Inteligencia artificial en la universidad: ampliación de la brecha entre enseñar y aprender

Lo que está pasando realmente con la inteligencia artificial en la universidad se parece menos a un terremoto que a una radiografía. Los modelos de lenguaje producen, a coste casi cero, exactamente lo que la institución llevaba décadas premiando: prosa académica fluida y verosímil, sin garantía de que detrás haya comprensión. Por eso hacen visible una crisis entre enseñar y aprender que ya estaba ahí. El debate público se reparte entre quienes anuncian que la IA «rompió» la universidad, quienes organizan la resistencia y quienes venden la salvación. Los tres bandos discuten sobre la herramienta. Casi nunca discuten sobre la relación.

La máquina como intérprete

Empiezo por un dato que suele pasar de largo. La encuesta británica de HEPI y Kortext publicada en marzo de 2026 se hizo en diciembre de 2025 a 1.054 estudiantes de grado a tiempo completo. Según ella, el 95 % usa IA de alguna forma y el 94 % la ha usado para trabajos que se evalúan, frente al 53 % de 2024. Los titulares se quedaron ahí: casi todos «hacen trampa». Pero el uso más extendido para esos trabajos no es pegar texto generado: según la figura 4 del informe, solo un 12 % reconoce haberlo hecho, frente al 3 % de 2024. El más extendido, un 61 %, es pedirle a la máquina que explique conceptos; en palabras del propio informe, casi dos tercios del estudiantado usa la IA para que le expliquen conceptos.

Los modelos de lenguaje producen, a coste casi cero, exactamente lo que la institución llevaba décadas premiando: prosa académica fluida y verosímil, sin garantía de que detrás haya comprensión.

Conviene leer la cifra con calma, porque es autoinforme, de un solo país y con muestra de grado. Aun así, dice algo que ningún pánico moral ha querido escuchar. Una mayoría de estudiantes usa la IA como intérprete de lo que no entendió en clase, en las lecturas o en el enunciado. Los informes de las propias empresas, que son fuentes interesadas y hay que leerlas como tales, apuntan en la misma dirección. El primer informe educativo de Anthropic analizó conversaciones de estudiantes universitarios con Claude en abril de 2025. Encontró que el 39,3 % se dedicaba a crear o mejorar contenidos educativos y que una parte grande del resto consistía en pedir explicaciones técnicas.

En 1965, Pierre Bourdieu, Jean-Claude Passeron y Monique de Saint Martin publicaron Rapport pédagogique et communication, que en inglés se tradujo como Academic Discourse: Linguistic Misunderstanding and Professorial Power. Con pruebas de vocabulario a estudiantes universitarios franceses, midieron cuánto entendían del lenguaje con que se les enseñaba. La comprensión resultó muy imperfecta y ligada al origen social, mientras el profesorado la daba por descontada; los estudiantes, por su parte, aprendían pronto a cultivar una ilusión de comprensión basada en la familiaridad con las palabras. La conclusión del libro es incómoda: la relación pedagógica se sostiene sobre un malentendido lingüístico y sobre la ficción compartida de que ese malentendido no existe. El profesor hace como que es entendido y el estudiante hace como que entiende. Cada ilusión le sirve de coartada a la otra, y quien domina el registro por herencia familiar parte con ventaja.

Sesenta años después, ese malentendido ha encontrado un intermediario industrial. Llamarlo hacer trampa no basta. Lo que ocurre es más bien la externalización de una traducción que el aula nunca hizo del todo. La pregunta interesante deja de ser si la máquina explica bien, que a veces sí y a veces inventa, y pasa a ser por qué hacía falta un intérprete.

Una crisis con fecha de nacimiento

La genealogía es más vieja que Bourdieu, y tiene acento cordobés. El Manifiesto Liminar de la Reforma Universitaria, fechado el 21 de junio de 1918 y redactado por Deodoro Roca, describía un régimen universitario fundado sobre «el derecho divino del profesorado universitario». Le oponía otra idea de autoridad, la que en un hogar de estudiantes no se ejerce mandando, «sino sugiriendo y amando: enseñando». Y dejaba una frase que cualquier comisión de calidad debería tener colgada en la pared: «Si no existe una vinculación espiritual entre el que enseña y el que aprende, toda enseñanza es hostil y de consiguiente infecunda». No hablaba de tecnología. Hablaba de una relación rota, y de que la jerarquía no la arreglaba.

Medio siglo después, en La sociedad desescolarizada (1971), Ivan Illich escribió que la escuela enseña al alumno a confundir la enseñanza con el aprendizaje, la promoción de curso con la educación, el diploma con la competencia y la fluidez con la capacidad de decir algo nuevo (la traducción es mía). Leída en 2026, la última pareja es casi una descripción técnica de un modelo de lenguaje. Un LLM es fluidez sin más: produce la superficie verosímil de un texto que ha comprendido algo. Si una institución confundía fluidez con capacidad, una máquina de fluidez barata la deja sin coartada.

La confusión entre fluidez y aprendizaje también se ha medido. En 2019, un equipo de Física de Harvard encabezado por Louis Deslauriers comparó, con estudiantes asignados al azar, clases expositivas a cargo de docentes experimentados y bien valorados con sesiones de aprendizaje activo sobre los mismos contenidos (PNAS, 2019). Quienes trabajaban de forma activa aprendieron más, pero tenían la sensación de haber aprendido menos que quienes asistían a la clase expositiva. Los autores advierten que el esfuerzo cognitivo se vivía como señal de aprender peor, y que un conferenciante brillante puede generar tal sensación de aprendizaje que el estudiantado acabe prefiriéndolo. Mucho antes de los chatbots, la fluidez ya fabricaba la sensación de aprender.

Esta lectura no es nueva para mí, y la cronología importa. En julio de 2020, en plena pandemia y dos años antes de ChatGPT, firmé con Edgar Iglesias, José Luis Lalueza y Moisès Esteban-Guitart un manifiesto en la Revista Internacional de Educación para la Justicia Social. Reclamaba ya desde su título una educación crítica, intergeneracional, sostenible y comunitaria, y apuntaba a reformar lo inaplazable. La pandemia lo dejó ver por primera vez y la IA lo vuelve a hacer. La crisis no tiene fecha de lanzamiento comercial.

Tres trincheras, un mismo supuesto

El discurso de la ruptura cuenta que la IA rompió el ensayo, la evaluación y hasta el pensamiento. El de la resistencia responde con prohibiciones, detectores, cartas abiertas y vuelta al examen manuscrito. El del hype promete un tutor personal para cada estudiante y licencias institucionales a mansalva. Los tres parecen enemigos, pero comparten un supuesto: que antes de la IA las tareas y los exámenes certificaban aprendizaje. Si eso fuera cierto, habría algo que romper, algo que defender y algo que mejorar. Si no lo era, los tres discuten sobre un original que nunca existió del todo.

Los tres parecen enemigos, pero comparten un supuesto: que antes de la IA las tareas y los exámenes certificaban aprendizaje.

Seymour Papert tenía un nombre para este error ya en 1987, en «Computer Criticism vs. Technocentric Thinking» (Educational Researcher, 16(1)): pensamiento tecnocéntrico. Es preguntarse qué le hace la computadora al aprendizaje como si la computadora fuera un agente y no una pieza dentro de una cultura. Cada trinchera tiene además su paper fetiche. Los alarmistas citan el preprint del MIT Media Lab Your Brain on ChatGPT, con 54 participantes y sin revisión por pares cuando se viralizó, como si fuera una autopsia del pensamiento. Los entusiastas citan metaanálisis con efectos positivos sobre el rendimiento, a menudo construidos sobre estudios breves que miden la calidad del producto mientras la herramienta sigue disponible.

Los estudios mejor diseñados cuentan otra cosa. En un experimento de campo con estudiantes de secundaria, Bastani y su equipo (PNAS, 2025) compararon GPT-4 sin salvaguardas con una versión diseñada como tutor, que da pistas en lugar de respuestas. Con la versión sin salvaguardas, el rendimiento mejoraba durante la práctica y empeoraba cuando se retiraba la herramienta. Con la versión tutorial, ese daño se atenuaba en buena medida. Un experimento aleatorizado con 117 universitarios, firmado por Fan, Gašević y colegas en el British Journal of Educational Technology (2025), halló que quienes escribían con ChatGPT entregaban mejores textos sin aprender más. Sus autores le pusieron un nombre que ya circula: «pereza metacognitiva». En 421, Tomás Milgron recorrió esa literatura desde la soberanía cognitiva. Me interesa subrayar lo que esos estudios dicen sobre la universidad más que sobre el cerebro. Lo decisivo no es la herramienta sino el diseño de la relación entre quien enseña, quien aprende y lo que se evalúa. Es decir, justo lo que las trincheras no discuten.

La omisión se ve mejor desde la publicidad. Antes de la universidad trabajé en comunicación interactiva, como director creativo pero también como copywriter y como planner, y en aquellos años la planificación estratégica ocupaba un lugar central en el proceso de comunicación. No bastaba con definir una audiencia y pulir un mensaje: había que entender qué estaba pasando en la vida de esas personas y en qué momento mediático y tecnológico les íbamos a hablar. Con esa mirada, la retórica de la ruptura se reconoce enseguida como un género publicitario antes que como un diagnóstico. Es, de hecho, planificación bien hecha: detecta una inquietud de época, la ansiedad ante una tecnología que casi nadie termina de entender, y la devuelve convertida en relato, con un antes y un después y, en el centro, algo que adoptar o rechazar. Que la industria haga eso es oficio. Lo curioso es que buena parte del debate universitario haya comprado el relato sin hacerse la pregunta que en planificación nunca faltaba. Sobre la herramienta y el mensaje se ha discutido hasta el cansancio; sobre lo que pasa en la vida de quienes estudian, y sobre el momento mediático y tecnológico en que esa vida transcurre, bastante menos.

El circuito cerrado y el detector que premia el canon

Si se mira el sistema completo, aparece algo más extraño que el fraude: un circuito cerrado. El estudiantado escribe con IA. El profesorado diseña materiales con IA y, a veces, corrige con ella. El informe de Anthropic sobre cómo usan Claude los docentes universitarios analizó unas 74.000 conversaciones de mayo y junio de 2025, procedentes de cuentas Free y Pro con correo de educación superior, y lo complementó con una encuesta a docentes de Northeastern University. Evaluar el desempeño estudiantil supuso el 7 % del total, y en esas conversaciones el 48,9 % de las veces la tarea se delegaba en la máquina de forma automatizada. Fue así aunque el propio profesorado encuestado consideraba la corrección el terreno donde la IA resultaba menos eficaz.

Tampoco la investigación queda fuera. Una estimación sobre cuatro grandes congresos de IA celebrados tras la llegada de ChatGPT concluye que entre el 6,5 % y el 16,9 % del texto de sus revisiones por pares pudo ser modificado sustancialmente por un modelo de lenguaje. Un análisis de más de quince millones de resúmenes biomédicos, publicado en Science Advances, calcula que al menos el 13,5 % de los de 2024 pasó por uno. La IA automatiza una relación que ya estaba social y burocráticamente automatizada: rúbricas que nadie lee dos veces, comentarios estándar, una investigación evaluada por volumen de publicaciones. Ninguna de esas costumbres nació en 2022.

La respuesta defensiva más extendida, los detectores, añade una ironía que merece más atención de la que recibe. En un estudio publicado en Patterns, Liang y colegas (2023) pasaron 91 redacciones del examen TOEFL, escritas por personas no nativas en inglés, por siete detectores populares. De media, el 61,22 % fue etiquetado como «generado por IA». Las redacciones de estudiantes estadounidenses de octavo grado se clasificaron casi sin error. El mecanismo es sencillo: los detectores castigan la prosa predecible, con vocabulario común y pocas variaciones. Penalizan a quien escribe fuera del registro dominante y absuelven a quien domina el canon, o a quien sabe pedirle a la máquina que suene menos predecible.

Vigilar por vía de la sospecha lingüística reproduce las jerarquías de clase, de origen y de lengua materna que la universidad dice querer corregir.

Ángel Rama llamó «ciudad letrada» al dispositivo con que las élites latinoamericanas convirtieron la escritura en frontera de poder. El detector es su versión estadística. Vigilar por vía de la sospecha lingüística reproduce las jerarquías de clase, de origen y de lengua materna que la universidad dice querer corregir. Para quien escribe en español, una lengua menos representada que el inglés en los datos con que se entrenan los modelos y las herramientas que los vigilan, esto no es una anécdota técnica. Es un problema de ciudadanía académica.

Capital simbólico: quién pierde valor cuando la fluidez se abarata

Hay una capa que el debate público prefiere no tocar, y la planteo en términos estructurales, no personales. En Homo Academicus (1984), Bourdieu distinguió dos capitales dentro de la universidad. El capital académico es el poder sobre la reproducción del cuerpo docente: tribunales, comisiones, plazas. El capital intelectual o científico es el prestigio ganado con la obra. También describió dos estrategias: la conservación, propia de quienes ya están consagrados, y la subversión, propia de quienes recién llegan. Y habló de histéresis: disposiciones formadas en un estado anterior del campo que siguen operando cuando el campo ya cambió.

Leída así, parte de la «resistencia» puede entenderse como estrategia de conservación. Quien acumuló su autoridad bajo el régimen de la cultura impresa, con el dominio del registro escrito, la erudición citable y el ensayo como prueba de pensamiento, ve cómo una máquina abarata precisamente esa fluidez. Defender el ensayo tal como estaba es también defender el valor de un capital. Las incorporaciones más recientes, más conectadas con la cultura digital algorítmica, suelen tener el problema inverso. Su capital en apropiación crítica de tecnologías, diseño de experiencias o lectura de plataformas se convierte mal en capital académico reconocido.

El tablero se repite, con variaciones, en buena parte de los sistemas universitarios. Las plantillas envejecen y la cúspide concentra a la vez la edad y el poder de decisión: en España, por ejemplo, más de un tercio de quienes ocupan una cátedra en la universidad pública tiene sesenta años o más. En la base crece un estrato de docencia precaria, temporal o a tiempo parcial, que sostiene buena parte de la enseñanza sin intervenir en las decisiones que la definen. Y los sistemas que evalúan las carreras académicas premian la publicación muy por encima de la docencia, de modo que reinventar la relación pedagógica rinde poco en los baremos que deciden quién asciende. No tengo datos sólidos que crucen actitudes ante la IA con edad, categoría o tipo de contrato. Lo que planteo es, por tanto, una interpretación teórica y no un hallazgo empírico.

Tres matices impiden que esto se convierta en una guerra generacional. El primero: la diferencia no es de edad. El mito de los «nativos digitales» lleva años desmontado, por ejemplo por Kirschner y De Bruyckere en Teaching and Teacher Education (2017). Lo que cuenta es la posición en el campo y el tipo de relación con la cultura digital, no la fecha de nacimiento. El segundo: la ambivalencia corre en ambas direcciones. Hay consagrados que reconvierten su capital con rapidez y se presentan como «expertos en IA». Hay recién llegados capturados por la economía de la visibilidad o por las plataformas que dicen criticar. El tercero me incluye. Escribo desde dentro del campo, en una posición intermedia. Durante más de una década he coordinado un curso de identidad digital que hoy es microcredencial, y sé lo difícil que es que ese trabajo cuente en los mismos baremos que un artículo indexado. No hay afuera desde donde mirar.

Quien acumuló su autoridad bajo el régimen de la cultura impresa, con el dominio del registro escrito, la erudición citable y el ensayo como prueba de pensamiento, ve cómo una máquina abarata precisamente esa fluidez.

Doy clase en una universidad presencial y asesoro con otra a distancia, y lo que vivo en una y en otra no tiene mucho que ver. En la institución a distancia las alarmas se encendieron antes, y antes se persiguió la posible trampa del estudiantado. Pero también antes se evolucionó hacia otra posición, en la que, en lugar de perseguir, se animaba a pensar más en el proceso que en el producto. Sospecho que la explicación tiene poco que ver con la tecnología y mucho con las coartadas. La presencialidad conserva una que la distancia nunca tuvo: la sensación de que, si hay aula, hay aprendizaje. Una universidad que no puede ofrecer el aula como prueba depende en buena medida de lo que su estudiantado entrega, y una máquina que fabrica entregas verosímiles la golpea primero y en el centro. Esa misma intemperie la obligó también a preguntarse antes qué cuenta como evidencia de que alguien aprendió. Quizá por eso, allí donde la coartada sigue en pie, todavía puede discutirse sobre la máquina en lugar de sobre la relación.

La letra pequeña de la soberanía

Queda la economía política, que suele llegar envuelta en lenguaje de oportunidad. Las grandes tecnológicas ofrecen licencias educativas en contextos de austeridad, y la eficiencia se vende como pedagogía. La regulación europea avanza a otro ritmo. El Reglamento de IA clasifica como de alto riesgo los sistemas usados en educación para decidir admisiones, evaluar resultados o vigilar exámenes. Pero el Reglamento (UE) 2026/1744, conocido como Ómnibus digital sobre IA y en vigor desde el 27 de julio de 2026, aplazó esas obligaciones del 2 de agosto de 2026 al 2 de diciembre de 2027. Mientras tanto, las decisiones se toman en contratos de licencia que casi nadie en las aulas ha leído. La mierdificación que Cory Doctorow describe para internet tiene aquí un terreno fértil. Una universidad que no sabe qué relación pedagógica quiere proteger difícilmente sabrá qué cláusula negociar. Como advierten Tomás Balmaceda y Tobias J. Schleider en su análisis del philowashing, discutir cómo debe comportarse un sistema no responde a la pregunta previa de qué decisiones conviene entregarle.

Por eso la pregunta por la soberanía cognitiva, que Juan Ruocco planteó en 421 como la capacidad de una persona, una comunidad o una nación de controlar su propio conocimiento, su atención y sus decisiones, no se resuelve dentro de cada cabeza. Se juega también en instituciones que deciden qué cuenta como saber, qué cuenta como trampa y quién tiene la última palabra sobre ambas cosas. El experimento de Black Mountain College recuerda que hubo universidades que ensayaron otra relación entre quien enseña y quien aprende. Las discusiones entre doomers y hyperos recuerdan que la pregunta por la IA casi siempre es una pregunta por nosotros.

Hay una ironía final que no quiero desperdiciar. Esta nota se traducirá al inglés con una IA y una persona la revisará después. Si la traducción sale fluida, nadie sabrá si el texto fue entendido en el camino. Es lo mismo que pasa, cada semana, con miles de trabajos que llegan a una plataforma de evaluación. La diferencia es que aquí lo decimos.

Los estudiantes de Córdoba pedían, hace más de un siglo, una vinculación entre el que enseña y el que aprende. La máquina no la rompió: la encontró hecha de malentendidos educados y la convirtió en servicio. Queda por saber qué haremos cuando ya no podamos fingir que nos entendíamos.