Aprender a aprender: la única vacuna contra la dependencia de la IA

Por Julio César Alonso, profesor adjunto de la Universidad Icesi

La inteligencia artificial generativa, como ChatGPT o Gemini, llegó a las universidades y colegios a una velocidad que nos tomó a todos por sorpresa. Los estudiantes la usan hoy para escribir ensayos, resolver problemas y construir argumentos.

Eso, en principio, parece una buena noticia: una herramienta poderosa al alcance de todos. Pero hay algo que preocupa. La mayoría de los estudiantes no tiene criterio para saber cuándo la IA se equivoca, cuándo su razonamiento es inconsistente o cuándo su conclusión es, simplemente, una alucinación bien redactada.

Quien lleva décadas construyendo criterio sabe cómo contradecirla. Sabe cuándo un argumento no cierra, cuándo un dato no cuadra con la realidad, cuándo una conclusión carece de sustento. Esa capacidad no se construyó con la IA; por el contrario, se construyó antes de la IA. Es el resultado de la acumulación de lecturas, de errores propios, de debates, de equivocaciones corregidas a lo largo de una carrera. Es decir, es el fruto del propio proceso de aprendizaje más allá de las aulas. Es claro que la IA es una herramienta extraordinaria para quien ya tiene ese criterio formado. El problema es cuando se convierte en el sustituto del proceso de formarlo.

La situación recuerda a la del niño que aprende a sumar con una calculadora al lado. Es apenas humano tomar la calculadora y obtener el resultado sin pasar por la recta numérica, sin entender lo que hay detrás de la operación, sin hacer el esfuerzo mental que exige aprender conceptos nuevos: lo natural es minimizar ese esfuerzo. Pero si eso sucede, ese niño difícilmente comprenderá conceptos matemáticos más complejos, como la multiplicación, para no mencionar los más sofisticados. La calculadora no forma criterio: lo reemplaza.

La IA generativa, en el proceso de aprendizaje, funciona de manera similar, pero con una diferencia que agrava el problema. La calculadora da resultados correctos dentro de su dominio (suma, resta, etc.). La IA, en cambio, produce resultados que suenan razonados y coherentes incluso cuando son falsos.

En el contexto de la educación, la IA no solo hace la tarea por el estudiante sin permitirle desarrollar criterio, sino que le entrega el proceso de razonamiento ya concluido, sin señales de alerta. Y el problema no se queda ahí.

Lo que preocupa no es solo la dependencia individual. De hecho, hay un riesgo que no se discute con la suficiente claridad. Si una generación de profesionales construye su formación en torno al uso de herramientas de IA sin desarrollar criterio para evaluar sus resultados, en veinte o treinta años no habrá quien sea capaz de supervisar, corregir ni mejorar esa misma IA.

El mecanismo de transmisión del conocimiento que la humanidad ha empleado, de los expertos a los aprendices, se rompe. ¿Quién entrenará los modelos de la próxima generación? ¿Quién detectará sus sesgos antes de que tomen decisiones equivocadas? ¿Quién tendrá el criterio para corregirlos? Si nadie lo construyó, nadie podrá hacerlo. Y con ello, la sociedad pierde la capacidad de detectar los errores sistemáticos e individuales de los modelos a los que, paradójicamente, habrá delegado sus decisiones más importantes.

No obstante, es importante señalar que se produce un círculo vicioso. Para usar bien la IA se necesita el criterio que la IA puede impedir que se construya. Es decir, quien llega a ella sin fundamentos la usa para no tener que pensar por sí mismo. Quien llega con fundamentos la usa para pensar más lejos, para potenciar su pensamiento.

La diferencia no está en la herramienta: está en quién la usa y con qué criterio la evalúa. Eso implica una paradoja que pocas veces se menciona: la tecnología que más promete democratizar el conocimiento puede, al mismo tiempo, profundizar la brecha entre quienes saben usarla críticamente y quienes simplemente la consumen como si fuera un nuevo Google.

Afortunadamente, la salida existe. No está en prohibir la IA en las aulas, por lo menos en las universitarias, que sería tanto como prohibir la calculadora cuando lo que se necesita es enseñar a sumar primero. Está en algo más profundo: garantizar que los estudiantes lleguen a la IA con los pilares fundamentales. Con fundamentos sólidos, con capacidad lectora, con curiosidad genuina, con la habilidad de formular preguntas y de no conformarse con la primera respuesta. Es decir, con la capacidad de aprender a aprender.

Pero ¿qué significa eso en la práctica? El Foro Económico Mundial, en su informe The Future of Jobs de enero de 2025, identifica el pensamiento analítico como la competencia más buscada por los empleadores en el mundo: siete de cada diez empresas la consideran esencial. Le siguen la curiosidad y el aprendizaje permanente, el pensamiento creativo y la adaptabilidad. No son competencias de moda: son las mismas que el Proyecto Tuning para América Latina lleva dos décadas identificando como pilares de una formación universitaria sólida, desde el razonamiento basado en evidencia y la comunicación clara hasta el compromiso ético y la capacidad de seguir aprendiendo a lo largo de toda la vida.

Ninguna de esas capacidades se construye en un semestre. Se construyen con años de exposición directa a los fundamentos, al error propio y a su corrección. Por eso, la discusión sobre la IA en la educación debe empezar, siempre, por qué capacidades formar.

Esos pilares son los únicos que no caducan. Es lo que convierte a la IA en un compañero de trabajo que permite llegar más lejos, y no en un sustituto del pensamiento propio. La tarea de la educación en la era de la IA no consiste en adaptar los currículos a las nuevas tecnologías. Es asegurarse de que los estudiantes lleguen a ellas con criterio para usarlas, sin que las usen para pensar por ellos. Esa es una tarea que no da espera.