Artículo de opinión que invita a la reflexión colectiva respecto a las luces y sombras del uso de la IA generativa en los procesos de enseñanza y la forma como aprendemos. Evidentemente, el uso de la IA con fines educativos implica un quiebre sin precedentes con las rutinas y el performance pedagógico de los últimos 300 años. Se asumen como incuestionables los modelos de sistemas escolares, estructuras educativas y modelaje de las propuestas pedagógicas (didáctica, evaluativa, curricular, planificación y gestión del aula), a tal punto que da “escalofrío” pensar en otra forma de organizar los procesos de enseñanza y aprendizaje.
Luis Bonilla-Molina
Investigador de las Ciencias Sociales, docente y luchador social. Internacionalista por una educación pública, gratuita y de calidad. Centro de Otras Voces en Educación.
Introducción
Vivimos en una era donde la inteligencia artificial (IA) basada en redes neuronales se integra cada vez más en la educación. Desde plataformas de aprendizaje automático hasta sistemas de tutoría automatizados, la promesa de personalización y eficiencia seduce a gobiernos y corporaciones. Pero, como educadores críticos, debemos preguntarnos: ¿la IA está ampliando el pensamiento crítico de nuestros estudiantes o simplemente reforzando estructuras de control y estandarización del conocimiento?
En este artículo intentaremos invitar a la reflexión colectiva respecto a las luces y sombras del uso de la IA generativa en los procesos de enseñanza y la forma como aprendemos. Evidentemente, el uso de la IA con fines educativos implica un quiebre sin precedentes con las rutinas y el performance pedagógico de los últimos 300 años. Hemos asumido como incuestionables los modelos de sistemas escolares, estructuras educativas y modelaje de las propuestas pedagógicas (didáctica, evaluativa, curricular, planificación y gestión del aula), a tal punto que nos da “escalofrío” pensar en otra forma de organizar los procesos de enseñanza y aprendizaje. Mi consejo es calmarnos y asumir que estamos en un momento de la historia donde todo esta cambiando como presagio de una transformación mucho más radical en educación.
El gran problema transicional a resolver, para quienes estamos en el campo de la pedagogía crítica es como este cambio opera en sociedades y sistemas escolares impactados por las diferencias de origen social de clase. Muchos gobiernos hablan de incorporar la innovación de la IA en instituciones sin electricidad ni agua, en escuelas rancho, cuyos estudiantes apenas si logran una comida al día. La IA no puede ser un espejismo para ocultar o desentenderse de la lucha por la justicia social y la democratización de la riqueza, por el contrario, ahora es más necesario. Todo ello tampoco puede ser un pretexto para darle la espalda a lo nuevo. La innovación tiene que llegar a todos en condiciones de igualdad.
El capitalismo y sus apologetas ya lo resolvieron diciendo que, si las dos primeras revoluciones industriales dejaron atrás a 1.200 millones de personas sin acceso al agua o la electricidad, la cuarta revolución industrial en su despegue dejará atrás a la mitad del planeta (Schwab, 2016). O sea, unos 4.000 millones de vidas. A la desvergüenza capitalista tenemos que responderle con la ética de la inclusión y la justicia social.
La tecnología comienza a ser vista como enemiga de lo educativo, cuando en realidad afecta es la permanencia de las rutinas escolares conocidas durante los últimos 300 años.
Lo que no debería estar en debate
Este “escalofrío pedagógico” que recorre a los sistemas escolares ha generado que gobiernos conservadores y progresistas, de derecha, centro u izquierda, al unísono comiencen a prohibir el uso de celulares, cuando solo en el 2020 clamaban por su uso en medio de la cuarentena por la pandemia. La tecnología comienza a ser vista como enemiga de lo educativo, cuando en realidad afecta es la permanencia de las rutinas escolares conocidas durante los últimos 300 años.
Muchas universidades se atrincheran en una especie de romanticismo de seguir “perforando la roca con el cincel” antes que usar la IA en las aulas, porque le asusta que muchas rutinas puedan ser sustituidas por la IA. Le temen a que la reproducción mecánica desaparezca y se abra la posibilidad de liberar el pensamiento humano y la creatividad como centro de la producción académica. Claro es más fácil alimentar la cultura evaluativa y la bibliometría que asumir que el pensar sin repeticiones innecesarias y crear para enseñar cada día, que es la esencia del mundo universitario y no el Sísifo de la publicación de artículos que repiten paradigmas de manera incesante. La IA usada adecuadamente se puede encargar de rutinas repetitivas, mientras los docentes y estudiantes nos dedicamos a la creación, elevando el potencial transformador.
Pero nada es tan fácil. Las corporaciones tecnológicas sueñan con erradicar la presencialidad y conducir el presupuesto educativo a sus arcas, olvidando que hemos aprendido que el aprendizaje es un acto humano compartido, propio del encuentro y la reflexión. Para eso quieren usar la IA, debemos estar prevenidos, pero no por ello cerrarnos a explorar otras formas de uso.
No es lo mismo usar la IA en soledad que hacerlo juntos, no solo para aprender de los otros lo que no vemos cada uno, sino para construir un sentido colectivo de su uso. La tecnología digital tiene que ser parte de la educación presencial, no su sustituto, para ello tenemos que construir un equilibrio entre tradición e innovación.
Lo que no podemos discutir a estas alturas es si la IA generativa debe o no ser parte de la educación en la tercera década del siglo XXI. Pero hay demasiada publicidad, pues aún la IA está en un estado embrionario de acuerdo a su potencialidad, por lo cuál debemos tener cuidado en dejar demasiados procesos pedagógicos en sus manos en la actualidad. Veamos los límites actuales de la IA generativa
Límites de la IA generativa basada en redes neuronales
En este artículo exploraremos cinco principios fundamentales de la IA, desde una perspectiva pedagógica crítica, analizando su impacto en las formas de aprender en la educación primaria y universitaria. Veamos cada uno de ellos.
- Procesamiento Paralelo y Distribuido: ¿Plasticidad o Reduccionismo?
Las redes neuronales artificiales (RNA) imitan el funcionamiento del cerebro humano: consistente en múltiples nodos que procesan información en paralelo, generando patrones emergentes. Para Benítez, Cencerrado Barraqué y Escudero (2020), este principio cuestiona la visión reduccionista de la inteligencia como mera acumulación de datos.
Sin embargo, en la práctica educativa, la IA suele utilizarse para evaluar a los estudiantes con modelos predefinidos, ignorando la diversidad de procesos cognitivos. Un niño o adulto, quien resuelve un problema matemático de manera creativa puede ser penalizado por un algoritmo diseñado para reconocer solo respuestas estándar y cuyos patrones emergentes no hayan alcanzado la creatividad humana.
- Aprendizaje Automático: ¿Innovación o Reproducción de Sesgos?
Se postula que el aprendizaje automático permite que las RNA mejoren con la experiencia, similar a cómo los seres humanos aprendemos a través de la práctica. Russell y Norvig (1995/2023) explican que estos sistemas reconocen patrones, establecen asociaciones y generan respuestas basadas en grandes volúmenes de datos.
El problema es que esos datos se agrupan con paradigmas de aceptación de desigualdades existentes. Si un sistema de IA es entrenado con información sesgada—como la predominancia de autores varones en ciertos campos académicos—terminará reforzando esas desigualdades. En educación, esto se traduce en plataformas de aprendizaje que privilegian contenidos hegemónicos y excluyen conocimientos locales, indígenas o comunitarios, mucho más la teoría crítica anticapitalista.
Por ejemplo, un sistema de IA entrenado para seleccionar estudiantes en una universidad podría, sin intención aparente, favorecer perfiles de sectores privilegiados si los datos históricos indican que estos tienen mejor desempeño en pruebas estandarizadas. Así, la IA reproduce una estructura de exclusión social. El problema es que instancias como el IESALC UNESCO, difunden iniciativas de este tenor como si fueran en la orientación correcta.
- Adaptabilidad y Autoorganización: ¿Autonomía o Control Algorítmico?
Las RNA ajustan sus parámetros con retropropagación, lo que recuerda a la plasticidad sináptica del cerebro humano. La retropropagación es una forma de afrontar el error calculado en IA, usando la llamada cadena de cálculo diferencial, y se fundamenta en el “Forward Pass” (error entre lo esperado y lo obtenido, “Backward Pass” (error calculado se propaga hacia atrás en la red) y el “ajuste de pesos” (otorgar importancia en dirección opuesta al determinante del error).
Pero como advierte Jones (2018), esta adaptación carece de conciencia crítica. En el aula, esta automatización se traduce en sistemas de evaluación y asistencia que “se ajustan” al estudiante, pero sin considerar su subjetividad. Un algoritmo puede detectar que un estudiante tiene dificultades con la lectura, pero no comprenderá que esto se debe a problemas emocionales, fatiga o falta de acceso a libros en casa. Mucho menos es capaz de entender aún, los distintos tonos del capital cultural de cada estudiante.
La enseñanza, en cambio, requiere una comprensión dialéctica del aprendizaje. Los errores no solo indican deficiencias, sino también procesos de transformación. Un maestro crítico no se limita a corregir, sino que problematiza junto con sus estudiantes a partir de los errores o las omisiones, algo que una IA, con su lógica determinista, está limita de hacerlo en grupos grandes (al menos todavía).
- Simulación de Funciones Cognitivas: ¿Inteligencia sin Conciencia?
Susan Schneider (2023) señala que, aunque las RNA pueden imitar la toma de decisiones humanas, carecen de subjetividad y conciencia. En educación, esto es crucial. Los asistentes virtuales pueden corregir textos, pero no captar la ironía, la creatividad o el contexto político de un ensayo. Un programa de IA puede generar una respuesta correcta, pero no tendrá la capacidad de cuestionar la premisa de la pregunta. ¿Queremos que nuestros estudiantes sean autómatas eficientes o pensadores críticos?
Un estudiante puede pedirle a una IA que escriba una reseña de 1984 de Orwell. La IA producirá un texto bien estructurado, pero sin la capacidad de hacer una crítica realmente situada y comprometida sobre el control tecnológico en la actualidad. Puede aproximarse a algunas críticas, pero no logra captar el sentido crítico anti sistema, porque eso sería un “error de salida”. Depende del docente guiar la discusión para evitar la reproducción mecánica del conocimiento.
- Integración en Sistemas Socioeducativos: ¿Personalización o Estandarización?
Arroyo Sagasta et al. (2025) sostienen que la IA en educación promete personalización del aprendizaje, pero su implementación real tiende a estandarizar. Las plataformas educativas adaptativas ajustan contenidos según respuestas previas, pero dentro de un marco algorítmico rígido. El rendimiento individual desdibuja la construcción compartida de conocimiento.
Un caso evidente es el uso de plataformas como Khan Academy, que adaptan ejercicios según el rendimiento del estudiante. Pero estas herramientas no fomentan la construcción colectiva del conocimiento ni la reflexión crítica. La IA prioriza eficiencia, mientras que la pedagogía crítica prioriza la problematización y el debate.
La IA no sustituye la presencialidad, sino que su uso ayuda a mejorar los tiempos de ejecución de labores en el aula que ocurrían de manera lenta en la era analógica.
Acoplamiento Crítico entre IA y Mente Humana: Desafíos
Para evitar que la IA se convierta en un instrumento de alienación, debemos enfrentar de manera urgente, por lo menos nueve desafíos claves:
- Epistemológico: La IA opera con lógicas deterministas, mientras que el pensamiento humano integra incertidumbre, ética y creatividad. La educación no puede reducirse a respuestas correctas o incorrectas.
- Ético: La IA reproduce sesgos estructurales (género, raza, clase), lo que exige marcos regulatorios críticos. Si un algoritmo decide qué libros deben leer nuestros estudiantes, ¿quién programó ese algoritmo y con qué intereses?
- Pedagógico: La “descajanegrización” (Artopoulos y Lliteras, 2024) demanda transparencia en los algoritmos para evitar la alienación tecnológica en las aulas. Si no comprendemos cómo decide un algoritmo, estamos delegando nuestra autonomía como educadores.
- Operacional: resistir a la lógica del operario ilustrado que aprende a usar la IA pero desconoce como crearla. En educación se tiene que avanzar hacia la creación disruptiva de la IA.
- Social: el acceso a la IA será desigual en la medida que se sostengan las actuales diferencias por origen social, en los procesos educativos. Luchar por políticas compensatorias desde la equidad, es decir que promuevan mayor apoyo a quienes menos poseen para reconstruir condiciones de igualdad de aprendizaje en las escuelas y universidades.
- Humano: la IA no sustituye la presencialidad, sino que su uso ayuda a mejorar los tiempos de ejecución de labores en el aula que ocurrían de manera lenta en la era analógica. Esto puede hacer más eficiente en términos de transformación social el aprendizaje.
- Creativo: la belleza de la creación artística está en el toque intersubjetivo entre creadores y resto de la sociedad, promoviendo sinergias donde todos seamos parte del arte de inventar. Esta perspectiva de artesano colectivo es una forma de posicionarse ante la creatividad instrumental de la IA.
- Ecología: cada vez que usemos la IA debemos preguntarnos cuál es el impacto de ello en la sostenibilidad planetaria, colocando como prioritario el equilibrio ambiental.
- Inclusión: la IA es una construcción humana, por lo tanto, no está exenta de estereotipos de raza, género, o clase. Siempre debemos estar vigilantes en ello.
La IA no debe reemplazar la labor docente ni la interacción humana en el aula.
Conclusión: IA, Educación y Emancipación
La IA basada en redes neuronales es una herramienta poderosa, pero no un sustituto de la educación crítica. Como advierten Schneider y Russell, no debemos subordinar la agencia humana a la eficiencia técnica.
En lugar de aceptar pasivamente la IA en nuestras aulas, o rechazarla a priori, debemos preguntarnos: ¿cómo podemos usarla para fortalecer el pensamiento crítico y no para imponer una pedagogía tecnocrática? Esto implica exigir transparencia en los algoritmos, desafiar los sesgos inherentes a los datos y, sobre todo, reafirmar la educación como un proceso colectivo de emancipación, no de domesticación.
La IA no debe reemplazar la labor docente ni la interacción humana en el aula. Nuestra tarea no es preparar estudiantes para adaptarse a la IA, sino formar ciudadanos capaces de cuestionar su impacto en la sociedad.
Pero la educación tiene que estar en capacidad de contribuir a que sus estudiantes y docentes tomen el control de esta innovación y la usen para mejorar el aprendizaje crítico, conscientes de sus límites y momentos en los cuales es necesario pulsar el off de las IA, para encender todo el potencial creativo en las aulas. Lo que no podemos permitir es que las IA nos apaguen por la inercia de su uso o la poca capacidad de situarnos críticamente ante ella.
Tomado de: Otras Voces en Educación
Accede a video síntesis y presentación.
Referencias
Artopulos & Literas (2024). Alfabetización crítica en IA: recursos educativos para una pedagogía de la descajanegrización”. Revista trayectorias universitarias, volumen 10, número 19. Universidad de La Plata. Argentina
Benitez, R y otros (2020) Inteligencia Artificial avanzada. Papel de trabajo. España
Jones, H (2018) Aprendizaje profundo. Alienta Editorial. España.
Russel, S y Norving, P. (2023). Inteligencia Artificial: un enfoque moderno. Pearson Educación. México.
Sagasta, A. (2025) Inteligencia Artificial y educación: construyendo puentes. Grao. España
Schneider, S (2023). Inteligencia Artificial: una exploración filosófica sobre el futuro de la mente y la conciencia. KOASN. España.
Schwab, K (2016) Cuarta Revolución Industrial. Ediciones debate. México.
