Por Javier Surasky
.png)
Dos textos, un problema, varias aristas y muchas coincidencias
En agosto de
2026 se publicaron dos trabajos dedicados a la relación entre inteligencia
artificial y educación: el Report of MIT’s Ad Hoc Committee on AI Use in
Teaching, Learning, and Research Training, y el Manual urgente sobre IA
en el aula. Miradas y análisis de la esfera digital desde Abya Yala, de
Mariana Ferrarelli y Natalia Corvalán. Publicado por el Centro de Estudios de
la Sociedad Digital de EIDAES-UNSAM.
Los textos
fueron escritos para contextos diferentes: el del MIT responde a las
necesidades de una universidad intensiva en investigación y concede bastante
espacio a su experiencia residencial, el de Ferrarelli y Corvalán tienen como
interlocutores principales a docentes de escuela secundaria y sitúan el
análisis en Abya Yala, exponiendo las desigualdades de los sistemas educativos
de la región y las condiciones materiales en las que se expanden las
tecnologías digitales.
Esas
diferencias de origen explican buena parte de los énfasis posteriores.
Hay un punto
común que ordena buena parte de ambos textos, la idea de que el uso de IA debe
justificarse por los fines educativos, lo que hace que la discusión se enfoque
realmente en los aprendizajes que una actividad debería producir, y no en como
operar mejor un modelo o promptear correctamente.
Volver a los objetivos de la educación
El Comité del
MIT revisa prácticas que han servido durante años para enseñar y evaluar, desde
problem sets y trabajos escritos hasta exámenes domiciliarios, que ahora
pueden realizarse con asistencia de sistemas generativos.
Una reacción
posible, nos dicen, es trasladar más evaluaciones al aula, pero el propio
informe señala las limitaciones de esa salida: las tareas presenciales
sometidas a tiempos breves pueden resultar poco adecuadas para aprendizajes que
requieren elaboración prolongada, lo que los lleva a inclinarse por exámenes
orales y trabajos desarrollados fuera del aula que luego deben ser discutidos
presencialmente (Massachusetts Institute of Technology [MIT], 2026, pp. 11–13).
El informe
recurre al backward design para ordenar esas decisiones: primero se
determinan los resultados de aprendizaje y después se diseñan las actividades y
formas de evaluación, incorporando la política sobre IA en ese recorrido,
partiendo de la base de que “la enseñanza intencional promueve el aprendizaje
intencional (MIT, 2026, p. 6).
La
autorización o restricción de una herramienta debería, en consecuencia, poder
explicarse a partir de lo que se espera que el estudiante aprenda.
El Manual
urgente llega a una posición cercana desde la noción de entramado
sociotécnico, planteando que las aplicaciones de IA forman parte de una
estructura en la que intervienen modelos y datos, infraestructura, decisiones
humanas, intereses económicos y regulación, lo que obliga a ampliar lo que se
considera una decisión pedagógica y que mueve a Ferrarelli y Corvalán a
sostener que el uso de IA requiere de “decisiones ancladas en los propósitos
formativos del docente y no en las posibilidades técnicas de la herramienta” (2026,
p. 10). Nuevamente, la pregunta por el uso aparece después de haber definido el
problema educativo que se intenta abordar (Ferrarelli & Corvalán, 2026, p.
10).
Las dos
formulaciones provienen de marcos conceptuales distintos: mientras el MIT se
apoya en el diseño de experiencias de aprendizaje, el manual urgente
examina, al mismo tiempo, las mediaciones tecnológicas que intervienen en
ellas. Esos diferentes puntos de partida llevan, sin embargo, a una conclusión
similar y práctica: la mera disponibilidad de una función tecnológica carece de
valor pedagógico autónomo.
Esa posición
incide directamente en las reglas de uso de la IA en educación, donde el MIT
descarta una política uniforme para todas las asignaturas ya que, por ejemplo,
un curso introductorio puede necesitar proteger determinadas prácticas mientras
se adquieren conocimientos básicos, mientras que, en instancias más avanzadas
de formación, el manejo de herramientas de IA puede ser parte del aprendizaje
esperado. El Comité del MIT propone que docentes y departamentos tomen esas
decisiones dentro de un marco institucional común y que expliquen sus razones
en función de los objetivos del curso (MIT, 2026, pp. 7, 16–17).
El manual urgente
enfrenta un problema parecido, pero en otra escala: las autoras sostienen que “la
incorporación de estas tecnologías no puede quedar librada a decisiones
individuales ni a la lógica del ensayo y error” (Ferrarelli & Corvalán,
2026, p. 44). Los criterios situados requieren referencias institucionales que
orienten las decisiones de cada comunidad educativa.
Qué se delega cuando se automatiza
Ambos textos también
se detienen en las tareas que se delegan.
El MIT se
refiere al principio augmentation not automation para examinar qué
ocurre cuando un sistema realiza una parte del trabajo que antes correspondía
al estudiante afectando el proceso de aprendizaje de tal forma que el
estudiante puede obtener una solución correcta sin desarrollar las capacidades
que debía desarrollar para resolverla. Frente a ello el informe es claro al
afirmar que hay un mal uso de la IA, que “debería utilizarse para ampliar y
potenciar la curiosidad, la creatividad y el aprendizaje, no para
automatizarlos” (MIT, 2026, p. 7).
Más aún, durante
las consultas del Comité surgieron indicios de cambios en la sociabilidad
académica: variaciones en la asistencia a horarios de consulta y en la
participación en discusiones y disminución de grupos presenciales de estudio,
aunque estas últimas son presentadas como “anecdóticas” a mí me parecen
relevantes, tanto más si consideramos que el documento todavía trabaja con
evidencia parcial y sobre fenómenos recientes (MIT, 2026, pp. 3, 9).
El Undergraduate
Research Opportunities Program ofrece un caso concreto: algunos docentes
consideraban utilizar agentes de IA para tareas que antes podían asignarse a
estudiantes incorporados a proyectos de investigación, elección comprensible
desde una perspectiva de productividad inmediata, pero inaceptable desde una
visión formativa de capacidades de los estudiantes y una clausura a su
posibilidad de adquirir experiencia
mediante la participación en el trabajo de investigación y el contacto con
investigadores más experimentados (MIT, 2026, pp. 14–15).
Ese choque de
prioridades lleva al MIT a hablar de la necesidad de un contrato social
educativo, definido como “una comprensión compartida entre estudiantes,
docentes y el Instituto sobre los propósitos de la educación” (MIT, 2026, p. 8)
en el cual quedan integradas las reglas para el uso de la IA en tanto son parte
de relaciones preexistentes entre quienes enseñan, quienes aprenden y la
institución responsable de organizar esa experiencia (MIT, 2026, p. 8).
Ferrarelli y
Corvalán, en cambio, recuperan el paradigma del cuidado para examinar
cuestiones próximas: el manual urgente sitúa esta perspectiva dentro de
corrientes pedagógicas y políticas educativas anteriores a la expansión de la
IA, y desde allí analizan los discursos que valoran las tecnologías por la
automatización que permiten o por el ahorro de tiempo que prometen. También
ellas muestran cómo la evaluación educativa incorpora consideraciones
relacionadas con las condiciones de aprendizaje y con las responsabilidades de
las instituciones respecto de quienes participan en ellas (Ferrarelli &
Corvalán, 2026, pp. 33–34).
Este encuadre
explica la distinción del manual entre enseñar con IA y enseñar para la IA. Lo
primer refiere a situaciones de aprendizaje en las que estas tecnologías
cumplen alguna función pedagógica, lo segundo apunta a formar criterios para
comprender los sistemas algorítmicos que intervienen en ámbitos educativos y
sociales, estableciendo una distinción en la que el conocimiento de una
herramienta constituye una parte de la alfabetización, pero que necesariamente
debe estar acompañada del entendimiento de las decisiones inscritas en su
diseño y los efectos que puede producir su uso (Ferrarelli & Corvalán,
2026, pp. 36–37).
La materialidad modifica el problema
La
materialidad ocupa lugares diferentes en ambos trabajos: el informe del MIT
incluye la privacidad, la propiedad intelectual, las desigualdades de acceso y
la concentración empresarial entre los asuntos que una política institucional
debería considerar, y dedica atención al impacto ambiental (MIT, 2026, p. 27).
En el manual
urgente, esos elementos forman parte de la definición sociotécnica adoptada
desde el inicio y un capítulo completo estudia la infraestructura material dela IA, sus impactos ambientales y el trabajo humano presente en cadenas que
suelen aparecer ante el usuario como procesos automatizados, un análisis
integrado que se construye a partir de investigaciones previas sobre la
materialidad de la IA y el trabajo humano que sostiene su funcionamiento
(Ferrarelli & Corvalán, 2026, pp. 26–29).
La
perspectiva regional incorpora además la distribución geográfica de las
capacidades tecnológicas, para lo que las autoras recuperan el Atlas de
inteligencia artificial para el desarrollo humano en América Latina y el Caribe,
coordinado por Gustavo Beliz, que señala la concentración de centros de datos y
capacidad de cómputo fuera de la región y relaciona esa distribución con los
márgenes disponibles para desarrollar políticas tecnológicas propias (Beliz,
2025, como se citó en Ferrarelli & Corvalán, 2026, p. 34).
La
incorporación educativa de IA adquiere con ello un contenido específico, dado
que las escuelas de la región operan con condiciones muy diferentes entre sí de
infraestructura y disponibilidad de recursos, por lo que la adopción de IA se
analiza junto con las capacidades institucionales que permiten sostenerla y
someterla a criterios educativos (Ferrarelli & Corvalán, 2026, pp. 33–34).
En el MIT,
estos elementos forman parte de las responsabilidades que acompañan a una
política institucional, en cambio, en el texto de la UNSAM, intervienen en la
explicación de cómo se constituyen esas tecnologías.
Esa distinción
afecta el campo de decisión: una institución puede definir reglas de uso para
docentes y estudiantes, pero las condiciones reales de ese uso dependen de
proveedores e infraestructuras sobre los que la institución casi no tiene control.
Del criterio docente a la capacidad institucional
El informe
del MIT propone revisar las evaluaciones, reconsiderar algunos sistemas de
calificación, aumentar determinadas actividades presenciales y establecer
políticas explícitas por asignatura, a lo que se sumarían estructuras
encargadas de reunir evidencia y revisar las reglas adoptadas a medida que
cambian las tecnologías y se conocen mejor sus efectos (MIT, 2026, pp. 12–18,
28). Esta “revisión continua” ocupa un lugar importante en el informe, y el
Comité asume que las decisiones adoptadas en 2026 probablemente deberán
modificarse, lo que lo lleva a recomendar procedimientos capaces de producir
evidencia y corregir políticas a medida que se conocen mejor sus resultados
(MIT, 2026, p. 28).
Ferrarelli y
Corvalán encuentran una lógica semejante en algunos procesos regulatorios
argentinos, como, por ejemplo, la creación del Observatorio de Inteligencia
Artificial del Consejo Federal de Educación, donde hablan de “regulación
progresiva” como un proceso de producción de evidencia y de elaboración de
criterios que acompaña a un campo todavía inestable (2026, p. 44).
Los dos
trabajos asumen que las instituciones educativas ya están tomando decisiones
sobre IA, incluso cuando carecen de políticas explícitas de guía: el informe
del MIT responde mediante un programa de experimentación y revisión y el de Ferrarelli
y Corvalán insiste en conservar abierta la discusión sobre las condiciones de
incorporación de la tecnología, lo que las lleva a escribir una de mis frases
favoritas de su trabajo: “en un escenario donde las tecnologías suelen
presentarse como inevitables, recuperar la pregunta se vuelve un gesto
contracultural” (2026, p. 47).
Conclusión
El MIT
observa una universidad que necesita reorganizar prácticas educativas frente a
sistemas generativos ya integrados en la vida académica. El manual urgente
sitúa esas decisiones dentro de una estructura tecnológica cuya
infraestructura, recursos y capacidades están distribuidos de manera desigual.
Considerados
conjuntamente, los dos trabajos dejan planteada una pregunta que excede la
autorización o prohibición de herramientas, y que me parece mucho más
interesante que cualquiera de los dos extremos: ¿Cuál es el margen real que
conservan las instituciones educativas para definir las condiciones bajo las
cuales aceptan que esas tecnologías intervengan en la enseñanza?
Con más
coincidencias que diferencias, a pesar de las diferentes realidades y
posiciones de partidas, ambos informes nos invitan a complejizar las miradas
simples, a pensar las dobles funciones de la IA en la educación, a movernos más
allá de la “tecnología en el aula” para poner a ambas dentro de sociedades
situadas, desiguales y complejas de las que a veces parece esperarse que actúen
como islas inmunes a la conflictividad social, y eso, digo yo, tal vez sería la
mayor tragedia que podría llegar a ocurrirnos.
Referencias
Ferrarelli,
M., & Corvalán, N. (2026). Manual urgente sobre IA en el aula: Miradas y
análisis de la esfera digital desde Abya Yala. Colección Miradas del CESDi.
Massachusetts Institute of Technology. (2026, 13 de agosto). Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training.