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

Cambiar la evaluación para recuperar lo que la IA puede ocultar

La consecuencia práctica más importante del informe afecta a la evaluación. Si una máquina puede producir con solvencia un ensayo, resolver determinados problemas, escribir código o sintetizar información, determinadas tareas dejan de funcionar como pruebas transparentes de lo que el estudiante sabe hacer por sí mismo. El MIT propone, por tanto, revisar objetivos de los cursos, actividades, estructuras y métodos de evaluación en lugar de intentar preservar indefinidamente un sistema diseñado para una época anterior.

Esto no significa que los exámenes escritos, los trabajos o las tareas tradicionales hayan quedado obsoletos. Significa que ya no puede darse por supuesto qué es lo que miden. Un ensayo producido en casa, por ejemplo, puede ser una excelente herramienta de aprendizaje si el objetivo es enseñar al estudiante a investigar y revisar argumentos con ayuda de herramientas digitales. Pero puede ser una mala evaluación de la capacidad individual de escritura si la tarea puede ser delegada completamente a un modelo producido por la IA.

El informe apunta hacia incluir una mayor diversidad de formas de evaluación: aprendizaje experiencial y basado en proyectos, interacción presencial, evaluaciones orales, portfolios y otras formas capaces de ofrecer evidencias más ricas del proceso de aprendizaje.

Desde la psicología educativa, el cambio más interesante consiste en desplazar el centro de gravedad desde el producto hacia el proceso. Un portfolio puede mostrar evolución; una defensa oral permite observar comprensión y capacidad de argumentación; un proyecto puede revelar cómo se toman decisiones; y una reflexión metacognitiva permite explorar qué sabía el estudiante, qué no comprendía, qué errores cometió y cómo los corrigió.

La metacognición, la capacidad de reflexionar sobre nuestros propios procesos de pensamiento y aprendizaje, adquiere aquí una importancia particular. En un entorno saturado de sistemas capaces de generar respuestas plausibles, una de las competencias más valiosas será conocer los límites del propio conocimiento. El estudiante debe ser capaz de detectar cuándo una respuesta parece convincente pero necesita comprobación. Debe aprender a formular preguntas que permitan descubrir errores, contrastar fuentes y reconocer incertidumbre. 

La evaluación, por tanto, podría convertirse en una conversación epistemológica: no sólo “¿Cuál es la respuesta?”, sino “¿Cómo sabes que esta respuesta es correcta?”, “¿Qué alternativas consideraste?”, “¿Qué hizo la IA?”, “¿Qué verificaste?”, “¿Qué decisión fue tuya y por qué?”. En este modelo de evaluación, declarar el uso de IA no constituye necesariamente una confesión de mala conducta, sino una parte esencial de la trazabilidad intelectual del trabajo.

El comité también reconoce que los profesores necesitan libertad para establecer distintos regímenes de utilización. El propio informe recoge un menú de políticas que contempla desde el uso no restringido hasta la prohibición estricta, pasando por usos limitados o por situaciones en las que el empleo de IA es obligatorio.

La idea importante es que la política de utilización de la IA debe estar subordinada al propósito educativo. Prohibir la IA puede ser razonable cuando el objetivo es evaluar una capacidad que el estudiante debe dominar sin asistencia. Exigirla puede ser razonable cuando se pretende enseñar una práctica profesional contemporánea. Permitirla con condiciones puede ser apropiado cuando se busca que el estudiante aprenda a trabajar críticamente con ella. 

La pregunta decisiva deja de ser “¿Ha utilizado IA?” y pasa a ser “¿El modo en que ha utilizado la IA es compatible con aquello que esta actividad pretendía enseñar y evaluar?”.

Esta reformulación también afecta al profesorado. El informe pide transparencia cuando los docentes utilizan IA en actividades educativas, creación de materiales, evaluación o retroalimentación. La razón no es simétrica de manera simplista: profesor y estudiante tienen responsabilidades diferentes. Pero si se exige al alumno que comprenda la naturaleza de las herramientas que intervienen en su trabajo, resulta coherente que la institución también sea transparente sobre la presencia de IA en las prácticas docentes.

El cambio exige, en definitiva, una cultura de evaluación más sofisticada. La universidad deberá dejar de tratar la evaluación como una fase final separada de la enseñanza y concebirla como una parte del propio diseño del aprendizaje.

La dimensión humana: por qué una universidad no es un chatbot con edificios 

El informe del MIT sería mucho menos interesante si se limitara a recomendar nuevos tipos de examen. Su tesis más ambiciosa se refiere a la experiencia universitaria en su conjunto. La IA puede proporcionar tutorías, generar materiales, ayudar en investigación, acelerar determinadas tareas y ampliar el acceso a explicaciones personalizadas. Pero la universidad ofrece algo más difícil de automatizar: una comunidad de personas que aprenden juntas.

El comité identifica precisamente el riesgo de que determinadas formas de utilización de IA incrementen el aislamiento. La paradoja es evidente. Una herramienta diseñada para personalizar el aprendizaje puede terminar reduciendo la necesidad de hablar con compañeros y profesores. Un estudiante puede obtener una explicación inmediata a cualquier hora, pero perder la experiencia de formular una pregunta imperfecta delante de otras personas, escuchar una interpretación diferente o descubrir que su problema era compartido por muchos otros. 

La educación residencial del MIT aparece así como algo más que una tradición institucional. El campus es considerado un entorno de aprendizaje social. Laboratorios, proyectos, grupos de estudio, oficinas docentes, actividades extracurriculares y encuentros informales constituyen espacios donde se desarrolla conocimiento tácito: aprender cómo trabaja un científico, cómo discute un ingeniero, cómo se construye una hipótesis o cómo se gestiona un fracaso.

Desde la psicología social, esto tiene consecuencias relevantes. Las personas no adquieren únicamente conocimientos declarativos; desarrollan normas, identidades profesionales y formas de cooperación observando a otros y participando en actividades compartidas. Una IA puede simular muchas interacciones, pero la pertenencia a una comunidad real comporta reciprocidad, responsabilidad y consecuencias interpersonales.

El informe se muestra especialmente preocupado por que la IA termine sustituyendo precisamente las relaciones que hacen valiosa una experiencia educativa.

La lógica de la automatización puede resultar económicamente atractiva: si un sistema puede responder preguntas, proporcionar retroalimentación o realizar ciertas funciones, cabe pensar que puede sustituir progresivamente a personas. El principio de augmentation, not automation funciona aquí como barrera conceptual.

La cuestión no es que toda automatización sea mala. El propio informe reconoce numerosas aplicaciones valiosas de la IA. El problema aparece cuando confundimos aquello que puede automatizarse con aquello que conviene automatizar. Que una actividad pueda realizarse por una máquina no demuestra que su realización humana sea innecesaria desde el punto de vista educativo. Con frecuencia, en el ámbito educativo, es justamente lo contrario.

Un estudiante puede aprender más escribiendo un programa que ejecutándolo; más investigando una respuesta que recibiéndola; más intentando explicar una teoría que leyendo una explicación perfecta. La ineficiencia puede ser, en determinados momentos, pedagógicamente productiva. 

Esta idea es especialmente importante en la formación investigadora. La investigación auténtica contiene incertidumbre, callejones sin salida, experimentos fallidos, problemas mal definidos y decisiones para las que no existe un procedimiento prefabricado. Si la IA se utiliza para eliminar toda fricción, puede convertir la investigación en una secuencia extraordinariamente eficiente de operaciones y, al mismo tiempo, privar al investigador de actitudes y acciones formativas de aquello que necesita aprender: cómo formular problemas, cómo soportar la ambigüedad y cómo decidir qué merece la pena investigar.

Por eso el informe propone pensar también en los espacios de investigación y en las oportunidades de aprendizaje práctico. La cuestión no es únicamente qué tareas puede acelerar la IA, sino qué experiencias deben permanecer deliberadamente humanas porque su valor educativo reside precisamente en hacerlas.

De la política sobre IA a una nueva concepción de la educación 

La última gran aportación del informe es institucional. El MIT no presenta su documento como una política definitiva, sino como una llamada a la acción y como el comienzo de un proceso continuo. La velocidad de cambio de la tecnología hace improbable que una regulación escrita una vez pueda mantenerse adecuada durante mucho tiempo. El comité recomienda, por ello, crear estructuras, equipos y herramientas capaces de revisar, experimentar y mejorar continuamente las prácticas educativas.

Esto supone aceptar que la adaptación a la IA no puede recaer exclusivamente sobre profesores individuales. Si cada docente tiene que averiguar por su cuenta qué modelos existen, cómo funcionan, qué riesgos presentan, cómo rediseñar sus evaluaciones y cómo interpretar las nuevas formas de trabajo, la transformación será desigual y probablemente agotadora. El informe apuesta por estructuras institucionales de apoyo, comunidades de práctica, formación, recursos compartidos y equipos capaces de acompañar el rediseño de asignaturas. El posterior AI Community Hub del MIT se ha concebido precisamente para apoyar estas funciones. 

El enfoque también tiene una dimensión de equidad. Si algunos estudiantes tienen acceso a herramientas avanzadas y otros no, la IA puede convertirse en una nueva fuente de desigualdad académica. Una política universitaria responsable debe considerar no sólo qué está permitido, sino quién puede acceder a qué herramientas, en qué condiciones y con qué formación. De otro modo, la competencia aparente del estudiante podría reflejar más su capacidad de acceso tecnológico que su aprendizaje.

La formación en IA, además, no debería reducirse a aprender a redactar instrucciones (prompts). Esa concepción es demasiado superficial. La verdadera alfabetización en IA implica comprender las capacidades y limitaciones de los modelos, saber verificar información, reconocer sesgos, proteger datos, interpretar probabilidades y errores, entender las consecuencias sociales de automatizar decisiones y conservar la responsabilidad sobre los productos generados. 

En este punto, el informe se conecta con una cuestión central de la educación contemporánea: la universidad debe preparar a los estudiantes no sólo para utilizar tecnologías existentes, sino para vivir en un entorno en el que las tecnologías cambiarán más rápidamente que los planes de estudio. Estar en el presente pensando en el futuro.

De ahí la importancia del último principio: pensar más allá del aula y del campus. El objetivo final no es producir graduados capaces de superar exámenes en un entorno con IA. Es formar personas capaces de ejercer criterio en un mundo en el que cada vez más actividades cognitivas estarán mediadas por sistemas artificiales.

La paradoja que atraviesa todo el documento puede formularse de manera sencilla. Cuanto mejores sean las máquinas para realizar determinadas operaciones intelectuales, menos sentido tendrá definir la educación exclusivamente en términos de esas operaciones. Si una IA puede escribir razonablemente bien, habrá que enseñar algo más profundo que escribir un texto correcto. Si puede programar, habrá que enseñar algo más que producir código. Si puede resumir información, habrá que enseñar a determinar qué merece ser resumido y por qué. Si puede ofrecer diez respuestas plausibles, habrá que enseñar a distinguir la respuesta plausible de la verdadera. 

La IA obliga así a regresar a una pregunta extraordinariamente antigua: ¿Para qué educamos?

La respuesta del MIT no es tecnológica. Tampoco es antitecnológica. Es humanista y pragmática: educamos para desarrollar las capacidades de las personas, no simplemente para producir resultados. La tecnología tiene valor cuando amplía esas capacidades y se vuelve problemática cuando permite sustituirlas antes de que hayan sido desarrolladas.

Esta es, probablemente, la idea más fértil del informe para la psicología de la educación. El aprendizaje no debe entenderse como una transacción mediante la cual una persona recibe información y devuelve respuestas. Es una transformación de la propia persona. Incluye conocimientos, pero también autonomía, juicio, curiosidad, identidad, confianza, capacidad de colaborar y disposición para enfrentarse a problemas que todavía no sabemos resolver.

La inteligencia artificial hace posible externalizar una cantidad creciente de trabajo cognitivo. Precisamente por eso la educación tendrá que decidir con mayor cuidado qué procesos cognitivos no quiere externalizar, al menos durante las etapas en las que el estudiante necesita desarrollarlos. 

El gran desafío, por tanto, no es proteger la universidad de la inteligencia artificial. Es evitar que la universidad adopte inadvertidamente una definición demasiado pobre de inteligencia, aprendizaje y progreso humano. El informe del MIT propone utilizar la crisis actual como una oportunidad para volver a diseñar la educación alrededor de aquello que realmente queremos que permanezca cuando las herramientas cambien.

En ese sentido, su mensaje puede condensarse en una última paradoja: cuanto más inteligente sea la tecnología, más deliberadamente tendremos que diseñar las situaciones en las que los seres humanos necesiten pensar por sí mismos.

La cuestión decisiva para la educación de la próxima década no será cuánto trabajo intelectual puede hacer una máquina. Será cuánto desarrollo intelectual estamos dispuestos a seguir reservando para las personas.

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.