Líderes de opinión
El pánico de «Mi tarea la escribió una IA» ha terminado: esto lo ha reemplazado
Añade Unite.AI a tus fuentes preferidas en Google
Cuando ChatGPT estuvo disponible públicamente, los educadores comenzaron a imaginar el peor escenario posible.
Los estudiantes dejarían de escribir sus propios ensayos.
Sería imposible confiar en las tareas para hacer en casa.
Y, en algún lugar, un LLM estaría produciendo un ensayo perfectamente aceptable de cinco párrafos sobre El gran Gatsby mientras su supuesto autor jugaba videojuegos en otra habitación.
La preocupación era comprensible. Por primera vez, los estudiantes tenían acceso gratuito a una tecnología capaz de producir textos convincentes sobre casi cualquier tema. Pero, varios años después del inicio de la era de la IA generativa, la conversación se está volviendo más compleja.
Los estudiantes siguen usando IA. De hecho, su uso se ha vuelto muy común. Una encuesta de 2025 del Higher Education Policy Institute a más de 1.000 estudiantes universitarios del Reino Unido reveló que el 92 % usaba IA de alguna forma, mientras que el 88 % había utilizado IA generativa para trabajos evaluados. Una investigación sobre la promoción de 2025 de UCLA reveló, de manera similar, que el 73 % de los estudiantes de último año que respondieron había usado IA generativa para apoyar sus trabajos académicos.
Sin embargo, eso no significa necesariamente que esos estudiantes le pidan a ChatGPT que complete una tarea de principio a fin. Investigan temas, aportan ideas, estudian para los exámenes, editan textos, piden explicaciones de conceptos difíciles y, en ocasiones, generan partes de sus trabajos.
Esto plantea una pregunta importante para los educadores: ¿Entienden realmente los estudiantes lo que entregan?
El problema de los detectores de IA
La respuesta a las tareas generadas por IA fue otra forma de IA: el software de detección.
Si los estudiantes podían usar un algoritmo para escribir un ensayo, quizá los educadores podrían usar otro algoritmo para atraparlos.
Pero hay un problema: la detección de IA no equivale a una prueba.
Desde los primeros años de la expansión de la IA generativa, los investigadores han advertido sobre los falsos positivos y los falsos negativos. Un estudio de 2023 publicado en The International Journal of Management Education encontró un solapamiento en la forma en que los detectores clasificaban los textos auténticos y los generados por IA, lo que abría la posibilidad de que se produjeran ambos tipos de errores.
Investigaciones más recientes sugieren que el desafío fundamental persiste. Una evaluación de 2026 publicada en Computers & Education puso a prueba 13 detectores de contenido generado por IA con trabajos, tesis y código auténticos de estudiantes. Los investigadores concluyeron que el rendimiento de los detectores seguía siendo insuficiente para tomar decisiones académicas de alto impacto y descubrieron que el contenido generado por IA y editado podía eludir la detección con frecuencia.
Eso no significa que las herramientas de detección sean inútiles. Sin embargo, sí dificulta confiar en ellas como respuesta principal al trabajo académico asistido por IA.
Esto también plantea un problema de mayor alcance.
Incluso un detector que funcionara a la perfección solo le diría al educador si probablemente una IA generó un texto. No le diría si hubo aprendizaje.
Imaginemos a dos estudiantes:
- El primero le pide a un chatbot de IA que redacte un trabajo completo, hace algunas modificaciones y lo entrega sin entender el argumento.
- El segundo usa la IA para que le explique un concepto que le ha costado entender, hace preguntas de seguimiento, propone posibles argumentos, escribe el trabajo por su cuenta y vuelve a usar la herramienta para detectar puntos débiles en el primer borrador.
Ambos usaron IA. Pero, desde el punto de vista educativo, hicieron cosas muy diferentes.
«¿Usaste IA?» se está convirtiendo en la pregunta equivocada
La IA generativa ya no es una máquina de escribir de un solo uso.
Los estudiantes pueden usarla como corrector, tutor, compañero para generar ideas, traductor, asistente de investigación, ayuda para programar o herramienta de estudio. Además, cada vez se incorporan más funciones de IA al software que la gente ya utiliza.
Hasta los propios estudiantes reconocen la diferencia. En la Encuesta mundial a estudiantes de 2025 de Chegg, el 80 % de los estudiantes universitarios encuestados afirmó haber usado IA generativa para apoyar sus estudios. Entre quienes la habían usado, el 56 % la utilizaba principalmente para comprender conceptos o materias. Al mismo tiempo, al 53 % le preocupaba recibir información incorrecta.
Este último dato quizá sea tan importante como el primero, porque aprender a trabajar con IA implica, en parte, aprender a determinar si una respuesta merece confianza.
Un chatbot puede sugerir fuentes para un ensayo. Es posible que algunas de ellas no existan. Puede mejorar un párrafo. También puede alterar sutilmente lo que el estudiante intentaba decir.
Cuanto más fácil hace la IA producir una respuesta, más importante es saber lo suficiente para evaluarla. Ahí es donde la conversación sobre la integridad académica empieza a convertirse en una conversación sobre la alfabetización en IA.
El alumnado debe demostrar que comprende
Durante décadas, los trabajos terminados y bien documentados han servido a menudo como prueba del aprendizaje.
Un estudiante entrega un ensayo, un informe de laboratorio, una presentación o un fragmento de código, y el docente evalúa el resultado final para determinar cuánto comprende el estudiante la materia.
La IA generativa debilita esa premisa, porque ahora puede haber un producto final pulido sin que el estudiante necesariamente posea los conocimientos que ese producto parece demostrar.
Esto obliga al personal docente a ir más allá del producto final:
- Preguntar al estudiante por qué llegó a una conclusión.
- Preguntar qué pruebas le hicieron cambiar de opinión.
- Pedirle que defienda verbalmente un argumento.
- Preguntarle qué parte del trabajo le resultó más difícil.
- Cambiar una variable de un problema y pedirle que lo resuelva de nuevo.
- Pedirle que identifique un punto débil de su propio trabajo.
Si se permitía usar IA, preguntar cómo la utilizó, qué aportó y qué descartó.
De pronto, producir una respuesta impresionante es solo una parte del trabajo. El estudiante también tiene que demostrar que se hace responsable del razonamiento que hay detrás.
Los deberes deberían mostrar más del proceso
Durante años, las herramientas digitales han facilitado cada vez más que la evaluación se centre en el producto terminado. La IA generativa está empujando a algunos docentes en la dirección contraria: hacia el proceso que lo produjo.
Eso podría implicar revisar esquemas y borradores, en lugar de evaluar únicamente las entregas finales. También podría suponer incorporar debates en clase o actividades orales. Los estudiantes podrían documentar cómo evolucionó su argumento, explicar por qué eligieron determinadas fuentes o reflexionar sobre las dificultades que encontraron.
La IA incluso puede formar parte de la propia evaluación.
En vez de decirles a los estudiantes que no usen un chatbot, un docente podría proporcionarles una respuesta generada por IA y pedirles que la analicen críticamente.
- ¿Qué hizo bien el modelo?
- ¿Qué pasó por alto?
- ¿Qué afirmaciones hay que verificar?
- ¿Qué fuentes harían falta antes de confiar en la respuesta?
- ¿Puede el estudiante elaborar un argumento mejor?
Es mucho más difícil delegar esas tareas, porque ahora el trabajo exige criterio humano. Y el criterio es precisamente la habilidad que necesitan los estudiantes cuando la IA puede generar información verosímil a demanda.
La alfabetización en IA se vuelve sinónimo de alfabetización académica
Hubo un tiempo en que la «alfabetización digital» consistía, en gran medida, en saber manejar un ordenador, navegar por internet y utilizar programas de uso común.
La definición se volvió más sofisticada porque saber buscar en internet no bastaba. También era necesario evaluar sitios web, reconocer fuentes poco fiables, proteger la información personal y entender que aparecer en los primeros puestos de los resultados de búsqueda no convertía algo automáticamente en verdadero.
La alfabetización en IA está atravesando una transición similar: saber redactar una instrucción es útil, pero es solo una parte de la habilidad.
Los estudiantes también deben comprender qué puede hacer la IA generativa de forma fiable y qué no. Tienen que reconocer las alucinaciones, cuestionar las respuestas categóricas, verificar las fuentes, tener en cuenta la privacidad y entender cuándo la ayuda de la IA cruza el límite y sustituye su propio razonamiento.
Es probable que esa distinción requiera cierto ensayo y error en relación con los objetivos generales de aprendizaje.
Usar la IA para explicar un concepto difícil podría acelerar el aprendizaje. Pedirle que resuelva un problema antes de intentar resolverlo por cuenta propia podría eludir precisamente el trabajo cognitivo que la actividad pretendía desarrollar.
El mundo fuera del aula
La educación siempre ha sido una labor orientada al futuro. Cuando se gradúan, los estudiantes llevan al mundo laboral las lecciones aprendidas en la escuela. Y es poco probable que los lugares de trabajo a los que se incorporen estén libres de IA.
Se están incorporando asistentes de IA a plataformas creativas y sistemas empresariales. Muchos de los estudiantes de hoy quizá accedan a profesiones en las que se espera que sepan usar la IA eficazmente. Por eso, cada vez resulta más difícil sostener un enfoque general de «nada de IA» como preparación para la vida profesional.
El extremo opuesto tampoco resulta especialmente útil.
Un estudiante que no puede redactar un argumento sin IA no necesariamente está mejor preparado para un entorno laboral que utiliza IA. Tampoco lo está un estudiante que acepta un análisis generado por IA sin comprobarlo.
La habilidad valiosa consiste en saber qué delegar y qué no.
- La IA puede generar un resumen preliminar en segundos. Aun así, una persona necesita tener suficientes conocimientos sobre el tema para reconocer lo que falta.
- Puede generar código. Aun así, alguien debe saber si funciona, si es seguro y si resuelve el problema previsto.
- Puede redactar un correo electrónico para un cliente. Aun así, alguien debe conocer lo suficiente al cliente para saber si enviarlo sería una pésima idea.
La competencia en IA sin criterio propio no es mucha competencia.
La nueva cuestión de la integridad académica
El problema original del fraude académico sigue existiendo. Los estudiantes pueden usar la IA generativa para evitar hacer el trabajo, del mismo modo que siempre han encontrado formas de hacerlo. Los educadores siguen necesitando establecer límites sobre dónde se permite usar la IA, en qué casos importa el trabajo independiente y qué constituye una falta académica.
Pero el debate más amplio se ha centrado en la idea de que la IA ha facilitado enormemente producir la apariencia de conocimiento. Esto significa que la educación debe mejorar su capacidad para distinguir la apariencia de conocimiento del conocimiento mismo.
La pregunta de antes era: «¿Este trabajo es tuyo?»
La nueva pregunta es: «¿Puedes demostrar que el razonamiento detrás de este trabajo es tuyo?»
Es más difícil evaluar esa pregunta. Para los educadores, no basta con pasar un ensayo por un detector y esperar a que aparezca un porcentaje. Sin embargo, vale la pena hacer ese esfuerzo adicional. Al fin y al cabo, las tareas no deben reducirse a una cuestión binaria: ¿se hicieron o no? Las tareas eran, y siguen siendo, una cuestión del razonamiento necesario para realizarlas.
