La IA debe emplearse en la enseñanza para aprender a pensar mejor y no para evitar el esfuerzo personal
A principios de verano tuve la oportunidad de conversar con Guido Imbens, premio Nobel de Economía y me contó la siguiente anécdota en referencia al impacto de la inteligencia artificial (IA) en el aprendizaje: “Recuerdo un estudiante hace tiempo que me escribió un correo a las tres de la mañana diciendo que uno de mis ejercicios no tenía solución. Tres horas después me envió otro mensaje: ‘Ignore el correo anterior. Ya encontré la solución’. Ese estudiante pasó horas golpeándose contra el problema hasta resolverlo. Ahora es diferente. Les das un problema y tienen al lado una máquina que les susurra constantemente: ‘Yo sé la respuesta. Te la puedo dar ahora mismo’”.
La anécdota plantea una cuestión de fondo importante. Aprender requiere esfuerzo, y la IA permite sustituir nuestro esfuerzo logrando unos resultados aparentemente excelentes: ¿qué pasa si la IA sabotea nuestro aprendizaje?
En un experimento con casi mil estudiantes de matemáticas, Bastani y coautores (2025) muestran que los estudiantes con acceso a GPT-4 libre rindieron un 48% mejor durante los ejercicios; sin embargo, al retirarles la IA, obtuvieron resultados un 17% peores que el grupo de control. Es un ejemplo de cognitive offloading (o descarga cognitiva): la IA facilita la tarea inmediata, pero puede sustituir el esfuerzo necesario para aprender.
El problema de incentivos es evidente: ¿Por qué pasar 50 minutos haciendo los deberes, si puedes pasar 20 y jugar 30 minutos más con tus amigos sacando la misma nota?
En otro estudio de Stromberg y coautores (2026) de la Universidad de Hong Kong siguieron a 27.000 estudiantes de entre 12 y 18 años en China. Después de 6 meses los estudiantes que usaron IA mejoraron sus notas en los deberes un 18%. Cuando llegaron los exámenes saltó la sorpresa: los estudiantes que tuvieron acceso a la IA tuvieron unos resultados un 20% por debajo de sus compañeros que no usaron IA.
El espejismo del rendimiento y la verificación
Por supuesto, la IA sin mediadores sí puede funcionar bien para algunos. En otro experimento aleatorizado con 194 estudiantes de Física de Harvard, los alumnos alternaron entre una clase presencial de aprendizaje activo y una lección impartida en casa por un tutor de IA. Con la IA, los avances de aprendizaje fueron más del doble, pese a dedicar menos tiempo.
Pero claro… eran alumnos de Harvard. En un entorno con ese tipo de estudiantes el efecto de la IA es similar al de la aparición de Google: para los muy motivados cuanto más potente es la herramienta, más se expande la frontera de aprendizaje.
Sin embargo, ese no es el efecto que se da en la mayoría de estudiantes: Wikipedia siempre ha estado allí, pero la mayor parte prefiere pasar el tiempo usando TikTok.
La otra cara de la moneda es que la IA también hace más difícil a los profesores extraer las señales correctas del esfuerzo de los alumnos. Con muy poco esfuerzo, un mal estudiante puede producir contenidos, ensayos o presentaciones de notable. Como explica Luis Garicano en su libro Messy Jobs —aplicado al mundo del empleo— la IA simultáneamente baja el coste de producción de contenidos y hace que suba el coste de verificación, complicando mucho la tarea de evaluar el aprendizaje real de los estudiantes.
¿Pero entonces cómo podemos confiar en un sistema educativo que no nos permite diferenciar a los que se esfuerzan de los que no?
El rol insustituible del profesor y el chatbot socrático
El consenso está avanzando muy rápidamente hacia la idea de que la IA para funcionar en educación tiene que estar mediada por los profesores.
La mayoría de los estudiantes necesitan sentirse acompañados, inspirados y escuchados para encontrar la motivación necesaria para aprender. Y para eso es probable que el rol de un buen profesor sea insustituible, independientemente de cuánto mejoren los modelos de lenguaje.
Como complemento, la IA puede ser un gran aliado para los profesores por abajo y por arriba.
Por abajo, la IA puede liberar tiempo en tareas tediosas de preparar presentaciones o generar ejercicios y ser un muy buen apoyo para mejorar la calidad de la instrucción o la práctica para los alumnos. Una de las grandes ventajas de la IA es que la práctica es alimento para la máquina: cuando el estudiante realiza ejercicios en un chatbot, la IA aprende y se adapta “al nivel adecuado” de cada alumno, identificando sus gaps de aprendizaje y generando ejercicios adaptados para ello.
Ahora bien, esos chatbots deben estar bien preparados pedagógicamente, con fuertes guardarraíles y ser socráticos —es decir, que no ofrezcan respuestas, sino que guíen a los alumnos con preguntas, como lo haría un buen profesor—. En el estudio que mencionaba anteriormente, cuando se ofreció a los chicos una herramienta de IA entrenada pedagógicamente, el efecto negativo de pérdida de aprendizaje desaparecía completamente.
En la IA por arriba, la IA puede servir para hacer mejores profesores.
En un experimento con 900 tutores y 1.800 estudiantes, Wang y coautores (2024) encuentran que Tutor CoPilot —un asistente de IA centrado en orientar a los profesores— aumenta en 4 puntos la probabilidad de dominar los contenidos. El efecto alcanza los nueve puntos entre los tutores peor valorados, lo que sugiere que la IA puede ayudar a quienes tienen menos experiencia o habilidades.
La IA también puede funcionar dando feedback en tiempo real. El feedback de pares, que en otras profesiones es habitual y resulta muy beneficioso, es muy complicado y caro en las aulas. La IA permite grabar las interacciones con alumnos y dar retroalimentación individualizada al profesor para mejorar.
Típicamente los programas de formación de profesores son muy caros. Fórmulas así abaratarían enormemente políticas a escala de formación del profesorado.
Estrategias creativas para el aula
Finalmente, para responder al reto de aprendizaje y verificación, los profesores ya están aplicando fórmulas creativas. Por ejemplo, yo en las presentaciones de los alumnos he invertido los tiempos: 5 minutos de presentación y 15 de preguntas (antes lo hacía al revés). Si hay una cosa que aprendí en política es que, si no sabes de un tema, se identifica rápido debatiendo en público.
Ethan y Lilian Mollick proponen usar la IA para crear espacios de práctica personalizada. Por ejemplo, en una clase de negociación, la IA puede convertirse en un cliente difícil, reaccionar a cada argumento y, al terminar, explicar al estudiante qué hizo bien antes de plantearle un reto más complejo.
En lo que se refiere al reto del esfuerzo que planteaba el premio Nobel, hay otra manera de mirar al mismo problema. Puesto que ahora todo el mundo tiene acceso a la misma herramienta y puede hacer lo que hacía antes mucho más rápido, la pregunta relevante es: ¿qué cosas nuevas pueden hacer los alumnos gracias a la IA que antes no hubieran podido ni imaginar?
El mundo de posibilidades es enorme: desde analizar grandes bases de datos, a diseñar prototipos de cualquier cosa, o webscrapear información para estudiar cualquier tema sin saber nada de programación.
Decía Steve Jobs en una intervención en 1985, anticipándose a la revolución de la IA, que un día todos podríamos ser como Alejandro Magno y tener a un Aristóteles de mentor. Eso es aún posible, pero tenemos que asegurarnos que Aristóteles nos ayuda a pensar mejor… ¡no a hacernos los deberes!