![\"\"](\"https:\/\/visiones360.fcejs.unsl.edu.ar\/wp-content\/uploads\/2026\/08\/gerardo_machado_aug_2026.png\")
<\/p>\n\n\n\n<\/p>\n\n\n\n
Mgtr. Gerardo David Machado<\/strong> <\/p>\n\n\n\n La discusi\u00f3n sobre inteligencia artificial y educaci\u00f3n superior suele plantearse desde una \u00f3ptica reduccionista como un dilema de adopci\u00f3n: prohibir o incorporar la herramienta. Ese encuadre desestima el problema m\u00e1s complejo. La capacidad de la IA ag\u00e9ntica – sistemas que ya no se limitan a sugerir, sino que ejecutan tareas completas y complejas de forma aut\u00f3noma, tomando decisiones y realizando acciones por s\u00ed 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 curr\u00edcula, la formaci\u00f3n docente y las normas institucionales se revisan en ciclos de a\u00f1os. Entre las velocidades de ambos ciclos se amplifica un desajuste que ninguna decisi\u00f3n de \u201cadoptar o prohibir\u201d, tomada una sola vez, resuelve de manera efectiva.<\/p>\n\n\n\n Este ensayo sostiene que la educaci\u00f3n superior enfrenta la adopci\u00f3n masiva de IA ag\u00e9ntica con un supuesto equivocado: que adaptarse es un acto \u00fanico – reformar la curr\u00edcula, 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 adaptaci\u00f3n dise\u00f1ada para el estado actual de la herramienta queda desfasada frente a la generaci\u00f3n siguiente. La segunda es que la IA ag\u00e9ntica no incide en la periferia del proceso formativo, sino en su n\u00facleo: la relaci\u00f3n entre lo que el estudiante produce, lo que la evaluaci\u00f3n mide y lo que efectivamente aprende. El argumento no busca demostrar emp\u00edricamente un efecto, sino fundamentar por qu\u00e9 las respuestas habituales resultan estructuralmente insuficientes y qu\u00e9 propiedades deber\u00eda reunir una respuesta adecuada.<\/p>\n\n\n\n Una evaluaci\u00f3n es v\u00e1lida en la medida en que mide el constructo que dice medir: un examen de an\u00e1lisis de datos es v\u00e1lido si mide la capacidad de analizar datos, no la destreza para obtener el resultado por otra v\u00eda. Esta es la validez de constructo, condici\u00f3n que sostiene el valor de una calificaci\u00f3n (Shadish et al., 2002).<\/p>\n\n\n\n La IA ag\u00e9ntica erosiona esa condici\u00f3n de un modo particular. No se limita a asistir en pasos intermedios, como un motor de b\u00fasqueda o una calculadora cient\u00edfica: ejecuta la tarea evaluada de principio a fin. Cuando el agente produce el an\u00e1lisis, la demostraci\u00f3n o el informe completo, la evaluaci\u00f3n de ese producto ya no mide el aprendizaje del estudiante, sino la capacidad de la herramienta. El instrumento evaluativo conserva su forma – consigna, r\u00fabrica, nota – mientras pierde silenciosamente aquello que pretend\u00eda capturar:<\/p>\n\n\n\n no se vuelve m\u00e1s f\u00e1cil de aprobar, se vuelve incapaz de distinguir a quien aprendi\u00f3 de quien no.<\/p>\n\n\n\n De aqu\u00ed se sigue una paradoja. Cuanto m\u00e1s integra una instituci\u00f3n estas herramientas – y la presi\u00f3n por hacerlo es considerablemente alta -, m\u00e1s tareas evaluativas quedan expuestas a su ejecuci\u00f3n aut\u00f3noma, y menos aprendizaje mide su sistema de evaluaci\u00f3n. La credencial que esa evaluaci\u00f3n respalda deriva su valor de una se\u00f1al: certifica ante terceros el dominio de ciertas competencias. Si el instrumento deja de discriminar competencia, la se\u00f1al se degrada aunque el t\u00edtulo siga emiti\u00e9ndose. 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 generaci\u00f3n siguiente de la herramienta ag\u00e9ntica.<\/p>\n\n\n\n La psicolog\u00eda cognitiva distingue desde hace d\u00e9cadas entre el desempe\u00f1o observable en un momento determinado y el aprendizaje durable, aquel que persiste y se transfiere a contextos nuevos. Bjork (1994) mostr\u00f3 que ciertas condiciones que dificultan el desempe\u00f1o inmediato – las \u201cdificultades deseables\u201d – son precisamente las que consolidan el aprendizaje de largo plazo, de modo que un desempe\u00f1o fluido puede convivir con una retenci\u00f3n pobre (Bjork & Bjork, 2011). En la misma direcci\u00f3n, Slamecka y Graf (1978) documentaron el efecto de generaci\u00f3n: el material que el estudiante produce por s\u00ed mismo se retiene mejor que el que solo lee.<\/p>\n\n\n\n La IA ag\u00e9ntica opera sobre ese punto. Cuando un agente redacta el an\u00e1lisis, resuelve el problema o escribe el c\u00f3digo 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 deb\u00eda evidenciar puede sencillamente no ocurrir. No se trata de una certeza emp\u00edrica sobre la IA ag\u00e9ntica – la evidencia directa es todav\u00eda 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 espec\u00edficamente a sistemas ag\u00e9nticos: Gerlich (2025) hall\u00f3 que su uso frecuente se asocia negativamente con el pensamiento cr\u00edtico, con la descarga cognitiva como factor mediador.<\/p>\n\n\n\n Frente a este panorama, las instituciones ensayan tres respuestas, y las tres comparten un supuesto que las debilita: tratan la adaptaci\u00f3n como un ajuste \u00fanico y definitivo. La prohibici\u00f3n presume que el uso puede excluirse del proceso formativo; no puede, porque la herramienta es ubicua, con frecuencia gratuita y dif\u00edcil 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 detecci\u00f3n apuesta a un instrumento que identifique el producto generado por IA, pero enfrenta a agentes cuya capacidad se renueva m\u00e1s r\u00e1pido de lo que cualquier detector puede seguir: una carrera que se pierde por dise\u00f1o. La adopci\u00f3n acr\u00edtica – integrar la herramienta sin redise\u00f1ar la evaluaci\u00f3n – evita esa carrera, pero acelera la sustituci\u00f3n del esfuerzo generativo y expone a\u00fan m\u00e1s tareas a la ejecuci\u00f3n aut\u00f3noma. Esto no implica que la IA no pueda apoyar el aprendizaje: bien dise\u00f1ada, puede hacerlo cuando preserva el esfuerzo del estudiante en lugar de reemplazarlo. El problema no es la herramienta, sino integrarla sin redise\u00f1ar lo que se eval\u00faa.<\/p>\n\n\n\n Conviene anticipar una objeci\u00f3n. Los motores de b\u00fasqueda y las calculadoras cient\u00edficas tambi\u00e9n desplazaron tareas, y las instituciones se adaptaron redefiniendo qu\u00e9 evaluaban. La diferencia es de alcance y de cadencia: aquellas herramientas desplazaban un paso – el c\u00e1lculo, la consulta – dentro de una tarea que segu\u00eda exigiendo integraci\u00f3n del estudiante; el agente ejecuta la tarea completa. Y mientras la aritm\u00e9tica permaneci\u00f3 establemente desplazada, la capacidad ag\u00e9ntica sigue expandi\u00e9ndose: cada redefinici\u00f3n es alcanzada por la generaci\u00f3n siguiente. El problema no es adaptarse una vez, sino que el objeto al que hay que adaptarse, no deja de moverse.<\/p>\n\n\n\n Si el problema combina un blanco m\u00f3vil con una erosi\u00f3n del constructo evaluado, la respuesta no puede ser una reforma curricular m\u00e1s. Debe reunir dos propiedades, ninguna de las cuales es un procedimiento cerrado sino un modo de operar. La primera es la revisi\u00f3n continua en lugar de la reforma epis\u00f3dica: una curr\u00edcula que se actualiza cada varios a\u00f1os quedar\u00e1 desfasada de una capacidad que se renueva en semanas o meses, y el desajuste no se corrige adelantando la pr\u00f3xima reforma, sino cambiando su frecuencia. Supone tratar la adaptaci\u00f3n como un proceso permanente de observaci\u00f3n y ajuste, m\u00e1s cercano a la mejora continua que a la planificaci\u00f3n quinquenal.<\/p>\n\n\n\n La segunda es una evaluaci\u00f3n centrada en el proceso m\u00e1s 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 aprendi\u00f3. Recuperar la validez del constructo exige desplazar el peso evaluativo hacia aquello que el agente no puede sustituir con igual facilidad: la justificaci\u00f3n de las decisiones en instancias de interacci\u00f3n directa, la deliberaci\u00f3n entre alternativas, la defensa del razonamiento. Esa evaluaci\u00f3n no es un refugio est\u00e1tico permanente – los agentes tambi\u00e9n progresan en explicar y argumentar -, y por eso mismo depende de la primera propiedad: solo la revisi\u00f3n continua mantiene la evaluaci\u00f3n un paso adelante de aquello que la herramienta ya puede imitar.<\/p>\n\n\n\n Estas dos propiedades no constituyen una soluci\u00f3n cerrada ni han sido validadas emp\u00edricamente como tales; son las condiciones que, por la naturaleza del problema, una respuesta adecuada deber\u00eda satisfacer. Parte de esa adaptaci\u00f3n consiste, incluso, en decidir qu\u00e9 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.<\/p>\n\n\n\n Reconocer que el desaf\u00edo tiene forma de proceso y no de evento cambia qu\u00e9 se le pide a una instituci\u00f3n. Deja de bastar una buena decisi\u00f3n sobre la IA y pasa a requerirse una capacidad instalada para decidir de nuevo, peri\u00f3dicamente, sobre una herramienta que no ser\u00e1 la misma el a\u00f1o pr\u00f3ximo. Es un desplazamiento inc\u00f3modo: 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 educaci\u00f3n superior debe adaptarse a la IA ag\u00e9ntica – eso ya no se discute -, sino si sus estructuras de decisi\u00f3n, pensadas para un mundo de cambio lento, pueden operar a la cadencia que este cambio de paradigma exige.<\/p>\n\n\n\n Pregunta de reflexi\u00f3n:<\/em><\/strong> \u00bfestamos preparados como instituci\u00f3n para revisar continuamente qu\u00e9 evaluamos y por qu\u00e9, o solo para hacerlo cuando el desfase se volvi\u00f3 inevitablemente visible?<\/em> Mgtr. Gerardo David Machado Un desajuste de cadencias La discusi\u00f3n sobre inteligencia artificial y educaci\u00f3n superior suele plantearse desde una \u00f3ptica reduccionista como un dilema de adopci\u00f3n: prohibir o incorporar la herramienta. Ese encuadre desestima el problema m\u00e1s complejo. La capacidad de la IA ag\u00e9ntica – sistemas que ya no se limitan a sugerir, sino que ejecutan tareas completas y complejas de forma aut\u00f3noma, tomando decisiones y realizando acciones por s\u00ed 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 curr\u00edcula, la formaci\u00f3n docente y las normas institucionales se revisan en ciclos de a\u00f1os. Entre las velocidades de ambos ciclos se amplifica un desajuste que ninguna decisi\u00f3n de \u201cadoptar o prohibir\u201d, tomada una sola vez, resuelve de manera efectiva. La tesis Este ensayo sostiene que la educaci\u00f3n superior enfrenta la adopci\u00f3n masiva de IA ag\u00e9ntica con un supuesto equivocado: que adaptarse es un acto \u00fanico – reformar la curr\u00edcula, 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 adaptaci\u00f3n dise\u00f1ada para el estado actual de la herramienta queda desfasada frente a la generaci\u00f3n siguiente. La segunda es que la IA ag\u00e9ntica no incide en la periferia del proceso formativo, sino en su n\u00facleo: la relaci\u00f3n entre lo que el estudiante produce, lo que la evaluaci\u00f3n mide y lo que efectivamente aprende. El argumento no busca demostrar emp\u00edricamente un efecto, sino fundamentar por qu\u00e9 las respuestas habituales resultan estructuralmente insuficientes y qu\u00e9 propiedades deber\u00eda reunir una respuesta adecuada. Cuando la evaluaci\u00f3n deja de medir lo que certifica Una evaluaci\u00f3n es v\u00e1lida en la medida en que mide el constructo que dice medir: un examen de an\u00e1lisis de datos es v\u00e1lido si mide la capacidad de analizar datos, no la destreza para obtener el resultado por otra v\u00eda. Esta es la validez de constructo, condici\u00f3n que sostiene el valor de una calificaci\u00f3n (Shadish et al., 2002). La IA ag\u00e9ntica erosiona esa condici\u00f3n de un modo particular. No se limita a asistir en pasos intermedios, como un motor de b\u00fasqueda o una calculadora cient\u00edfica: ejecuta la tarea evaluada de principio a fin. Cuando el agente produce el an\u00e1lisis, la demostraci\u00f3n o el informe completo, la evaluaci\u00f3n de ese producto ya no mide el aprendizaje del estudiante, sino la capacidad de la herramienta. El instrumento evaluativo conserva su forma – consigna, r\u00fabrica, nota – mientras pierde silenciosamente aquello que pretend\u00eda capturar: no se vuelve m\u00e1s f\u00e1cil de aprobar, se vuelve incapaz de distinguir a quien aprendi\u00f3 de quien no. De aqu\u00ed se sigue una paradoja. Cuanto m\u00e1s integra una instituci\u00f3n estas herramientas – y la presi\u00f3n por hacerlo es considerablemente alta -, m\u00e1s tareas evaluativas quedan expuestas a su ejecuci\u00f3n aut\u00f3noma, y menos aprendizaje mide su sistema de evaluaci\u00f3n. La credencial que esa evaluaci\u00f3n respalda deriva su valor de una se\u00f1al: certifica ante terceros el dominio de ciertas competencias. Si el instrumento deja de discriminar competencia, la se\u00f1al se degrada aunque el t\u00edtulo siga emiti\u00e9ndose. 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 generaci\u00f3n siguiente de la herramienta ag\u00e9ntica. El rendimiento asciende; el aprendizaje, no necesariamente La psicolog\u00eda cognitiva distingue desde hace d\u00e9cadas entre el desempe\u00f1o observable en un momento determinado y el aprendizaje durable, aquel que persiste y se transfiere a contextos nuevos. Bjork (1994) mostr\u00f3 que ciertas condiciones que dificultan el desempe\u00f1o inmediato – las \u201cdificultades deseables\u201d – son precisamente las que consolidan el aprendizaje de largo plazo, de modo que un desempe\u00f1o fluido puede convivir con una retenci\u00f3n pobre (Bjork & Bjork, 2011). En la misma direcci\u00f3n, Slamecka y Graf (1978) documentaron el efecto de generaci\u00f3n: el material que el estudiante produce por s\u00ed mismo se retiene mejor que el que solo lee. La IA ag\u00e9ntica opera sobre ese punto. Cuando un agente redacta el an\u00e1lisis, resuelve el problema o escribe el c\u00f3digo 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 deb\u00eda evidenciar puede sencillamente no ocurrir. No se trata de una certeza emp\u00edrica sobre la IA ag\u00e9ntica – la evidencia directa es todav\u00eda 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 espec\u00edficamente a sistemas ag\u00e9nticos: Gerlich (2025) hall\u00f3 que su uso frecuente se asocia negativamente con el pensamiento cr\u00edtico, con la descarga cognitiva como factor mediador. Por qu\u00e9 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 adaptaci\u00f3n como un ajuste \u00fanico y definitivo. La prohibici\u00f3n presume que el uso puede excluirse del proceso formativo; no puede, porque la herramienta es ubicua, con frecuencia gratuita y dif\u00edcil 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 detecci\u00f3n apuesta a un instrumento que identifique el producto generado por IA, pero enfrenta a agentes cuya capacidad se renueva m\u00e1s r\u00e1pido de lo que cualquier detector puede seguir: una carrera que se pierde por dise\u00f1o. La adopci\u00f3n acr\u00edtica – integrar la herramienta sin redise\u00f1ar la evaluaci\u00f3n – evita esa carrera, pero acelera la sustituci\u00f3n del esfuerzo generativo y expone a\u00fan m\u00e1s tareas a la ejecuci\u00f3n aut\u00f3noma. Esto no implica que la IA no pueda apoyar el aprendizaje: bien dise\u00f1ada, puede hacerlo cuando preserva el esfuerzo del estudiante en lugar de reemplazarlo. El problema no es la herramienta, sino integrarla sin redise\u00f1ar lo que se eval\u00faa. Conviene anticipar una objeci\u00f3n. Los motores de b\u00fasqueda y las calculadoras cient\u00edficas tambi\u00e9n desplazaron tareas, y<\/p>\n","protected":false},"author":3,"featured_media":958,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_exactmetrics_skip_tracking":false,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[1],"tags":[],"class_list":["post-956","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-publicacion"],"_links":{"self":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/956","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=956"}],"version-history":[{"count":3,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/956\/revisions"}],"predecessor-version":[{"id":991,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/956\/revisions\/991"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/media\/958"}],"wp:attachment":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=956"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/categories?post=956"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/tags?post=956"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Un desajuste de cadencias<\/strong><\/a><\/h2>\n\n\n\n
La tesis<\/a><\/h2>\n\n\n\n
Cuando la evaluaci\u00f3n deja de medir lo que certifica<\/a><\/h2>\n\n\n\n
El rendimiento asciende; el aprendizaje, no necesariamente<\/a><\/h2>\n\n\n\n
Por qu\u00e9 las respuestas habituales no alcanzan<\/a><\/h2>\n\n\n\n
Qu\u00e9 propiedades necesita una respuesta adecuada<\/strong><\/a><\/h2>\n\n\n\n
<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"