La IA generativa no ha creado un problema nuevo en la educación. Ha hecho que uno muy antiguo sea imposible de ignorar. Como relata Santiago Schnell, las universidades hemos recompensado demasiadas veces la fluidez sobre la profundidad, la apariencia de dominio sobre el pensamiento genuino y crítico, producir resultados sobre comprender bien un problema y sus soluciones; cuando un estudiante genera un trabajo elaborado con un prompt en minutos, la pregunta ya no es si nuestras tareas miden el aprendizaje. La pregunta, más incómoda, es por qué hemos fingido durante tanto tiempo que lo hacían.
JUAN MANUEL DODERO
Hay una imagen que resume el momento que vive la enseñanza superior: el aula vacía. No la del mes de agosto o el puente de diciembre, sino la de un miércoles cualquiera entre enero y febrero, el periodo con menos festivos del calendario escolar. El fenómeno viene de lejos. La pandemia lo aceleró y normalizó: descubrimos que casi todo podía hacerse (o eso creímos) delante y detrás de una pantalla. Muchos estudiantes, sencillamente, no volvieron del todo al aula.
A todo ello se sumaron causas más antiguas, basadas en la abundancia de herramientas informáticas y tecnologías, no deliberadamente educativas, pero de uso extensivo en el aprendizaje: apuntes circulando por Wuolah y por canales de WhatsApp como si estuvieran impregnados en brea; y resúmenes y videotutoriales de YouTube reemplazando clases magistrales con contenido a menudo de mejor calidad. Gracias al desarrollo de la tecnología informática, la presencialidad ya llevaba tiempo compitiendo en condiciones desfavorables frente a todo lo que el estudiante podía conseguir fuera del aula.
Sobre ese escenario ya delicado aparece ChatGPT, la popular killer app de IA Generativa basada en esas tecnologías conocidas como modelos grandes del lenguaje o LLM. Estos modelos y sus chatbots son solo herramientas, pero no son una herramienta más. Son un agravante, de naturaleza muy distinta al resto de las herramientas informáticas, un potente catalizador del aula vaciada. Los demás artilugios digitales competían con la clase ofreciendo el mismo contenido y,
no pocas veces, basados en el mismo método educativo, pero por otra vía más cómoda, más a la carta. La IA generativa no compite por el contenido, sino por el trabajo mismo del estudiante y su esfuerzo cognitivo. Si una máquina te explica a tu ritmo, sin horario y sin juzgarte, el incentivo para sentarte varias horas en un aul a se debilita un poco más; y la clase presencial solo se sostiene si ofrece algo que fuera no existe: formación del juicio, diálogo intelectual o alguna otra ventaja que pueda suceder en tiempo real.
El aula vacía no es una anécdota.
la clase presencial solo se
sostiene si ofrece algo
que fuera no existe:
formación del juicio,
diálogo intelectual o
alguna otra ventaja que
pueda suceder en tiempo real
Es el síntoma de algo más profundo, que tiene que ver con cómo diseñamos y decidimos medir el aprendizaje. Para entenderlo, conviene recordar de dónde venimos. El Espacio Europeo de Educación Superior, conocido como el plan Bolonia, implantado en España desde 2010, pretendía sustituir la transmisión de contenidos por la adquisición de competencias y trajo consigo en la mochila el despliegue por doquier de la evaluación continua como método de trabajo. Su unidad contable ha sido el crédito ECTS, medido como entre 25 y 30 horas de trabajo del estudiante. Sobre esa moneda se han construido planes de estudio, se reconocen titulaciones entre países e incluso se mide la carga docente del profesorado universitario. Para que funcionara, Bolonia necesitaba poder medir el trabajo intelectual, y lo medía a través de entregables escritos (informes, prácticas, memorias de trabajos fin de estudios) que servían de prueba de que el tiempo requerido se había invertido provechosamente en el aprendizaje.
El tiempo, patrón oro de la moneda ECTS si hacemos caso a lo de que el tiempo es oro. Cualquier moneda es inflacionaria. El crédito ECTS ha funcionado sobre la base de un patrón que lo ha respaldado hasta la fecha, pero que se ha devaluado. El Breton Woods de Bolonia se ha basado en el supuesto de que producir una evidencia escrita (un informe, un trabajo fin de estudios, una memoria de prácticas, una imagen, código en un lenguaje de programación) exigía un trabajo intelectual humano, y su mera existencia se ha considerado suficiente para verificar y validar el aprendizaje. Lo que antes costaba de 25 a 30 horas, hoy se produce en quince minutos con una IA generativa, sin necesidad de tener mucha idea del tema. La IA ha devaluado ese papel-moneda de Bolonia, eliminando el patrón que le daba valor. Y una universidad que sigue mercadeando con una moneda deflacionaria, desprovista de valor, corre el riesgo de descubrir que su papel-moneda ya no puede comprar aprendizaje. De ahí esta universidad vaciada que todos estamos observando: aulas sin alumnos dentro y entregables sin esfuerzo real detrás. Las dos caras de la misma moneda, nunca mejor dicho.
El espejo incómodo
Al principio de un problema, es humano no poder resistirse a la tentación de responsabilizar de todo al mensajero o la herramienta. En la unidad de mi universidad que lleva el negociado de lo digital recibimos constantemente consultas de profesores preocupados por el impacto de la IA en la docencia. La pregunta más frecuente es: “¿cómo hago para que mis estudiantes no hagan trampa con la IA? ¿Cuáles son las nuevas herramientas que debemos usar para sustituir a los antiguos detectores de plagio que tan productivos nos han resultado?”. Las respuestas son sencillas: no se puede; no hay herramienta alguna. La IA es ubicua y barata; prohibirla es inútil y, si cabe, contraproducente. Los detectores de originalidad (como llaman ahora eufemísticamente a las herramientas antiplagio) son sólo un placebo. La pregunta correcta no es cómo impedir el uso de la IA, sino cómo aprovecharla para mejorar el aprendizaje.
La IA generativa no ha creado un problema nuevo en la educación. Ha hecho que uno muy antiguo sea imposible de ignorar. Como relata Santiago Schnell, las universidades hemos recompensado demasiadas veces la fluidez sobre la profundidad, la apariencia de dominio sobre el pensamiento genuino y crítico, producir resultados sobre comprender bien un problema y sus soluciones; cuando un estudiante genera un trabajo elaborado con un prompt en minutos, la pregunta ya no es si nuestras tareas miden el aprendizaje. La pregunta, más incómoda, es por qué hemos fingido
durante tanto tiempo que lo hacían.
De ahí esta universidad vaciada
que todos estamos observando:
aulas sin alumnos dentro y
entregables sin esfuerzo real detrás
Detrás de la pregunta de Schnell hay dos modelos en tensión que Seymour Papert y otros investigadores, desde el MIT Media Lab, llevan décadas describiendo como instruccionismo versus construccionismo, y que Mitchel Resnick ha conectado recientemente con las dos posibilidades siguientes para la IA generativa:
- La posibilidad de controlar: poner la IA al mando del proceso educativo (fijar objetivos, entregar contenido, evaluar) para hacer más eficiente lo que ya existe. Consiste en seguir el paradigma de los problemas cerrados con una única respuesta correcta.
- La posibilidad de construir: usar la IA como recurso al servicio del aprendiz, con enfoques basados en proyectos y fomento de capacidades creativas y de colaboración, donde aprender con la IA sea quizá la mejor forma de aprender sobre la IA.
El riesgo del primer modelo es seguir consolidando un sistema que llevaba años necesitando un cambio profundo; la oportunidad del segundo es usar la disrupción como palanca para repensar la educación desde sus cimientos. La ambas dimensiones: desde la dimensión educativa, desde una perspectiva de innovación docente universitaria con la IA de por medio; y desde una perspectiva más política e institucional, sobre cómo la universidad intenta responder a la disrupción de la IA, sin perder su esencia. Antes hay que hacer un somero resumen de los riesgos que la IA conlleva para el aprendizaje.
Los riesgos más allá del plagio
El debate público más inmediato sobre los riesgos de la IA se quedó atrapado en el plagio, que es lo de menos. Los riesgos más serios operan en dos niveles. En primer lugar, a nivel del modelo de lenguaje que subyace a la IA generativa. Y segundo, a nivel del aprendiz que lo utiliza. Ambos niveles interactúan y los riesgos del modelo se propagan en cascada desde el LLM, a través de la interacción del estudiante y la interpretación de las respuestas del modelo, hasta moldear los resultados del aprendizaje.
Los riesgos de los LLM basados en IA generativas, según Michael Wooldridge, comienzan por su falta de solidez (es decir, no toda solución que generan es correcta) y de compleción (es decir, el modelo no es capaz de generar cualquier solución que exista). Con ello arrastra sesgos y opacidad; razona de forma aproximada y alucina; y exhibe una sobreconfianza notable con escasa conciencia (por elegir una palabra, aunque completamente inapropiada) de sus propios límites.
Si atendemos al nivel del aprendiz, una revisión sistemática de 70 estudios empíricos de (Delikoura et al., 2025) describe una lista de riesgos preocupante: erosión de la memoria (dificultad para recordar incluso el propio trabajo), menor activación cognitiva neuronal en las tareas asistidas, dependencia epistémica (aceptar sin escrutinio), pérdida de agencia (pasar de constructor a consumidor pasivo), etc. Otros estudios recientes hablan de delegación cognitiva, deuda epistémica y más efectos perversos en el aprendiz. Todos concluyen que el estudiante no aprende menos porque la herramienta falle; aprende menos porque no necesita esforzarse. Aceptar sin escrutinio una respuesta de un LLM tiene consecuencias cognitivas (adquisición de conocimiento superficial) y metacognitivas (fallo al regular el uso de estrategias).
A todos estos riesgos hay que añadir el de la antropomorfización de la herramienta. Esto último tiene una explicación tan vieja como nuestra especie. Tratamos a los LLM como mentes racionales porque somos primates, tal y como recuerda Woolridge en su discurso de la Faraday Prize Lecture de 2025. Los humanos tenemos tendencia a atribuir agencia y sensibilidad a las entidades con las que interactuamos. Por si quedara alguna duda sobre estos riesgos y limitaciones, acudamos a las conclusiones de los propios fabricantes de estas tecnologías en cuanto a su impacto en el aprendizaje:
Por un lado, un experimento aleatorizado de Anthropic en 2026 (Shen y Tamkin, 2026), con desarrolladores aprendiendo un nuevo componente para programar (con y sin asistencia de IA), arrojó una paradoja en la productividad: una caída del 17% en la capacidad de lectura, comprensión y depuración de código, y una ganancia neta de tiempo casi nula al aprender con ayuda de la IA. Aprender con IA no implicó aprender mejor, ni siquiera ir más rápido. De seis patrones de interacción observados, solo tres preservaron el aprendizaje: precisamente los que exigían esfuerzo cognitivo activo (pedir explicaciones, hacer preguntas conceptuales, razonar antes de delegar).
¿Y un tutor IA diseñado expresamente para enseñar bien? LearnLM, un modelo de 2024 de Google afinado específicamente con métodos e instrumentos pedagógicos (Jurenka, Gillick et al., 2024), pretendía promover el aprendizaje activo y gestionar la carga cognitiva. El modelo fue subsumido posteriormente en los modelos fundacionales Gemini de Google. Pero ellos mismos reconocen que Learn LM no logra la dimensión social del aprendizaje (esto es, motivación, empatía, sentido de comunidad, identidad) ni puede evaluar lo que de verdad importa, porque la riqueza de la pedagogía humana se resiste a caber en una rúbrica automática.
Esto no es algo nuevo. Ya lo decía Rousseau hace siglos: antes de atreverse a formar a una persona, es preciso haberse hecho persona. Eso, de momento, ninguna máquina lo ha hecho por nosotros.
Una experiencia educativa particular
las universidades hemos recompensado
demasiadas veces la fluidez
sobre la profundidad, la apariencia
de dominio sobre el pensamiento
genuino y crítico, producir
resultados sobre comprender
bien un problema y sus soluciones
Frente a un diagnóstico tan inquietante, quiero relatar una experiencia concreta y razonablemente positiva, experimentada en dos asignaturas de una especialidad técnica de la rama informática que imparto en la Universidad de Cádiz. Las asignaturas operan a dos escalas distintas: una centrada en el diseño, más conceptual y alejada del detalle de ejecución; y otra centrada en la construcción, que baja al nivel de la implementación y su puesta en operación. En las dos persigo lo mismo: una evaluación auténtica y sostenible.
En la asignatura de diseño, lo importante no es tanto la ejecución mecánica, sino justificar las decisiones tomadas por cada estudiante y su especificación mediante diagramas y descripciones textuales, basado en un enfoque de pruebas de aceptación por el usuario que ayude a construir un sistema a escala, pero completo. Aquí la IA agéntica les presta el tiempo necesario para explorar el dominio del problema, trocearlo, proponer decisiones y estructurar el trabajo: todo lo que nunca daba tiempo a hacer porque había que ejecutar y construir.
En la asignatura de construcción, el foco baja hacia lo más técnico: aprender un conjunto de mecanismos concretos de programación, construyendo ejemplos completos con el lenguaje de programación que cada estudiante elija. Aquí la IA actúa como revisor técnico, comparando cada ejercicio con los contenidos teóricos y los ejemplos propuestos, localizando qué mecanismo aparece y cuál falta.
En ambos casos, la clave de la evaluación ha sido: no delegar el juicio, sino estructurar la revisión. He acabado formalizando el flujo de evaluación como unas skills que instruyen a un agente de IA a analizar las entregas de cada estudiante. Sobre la base de una rúbrica y del contexto teórico entero de la asignatura, puedo examinar lo entregado y obtener una evaluación cualitativa con aspectos positivos, aspectos a mejorar y referencias concretas al trabajo completado por cada estudiante. No es un chatbot al que se le pregunta “¿qué nota le pongo?”; es una IA agéntica
atada a una rúbrica y unos objetivos de aprendizaje cuyo cumplimiento tanto al estudiante (en la evaluación formativa) como al profesor (en la evaluación sumativa) le resultaría costoso escudriñar con profundidad sin ayuda de la IA.
La IA me ha ayudado a detectar cosas muy concretas y accionables, como desajustes entre lo pedido en el enunciado y lo entregado por el estudiante; y huecos concretos sobre los que preguntar en una defensa oral. Nada de esto sustituye el criterio del docentem que debe estructurar la revisiónpara que pueda ejercerlo con más profundidad. Además, hay que hacerla de forma sostenible. Sin la ayuda agéntica no habría podido mantener una evaluación tan afinada en un curso de quince estudiantes. Me doy por afortunado de haber podido contar con tan solo quince estudiantes en cada asignatura; lo normal es que sean muchos más en asignaturas menos especializadas.
La pregunta correcta no es
cómo impedir el uso de la IA,
sino cómo aprovecharla
para mejorar el aprendizaje.
La respuesta institucional: transformar, no digitalizar
La alternativa que defendemos desde la institución a la que represento se encuadra en el modelo de universidad digital adoptado por la Conferencia de Rectores de Universidades Españolas (CRUE) y en que no es lo mismo digitalizar que transformar. Ganar eficiencia en los procesos existentes (gestión digital) o gobernarlos estratégicamente (gobierno digital) es necesario, pero la transformación de verdad ocurre donde se cruzan lo disruptivo y lo estratégico: nuevos procesos que cambian las reglas. La IA no es un fin, sino un motor; y el objetivo no es adoptar herramientas, sino desarrollar una cultura de innovación que permita aprovechar todo su potencial. Sobre esa idea se basa la estrategia en IA de la Universidad, articulada en una serie de guías con aspectos distintos para cada colectivo: Para el alumnado: uso ético y pensamiento crítico, la IA como apoyo y no como autor (olvidando los antiplagios), y verificación de fuentes frente a las alucinaciones.
Para el profesorado: la IA como recurso de innovación docente y como copiloto en docencia e investigación, repensando la evaluación para fijarse en los procesos y no solo en los resultados y asumiendo que en muchas tareas pasaremos de crear a verificar.
Para el personal de gestión: eficiencia y automatización de tareas repetitivas, agilidad en redacción, resúmenes y traducciones; y decisiones basadas en datos, siempre con la privacidad por delante. Porque, sin una base sólida de gobierno del dato, cualquier iniciativa de IA institucional queda en el aire.
En todas las estas áreas, es fundamental la palanca de la seguridad y la ética. Como ya decían Georges Danton o Winston Churchill, un gran poder conlleva una gran responsabilidad. Por eso la estrategia de IA debe descansar en cuatro pilares de confianza: Supervisión humana: la IA propone, las personas disponen.
Ninguna decisión académica o administrativa relevante se debe delegar íntegramente a la IA. No es solo una cautela prudente. Calificar o tomar decisiones automatizadas que condicionen el itinerario académico de un estudiante se considera una actividad de alto riesgo según el Reglamento europeo de IA, así que la calificación automatizada sin supervisión humana plena queda directamente descartada.
Privacidad del dato: No debe depositarse nada confidencial o sensible en herramientas de terceros.
Integridad: Como parte de la integridad académica, deben mitigarse los sesgos a los que induce la IA y rendir respeto a la autoría y la propiedad intelectual.
Ninguna decisión académica
o administrativa relevante
se debe delegar íntegramente a la IA
Transparencia: Se debe declarar el uso de IA: qué se pidió, qué produjo, qué se conservó. En los programas docentes estamos comenzando a solicitar al profesorado que se posicione en sus materias y asignaturas sobre el uso de la IA y, si se posiciona a favor, que prime la transparencia.
La estrategia se operacionaliza con mucha formación. Desde cursos sobre las herramientas más populares de IA generativa hasta la seguridad y el uso responsable de IA generativa y agéntica, buscando competitividad, eficiencia y adaptabilidad reales en el puesto de trabajo. En el plan de transformación digital esto se traduce en un objetivo concreto, promover una cultura de innovación digital, con acciones que le dan cuerpo relacionadas con un programa de formación en competencia digital e IA para todos los colectivos, alineado con el marco europeo DigComp (que está en revisión precisamente para incorporar de forma estructural las competencias de IA), y con el despliegue de herramientas institucionales de IA para toda la comunidad universitaria.
Las respuestas erróneas
A cualquier escala, ya sea individual en el aula o institucional, hay tres respuestas igualmente equivocadas: Prohibir es una estrategia perdedora. Las herramientas de IA son ya demasiado ubicuas y, además, queremos graduados que sepan trabajar con la tecnología más transformadora de su tiempo. Imaginemos que en los años noventa del siglo XX un profesor prohibiera el uso de Internet en su asignatura, o que en tiempos de la Ilustración se hubiera prohibido el uso de la imprenta para la educación. O que en la antigua Grecia se hubiese hecho caso a Sócrates y prohibido la escritura. Prohibir la IA es una estrategia que tiene poco futuro.
Capitular y convertir a la universidad en una escuela de oficios para la economía de la IA, donde lo único que importe sea saber qué prompt formular, es renunciar a su función. No obstante, esto ya está sucediendo: en 2025 se contaban más de medio millar de nuevos programas de “ingeniería en IA” en EEUU, de los que casi la mitad son simples especializaciones que reetiquetan como IA una titulación ya existente, y buena parte del resto se limita a enseñar a formular prompts. Pero saber hablarle a la IA no es una profesión, es alfabetización básica, propia de las competencias digitales. Sin los fundamentos de cada disciplina, esos nuevos estudios son castillos en el aire.
Reforzar lo roto, es decir, usar la IA para hacer más eficiente con tutores automatizados el proceso educativo de siempre y los problemas cerrados es, en el fondo, el modelo del control de Resnick: consolidar justo lo que había que cambiar. Que esta respuesta sea la más tentadora no la hace menos arriesgada. Un estudio de campo con cerca de mil estudiantes
de bachillerato (Bastani et al., PNAS, 2025) lo muestra con cifras. Un tutor de IA sin más salvaguarda que imitar a ChatGPT mejoraba el desempeño en los ejercicios de práctica, pero el rendimiento de esos mismos estudiantes era peor que el de quienes nunca habían tenido acceso a la IA, en cuanto se les retiraba en un examen sin ayuda. La IA se había
convertido en una muleta. Ese daño solo se mitigaba, no desaparecía, cuando el tutor se diseñaba expresamente para dar pistas en vez de respuestas. Reforzar lo roto con más tutores automatizados no es una vía neutra. Sin un rediseño pedagógico deliberado, el experimento de Anthropic confirma que la ayuda de la IA tiene un coste real de aprendizaje que ningún automatismo adicional corrige por sí solo.
Cuando las respuestas se
vuelven baratas,
el juicio se vuelve valioso
Innovación o disrupción
Vuelvo a la moneda deflactada del principio. Cuando las respuestas se vuelven baratas (la inteligencia barata de la que habla Manuel Monterrubio en su libro El liderazgo en la era de la IA), el juicio se vuelve valioso. Es exactamente lo que ningún contestador automático puede aprender en nuestro lugar.
Queda una pregunta por responder: ¿sirve todo esto solo en disciplinas técnicas? ¿sólo en ingenierías? ¿sólo en la enseñanza superior? Quizá no sea un asunto exclusivo de las enseñanzas técnicas. En Ciencias Sociales y de la Educación, o incluso en Ciencias de la Salud, la IA es una oportunidad para potenciar el aprendizaje auténtico que lleva años pidiendo a gritos un cambio de paradigma, practicando con agentes inteligentes o gemelos digitales que simulen desde un ser humano hasta una sociedad entera, con los que el estudiante pueda experimentar durante su aprendizaje sin riesgos para ningún sujeto implicado y sin acudir a métodos éticamente reprobables.
Corresponde a cada disciplina encontrar su propia versión del arnés apropiado para la IA. La era de la IA no tiene por qué arruinar la educación. Pero sí puede dejar en evidencia a las instituciones que confundieron producir resultados aceptables con formar mentes. Las que sobrevivan serán las que respondan con claridad a una pregunta que quizá llevábamos demasiado tiempo sin hacernos: para qué creemos que sirve, exactamente, la educación.
Juan Manuel Dodero
Catedrático de Universidad
Vicerrector de Transformación para la Universidad Digital
Universidad de Cádiz
Un comentario
Los comentarios están cerrados.