Briefing semanal para profesores universitarios — 10 de mayo de 2026
El semestre avanza y en las salas de profesores de Bogotá, Lima, Córdoba o Monterrey la conversación informal ya no es si los estudiantes usan IA, sino qué les está dejando ese uso. Esta semana la pregunta ganó densidad: una serie de estudios y reportes consolidaron lo que muchos veníamos intuyendo en la corrección de parciales — los trabajos están más pulidos en la superficie y más vacíos en la trastienda del razonamiento. Es el momento de nombrar el fenómeno con precisión y, sobre todo, de preguntarnos qué hacer el lunes en clase.
El concepto que organiza este briefing es el de deuda cognitiva: la hipótesis de que delegar sistemáticamente operaciones de pensamiento crítico a sistemas de IA generativa erosiona, con el tiempo, la capacidad de ejecutar esas operaciones sin asistencia. Es una hipótesis, no un veredicto. Pero llega a América Latina con una torsión que el debate anglosajón no termina de capturar: aquí la misma accesibilidad de estas herramientas —gratuitas, en español, sin requisitos de infraestructura sofisticada— es la que permitió a miles de estudiantes de primera generación universitaria saltar barreras de redacción académica, búsqueda bibliográfica y comprensión de textos en inglés. Quitar la herramienta hoy sería repetir una vieja escena regional: prohibir lo que democratiza para proteger lo que jerarquiza.
La pregunta, entonces, no es si la IA debilita o fortalece el pensamiento crítico en abstracto. Es quién paga la deuda, en qué cursos se cobra, y si las universidades latinoamericanas tienen los recursos pedagógicos para refinanciarla antes de que venza.
El hallazgo que reabre la discusión
El detonante del debate de esta semana es la circulación regional de estudios que documentan, con metodologías diversas, una correlación entre uso intensivo no supervisado de IA generativa y reducción de marcadores de procesamiento profundo en tareas académicas. Lo relevante para nosotros no es el dato global —ya conocido— sino su aterrizaje: los reportes que comienzan a surgir desde laboratorios de educación en la UNAM y la UBA muestran patrones consistentes con la literatura internacional, pero con un agravante demográfico. La franja más afectada es la de estudiantes de cohortes ingresantes en universidades públicas masivas, precisamente quienes más se beneficiaron del acceso inicial a la herramienta Inteligencia artificial generativa: oportunidades y desafíos para la educación superior.
Esto no es una historia nueva en la región. Es la historia de cada tecnología que llegó como nivelador y terminó funcionando como amplificador. La diferencia es la velocidad: lo que con el acceso a internet o con las calculadoras tomó una década en hacerse visible, con la IA generativa está ocurriendo en tres semestres.
Cinco lentes sobre el mismo fenómeno
Disponibilidad. El debate sobre deuda cognitiva está disponible en la región principalmente a través de traducciones y de la cobertura de organismos como UNESCO IESALC. La investigación empírica producida en español, con muestras latinoamericanas, sigue siendo escasa. Esto importa porque las recomendaciones que circulan en nuestros claustros provienen casi siempre de contextos donde el estudiante promedio tiene una preparación previa distinta a la del estudiante promedio de una universidad pública latinoamericana El impacto de la IA generativa en la educación superior.
Accesibilidad. Aquí está la trampa. La mayoría de nuestros estudiantes usa versiones gratuitas: ChatGPT sin razonamiento extendido, Gemini en su capa básica, Copilot con límites. Son precisamente las versiones que más privilegian la respuesta rápida y segura sobre la deliberación. El estudiante que paga 20 dólares al mes —impensable para gran parte de la matrícula regional— accede a herramientas que invitan más a la comparación entre opciones y al razonamiento paso a paso. La deuda cognitiva, paradójicamente, se distribuye de manera regresiva: pagan más quienes menos pueden pagar.
Aplicabilidad. La pregunta tiene una relevancia distinta en sistemas que ya cargan deudas pedagógicas previas. Si la formación en pregrado de una facultad de humanidades ya venía con déficits documentados en lectura crítica, la IA puede operar como parche cosmético o como agravante estructural. No es lo mismo introducir IA en un seminario de posgrado de élite que en una cátedra de primer año con 400 inscritos y un docente con régimen de dedicación simple.
Alternativas. Lo que funciona hoy en la región es marginal pero existente: programas de alfabetización crítica en IA que algunas universidades han comenzado a integrar al currículo de los primeros semestres, no como materia electiva sino como competencia transversal. Son experiencias acotadas, dependientes de docentes individuales más que de políticas institucionales.
Anticipación. El escenario probable a 2027 es una polarización cognitiva al interior de cada cohorte: una minoría que desarrolla metacognición sobre la IA y la usa como sparring crítico, y una mayoría que queda atrapada en consumo pasivo. La autonomía universitaria de la región tiene, aquí, una responsabilidad concreta.
El aula como campo de diagnóstico
Quien corrige parciales esta semana sabe de qué hablamos. Los textos llegan con estructuras impecables, transiciones suaves, vocabulario técnico bien aplicado. Y cuando uno pregunta en oral por la tesis central, hay silencio. No es deshonestidad —al menos no siempre—. Es que el estudiante no procesó lo que entregó. El texto pasó por él sin dejar huella cognitiva.
El reporte de encuestas docentes que ha circulado esta semana en redes académicas latinoamericanas sugiere que cerca de dos tercios de los profesores de pregrado perciben este fenómeno con regularidad Perspectivas de las y los estudiantes de educación superior sobre la IA generativa. El número exacto importa menos que la consistencia del patrón.
La trampa pedagógica es responder con prohibición. No funciona y nunca funcionó: ni con Wikipedia, ni con las traducciones automáticas, ni con los resúmenes de internet. Lo que sí funciona es rediseñar la evaluación para que el proceso sea auditable. Algunas prácticas concretas que ya están en ensayo:
- Entregas en dos tiempos. Primera entrega: borrador con IA explícito y documentado, incluyendo el prompt usado y la respuesta cruda. Segunda entrega: versión final con un anexo metacognitivo donde el estudiante señala qué cambió, qué descartó, qué agregó de su propia lectura. El anexo es lo evaluado.
- Defensa oral breve. Cinco minutos al final de cada trabajo escrito. No es interrogatorio; es conversación sobre tres decisiones argumentales del texto. Si el estudiante no puede sostenerlas, el texto no es suyo en el sentido que importa.
- Tareas que la IA hace mal a propósito. Análisis de fuentes locales que el modelo no conoce, comparación entre dos textos en español rioplatense con matices regionales, lectura de jurisprudencia específica de un país. La herramienta tropieza y el estudiante tiene que pensar.
Ninguna de estas prácticas es novedosa en términos absolutos. Lo que cambia es la urgencia y la sistematicidad con que necesitamos aplicarlas. No como innovación de un docente entusiasta, sino como mínimo común de la cátedra.
El docente como deudor
Aquí hay una conversación que evitamos. La deuda cognitiva no es exclusiva del estudiantado. Quienes preparamos clases con asistencia de IA —para armar bibliografías, redactar consignas, generar ejemplos, sintetizar papers que no alcanzamos a leer— también estamos en riesgo de delegar criterio.
El asunto tiene una dimensión laboral concreta en la región. Un docente con dedicación simple en una universidad pública argentina, brasileña o colombiana, que dicta tres cursos paralelos en dos instituciones distintas para llegar a un ingreso razonable, tiene un incentivo material poderoso para que la IA haga más cosas. No es laxitud moral; es economía del tiempo docente en un régimen de dedicación que estructuralmente subpaga la preparación de clases.
El riesgo es doble. Primero, transmitir versiones sesgadas o factualmente incorrectas porque no hubo tiempo para verificar lo que el modelo produjo. Segundo, y más profundo, la erosión paulatina de la autonomía pedagógica: cuando la planificación se externaliza, el criterio sobre qué enseñar y por qué empieza a moldearse por lo que la herramienta facilita producir Inteligencia artificial generativa y educación superior: una guía rápida.
Cristóbal Cobo viene advirtiendo desde hace años sobre el riesgo de una “competencia desprotegida”: el usuario que se vuelve cada vez más hábil en operar interfaces y cada vez más vulnerable a los marcos que esas interfaces imponen. La advertencia, originalmente dirigida al ciudadano digital genérico, calza con incomodidad en el cuerpo docente latinoamericano. No somos inmunes a la deuda solo por estar del otro lado del escritorio.
La reflexión colectiva que esto exige es difícil de tener en condiciones de precarización. Pero es indispensable que ocurra a nivel de departamentos, no solo de individuos. Discutir en una reunión de cátedra qué partes del trabajo docente delegamos, cuáles no, y por qué, es una conversación de aspectos sociales (SA) tanto como pedagógica.
Alfabetización en IA: el segundo eje
Si la respuesta al fenómeno fuera simple —“enseñemos a usar mejor la IA”— ya estaría resuelta. Lo que esta semana se vuelve más claro es que la alfabetización en IA relevante no es la operativa. Saber escribir un buen prompt es la capa superficial. La capa que importa es metacognitiva: reconocer en uno mismo cuándo se está usando la herramienta para acelerar pensamiento y cuándo para evitarlo.
Esta distinción tiene implicaciones curriculares concretas. La alfabetización en IA, tal como suele plantearse en muchos programas regionales, se concibe como un módulo técnico: tipos de modelos, ingeniería de prompts, limitaciones generales. Es útil pero insuficiente. La pieza faltante es entrenar la capacidad de diagnóstico: ¿esta tarea que estoy por delegar requiere de mí una operación cognitiva que necesito conservar? ¿Esta respuesta que recibí, me ahorró un esfuerzo o me lo robó?
Un docente alfabetizado en este sentido puede modelar la práctica frente a sus estudiantes. No es lo mismo decir “usen IA con responsabilidad” que mostrar en clase, en vivo, cómo uno mismo decide no usarla para cierta lectura porque la confusión inicial es parte del aprendizaje. Ese gesto, repetido, comunica más que cualquier reglamento El impacto de la IA generativa en la educación superior.
La alfabetización también incluye reconocer los límites del modelo para razonamiento complejo. Las herramientas actuales son sorprendentemente buenas en operaciones superficiales y sorprendentemente malas en razonamientos que requieren mantener varias premisas en tensión simultánea, o en juicios contextuales que dependen de conocimiento tácito de una disciplina. Mostrarle a un estudiante de derecho dónde el modelo alucina jurisprudencia colombiana, o a uno de literatura dónde colapsa diferencias entre dos autores del boom, vale más que una hora de teoría sobre limitaciones de los LLM.
La arquitectura de las herramientas no es neutra
El cuarto eje de la semana es menos evidente pero estructural: las herramientas que usamos están diseñadas con incentivos comerciales que no coinciden con incentivos pedagógicos. Un chatbot conversacional optimizado para retención de usuario favorece la respuesta única, completa y segura. No te invita a dudar. No te muestra cinco alternativas para que compares. No se queda en silencio cuando la pregunta merecía silencio.
Esta arquitectura tiene consecuencias cognitivas. La interfaz de respuesta única invita a la delegación —recibo, copio, sigo—. Una interfaz que mostrara explícitamente la incertidumbre del modelo, o que devolviera tres respuestas contrastantes para que el usuario eligiera con argumentos, generaría un patrón de uso distinto. Esas interfaces existen, pero son minoritarias y en general están detrás de versiones de pago.
La discusión sobre modelos de negocio tampoco es marginal. La versión gratuita financiada con datos del usuario tiene incentivos distintos a la versión paga. No solo en calidad de respuesta sino en el tipo de interacción que premia. Cuanto más tiempo el usuario permanezca, mejor para el modelo gratuito; cuanto mejor sirva al usuario en su tarea real, mejor para el modelo pago. La diferencia, traducida al aula latinoamericana donde la inmensa mayoría usa lo gratuito, importa ChatGPT e inteligencia artificial en la educación superior.
Esto no es un argumento para que las universidades compren licencias institucionales —en muchos presupuestos sería simplemente inviable—. Es un argumento para que la enseñanza de IA incluya la dimensión política de la herramienta: quién la hace, con qué incentivos, con qué datos, bajo qué jurisdicción. Néstor García Canclini formuló hace tiempo la pregunta sobre ciudadanos reemplazados por algoritmos. La pregunta hoy se desplaza al aula: ¿qué tipo de razonamiento estamos formando cuando lo formamos a través de interfaces diseñadas para retener atención antes que para entrenar criterio?
Continuidad con análisis previos: el delta
Esta publicación ha sostenido en piezas anteriores que la IA en educación superior requiere marcos regulatorios y alfabetización para equilibrar personalización y ética. Mantenemos esa posición, pero el énfasis cambia. Hasta el año pasado el argumento dominante era institucional: faltan políticas, falta regulación, falta formación docente sistemática. Sigue faltando todo eso. Lo que la evidencia de los últimos meses agrega es que la espera por marcos institucionales tiene un costo cognitivo que se está pagando ahora, cohorte a cohorte. La política institucional sigue siendo necesaria; la acción pedagógica individual y de cátedra ya no puede esperarla.
El delta, entonces, es de urgencia y de escala de intervención. La conversación se baja del nivel macro al nivel del programa de la materia. No porque el nivel macro deje de importar, sino porque la deuda se contrae en el aula concreta.
Qué significa esto para profesores: implicaciones para la semana
No hay una receta única. Hay decisiones que cada docente puede tomar en los próximos días y que, acumuladas, cambian el panorama.
En la planificación inmediata. Revisar al menos una consigna del próximo mes y rediseñarla para que el proceso sea visible. No basta con cambiar el tema; hay que cambiar la estructura de entrega. Una opción mínima: pedir, junto con el trabajo, un párrafo del estudiante explicando qué decisión interpretativa tomó y por qué.
En la sala de clase. Dedicar veinte minutos esta semana a hacer en vivo, frente a los estudiantes, un análisis que normalmente harían en casa. Pensar en voz alta, dudar, volver atrás, descartar caminos. No es performance: es modelado de la operación cognitiva que la IA tiende a esconder.
En la evaluación. Si todavía no se hace, incorporar al menos un componente oral en la próxima instancia evaluativa, aunque sea breve. La oralidad no detecta plagio; detecta apropiación. Que es lo que nos interesa.
En la conversación con colegas. Llevar a la próxima reunión de cátedra o departamento la pregunta sobre qué del trabajo docente propio estamos delegando a la IA y por qué. No para juzgar, para mapear. Sin diagnóstico colectivo no hay decisión colectiva.
En el vínculo con los estudiantes. Nombrar el problema explícitamente, sin moralismo. Decirles que la deuda cognitiva es real, que se distribuye desigualmente, que ellos están en una posición vulnerable y que el curso va a estar diseñado teniéndolo en cuenta. La transparencia sobre las reglas del juego pedagógico es más eficaz que cualquier vigilancia.
Lo que conviene no hacer. Prohibir la herramienta de plano; pretender detectarla con software que no funciona bien en español; tratar el fenómeno como un problema de honestidad académica cuando es, sobre todo, un problema cognitivo y pedagógico; asumir que los estudiantes saben usarla bien porque son jóvenes.
Cierre prospectivo
La semana que cierra deja una intuición clara: el debate sobre deuda cognitiva va a ser uno de los ejes definitorios del próximo año académico en la región. Las universidades latinoamericanas se acercan al final de la primera fase —la del shock, la de las prohibiciones improvisadas, la del entusiasmo acrítico— y entran a una segunda fase donde la pregunta es estructural. ¿Cómo se diseña una formación de pregrado masiva, en condiciones presupuestarias estrechas y con régimen de dedicación docente mayoritariamente simple, que produzca egresados con capacidad de pensamiento autónomo en un entorno saturado de IA?
No es una pregunta retórica. Tiene implicaciones para el diseño curricular, para los criterios de acreditación, para la política científica de CONICET, CNPq, CONACYT y sus equivalentes —que tendrán que decidir si financian investigación regional sobre estos fenómenos o si seguimos importando marcos diagnósticos de contextos distintos—, y para la propia definición de qué significa un título de grado en 2028.
La hipótesis de trabajo de este briefing, que sostendremos en las próximas semanas, es que la región tiene una ventana corta —de dos a tres semestres— para evitar que la deuda cognitiva se convierta en una nueva capa de desigualdad estructural. La ventana se cierra cohorte a cohorte. Cada semestre que pasa sin rediseño pedagógico es un semestre en el que ingresan al sistema estudiantes que ya están endeudados antes de entrar al primer parcial.
La buena noticia, si la hay, es que la respuesta no requiere infraestructura costosa ni reformas institucionales pesadas. Requiere docentes que decidan, en sus cátedras, hacer visible el proceso cognitivo. Eso ya empieza a ocurrir en la región, en cátedras dispersas, sin coordinación. La tarea editorial de los próximos meses será mapear esas experiencias, ponerlas en diálogo y discutir si están a la altura del problema que enfrentan.
La conversación sigue la próxima semana.