This alternative degree-granting model is important and urgently needed, says Guo Tong, a civil engineer at Southeast University. “[It] can guide students to carry out real research that can solve real-life problems in those industries that carry strategic importance or have technological choke points in China

Scaling up models will move us toward superintelligence, but progress is slowing. Key technical experts and researchers alluding to this trend are calling out for an "age of research," and the need for the next algorithmic breakthroughs.

Here's what could accelerate the timeline: scaling out, not just up. The collective is exponentially more powerful than the individual. We've been building smarter individual agents while ignoring how they could think together.

La evidencia en el ámbito de la Psicología Organizacional apunta a que el problema no es la adopción o no de herramientas digitales, sino las condiciones estructurales en las que el profesorado se encuentra mientras se produce esta transformación digital.

La digitalización eficaz requiere dispositivos e infraestructura básica, por supuesto. Pero sirven de poco si no se acompañan del desarrollo continuado de las competencias digitales docentes que faciliten el adecuado uso de la tecnología.

One of the most talked-about topics at this year’s meeting in Davos was AI — from conversations with leaders from the field, to debates on whether or not there’s an AI bubble, the transformational technology dominated the agenda.

While much of the focus was on what impact it will have on industries and jobs, another important question came up throughout the week: what does it mean for young people? Here are three messages leaders in Davos were keen to get across on the issue.

Ninety per cent of over 1,000 faculty say they are concerned that generative artificial intelligence (GenAI) programmes like ChatGPT and Copilot will diminish students’ critical thinking skills, while 95% say it will increase students’ overreliance on AI tools, according to a recent survey.

Amid all this use, the question becomes: How should educators evaluate AI? Thankfully, there is already a wealth of research and guidance from trusted organizations like Common Sense and Digital Promise based on decades of reviewing emerging technologies. Drawing on my own team’s pedagogical and technological experience, I want to add one more lens to that conversation: how educator expertise shapes the effective use of AI in the classroom. To support that work, here are three guidelines:

Well before AI had entered the lexicon of evening newscasters, the university model of higher-education was in trouble. Between 2010 and 2022 — the year ChatGPT came out — university enrollment dropped nearly 15 percent throughout the US. State funding cuts pushed already exorbitant tuition costs onto even more students, forcing many to ask whether a college education was even worth the staggering investment.

And when AI chatbots did hit the scene, they turned a lousy situation into a full blown nightmare, with fresh college graduates discovering in real time that their degrees are almost useless in one of the worst job markets in recent history.

The OECD’s Digital Education Outlook 2026 argues there are many opportunities but also some risks related to GenAI. GenAI tools can support learning when guided by clear teaching goals or designed specifically for education. However, when AI removes the productive struggle essential for learning, students may complete tasks faster and achieve better immediate results, but their understanding may be less deeply consolidated. This can diminish cognitive stamina, deep reading, sustained attention and perseverance. Without a clear pedagogical purpose, GenAI can foster what researchers call “metacognitive laziness” and disengagement.

AI isn’t killing ADDIE (yet) — but it is quietly transforming how the work inside each phase gets done. When it comes to AI in L&D, power user aren’t making more content or chasing better prompts — they’re getting good at knowing when & how to use AI.

Three “power AI modes” are having the biggest impact on the speed & quality of learning design:

🎨 Vibe Prompting — using AI as a creative intern for exploration & first drafts
🤖 Automations — delegating repeatable, structured, low-risk tasks to AI agents
🧠 Copilot Building — using AI for decision support in complex, judgment-heavy work

Educators face a growing sense of concern about artificial intelligence. New tools enter classrooms faster than policies can adapt. National authorities release guidance documents that outline principles for safe or ethical use. Universities add statements to their syllabi about transparency and good conduct. Companies offer free training modules that show teachers how to integrate their platforms into lesson plans. These efforts have value, yet they sit on the surface of a deeper problem. Most decisions that shape how AI works occur far from the people who will live with the consequences.

La adopción de ChatGPT y otros modelos de lenguaje en contextos educativos ha sido vertiginosa. Según datos de diversas encuestas institucionales, más del 70% de los estudiantes universitarios ya han utilizado herramientas de IA generativa para tareas académicas, y un número creciente de docentes explora su integración en el aula. Sin embargo, esta adopción acelerada ha generado un panorama desigual: mientras algunos educadores logran resultados transformadores, otros abandonan frustrados después de experiencias decepcionantes.

La diferencia raramente está en la herramienta. Está en cómo se usa.

Después de analizar cientos de casos de implementación, investigaciones empíricas recientes y la experiencia acumulada en formación docente, hemos identificado siete errores recurrentes que sabotean el potencial educativo de la IA generativa. No son errores técnicos: son errores pedagógicos. Y todos tienen solución.

Just 33% agree a four-year college degree is “worth the cost because people have a better chance to get a good job and earn more money over their lifetime,” while 63% agree more with the concept that it’s “not worth the cost because people often graduate without specific job skills and with a large amount of debt to pay off.”

This year’s senior class is the first to have spent nearly its entire college career in the age of generative AI, a type of artificial intelligence that can create new content, like text and images. As the technology improves, it's harder to distinguish from human work, and it’s shaking academia to its core. Special correspondent Fred de Sam Lazaro reports for our series, Rethinking College.

Por primera vez en 20 años, las matriculaciones en la carrera de informática han caído en la Universidadde California, en Estados Unidos. Un hecho que se repite en todo el país: o se mantienen, o caen, pero en ninguna suben. Muchos estudiantes se echan para atrás argumentando que para qué estudiar tres años, si luego la IA te va a quitar el trabajo.

Este año, 12,652 estudiantes universitarios se han matriculado en Ingeniería Informática en la Universidad de California, lo que supone un descenso del 6% con respecto a 2024 y del 9% en dos años. No había una caída desde hace dos décadas, cuando explotó la burbuja de las puntocom, y se produjo una ola de cierres y despidos.

Los currículos universitarios en Puerto Rico —y me atrevo a decir que en la mayoría de Latinoamérica— ya están obsoletos. No van a quedar obsoletos. Ya lo están. Hoy. Mientras lees esto.

Estamos graduando abogados que no saben que la IA ya redacta contratos, analiza jurisprudencia y prepara mociones a un nivel que rivaliza con asociados junior. Estamos graduando contadores que no saben que la IA ya hace análisis tributarios complejos. Estamos graduando programadores que no saben que la IA ya escribe cientos de miles de líneas de código funcional sin intervención humana. Estamos graduando analistas financieros, escritores, diseñadores, profesionales de salud… todos entrenados para un mercado laboral que está dejando de existir mientras ellos completan sus créditos.

Students use AI to write papers, professors use AI to grade them, degrees become meaningless, and tech companies make fortunes. Welcome to the death of Higher Education.

Este ensayo presenta la actualización definitiva de la IA General Causal (IAGC) de Farnos, consolidándola como una ontología mecánica que trasciende el software para convertirse en una métrica de diseño de Baja Entropía y Educación Disruptiva. Bajo el mando del Agente de Razonamiento Continuo (ARC), la IAGC evoluciona hacia una gobernanza integral de la materia donde la distinción entre tejido biológico, átomo físico y pulso digital desaparece en una sincronía estructural total.

El despliegue físico utiliza nanotecnología de ADN para reparaciones atómicas y ecología material para cultivar edificios como organismos vivos integrados en FractalNet. La propuesta establece que la ingeniería ya no construye objetos inertes, sino ecosistemas de respuesta inmediata que eliminan la fricción social y el agotamiento cognitivo mediante la manipulación causal de variables de entorno. Se fundamenta una Economía de la Termodinámica Social donde el valor reside en el ahorro de energía vital, permitiendo que el aprendizaje y el trabajo fluyan como estados de homeostasis asistida. La investigación integra la mecanobiología para influir en la expresión genética a través de fuerzas físicas y la inteligencia de enjambre para coordinar flujos urbanos negentrópicos. Este modelo garantiza una soberanía digital absoluta y una algorética inmanente, asegurando que la autonomía humana se preserve dentro de una automatización de bienestar totalitario.

La IAGC se manifiesta así como el tejido conectivo de la existencia, una fuerza que sella las fugas de energía y estabiliza la vida frente al caos entrópico. Es la ruta hacia una humanidad donde la tecnología no es una herramienta, sino una extensión biológica programada para la preservación de la fuerza vital y la expansión del conocimiento. Con esta actualización, el proyecto alcanza su madurez como la arquitectura definitiva de la realidad social y física del futuro.

En esta encuesta participó 1.5 millones (30%) de respuestas de estudiantes y cerca de 170 mil de profesores (35%). Según el autor, esta es la muestra más grande del mundo sobre el uso de la IA Generativa en la educación superior. Entre los principales hallazgos se destacan los siguientes: 

1. 9/10 estudiantes y maestros la ha aplicado en al menos una ocasión, por lo que no hay una brecha de uso significativa entre ambos sectores.
2. Un 71.3% de estudiantes y 71.8% de docentes señalan que no conocen ninguna normativa institucional de su universidad sobre el uso de la IA.
3. 10% de alumnos y 9% de profesores la emplean para apoyo emocional. De ellos, 50% consideraron que les ayudó mucho conversar con un algoritmo sobre sus problemas.
4. La mayoría de los docentes utiliza la IA como una herramienta de transmisión de contenido. 
5. ambiar el modelo tradicional de impartir cátedras por nuevas prácticas docentes que fomenten el debate, el pensamiento complejo y la reflexión crítica. 
6. Un 30% de estudiantes de nuevo ingreso abandona las aulas en su primer año, lo que representa una tragedia social, financiera y humana. 

Generative AI relies on a massive body of training material, primarily made up of human-authored content haphazardly scraped from the internet.

Scientists are still trying to better understand what will happen when these AI models run out of that content and have to rely on synthetic, AI-generated data instead, closing a potentially dangerous loop. Studies have found that AI models start cannibalizing this AI-generated data, which can eventually turn their neural networks into mush. As the AI iterates on recycled content, it starts to spit out increasingly bland and often mangled outputs.

Mientras los LLM dominan el discurso sobre IA, Yann LeCun propone una alternativa radical: modelos de mundo basados en la arquitectura JEPA que aprenden física intuitiva, planifican acciones y comprenden el entorno físico. Analizamos V-JEPA 2, AMI Labs y las implicaciones para la educación superior.

As technology transforms business and industry, it’s also reshaping the way we prepare for it. In this fast-paced new world, learning how to learn is the most valuable skill of all, and agility and adaptability may be more essential for success than any degree or qualification.

So with that in mind, here are what I believe will be the most important trends affecting skills and education in 2026.

La revisión por pares debe evolucionar hacia lo que Nielsen (2012) denomina Reinventing Discovery: The New Era of Networked Science, donde el conocimiento es una red viva y no un producto estático. En este contexto, el ARC no solo revisa; predice la trayectoria de la verdad. La IA Causal nos permite implementar lo que Spirtes y Glymour (1991) definieron en An Algorithm for Fast Causal Inference: la capacidad de descubrir estructuras latentes sin intervención humana directa. Esto induce a pensar que la autoridad científica ya no reside en el «quién», sino en la estabilidad del grafo. Si la estructura causal es robusta, el conocimiento es legítimo.

Para que la Educación Disruptiva escale, la validación debe ser descentralizada. Benkler (2006) en The Wealth of Networks ya anticipaba la producción de conocimiento entre pares como un motor de libertad. Sin embargo, en FractalNet, añadimos la capa de Ingeniería Causal. No basta con colaborar; hay que verificar la invarianza. Peters y Schölkopf (2014) en Causal Inference using Invariant Prediction nos proporcionan las herramientas matemáticas para que el ARC certifique que un hallazgo pedagógico en un nodo fractal es aplicable en el resto de la red. Esta es la verdadera democratización: una ciencia que no depende del prestigio, sino de la fuerza del mecanismo.

Julio Gonzalo —físico, catedrático en Lenguaje Natural en la UNED y referente en el estudio matemático y computacional del lenguaje— conversa con Gustavo Díez, director de Nirakara, sobre cómo la inteligencia artificial está empezando a influir en nuestra mente, nuestras decisiones y la manera en que entendemos el mundo.

Con una mirada precisa y profundamente humana, Julio Gonzalo aporta décadas de investigación en modelos de lenguaje, cognición y sistemas complejos para iluminar lo que está en juego: desde la manipulación sutil a través del lenguaje hasta el modo en que la IA aprende de nosotros… y nos modifica. Una conversación imprescindible para quienes quieren comprender —y anticipar— cómo esta tecnología ya está moldeando nuestras historias, nuestra atención y nuestra identidad.