La discusión sobre IA en las aulas dejó de ser hipotética. Estudiantes de todos los niveles ya la usan para resolver tareas, entender temas complejos o directamente producir trabajos completos, mientras los docentes tratan de adaptar métodos de enseñanza y evaluación a una realidad que cambió más rápido de lo que las instituciones pudieron actualizar sus reglas.

El problema, con la escala real detrás

La adopción ya es masiva, y no de forma pareja: encuestas recientes en distintos países muestran cifras que rondan entre el 78% y más del 90% de estudiantes universitarios usando IA generativa de forma habitual. En México, la Encuesta Nacional sobre el uso de IA Generativa (ENIAG) 2025, difundida por medios como La Razón e Infobae, encontró que más del 90% de los universitarios encuestados usa IA de manera cotidiana o recurrente, pero que menos de la mitad verifica la información que esas herramientas les entregan antes de usarla. En España, según datos de la Fundación CYD, el 89% de los estudiantes de grado ya usa alguna herramienta de IA generativa, y un 35% lo hace varias veces por semana. Esa brecha entre "uso masivo" y "verificación mínima" es, en el fondo, el problema central de la IA en la educación: no es que los estudiantes no la usen bien nunca, es que la mayoría todavía no incorporó el hábito de chequear lo que la herramienta les da.

Dos formas muy distintas de "usarla para estudiar"

Hay una diferencia enorme entre pedirle a una IA que resuelva un ejercicio y copiar la respuesta, y pedirle que explique un concepto de tres formas distintas hasta entenderlo de verdad. La primera reemplaza el aprendizaje; la segunda lo acelera. El problema nunca es la herramienta en sí, sino qué relación se establece con ella.

Dónde aporta valor real

Un estudiante puede pedir que le expliquen el mismo concepto de matemática con un ejemplo distinto, tantas veces como necesite, sin la limitación de tiempo de una clase con treinta compañeros más. También sirve para generar práctica extra al instante, adaptada al nivel exacto donde alguien está trabado, algo que antes exigía buscar en varios libros o esperar la próxima clase de repaso. Recibir comentarios sobre un borrador o un problema resuelto antes de la entrega final ayuda a corregir errores propios antes de que cuenten para una nota. Y para quienes no encajan bien en el ritmo estándar de una clase tradicional, poder repetir, reformular y ajustar el nivel de explicación es especialmente valioso.

Los riesgos van más allá del copiar y pegar

Entregar un trabajo generado por IA sin haber entendido el razonamiento de atrás produce una nota, pero no aprendizaje, y ese vacío se nota recién más adelante: en un examen presencial, una entrevista, un problema real de trabajo, donde ya no hay ninguna IA disponible para resolver. Redactar y estructurar un argumento propio es, en sí mismo, un ejercicio de pensamiento, y delegarlo todo el tiempo puede debilitar esa habilidad con los años, más allá de qué tan bien salga el texto final. Y como muestra el dato de la encuesta mexicana, la falta de verificación es un riesgo concreto y medido, no una hipótesis: la IA puede equivocarse o inventar información con total seguridad, algo todavía más grave en un contexto donde el objetivo es justamente aprender contenido correcto.

La solución: qué le queda a la evaluación tradicional

Muchas instituciones están repensando cómo evaluar: más instancias orales, más trabajo supervisado en clase, consignas que piden aplicar lo aprendido a un caso nuevo en vez de reproducir información que cualquier IA genera en segundos. El objetivo no es "prohibirla", sino evaluar lo que la IA no puede hacer en lugar del estudiante: pensar en tiempo real frente a un problema que no vio antes. Antes de usar una respuesta generada por IA, vale hacerse una pregunta simple: ¿podría explicar esto con mis propias palabras ahora mismo, sin volver a mirar la pantalla? Si la respuesta es no, todavía no se aprendió el contenido, solo se consiguió la respuesta.

En resumen

Con más del 90% de adopción y menos de la mitad verificando lo que reciben, según la encuesta ENIAG en México, el desafío real de la IA en la educación ya no es si los estudiantes la van a usar —eso ya está decidido— sino si van a desarrollar el hábito de chequear y entender lo que usan. Es una herramienta poderosa que puede acelerar el aprendizaje o directamente sustituirlo, según cómo se la use, y esa distinción es responsabilidad tanto de los estudiantes como de instituciones que, en gran medida, todavía están aprendiendo sobre la marcha.

Compartir en: