Educar en la era de la IA: más allá del consenso ilustrado

Análisis crítico de algunas de las cuestiones del debate actual sobre la IA en educación a partir de un artículo en prensa

Un artículo reciente de Xavier Ferràs en La Vanguardia con el título de "Educar en la era de la IA" ha reavivado un debate que, seamos honestos, corre el riesgo de volverse circular. El doctor en Economía y Empresa por la UB, MBA por ESADE e Ingeniero Superior de Telecomunicaciones UPC, articula una posición que podríamos denominar el consenso ilustrado sobre la IA educativa: la tecnología transformará radicalmente los métodos, pero debemos preservar los fines formativos que han guiado la educación desde la Ilustración. Formar ciudadanos críticos, creativos, con pensamiento propio. ¿Quién podría objetar algo así?

El problema no está en la tesis, que resulta difícil rebatir. El problema está en que llevamos dos años repitiéndola sin avanzar hacia soluciones operativas. En LinkedIn, un usuario (Carles Navarro) recuperaba la metáfora de la bicicleta frente a la moto: la IA debería exigirnos pedalear, no llevarnos sin esfuerzo. Elegante. Pero, ¿cómo traducimos esa metáfora en diseño curricular concreto? ¿En rúbricas de evaluación? ¿En formación docente?

Desde IAforTeachers llevamos tiempo trabajando en estas preguntas. No porque tengamos todas las respuestas, sino porque creemos que el profesorado universitario necesita herramientas, no solo proclamas.

Lo que el debate acierta a identificar

Ferràs parte de una premisa sólida: el objetivo educativo no puede reducirse a la empleabilidad técnica ni a la hiperespecialización. Su referencia a Harari y la "clase inútil" funciona como advertencia pertinente, aunque quizá algo gastada a estas alturas. Más interesante resulta su insistencia en el sustrato de conocimiento generalista como condición de posibilidad para el pensamiento crítico. No se puede opinar con criterio sobre cambio climático, sostiene, si se desconoce la diferencia entre causalidad y correlación.

Esto conecta con una tradición pedagógica que va desde Dewey hasta Freire, pasando por el concepto vygotskyano de zona de desarrollo próximo: la educación como emancipación requiere andamiajes conceptuales que permitan al estudiante alcanzar comprensiones que no lograría en solitario. Sin ellas, quedamos a merced de la opinática o, peor aún, de la manipulación.

El ejemplo autobiográfico que ofrece Ferràs ilustra bien el caso de uso positivo. Su hijo de 17 años fotografía un problema de física escrito a mano, lo sube a ChatGPT, y recibe una explicación paso a paso. El propio Ferràs, ingeniero, reconoce que resolver ese problema le habría supuesto dos horas de trabajo para recordar ecuaciones oxidadas. La IA como tutor de coste marginal cero que reactiva conocimientos dormidos. ¿Empobrece esto el proceso educativo? "En absoluto", responde. "Lo enriquece hasta extremos inimaginables hace apenas unos años".

Tiene razón. Pero aquí emerge la primera grieta del argumento.

Las fisuras que el consenso no aborda

La asimetría del ejemplo

Ferràs es ingeniero. Su hijo, presumiblemente, ha heredado cierto capital cultural que le permite formular la pregunta correcta y evaluar críticamente la respuesta. Sabe que debe verificar si el procedimiento tiene sentido, intuye cuándo algo "no cuadra". ¿Qué ocurre con estudiantes que carecen de ese andamiaje? La IA puede explicar paso a paso la resolución, pero no garantiza que el estudiante comprenda por qué funciona ese procedimiento, ni que sea capaz de transferirlo a contextos nuevos.

El artículo asume tácitamente un usuario ideal que ya posee la "cultura general" que dice defender. Es como recetar ejercicio físico a quien no tiene acceso a un gimnasio.

El voluntarismo de la autocontención

El comentario de LinkedIn identifica con lucidez el nudo gordiano: la disciplina y el autocontrol como requisitos para el uso virtuoso de la IA. Pero este planteamiento descarga sobre el individuo una responsabilidad que es estructural. Pedir que millones de estudiantes resistan la "ley del mínimo esfuerzo" cuando la herramienta está diseñada precisamente para eliminar fricción cognitiva resulta, digámoslo claramente, ingenuo.

No es un problema de voluntad. Es un problema de diseño.

La nostalgia del "conectar los puntos"

La referencia a Steve Jobs y el connecting the dots en el famoso discurso en la Universidad de Stanford funciona como guiño generacional, pero encierra una trampa conceptual. Jobs hablaba de conectar puntos a posteriori, de encontrar sentido retrospectivo a experiencias inconexas. Ferràs lo transforma en argumento a favor de la acumulación previa de conocimientos. Creo que son operaciones distintas. La creatividad no surge necesariamente de almacenar más puntos, sino de establecer conexiones inusuales entre ellos.

Y aquí, paradójicamente, la IA podría ser aliada más que amenaza.

El verdadero riesgo: la ilusión de competencia

El comentario de LinkedIn identifica la pereza intelectual como el gran peligro. En este sentido discrepo. La pereza ha existido siempre y la calculadora no atrofió la capacidad matemática de quienes querían desarrollarla. El riesgo más profundo es otro: la ilusión de competencia adquirida.

Cuando un estudiante recibe de ChatGPT una explicación perfectamente articulada sobre la revolución industrial, puede experimentar genuinamente que ha comprendido el tema. Ha leído un texto coherente, ha reconocido los conceptos, podría incluso parafrasearlo. Pero esa sensación de comprensión es fenomenológicamente indistinguible de la comprensión real, aunque epistemológicamente sea muy diferente.

No ha luchado con las ambigüedades. No ha resuelto contradicciones. No ha integrado ese conocimiento en su estructura cognitiva previa. Tiene la respuesta, pero no la pregunta que le dio origen.

Este fenómeno, bien documentado en la literatura sobre metacognición, se conoce como illusion of explanatory depth (Rozenblit y Keil, 2002). Creemos entender mecanismos complejos hasta que alguien nos pide explicarlos en detalle. La IA, al proporcionar explicaciones fluidas bajo demanda, puede agravar este sesgo.

De las proclamas a los protocolos: propuestas operativas

Si el diagnóstico es parcialmente certero pero las soluciones permanecen en el terreno declarativo, ¿qué podríamos proponer que resulte genuinamente diferenciador? Aquí van cuatro líneas de trabajo que en IAforTeachers consideramos prioritarias.

1. Del autocontrol individual al diseño de entornos

En lugar de apelar a la disciplina personal, debemos diseñar entornos de aprendizaje que incorporen fricción productiva por defecto. Esto implica:

Prompts pedagógicos estructurados que obliguen al estudiante a explicitar su razonamiento antes de recibir asistencia. No "resuélveme este problema", sino "he intentado resolverlo así y me he atascado aquí". Este simple cambio transforma la interacción de delegación pasiva a colaboración activa.

Sistemas de tutoría dialógica donde la IA no proporcione respuestas directas, sino contrapreguntas socráticas. Prototipos como Khanmigo ya exploran esta vía, pero requiere un diseño intencional que las interfaces genéricas no ofrecen. El docente puede, sin embargo, crear GPTs personalizados o instrucciones de sistema que implementen este comportamiento.

Evaluación del proceso, no solo del producto. Si evaluamos únicamente el resultado final, la IA se convierte en atajo. Si evaluamos las trazas del razonamiento (borradores iterativos, grabaciones de pantalla, reflexiones metacognitivas), la herramienta se transforma en amplificador del pensamiento visible.

2. Redefinir qué significa "cultura general" en contexto algorítmico

El concepto de cultura general que maneja Ferràs es decimonónico: un corpus estable de conocimientos que todo ciudadano instruido debería poseer. Pero en un entorno donde la información es ubicua y la IA puede recuperar cualquier dato en milisegundos, quizá debamos redefinir qué merece ocupar espacio en la memoria de trabajo humana.

Proponemos distinguir entre tres tipos de conocimiento:

Conocimiento estructurante: marcos conceptuales que permiten organizar información nueva. Modelos mentales sobre causalidad, pensamiento sistémico, nociones básicas de probabilidad, fundamentos epistemológicos sobre cómo se produce conocimiento válido. Esto no puede externalizarse.

Conocimiento contextual: información específica de dominio que puede delegarse a la IA sin pérdida significativa, siempre que se posea el marco estructurante para evaluarla. Las fechas exactas de la revolución francesa importan menos que comprender las dinámicas sociales que la hicieron posible.

Metacognición algorítmica: comprensión de cómo funcionan los sistemas de IA, sus sesgos, sus limitaciones, sus modos de fallo. Esto debería incorporarse transversalmente en todos los niveles educativos. Un estudiante que no sabe que los LLM pueden "alucinar" referencias bibliográficas está en desventaja epistemológica grave.

3. De la bicicleta al exoesqueleto cognitivo

La metáfora bicicleta/moto es útil pero insuficiente. Sugiere que el esfuerzo humano permanece constante mientras la herramienta simplemente amplifica. Pero la relación con la IA es más compleja: modifica cualitativamente el tipo de esfuerzo requerido.

Preferimos la imagen del exoesqueleto cognitivo: una estructura que sostiene y potencia capacidades existentes, pero que también puede atrofiar los músculos si se usa pasivamente. La clave no está en pedalear más o menos, sino en diseñar protocolos que alternen entre asistencia máxima (para tareas rutinarias) y asistencia mínima (para el desarrollo deliberado de capacidades).

Esto tiene implicaciones curriculares concretas:

La columna "Rol de la IA" no es prescripción universal; varía según objetivos de aprendizaje, nivel del estudiante y momento del curso. Lo importante es que sea una decisión pedagógica deliberada, no un accidente.

4. Institucionalizar la experimentación, documentar los fracasos

Ferràs habla en futuro: "educaremos utilizando simuladores", "interactuaremos con bots tutores". Pero el futuro ya está aquí, distribuido de manera desigual. Lo que falta no es visión prospectiva, sino infraestructura institucional para la experimentación sistemática.

Esto requiere algo que raramente se menciona: documentación abierta de fracasos. La mayoría de innovaciones educativas con IA no funcionan como se esperaba. Esa información es valiosa, pero permanece oculta porque nadie quiere publicar lo que salió mal. Necesitamos repositorios de lecciones aprendidas que eviten reinventar ruedas defectuosas.

También requiere formación docente que supere el nivel instrumental. No basta con aprender a usar ChatGPT; hay que desarrollar criterio pedagógico para decidir cuándo usarlo, cuándo restringirlo y cuándo convertirlo en objeto de análisis crítico con los estudiantes.

Lo que estamos construyendo desde IAforTeachers

En IAforTeachers no nos conformamos con diagnosticar el problema. Llevamos meses trabajando en soluciones concretas para el profesorado universitario hispanohablante:

Marcos de diseño instruccional que integran la IA de manera pedagógicamente fundamentada, no como añadido cosmético. Nuestro modelo DIOE-EDU permite diseñar secuencias didácticas que alternan deliberadamente entre momentos de alta asistencia algorítmica y momentos de trabajo cognitivo autónomo.

Herramientas de evaluación auténtica que hacen visible el proceso de pensamiento, no solo el producto final. Esto incluye protocolos para portafolios reflexivos, rúbricas de metacognición y estrategias de evaluación oral que la IA no puede suplantar.

Formación especializada para docentes que va más allá del tutorial de herramientas. Nuestros programas abordan fundamentos epistemológicos, diseño de prompts pedagógicos, y desarrollo de criterio para la toma de decisiones en contextos de incertidumbre.

Comunidad de práctica donde compartimos experiencias, prototipos y, sí, también fracasos. Porque la innovación educativa responsable requiere honestidad sobre lo que funciona y lo que no.

Conclusión: el trabajo pendiente

"La IA no nos sustituirá si la usamos bien", concluye Ferràs. Cierto. Pero "usarla bien" no es cuestión de voluntad individual ni de apelaciones a la disciplina. Es un problema de diseño institucional, de incentivos, de formación docente, de política educativa, y seguro que me dejo alguna cuestión mas en el tintero.

Combatir la ilusión de competencia, preservar el conocimiento estructurante, diseñar fricción productiva: estas tareas no se resuelven con artículos de opinión ni con metáforas elegantes. Se resuelven con protocolos, con experimentación, con comunidades de práctica que comparten lo que aprenden.

El consenso ilustrado tiene razón en sus principios. Pero los principios sin operacionalización son adorno intelectual. Ha llegado el momento de ensucirse las manos.

¿Te interesa profundizar en estas cuestiones? En IAforTeachers estamos desarrollando recursos, formaciones y herramientas para docentes universitarios que quieren integrar la IA de manera pedagógicamente fundamentada. Subcríbete en este espacio y accede a materiales exclusivos que serán de su interés.

Referencias

Rozenblit, L. y Keil, F. (2002). The misunderstood limits of folk science: An illusion of explanatory depth. Cognitive Science, 26(5), 521-562.  https://doi.org/10.1207/s15516709cog2605_1

Ferràs, X. (2025, enero). Educar en la era de la IA. La Vanguardia. En https://www.lavanguardia.com/dinero/20260104/11408892/educar-ia.html

-->Artículo publicado en este blog de IAforTeachers. Se permite la reproducción citando las fuentes.