Con motivo de la conferencia inaugural de Ludovia, dedicada este año a «la inteligencia artificial y los datos en las aulas y en los centros educativos», Didier Roy, investigador asociado al equipo Flowers de Inria; Mathieu Bartozzi, responsable de estrategia, datos e IA educativa de MLF Monde; Frédérique Chessel-Lazzarotto, de la EPFL; el docente David Plumel, y Jean-Marc Merriaux, director general de MLF Monde, combinaron aportaciones de la investigación, reflexiones sobre las transformaciones educativas y experiencias sobre el terreno.
¿Qué demuestra hoy en día un buen trabajo escolar? La pregunta podría parecer provocadora. Sin embargo, se encuentra en el centro de uno de los problemas más interesantes planteados durante esta conferencia.
La escuela se apoya en gran medida en las producciones del alumnado para inferir sus aprendizajes: trabajos, evaluaciones, exposiciones orales, ejercicios o tareas realizadas en casa constituyen otras tantas evidencias a partir de las cuales se estima qué se ha comprendido y adquirido. Ahora bien, las IA generativas destacan precisamente por su capacidad para producir, estructurar, reformular o mejorar esas evidencias.
Mathieu Bartozzi habla así de una «crisis de la prueba»: una producción de mayor calidad ya no garantiza necesariamente un mejor aprendizaje, y el dominio aparente de una tarea puede ocultar una fuerte dependencia de la asistencia proporcionada por la herramienta.
Sin embargo, la IA no ha creado esta fragilidad. Antes de ChatGPT, un trabajo realizado en casa ya podía beneficiarse de una ayuda familiar muy desigual, hasta el punto de que David Plumel recuerda con humor que «papá y mamá» ya podían hacer el trabajo.
Lo que cambia con la IA es la magnitud del fenómeno, su facilidad de acceso y la calidad de las producciones que permite obtener, hasta el punto de hacer mucho más difícil mantener una equivalencia implícita entre trabajo entregado, competencia y aprendizaje.
En este sentido, la IA quizá actúe menos como la causa de una crisis completamente nueva que como el revelador contundente de una vieja cuestión: ¿qué evalúa realmente la escuela cuando evalúa una producción y cómo puede asegurarse de que detrás de un buen resultado existe realmente un aprendizaje?
La IA revela una antigua confusión entre tener éxito y aprender
La primera ruptura introducida por la IA es bastante sencilla de formular: una producción bien realizada ya no constituye, por sí sola, una prueba suficiente de aprendizaje. Cuando una herramienta puede redactar un texto, proponer una estructura, resolver un problema o mejorar considerablemente una respuesta, la calidad del resultado final ya no permite atribuir con certeza a la persona que lo presenta las competencias que aparentemente demuestra.
Mathieu Bartozzi resume esta dificultad mediante la imagen de un «termómetro» escolar que ha quedado parcialmente obsoleto. Tradicionalmente, la escuela observa evidencias —evaluaciones, trabajos, exposiciones orales u otras producciones— para deducir lo que un alumno sabe y sabe hacer. Sin embargo, la IA interviene precisamente sobre esas evidencias y puede mejorar su calidad sin que el aprendizaje haya progresado en la misma proporción. Por tanto, la «prueba de producción» ya no puede equipararse automáticamente a una «prueba de aprendizaje».
Los deberes realizados en casa ofrecen una ilustración casi caricaturesca de este fenómeno. David Plumel señala que un ejercicio encargado para casa puede volver perfectamente realizado sin que el profesorado sepa realmente «quién lo ha hecho». Con una IA generativa disponible en cuestión de segundos, el fenómeno cambia evidentemente de escala.
La IA no hace desaparecer una correspondencia hasta ahora perfecta entre producción y aprendizaje, sino que hace mucho más visible una fragilidad que ya existía, al tiempo que la amplifica considerablemente. Lo que antes podía requerir la ayuda de un familiar, largas búsquedas o cierto grado de experiencia es ahora accesible casi instantáneamente, con un resultado que a menudo resulta lo bastante convincente como para dificultar la interpretación habitual de las producciones escolares.
Esta constatación, además, no se limita a la enseñanza escolar. Frédérique Chessel-Lazzarotto señala que en la EPFL se observan los mismos fenómenos de delegación y modificación del esfuerzo cognitivo, con estudiantes que en ocasiones reconocen haber delegado demasiado en la IA, hasta el punto de perjudicar su propio aprendizaje.
El problema va, por tanto, mucho más allá de las trampas o el fraude académico. Ya no se trata únicamente de determinar si el trabajo entregado es «auténtico», sino de saber qué permite concluir realmente su calidad acerca de los aprendizajes.
Porque detrás de una producción correcta puede ocultarse ahora una dificultad más profunda: la de un alumno que obtiene el resultado adecuado y que, al mismo tiempo, tiene la impresión —a veces sincera— de haber adquirido una competencia que en realidad no domina.
Si la producción ya no es suficiente, hay que cambiar lo que la escuela observa y evalúa
Constatar los límites de la producción final como indicador del aprendizaje no significa que haya que renunciar a la evaluación, sino más bien ampliar aquello que se pretende observar. Mathieu Bartozzi propone así prestar mayor atención al proceso: cómo ha preparado el alumno su trabajo, cómo ha revisado, colaborado, integrado los comentarios recibidos o mejorado una primera producción. El resultado final conserva su importancia, pero ya no puede constituir por sí solo la prueba del aprendizaje.
La llegada de las IA generativas obliga también a replantear determinadas actividades escolares. Bartozzi menciona, en particular, el ejemplo de los deberes de matemáticas para casa, cuya forma tradicional considera «obsoleta», aunque subraya que pueden replantearse para volver a situar al alumno en el centro del trabajo solicitado. Sobre el terreno, David Plumel explica cómo algunos compañeros ya han modificado sus objetivos: en lugar de pedir únicamente una producción escrita, han utilizado textos generados por IA para trabajar el análisis y el pensamiento crítico de sus alumnos.
Este cambio es importante: ya no se trata únicamente de impedir que la IA haga el trabajo en lugar del alumnado, sino de diseñar situaciones en las que su utilización —o su ausencia— responda realmente a un objetivo de aprendizaje.
La pregunta pertinente pasa entonces a ser menos «¿se ha utilizado una IA?» y más «¿qué se ha aprendido utilizándola y qué seguimos siendo capaces de hacer sin ella?»
Esto implica también formar tanto al personal educativo como al alumnado. Las intervenciones convergen en este punto: comprender el funcionamiento probabilístico de las IA, sus límites y sus riesgos constituye un primer nivel de alfabetización, pero la formación del personal debe ir más allá y abordar los propios usos pedagógicos. Para Mathieu Bartozzi, es precisamente la intención pedagógica la que puede marcar la diferencia entre una asistencia que sustituye al aprendizaje y una herramienta que contribuye a favorecerlo.
A escala de los centros educativos, Jean-Marc Merriaux amplía esta reflexión introduciendo la cuestión de los datos: MLF Monde busca aprovechar mejor los resultados de las evaluaciones para objetivar las acciones, identificar los puntos fuertes y débiles de los centros y alimentar los proyectos colectivos. En definitiva, otra manera de desplazar la atención desde aquello que se produce hacia lo que realmente puede observarse de sus efectos.
En el fondo, la irrupción de la IA quizá desplace la cuestión más de lo que la resuelve. Ya no basta con preguntarse cómo integrar estas herramientas en la escuela. Primero hay que determinar qué queremos que aprendan realmente los alumnos, en qué situaciones puede ayudarles una asistencia y, sobre todo, cómo comprobar que, al final del proceso, la competencia les pertenece realmente.
Conclusión
Al término de esta conferencia, se impone una idea: ante la IA, el reto esencial no consiste únicamente en saber utilizar una herramienta, sino en saber qué somos realmente capaces de hacer con ella, sin ella y gracias a ella.
Esto es precisamente lo que engloba la metacognición: la capacidad de identificar nuestros conocimientos, nuestros errores, nuestras estrategias y las condiciones en las que aprendemos. Didier Roy la sitúa en el centro de la cuestión y recuerda que permite distinguir entre una comprensión real y una simple impresión de dominio.
Esta competencia se vuelve decisiva en un entorno en el que la IA puede producir rápidamente respuestas plausibles, fluidas y, a menudo, convincentes. El alumno debe ser capaz de preguntarse no solo si la respuesta es correcta, sino también por qué le parece correcta, qué comprende realmente de ella, qué ha delegado en la herramienta y qué sigue dominando por sí mismo. David Plumel formula de manera muy concreta este aprendizaje del discernimiento: saber cuándo la IA resulta útil, cuándo no lo es y si su utilización aumenta realmente las capacidades del alumno o simplemente oculta una falta de dominio.
Probablemente sea aquí donde se juega una parte esencial de la respuesta educativa. La IA obliga a la escuela a distinguir mejor entre rendimiento, producción y aprendizaje, pero, sobre todo, nos recuerda que la autonomía no consiste en saber obtener una respuesta. Supone comprender cómo se ha llegado a ella, ser capaz de valorar su calidad y, en la medida de lo posible, seguir siendo capaz de hacer sin ayuda aquello que se afirma haber aprendido.
Artículo y síntesis realizados por Stéphanie de Vanssay.
