La inteligencia artificial generativa está obligando a las universidades a revisar una cuestión más profunda que si ChatGPT debe permitirse o prohibirse en clase: ¿qué significa aprender cuando una IA puede resolver buena parte de las tareas utilizadas tradicionalmente para enseñar, practicar y evaluar?
Esta pregunta está en el centro del informe publicado el 13 de agosto de 2026 por el Comité Ad Hoc del MIT sobre el uso de IA en la enseñanza, el aprendizaje y la formación en investigación. Su alcance es específico: analiza la experiencia educativa del MIT, incluyendo estudiantes de pregrado y posgrado, docentes, asignaturas, evaluación, investigación y vida académica residencial. No es un estudio sobre educación primaria o secundaria ni pretende establecer una política universal para todos los niveles educativos.
El punto de partida del informe es claro: la IA generativa ya forma parte de la educación universitaria y su impacto no puede abordarse únicamente mediante prohibiciones, permisos o ajustes menores. Para el MIT, la cuestión exige revisar qué conocimientos y capacidades deben desarrollar los estudiantes, cómo deben aprenderlos y cómo puede comprobarse que realmente los han adquirido. AI-Committee-Final-Report-Aug-13
La IA ya está modificando la experiencia universitaria
El MIT señala que sus estudiantes utilizan IA de manera frecuente, aunque con actitudes diversas que incluyen curiosidad, inspiración, preocupación y ansiedad. Entre los docentes, las posiciones también varían desde la adopción activa hasta el escepticismo o el rechazo.
El informe reconoce oportunidades importantes para desarrollar nuevas experiencias educativas, pero también identifica efectos que considera preocupantes: mayor aislamiento, dificultades para evaluar el aprendizaje individual, pérdida de dominio y confianza en algunos estudiantes y debilitamiento de las relaciones entre docentes y alumnos. También observa alteraciones en prácticas características del entorno universitario del MIT, como los conjuntos de problemas, los exámenes realizados fuera del aula, las tutorías, los grupos de estudio y determinadas experiencias de investigación.
Esto lleva al comité a una conclusión relevante: probablemente muchas asignaturas deban ser revisadas para convertirse en cursos “conscientes de la IA”, es decir, diseñados asumiendo que estas herramientas existen y que los estudiantes pueden utilizarlas.
Obtener una respuesta correcta no significa haber aprendido
Uno de los problemas centrales identificados por el MIT es la creciente separación entre producir un resultado y desarrollar la capacidad necesaria para producirlo.
Los modelos generativos ya pueden resolver problemas matemáticos, producir código, escribir ensayos y responder de forma razonable a una amplia variedad de tareas universitarias. El informe reconoce que estas capacidades ofrecen nuevas oportunidades, pero también advierte que pueden facilitar que el estudiante transfiera a la IA parte del esfuerzo cognitivo que debería contribuir a su formación.
El comité menciona señales tempranas de que una dependencia excesiva de los chatbots puede disminuir el pensamiento crítico, debilitar la memoria, erosionar la confianza y dificultar el dominio profundo de una materia.
Utiliza además el concepto de “rendición cognitiva” para describir situaciones en las que el estudiante recurre inmediatamente a la IA ante una dificultad, evitando precisamente el esfuerzo intelectual necesario para construir comprensión.
Desde esta perspectiva, cierta dificultad forma parte del aprendizaje universitario. Resolver problemas, revisar errores, formular hipótesis, argumentar y reconsiderar decisiones son procesos mediante los cuales se desarrolla criterio, no simples obstáculos que deban eliminarse mediante automatización.
Aumentación, no automatización
Uno de los principios más importantes del informe es “augmentation not automation”: aumentación en lugar de automatización.
La propuesta del MIT no consiste en excluir la inteligencia artificial del aprendizaje universitario. Por el contrario, reconoce que puede ampliar considerablemente las posibilidades de investigación, creación, análisis y experimentación.
El criterio es diferente: la IA debería ampliar las capacidades del estudiante sin sustituir sistemáticamente el proceso intelectual que se pretende desarrollar.
El informe señala que la IA puede facilitar tutorías personalizadas, análisis de datos, investigación, desarrollo de herramientas y proyectos que anteriormente habrían sido demasiado complejos para realizarse dentro del tiempo disponible en una asignatura.
Por tanto, el problema no es utilizar IA, sino determinar qué parte del trabajo conviene delegar y qué parte debe seguir realizando la persona para conservar o desarrollar autonomía, comprensión y juicio.
Los 8 principios del MIT para integrar la IA en la educación universitaria
El comité propone ocho principios rectores para orientar esa transformación:
- Ser humilde. La IA evoluciona con demasiada rapidez para asumir que las políticas actuales serán definitivas. La experimentación y la corrección continua serán necesarias.
- Ser audaz. La incertidumbre no justifica la inacción. El MIT considera que la respuesta debe ser estratégica y no limitarse a ajustes superficiales.
- Poner a las personas en el centro. La eficiencia tecnológica no debería sustituir relaciones, experiencias de formación ni oportunidades de aprendizaje que dependen de la interacción humana.
- Priorizar el aprendizaje. El proceso educativo debe favorecer crecimiento intelectual, imaginación, juicio y capacidad metacognitiva, no únicamente la obtención de calificaciones o resultados.
- Enseñar con intencionalidad. Antes de decidir si la IA se permite, limita o exige, debe definirse qué debe aprender el estudiante y qué capacidades debe desarrollar.
- Evitar una política única para todos. La relación adecuada con la IA cambia según la disciplina, el tipo de tarea y el nivel de formación del estudiante.
- Aumentar, no automatizar. La IA debería ampliar la curiosidad, la creatividad y la resolución de problemas, no sustituir el esfuerzo intelectual necesario para desarrollar esas capacidades.
- Pensar más allá del aula. La universidad debe preparar a los estudiantes para utilizar IA con criterio en el trabajo, la investigación y la sociedad, considerando también las consecuencias de sus decisiones.
El nivel de formación importa
El propio informe establece una distinción importante dentro de la educación superior.
Un estudiante de primeros años que está construyendo conocimientos fundamentales no se encuentra en la misma situación que un doctorando que utiliza IA para acelerar una revisión bibliográfica en un campo que ya domina.
Esta diferencia explica por qué el MIT rechaza una política institucional uniforme para todos los cursos y estudiantes.
Una herramienta puede ser apropiada en una fase avanzada de formación y, al mismo tiempo, perjudicial si sustituye una competencia que un estudiante todavía necesita construir.
El criterio, por tanto, no debería limitarse a preguntar “¿puede utilizarse IA?”, sino también “¿qué capacidad debe desarrollar esta persona en esta etapa de su formación?”.
Primero el objetivo de aprendizaje, después la herramienta
El MIT propone apoyarse en el enfoque conocido como backward design o diseño inverso.
En lugar de comenzar decidiendo si la IA está permitida o prohibida, el docente debería definir primero qué espera que el estudiante conozca, sea capaz de hacer y aprenda a valorar. Después puede diseñar las actividades y evaluaciones necesarias para alcanzar esos resultados y decidir si la IA contribuye o interfiere con ellos.
Este enfoque modifica el centro de la discusión.
La política ya no se diseña alrededor de ChatGPT, Claude, Gemini o cualquier herramienta específica. Se diseña alrededor del objetivo formativo.
La IA pasa entonces de ser el punto de partida a convertirse en una variable dentro del diseño educativo.
La evaluación universitaria también debe cambiar
La capacidad de los modelos generativos para responder adecuadamente a tareas universitarias plantea un problema directo para la evaluación.
Si una IA puede resolver un ejercicio, redactar un ensayo o generar código fuera del aula, ese producto ya no demuestra necesariamente qué sabe hacer el estudiante por sí mismo. El MIT considera que esta situación obliga a reconsiderar determinadas formas tradicionales de evaluación.
El informe no propone simplemente sustituir todas las tareas por exámenes presenciales. Advierte que una dependencia excesiva de evaluaciones rápidas y de alta presión también puede perjudicar el aprendizaje.
Entre las alternativas planteadas aparecen exámenes orales, portafolios desarrollados durante el semestre, trabajos fuera del aula acompañados de conversaciones presenciales y una mayor presencia del aprendizaje experiencial y basado en proyectos. Markdown pegado
El objetivo es observar no solamente el resultado final, sino también la comprensión, el razonamiento y la capacidad del estudiante para explicar y defender sus decisiones.
La IA también puede ampliar lo que un estudiante puede hacer
El informe no adopta una posición contraria a la tecnología.
El MIT reconoce que la IA puede permitir proyectos universitarios más ambiciosos. En áreas como desarrollo de software, arquitectura, investigación o análisis de datos, determinadas tareas técnicas pueden acelerarse lo suficiente para que los estudiantes dediquen más tiempo a diseño, experimentación, validación y análisis de problemas de mayor complejidad. Markdown pegado
Ese es precisamente el sentido de la aumentación: utilizar la tecnología para elevar el nivel del problema que una persona puede abordar, en lugar de utilizarla únicamente para reducir al mínimo su participación.
No toda automatización representa aprendizaje
El planteamiento del MIT tiene una implicación que trasciende el aula universitaria.
Cuando una actividad puede automatizarse, resulta tentador considerar que automatizarla siempre constituye una mejora. Pero determinadas tareas cumplen dos funciones simultáneas: producen un resultado y desarrollan una capacidad.
Escribir permite producir un texto, pero también organiza el pensamiento. Programar produce software, pero también desarrolla lógica y capacidad para descomponer problemas. Resolver ejercicios produce respuestas, pero también construye modelos mentales.
Cuando la IA realiza completamente esas tareas, puede aumentar la eficiencia inmediata y al mismo tiempo reducir las oportunidades para desarrollar las capacidades asociadas.
La pregunta relevante deja entonces de ser simplemente qué puede hacer la IA.
La cuestión pasa a ser qué queremos que siga siendo capaz de hacer la persona.
Una transformación específica de la educación superior
El informe del MIT no establece cómo deberían utilizarse los modelos generativos en todos los niveles educativos. Su análisis está situado en una universidad intensiva en investigación, con estudiantes de pregrado y posgrado y una fuerte tradición de aprendizaje práctico.
Sin embargo, dentro de ese contexto, su posición es clara: la respuesta a la IA no consiste ni en intentar preservar intacta la universidad anterior a los modelos generativos ni en automatizar indiscriminadamente las actividades académicas.
El MIT propone revisar objetivos, contenidos, evaluación, políticas y experiencias de aprendizaje para formar estudiantes capaces de utilizar IA sin perder autonomía intelectual.
Pensamiento crítico, juicio, iniciativa, creatividad, colaboración y capacidad para comprender las consecuencias de las propias decisiones siguen ocupando un lugar central.
Por eso, el desafío de la educación universitaria no consiste simplemente en enseñar a utilizar inteligencia artificial.
Consiste en enseñar a utilizarla sin delegar en ella el proceso mediante el cual se aprende a pensar.