El autor de esta columna sostiene que el debate sobre IA en la educación superior sigue anclado en la pregunta equivocada —cómo impedir que los estudiantes la usen— cuando lo urgente es rediseñar la evaluación para distinguir entre desempeño y aprendizaje, y decidir qué parte del esfuerzo cognitivo no se puede delegar a la máquina sin perder el propósito educativo. Concluye que «prohibir no enseña a vivir en un mundo donde la IA está disponible al salir de la sala. Integrarla sin diseño, puede producir trabajos impecables, pero aprendizajes vacíos. El desafío no es conseguir que los estudiantes nunca usen inteligencia artificial. Es lograr que, cuando la usen, sigan pensando; y que, cuando no la tengan, todavía sepan hacerlo».

Imagen de portada: Ferrantraite / Getty Images / Canva

La pregunta la hizo hace un par de semanas un colega en el grupo de WhatsApp que compartimos con académicos de distintas universidades. Fue a raíz de lo sucedido a fines de julio con las pruebas de admisión a la Universidad Autónoma de México (UNAM). ¿Cómo hace cada universidad, escuela, unidad o departamento para abordar, evitar o regular el uso de inteligencia artificial en la educación superior? 

Por supuesto, no es la primera vez que se plantea la pregunta en ese ni en otros espacios. De hecho, ya es casi un lugar común, pero sorprende que la respuesta todavía no lo sea. 

Algunos contaron experiencias de profesores que habían cambiado sus pruebas. Otros compartieron lineamientos institucionales. También circularon guías, acuerdos de curso y propuestas publicadas por universidades chilenas y extranjeras. La conversación fue útil. Pero lo que más me llamó la atención fue que todavía estemos formulando la pregunta como si el problema acabara de llegar.

ChatGPT fue liberado públicamente en noviembre de 2022, hace más de tres años y medio. Desde entonces, la inteligencia artificial generativa –en sus distintas formas– se instaló en teléfonos, buscadores, procesadores de texto, plataformas educativas y herramientas profesionales de todo tipo y en todo nivel. En la Universidad Católica, un diagnóstico realizado en 2025 dio cuenta de que el 93,7% de los estudiantes y el 72,2% de los docentes ya la utilizaba regularmente. Y en una encuesta regional con más de 30.000 respuestas, aplicada en 29 instituciones latinoamericanas, las cifras llegaron a 92% y 79%, respectivamente. 

La IA ya entró a las universidades y también a los colegios. Es la realidad, y punto. Seguir discutiendo si abrimos o no los ojos para aceptar su presencia es –me parece– completamente infructuoso. La discusión central ahora es con qué propósito la aceptamos, bajo qué reglas y para producir qué aprendizaje. Y ahí es donde, creo, que estamos estancados.

No nos han faltado advertencias. Está aún tibio lo de la UNAM, que tuvo que suspender temporalmente su proceso de inscripción y revisar los resultados de su primer examen online de admisión, tras detectar resultados atípicos y presuntas irregularidades. La comisión técnica recomendó convocar a un examen presencial de control y la propia UNAM reconoció la probabilidad de que un gran porcentaje de aspirantes haya recibido ayuda vía IA. Pero más allá de las responsabilidades que aún deban determinarse, el episodio dejó una paradoja difícil de ignorar: un sistema que utilizaba vigilancia tecnológica con IA para evitar trampas no consiguió garantizar que, muy posiblemente utilizando la misma tecnología, miles de postulantes cometieran la falta.

Esa paradoja contiene una lección que no podemos dejar pasar ni permitir que se pierda en lo anecdótico. 

Durante estos años, buena parte de la respuesta institucional se ha concentrado en proteger el producto final: detectar si un ensayo fue escrito por una máquina, bloquear herramientas durante una prueba o identificar patrones sospechosos en un texto. Pero un detector puede equivocarse –la mayoría lo hace–, una plataforma puede eludirse y un trabajo, por impecable que parezca, puede esconder una comprensión deficiente de los contenidos. Entonces, la pregunta educativa más importante ya no debiese ser quién produjo el texto, sino qué capacidad desarrolló –o dejó de desarrollar– el estudiante mientras lo producía.

Hay evidencia disponible para distinguir ambas cosas. 

Un experimento publicado en 2025 siguió a cerca de mil estudiantes secundarios de Turquía durante sesiones de matemáticas. A un grupo se le dio acceso a una interfaz similar a ChatGPT, que entregaba respuestas rápidas. A otro, a un tutor de IA diseñado especialmente para acompañar el aprendizaje, entregando pistas, pidiendo avances y haciendo preguntas, pero evitando revelar la solución completa. Un tercer grupo de control siguió como si nada, sin IA y sin dispositivos. 

Mientras contaron con asistencia, los estudiantes mejoraron sus puntajes en los ejercicios de práctica: un 48% con el chatbot general y un 127% con el tutor guiado, en comparación con el grupo de control. Sin embargo, en una prueba inmediatamente posterior y sin acceso a IA, quienes habían utilizado el chatbot general obtuvieron puntajes 17% inferiores a quienes practicaron sin ella. Los estudiantes que usaron el tutor guiado, en cambio, rindieron de manera similar al grupo de control. 

El resultado no permite concluir que toda IA perjudica el aprendizaje ni que una sola experiencia pueda extrapolarse a todas las asignaturas. Pero sí arroja una lectura más acotada y, quizás, más inquietante: un estudiante hoy puede hacer mejor una tarea mientras aprende menos a realizarla por sí mismo. 

La OCDE lo resume como una brecha entre desempeño y aprendizaje. Las herramientas generativas generales pueden elevar la calidad del producto visible sin generar ganancias reales de aprendizaje cuando se utilizan para delegar a la máquina el trabajo cognitivo que la actividad buscaba ejercitar. Si el resultado esperado fuera únicamente un producto de excelencia, perfecto, estaríamos bien; pero lo que buscamos al enseñar es el aprendizaje como resultado de un proceso, así que no lo estamos.

Veamos un caso a la inversa. En un ensayo con 783 tutores y poco más de mil estudiantes escolares en Estados Unidos, un copiloto de IA que entregaba sugerencias al tutor humano aumentó en cuatro puntos porcentuales la probabilidad de dominio de contenidos matemáticos. El efecto llegó a nueve puntos entre los tutores inicialmente peor evaluados. La herramienta ayudaba a formular preguntas orientadoras y reducía la entrega directa de respuestas. No reemplazaba la relación pedagógica, pero sí ampliaba la capacidad del tutor para sostenerla.

Los hallazgos revelan que la IA puede debilitar el aprendizaje cuando reemplaza el esfuerzo que lo produce, y fortalecerlo cuando exige, acompaña o retroalimenta ese esfuerzo. Por eso, la dicotomía entre prohibirla por completo o permitirla sin condiciones es falsa. La prohibición puede ser legítima en ciertos momentos; la integración también. La decisión depende de qué capacidad se quiere enseñar y cuál se necesita acreditar.

Evaluar en tiempos de IA exige, eso sí, separar esos dos propósitos. 

Para comprobar que un estudiante puede leer, escribir, calcular, argumentar o resolver un problema por sí mismo, sin duda necesitamos instancias seguras, sin asistencia externa y bajo supervisión. Pero también necesitamos instancias abiertas, en las que la IA esté permitida –y regulada, claro está– porque hoy forma parte tanto del aprendizaje como del desempeño profesional que se busca simular. Pero no basta con declarar que se usó: hay que evaluar para qué, qué se le delegó, qué errores se detectaron, qué fuentes se verificaron y qué decisiones siguieron siendo humanas.

Eso obliga a mirar el proceso y no solo el resultado, poniendo el desafío en el diseño de la evaluación y sus objetivos. 

Un planteamiento inicial, un primer intento sin IA, una bitácora de búsqueda, borradores del proceso, la identificación de errores y hasta una breve defensa oral pueden entregar más evidencia de aprendizaje que un producto final perfectamente redactado. No se trata de burocratizar cada tarea ni de vigilar cada pulso en el teclado, pero sí de elegir unas pocas huellas que permitan reconstruir el razonamiento y comprobar que el estudiante entiende, puede explicar lo aprendido y se hace responsable de sus decisiones y sus resultados porque los comprende. 

Por supuesto, también exige distinguir por edad y nivel formativo, como recomienda la UNESCO. En educación primaria, la prioridad debe seguir siendo construir habilidades fundamentales y preservar una mediación adulta fuerte. Pero en secundaria, la IA bien integrada puede servir para comparar respuestas, detectar errores, generar contraargumentos o practicar con pistas, siempre que exista un intento previo y una explicación posterior. En educación superior, las reglas deben ser disciplinares: no puede evaluarse de la misma manera una simulación clínica, un código, un ensayo histórico o un proyecto de arquitectura.

El riesgo en la IA en el aprendizaje, por lo tanto, no se reduce a que alguien copie. También incluye respuestas inventadas, sesgos, exposición de información privada, homogeneización de perspectivas, desigualdad de acceso y dependencia tecnológica. Pero enfrentarlo requiere estrategia, no miedo. 

La alfabetización en IA no solo consiste en aprender a escribir mejores prompts. Va más allá: consiste en detenerse ante una respuesta –por más convincente que parezca–, buscar la evidencia que la sostiene, distinguir el dato de la inferencia, reconocer lo que no sabemos y asumir la decisión final. Es pasar de la información al método; del método al criterio; del criterio al juicio; y del juicio a una decisión responsable.

Seguir ahora preguntándonos únicamente cómo impedir que los estudiantes usen IA es una forma de llegar tarde y quedarnos varados en ese mismo punto. La pregunta que debería ordenar la discusión es otra: ¿qué parte del esfuerzo cognitivo no estamos dispuestos a delegar porque allí se produce el aprendizaje? Con esa respuesta es que podemos decidir cuándo restringir o permitir, qué evidencias pedir y cómo enseñar a usar la herramienta sin convertirla en sustituto del pensamiento.

Prohibir no enseña a vivir en un mundo donde la IA está disponible al salir de la sala. Integrarla sin diseño, puede producir trabajos impecables, pero aprendizajes vacíos. El desafío no es conseguir que los estudiantes nunca usen inteligencia artificial. Es lograr que, cuando la usen, sigan pensando; y que, cuando no la tengan, todavía sepan hacerlo.