DAME IA Y LLÁMAME TONTO AUNQUE SEA DEL MIT (I)

Informe del MIT sobre la IA en la enseñanza universitaria

El problema ya no es si los estudiantes utilizan IA, sino qué significa aprender cuando lo hacen

En enero de 1926, el prestigioso Instituto de Tecnología de Massachusetts (MIT) , a través de la rectora Melissa Nobles, el vicerrector Anantha Chandrakasan y el presidente del cuerpo docente, Roger Levy, instó a la creación de un Comité Ad Hoc sobre el Uso de la IA en la Enseñanza, el Aprendizaje y la Formación en Investigación, al que encomendó específicamente evaluar el uso actual de la IA en el MIT, identificar innovaciones en la enseñanza y la evaluación del alumnado y proponer una política de uso de la IA.

El comité, copresidido por Eric Klopfer, profesor del Programa de Estudios Comparativos de Medios/Escritura, y Sam Madden, profesor del Departamento de Ingeniería Eléctrica e Informática, estaba formado por profesores de todas las facultades y personal de unidades relevantes, incluidas las Bibliotecas del MIT y el Laboratorio de Enseñanza y Aprendizaje, así como por estudiantes de pregrado y posgrado. 

El trabajo del comité fue breve pero intenso: se reunió semanalmente durante cinco meses y realizó encuestas, análisis de políticas y prácticas de evaluación y aprendizaje entre pares; varias sesiones de escucha con la comunidad del MIT (incluidas sesiones separadas para estudiantes de posgrado y pregrado), así como reuniones con diversos grupos que trabajan en IA en el campus, incluidos el Information Systems and Technology, el Comité de Disciplina y la Oficina de Conducta Estudiantil y Normas Comunitarias, MIT Open Learning, los consejos de las facultades y varias personas que, a juicio del comité, tenían conocimientos y experiencia particulares en IA y educación.

El informe del Ad Hoc Committee on AI Use in Teaching, Learning and Research Training del Massachusetts Institute of Technology partió de una constatación incómoda pero decisiva: la inteligencia artificial generativa ya no constituye una tecnología periférica que las universidades puedan incorporar mediante una cláusula adicional en el reglamento académico. Ha empezado a alterar las condiciones mismas bajo las cuales se enseña, se estudia, se evalúa y se investiga.

Además, de hecho, el comité llegó a una conclusión más profunda: la cuestión no consiste principalmente en determinar qué usos de la IA deben permitirse, sino en preguntarse qué clase de educación quiere seguir ofreciendo una universidad cuando una máquina puede producir buena parte de los resultados que hasta ahora utilizábamos como evidencia de aprendizaje.

Éste es, probablemente, el aspecto intelectualmente más interesante del documento. El comité no trata la IA como un simple problema de integridad académica. La presenta como una perturbación de la relación entre actividad y aprendizaje. Durante décadas, la educación superior ha supuesto que determinadas tareas (resolver problemas, redactar un ensayo, programar, resumir bibliografía, elaborar un proyecto…) proporcionan simultáneamente un producto y una experiencia formativa. El estudiante entrega una respuesta, pero mientras la produce desarrolla memoria, razonamiento, capacidad de planificación, tolerancia a la frustración, metacognición y dominio conceptual. Pero lo que ocurre ahora es que la IA introduce una posibilidad radicalmente distinta: obtener el producto sin atravesar necesariamente el proceso psicológico que lo hacía educativo. 

Desde la psicología cognitiva, ésta es una distinción fundamental. Producir una respuesta correcta en estos momentos no necesariamente equivale a aprender. Una persona puede llegar a una solución mediante un proceso que modifica sus conocimientos y sus estrategias cognitivas, o puede obtener la misma solución mediante una herramienta que realiza buena parte de ese trabajo. El resultado observable puede ser idéntico, mientras el aprendizaje subyacente es completamente diferente. El informe identifica precisamente este peligro cuando señala que muchos problemas y trabajos habituales del MIT pueden ser realizados ya por sistemas de IA y que su uso irrestricto puede convertir determinadas evaluaciones tradicionales en indicadores mucho menos fiables del aprendizaje individual.

El problema adquiere una dimensión institucional porque la evaluación universitaria no sólo distribuye calificaciones. También produce confianza. Una nota, un título o una recomendación académica funcionan porque existe una expectativa compartida de que el estudiante ha adquirido determinadas capacidades. Si el trabajo presentado deja de proporcionar información fiable sobre quién sabe qué, la cuestión no es solamente que algunos estudiantes puedan hacer trampas. Se debilita el vínculo entre esfuerzo, aprendizaje, evaluación y credencial. 

El propio MIT detecta además una segunda consecuencia: la erosión de la confianza interpersonal. Los profesores se ven tentados a convertirse en vigilantes del uso de la IA; los estudiantes, por su parte, pueden sentir que cualquier trabajo legítimo corre el riesgo de ser sospechoso como generado artificialmente. El informe recoge también la preocupación por los sistemas de detección de IA, que considera poco fiables, y advierte de que la vigilancia puede deteriorar precisamente la relación educativa que la universidad necesita preservar.

Esta observación es psicológicamente importante. Una institución educativa funciona mejor cuando profesor y estudiante comparten, al menos parcialmente, la convicción de estar participando en una empresa intelectual común. Si la relación se transforma en una especie de juego policial, el estudiante aprende a ocultar y el profesor aprende a sospechar. La energía que debería dedicarse a comprender, investigar y discutir se desplaza hacia la comprobación de autenticidad de lo aprendido.

El informe sitúa esta crisis dentro de un problema anterior a la IA. Desde hace años, señala, la enseñanza superior ya sufría fragmentación de la atención, dependencia de dispositivos, obsesión por las calificaciones y debilitamiento del sentimiento de pertenecer a una comunidad intelectual.

La IA no crea todos estos problemas, pero puede intensificarlos si se utiliza inadecuadamente. De ahí que el comité rechace tanto el entusiasmo tecnológico ingenuo como la nostalgia de un pasado sin tecnología.

El diagnóstico del comité podría resumirse así: la pregunta verdaderamente importante no es si una máquina puede hacer una tarea académica, sino qué parte de esa tarea necesitaba hacer personalmente el estudiante para convertirse en alguien capaz de realizarla.

Esta diferencia entre producir y aprender atraviesa todo el documento, a partir del reconocimiento cada vez más acusado de que un número importante de estudiantes experimentan lo que denomina una rendición cognitiva cuando, incapaces de hacer el esfuerzo de aprendizaje necesario, delegan el trabajo intelectual en los asistentes virtuales. Entre las pésimas consecuencias de esta rendición intelectual se encuentra, muy destacadamente, la posible irreversibilidad de las pérdidas intelectuales aparejadas.

Ocho principios para no confundir inteligencia artificial con inteligencia educativa

A partir de este diagnóstico, el comité formula ocho principios orientadores. No pretende convertirlos en una normativa rígida, sino utilizarlos como marco para tomar decisiones que tendrán que revisarse a medida que evolucione la tecnología. La combinación resulta reveladora porque alterna prudencia epistemológica, ambición institucional y una defensa explícita de la dimensión humana de la educación.

El primer principio es la humildad. El MIT reconoce que nadie sabe con precisión cómo serán las capacidades de los modelos futuros ni cómo modificarán el trabajo intelectual. Por ello, cualquier política debe poder corregirse. Desde una perspectiva psicológica, esta humildad equivale a reconocer que estamos realizando un enorme experimento educativo sin disponer todavía de una evidencia longitudinal suficiente. La universidad no debería confundir convicciones actuales con conocimientos definitivos. 

El segundo principio es, paradójicamente, la audacia. La incertidumbre no debe convertirse en excusa para la inacción. Si la tecnología está modificando rápidamente las condiciones del aprendizaje, limitarse a añadir un párrafo sobre ChatGPT a un programa docente concebido hace diez años resulta insuficiente. El comité reclama una respuesta estratégica, no meramente administrativa.

El tercer principio coloca la humanidad en el centro. El objetivo de la educación no consiste simplemente en transmitir información ni en producir respuestas eficientes. El MIT formula aquí una defensa explícita de la educación residencial y de los valores humanos asociados a ella. El estudiante no es concebido como un procesador biológico que recibe información y entrega productos, sino como una persona que desarrolla identidad, criterio, autonomía, relaciones y capacidad de actuar con otros.

Esta idea resulta especialmente relevante para la psicología de la educación. Buena parte del desarrollo intelectual se produce en interacción con los demás: explicando a otro una idea, defendiendo una posición, recibiendo retroalimentación, observando cómo piensa un experto, colaborando con compañeros o descubriendo que una intuición propia era equivocada.

Una IA puede proporcionar información y simulaciones extraordinariamente sofisticadas, pero eso no significa que pueda sustituir sin pérdidas todas las funciones psicológicas de una comunidad humana.

El cuarto principio, quizá el más importante, es lean into learning: inclinarse hacia el aprendizaje. El comité propone aprovechar la crisis provocada por la IA para volver a preguntar qué significa aprender. Si una herramienta puede realizar una tarea rutinaria, la respuesta no debería ser necesariamente prohibirla. Pero sí puede y debe ser rediseñar la tarea para que aquello que importa no sea el producto final, sino el proceso: el razonamiento, la investigación, la reflexión, la toma de decisiones y la capacidad de justificar lo realizado.

Aquí aparece el concepto de productive struggle, la lucha productiva. Desde la psicología cognitiva sabemos que cierta dificultad durante el aprendizaje no constituye necesariamente un defecto del proceso. Recordar, equivocarse, formular una hipótesis, recibir una corrección y volver a intentarlo son experiencias que contribuyen a consolidar conocimientos y estrategias. El peligro aparece cuando la IA elimina indiscriminadamente esas dificultades.

Si un estudiante delega sistemáticamente las operaciones que precisamente necesitaba practicar, puede aumentar su eficiencia inmediata, pero sin duda reduce su desarrollo personal a largo plazo.

El quinto principio es enseñar con intencionalidad. El orden correcto de las preguntas debe invertirse. No se debería comenzar preguntando si ChatGPT está permitido. Primero habría que establecer qué pretende conseguir una experiencia educativa concreta. Sólo después cabe decidir si la IA contribuye a ese objetivo, lo dificulta o resulta irrelevante. Es una lógica de diseño inverso: los objetivos de aprendizaje determinan las actividades y las formas de evaluación, y la tecnología se incorpora posteriormente.

El sexto principio afirma que no existe una solución única. Una prohibición institucional uniforme sería demasiado restrictiva para determinadas disciplinas y demasiado permisiva para otras. La relación adecuada con la IA puede ser muy diferente en una asignatura de matemáticas, un laboratorio, una clase de escritura creativa, un estudio de diseño o una investigación experimental. El MIT propone por ello un marco común acompañado de capacidad de decisión para departamentos e instructores. 

El séptimo principio, augmentation, not automation, aumento, no automatización, constituye el núcleo filosófico del documento. La IA debería ampliar la curiosidad, la creatividad y el aprendizaje, no automatizarlo y mucho menos sustituirlo. La distinción parece sencilla, pero sus consecuencias son enormes. Una herramienta puede ayudar a un estudiante a formular mejores preguntas, comparar hipótesis, recibir retroalimentación o explorar alternativas. En cambio, si sustituye la formulación de preguntas, el razonamiento o la decisión final, puede producir una paradójica situación en la que la tecnología mejora el rendimiento visible mientras reduce la capacidad que pretendíamos desarrollar.

El último principio invita a pensar más allá del aula y del campus. La universidad no prepara únicamente para aprobar asignaturas. Forma personas que tendrán que trabajar, colaborar, ejercer responsabilidades profesionales, participar en comunidades y tomar decisiones en un mundo donde la IA será omnipresente. La competencia relevante no será simplemente “saber utilizar ChatGPT”, sino saber cuándo utilizarlo, cuándo desconfiar de él, cuándo no utilizarlo, cómo verificar sus resultados y cómo conservar la responsabilidad sobre las decisiones que se toman con su ayuda. 

Aquí puedes leer el estudio completo.

Si quieres hacer un comentario, recuerda iniciar sesión o registrarte en el recuadro de la esquina superior derecha de la entrada. Nos encantará leerte. Y si nos das un me gusta haciendo clic en el corazoncito, estaremos más encantados todavía.

Imágenes de elaboración propia mediante la IA de Magnific.