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.

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.

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.  

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.