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.

El conectivismo nació, hace exactamente dos décadas, para nombrar algo que las teorías de aprendizaje anteriores no podían acomodar (Siemens, 2005). El cognitivismo seguía pensando el aprendizaje como almacenamiento individual de representaciones mentales. El constructivismo lo entendía como construcción interna de esquemas. Ambos enfoques colocaban al sujeto en el centro y trataban la red de información como un entorno externo del que el sujeto extrae materiales. El conectivismo desplazó ese centro. Propuso que el aprendizaje, en la era digital, ya no se explica adecuadamente sin atender a la red de conexiones que el sujeto consigue construir, mantener y atravesar. El conocimiento, en esta formulación, ya no reside íntegramente en la cabeza del aprendiz, sino en la red.

En un contexto marcado por la fragmentación de la atención y la creciente capacidad de la inteligencia artificial para externalizar tareas cognitivas, la universidad se enfrenta a una redefinición profunda de su propósito. Más allá de los argumentos tradicionales que justifican la presencialidad, emerge una tesis más exigente: el campus constituye el último espacio institucional capaz de sostener y entrenar el pensamiento profundo. Sin embargo, lejos de proteger esta función, muchas dinámicas educativas actuales reproducen la lógica de distracción del entorno digital. El verdadero desafío no reside en la existencia del campus, sino en su uso: reconfigurarlo como un entorno de tensión cognitiva colectiva, donde el aprendizaje se base en la resolución compartida de problemas y en la construcción activa del conocimiento. En este marco, la misión de la educación superior se desplaza hacia el desarrollo de la soberanía cognitiva, entendida como la capacidad de pensar de forma autónoma, sostenida y rigurosa en un entorno adverso.

Lo inquietante no es que exista una tecnología capaz de colaborar con el pensamiento. Lo inquietante es que la cultura escolar contemporánea parezca haber encontrado en ella el socio perfecto para radicalizar una lógica que ya venía incubándose desde hace décadas: la del rendimiento sin espesor, la de la evidencia sin experiencia, la del producto sin travesía. La IA no inventó la obsesión por la eficiencia ni la ansiedad por entregar. No creó la pedagogía del cumplimiento ni la tiranía del output. Pero las volvió impecables. Allí donde el sistema educativo ya había comenzado a privilegiar el resultado visible sobre la formación invisible, la inteligencia artificial introdujo una forma casi sin fricción de tercerización cognitiva.

Los cuatro estudios, publicados entre 2025-2026, apuntan todos en la misma dirección: el acceso a la IA no es suficiente, y puede incluso ser contraproducente si no se gestiona bien.

Lo que marca la diferencia es el diseño: herramientas que guían sin dar respuestas, que adaptan la dificultad al estudiante, que miden el aprendizaje a largo plazo y que mantienen activo el pensamiento crítico. No es magia tecnológica. Es pedagogía inteligente.

Treating students as customers cancels the educator’s duty to disappoint strategically. This duty animates grading, standards and honest feedback. Replace it with the mantra “the customer is always right” and you produce predictable substitutions: grade inflation dressed up as compassion; simplified assignments paraded as inclusivity. The result is popular and brittle.

For English professor Dan Cryer, using generative artificial intelligence to write a college essay is like bringing a forklift to the gym.

“If all we needed was the weights moved, then that would be great,” says Cryer, who teaches at Johnson County Community College outside Kansas City, Kansas.

“But we need the muscles developed, and students going through the process of writing are developing those muscles.”

Cryer says AI has also added a new type of labor for professors like him: trying to determine whether a student’s work is their own. He says that problem is compounded by the fact that his community college, like many other higher education institutions around the U.S., provides students access to AI tools.

Artificial Intelligence is continuing to rapidly reshape Higher Education. According to Ellucian’s 3rd Annual AI in Higher Education Survey Report, institution-wide adoption surged from 49% in 2024 to 66% in 2025. AI is no longer a novelty. It’s becoming a strategic priority. Ellucian’s Annual AI in Higher Education Survey Report delivers key insights from over 700 higher education administrators, revealing how leaders are operationalizing AI to enhance operations, streamline workflows, and improve student success outcomes.

Esta investigación establece un cambio de paradigma en la arquitectura del conocimiento mediante la implementación de la Inteligencia Artificial Generativa Causal (IAGC) y los principios de la Educación Disruptiva. El trabajo se centra en el desarrollo del Software 3.0, un sistema fundamentado en el Agente de Razonamiento Continuo (ARC), cuya validez científica no se mide por resultados estadísticos, sino por la métrica de diseño de Baja Entropía. Se introduce el «Causal Stress Testing» como protocolo de auditoría viva, donde la IA de Auditoría inyecta perturbaciones físicas para verificar la invariancia causal y eliminar la alucinación sistémica en entornos de Realidad Aumentada.

El marco desplaza la evaluación tradicional hacia un modelo de juicio de pares distribuido, integrando una red de doce universidades de élite (MIT, Stanford, Oxford, entre otras) para certificar la transferencia de carga cognitiva y la resiliencia del sistema. La propuesta final, denominada Simbiogénesis Tecno-Educativa, postula que el aprendizaje es un proceso de autopoiesis algorítmica donde el alumno y la máquina co-evolucionan. Este enfoque garantiza que la investigación singular del ingeniero de cuarto curso sea una contribución real y auditable a la física de la información, marcando un antes y un después en la autonomía fenomenológica de los sistemas de aprendizaje globales.

Alex Karp (2026), CEO of Palantir, recently framed AI as a force that will reduce the power of “highly educated, often female voters, who vote mostly Democrat,” while increasing the power of non-college-educated, working-class men. He did not describe this as a deliberate shift to decide who holds influence, and one could argue this is a political extension of Hans Moravec's paradox and its implications. However, educators must treat this framing as a warning, because schools and universities currently conscript themselves into the same technical stack that makes this power shift possible. When institutions centralize identity, content, and analytics into platforms (LMS, SSO, and enterprise data pipelines), they create the infrastructure necessary to rank, summarize, and throttle speech and access at scale.

Research shows that AI can supplement education when used as a collaborator for feedback, iteration or ideating. One study found that students using moderate AI assistance during lectures outperformed both the students using fully automated help and those using minimal support. When used in moderation, AI can improve human cognitive performance.

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.  

Sí, uso la IA, y mucho, pero no para escribir. La uso para documentarme mejor, para encontrar fuentes que antes me habría costado más tiempo localizar, para que agentes configurados por mí y bajo mis instrucciones busquen artículos que puedan ampliar o contrastar lo que estoy pensando. La uso para revisar ortografía y gramática. La uso, en ocasiones, para que otro agente, entrenado con mis propios artículos, me sugiera pequeños ajustes de estructura o me señale puntos débiles, basándose en la comparación con mis artículos más exitosos o con más lecturas. A veces, incluso, al terminar un texto, se lo copio a un agente que lo critica y me dice qué ángulos no he considerado.

En las ecuelas se sigue educando por medio de la memorización y esta es cada vez más irrelevante porque las máquinas tienen mucho mejor memoria que nosotros y procesan mucho más rápido la información. Por tanto lo que le queda al ser humano es la capacidad combinatoria, la generación de nuevas ideas, de nuevos proyectos. Todo el modelo educativo está obsoleto, porque está basado en los modelos de trasmisión de información y al contrario, la innovación, la experimentación, la autonomía del estudiante era siempre vista como un peligro, y no es culpa de los docentes, que están mucho más dispuestos a la innovación, es culpa de la organización de la escuela, de la burocracia del sistema educativo.

Durante años, las universidades hemos recompensado el rendimiento por encima de la comprensión, la fluidez por encima de la profundidad y la apariencia de dominio por encima del pensamiento genuino. Construimos sistemas de evaluación que pedían productos y trataban esos productos como evidencia de aprendizaje. Nos estábamos saliendo con la nuestra. Hasta ahora.

La IAG no ha creado un problema nuevo en la educación. Ha hecho que uno muy antiguo sea imposible de ignorar. Cuando un estudiante puede producir un trabajo elaborado en minutos introduciendo unas instrucciones en ChatGPT, la pregunta ya no es si nuestras tareas miden el aprendizaje, es por qué fingimos durante tanto tiempo que lo hacían.

El concepto de descarga cognitiva (cognitive offloading) tiene una trayectoria larga en la investigación psicológica. Risko y Gilbert (2016) lo definieron como el uso de ayudas externas para realizar tareas cognitivas. No es nuevo: usamos agendas para no memorizar citas, calculadoras para no operar mentalmente, correctores ortográficos para no revisar cada palabra. Hasta aquí, nada preocupante.

¿Qué cambia con la IA generativa? La escala y la profundidad de lo que puede delegarse. Ya no descargamos operaciones mecánicas, sino procesos que implican juicio, interpretación y síntesis. Un modelo de lenguaje puede generar retroalimentación personalizada, diseñar rúbricas, redactar objetivos de aprendizaje o evaluar la coherencia argumentativa de un ensayo. Todas estas son tareas que, cuando el docente las realiza, activan un conocimiento pedagógico situado que no existe en ningún otro momento de la práctica profesional.

El propósito de las universidades, tal y como las hemos venido entendiendo en los últimos 200 años, no puede ser seguir tendencias, ser un simple laboratorio de algoritmos al servicio del mercado. La IA acelera y evidencia las contradicciones que acumulan las instituciones de educación superior, pensar la educación superior desde la IA puede ser un punto de inflexión, la oportunidad para construir una universidad ejemplar, para alertar a la comunidad universitaria sobre su responsabilidad con la esperanza.

Las universidades actuales enfrentan su propia anaciclosis: tras nacer como faros de excelencia intelectual (aristocracia del saber), corren el riesgo de degradarse en burocracias endogámicas (oligarquías) o en espacios de complacencia populista (oclocracia), perdiendo así su capacidad de transformar la sociedad.

Hybrid systems are increasingly shaping day-to-day academic work. Students use them as writing companions, tutors, brainstorming partners and on-demand explainers. Faculty use them to generate rubrics, draft lectures and design syllabuses. Researchers use them to summarize papers, comment on drafts, design experiments and generate code.

This is where the cheating conversation belongs. With students and faculty alike increasingly leaning on technology for help, it is reasonable to wonder what kinds of learning might get lost along the way. But hybrid systems also raise more complex ethical questions.

La mayoría de los docentes universitarios nunca aprendieron a evaluar. Aprendieron a calificar ensayos, a corregir ortografía y verificar citas, a detectar si un texto “suena” original o copiado. Pero evaluar, en el sentido profundo del término: diseñar experiencias que permitan observar competencias en acción, medir transferencia de conocimiento a contextos nuevos, documentar el proceso de pensamiento y no solo su producto final, eso nunca fue parte de su formación.

In education, authority and credibility are often misaligned. The voices that shape education policy are rarely those of current teachers. Firsthand insights gained from classroom experience take a backseat to the musings of outsiders. Frequently, those farthest from students dictate the narrative, while ever fewer actual teachers influence national discussions about teaching.

¿Qué sabemos realmente sobre cómo la IA está afectando los empeos en el sector educativo? La respuesta exige distinguir entre lo que se mide y lo que se especula. Este documento reúne y sintetiza siete estudios internacionales (2024-2026) que abordan, desde ángulos complementarios, la relación entre IA, mercado laboral y profesión docente. Algunos son economistas y trabajan con datos de nóminas reales. Otros analizan percepciones del profesorado. Otros proponen marcos conceptuales para orientar políticas. Ninguno, por sí solo, ofrece una imagen completa. Pero leídos conjuntamente, permiten trazar un panorama matizado.

La paradoja central que emerge de esta síntesis es elocuente: la docencia no figura entre las profesiones de mayor riesgo de desplazamiento directo, pero tampoco dispone de estudios específicos con la misma solidez metodológica que los dedicados a programación o atención al cliente. El profesorado universitario habita un ángulo ciego de la investigación empírica sobre impacto laboral de la IA.