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

Cómo aprovechar las skills de ChatGPT en una cuenta gratuita: una estrategia práctica para docentes y estudiantes

En dos artículos anteriores en el blog comentamos sobre la utilidad de las skills en la educación. Una skill es un conjunto organizado de instrucciones, criterios, procedimientos, plantillas y recursos que permiten especializar a ChatGPT, Claude y Gemini en una determinada tarea. Por el momento su producción y empleo completo están solamente disponibles para las cuentas de pago. Se pueden crear diferentes skills para cubrir todos los tipos de acciones que realizamos día a día con la IA

En el segundo de los artículos antes mencionados publicamos la skill evaluaciones educativas auténticas, que puede descargar desde aquí. En las cuentas de pago el proceso de creación y trabajo es diferente a las gratuitas. Para un usuario de ChatGPT puede parecer que la skill debe "instalarse" en ChatGPT como si fuera una aplicación, lo que es posible en las cuentas de pago. Sin embargo, para quienes trabajan con una cuenta gratuita, hay una estrategia mucho más sencilla y, en muchos casos, más práctica.

Proyectos de ChatGPT

Desde hace más un de un año ChatGPT incorporó los conocidos proyectos, que son espacios de trabajo para organizar tareas similares, donde se pueden añadir documentos y crear chats entre otras tareas. Lo importante es que el proyecto responda a una idea específica. Por ejemplo, para emplear la skill evaluaciones educativas auténticas, lo aconsejable es crear un proyecto con ese nombre o similar, pero en el que solo se trabaje la creación de evaluaciones.

En ese supuesto proyecto podemos cargar la skill a la que venimos refiriendo y pedimos crear un prompt maestro para trabajar con ella. No se trata de escribir un extenso prompt, sino de dejar que la propia IA lo haga por nosotros. Es decir, la lógica de la skill se transforma en un prompt maestro. En este proceso, el prompt no será el mismo para cada persona y eso se debe a varios factores: el nivel de personalización que hicimos en ChatGPT, la memoria de los chats anteriores y todas las tareas que realizamos en esta IA.

Por ejemplo, en el caso de la skill de evaluación auténtica, las instrucciones pueden establecer que el sistema debe comprobar la relación entre: resultado de aprendizaje → situación auténtica → consigna → proceso → evidencia → criterios → retroalimentación. Estas relaciones están contempladas en la skill y van a variar para otra skill.

El prompt maestro lo podemos guardar como un documento dentro del proyecto y cada vez que volvamos a trabajar en la creación de una evaluación, no es necesario volver a invocarlo.

El segundo componente de la skill son los documentos que la acompañan. En nuestro trabajo sobre evaluación auténtica, se identificaron diferentes elementos: principios de evaluación auténtica; contexto curricular y metodológico; diseño de rúbricas; evidencias del uso de IA; plantilla para diseñar la evaluación.

En la skill están las instrucciones que indican cómo debe trabajar la IA, mientras que en los documentos se encuentra el conocimiento y los criterios que se deben emplear para efectuar la evaluación.

El tercer componente es la conversación dentro del proyecto, lo que significa utilizar solamente el proyecto con el propósito de las evaluaciones, tal y como la skill original. Esta deja de ser una instrucción aislada y empieza a funcionar como un entorno de trabajo especializado.

En resumen, los pasos son los siguientes:

1-      Crear el proyecto con el nombre de la skill o similar (el nombre es solo la referencia para el usuario)

2-      Cargar la skill en el formato .zip o descomponerlo y solo cargar el archivo skill.md que encontrará en el archivo .zip

3-      Pedir a la IA que genere el prompt maestro, que debe guardar como una fuente en el proyecto.

4-      Trabajar en el proyecto, solo para las evaluaciones a las que se refiere la skill.

En este sentido, estamos trasladando por una vía más práctica una opción avanzada y disponible en cuentas de pago a una gratuita. Lo importante no es instalar la skill, sino emplear una metodología que siga el proceso de instrucciones precisas, documentos de referencia y un espacio de trabajo que es el proyecto. Esta organización únicamente depende de cada persona.

Aprender, desaprender y mantener la curiosidad en tiempos de inteligencia artificial

Durante muchos años, los docentes tuvimos cierto margen para conocer una nueva tecnología antes de incorporarla al aula. Llegaba una plataforma, una aplicación o un recurso digital; aprendíamos a utilizarlo, explorábamos sus posibilidades y, con el tiempo, decidíamos si realmente aportaba algo a nuestra enseñanza. Con los años este plazo se fue acortando cada vez más. Algunos medios y equipos llegaron al aula desde “abajo”, fueron los estudiantes los que lo insertaron y después los profesores los “descubrimos”. El mejor ejemplo es el celular.

Con la inteligencia artificial generativa, esa sensación de estabilidad parece haberse reducido. Cuando apenas comenzamos a comprender una herramienta, aparece una nueva versión con más capacidades. Lo que ayer parecía novedoso hoy puede convertirse en una función habitual. Esta velocidad tecnológica nos coloca frente a una situación poco común: enseñamos con herramientas que nosotros mismos todavía estamos aprendiendo a utilizar.

El reto, por tanto, no consiste únicamente en dominar aplicaciones. Ningún docente podría conocer todas las herramientas de inteligencia artificial que aparecen cada semana. El verdadero desafío es desarrollar capacidades que nos permitan movernos con criterio en un entorno tecnológico que seguirá cambiando.

Tres de ellas parecen especialmente importantes: aprender a aprender, atrevernos a desaprender y mantener viva la curiosidad.

Aprender a aprender también es parte de ser docente

Ser experto en una disciplina sigue siendo fundamental. Un profesor de matemáticas necesita conocer matemáticas; uno de medicina debe dominar los fundamentos de su campo; quien enseña marketing debe comprender mercados, consumidores y estrategias.

Pero hoy ese conocimiento necesita complementarse con otra capacidad: saber aprender continuamente.

La investigación sobre el aprendizaje ha mostrado que las personas aprenden a lo largo de toda la vida y que este proceso depende de sus experiencias, conocimientos previos y contextos. También sabemos que aprender mejor implica observar nuestro propio proceso: reconocer qué comprendemos, identificar errores, ajustar estrategias y buscar nueva información cuando es necesario (National Academies of Sciences, Engineering, and Medicine, 2018).

En tiempos de inteligencia artificial, esta capacidad adquiere una importancia especial.

Un docente no necesita dominar cada nueva aplicación. Puede seguir un proceso mucho más sencillo identificar una necesidad educativa, explorar si alguna herramienta puede ayudar, probarla en pequeña escala, revisar los resultados y decidir si realmente mejora la experiencia de aprendizaje.

La pregunta importante deja de ser “¿qué herramienta está de moda?” y pasa a ser “¿qué problema educativo quiero resolver?”.

También podemos hacer visible este proceso frente al alumnado. Cuando un profesor muestra cómo verifica una respuesta producida por una inteligencia artificial, detecta un error, contrasta una fuente o modifica una pregunta, está enseñando algo más valioso que el funcionamiento de una aplicación: está mostrando cómo piensa una persona que aprende de manera crítica.

Desaprender no significa olvidar

La experiencia docente es una ventaja, pero también puede convertirse en una limitación cuando repetimos prácticas simplemente porque siempre las hemos realizado de la misma manera.

Por eso necesitamos aprender a desaprender, esto no significa borrar conocimientos ni despreciar la experiencia acumulada. Significa revisar prácticas, supuestos y rutinas cuando dejan de responder adecuadamente a las nuevas condiciones.

De la sorpresa a la curiosidad

Existe otra capacidad que a veces olvidamos cuando hablamos de tecnología: la curiosidad.

Las nuevas herramientas generan sorpresa. Una inteligencia artificial puede redactar un texto, analizar documentos, producir imágenes, organizar información o proponer soluciones en pocos segundos. Esa sorpresa puede conducir a dos caminos diferentes.

El primero es aceptar el resultado sin cuestionarlo, el segundo es preguntar:

¿Cómo llegó a esa respuesta?
¿Qué información utilizó?
¿Qué podría estar equivocado?
¿Qué falta comprobar?
¿Existe otra explicación?

Ahí comienza la curiosidad.

La investigación ofrece razones interesantes para tomársela en serio. En un conocido estudio experimental, Gruber, Gelman y Ranganath (2014) encontraron que las personas recordaban mejor cierta información cuando se encontraban en estados de mayor curiosidad.

Esto no significa que cualquier tecnología novedosa produzca automáticamente mejores aprendizajes. Pero sí recuerda algo importante: tener preguntas puede preparar nuestra mente para aprender.

En el aula, podemos aprovechar esta capacidad antes de proporcionar respuestas.

Por ejemplo, podríamos plantear un problema y pedir primero a los estudiantes que anticipen una solución. Después pueden consultar una herramienta de inteligencia artificial, comparar ambas respuestas, identificar diferencias y buscar evidencias para decidir cuál resulta más sólida.

La IA deja entonces de funcionar como una máquina de respuestas y se convierte en un objeto de análisis.

La sorpresa abre la puerta. La curiosidad nos invita a atravesarla.

¿Qué cambia con modelos de IA cada vez más capaces?

Los modelos actuales de inteligencia artificial pueden realizar tareas cada vez más complejas: analizar documentos, utilizar diferentes herramientas, organizar información, generar alternativas y participar en procesos compuestos por varios pasos.

Para los docentes esto abre posibilidades interesantes, pero ninguna de ellas debería adoptarse automáticamente.

Una herramienta de IA puede ayudar a revisar la coherencia entre objetivos, actividades y evaluaciones de un curso. Puede proponer ejemplos con diferentes niveles de dificultad, construir borradores de casos profesionales o elaborar comentarios preliminares a partir de una rúbrica.

También puede convertirse en material de trabajo para desarrollar pensamiento crítico.

Imaginemos una clase de marketing. El profesor solicita a una herramienta de inteligencia artificial una propuesta de campaña para una pequeña empresa. En lugar de entregar esa campaña como producto terminado, los estudiantes reciben el documento y deben analizarlo.

¿Los datos son confiables?
¿El presupuesto es realista?
¿La propuesta comprende verdaderamente al público?
¿Qué información debería verificarse?
¿Qué modificarían y por qué?

El aprendizaje no proviene entonces de aceptar lo producido por la herramienta, sino de evaluarlo, cuestionarlo y mejorarlo.

Innovar también significa poner límites

La curiosidad tecnológica necesita acompañarse de responsabilidad.

La UNESCO ha señalado la importancia de que la utilización educativa de la inteligencia artificial generativa mantenga un enfoque centrado en las personas y considere cuestiones como privacidad, equidad, transparencia y validación pedagógica (Miao & Holmes, 2023).

En la práctica, esto significa algo bastante concreto.

No deberíamos introducir información sensible de estudiantes en cualquier plataforma sin revisar previamente las políticas institucionales y las condiciones de privacidad. Tampoco deberíamos considerar verdadera una respuesta simplemente porque está redactada con seguridad y fluidez.

Los contenidos producidos por inteligencia artificial necesitan ser verificados.

También existe un problema de acceso. Si una actividad depende de una herramienta que requiere una suscripción costosa, algunos estudiantes pueden encontrarse en desventaja.

Innovar responsablemente implica preguntarnos no solo qué puede hacer una tecnología, sino también qué aporta al aprendizaje, qué riesgos introduce y quién podría quedar excluido.

Una pequeña práctica para comenzar

No necesitamos transformar todo un curso para empezar a experimentar.

Podemos elegir una actividad que ya utilizamos y hacernos cuatro preguntas:

¿Qué dificultad tienen actualmente mis estudiantes?
¿Cómo podría ayudar la inteligencia artificial?
¿Qué tendría que seguir haciendo necesariamente el estudiante?
¿Cómo sabré si la modificación realmente mejoró el aprendizaje?

Después podemos probar el cambio en pequeña escala.

Al finalizar, conviene observar los resultados: ¿los estudiantes comprendieron mejor?, ¿formularon mejores preguntas?, ¿aparecieron nuevos errores?, ¿la retroalimentación fue más útil?, ¿cuánto trabajo de revisión exigió la herramienta?

Registrar estas observaciones y compartirlas con otros docentes puede ayudarnos a construir algo que necesitamos con urgencia: conocimiento basado en experiencias reales y no únicamente en expectativas sobre la tecnología.

Seguir aprendiendo mientras enseñamos

Probablemente la inteligencia artificial continuará cambiando con una rapidez difícil de anticipar. Por eso, preparar a los docentes para el futuro no significa enseñarles a dominar una herramienta específica, lo que se busca es:

Fortalecer capacidades que sigan siendo útiles cuando esa herramienta desaparezca o sea reemplazada.

·         Aprender a aprender nos permite explorar lo nuevo sin depender de cada novedad.

·         Desaprender nos ayuda a cuestionar prácticas que dejaron de cumplir su propósito.

·         La curiosidad mantiene abiertas las preguntas que impulsan el conocimiento.

·         Mostrar que seguimos aprendiendo, incluso cuando nos corresponde enseñar.

Referencias

Gruber, M. J., Gelman, B. D., & Ranganath, C. (2014). States of curiosity modulate hippocampus-dependent learning via the dopaminergic circuit. Neuron, 84(2), 486–496. https://doi.org/10.1016/j.neuron.2014.08.060

Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.

National Academies of Sciences, Engineering, and Medicine. (2018). How people learn II: Learners, contexts, and cultures. The National Academies Press. https://doi.org/10.17226/24783

 

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/