(Carlos Emilio Biscay, CEO e-ABC Learning) ¿Cómo usar la IA generativa en la producción académica y docente sin perder el juicio crítico, la autonomía intelectual ni la validez de las fuentes? La inteligencia artificial generativa se ha instalado con fuerza en la educación superior. Ya no se trata de una herramienta marginal ni de una curiosidad tecnológica: hoy participa en procesos de búsqueda, lectura, síntesis, escritura, evaluación y producción de conocimiento.
El problema no es simplemente si se debe permitir o prohibir el uso de IA. Esa oposición resulta insuficiente. La IA generativa ya forma parte del ecosistema académico y profesional. La cuestión decisiva es cómo integrarla de manera ética, transparente y pedagógicamente significativa. Hay un cambio de paradigma: antes el proceso académico podía describirse como “buscar → leer → analizar → escribir”; ahora la IA puede intervenir en todo el proceso, pero el rol humano sigue siendo guiar, cuestionar, validar y reformular los resultados.
La primera dimensión crítica es la escritura académica. Herramientas como ChatGPT, Perplexity, NotebookLM, Gemini o Claude pueden ayudar a organizar ideas, resumir textos, comparar argumentos, mejorar la redacción o generar borradores. Esto puede ser valioso cuando se las utiliza como asistentes de proceso y no como sustitutos del pensamiento. La IA puede colaborar en la estructuración de un texto, sugerir enfoques, detectar repeticiones o proponer mejoras de claridad. Sin embargo, el riesgo aparece cuando el usuario delega en la herramienta la formulación del problema, la selección de fuentes, la argumentación y la conclusión. En ese caso, la escritura deja de ser una práctica de pensamiento y se convierte en una operación de ensamblaje automático.
Aquí resulta clave el aporte de Bender et al. (2021), quienes advierten sobre los riesgos de los grandes modelos de lenguaje y los describen críticamente como sistemas capaces de producir secuencias lingüísticas plausibles sin comprensión real del mundo. La fuente fue ubicada dentro del marco conceptual del trabajo como una crítica epistemológica de la IA y de los límites del conocimiento generado por modelos lingüísticos . Esta idea permite comprender que un texto generado por IA puede sonar académico, coherente y sofisticado, pero aun así contener errores, sesgos o afirmaciones no verificadas.
La segunda dimensión es la autorregulación del aprendizaje. La educación superior no busca únicamente que los estudiantes produzcan textos formalmente correctos, sino que desarrollen la capacidad de planificar, monitorear y evaluar su propio aprendizaje. En este punto, Zimmerman (2002) ofrece una base teórica relevante: el aprendizaje autorregulado implica que el estudiante pueda organizar sus objetivos, controlar sus estrategias, revisar su desempeño y ajustar su proceso. Esta fuente fue identificada como clave para analizar el impacto de la IA sobre la autonomía del estudiante .
Desde esta perspectiva, la IA puede fortalecer la autorregulación si funciona como interlocutor: permite contrastar hipótesis, pedir explicaciones alternativas, revisar argumentos o recibir retroalimentación. Pero también puede debilitarla si genera dependencia cognitiva. El estudiante puede sentir que comprende porque obtiene una respuesta clara, cuando en realidad no ha atravesado el esfuerzo intelectual de formular, contrastar, equivocarse y reelaborar. El riesgo no es solo el plagio; es la pérdida progresiva del control metacognitivo.
La guía de la UNESCO sobre IA generativa en educación e investigación advierte que estas herramientas pueden producir resultados aparentemente razonables, pero inexactos. Por eso, recomienda evaluar críticamente sus respuestas antes de utilizarlas en contextos educativos o académicos. Además, propone un enfoque centrado en el ser humano, orientado a proteger la intervención humana, la equidad, la inclusión, la diversidad cultural y la responsabilidad pedagógica . Esta orientación es central: la IA no debería reemplazar la acción humana, sino ampliarla bajo criterios claros.
La tercera dimensión es la evaluación. La irrupción de la IA generativa produjo preocupación por el plagio, la autoría y la integridad académica. Muchas instituciones respondieron con detectores automáticos de IA. Sin embargo, este camino tiene límites importantes. El texto de Pedro Luis Figueroa advierte que estos sistemas no prueban autoría, sino que estiman probabilidades. Su uso acrítico puede producir falsos positivos, injusticias y una pedagogía basada en la sospecha . Si la evaluación se organiza solamente alrededor del control, el aula se transforma en un espacio defensivo: docentes que sospechan, estudiantes que ocultan y consignas diseñadas para evitar trampas más que para promover aprendizajes.
Una alternativa más fértil consiste en pasar de una pedagogía de la vigilancia a una pedagogía de la transparencia. Esto implica pedir a los estudiantes que declaren si usaron IA, para qué la usaron, qué indicaciones o prompts aplicaron, qué decisiones tomaron y cómo validaron los resultados. No se trata de aceptar cualquier uso, sino de diferenciar entre uso asistido, uso dependiente y uso fraudulento. La evaluación debería mirar no solo el producto final, sino también el proceso: decisiones, fuentes, criterios, iteraciones, revisión y justificación.
La cuarta dimensión es el pensamiento crítico. La IA generativa ofrece respuestas fluidas y convincentes, pero esa fluidez puede generar una falsa sensación de autoridad. Meredith Broussard advierte contra el “tecnochovinismo”, es decir, la creencia de que la tecnología siempre es la mejor solución. Su crítica es especialmente pertinente para la educación: las computadoras procesan símbolos y datos, pero no comprenden el mundo; por eso, confundir cálculo con comprensión o automatización con objetividad puede conducir a errores graves . En otras palabras, la IA puede producir lenguaje académico sin comprender académicamente lo que dice.
Por eso, el uso responsable de IA en educación superior requiere algunos criterios mínimos. Primero, contextualizar: la herramienta necesita recibir información sobre el objetivo, el nivel académico, el enfoque, el tipo de producción y los criterios de calidad. Segundo, contrastar: ninguna respuesta debe aceptarse sin revisar fuentes, autores, datos y supuestos. Tercero, transparentar: el uso de IA debe poder declararse y explicarse. Cuarto, preservar la autoría intelectual: la pregunta, la interpretación, el posicionamiento y la decisión final deben seguir siendo humanos. Quinto, diseñar buenas consignas: en lugar de pedir tareas fácilmente automatizables, conviene proponer actividades situadas, comparativas, argumentativas, reflexivas y vinculadas con experiencias o problemas reales.
La IA generativa puede ser una aliada poderosa para la producción académica y docente. Puede ayudar a formular mejores preguntas, ordenar materiales, explorar perspectivas, revisar textos y generar recursos educativos. Pero su valor depende del modo en que se la integre. Si se la usa como sustituto del pensamiento, empobrece la formación. Si se la usa como interlocutor crítico, puede enriquecerla.
En definitiva, el desafío de la educación superior no es enseñar a evitar la IA, sino enseñar a pensar con IA sin dejar de pensar por cuenta propia. La autonomía intelectual no se defiende prohibiendo herramientas, sino formando criterios. La validez académica no se garantiza con detectores automáticos, sino con mejores prácticas de lectura, escritura, citación, evaluación y transparencia. Y el juicio crítico no se conserva por inercia: debe ejercitarse deliberadamente en cada interacción con la tecnología.
La pregunta ya no es si la IA debe entrar en la universidad. Ya entró. La pregunta decisiva es qué tipo de cultura académica construiremos con ella: una cultura de dependencia y sospecha, o una cultura de responsabilidad, criterio y aprendizaje aumentado.
Fuentes utilizadas
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
Broussard, M. (2018). Artificial unintelligence: How computers misunderstand the world. The MIT Press.
Figueroa, P. L. (s. f.). Detectores de IA en educación: imprecisos e injustos, ¿ayudan a la transformación de la enseñanza y del aprendizaje? LinkedIn. Recuperado el 2 de mayo de 2026, de https://www.linkedin.com/pulse/detectores-de-ia-en-educaci%C3%B3n-imprecisos-e-injustos-ayudan-figueroa-v2dhf/
UNESCO. (2024). Guía para el uso de IA generativa en educación e investigación. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://www.unesco.org/es/articles/guia-para-el-uso-de-ia-generativa-en-educacion-e-investigacion
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70.https://doi.org/10.1207/s15430421tip4102_2