Una estudiante entrega un programa que funciona. La inteligencia artificial (IA) la ayudó a escribirlo y el proyecto hace lo que pedía la tarea. Cuando alguien le pregunta por qué eligió ese diseño, no sabe explicarlo. Es una escena imaginaria que ilustra la inquietud de un comité del Instituto Tecnológico de Massachusetts (MIT). ¿Qué estamos evaluando cuando una máquina puede producir el trabajo con el que antes reconocíamos el aprendizaje?
El Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, fechado el 13 de agosto de 2026, propone revisar la educación universitaria desde esa pregunta. Es un informe institucional con encuestas, sesiones de escucha y recomendaciones. No es un experimento que demuestre que usar IA siempre perjudica el aprendizaje ni que las medidas propuestas ya hayan funcionado.
1. ¿Qué tendría que aprender la estudiante?
El programa entregado tiene valor: alguien puede usarlo, probarlo y encontrar errores. La profesora, sin embargo, necesita saber también qué puede hacer la estudiante. ¿Comprende el problema? ¿Reconoce una decisión insegura? ¿Podría adaptar el programa a una condición nueva?
El informe recomienda empezar por los objetivos de aprendizaje. Un curso inicial puede buscar que cada persona construya fundamentos. En otro más avanzado, integrar código generado por IA y evaluar sus riesgos puede formar parte del objetivo. La misma herramienta cambia de función según qué se esté aprendiendo y cuánto criterio se haya desarrollado.
La investigación también es formación. El comité relata que algunos docentes estaban considerando usar agentes de IA en lugar de contratar estudiantes de grado para tareas de investigación. Su preocupación es que esos puestos permiten aprender junto a personas con experiencia. Una actividad aparentemente menos eficiente puede ser precisamente la oportunidad que necesita quien comienza.
Fuentes de este apartado
Fuente: informe, apartados 2.3, 2.6, 3.1.1 y 3.1.5.
2. Un trabajo terminado puede ocultar un aprendizaje incompleto
Las tareas para casa cumplen dos funciones que suelen ir juntas: ofrecen práctica y permiten observar avances. La IA generativa puede separarlas. Una respuesta convincente deja de ser una señal suficiente de que la persona ha realizado el trabajo intelectual necesario para producirla.
En el informe, la «fricción cognitiva» es el esfuerzo de intentar, encontrar un obstáculo, revisar una idea y contrastarla. La viñeta lo representa con unos pedales: llegar al destino dentro de un carrito no permite saber si aprendimos a pedalear. Es una analogía; no describe una ley que prohíba recibir ayuda. Una pista puede hacer posible un intento que, sin apoyo, ni siquiera habría comenzado.
El problema también es social. Según el comité, estudiantes y docentes describieron cambios en consultas, conversaciones y grupos de estudio; la disminución de encuentros presenciales en algunos espacios se recoge como evidencia anecdótica. El informe no mide cuánto de ese cambio causa la IA, separado de otras presiones sobre la vida universitaria.
Así, una tarea puede perder tanto la práctica individual como la conversación en la que alguien detecta un error o descubre otra forma de pensar. El comité considera que ambos aspectos merecen protección.
Fuentes de este apartado
Fuente: informe, apartados 2.4, 2.7, introducción de 3 y 3.1.4.
3. Por qué endurecer los exámenes no resuelve todo
El informe describe una reacción que ya estaba ocurriendo entre docentes: dar más peso a los exámenes o pedir que se escriba y programe durante la clase. Tiene una razón comprensible. En un entorno supervisado resulta más fácil observar qué hace cada estudiante sin asistencia externa.
Pero un examen breve ofrece menos tiempo para explorar y revisar un proyecto complejo. Si todas las recompensas se concentran en esas pruebas, también puede disminuir el incentivo para trabajar en tareas largas. El comité advierte de ese coste; no propone abandonar los exámenes presenciales.
Algo parecido sucede con los detectores de texto generado por IA. El informe desaconseja depender de ellos: el uso real mezcla asistencia, edición y escritura propia, y las falsas acusaciones pueden deteriorar la confianza. Además, señala que el Comité de Disciplina del MIT no considera suficiente el resultado de un detector por sí solo.
La propuesta incluye observar el proceso mediante entregas parciales, conversaciones y explicaciones. Un historial de versiones puede aportar información, pero no equivale automáticamente a prueba de autoría o de comprensión.
Fuentes de este apartado
Fuente: informe, apartados 3.1.2 y 3.1.9.
4. El giro: diseñar desde lo que se quiere aprender
El comité recomienda el «diseño inverso»: definir primero qué debería conocer, hacer y valorar el alumnado; decidir después cómo reconocer ese aprendizaje; y construir las actividades que lo permiten. La política de IA se elige dentro de ese recorrido.
Volvamos al programa. Si el objetivo es comprender un algoritmo, pedir únicamente un archivo que funciona deja abierta la posibilidad de delegar el ejercicio entero. Si se busca aprender a integrar sistemas, usar IA para generar una parte puede ser apropiado, siempre que el alumnado pueda evaluar y justificar lo que incorpora.
Ese ejemplo es ilustrativo. El informe propone que cada disciplina y cada etapa formativa definan sus propias necesidades. Un seminario de poesía, un curso de demostraciones matemáticas y un taller de arquitectura no requieren una regla idéntica.
Este cambio de enfoque exige trabajo docente. El comité pide apoyo, recursos y coordinación para revisar cursos, experimentar y compartir experiencias. No presupone que una profesora pueda transformar por sí sola todo el sistema de evaluación.
Fuentes de este apartado
Fuente: informe, apartados 2.5, 2.6, 3.1.1 y 3.3.3.
5. Una IA que deje trabajo intelectual en manos del estudiante
El principio que el comité llama augmentation not automation propone usar la IA para ampliar las posibilidades de aprender. Una herramienta puede ofrecer explicaciones, permitir practicar o ayudar a construir un proyecto más ambicioso. El riesgo aparece cuando sustituye justamente el razonamiento que el ejercicio pretendía desarrollar.
Por eso «usar IA» es una descripción demasiado general. Importa si la persona toma decisiones, comprueba resultados y puede explicar el procedimiento. El informe recomienda aprender a verificar respuestas, reconocer posibles invenciones del modelo y saber cuándo conviene trabajar sin IA. También pide distinguir la contribución propia de la asistencia recibida.
El comité organiza su orientación en ocho principios: humildad ante la incertidumbre; audacia para actuar; prioridad a las personas; compromiso con el aprendizaje; enseñanza intencional; adaptación al contexto; ampliación de capacidades frente a automatización; y atención a la vida fuera del aula. La humildad tiene una consecuencia práctica: las propuestas deben revisarse a medida que cambien la tecnología y la evidencia.
Fuentes de este apartado
Fuente: informe, apartados 2.1 a 2.8 y 3.2.4.
6. Cómo llevarlo a tareas y reglas concretas
El informe propone combinar trabajos fuera del aula con conversaciones presenciales, exámenes orales y portafolios que muestren el trabajo a lo largo del semestre. Esas actividades pueden ayudar a observar el razonamiento y ofrecer retroalimentación. Son recomendaciones, no resultados de una comparación experimental presentada por el comité.
El apéndice B ofrece un menú de cuatro políticas que los cursos pueden adaptar:
- Uso sin restricciones de IA generativa para las tareas, cuando no perjudique los objetivos o la evaluación independiente se realice por otros medios.
- Uso limitado como apoyo, con las etapas permitidas y prohibidas indicadas expresamente; no autoriza generar soluciones completas o sustanciales.
- Uso obligatorio en la forma y con las herramientas especificadas para aprender una práctica que lo requiera.
- Prohibición de su uso, cuya aplicación fuera del aula el propio apéndice reconoce como difícil de controlar.
La categoría de «apoyo» necesita especial cuidado. Pedir un esquema o generar un diagrama puede parecer ayuda menor a una persona y reemplazo del trabajo a otra. La regla debe precisar esos límites y explicar qué aprendizaje protege. Una misma tarea puede combinar componentes que exigen IA con otros que la excluyen.
La transparencia alcanza también a los docentes: el comité recomienda explicar cómo y por qué usan IA para preparar contenido o intervenir en evaluación y comentarios. Los estudiantes siguen siendo responsables del trabajo que entregan, incluidos los errores de una herramienta.
Fuentes de este apartado
Fuente: informe, apartados 3.1.2, 3.1.8 y 3.2.3; apéndice B.
7. La conversación forma parte de la formación
Una universidad presencial reúne oportunidades de discutir, recibir críticas y trabajar con otras personas. El comité considera que esas relaciones forman capacidades y hábitos que no aparecen completos en una hoja de ejercicios.
Por eso recomienda incluir en cada asignatura un componente social presencial estructurado. Puede ser una sesión de resolución colectiva guiada o un proyecto con reuniones periódicas donde se observe la contribución individual. Estar en silencio en una clase no cumple por sí solo esa intención.
La propuesta reconoce que la IA puede aportar ayuda oportuna, accesibilidad y comentarios individualizados. Pide organizar esa ayuda de forma que no desplace los encuentros en los que se aprende a colaborar. También defiende mantener y ampliar las experiencias de investigación acompañada, donde el alumnado empieza a participar en una comunidad de trabajo.
Esta mirada explica por qué el informe abarca más que las entregas. Una decisión sobre automatización puede cambiar quién recibe una oportunidad de practicar, quién tiene un mentor y con quién habla cuando no entiende algo.
Fuentes de este apartado
Fuente: informe, apartados 2.8, 3.1.4, 3.1.5 y 3.2.1.
8. Qué evidencia aporta y qué falta por comprobar
El comité trabajó mediante reuniones semanales, encuestas, sesiones de escucha y análisis de prácticas de otras instituciones. El apéndice C distingue tres encuestas, realizadas en momentos y poblaciones diferentes; sus porcentajes no deben mezclarse como si procedieran de una sola muestra.
La encuesta de uso y actitudes de la primavera de 2026 recibió 1.632 respuestas, con una tasa de respuesta del 12 %. En ella, el 44 % de quienes respondieron declaró usar ChatGPT a menudo o muy a menudo. Ese porcentaje describe el uso de esa herramienta entre las personas que contestaron: no mide cuánto aprendieron, no demuestra causalidad y no garantiza representar a quienes no respondieron.
Las conversaciones y encuestas permiten localizar preocupaciones y oportunidades. Para saber si una política mejora el aprendizaje hace falta evaluarla. El informe recomienda seguimiento de uso de IA, participación en el campus, satisfacción y experiencias después de graduarse, junto con revisión continua de las prácticas.
La viabilidad también depende de los recursos: personal de apoyo, tiempo docente y espacios para trabajar y evaluar. El comité pide acceso equitativo a herramientas, protección de datos y posibilidad de elegir modelos, evitando la dependencia de un único proveedor. También recomienda reglas claras sobre registros de conversaciones y auditorías, y atención a costes económicos y ambientales. Dar acceso a IA no elimina esas obligaciones de diseño.
[Inferencia] Fuera del MIT, un equipo docente podría empezar con una pregunta acotada: ¿puede el alumnado explicar y aplicar lo que entregó en una situación distinta? Es una forma de trasladar la preocupación del informe, no una intervención cuya eficacia universal esté demostrada.
Fuentes de este apartado
Fuente: apéndices A y C.1; informe, apartados 3.3.1, 3.3.3 y 3.3.6 a 3.3.10.
9. Volver a los pedales
La estudiante del comienzo podría volver a su programa, comparar opciones y discutir con otra persona qué haría ante un fallo. La IA puede intervenir en ese trabajo si la actividad lo permite; la profesora necesita oportunidades para observar qué comprende la estudiante y darle una devolución útil.
El informe deja abierta la forma concreta de conseguirlo y pide experimentación con evaluación. Su propuesta ayuda a distinguir dos objetivos que una entrega terminada puede confundir: producir algo utilizable y formar a alguien capaz de hacerse responsable de lo que produce. Una educación que atienda a ambos tendrá que decidir qué trabajo puede delegarse y qué práctica necesita permanecer.
Referencia
MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training (2026). Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Massachusetts Institute of Technology, 13 de agosto de 2026. Informe completo y apéndices: proceso, políticas y encuestas. Explicación basada en el texto web completo, con título y cifras cotejados también en el PDF institucional de 40 páginas. No redistribuye el informe ni sus gráficos.