La educación convencional merece ser examinada precisamente porque hace aquello para lo que fue diseñada. Buena parte de la tecnología educativa se dedica a perfeccionar una máquina que la escolarización convencional lleva más de un siglo refinando. Sus funciones están bien establecidas: clasificar a los estudiantes, organizar su tiempo, secuenciar la instrucción, evaluar el desempeño, ordenar resultados y certificar la finalización. Una institución puede mejorar su desempeño en cada una de estas funciones y, al mismo tiempo, otorgar a los estudiantes muy poca autoridad adicional sobre su propia educación. Una ruta más rápida por el mismo currículo sigue siendo el mismo currículo.

¿Vale la pena ir a la universidad en la era IA? o ¿Estamos ante el fin del modelo educativo tradicional?

Una empresa como Palantir ofrece oportunidades remuneradas a jóvenes sin título universitario, mientras la IA transforma el mercado laboral y plantea nuevas preguntas sobre el valor de estudiar una carrera.

En este video analizamos datos, investigaciones económicas y casos reales para descubrir qué está pasando con el empleo juvenil, los salarios y el retorno de la inversión universitaria. También exploramos qué significa todo esto para Latinoamérica y Ecuador.

Learning science tells us that students learn best when instruction is intentionally structured around cognitive engagement rather than information exposure. Strong online courses don't attempt to replicate a classroom. They leverage the strengths of the digital environment. Research consistently highlights several characteristics of high-quality online learning.

• Clear organization - Students should spend their cognitive energy learning the subject, not searching for assignments.
• Consistent course structure - Predictability reduces unnecessary cognitive load and allows students to focus on learning.

• Regular instructor

• presence

Los estudiantes se sientan en filas mirando hacia el frente, mientras un sistema de IA presenta contenido desde la posición tradicional del docente. Nuestra ilustración capta una tensión en cómo imaginamos la educación: el resplandor azul comunica modernidad, pero el aula conserva su diseño familiar. Los estudiantes reciben contenido, el docente controla su transmisión y la sala dirige la atención hacia una sola fuente. La tecnología cambia mientras la arquitectura pedagógica permanece intacta.

Sin embargo, informe tras informe, incluidos los de instituciones de prestigio, nos ofrece ese hermoso resplandor azul de la misma mierda. Esa repetición importa porque las organizaciones que gozan de confianza ayudan a definir qué cuenta como progreso educativo. Cuando sus imágenes sitúan la IA dentro del aula conocida, trasladan supuestos sobre el tiempo escolar, la evaluación y la autoridad a la promesa de cambio. La tecnología asume una función existente mientras el diseño de la educación queda sin examinar. Nuestra ilustración llama la atención sobre ese patrón; una imagen no puede establecer cómo enseña una institución concreta.

El pasado mes de agosto, fui invitado a participar en el Boletín Digital Interdisciplinario e Internacional: Novedades y Antigüedades en Filosofía, Año V, No. 47, SEPTIEMBRE 2026.

El boletín contiene artículos de reflexión, de opinión y de investigación; ensayos, reseñas de libros, películas y series; traducciones, libros nuevos; próximos eventos nacionales e internacionales; mini biografías; entrevistas; videos recomendados; y mucho más del actual panorama filosófico y de disciplinas relacionadas.

Mi artículo se titula: Sololearners y solopreneurs: ¿Cuál es el precio de la hiperproductividad digital [pp: 46-50].

La lección es incómoda: si diseñamos la universidad exclusivamente para responder a las demandas inmediatas del mercado laboral, estaremos formando jóvenes para un contexto que habrá cambiado cuando egresen. 

Entonces, ¿qué debe enseñar la universidad? Conocimientos científicos y técnicos de frontera, por supuesto. Renunciar a ellos sería absurdo. Pero, precisamente porque las máquinas serán cada vez mejores ejecutando tareas, debemos fortalecer aquellas habilidades esenciales para prosperar en un mundo incierto, complejo y en constante transformación, que nos lleven a ser mejores personas y construir mejores sociedades.

Debido a las trayectorias cambiantes del mundo moderno, los autores Yan & Gašević (2026) introdujeron la nueva teoría del Agentivismo. Ambos plantean que las teorías de aprendizaje que hemos estudiado cambiaron históricamente al evolucionar las condiciones de aprendizaje. La IA Generativa y Agéntica crearon una nueva condición al permitir a los alumnos delegar la explicación, redacción, resolución de problemas y otros trabajos cognitivos a sistemas automatizados que pueden generar, recomendar y, a veces, actuar en nombre del alumno. Esto supone un desafío fundamental para la teoría del aprendizaje: ya no se puede asumir que el rendimiento exitoso indica aprendizaje.

Esta novedosa propuesta sostiene que el desempeño asistido por IA no debería confundirse con el aprendizaje real, ya que los estudiantes pueden completar sus tareas exitosamente sin desarrollar capacidades mentales duraderas. El aprendizaje se define aquí a través de cuatro mecanismos clave: la delegación selectiva de tareas, el monitoreo epistémico de los resultados, la internalización reconstructiva del conocimiento y la capacidad de transferencia con apoyo reducido.

Education systems are headed toward the 2030s with an unraveling assumption: that schools, universities, training systems, ministries, employers, and international organizations can prepare people for futures that are still stable enough to understand and shape. The central education crisis beyond 2030 is the collapse of preparation under technological acceleration, ecological stress, labor disruption, demographic divergence, and institutional lag.

The report uses the Technological Singularity as a stress horizon rather than a prediction. The term is used cautiously: not as a science-fiction forecast, but as a way to name a human and governance threshold where technological change, institutional dependence, ecological pressure, labor disruption, and governance failure exceed the ability of people and public institutions to imagine, interpret, govern, and respond with coherence.

Current signals already point toward this stress horizon. AI adoption is outrunning educational governance. Generative AI is changing work at the level of tasks, which makes broad reskilling narratives inadequate. Climate hazards are already disrupting schooling for hundreds of millions of learners. Demographic pressure is pushing some systems toward contraction and fiscal stress, and others toward overcrowding, displacement, and unmet demand. At the same time, foundational learning remains unresolved: many systems will confront AI, climate, labor, and demographic shocks before securing basic literacy and numeracy.

El modelo económico se ha orientado a eliminar los intervalos de tiempo: entrega inmediata, streaming, mensajería instantánea, respuesta automática, compra en un clic, comida en minutos. La economía digital ha convertido la impaciencia en infraestructura, y ahora la IA culmina este camino y hasta las respuestas han dejado de hacerse esperar.

Pero una democracia es lenta. Una universidad es lenta. Educar a un hijo es lento. Hacer ciencia es lento. Restaurar un bosque es lento. Construir confianza es lento. Incluso leer un libro es irritantemente lento. Hace falta tiempo para aprender un idioma, para saber tocar bien la guitarra.

Cuando abrí esta serie sostuve que la IA Generativa había desencadenado, o agravado hasta hacerlas ineludibles, tres crisis conectadas en la universidad. Una crisis de significado, sobre qué debe aprender una persona en la universidad y para qué sirve (en su dimensión educativa) la institución. Una crisis de método, sobre cómo se puede y se debe aprender cuando la IA permite cortocircuitar la lentitud que el aprendizaje exige pero también puede ser una herramienta que aumenta capacidades de aprendizaje. Y una crisis de credibilidad, la más aguda de las tres, que estalla cuando las evidencias sobre las que descansa la evaluación dejan de probar lo que decían probar. Los dos artículos siguientes se ocuparon de esa tercera crisis y de la oportunidad que la acompaña, el rediseño de la evaluación cuando el estudiante usa IA y la amplificación del trabajo del profesor en el acompañamiento al estudiante. Quedaban pendientes las dos crisis de fondo. Este texto va sobre ellas y sobre el mapa que las conecta con todo lo anterior, la síntesis integrada de los impactos de la IA en la educación superior y de las respuestas que exigen.

Nos gusta pensar que los seres humanos somos criaturas racionales. Que tomamos decisiones basadas en hechos, que cambiamos de opinión cuando aparecen pruebas mejores y que nuestras creencias son el resultado de pensar cuidadosamente el mundo. Pero basta abrir una red social, discutir de política o recordar algunos episodios de la historia para que esa imagen empiece a tambalearse.

¿Qué sucede cuando una institución utiliza el trabajo intelectual de sus docentes como materia prima para dictar cursos en los que ellos ya no participan?

No se trata aquí de un problema legal o tecnológico sino una discusión acerca de qué vamos a entender por conocimiento y por enseñar: 

• Un profesor universitario puede pasar días preparando una clase, seleccionando bibliografía.
• Un modelo LLM puede procesar ese trabajo en segundos, recortar algunos fragmentos de libros y armar un recorrido posible.

Sin embargo, no sabe lo que es darle sentido a una secuencia pedagógica en el aula ni adaptarla a las preguntas de los estudiantes y los contextos.

Ante la necesidad de resguardar el pensamiento crítico y el humanismo, esta investigación se concibió como un ensayo analítico-crítico enfocado en explorar el impacto pedagógico
y ético de la incorporación de la inteligencia artificial (IA) en la educación superior. Parte de la premisa de que su rápida incorporación desplaza las prioridades formativas que favorecen las soluciones instantáneas y el entrenamiento del usuario, menoscabando las habilidades analíticas y la formación integral. Para abordar esta problemática, se realizó una revisión hermenéutica de publicaciones especializadas sobre la tecnología y su impacto en la educación superior, especialmente desde la incorporación de la IA. En conclusión, la universidad contemporánea debe asumir la responsabilidad ética de formar personas con capacidad para cuestionar, orientar y regular su
uso en beneficio de la sociedad, en lugar de intentar igualar la velocidad o la eficiencia de los sistemas automatizados.

El avance de Gemini me motivó a redctar una Constitución que me permita aprovechar las actualizaciones de la IA sin caer en la arena movediza de la deuda cognitiva. Por esta se entiende como la práctica mental de hipotecar la aptitud cognitiva futura para facilitar a corto plazo. El pensamiento humano se desarrolla a través de la resistencia. “Cuanto más delegamos nuestra fricción mental a las máquinas, más perderemos la capacidad de pensar (Cal Newport, 2026)”.

Ustedes se preguntarán: ¿Qué es una Constitución-IA?

Artificial intelligence threatens to undermine online education, a growing business for colleges and universities, as professors struggle to counter a groundswell of tech-enabled cheating.

In physical classrooms, many educators have shifted to oral presentations and handwritten exams to try to prevent misuse of an unregulated technology. But those strategies can be harder to execute online, where more than half of American college students took at least one class last year, up from about a third in 2019.

In many online courses, whether at community colleges or globally renowned universities, students may never meet with their professors or their peers, even over video. Those classes are self-paced with prerecorded lectures, also known as asynchronous. Assignments and tests are submitted digitally.

En la década pasada, el debate educativo se basaba en el Trae tu Propia Tecnología (BYOD). A partir de 2027 comenzaremos a hablar sobre el Construye tu Propia Herramienta (BYOT). Los proveedores EdTech nos siguen vendiendo softwares privativos que ejecutan funciones pre-programadas a través de cuentas de pago mensual. La mayoría de esos programas están orientados a alcanzar objetivos desvinculados de las necesidades de muchos estudiantes. Pero ahora todo es diferente; tenemos la capacidad de construir nuestras propias herramientas IA como un acto de rebelión epistémica colectiva.

Las universidades han desplegado un enorme esfuerzo regulatorio cuyos resultados son dudosos: los sistemas no cumplen su cometido y, de paso, aumentan las sospechas mutuas dentro de las comunidades educativas. No porque las normas y los controles estén mal en sí mismos. Sino porque son cualitativamente insuficientes. No tocan las condiciones que producen el problema.

La IA Gen está entrando de forma acelerada en las aulas y ya está modificando la manera en que los docentes preparan sus clases, elaboran materiales, evalúan trabajos y acompañan a los alumnos. Sin embargo, su integración no debería plantearse como una sustitución de la labor docente, sino como una herramienta subordinada a los objetivos pedagógicos y al criterio profesional del profesor. Esta es una de las principales conclusiones del nuevo informe de Cambridge Shaping AI Policy and Practice in English Language Teaching: Pioneering stories from classrooms around the world.

While AI is allowing instructors to develop exciting new learning experiences and enabling students to learn and experiment in innovative ways, there have been a number of concerning effects on the life of the campus, including signs that AI is:

1. Upending foundational elements of the MIT educational experience, especially for undergraduates, from the p-set, the take-home exam and UROPs to office hours and the study group.
2. Increasing isolation.
3. Undermining student mastery and confidence.
4. Eroding the “social contract” between instructors and students.
5. Making it much harder to assess student progress.
6. Challenging decades of distinctive MIT community norms and values about rigor, the creative friction required for learning, collaborative problem solving, and personal integrity.

Schools keep searching for skills that machines cannot replace. That strategy makes machine capability the reference point for human development. Each advance in AI then forces schools to revise what they consider distinctively human.

A stronger basis for human advantage is personal knowledge: what people develop through experience, judgment, relationships, context, and purpose, then apply where the problem, pathway, or value to be created has not been fully specified.

A growing number of universities have prohibited AI Detectors, arguing they are ‘unreliable’ indicators of cheating. But where does that leave faculty, who know all too well that cheating is rampant in the age of AI? As faculty prepare their assessments for the new academic year, many are facing an artificial intelligence–powered academic integrity conundrum.

As more and more people learned about the plan, new fears about its implementation started to rise. Parents and teachers expressed concerns about how the students’ personal information may be used. The district has said the robot would not be collecting information nor would it be recording video or audio.

Unionized teachers raised another concern, pointing out that Realbotix’s sister company produces sex dolls. Melinda Person, president of the labor union New York State United Teachers, said, "a robot built by a company associated with sex dolls has no business in our classrooms."