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.

La presente investigación compendia una investigación de carácter fundamentalmente prospectivo y teórico, situada en la intersección crítica de la tecnología educativa, la epistemología y la ingeniería de sistemas. El trabajo, liderado por Juan Domingo Farnos, propone una tesis audaz y necesaria: la superación de la actual era probabilística de la Inteligencia Artificial, dominada por los Modelos de Lenguaje Grande (LLMs) y el aprendizaje profundo, hacia una nueva arquitectura cognitiva basada en la comprensión y la ejecución causal. Esta tesis no surge en el vacío, sino que se articula como una respuesta crítica a las limitaciones sistémicas de la IA contemporánea, al tiempo que busca anclarse en los desarrollos más sólidos de la ciencia de la inferencia causal. El objetivo de este prólogo es establecer el corpus científico real sobre el que se asientan estas discusiones, detallando las investigaciones de veinte autores clave que han definido el estado del arte de la causalidad, y contextualizando el trabajo de Farnos como una ambiciosa búsqueda de operacionalizar estos principios para transformar la educación.

Ninguna opción es mejor por sí sola, pero todas cambian la manera de explicar y argumentar. Con la IA ocurre lo mismo: no importa solo qué dice, sino cómo lo dice.

Eso explica algo que ya vemos en el aula. Dos respuestas pueden ser correctas y, sin embargo, empujar a formas distintas de pensar. ChatGPT tiende a sumar. Gemini precisa más. Claude argumenta más. No solo cambian las palabras: cambia la construcción del razonamiento. Por eso es fundamental preguntarse qué forma de responder nos está proporcionando y cuáles son sus claves interpretativas.

Y eso tiene consecuencias. Si un estudiante trabaja siempre con el mismo modelo, o con el mismo prompt, puede acabar delegando su forma de ordenar e interpretar el mundo en patrones de escritura enlatados y con escaso juicio crítico.

Cristóbal Cobo acaba  de terminar la provocadora lectura de Una teoría crítica de la inteligencia artificial, de Daniel Innerarity, publicado en Galaxia Gutenberg en 2025. No es un libro sobre tecnología en sentido estrecho, sino una reflexión amplia sobre todo lo que la IA pone en juego: la verdad, lo humano, la sociedad, la democracia y nuestras formas de decidir. Lo más interesante es que Innerarity no cae ni en la celebración ingenua de la técnica ni en una defensa automática de la humanidad. Su gesto es más incómodo: nos recuerda que también nuestras defensas de lo humano están atravesadas por sesgos, nostalgias y errores. Dejo aquí un recorte de algunas de las ideas que me parecieron más sugerentes.

James Zull, a neuroscientist who’s written extensively about how brains change through learning, makes a deceptively simple point: real learning is the literal physical reorganization of neural pathways. That kind of change doesn’t happen in comfort. It happens when learners encounter ideas that don’t fit their current understanding, when they sit with confusion, and, crucially, when they test their ideas in conditions where they might be wrong.

Simmering student fear and anxiety over how artificial intelligence is rapidly reshaping the job market—and humanity—came to a boiling point during some commencement ceremonies this month.

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."

Cuando una sociedad no sabe qué hacer con sus problemas, busca un culpable sencillo. Preferiblemente uno que quepa en una mano, tenga pantalla y emita notificaciones. El smartphone se ha convertido en el chivo expiatorio perfecto de una crisis educativa que viene de mucho antes, tiene causas mucho más profundas y no se resolverá fingiendo que el mundo de nuestros hijos puede dejarse en la puerta del aula. El interesante artículo de The Atlantic sobre uno de los psicólogos evolutivos más conocidos, Peter Gray, titulado «What if it’s not the phones?», es interesante porque pone palabras académicas desde el punto

La evaluación apoyada en trabajo autónomo, práctica y examen acumulativos ya era débil antes de la IA: favorece la reproducción de contenidos, castiga el error como “fallo” (penalizando equivocaciones en lugar de integrarlos en el aprendizaje) y deja poco rastro del proceso de aprendizaje. La IA no crea este problema; lo visibiliza.

La evaluación que hoy necesita la educación superior no es una técnica concreta, sino un cambio de lógica y de paradigma. En lugar de preguntarse “¿Cómo se detecta si hay IA?”, habría que preguntarse “¿Qué evidencias demuestran que el estudiante ha aprendido y puede transferir lo aprendido?”. Recuadrar así el problema nos mueve del control a la calidad pedagógica y obliga a revisar qué entendemos por aprender, enseñar y evaluar.

La demanda laboral explica en gran medida este fenómeno. Empresas e instituciones buscan perfiles especializados capaces de diseñar algoritmos, desarrollar sistemas de aprendizaje automático o gestionar grandes volúmenes de datos.

Pero las competencias que las empresas definen para este perfil incluyen adaptabilidad, aprendizaje continuo, IA aplicada, pensamiento crítico, inteligencia emocional, liderazgo colaborativo, gestión del conocimiento, comunicación, creatividad o ética tecnológica.

¿Está la formación alineada con estas demandas? ¿Cómo se están formando estos futuros profesionales?

Why does artificial intelligence require a fundamentally different approach to university leadership?

Higher education has repeatedly adapted to technological change – from the printing press and industrialization to computers, the internet, and online learning. Each transformation reshaped how universities operated, yet none fundamentally altered their intellectual purpose.

But artificial intelligence poses a challenge unlike any university leaders have faced before. Unlike previous technologies that expanded access to knowledge, AI expands participation in intellectual work. That distinction reshapes the nature of university leadership.

Un PLE es mucho más, es el complejo entramado de acciones, decisiones o estrategias, fuentes de información, actitudes y espacios (muchos digitales, pero también analógicos o físicos) que cada persona utiliza de forma habitual y única para aprender. Es, en definitiva, nuestro ecosistema personal para aprender de forma autónoma y continua; esa agencia de la que Linda Castañeda et al. (2023) habla en sus trabajos.

Durante años, muchos docentes aprendimos que redactar correctamente significaba respetar reglas ortográficas, memorizar conjugaciones verbales o seguir estructuras gramaticales rígidas. Sin embargo, la llegada de la inteligencia artificial está transformando profundamente esta visión. Hoy escribir bien ya no es únicamente una habilidad académica: se ha convertido en una competencia fundamental para pensar, enseñar y comunicarse eficazmente con sistemas inteligentes. Hoy la pregunta tiene un alto valor al interactuar con la IA.