vigilancia. Puede favorecer la personalización y, simultáneamente, generar dependencia de proveedores externos. Puede facilitar la producción de conocimiento y, al mismo tiempo, dificultar la identificación de su procedencia.

La Declaración Ministerial adoptada en París coloca varias de estas tensiones en el centro de la gobernanza educativa. Plantea la necesidad de proteger los datos, desarrollar sistemas auditables, promover la inclusión desde el diseño, preservar la agencia profesional docente y evaluar no solo el precio inicial de las tecnologías, sino su costo total, interoperabilidad y portabilidad (UNESCO, 2026b).

La UNESCO propone considerar la interoperabilidad, la portabilidad de los datos y los sistemas abiertos para que los sistemas educativos no queden encerrados en una determinada solución tecnológica. También señala que, cuando sea necesario, debe ser posible suspender determinadas formas de utilización de la IA (UNESCO, 2026b).

Esta idea puede trasladarse al currículo mediante un principio que convendría desarrollar con mayor fuerza: la reversibilidad curricular. Toda incorporación tecnológica debería conservar la posibilidad de ser revisada, modificada o abandonada cuando la evidencia muestre que ya no contribuye al aprendizaje, compromete derechos, aumenta desigualdades o genera una dependencia incompatible con los objetivos de la institución.

Innovar no debería significar adoptar sin retorno.

Por el contrario, una institución verdaderamente innovadora debería poseer suficiente autonomía para decir no, detener una implementación o cambiar de dirección. La posibilidad de abandonar una tecnología puede ser tan importante como la capacidad para adoptarla.

Cinco movimientos para una gobernanza curricular adaptativa

¿Cómo podría operar un currículo que aprende?

No parece necesario sustituir los sistemas curriculares actuales por estructuras completamente nuevas. Lo que se necesita es incorporar ciclos permanentes de aprendizaje institucional. Se proponen cinco movimientos relacionados entre sí: observar, contrastar, deliberar, experimentar y aprender.

Observar significa identificar cambios que realmente están modificando las prácticas de estudiantes, docentes y profesiones. No basta con seguir tendencias tecnológicas. Hay que mirar lo que está ocurriendo en las aulas.

Contrastar exige confrontar promesas con evidencias. Antes de generalizar una tecnología, debería preguntarse qué beneficios educativos puede demostrar, qué riesgos presenta y en qué contextos han sido observados.

Deliberar implica que las decisiones no correspondan exclusivamente a especialistas tecnológicos o autoridades administrativas. Si una herramienta modifica el aprendizaje, la evaluación, los datos o el trabajo docente, estudiantes y profesores necesitan participar en la decisión.

Experimentar supone probar en condiciones controladas, con objetivos pedagógicos explícitos, criterios de evaluación y posibilidad de detener la experiencia. Un piloto no debería utilizarse para confirmar una decisión tomada de antemano, sino para aprender.

Finalmente, aprender significa convertir la evidencia producida por esas experiencias en decisiones curriculares, políticas institucionales y nuevos criterios para futuras innovaciones y con esto no termina el ciclo sino que vuelve a comenzar. Ese carácter recursivo constituye precisamente la diferencia entre un currículo que ocasionalmente se actualiza y un currículo que institucionalmente aprende.

La prueba del bien común

Si la educación debe mantenerse como bien común, como se está planteando en París, esa afirmación necesita convertirse en decisiones concretas, una posible contribución curricular consiste en someter cada incorporación importante de inteligencia artificial a una prueba del bien común.

Antes de integrar una tecnología en una asignatura, programa o institución, podrían formularse seis preguntas:

1. Propósito: ¿qué problema educativo pretende resolver y por qué merece ser resuelto mediante IA?
2. Aprendizaje: ¿aumenta el razonamiento, la creatividad y la autonomía del estudiante o principalmente sustituye trabajo cognitivo que todavía necesita aprender a realizar?
3. Agencia: ¿fortalece la capacidad de decisión de docentes y estudiantes o traslada decisiones educativas importantes al sistema tecnológico?
4. Derechos y equidad: ¿qué ocurre con los datos, la privacidad, las lenguas, la accesibilidad y las diferencias de recursos entre estudiantes?
5. Evidencia: ¿existen pruebas suficientes de sus beneficios educativos o solamente argumentos comerciales y expectativas?
6. Reversibilidad: ¿puede la institución modificar o abandonar la tecnología sin perder sus datos, sus procesos o su autonomía?

Estas preguntas no buscan frenar la innovación, buscan mejorarla, una innovación educativa responsable no se mide por la velocidad de adopción, sino por la calidad de las decisiones que la sostienen.

Los docentes no son usuarios finales

En numerosos procesos de transformación digital, los sistemas son seleccionados primero y los docentes reciben capacitación después. La lógica es conocida: alguien decide qué tecnología utilizar y posteriormente se enseña al profesorado a utilizarla.

La discusión actual de UNESCO propone algo diferente: los docentes deben participar en las decisiones sobre los sistemas de IA que llegan a sus aulas y la tecnología debe respaldar —no sustituir— su juicio profesional (UNESCO, 2026b).

Esto significa que el docente deja de ser el “usuario final” de decisiones tomadas en otra parte, se convierte en participante de la gobernanza y lo mismo debería ocurrir con los estudiantes. Formarlos para vivir en sociedades atravesadas por inteligencia artificial no consiste únicamente en enseñarles a escribir mejores instrucciones para una plataforma. Requiere que comprendan qué sistemas utilizan, qué datos entregan, qué limitaciones poseen las respuestas recibidas y qué decisiones conviene conservar bajo control humano.

La alfabetización en IA, por tanto, no debería reducirse a competencia instrumental. Debe incluir capacidad crítica, ética y política para intervenir en las condiciones bajo las cuales utilizamos la tecnología.

Una última frontera

Quizá la frontera educativa más importante de la inteligencia artificial no sea tecnológica, sino humana; desde luego que podemos disponer de sistemas que produzcan textos, imágenes, explicaciones, simulaciones y recomendaciones cada vez más sofisticadas. Pero ninguna de esas capacidades responde por sí misma a preguntas como qué conocimiento vale la pena conservar, qué desigualdades estamos dispuestos a combatir, qué responsabilidades tenemos frente a otros o qué sociedad queremos construir.

Por ello, preservar la educación como bien común no significa defenderla de toda tecnología. Significa impedir que sus finalidades sean definidas únicamente por ella. El currículo del futuro no será necesariamente aquel que cambie con mayor rapidez ni el que incorpore más inteligencia artificial.

Será aquel que desarrolle una capacidad más difícil y más importante: aprender de los cambios sin perder la capacidad de decidir hacia dónde quiere ir.

 

Referencias

UNESCO. (2026a, 9 de septiembre). Education ministers call for education to remain a common good in the age of AI at UNESCO’s Digital Learning Week. UNESCO. Fuente oficial de UNESCO

UNESCO. (2026b). Sustaining education as a common good in the age of AI: Ministerial statement. UNESCO. Declaración Ministerial

Valentini, A. (2026). AI implementation in higher education in Latin America and the Caribbean. UNESCO International Institute for Higher Education in Latin America and the Caribbean. Informe de UNESCO IESALC

 

Cuando la IA empieza a interpretar por nosotros

Un estudiante lee la consigna de la tarea que orientó el profesor y abre ChatGPT: “Explícame qué tengo que hacer”. Todavía no ha pedido que le escriba el trabajo. Sin embargo, la inteligencia artificial (IA) ya interviene en una parte del aprendizaje: comprender el problema. Esta acción nos invita a mirar más allá de la autoría del texto entregado. También necesitamos saber cómo llegó el estudiante a entender la tarea y qué decisiones pudo tomar por sí mismo.

Watson, Morgner y Brezovec (Watson et al., 2026) en un trabajo de reciente publicación, proponen estudiar la IA generativa como una infraestructura que media el significado educativo. Su revisión crítica integradora examina cómo reformula consignas, rúbricas, comentarios docentes y géneros académicos. Llaman transducción semántica a esa transformación de las demandas educativas en formas comunicativamente aceptables. Dicho de manera sencilla, una explicación puede sonar adecuada y, aun así, cambiar lo que se esperaba del estudiante.

La revisión toca otro punto interesante y muy común en estos tiempos de expansión de la IA y es que facilitar el acceso no resuelve todas las desigualdades. Importan las capacidades de uso y los modelos de buen desempeño que orientan el reconocimiento de los estudiantes. Su aporte es conceptual: no demuestra que utilizar IA cause dependencia ni estima la frecuencia de ese efecto. Ofrece una perspectiva para formular preguntas y examinar prácticas que podrían pasar inadvertidas.

Un ejemplo explica lo anterior. Si se le pide al estudiante: “Analiza críticamente las implicaciones educativas de la IA generativa”. La herramienta podría convertirla en una lista de ventajas y desventajas. El estudiante recibe una orientación comprensible, pero quizá pierde una exigencia central: discutir supuestos y valorar la evidencia. Si acepta ese esquema sin contrastarlo con el objetivo de la actividad, empieza a resolver una versión diferente de la tarea, deja de analizar.

Contrario a la anterior, podemos encontrar que un estudiante que desconoce parte del lenguaje científico-técnico, o no conoce a fondo el idioma, puede lograr con la reformulación de la IA, ayuda para comprender lo pedido por el profesor. Sería injusto confundir esa necesidad de apoyo con falta de capacidad. La pregunta pedagógica surge después: ¿el estudiante puede explicar lo que entendió, reconocer lo que cambió y justificar su interpretación?

Como profesores, también tenemos una responsabilidad en esta escena. Una consigna ambigua puede empujar al estudiante a buscar fuera del aula la claridad que no encontró en nuestras indicaciones. Antes de atribuir el problema a la tecnología, conviene revisar qué pedimos y cómo lo explicamos. Esa revisión puede incluir ejemplos, una conversación breve y criterios de evaluación comprensibles, que como profesores podemos asesorarnos con la IA.

Acompañar la comprensión y cuidar la autonomía

Desde el enfoque histórico cultural que orienta esta reflexión, aprender supone participar en actividades mediadas por otras personas y recursos culturales. Pedir ayuda forma parte de ese proceso. De este modo podemos valorar la mediación por las posibilidades que abre para comprender y actuar con mayor autonomía. Esto exige observar el aprendizaje a lo largo del tiempo y considerar los apoyos de accesibilidad que cada estudiante necesita.

Aquí encontramos una posible relación con la aitoxicación, entendida en este blog como una preocupación por la dependencia excesiva de la IA. La dependencia interpretativa sería una dimensión por investigar, no un diagnóstico establecido. Podría aparecer cuando alguien acepta reiteradamente la interpretación de la herramienta sin contrastarla ni elaborar la propia. Para estudiarla, habría que considerar la dificultad de la tarea, los conocimientos previos y las condiciones de enseñanza.

Un estudiante puede consultar varias veces la IA y discutir cada sugerencia con buenos argumentos. Otro puede hacerlo una sola vez y aceptar un planteamiento que no comprende. Como docentes, nos interesa observar qué decisiones conserva cada uno y cómo explica sus razones.

(Sambetova & Zhaidakbayeva, 2026) ofrecen una experiencia complementaria en educación informática. Evaluaron un modelo de tutoría que exige un intento inicial, proporciona pistas graduales y pide explicar el razonamiento. Compararon esa condición con recursos convencionales sin asistencia de IA. Informaron mejoras en resolución de problemas, con mantenimiento o aumento de los indicadores de independencia académica. Estos resultados corresponden al contexto y a las medidas del estudio; no garantizan el mismo efecto en cualquier asignatura.

La propuesta sugiere una adaptación sencilla para nuestras clases. Antes de consultar la IA, podríamos pedir al estudiante que escriba qué entiende de la consigna y dónde necesita ayuda. Después compararía su interpretación con la respuesta recibida. Al compartirlas, explicaría qué sugerencia aceptó, cuál descartó y por qué. El profesor tendría así una oportunidad de intervenir en la comprensión, cuando todavía es posible reorientar el trabajo.

Esta secuencia debe ajustarse al objetivo. Si queremos evaluar la interpretación de un problema, necesitamos observar esa actividad directamente. Si buscamos valorar un argumento disciplinar, aclarar el vocabulario de la consigna puede ser un apoyo legítimo. En ambos casos, conviene acordar cuándo y para qué puede emplearse la IA. La claridad protege al estudiante y hace más coherente la evaluación.

En una materia sobre evaluación educativa que impartimos, los estudiantes deben trabajar con un generador de prompt para iniciar el trabajo de creación de una institución educativa que los llevará por diez pasos hasta concluir con el sistema de evaluación de una asignatura. En la primera exposición de sus avances, tienen que mostrar la selección de tres instituciones y explicar las razones por la que descartaron dos. En este momento el estudiante confronta el trabajo de la IA con sus intereses y posibilidades reales.

La escritura académica requiere el mismo cuidado., por lo que a declarar que empleó la IA para redactar y buscar información, no explica si también ayudó a delimitar el problema o seleccionar los argumentos. Podemos solicitar una explicación breve de esas intervenciones y de las decisiones que asumió el autor. Una conversación sobre el trabajo puede mostrar comprensiones y dudas que la fluidez del texto deja ocultas.

Al cerrar una actividad, parece útil volver a una pregunta concreta: ¿qué puede comprender ahora el estudiante que antes no comprendía? Podemos explorarlo mediante un problema semejante, con apoyos ajustados a sus necesidades, y escuchar cómo razona. Si logra justificar mejor sus decisiones, tendremos indicios de avance. Nuestra tarea consiste en organizar ayudas que favorezcan ese progreso y revisar las que terminan sustituyendo su participación intelectual.

Referencias

Sambetova, R., & Zhaidakbayeva, L. (2026). A pedagogical model of generative AI tutoring in informatics education and its effects on problem-solving quality and academic independence. STEM Education, 6(5), 927–951. https://doi.org/10.3934/steme.2026037

Watson, S., Morgner, C., & Brezovec, E. (2026). Generative AI as meaning-mediating infrastructure in education: A critical integrative review of inclusion, exclusion, and semantic transduction. AI & Society. https://doi.org/10.1007/s00146-026-03221-4