Mgtr. Gerardo David Machado
Un desajuste de cadencias
La discusión sobre inteligencia artificial y educación superior suele plantearse desde una óptica reduccionista como un dilema de adopción: prohibir o incorporar la herramienta. Ese encuadre desestima el problema más complejo. La capacidad de la IA agéntica – sistemas que ya no se limitan a sugerir, sino que ejecutan tareas completas y complejas de forma autónoma, tomando decisiones y realizando acciones por sí mismos (Wang et al., 2024) – se renueva en ciclos de meses; hacia 2025, con actualizaciones de modelos y herramientas cada pocas semanas. Por otra parte, la currícula, la formación docente y las normas institucionales se revisan en ciclos de años. Entre las velocidades de ambos ciclos se amplifica un desajuste que ninguna decisión de “adoptar o prohibir”, tomada una sola vez, resuelve de manera efectiva.
La tesis
Este ensayo sostiene que la educación superior enfrenta la adopción masiva de IA agéntica con un supuesto equivocado: que adaptarse es un acto único – reformar la currícula, fijar una norma de uso – y no un proceso continuo. El supuesto falla por dos razones. La primera es que el objeto al que hay que adaptarse no deja de moverse: toda adaptación diseñada para el estado actual de la herramienta queda desfasada frente a la generación siguiente. La segunda es que la IA agéntica no incide en la periferia del proceso formativo, sino en su núcleo: la relación entre lo que el estudiante produce, lo que la evaluación mide y lo que efectivamente aprende. El argumento no busca demostrar empíricamente un efecto, sino fundamentar por qué las respuestas habituales resultan estructuralmente insuficientes y qué propiedades debería reunir una respuesta adecuada.
Cuando la evaluación deja de medir lo que certifica
Una evaluación es válida en la medida en que mide el constructo que dice medir: un examen de análisis de datos es válido si mide la capacidad de analizar datos, no la destreza para obtener el resultado por otra vía. Esta es la validez de constructo, condición que sostiene el valor de una calificación (Shadish et al., 2002).
La IA agéntica erosiona esa condición de un modo particular. No se limita a asistir en pasos intermedios, como un motor de búsqueda o una calculadora científica: ejecuta la tarea evaluada de principio a fin. Cuando el agente produce el análisis, la demostración o el informe completo, la evaluación de ese producto ya no mide el aprendizaje del estudiante, sino la capacidad de la herramienta. El instrumento evaluativo conserva su forma – consigna, rúbrica, nota – mientras pierde silenciosamente aquello que pretendía capturar:
no se vuelve más fácil de aprobar, se vuelve incapaz de distinguir a quien aprendió de quien no.
De aquí se sigue una paradoja. Cuanto más integra una institución estas herramientas – y la presión por hacerlo es considerablemente alta -, más tareas evaluativas quedan expuestas a su ejecución autónoma, y menos aprendizaje mide su sistema de evaluación. La credencial que esa evaluación respalda deriva su valor de una señal: certifica ante terceros el dominio de ciertas competencias. Si el instrumento deja de discriminar competencia, la señal se degrada aunque el título siga emitiéndose. Y como la capacidad del agente no deja de expandirse, este colapso no se corrige de una sola vez: cada ajuste del instrumento es alcanzado por la generación siguiente de la herramienta agéntica.
El rendimiento asciende; el aprendizaje, no necesariamente
La psicología cognitiva distingue desde hace décadas entre el desempeño observable en un momento determinado y el aprendizaje durable, aquel que persiste y se transfiere a contextos nuevos. Bjork (1994) mostró que ciertas condiciones que dificultan el desempeño inmediato – las “dificultades deseables” – son precisamente las que consolidan el aprendizaje de largo plazo, de modo que un desempeño fluido puede convivir con una retención pobre (Bjork & Bjork, 2011). En la misma dirección, Slamecka y Graf (1978) documentaron el efecto de generación: el material que el estudiante produce por sí mismo se retiene mejor que el que solo lee.
La IA agéntica opera sobre ese punto. Cuando un agente redacta el análisis, resuelve el problema o escribe el código de principio a fin, el estudiante entrega un producto de calidad superior sin haber atravesado el esfuerzo generativo del que depende el aprendizaje. La dificultad deseable se elimina, el producto mejora y el aprendizaje que ese producto debía evidenciar puede sencillamente no ocurrir. No se trata de una certeza empírica sobre la IA agéntica – la evidencia directa es todavía incipiente -, sino de una inferencia derivada de mecanismos establecidos. Un dato reciente resulta congruente, aunque referido al uso general de herramientas de IA y no específicamente a sistemas agénticos: Gerlich (2025) halló que su uso frecuente se asocia negativamente con el pensamiento crítico, con la descarga cognitiva como factor mediador.
Por qué las respuestas habituales no alcanzan
Frente a este panorama, las instituciones ensayan tres respuestas, y las tres comparten un supuesto que las debilita: tratan la adaptación como un ajuste único y definitivo. La prohibición presume que el uso puede excluirse del proceso formativo; no puede, porque la herramienta es ubicua, con frecuencia gratuita y difícil de detectar, de modo que prohibirla no elimina el uso sino que lo desplaza fuera de la vista del docente, donde ni siquiera puede orientarse. La detección apuesta a un instrumento que identifique el producto generado por IA, pero enfrenta a agentes cuya capacidad se renueva más rápido de lo que cualquier detector puede seguir: una carrera que se pierde por diseño. La adopción acrítica – integrar la herramienta sin rediseñar la evaluación – evita esa carrera, pero acelera la sustitución del esfuerzo generativo y expone aún más tareas a la ejecución autónoma. Esto no implica que la IA no pueda apoyar el aprendizaje: bien diseñada, puede hacerlo cuando preserva el esfuerzo del estudiante en lugar de reemplazarlo. El problema no es la herramienta, sino integrarla sin rediseñar lo que se evalúa.
Conviene anticipar una objeción. Los motores de búsqueda y las calculadoras científicas también desplazaron tareas, y las instituciones se adaptaron redefiniendo qué evaluaban. La diferencia es de alcance y de cadencia: aquellas herramientas desplazaban un paso – el cálculo, la consulta – dentro de una tarea que seguía exigiendo integración del estudiante; el agente ejecuta la tarea completa. Y mientras la aritmética permaneció establemente desplazada, la capacidad agéntica sigue expandiéndose: cada redefinición es alcanzada por la generación siguiente. El problema no es adaptarse una vez, sino que el objeto al que hay que adaptarse, no deja de moverse.
Qué propiedades necesita una respuesta adecuada
Si el problema combina un blanco móvil con una erosión del constructo evaluado, la respuesta no puede ser una reforma curricular más. Debe reunir dos propiedades, ninguna de las cuales es un procedimiento cerrado sino un modo de operar. La primera es la revisión continua en lugar de la reforma episódica: una currícula que se actualiza cada varios años quedará desfasada de una capacidad que se renueva en semanas o meses, y el desajuste no se corrige adelantando la próxima reforma, sino cambiando su frecuencia. Supone tratar la adaptación como un proceso permanente de observación y ajuste, más cercano a la mejora continua que a la planificación quinquenal.
La segunda es una evaluación centrada en el proceso más que en el producto. Si el producto terminado es precisamente lo que el agente puede generar, evaluar solo el producto es evaluar lo que la herramienta hace, no lo que el estudiante aprendió. Recuperar la validez del constructo exige desplazar el peso evaluativo hacia aquello que el agente no puede sustituir con igual facilidad: la justificación de las decisiones en instancias de interacción directa, la deliberación entre alternativas, la defensa del razonamiento. Esa evaluación no es un refugio estático permanente – los agentes también progresan en explicar y argumentar -, y por eso mismo depende de la primera propiedad: solo la revisión continua mantiene la evaluación un paso adelante de aquello que la herramienta ya puede imitar.
Estas dos propiedades no constituyen una solución cerrada ni han sido validadas empíricamente como tales; son las condiciones que, por la naturaleza del problema, una respuesta adecuada debería satisfacer. Parte de esa adaptación consiste, incluso, en decidir qué competencias vale la pena certificar. Especificar los dispositivos concretos que las realicen en cada disciplina es una tarea abierta, y deliberadamente se deja como tal.
Reconocer que el desafío tiene forma de proceso y no de evento cambia qué se le pide a una institución. Deja de bastar una buena decisión sobre la IA y pasa a requerirse una capacidad instalada para decidir de nuevo, periódicamente, sobre una herramienta que no será la misma el año próximo. Es un desplazamiento incómodo: sustituye la tranquilidad de haber resuelto el problema por la exigencia de gestionarlo de modo permanente. Pero es el que la naturaleza del problema impone. La pregunta que queda abierta no es si la educación superior debe adaptarse a la IA agéntica – eso ya no se discute -, sino si sus estructuras de decisión, pensadas para un mundo de cambio lento, pueden operar a la cadencia que este cambio de paradigma exige.
Pregunta de reflexión: ¿estamos preparados como institución para revisar continuamente qué evaluamos y por qué, o solo para hacerlo cuando el desfase se volvió inevitablemente visible?