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.

Esta artículo captura una escena repetida en escuelas y universidades de todo el mundo: ante la avalancha de trabajos generados por ChatGPT, muchos docentes están volviendo al examen escrito, al ritual del “saquen una hoja”. Una forma casi arqueológica de recuperar el control perdido.

Pero el problema no está en la IA. El problema está en seguir aplicando las mismas metodologías en un contexto que ya ha mutado. Porque lo que está ocurriendo no es que los estudiantes hagan trampa. Lo que ocurre es que están aprendiendo en otro lenguaje cognitivo, uno en el que pensar y escribir ya no son acciones solitarias.

Let me be blunt: Teachers who choose to leverage generative artificial intelligence (AI) effectively and openly can enhance their practice—especially when providing written feedback. However, encouraging students to rely on it unsupervised is a big, big mistake.

Teachers are educated professionals, and we have developed skills and judgment to effectively evaluate what Generative AI produces. A good rule of thumb for me is this: I would never use AI for something I could not do by myself otherwise. Students don’t yet have that foundation. Offering them unsupervised access is like handing a calculator to someone who doesn’t know basic mental math. Sure, they may land on a correct answer, but they won’t understand why, and they also won’t build the habits they need for long-term success.

David Garza también habló de una nueva noción universitaria que transita del concepto de “universidad” a “multiversidad”.

“Me gusta este concepto, este juego de palabras y una nueva noción relacionada con la multiversidad, en lugar de la geodiversidad. El concepto de multiversidad fue acuñado hace unos 50 años por Clark Kerr, presidente del sistema de la Universidad de California. Pero me refiero a una definición más amplia, que tiene que ver con el hecho de que somos, o deberíamos evolucionar hacia ser, una multiuniversidad”, explicó en el panel.

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.

Artificial Intelligence is rapidly transforming classrooms, yet without a coherent framework connecting AI, EdTech, and neuroscience, education risks repeating the same short-sighted design patterns that have plagued every "next big thing."

Teaching is more than delivering facts. Great teachers build relationships, spark curiosity, and guide students through life’s challenges. They notice when a student is frustrated, encourage resilience, and adapt lessons to the energy in the room. Furthermore, teachers are also athletic coaches, mentors, and community advocates. These human connections are at the heart of learning—something AI cannot replicate.

La tecnología, por sí sola, no transforma la educación. Son los docentes, con una sólida formación pedagógica y un uso estratégico de las herramientas digitales, quienes tienen el poder de impactar verdaderamente el aprendizaje. Sin preparación adecuada, incluso las plataformas más avanzadas o populares como TikTok o Instagram se convierten en simples distractores en lugar de recursos educativos efectivos. Este artículo aborda cómo los docentes pueden trascender el uso superficial de la tecnología, explorando herramientas diseñadas específicamente para enriquecer la enseñanza y maximizar su impacto en el aula.

More Harvard College students than ever are passing their classes with flying colors, but the college’s evaluation system is “failing to perform the key functions of grading”, according to a report released by the Office of Undergraduate Education on Monday.

The 25- page report, which was sent to faculty and Harvard College students on Monday, found that more than 60 percent of grades awarded to Harvard undergraduates are A’s, compared to only a quarter of grades two decades ago. It concluded that Harvard’s current grading system is “damaging the academic culture of the College”.