La educación es una inversión continua a largo plazo. Para garantizar que los estudiantes estén equipados en el objetivo de impulsar el progreso, debemos anticipar las necesidades futuras. Recientemente, la inteligencia artificial (IA), particularmente los grandes modelos de lenguaje (LLM), ha emergido como una fuerza transformadora que altera nuestras interacciones con los demás y con el trabajo. Si el futuro trae consigo una IA aún más poderosa, la educación debe preparar a los estudiantes actuales a coexistir con ella.

A lo largo de la historia, hemos experimentado cambios tecnológicos significativos. Recordamos habilidades que aprendimos en la infancia, solo para descubrir que se volvieron obsoletas poco después. Las complejas operaciones matemáticas, el uso de tablas de logaritmos y los métodos tradicionales de aprendizaje de idiomas son solo algunos ejemplos. Sin embargo, la digitalización, y especialmente la IA, parece estar acelerando la jubilación de muchas de estas habilidades.

Existen numerosas opiniones desenfocadas sobre qué hacer. Por ejemplo, hay una urgente necesidad de evaluar a los estudiantes de todos los niveles. Si la IA puede completar las tareas asignadas, quizás las calificaciones deban darse a las aplicaciones inteligentes. Y las tareas no servirán para que los estudiantes aprendan. Una forma sencilla de abordar esto consistiría en dedicar más tiempo a discutir los trabajos con los autores y debatir sus argumentos o metodología. Esto requiere un mayor esfuerzo por parte de los evaluadores; pero no voy a profundizar en este tema. 

En mi opinión, lo más importante es determinar qué enseñamos y cómo lo hacemos. A continuación, intentaré proponer un enfoque para encontrar respuestas a estas preguntas. En su ensayo Una teoría crítica de la inteligencia artificial (2025), Daniel Innerarity distingue entre dos tipos de inteligencia (la humana o natural y la artificial) complementarias y con características distintivas. Esto resulta crucial para nuestra argumentación.

Una de las cualidades que nos diferencia es nuestro modo de razonamiento. Utilizamos la intuición y la analogía. Construimos estructuras abstractas y muy generales, que luego aplicamos a diversas situaciones, lo que nos ha llevado a donde estamos hoy. Nos gusta referirnos a esto como razonamiento profundo. Los sistemas artificiales no funcionan de esta manera, y no hay razón para esperar que el desarrollo de la IA se centre en mejorar estos modos de razonamiento analógico.

Por lo tanto, sería ideal que la educación reforzara esta forma de razonar. Pero; en términos prácticos, ¿a qué nos referimos exactamente?

A veces, para reforzar nuestras opiniones sobre cómo proceder, recurrimos a refranes, citas literarias o metáforas. Estas fuentes de autoridad, acuñadas por un conocimiento profundo y probadas en el tiempo, sirven como guías en cada contexto. Si bien no tenemos estadísticas precisas sobre su éxito, este detalle no nos preocupa demasiado. En realidad, no pretendemos seguir las recetas exactas; en cambio, buscamos inspiración en ellas.

Por ejemplo, una parte importante de las matemáticas se basa en las aproximaciones lineales. Los fenómenos complejos con formulaciones intrincadas se estudian (localmente) utilizando aproximaciones lineales manejables y útiles. Esto es lo que hacen las derivadas, que a menudo confunden a los estudiantes sin una explicación clara de su propósito. Una propuesta sensata podría consistir en centrarse en lo lineal. La forma más básica y poderosa de esto es la regla de tres. Es la relación lineal más elemental que, por analogía, podemos y debemos enseñar para extenderla a las matemáticas humanas más avanzadas: las que deberíamos incluir en la educación.

Podríamos considerar otras materias. Una fundamental es el lenguaje, del que suele decirse que es el vehículo del pensamiento. Seguramente somos capaces de pensar solo aquello que sabemos comunicar. Si no sabemos usar subjuntivos, quizás no podremos formular relaciones con alguna condición. Es claro que hablar, leer y escribir deben estar en la educación. Pero merece la pena decir que los lenguajes que se deben manejar deben incluir (además de los humanos), alguno de programación. Para entender cómo funcionan los ordenadores, aunque cambien tan a menudo estos lenguajes. Las matemáticas son quizás, sobre todo, un lenguaje; lo que nos da otra perspectiva de esta materia.

No podemos dejar de hablar de la creatividad. La de los humanos, no la basada en el mero azar (la de la IA). Si queremos que los jóvenes de la siguiente generación sean creativos, podríamos ensañarles algo de la historia de las artes. ¿En qué consistieron los estilos de pintura, escultura, arquitectura, música? ¿Qué hizo que cambiasen? ¿Cómo lo pudieron pensar sus creadores?

Si queremos potenciar lo que nos distingue de las máquinas, estos caminos son prometedores y desafiantes. Requieren un esfuerzo significativo para adaptar a los docentes y pueden ser costosos. También debemos evitar que el progreso sea lento.

La situación de incertidumbre que provoca la IA puede ser una oportunidad para releer y meditar sobre lo que hoy enseñamos. ¿Qué sobra? ¿Qué falta? ¿Qué nos da el famoso sentido común? ¿Qué debemos saber de Química o de Física o de Ciencias? ¿Qué nos enseña la Historia o la Geografía más allá de Wikipedia o el GPS?

Antes de adoptar cualquier estrategia, debemos considerar nuestras metas finales. Todo lo que nos hace más humanamente inteligentes también puede crear una brecha social significativa. ¿Cuántas personas creativas con capacidades de razonamiento analógico necesitamos en nuestra sociedad? ¿Cómo conseguimos que todo el mundo quepa en el futuro? Se necesita un debate profundo sobre la educación.

23 de julio 2025

https://elpais.com/tecnologia/2025-07-24/en-la-era-de-la-ia-que-y-como-deberiamos-ensenar.html