Tendrán que adoptarla y adaptarse, pero ese proceso puede cambiar profundamente la naturaleza de las universidades del futuro.
Un estudiante termina su tarea más rápido y entrega mejores respuestas. Su profesor puede interpretar eso como una señal de aprendizaje. Pero cuando debe resolver el siguiente problema y no tiene ayuda de IA, la situación suele cambiar.
En una preparatoria de Turquía, investigadores estudiaron a casi mil alumnos durante sesiones de repaso de matemáticas. Distribuyeron aleatoriamente las clases en tres condiciones: practicar sin IA, utilizar un chatbot basado en GPT-4 o trabajar con una versión que ofrecía pistas siguiendo instrucciones de los docentes.
El estudio publicado en PNAS encontró que el chatbot mejoraba los resultados durante la práctica. Alentador. Pero, en el examen posterior, ya sin asistencia, esos usuarios obtuvieron calificaciones un 17% inferiores a las del grupo que aprendió sin IA. El tutor con instrucciones pedagógicas mitigó esa desventaja, pero no produjo una mejora estadísticamente comprobable en los resultados de ese examen.
En Harvard ocurrió algo distinto. Un experimento con 194 estudiantes de física comparó dos lecciones impartidas mediante un tutor de IA con clases donde los alumnos participaban activamente. Quienes utilizaron el tutor mejoraron más entre la prueba previa y la posterior: resolvieron mejor las preguntas sobre los conceptos recién estudiados. El experimento no midió cuánto de ese conocimiento conservaron meses después.
La diferencia entre estos dos resultados aparentemente contradictorios es importante. Una herramienta puede explicar, preguntar y exigir un intento; también puede entregar la solución y permitir que el estudiante pase de largo. Es decir, bajo la misma etiqueta de inteligencia artificial caben experiencias educativas muy distintas. La IA puede exigirle al estudiante que razone o facilitarle que termine sin hacerlo.
Y para las universidades, el desafío de la evaluación crece: una tarea bien resuelta no permite establecer con certeza qué aprendió quien la entrega.
También aparece una oportunidad. Un tutor de IA capaz de reformular una explicación y acompañar cada intento puede ofrecer una atención individual difícil de sostener en grupos numerosos. Descartar esa posibilidad de uso para defender la forma tradicional de enseñar sería absurdo.
Tutor CoPilot, un sistema experimental para apoyar tutorías escolares, exploró otra vía: la IA sugiere al tutor humano cómo orientar al alumno, por ejemplo mediante preguntas que lo ayuden a continuar. Un ensayo aleatorio con 900 tutores y 1,800 estudiantes encontró un aumento de cuatro puntos porcentuales en la probabilidad de dominar los temas trabajados. Poco, pero significativo.
Estos casos muestran posibilidades, mas no anuncian un reemplazo completo en la educación superior. De hecho, buena parte de las investigaciones procede de las propias universidades. Si bien es difícil generalizar las iniciativas, muchas universidades no están siendo espectadoras de una revolución ajena.
Eso abre una nueva pregunta: ¿con qué profundidad están cambiando?
En Estados Unidos, Purdue incorporó una competencia obligatoria en IA para quienes ingresan a sus licenciaturas en otoño de 2026. La Universidad de Florida reporta que el 71% de sus graduados de primavera de ese año cursó al menos una materia de IA. Hay extensión curricular; pero la realidad es que falta comprobar qué capacidades produce la incorporación de estas materias.
En Australia, la Universidad de Sídney está reformando sus evaluaciones: distingue actividades abiertas del uso de herramientas y evaluaciones seguras con asistencia controlada. Busca comprobar tanto lo que el estudiante puede hacer con tecnología como las capacidades que ha adquirido sin la opción del apoyo tecnológico.
Son respuestas diferentes a problemas diferentes. Incluir una materia actualiza el currículo. Revisar las evaluaciones obliga también a reconsiderar qué evidencia necesita una universidad antes de certificar que alguien tiene los conocimientos que su certificado pregona.
La dificultad mayor, sin embargo, apenas comienza.
Si la propuesta es que los estudiantes aprendan a supervisar a la IA, reconocer errores, contrastar fuentes, cuestionar conclusiones, ¿cómo adquirirán ese criterio si delegan desde el principio a la IA las actividades que podrían ayudarles a formar esta habilidad?
Pedir a un principiante que revise una respuesta sofisticada no lo convierte en experto. Para identificar una explicación incompleta necesita conocer del asunto; para detectar una inferencia defectuosa necesita haber aprendido a razonar sobre ella. Esa habilidad no se transfiere por decreto.
Esto tampoco justifica conservar cualquier ejercicio vigente. Hay tareas repetitivas en los planes de estudio que pueden eliminarse y dificultades en el aprendizaje que reflejan un proceso de enseñanza deficiente. El trabajo fino consiste en distinguir qué es más efectivo para enseñar a interpretar un documento, defender una lectura y descubrir por qué no se sostiene.
Y entonces surge otra pregunta clave: ¿quién hará esa distinción?
Pensemos en un curso de historia dirigido cotidianamente por un tutor artificial. Alguien tuvo que elegir los documentos, las interpretaciones y los criterios con los que considera correcta una respuesta. Si el profesor puede examinar esas decisiones y modificarlas, conserva una responsabilidad reconocible; es equiparable con la libertad de cátedra. Pero si adopta un producto cerrado que no puede examinar ni modificar, cede al proveedor parte del control sobre la enseñanza, aunque siga respondiendo por sus resultados.
No hace falta imaginar una intención de adoctrinar. El empobrecimiento puede empezar cuando las respuestas correctas y los ejercicios terminados se convierten en la principal medida del aprendizaje, dejando fuera la capacidad de comparar interpretaciones o sostener un desacuerdo informado. Si eso ocurre, la educación que necesita el futuro se estaría empobreciendo.
La pregunta sobre el poder empieza en decisiones así de concretas: quién elige las lecturas, quién define un buen argumento, ante quién puede discutirse una evaluación.
Las universidades tampoco merecen obediencia automática de la sociedad. Sus programas deben poder cuestionarse y sus profesores deben demostrar lo que ayudan a comprender, discutir y hacer a sus estudiantes. Invocar en automático las humanidades o el pensamiento crítico sirve de poco si el alumno apenas ha tenido ocasiones de leer, argumentar y recibir una crítica cuidadosa.
La sustitución total de las universidades no se ve en el futuro próximo. Hay, en cambio, un escenario que merece atención: una universidad podría conservar sus títulos y su prestigio, mientras una plataforma podría decidir buena parte de lo que sus alumnos estudian cada día. Si eso ocurriera, seguirían existiendo, pero su influencia sobre la formación sería menor.
Adaptarse exige decidir qué puede delegarse, qué capacidades debe desarrollar el estudiante, cuáles debe poder ejercer sin asistencia y cómo se deben reconocer la diferencias. Las herramientas pueden ayudar a cumplir esa responsabilidad. Pero comprarlas y presentarlas como una innovación no equivale a asumir esa responsabilidad.
Volvamos al estudiante y a la entrega de una tarea impecable. Antes de ponerle una calificación, alguien tendrá que averiguar qué de lo que entregó puede explicar solo, qué puede cuestionar y qué haría ante un problema distinto.
La universidad conservará su autoridad si sus egresados pueden explicar lo que saben, defenderlo ante una objeción y utilizarlo frente a un problema distinto. El diploma debería venir después.
Publicar un comentario