Vanessa Medina Amienta
La IA mejora los textos individuales pero los hace más parecidos entre sí. Un metaanálisis de 29 estudios confirma beneficios moderados en pensamiento de orden superior, pero mayores para quienes ya tienen capacidad de autorregulación.
El verdadero riesgo no está en el estudiante sino en la institución: 104 de 161 IES mexicanas promueven herramientas de IA gratuitas sin definir para qué ni hasta dónde, integrando por defecto valores que nadie en la universidad eligió.
La inteligencia artificial puede hacer mejor a cada estudiante y, al mismo tiempo, más parecidos entre sí a todos. Es una tensión que ninguna calificación individual detecta.
En 2024, dos investigadores de universidades británicas, Anil Doshi y Oliver Hauser, publicaron en Science Advances los resultados de un experimento en apariencia sencillo.
Pidieron a un grupo de personas escribir cuentos cortos y a una parte le dieron la opción de pedir ideas a un modelo de lenguaje. Los cuentos escritos con esas ideas fueron evaluados como más creativos, mejor escritos y más disfrutables, sobre todo entre quienes partían con menor creatividad.
Hasta ahí, una buena noticia. Pero el estudio encontró algo más: los textos apoyados por la IA se parecían más entre sí que los escritos sin ella. Los autores lo describieron como un dilema social. Cada persona sale ganando por separado; en conjunto, se produce un repertorio más estrecho de ideas nuevas.
El experimento no se hizo con estudiantes universitarios ni en un salón de clases. Aun así, describe con precisión incómoda una tensión que la educación superior apenas empieza a nombrar.
Este martes 8 de septiembre, durante la Digital Learning Week que se celebra en París hasta mañana, la UNESCO publicó The algorithm in the room, una colección de 26 textos breves sobre las implicaciones de la IA para el futuro de la educación. El volumen surgió de una convocatoria abierta a estudiantes, docentes, investigadores y responsables de política educativa, y sus ideas pertenecen a sus autores, no son posturas oficiales del organismo. Varias de esas piezas apuntan en la misma dirección que el experimento de Doshi y Hauser.
Conviene empezar por reconocer lo que sí sabemos, porque la evidencia disponible no respalda la versión alarmista.
Un metaanálisis publicado en diciembre de 2025 en Journal of Intelligence, que integró 29 estudios experimentales y cuasiexperimentales, encontró que la IA generativa tiene un efecto positivo moderado en el pensamiento de orden superior de los estudiantes: más alto en resolución de problemas, después en pensamiento crítico y más bajo en creatividad. Sus autores reconocen que hacen falta estudios de largo plazo.
La unidad de medida
El debate universitario sobre IA ha girado casi por completo en torno a una sola unidad de medida: el estudiante. ¿Aprende más o menos? ¿Escribe mejor o peor? ¿Su trabajo es realmente suyo? Son preguntas legítimas y en este espacio las hemos examinado. Pero todas se responden de una persona a la vez.
La universidad no vale solo por lo que cada egresado sabe hacer. Vale porque su comunidad, en conjunto, formula preguntas distintas, sostiene desacuerdos productivos y produce ideas que antes no existían.
Esa diversidad es un bien colectivo, y ninguna boleta de calificaciones la registra. Una generación puede obtener mejores notas que la anterior y, al mismo tiempo, pensar de forma más homogénea, sin que los indicadores habituales lo adviertan.
Por qué se parecen
Una de las piezas del volumen de UNESCO ofrece una explicación. Aristotelis Ioannis Paschalidis, doctorando en Filosofía en la Universidad de Nottingham, describe lo que llama el “enfoque predeterminado”: los modelos de lenguaje favorecen ciertas palabras, estructuras y estilos, y esa inclinación resulta tanto de los datos con los que fueron entrenados como de las pautas de respuesta que cada empresa incorpora.
Él mismo lo plantea como hipótesis: si una parte creciente de lo que escribimos pasa por los mismos valores predeterminados, el lenguaje tiende a uniformarse.
Victoria Livingstone y Jeppe Klitgaard Stricker llevan esa preocupación del lenguaje a las preguntas. Advierten que podemos aprender, sin darnos cuenta, a formular las preguntas que la IA responde bien y a abandonar las que no. Para ellos, el riesgo más serio está en que nuestras prioridades intelectuales cambien sin discusión ni reflexión.
Camille Fabo, becaria doctoral en Teachers College de la Universidad de Columbia, completa el cuadro: las empresas que diseñan y entrenan estos modelos se están convirtiendo, de hecho, en educadoras de millones de personas.
Quienes corrigen las respuestas de un modelo durante su entrenamiento funcionan como sus maestros; después, el modelo se vuelve maestro de quienes lo usan.
La decisión que nadie tomó
Llevemos esto a México.
El diagnóstico nacional del Observatorio Interinstitucional de IA en la Educación Superior (OIIAES) de la ANUIES, que abarcó 161 instituciones en 31 entidades, reporta que 104 de ellas —el 64.6 por ciento— promueven el uso de herramientas de IA gratuitas.
No es un reproche.
Con presupuestos limitados, promover herramientas gratuitas es una respuesta razonable y, a veces, la única al alcance. Pero conviene entender lo que implica. Una herramienta de propósito general llega con su configuración de fábrica: qué tono suena natural, qué estructura parece un buen argumento, qué pregunta luce bien planteada.
Cuando una institución la promueve sin definir para qué y hasta dónde, esos valores predeterminados se integran, en la práctica, a su proyecto formativo.
Y no los eligió nadie dentro de la universidad.
Hay además una asimetría. En el metaanálisis citado, el beneficio de la IA fue considerablemente mayor entre estudiantes con alta capacidad de autorregulación —quienes ya saben organizar, vigilar y corregir su propio aprendizaje— y mucho menor entre quienes no la tienen.
Sin diseño pedagógico, una herramienta no reparte sus ventajas de forma pareja: tiende a favorecer a quien menos acompañamiento necesita.
Ver el algoritmo
La conclusión del volumen de UNESCO propone tres horizontes: ver el algoritmo, dirigirlo y reescribirlo. El primero es inmediato. Consiste en reconocer dónde actúa ya la IA en la pedagogía, el currículo y las decisiones educativas, y en explicitar con qué propósito se incorpora cada herramienta a un trayecto formativo.
El documento añade que el potencial de estas tecnologías solo se alcanza si los educadores pueden decidir si las usan, cómo, y cuándo no.
Para una universidad mexicana, eso se traduce en decisiones concretas. La primera: saber qué herramientas promueve y con qué propósito declarado. La segunda: identificar los momentos de la formación en los que la variedad de voces y de preguntas es el objetivo mismo —la tesis, el seminario, el taller de escritura— y diseñar ahí el uso de la IA con intención.
Livingstone y Stricker proponen, por ejemplo, usarla para acotar un tema y después exigir trabajo directo con fuentes y discusión en grupo. La tercera: preguntarse cómo sabría la institución si sus estudiantes, generación tras generación, empiezan a escribir y a preguntar de forma cada vez más parecida.
Toda tecnología llega con configuración de fábrica. Gobernarla empieza por algo menos espectacular que una ley o una plataforma nueva: convertir cada valor predeterminado en una decisión.
