Pensar en voz alta | La universidad no está perdiendo la batalla contra la IA. Está descubriendo que llevaba años evaluando otra cosa

La irrupción de la IA generativa ha provocado una reacción casi inmediata en muchas universidades: preocupación por el plagio, rediseño de evaluaciones, vigilancia tecnológica y debates sobre integridad académica. Sin embargo, quizá el problema de fondo no sea que los estudiantes puedan utilizar IA para responder tareas universitarias. Quizá el problema sea otro: que demasiadas de esas tareas podían resolverse correctamente sin comprensión profunda mucho antes de la aparición de la IA generativa, y los diversos modelos de lenguaje. La IA no ha creado esa fragilidad. La ha hecho visible.

Durante décadas dimos por supuesto que la producción de determinados textos académicos equivalía automáticamente a aprendizaje. Redactar un resumen, elaborar una respuesta estructurada, sintetizar bibliografía o construir un discurso formalmente correcto eran interpretados como pruebas de comprensión. Pero la IA generativa ha introducido una grieta enorme en esa equivalencia histórica entre escritura y pensamiento.

Precisamente en esa línea se sitúa el artículo de Pablo Martínez Samper, “La universidad está examinando lo equivocado”, que formula una idea interesante: si una tarea universitaria puede ser resuelta de forma convincente por una IA sin verdadera comprensión conceptual, quizá el problema no sea la IA, sino el tipo de actividad que estábamos utilizando como evidencia de aprendizaje. La cuestión no es menor. Porque desplaza el debate desde el comportamiento del estudiante hacia la propia arquitectura de la evaluación universitaria. La IA no estaría destruyendo el sistema de evaluación. Estaría revelando sus límites estructurales.

Durante mucho tiempo, la universidad ha funcionado bajo una lógica relativamente estable: el conocimiento era escaso, el acceso a la información costoso y la capacidad de producir textos académicos complejos actuaba como indicador relativamente fiable de dominio intelectual. Pero el contexto actual es radicalmente distinto. Hoy el problema ya no es acceder a respuestas plausibles. El problema es discriminar cuáles tienen sentido, cuáles son sólidas y cuáles merecen confianza. Y eso transforma profundamente el significado mismo de “aprender”.

En este contexto resulta especialmente interesante el debate sobre la denominada “evaluación cognitiva aumentada”, que propone desplazar el foco desde el resultado final hacia el proceso intelectual seguido por el estudiante. La cuestión central deja de ser únicamente qué respuesta entrega alguien para pasar a analizar cómo ha llegado hasta ella: qué decisiones toma, cómo justifica sus razonamientos, cómo contrasta fuentes, cómo detecta contradicciones o cómo revisa críticamente lo generado por sistemas de IA. La idea es importante porque la IA obliga a distinguir entre producir una respuesta y comprender realmente aquello que se está respondiendo. Y ambas cosas ya no son equivalentes.

De hecho, probablemente uno de los grandes cambios que introduce la IA generativa es precisamente la ruptura de esa identificación histórica entre producción textual y elaboración intelectual.

Esto conecta además con otro fenómeno que empieza a hacerse visible en muchas universidades: la progresiva pérdida de hábitos de lectura profunda y de trabajo intelectual sostenido. La reciente discusión sobre Harvard, ampliamente difundida en prensa internacional, refleja bien esa tensión. La paradoja resulta especialmente significativa: instituciones académicas de máximo prestigio combinan inflación de calificaciones, reducción de exigencia lectora y estudiantes que cada vez participan menos en dinámicas clásicas de estudio mientras mantienen expedientes excelentes.

El problema no es únicamente tecnológico. Es cultural e institucional. Porque la universidad contemporánea lleva años desplazándose hacia un modelo donde la producción constante de outputs —trabajos, entregas, actividades, presentaciones— ha terminado confundiendo actividad académica con aprendizaje real. Y la IA acelera brutalmente esa contradicción. En realidad, buena parte de las tareas universitarias tradicionales estaban diseñadas para un contexto donde producir texto tenía un coste cognitivo elevado. Pero cuando ese coste desaparece parcialmente gracias a sistemas capaces de generar redacciones coherentes en segundos, emerge una pregunta inevitable: ¿qué estábamos evaluando exactamente?

A esta transformación se añade además otro fenómeno cada vez más visible: el denominado ‘síndrome de las aulas vacías’. El reciente informe de la UAB sobre asistencia y participación universitaria refleja una preocupación creciente por la pérdida de presencialidad y la desconexión progresiva de parte del alumnado respecto a las dinámicas académicas tradicionales. Sin embargo, interpretar este fenómeno únicamente como desinterés estudiantil probablemente simplifica demasiado el problema. La cuestión relevante quizá sea otra: ¿qué ocurre cuando una parte importante de los estudiantes percibe que el acceso al contenido ya no depende físicamente del aula y que muchas de las actividades universitarias siguen organizadas alrededor de modelos de transmisión y evaluación diseñados para un contexto tecnológico que ya no existe? La IA generativa intensifica todavía más esta tensión. Porque no solo facilita acceder a información. También permite resumir textos, estructurar apuntes, generar explicaciones y producir respuestas académicas plausibles de manera prácticamente instantánea. En ese contexto, la universidad presencial ya no puede justificarse únicamente como espacio de acceso al conocimiento. Necesita convertirse en otra cosa. La presencialidad universitaria solo mantiene sentido si aporta valor cognitivo que no pueda ser sustituido fácilmente por sistemas digitales.

La consecuencia de todo ello es que la universidad presencial ya no puede sostenerse únicamente como espacio de transmisión de contenidos o de acceso a información, porque esa función ha sido profundamente alterada por el entorno digital y, ahora, también por la IA generativa. Su valor diferencial empieza a desplazarse hacia otros ámbitos mucho más difíciles de automatizar: la discusión real entre personas, el razonamiento compartido, el contraste de argumentos, la fricción intelectual que obliga a reformular posiciones propias, el pensamiento crítico construido en interacción con otros y la elaboración colectiva de criterio.

Paradójicamente, son precisamente estas dimensiones —más vinculadas al proceso de pensar que al simple resultado final— las que durante años habían quedado parcialmente relegadas en muchos sistemas de evaluación universitaria centrados sobre todo en la producción individual de respuestas y textos académicos. Sin embargo, esta transformación no afecta únicamente al modo de evaluar o al sentido de la presencialidad universitaria. También empieza a alterar algo todavía más profundo: la propia relación del estudiante con el esfuerzo intelectual. Porque si el ecosistema digital contemporáneo reduce progresivamente la necesidad de memorizar, resumir, estructurar o redactar por uno mismo, la cuestión ya no es solo qué tareas desaparecen, sino qué ocurre con las capacidades cognitivas que esas tareas ayudaban a desarrollar.

Y es precisamente aquí donde el debate adquiere una dimensión mucho más compleja, cuando se conecta con el debate sobre descarga cognitiva y externalización progresiva del razonamiento. Diversos análisis recientes advierten de que la IA no solo automatiza tareas; también modifica la relación del sujeto con el esfuerzo intelectual, la atención y la elaboración lenta del pensamiento. La paradoja es especialmente interesante: herramientas creadas para ahorrar esfuerzo pueden terminar debilitando capacidades que precisamente requieren fricción cognitiva, tiempo y elaboración sostenida.

Pensar bien casi nunca ha sido un proceso eficiente. Leer lentamente, comparar argumentos, detectar matices, sostener dudas o reformular ideas son actividades cognitivamente costosas. Y precisamente por eso tienen valor formativo. El riesgo no es únicamente que la IA escriba por nosotros. El riesgo es que terminemos reorganizando el aprendizaje alrededor de aquello que resulta fácilmente automatizable.

Y precisamente ahí aparece una paradoja especialmente significativa. Cuanto más eficaces son los sistemas de IA generativa produciendo respuestas plausibles, menos valor diferencial tiene la simple capacidad de producir respuestas. Por eso empieza a emerger una idea cada vez más presente, incluso en discursos claramente favorables a la integración de IA en educación: el futuro académico y profesional no pertenecerá necesariamente a quienes sepan utilizar más herramientas automáticas, sino a quienes sean capaces de pensar más allá de ellas.

En esa línea resulta especialmente interesante el artículo “In AI world, future belongs to students who can think beyond the machine”, que sostiene que, en un entorno donde las máquinas pueden generar información, redactar textos y ofrecer soluciones de forma prácticamente instantánea, las capacidades verdaderamente decisivas pasan a ser otras: formular buenas preguntas, interpretar contextos, conectar ideas, ejercer juicio crítico y sostener criterio intelectual propio.

Por eso quizá el gran desafío universitario de los próximos años no será prohibir la IA, sino redefinir qué significa realmente demostrar comprensión. Y ahí aparece probablemente el verdadero núcleo del problema. La universidad moderna se construyó sobre una premisa relativamente sencilla: quien era capaz de producir ciertos discursos demostraba haber aprendido. Pero la IA generativa obliga a cuestionar esa equivalencia. Porque hoy es posible producir respuestas plausibles sin interiorizar realmente el conocimiento.

Eso no significa que pensar deje de ser importante. Significa exactamente lo contrario. Cuanto más capaces sean los sistemas de generar textos convincentes, más valioso se vuelve aquello que no puede reducirse a mera generación automática: el criterio intelectual, la capacidad de interpretar contextos, detectar errores, formular buenas preguntas, conectar ideas, sostener una arquitectura conceptual coherente y asumir responsabilidad sobre lo que se afirma.

El verdadero valor educativo ya no está simplemente en producir respuestas. Está en sostener criterio propio frente a sistemas capaces de producir respuestas plausibles de manera masiva. Y quizá ahí se encuentra la gran transformación que la universidad todavía está empezando a comprender.

La IA no elimina la necesidad de pensar. Hace mucho más importante saber cuándo alguien realmente está pensando.

Contenido protegido. No autorizado su uso para entrenamiento de sistemas de inteligencia artificial sin autorización expresa.