La educación tiene dos problemas de IA, no uno
La IA generativa puede ayudar a un estudiante a realizar una tarea, y puede ayudarlo a adquirir la habilidad subyacente. Esos resultados no son lo mismo. Un ensayo pulido producido con asistencia extensa puede mejorar la entrega de hoy mientras debilita la práctica necesaria para escribir de forma independiente. Por el contrario, un tutor que hace preguntas, diagnostica conceptos erróneos y retira gradualmente el apoyo puede mejorar el aprendizaje. La pregunta educativa, entonces, no es simplemente si los estudiantes “usan IA”, sino qué trabajo cognitivo sigue realizando el estudiante.
Los efectos actuales en el aula conciernen a la IA generativa, no a la AGI. Las escuelas ya enfrentan generación fluida de texto, traducción, retroalimentación, ayuda con la programación, medios sintéticos y administración automatizada. Las afirmaciones de que la AGI hará obsoletas a las escuelas o los títulos son proyecciones. Ninguna evidencia actual puede establecer cómo responderían las instituciones ante un sistema con capacidades de enseñanza e investigación fiables y ampliamente sobrehumanas.
Lo que se observa hacia 2026
El uso estudiantil se ha vuelto habitual en muchos sistemas educativos participantes. Los resultados de PISA 2025 de la OCDE reportaron que el 46% de los estudiantes en países de la OCDE usó chatbots de IA semanalmente o más para ayudarse a aprender. Los estudiantes que usaron IA para tareas escolares específicas como resumir, redactar borradores e investigación preliminar tuvieron puntuaciones de ciencias más bajas en promedio tras ajustar por nivel socioeconómico, mientras que los usuarios semanales generales tuvieron un desempeño similar al de quienes no la usaban. Esto es una asociación, no una prueba de que la IA causara puntuaciones más bajas; los estudiantes con dificultades pueden usarla de forma distinta o con más frecuencia. Los estudiantes que combinaban uso regular con oportunidades escolares de desarrollar alfabetización en IA tendieron a puntuar ligeramente más alto, lo que resalta la importancia de la enseñanza y la desigualdad de acceso (PISA 2025 de la OCDE, septiembre de 2026).
La preparación docente va a la zaga de la adopción estudiantil. El Índice de IA 2025 de Stanford reportó que el 81% de los docentes de ciencias de la computación encuestados en EE. UU. pensaba que la IA debería incluirse en el aprendizaje fundamental, mientras que menos de la mitad se sentía preparado para enseñarla. Es un hallazgo referido a docentes de EE. UU., no una medida global, pero ilustra por qué los documentos de política por sí solos no crean una práctica competente en el aula (Stanford HAI, 2025).
La copia es real pero difícil de medir. Las encuestas dependen del autorreporte y las definiciones difieren: la escritura fantasma prohibida, la lluvia de ideas permitida, la corrección gramatical y el apoyo de accesibilidad pueden contarse todos como “uso de IA”. Los detectores de texto de IA agregan otro problema. Sus tasas de error varían según el modelo, el idioma, la edición y la población estudiantil; un detector probabilístico nunca debería ser la única base para un castigo. Las instituciones necesitan procedimientos de integridad académica basados en evidencia, con notificación, oportunidad de respuesta y atención a los falsos positivos.
Lo que sugiere la evidencia temprana de intervención
El hallazgo más sólido es condicional: el apoyo de IA funciona mejor cuando está integrado en una pedagogía sólida. El Panorama de la Educación Digital 2026 de la OCDE concluye que los sistemas generativos pueden ofrecer retroalimentación y tutoría personalizadas, pero distingue el desempeño potenciado por IA del desarrollo de habilidades duraderas, y pide un uso fundamentado pedagógicamente (OCDE, 2026). El proveedor de una herramienta tiene interés en reportar compromiso y ganancias a corto plazo, así que los estudios aleatorizados independientes, las pruebas diferidas y la transferencia a problemas nuevos merecen más peso que los testimonios.
Un comportamiento tutorial útil incluye pedirle al estudiante que intente primero el problema, dar pistas en lugar de respuestas, exigir explicación, verificar fuentes, revisar errores y retirar gradualmente la asistencia. Los patrones dañinos incluyen completar toda la tarea de inmediato, inventar citas, elogiar un razonamiento incorrecto, o adaptarse tan por completo a las preferencias de un estudiante que la dificultad productiva desaparece.
Los docentes humanos siguen siendo esenciales para objetivos que el modelo no puede asumir de forma fiable: elegir currículos, comprender el contexto familiar y cultural, gestionar un salón de clases, proteger a los niños, motivar el esfuerzo sostenido, reconocer la angustia y aceptar la responsabilidad profesional. La IA puede ampliar la capacidad de retroalimentación sin hacer desaparecer esas responsabilidades.
La evaluación debe medir la capacidad prevista
Los ensayos tradicionales para hacer en casa no pueden tener el mismo peso probatorio cuando la asistencia de alta calidad es ubicua. La respuesta no debería ser la vigilancia ni un retorno a los exámenes de sola memoria. Los programas pueden combinar:
- demostraciones supervisadas, sin IA, del conocimiento fundamental;
- tareas de IA abierta que requieran registros, verificación de fuentes y crítica;
- defensa oral o explicación en vivo;
- borradores y artefactos del proceso;
- proyectos vinculados a datos locales u observación directa;
- trabajo colaborativo con responsabilidad individual explícita.
Cada modalidad responde a una pregunta distinta. Una tarea sin herramientas prueba la fluidez sin asistencia. Una tarea con herramientas abiertas prueba el juicio y la orquestación. Una defensa oral prueba si el estudiante comprende el trabajo entregado. Las adaptaciones de accesibilidad deben permanecer disponibles, y los cambios en la evaluación no deben penalizar a los estudiantes por usar tecnología asistiva.
Precisión, fuentes y dependencia intelectual
Los chatbots pueden producir explicaciones correctas y afirmaciones fabricadas con el mismo registro confiado. Los estudiantes deberían aprender la lectura lateral: dejar la respuesta generada, inspeccionar las fuentes primarias, identificar al autor y la fecha, rastrear las estadísticas hasta su método, y buscar evidencia contradictoria. Citar un chatbot no sustituye citar la fuente subyacente.
La alfabetización en IA también incluye reconocer la incertidumbre, la privacidad de datos, el sesgo del modelo, los medios sintéticos y los incentivos comerciales. Una cuenta escolar puede tener términos de retención distintos de una cuenta de consumidor. Los estudiantes no deberían ingresar información identificable de compañeros, registros educativos protegidos, investigación no publicada o revelaciones íntimas sin un sistema aprobado y una política clara.
Existe un riesgo más profundo de dependencia intelectual. Si un estudiante delega la selección de temas, la búsqueda, la síntesis, la redacción y la revisión, el producto final puede superar la capacidad del estudiante mientras deja poco conocimiento atrás. Los docentes pueden contrarrestar esto especificando qué pasos pueden asistirse y exigiendo reflexión sobre dónde el modelo se equivocó o no fue útil.
La equidad corta en ambas direcciones
La IA puede proporcionar traducción, simplificación de texto, apoyo del habla y práctica individualizada. Esos beneficios pueden ser especialmente importantes para estudiantes con discapacidad o acceso limitado a tutoría. Sin embargo, los modelos pagados, los dispositivos rápidos, la conectividad y la experiencia docente están distribuidos de forma desigual. La OCDE encontró que las oportunidades de alfabetización en IA eran más comunes entre estudiantes socioeconómicamente aventajados. Una tecnología nominalmente universal puede ampliar las brechas si los estudiantes acomodados reciben un uso guiado y de alta calidad mientras otros reciben generación de respuestas sin restricciones o ningún acceso.
La política de equidad debería, por tanto, proporcionar herramientas aprobadas y accesibles, desarrollo docente, alternativas para los estudiantes que opten por no participar, y evaluación entre grupos de idioma y discapacidad. También debería preservar vías sin IA para que la educación no dependa de compartir datos estudiantiles con un proveedor privado.
Credenciales y el mercado laboral
Los empleadores pueden dar menos valor a las credenciales basadas principalmente en producción para hacer en casa que la IA puede imitar. Eso no significa que los títulos se vuelvan inútiles. Las credenciales también señalan esfuerzo sostenido, práctica supervisada, competencia clínica o de laboratorio, colaboración entre pares y verificación institucional. Su valor dependerá de si las escuelas pueden demostrar qué pueden hacer los egresados de forma independiente y con herramientas.
Los currículos deberían preservar el conocimiento fundamental porque el juicio necesita algo con qué juzgar. Al mismo tiempo, los estudiantes necesitan práctica en descomponer problemas, evaluar resultados, trabajar entre disciplinas, comunicarse con personas y asumir responsabilidad por las consecuencias. La “ingeniería de prompts” por sí sola es demasiado específica de una herramienta como para ser una filosofía educativa.
Una política práctica para familias y escuelas
Los adultos deberían preguntar: ¿Qué objetivo de aprendizaje evalúa esta tarea? ¿Qué asistencia está permitida? ¿Debe divulgarse el uso de IA? ¿Qué datos salen de la institución? ¿Cómo puede un estudiante impugnar una acusación? ¿Qué sucede cuando la herramienta no está disponible?
Las familias pueden pedirles a los niños que muestren su proceso, expliquen las respuestas con sus propias palabras, verifiquen juntos una afirmación importante, y mantengan lectura, escritura, matemáticas y conversación regulares sin asistencia. La prohibición general puede llevar el uso a la clandestinidad; la permisividad total puede reemplazar la práctica con la mera actuación.
La posición mejor respaldada en septiembre de 2026 es la integración estructurada con evaluación continua. La evidencia actual no justifica afirmar que la IA generativa mejora o daña universalmente el aprendizaje. Muestra que los efectos dependen de la tarea, la pedagogía, la intensidad, la habilidad previa y el acceso. La AGI podría cambiar drásticamente la economía y el alcance de la educación, pero eso sigue siendo un análisis de escenarios y no un resultado que las escuelas puedan observar hoy.