La ilusión del dominio: En que acierta el "Panorama de la Educación Digital 2026" de la OCDE—y que tienen aún pendiente las universidades*

La inteligencia artificial generativa no esperó a que las universidades estuvieran preparadas. Los estudiantes y docentes la adoptaron en sus propios términos —gratuita, intuitiva y casi invisible para la supervisión institucional— y mucho antes de que alguien hubiera redactado una política o constituido un comité de gobernanza para el efecto. El Panorama de la Educación Digital 2026 de la OCDE es uno de los intentos más sólidos hasta la fecha de separar la "paja del trigo" en esa adopción vertiginosa. Merece una lectura atenta y una respuesta franca.

El hallazgo central del informe debería proyectarse en la pared de cada rectorado: rendir mejor en tareas asistidas por IA no equivale a aprender. Los estudiantes que emplean herramientas de uso general suelen producir resultados más pulidos (e.g., textos más fluidos, código más limpio y respuestas más completas), pero esas ganancias suelen desaparecer, o invertirse, en el momento en que se retira la herramienta, ya sea en exámenes, en conversaciones de seguimiento o en el curso siguiente.

Esto no es un matiz menor; es un problema estructural.

En que acierta la OCDE

La trampa del dominio aparente. Cuando los estudiantes delegan el trabajo cognitivo, pueden parecer competentes aunque en realidad estén logrando niveles de comprensión sorprendentemente frágiles. Producen textos fluidos y respuestas plausibles sin llegar a desarrollar los esquemas mentales que hacen que el conocimiento sea transferible. La trampa solo se hace evidente cuando cambian las circunstancias., por ejemplo, frente a un formato de pregunta distinto, una profundización más exigente, o una evaluación sin herramientas de apoyo. Para entonces, la brecha puede ser bien difícil de cerrar.

Las herramientas de uso general no son herramientas educativas. ChatGPT y sus pares no fueron diseñados con objetivos de aprendizaje, patrones de error conceptual o bucles de retroalimentación formativa en mente. La IA generativa concebida específicamente para la educación, con herramientas que incorporan la intención del docente, el contexto del curso y los objetivos pedagógicos, ofrece ,mejores perspectivas. Muchas universidades tienen esto exactamente al revés: restringen la experimentación con herramientas educativas en tanto que toleran el uso descontrolado de herramientas de propósito general. El escenario resultante no podría ser peor: baja gobernanza y escaso valor pedagógico.

Los datos sobre docentes ofrecen una constatación inquietante de la realidad. En 2024, el 37% de los docentes de educación secundaria inferior declararon usar IA en su labor profesional; el 57% le veía utilidad para la planificación de clases; y el 72% manifestaba preocupación por la integridad académica. Es de esperar cifras similares en el mundo de la educación superior, donde la adopción va adelanta de las políticas y la preocupación supera con creces a la reforma de los sistemas de evaluación.

El informe también acierta al ampliar el foco más allá del aula. El potencial de la IA en los flujos de trabajo de investigación y en la gestión institucional (e.g., alineación curricular, etiquetado de recursos, diseño de evaluaciones y orientación estudiantil), es real y no está explorado suficientemente. Esas ganancias son alcanzables, pero requieren gobernanza, no solo entusiasmo.

Donde el enfoque se queda corto

La OCDE apela con insistencia al concepto de «intención pedagógica», la idea de que lo que importa es si la IA se usa con propósito deliberado. Eso es cierto, pero insuficiente. La intención sin que haya claridad operativa genera un caos bien intencionado.

¿Qué aspecto tiene exactamente la asistencia legítima de la IA en una asignatura concreta? ¿Qué pasos cognitivos deben seguir siendo responsabilidad exclusiva del estudiante? ¿Qué evidencia distingue el aprendizaje real de la mera producción de resultados? ¿Cómo detectará una institución, con el paso del tiempo, si el uso de la IA está construyendo o erosionando capacidades? Sin criterios mensurables, la «intención pedagógica» corre el riesgo de convertirse en una coartada antes que en un estándar.

La evaluación es el verdadero cuello de botella. Los sistemas de evaluación tradicionales miden cada vez más la pericia en el uso de la IA en vez de la comprensión humana. Un estudiante que entrega un trabajo de alto nivel con una asistencia intensiva de IA ha demostrado algo, pero, seguramente, no lo que la rúbrica pretendía medir. Las universidades necesitan acelerar el tránsito hacia defensas orales, documentación de procesos, tareas auténticas y específicas en cada contexto, y formatos controlados en los que lo que se evalúa es el razonamiento y no el resultado.

La equidad va más allá del acceso. El informe reconoce las preocupaciones en torno a la equidad, pero la profundidad del problema merece mayor atención. Las brechas en alfabetización digital varían según la disciplina, el nivel de formación y la lengua materna. Las herramientas premium tienen un coste y los modelos entrenados con predominio de datos en inglés incorporan sesgos que penalizan sistemáticamente a ciertos estudiantes. Las estrategias de equidad deben priorizar el desarrollo de destrezas y habilidades, no solo la distribución de dispositivos.

El riesgo institucional merece un capítulo propio. Las vulneraciones a la privacidad, filtraciones de datos, litigios sobre propiedad intelectual y la exposición ante los entes de acreditación son riesgos reales que están emergiendo en los despachos jurídicos y entre los equipos a cargo del cumplimiento normativo. El informe los menciona de pasada, pero las universidades deben tratarlos como cuestiones de gobernanza de primer orden.

Qué deberían hacer realmente los líderes universitarios

Articular un marco de política en tres niveles. No una prohibición generalizada ni un laissez-faire, sino una jerarquía estructurada. Algunas tareas, tales como las competencias fundacionales, los ejercicios de razonamiento básico, y determinadas evaluaciones de alto impacto, no admiten IA. Otras se benefician de herramientas educativas diseñadas para ese propósito, y la IA de uso general puede estar permitida donde corresponda, con divulgación, requisitos de verificación y evidencia del proceso. Lo determinante es ser explícitos. La ambigüedad es el caldo de cultivo de los problemas de integridad.

Rediseñar la evaluación para medir competencia auténtica. Exigir a los estudiantes que muestren su razonamiento, no solo sus conclusiones. Los controles orales, los registros de iteración, la evaluación de fuentes y las herramientas propias de cada disciplina —aquellos que no pueden externalizarse— no son solo resistentes a la IA: son pedagógicamente superiores. La presión de responder a la IA es una oportunidad para corregir evaluaciones que no funcionan hace mucho tiempo.

Poner en marcha pilotos con métricas reales. Entre seis y diez proyectos piloto interdisciplinarios, evaluados en función de los logros de aprendizaje, la retención y la transferencia—no sólo de los índices de satisfacción. Compartir bibliotecas de prompts. Estandarizar indicadores. Incluir pruebas de adversario para detectar alucinaciones y sesgos. Tratar los pilotos como generación de evidencia, no como ejercicio de imagen institucional.

Establecer gobernanza antes de la próxima crisis. Un catálogo de herramientas aprobadas con niveles de riesgo diferenciados. Normas de clasificación de datos. Registros de auditoría para usos de alto impacto. Un comité permanente con representación de docentes, servicios de tecnología, asesoría jurídica y estudiantes, y no solo administradores tomando decisiones sobre herramientas que apenas utilizan.

Aplicar la IA a la administración sin automatizar el juicio.

Los primeros borradores de comunicaciones, la síntesis de normativas, la clasificación de documentos y el triaje de orientación estudiantil son objetivos adecuados. Las decisiones automatizadas y opacas sobre situaciones académicas, procedimientos disciplinarios o perfiles de riesgo no lo son. La línea importa, y mucho.

Formar al profesorado en pedagogía, no en prompts. El desarrollo profesional debe centrarse en el diseño de experiencias de aprendizaje, la alfabetización en verificación y el rediseño de la evaluación y no en trucos para extraer mejores resultados de los chatbots. El objetivo es contar con docentes que puedan tomar decisiones fundamentadas y con criterio propio sobre cuándo la IA favorece el aprendizaje y cuándo no.

La pregunta más difícil

El informe de la OCDE tiene razón en que la IA generativa puede favorecer el aprendizaje cuando se emplea con rigor, y en que una adopción sin gestión de herramientas de propósito general corre el riesgo de sustituir la apariencia de competencia por la competencia real. Las universidades se enfrentan a dos imperativos coetáneos: rediseñar el aprendizaje y la evaluación para construir capacidades humanas duraderas, y edificar una gobernanza que convierta a la IA en un componente "accountable" del ecosistema educativo, en lugar de un sistema paralelo que opera en la sombra.

Si se hace bien, esto no deshumanizará la educación. Por el contrario, puede, recentrarla. Porque la presión de la IA obliga a una pregunta que las instituciones han eludido en su mayor parte: ¿qué decimos realmente que estamos enseñando? Si la respuesta es juicio crítico, capacidad de razonamiento, integridad y creatividad, entonces eso es lo que se debe evaluar. No lo que resultaba más sencillo calificar antes de que llegaran las herramientas.

La OCDE ha señalado la dirección correcta. Ahora las instituciones deben decidir si siguen su pauta o si esperan a que la brecha entre resultados y aprendizaje resulte imposible de ignorar.

*Texto desarrollado con asistencia de IA.