Escucha este artículo
Audio generado con IA de Google
/
La llegada de la inteligencia artificial generativa a las universidades está produciendo una paradoja. Nunca habíamos tenido herramientas tan poderosas para aprender, programar, analizar datos, escribir, traducir, explorar literatura científica o formular hipótesis. Al mismo tiempo, nunca había sido tan difícil determinar si una tarea entregada por un estudiante refleja realmente lo que ese estudiante sabe y es capaz de hacer. Ante esta situación, muchas universidades parecen oscilar entre dos respuestas igualmente insuficientes: ignorar el fenómeno esperando que pase, o intentar contenerlo mediante prohibiciones. Ninguna de las dos constituye una política universitaria.
Un reciente informe del MIT sobre inteligencia artificial en enseñanza, aprendizaje y formación para la investigación plantea el problema de una manera mucho más interesante. La pregunta no debería ser si los estudiantes pueden o no utilizar ChatGPT, Claude, Gemini u otros asistentes. La pregunta es otra: ¿qué debe saber y saber hacer un graduado universitario en una sociedad donde estas herramientas existen y serán cada vez más capaces? Esta pregunta debería ocupar un lugar central en los consejos académicos de las universidades colombianas, particularmente en las públicas.
(Lea ¿Prohibir el celular en colegios sirve? Lo que dice (y lo que no recomienda) la ciencia)
Durante décadas, nuestra enseñanza se ha basado en una secuencia relativamente estable: el profesor explica determinados contenidos, propone ejercicios o ensayos y después evalúa si el estudiante puede resolverlos. La inteligencia artificial ha alterado profundamente este esquema. Hoy un asistente puede resolver muchos problemas estándar de física o matemáticas, escribir código, resumir textos, desarrollar argumentos y redactar informes con una calidad impresionante. Debemos reconsiderar qué estamos evaluando cuando pedimos a un estudiante que realice determinadas actividades.
El informe del MIT insiste precisamente en este punto: primero debemos revisar los objetivos de aprendizaje y luego decidir qué papel debe desempeñar la inteligencia artificial. Cada asignatura debería distinguir entre competencias que el estudiante debe adquirir y demostrar por sí mismo y actividades en las que el uso de IA forme parte normal de su ejercicio profesional. Un físico debe comprender qué significa una ley de conservación; un matemático, la estructura de una demostración; un médico, desarrollar criterio clínico; un ingeniero, comprender si una solución es económicamente viable; un abogado, saber construir y evaluar un argumento jurídico.
La tarea universitaria consiste entonces en enseñar a pensar sin y con la máquina. Pensar sin la máquina cuando sea necesario y con ella cuando sea conveniente. Esto obliga a reconsiderar nuestras evaluaciones. Los exámenes tradicionales y los trabajos escritos seguirán teniendo un lugar, pero difícilmente podrán seguir siendo los únicos instrumentos para evaluar el aprendizaje. Veremos crecer las sustentaciones orales, los proyectos, las experiencias de laboratorio, la resolución de problemas abiertos y las actividades en las que el estudiante deba defender sus decisiones y explicar cómo llegó a una conclusión. Este proceso puede resultar particularmente interesante si nos vinculamos con el sector productivo.
No interesa únicamente conocer la respuesta; interesa saber si el estudiante puede justificarla, cuestionarla y reconocer cuándo está equivocada. Los colegas matemáticos han sido particularmente claros al plantear que la resolución de problemas no es más que una herramienta, un medio para alcanzar el objetivo principal: la comprensión conceptual y la reflexión sobre un tópico particular .
Aquí aparece uno de los riesgos menos discutidos de la inteligencia artificial: la posibilidad de eliminar la fricción cognitiva. Aprender implica dificultad. Un estudiante aprende cuando intenta resolver un problema y no puede hacerlo de inmediato; cuando descubre un error en su programa; cuando una demostración no funciona; cuando los datos experimentales contradicen su hipótesis y debe preguntarse por qué. Si cada dificultad se resuelve de inmediato consultando a un asistente, podemos obtener estudiantes capaces de producir excelentes respuestas sin haber recorrido el proceso intelectual que construye la comprensión. Por eso, el reto no es solo enseñar a utilizar la IA sino comprender cuándo no utilizarla.
Esto exige alfabetización en inteligencia artificial y no consiste en organizar talleres sobre cómo redactar prompts mejores. La formación de investigadores enfrenta desafíos mayores. La inteligencia artificial comienza a intervenir en la programación científica, la búsqueda bibliográfica, el análisis de datos, la construcción de modelos e incluso la generación de hipótesis. Un estudiante de maestría o de doctorado deberá aprender a trabajar delegando tareas, pero preservando el control del proceso creativo. En investigación, una respuesta plausible nunca es suficiente: se requieren reproducibilidad, trazabilidad y validación.
Sin embargo, frente a esta profunda transformación, comienza a aparecer otra respuesta que merece una mirada crítica: la proliferación de carreras profesionales en ciencia de datos, inteligencia artificial, analítica y áreas afines, a menudo presentadas como las profesiones inevitables del futuro. El problema no es crear nuevos profesionales. El problema surge cuando la creación de una nueva carrera se presenta como la gran respuesta universitaria a la revolución de la IA. Eso puede terminar por engañar a muchos jóvenes. Puede transmitirles la idea de que prepararse para un mundo transformado por la inteligencia artificial implica necesariamente convertirse en “profesional en IA” o “científico de datos”. Y puede inducir a las propias universidades a pensar que ya respondieron al desafío simplemente porque agregaron un nuevo programa a su oferta académica.
Pero el problema es mucho más profundo. La inteligencia artificial no solo transformará el trabajo de los especialistas en datos. Está cambiando la medicina, la ingeniería, la física, la química, la biología, el derecho, la economía, el periodismo, la educación, el diseño y prácticamente todas las actividades profesionales. La respuesta institucional no puede consistir en crear una pequeña categoría de nuevos especialistas mientras seguimos educando al resto de nuestros estudiantes esencialmente de la misma manera que antes.
El verdadero desafío consiste en transformar la educación en todas las disciplinas. Un médico tendrá que aprender a trabajar de manera crítica con sistemas que apoyen el diagnóstico. Un ingeniero utilizará herramientas para diseñar y optimizar soluciones. Un abogado deberá evaluar documentos y argumentos producidos por máquinas. Un científico trabajará con asistentes capaces de escribir código y analizar datos. Un profesor tendrá que reconsiderar qué significa enseñar cuando sus estudiantes disponen permanentemente de tutores artificiales.
De hecho, crear un programa nuevo puede ser institucionalmente mucho más sencillo que revisar cientos de asignaturas existentes. Resulta más visible inaugurar una carrera con un nombre atractivo que preguntarle a cada facultad qué debe cambiar en sus objetivos de aprendizaje, sus currículos y sus mecanismos de evaluación.
Todo esto conduce a otra cuestión incómoda: no podemos pedir esta transformación exclusivamente a los profesores. En muchas universidades colombianas existen docentes que, por iniciativa propia, experimentan con herramientas de IA, rediseñan cursos o incorporan asistentes a sus proyectos de investigación. Estas experiencias son valiosas, pero una transformación de esta magnitud no puede depender del entusiasmo individual.
Las universidades necesitan programas permanentes de formación docente, equipos que asesoren el rediseño curricular, comunidades de práctica, orientaciones sobre privacidad y propiedad intelectual, y fondos para experimentar con nuevas estrategias de enseñanza. Esto significa inversión. Y ese punto es particularmente importante para las universidades públicas. Si consideramos que el acceso a herramientas avanzadas de IA puede mejorar la capacidad de aprender e investigar, no resulta aceptable que esa capacidad dependa exclusivamente de que un estudiante pueda pagar una suscripción individual. Estaríamos creando una nueva desigualdad educativa sobre las desigualdades que ya existen.
Hay, además, una dimensión especialmente importante para Colombia. Las universidades públicas no deberían limitarse a consumir tecnologías producidas en otros países. Deben convertirse en espacios desde los cuales podamos comprenderlas, cuestionarlas, investigar sus efectos, sesgos y desarrollar aplicaciones pertinentes a nuestros propios problemas.
Supone, sobre todo, entender que preparar a una sociedad para la inteligencia artificial no consiste en formar una generación de especialistas en IA: implica transformar la formación de todas las profesiones.
Lo que no parece razonable es continuar impartiendo los mismos cursos, con las mismas tareas y los mismos métodos de evaluación, esperando que una tecnología capaz de modificar profundamente la manera de producir conocimiento no modifique también la manera de aprender.
Por eso esta discusión no pertenece exclusivamente a las oficinas de tecnología ni a las nuevas carreras de inteligencia artificial.
Es una discusión sobre qué significa educar.
Y las universidades públicas colombianas deberían comenzarla cuanto antes.
*PhD en Física, Profesor de la Escuela de Física de la Universidad Industrial de Santander
👩🏫📄 ¿Quieres conocer las últimas noticias sobre educación? Te invitamos a verlas en El Espectador. ✏📚
Conoce más