Área temática: Educación superior, inteligencia artificial y formación docente

Tipo de documento: Artículo de investigación teórica con revisión de literatura

Año: 2026

Resumen

La irrupción de la inteligencia artificial generativa en la educación superior no constituye, en primer lugar, un problema tecnológico. Constituye un problema de responsabilidad, de epistemología y de honestidad institucional. Este artículo argumenta que el modelo universitario fue diseñado históricamente para transmitir y certificar contenido, no para formar criterio; que esa arquitectura ha permitido al docente externalizar su responsabilidad individual hacia la institución, el currículo o la herramienta; y que la IA hace visible —con una claridad que ya no admite evasión— que el contenido certificable nunca fue suficiente para producir juicio profesional. Frente a ese diagnóstico, se propone que el activo diferencial del docente no es su dominio de contenido sino su conocimiento tácito formado en condiciones de incertidumbre real, y que la única respuesta pedagógica coherente es el diseño de secuencias cognitivas que partan del movimiento mental del estudiante, no de la estructura del temario. El cruce de estas cuatro líneas de análisis produce una tesis unificada: la IA no amenaza al docente; lo obliga a ser lo que el sistema nunca le exigió demostrar que era.

Palabras clave: inteligencia artificial en educación superior, responsabilidad docente, criterio profesional, conocimiento tácito, secuencias cognitivas, modelo universitario.

1. Introducción: la pregunta que el sistema evitó durante siglos

Hay una pregunta que la universidad moderna nunca formuló con honestidad: ¿estamos formando profesionales capaces de ejercer criterio bajo incertidumbre, o estamos certificando personas capaces de reproducir contenido bajo condiciones controladas? Durante décadas, la distinción no urgía. El contenido era escaso, su organización requería tiempo y expertise, y el docente era el nodo irreemplazable de distribución del conocimiento legítimo. La pregunta podía diferirse.

La inteligencia artificial generativa ha eliminado esa posibilidad de diferimiento. Cuando un modelo de lenguaje puede producir, sintetizar y organizar contenido disciplinar con una eficiencia que excede la de cualquier docente, la pregunta que el sistema evitó durante siglos se vuelve urgente e impostergable: ¿qué estamos haciendo aquí, exactamente?

Este artículo no responde esa pregunta con una receta tecnológica. Responde con cuatro líneas de análisis que, cruzadas, producen un diagnóstico y una propuesta: el problema no es la herramienta; es la arquitectura. Y la arquitectura tiene cuatro dimensiones que es necesario examinar por separado antes de entender cómo se sostienen mutuamente.

La primera dimensión es ética: la responsabilidad pedagógica del docente universitario es individual e intransferible, y el sistema ha construido durante décadas mecanismos sofisticados para que esa responsabilidad pueda evadirse sin consecuencias visibles. La segunda es histórica y epistemológica: la universidad moderna fue diseñada para transmitir contenido, no para formar criterio, y esa distinción, que parecía menor mientras el contenido era escaso, se convierte en una crisis de legitimidad cuando la IA puede producir ese contenido de forma masiva. La tercera es epistémica: existe un tipo de conocimiento —tácito, encarnado, formado en la fricción con lo real— que la IA no puede replicar y que el docente con experiencia de campo porta; ese conocimiento nunca ocupó el centro de la pedagogía universitaria, y es precisamente el que hoy define el valor diferencial del docente humano. La cuarta es operativa: la respuesta pedagógica coherente a este escenario es el diseño de secuencias cognitivas que organicen el aprendizaje desde el movimiento mental del estudiante, no desde la estructura del contenido disciplinar.

El cruce de estas cuatro dimensiones produce una tesis que contradice el tono defensivo que domina buena parte del debate contemporáneo sobre IA y docencia: la inteligencia artificial no amenaza al docente que ejerce su profesión desde el criterio, la responsabilidad y la experiencia. Lo que amenaza es la figura del docente cuyo valor residía exclusivamente en su acceso privilegiado al contenido. Esa figura, en efecto, está siendo desplazada. Y ese desplazamiento es pedagógicamente necesario.

2. La responsabilidad individual del docente: una categoría ética que el sistema aprendió a disolver

2.1 La docencia como acto moral situado

La literatura en filosofía de la educación es consistente en un punto que las políticas institucionales raramente hacen explícito: enseñar no es una actividad técnica con dimensión ética añadida. Es, en su estructura misma, un acto moral. Fenstermacher describe la docencia como una 'empresa moral' porque las decisiones del profesor —qué exigir, cómo evaluar, cómo tratar a cada estudiante— son inseparables de su carácter y de su juicio sobre lo que es justo, independientemente de cualquier protocolo institucional. Esa moralidad no es un complemento de la competencia técnica; es su condición de posibilidad.

La ética de la virtud, en la tradición aristotélica recuperada por autores como Carr y Dunne, conceptualiza la enseñanza como una 'práctica' con bienes internos —la formación del carácter, la comprensión, la sensibilidad moral— que solo pueden realizarse si el docente cultiva virtudes como la justicia, la honestidad y el cuidado. Desde esta perspectiva, la responsabilidad pedagógica no es una obligación que se cumple o incumple según indicadores externos; es una disposición que se ejerce o se traiciona en cada decisión concreta dentro del aula.

Lo que ocurre en esa aula —con ese grupo específico de estudiantes, en ese momento particular de su formación— no puede ser auditado completamente desde afuera, ni anticipado por ningún sílabo, ni delegado a ninguna plataforma. El docente que está dentro de cuatro paredes con treinta estudiantes es el único agente que puede responder por lo que ahí sucede. Esa es la naturaleza de la responsabilidad pedagógica individual: no es una asignación administrativa, sino una condición constitutiva del ejercicio docente.

2.2 Los mecanismos institucionales de dilución de la responsabilidad

La paradoja es que el sistema universitario, mientras afirma la centralidad del docente, ha construido durante décadas una arquitectura que le permite a ese docente no responder. Los mecanismos son conocidos y se refuerzan mutuamente: los currículos oficiales definen qué debe enseñarse, los sílabos prescriben cómo, los sistemas de evaluación estandarizada determinan qué se mide, y los protocolos de calidad verifican el cumplimiento formal de todos los anteriores. En ese ecosistema, el docente puede siempre señalar hacia otro lado: 'el currículo no lo contempla', 'la institución no lo permite', 'los tiempos no alcanzan'.

Revisiones comparativas sobre autonomía y accountability docente muestran que los sistemas de evaluación por indicadores tienden a desplazar la atención del juicio profesional hacia el cumplimiento de metas cuantificables. El fenómeno descrito como 'enseñar para el test' es la expresión más visible de este desplazamiento: el docente optimiza para lo que se mide, no necesariamente para lo que forma. Y como lo que se mide es reproducción de contenido, la responsabilidad por la formación del criterio desaparece de la ecuación sin que nadie sea explícitamente responsable de haberla eliminado.

A esto se añade lo que varios autores denominan 'desprofesionalización': la expansión de controles externos, la segmentación de tareas y la introducción de personal menos cualificado para funciones educativas reducen el espacio de deliberación moral docente. El resultado es una figura profesional que ejecuta, pero que raramente decide; que cumple, pero que difícilmente responde.

2.3 La IA como acelerador de una crisis preexistente

Las primeras políticas universitarias frente a la IA generativa son reveladoras: las instituciones insisten en que la responsabilidad moral y legal por el uso de herramientas de IA —en tareas, evaluaciones, comunicación académica— sigue recayendo en humanos, tanto estudiantes como docentes. Lo que esas políticas no hacen es preguntarse si la responsabilidad que reclaman ha sido efectivamente cultivada en los docentes a quienes ahora se la exigen.

Cuando un docente delega en un sistema de IA decisiones que afectan el aprendizaje de sus estudiantes —la retroalimentación, la evaluación formativa, el diseño de actividades— sigue siendo responsable de verificar la justicia, la pertinencia pedagógica y el impacto formativo de esas decisiones. Pero esa responsabilidad solo puede ejercerse si el docente tiene criterio pedagógico propio, si ha reflexionado sobre qué significa 'enseñar bien' en ese contexto específico, y si está dispuesto a responder por sus elecciones ante sus estudiantes y ante sí mismo. Un docente que nunca asumió su responsabilidad individual no puede de pronto asumir la responsabilidad de supervisar a una IA.

La inteligencia artificial no crea el problema de la irresponsabilidad docente. Lo hace imposible de ignorar.

3. El modelo universitario y su arquitectura de contenido: lo que la IA vino a colapsar

3.1 Origen histórico de un modelo construido para otro mundo

La universidad moderna cristaliza a finales del siglo XVIII y comienzos del XIX en torno a dos grandes modelos fundacionales. El modelo napoleónico concibe la educación superior como conjunto de escuelas especializadas al servicio del Estado, orientadas a transmitir conocimiento técnico para formar funcionarios y profesionales con competencias definidas. El modelo humboldtiano postula la unidad entre enseñanza e investigación, pero en la práctica institucionaliza facultades disciplinarias que organizan el saber en campos relativamente cerrados y fuertemente contenidos. Pese a sus diferencias filosóficas, ambos modelos se vinculan con el proyecto de construcción del Estado-nación y asignan a la universidad la tarea de almacenar, producir y transmitir el corpus legítimo de conocimientos.

Esa misión tenía una racionalidad precisa en un mundo donde la información era escasa, donde acceder a ella requería formación especializada, y donde el docente era el intermediario necesario entre el conocimiento producido y el estudiante que lo necesitaba. En ese contexto, la transmisión de contenido no era un sustituto de la formación del criterio: era su condición de posibilidad. Para ejercer juicio profesional, primero era necesario dominar el contenido sobre el que ese juicio operaría.

El error —que solo se vuelve visible en retrospectiva— fue asumir que el dominio del contenido era suficiente para producir criterio, y que la diferencia entre uno y otro se resolvería sola en la práctica profesional posterior a la formación universitaria. La universidad se especializó en lo que podía controlar —la transmisión y certificación del contenido— y delegó en otros espacios —el mercado laboral, la experiencia, el tiempo— la formación de lo que no sabía enseñar.

3.2 La distinción que el modelo ignoró: contenido, competencia y criterio

La literatura pedagógica distingue con claridad entre tres tipos de conocimiento: el declarativo ('saber qué'), el procedimental ('saber cómo') y el condicional ('saber cuándo y por qué aplicar un saber'). El criterio —entendido como juicio situado, capacidad de seleccionar y justificar cursos de acción en contextos inciertos— se aproxima al conocimiento condicional y a formas de metacognición regulatoria que van más allá del dominio de contenido o de rutinas técnicas.

Estudios en educación superior muestran que las trayectorias formativas enfatizan el desarrollo de conocimiento declarativo y procedimental, mientras que el conocimiento condicional y las dimensiones metacognitivas se trabajan menos y aparecen como puntos débiles sistemáticos en los egresados. El movimiento de 'competencias' que renovó los currículos universitarios en las últimas décadas intentó corregir parcialmente este sesgo, pero muchas definiciones institucionales de competencia siguen centradas en tareas reproducibles, no en capacidades de responder creativa y responsablemente a situaciones nuevas.

Donald Schön nombró esta tensión con precisión: los programas universitarios preparan a los estudiantes para contextos relativamente estables mediante cursos de contenido, manuales y protocolos estandarizados, cuando los profesionales en la práctica real se enfrentan a 'situaciones únicas' que no pueden resolverse aplicando mecánicamente reglas o contenidos aprendidos. El conocimiento que forma el juicio —lo que Schön llama 'conocimiento en la acción' y 'reflexión en la acción'— no puede transmitirse como se transmite un concepto: requiere exposición a la incertidumbre, retroalimentación con consecuencias reales, y tiempo.

3.3 La IA como espejo de la brecha

La evidencia empírica reciente es contundente: modelos de lenguaje como GPT-4 pueden producir respuestas que alcanzan calificaciones similares a las de estudiantes en evaluaciones basadas en ensayo y síntesis de información. En estudios sobre evaluación universitaria mediada por IA, los trabajos generados por sistemas de lenguaje obtuvieron notas promedio muy cercanas a los de trabajos reales de estudiantes, y ni el software de detección ni el juicio académico pudieron identificar de forma consistente el uso de IA. La conclusión es inevitable: los criterios de corrección que dominan la evaluación universitaria se basan en la calidad superficial del contenido textual, no en indicadores de criterio o juicio.

Esto no significa que la IA sea equivalente a un estudiante. Significa que la evaluación universitaria predominante no distingue entre uno y la otra. Y esa incapacidad de distinción no es un problema técnico de los instrumentos de evaluación: es el síntoma de que el criterio que se evalúa —reproducción de contenido organizado— es justamente lo que la IA puede producir con facilidad creciente.

La universidad que emerge del análisis histórico y empírico es una institución cuya legitimidad reposaba en dos funciones: organizar el acceso al conocimiento y certificar su dominio mediante credenciales. La IA ha erosionado la primera función de forma irreversible. La segunda —la certificación— sobrevive por inercia institucional y por los efectos del credencialismo que Randall Collins documentó: los títulos operan como filtros de estatus más que como indicadores fiables de juicio o desempeño efectivo. Pero esa inercia tiene un límite, y la pregunta sobre la legitimidad universitaria ya no puede diferirse.

4. El conocimiento que la IA no puede replicar: la experiencia de campo como activo diferencial

4.1 La estructura epistémica del conocimiento tácito

Michael Polanyi formuló hace más de medio siglo una intuición que la irrupción de la IA ha vuelto urgente: 'podemos saber más de lo que podemos decir'. El conocimiento tácito —habilidades perceptivas, juicios prácticos, sensibilidad situacional— no puede ser plenamente articulado en proposiciones explícitas. No porque sea pre-científico o inferior al conocimiento proposicional, sino porque tiene una estructura epistémica diferente: emerge de la participación corporal y afectiva en prácticas sociales concretas, y su transmisión requiere formas de mediación que no pueden reducirse a texto.

Michael Eraut elaboró esta distinción al analizar el conocimiento profesional: junto al conocimiento teórico públicamente disponible existe un conocimiento de procesos (cómo actuar en contextos específicos) y un conocimiento situacional que depende de la interpretación de circunstancias particulares y suele permanecer implícito en la acción. En entornos profesionales complejos, la competencia se apoya precisamente en la integración fluida de estos tipos de saber, más allá de lo que cualquier currículo académico puede capturar como 'contenido'.

El modelo de adquisición de habilidades de Dreyfus y Dreyfus muestra cómo el profesional pasa de seguir reglas descontextualizadas —el novato— a una actuación experta basada en comprensión intuitiva y holística de las situaciones. En los niveles altos, el experto ya no se apoya principalmente en reglas explícitas, sino en un 'know-how' tácito que le permite percibir lo relevante, priorizar rápidamente y actuar con juicio incluso cuando el caso es único o ambiguo. Ese tránsito se produce a través de experiencia prolongada en contextos reales, donde los resultados de la acción importan y donde la retroalimentación incluye consecuencias materiales, sociales y éticas.

4.2 Lo que la IA puede simular y lo que no puede replicar

Los modelos de lenguaje generativos pueden representar, combinar y reexpresar grandes volúmenes de conocimiento explícito, incluyendo descripciones de buenas prácticas, casos, protocolos y narrativas de experiencia profesional. Pueden imitar estilos discursivos de expertos, elaborar análisis situacionales plausibles y proponer cursos de acción razonables a partir de patrones presentes en su corpus de entrenamiento. En ese sentido, la IA puede simular algunos aspectos discursivos del conocimiento de campo: puede contar 'historias de error', reconstruir dilemas, sugerir heurísticas que seres humanos han explicitado en textos especializados.

Pero lo que simula es un mapa lingüístico de prácticas, no la práctica misma. La IA permanece siempre en el plano de la representación proposicional y estadística. La experiencia de campo, en contraste, implica presencia en el riesgo, responsabilidad sobre consecuencias y participación situada en comunidades de práctica. Esa dimensión encarnada no está disponible para un sistema que procesa símbolos sin estar inmerso en el mundo. Los modelos de IA no habitan instituciones, no negocian con actores, no sufren pérdidas ni gestionan afectos; por tanto, no viven la 'epistemología del error' donde cada falla obliga a reorganizar creencias y hábitos de acción.

Lave y Wenger conceptualizan el aprendizaje como participación progresiva en comunidades de práctica, donde los novatos avanzan desde la periferia hacia la plena participación a través de tareas crecientemente complejas e interacción con practicantes expertos. La IA no puede adquirir ese saber tácito a través de participación progresiva y legítima en comunidades de práctica. Tampoco puede desarrollar intuición experta en el sentido de Dreyfus, donde la calidad del juicio depende de haber enfrentado durante años situaciones concretas con responsabilidad directa sobre los resultados.

4.3 El docente predominantemente académico y la distinción que el sistema nunca hizo

Desde este marco emerge una distinción que el sistema universitario raramente formaliza pero que la IA vuelve pedagógicamente urgente: la diferencia entre el docente con experiencia de campo y el docente sin experiencia de campo. Esta distinción no es moral ni jerárquica; es epistémica. El docente sin trayectoria profesional real no presenta solo un déficit de actualización o de dominio de herramientas digitales. Presenta una ausencia relativa de saber tácito formado en situaciones de incertidumbre real y responsabilidad efectiva.

La IA puede ayudar al docente predominantemente académico a compensar parte del déficit informacional —actualizando contenidos, casos, marcos teóricos—, pero no puede suministrarle la trayectoria vivida que sostiene juicios prudenciales, sensibilidad ética y capacidad de orientar al estudiante en contextos reales. Porque lo que hace diferencial al docente con experiencia de campo no es que 'haya trabajado en el sector'; es que su biografía profesional le ha permitido construir un cuerpo de conocimiento tácito y reflexivo que la IA no puede producir ni transferir.

La evidencia empírica sobre practitioner faculty muestra resultados mixtos en cuanto a indicadores estandarizados de aprendizaje, pero consistentemente positivos en cuanto a relevancia percibida, conexión con la práctica real y capacidad de orientar decisiones en contextos de incertidumbre. Lo que la literatura sugiere con claridad es que la experiencia de campo se vuelve pedagógicamente valiosa cuando se inserta en diseños curriculares que la formalizan como recurso central —no como anécdota— y que ofrecen estructuras para traducirla en andamiaje reflexivo para el estudiante.

5. La secuencia cognitiva: del temario al movimiento mental del estudiante

5.1 Por qué la secuencia técnico-teórica se volvió obsoleta

El diseño instruccional universitario ha operado históricamente desde una lógica que podría denominarse técnico-teórica: primero los fundamentos conceptuales, luego las aplicaciones, luego —si el tiempo lo permite— la práctica. Esta secuencia tiene una racionalidad implícita: el conocimiento fluye del docente al estudiante a través del contenido, y la comprensión se construye por acumulación de conceptos cada vez más complejos. El docente organiza el curso siguiendo la lógica interna de la disciplina, y el estudiante la recibe en ese orden.

Esta secuencia tuvo sentido mientras el docente era la única fuente de contenido organizado y accesible. En un contexto donde la IA puede proveer ese contenido con mayor exhaustividad, velocidad y personalización que cualquier curso, la secuencia técnico-teórica pierde su justificación central. No porque el contenido haya dejado de importar, sino porque la organización del aprendizaje alrededor de su transmisión secuencial deja de ser la contribución específica del docente humano.

5.2 Fundamentos de la secuencia cognitiva

La ciencia del aprendizaje ha producido en las últimas décadas un conjunto de hallazgos consistentes sobre cómo aprenden efectivamente los seres humanos. Bransford, Brown y Cocking identifican tres pilares del aprendizaje efectivo: activar y trabajar con conocimientos previos, organizar los contenidos en marcos conceptuales significativos y promover metacognición y transferencia. Una secuencia cognitiva se define precisamente como la organización de experiencias de aprendizaje en el orden en que estos procesos deben activarse: partir de las preconcepciones y problemas del estudiante, provocar conflicto cognitivo, introducir conceptos cuando son funcionales para resolver el problema, y cerrar con actividades de transferencia y reflexión.

La teoría de la carga cognitiva de Sweller aporta el marco más explícito: una buena secuencia reduce la carga extrínseca (ruido e información irrelevante), maneja la carga intrínseca (complejidad del material) y aumenta la carga pertinente (el esfuerzo cognitivo dedicado a construir esquemas duraderos). Diseñar desde la arquitectura cognitiva del estudiante —respetando los límites de la memoria de trabajo, facilitando la consolidación en memoria de largo plazo— implica secuencias con tareas graduadas, ejemplos trabajados, variación deliberada y práctica distribuida alrededor de problemas significativos.

Vygotsky añade la dimensión social y de desarrollo: la secuencia debe situar al estudiante en tareas ligeramente más allá de su nivel actual —en la zona de desarrollo próximo—, con apoyos temporales que se retiran a medida que se gana autonomía. El andamiaje no es una muleta; es la estructura que hace posible que el estudiante llegue a donde no podría llegar solo, y que una vez llegado, pueda seguir sin el apoyo.

5.3 La evidencia empírica: lo que sí funciona

La evidencia sobre modelos que operan con lógica de secuencia cognitiva es amplia y consistente. Meta-análisis de segundo orden sobre aprendizaje basado en problemas (PBL) encuentran tamaños de efecto significativos (ES = 0.60 a 0.80) para resultados como pensamiento crítico, conocimiento aplicable y habilidades de resolución de problemas, en comparación con modelos transmisivos tradicionales. El patrón es estable: los estudiantes en entornos PBL pueden adquirir algo menos de conocimiento declarativo en el corto plazo, pero retienen mejor ese conocimiento y lo usan con mayor flexibilidad en tareas complejas.

El modelo de Understanding by Design de Wiggins y McTighe formaliza el principio del diseño inverso: identificar primero los resultados de comprensión y transferencia deseados, definir después las evidencias de logro mediante tareas auténticas, y recién entonces diseñar las experiencias y secuencias de enseñanza. Estudios cuasi-experimentales muestran que cursos diseñados con este principio mejoran significativamente el logro académico y la permanencia del aprendizaje respecto a diseños tradicionales.

La combinación de secuencias cognitivas con herramientas de IA produce, según revisiones recientes, efectos muy altos sobre aprendizaje y compromiso (d ≈ 1.30), siempre que el diseño esté anclado en problemas auténticos y andamiaje pedagógico claro. La condición es decisiva: la IA integrada en un diseño cognitivo-centrado potencia el aprendizaje; la IA usada para replicar el modelo transmisivo tradicional no produce beneficio diferencial y puede erosionar habilidades de razonamiento autónomo.

5.4 El rol específico del docente en la secuencia cognitiva

En una secuencia cognitiva, el docente cumple funciones que la IA no puede replicar y que definen su valor diferencial en el nuevo escenario. Es, ante todo, diseñador de problemas y recorridos: identifica casos y proyectos que conectan con la identidad profesional del estudiante, la realidad local y los objetivos de formación, algo que requiere juicio contextual y conocimiento tácito que ningún algoritmo puede sustituir. Es también regulador de la carga cognitiva y del andamiaje: observa señales de sobrecarga o pasividad y ajusta la dificultad de tareas, los apoyos ofrecidos y el ritmo de la secuencia en tiempo real.

El docente con experiencia de campo añade una función que ningún otro recurso puede cumplir: modelar prácticas epistemológicas. Muestra cómo piensa un experto, cómo duda, cómo evalúa fuentes, cómo usa la IA de forma crítica. Construye 'formas de ver' la disciplina que van más allá del contenido y que solo emergen de haber navegado situaciones donde no había instrucciones suficientes y donde el error tuvo consecuencias concretas. Esa es la transmisión que la IA no puede realizar: no la del contenido, sino la del recorrido.

Finalmente, el docente es garante ético y comunitario: define normas de uso responsable de la IA, discute cuestiones de equidad, sesgo e integridad académica, y sostiene una comunidad de aprendizaje que ningún sistema puede liderar. Estudios sobre dependencia de IA en estudiantes universitarios muestran que un uso intensivo y sin guía se asocia con pérdida de autonomía en la toma de decisiones y menor compromiso activo con el aprendizaje. La guía humana no es un complemento del sistema; es su condición de sentido.

6. El cruce: una tesis unificada sobre lo que la IA no puede hacer por el docente

6.1 Las cuatro líneas como sistema

Las cuatro dimensiones analizadas no son paralelas. Son interdependientes, y su cruce produce una comprensión que ninguna de ellas genera por separado.

La responsabilidad individual del docente (Línea 1) es el marco ético desde el cual todas las demás decisiones deben tomarse. Pero esa responsabilidad ha sido históricamente diluida por una arquitectura universitaria (Línea 2) que organizó la formación alrededor del contenido certificable, no del criterio. Esa arquitectura marginó el conocimiento tácito formado en la experiencia de campo (Línea 3) como criterio de legitimidad docente, porque ese conocimiento no era necesario para transmitir contenido. Y sin experiencia de campo, el docente no tiene los insumos para diseñar la única respuesta pedagógica coherente al nuevo escenario: la secuencia cognitiva (Línea 4) que parte del movimiento mental del estudiante y usa la IA como herramienta de andamiaje, no como sustituto del recorrido.

El cruce produce una cadena causal: la irresponsabilidad pedagógica es posible porque el modelo está diseñado para el contenido; el modelo está diseñado para el contenido porque nunca valoró el conocimiento experiencial; y sin conocimiento experiencial, no hay fundamento para diseñar secuencias cognitivas auténticas. La experiencia de campo amplía de manera sustantiva la capacidad del docente para diseñar secuencias cognitivas auténticas en contextos profesionales. La IA irrumpe en ese sistema y lo colapsa desde adentro al demostrar que el contenido certificable —la pieza sobre la que todo reposaba— puede ser producido por un algoritmo.

6.2 Lo que el sistema nunca le exigió demostrar al docente

La tesis central de este artículo puede formularse ahora con precisión: la IA no amenaza al docente que ejerce su profesión desde el criterio, la responsabilidad y la experiencia. Lo que amenaza es la figura del docente cuyo valor residía exclusivamente en su acceso privilegiado al contenido y en su capacidad de organizarlo y transmitirlo de forma eficiente. Esa figura está siendo desplazada. Y ese desplazamiento es pedagógicamente necesario.

Lo que la IA exige al docente no es nuevo en términos de ideal pedagógico. Es nuevo en términos de urgencia: ya no puede diferirse. El docente que durante décadas podía sostener su lugar en el aula transmitiendo contenido organizado sin asumir responsabilidad pedagógica genuina, sin aportar experiencia de campo real, y sin diseñar desde el movimiento cognitivo del estudiante, ya no puede hacerlo. No porque la institución lo exija —las instituciones raramente hacen cambios tan profundos con rapidez—, sino porque el estudiante que tiene acceso a la IA y al predominantemente académico simultáneamente puede comparar, y esa comparación es inmisericorde.

El docente ante la IA tiene, por primera vez en décadas, la posibilidad de demostrar su verdadero valor: no el valor de quien sabe más que el estudiante sobre un contenido, sino el de quien puede guiar al estudiante a través de la incertidumbre real, modelar el ejercicio del criterio bajo condiciones de ambigüedad, y acompañar el desarrollo de un juicio profesional que ningún algoritmo puede formar porque ningún algoritmo puede vivir las consecuencias de sus propias decisiones.

6.3 Implicancias para la institución, el docente y el estudiante

Para la institución, el diagnóstico implica una revisión profunda de los criterios de contratación y promoción docente. Si el valor diferencial del docente reside en su conocimiento tácito y en su capacidad de ejercer responsabilidad pedagógica individual, entonces los sistemas que evalúan al docente por productividad académica medida en publicaciones —ignorando la experiencia profesional de campo y la calidad del diseño pedagógico— están produciendo exactamente el tipo de docente que la IA hace prescindible.

Para el docente, el diagnóstico implica una pregunta incómoda pero necesaria: ¿desde dónde ejerzo mi profesión? ¿Desde el contenido que organizo y transmito, o desde el criterio que aporto y el recorrido que diseño? ¿Tengo experiencia de campo real que pueda traducir en andamiaje reflexivo para mis estudiantes, o mi único activo es el dominio de un contenido que la IA ya puede proveer? Esas preguntas no son una amenaza: son la oportunidad de clarificar qué hace insustituible la enseñanza humana.

Para el estudiante, el diagnóstico implica una demanda diferente: ya no puede ser receptor pasivo de contenido que acumula para reproducirlo en una evaluación. En un ecosistema cognitivo donde la IA puede proveer el contenido de forma inmediata, el estudiante que no desarrolla criterio, juicio y capacidad de operar bajo incertidumbre real no está siendo formado; está siendo certificado. Y esa certificación, cada vez más, no garantiza nada.

7. Conclusiones: la IA como oportunidad de volver a lo que nunca debimos abandonar

La inteligencia artificial generativa ha producido en la educación superior una crisis de legitimidad que muchos análisis contemporáneos describen como tecnológica. Este artículo ha argumentado que es, en realidad, una crisis estructural que la tecnología solo ha hecho visible e impostergable.

El modelo universitario fue diseñado para transmitir y certificar contenido en un mundo donde el contenido era escaso. Ese diseño habilitó una figura docente cuyo valor residía en el acceso privilegiado al conocimiento disciplinar y en la capacidad de organizarlo y transmitirlo de forma eficiente. Esa figura fue funcional mientras las condiciones que la hacían necesaria se mantuvieron. La IA las ha eliminado.

Lo que emerge del análisis no es una amenaza sino una oportunidad: la posibilidad de reconstruir la docencia universitaria sobre los fundamentos que siempre debió tener. Una responsabilidad individual genuina que no puede diluirse en protocolos ni delegarse en algoritmos. Un criterio formado en la experiencia de campo que la IA no puede simular porque requiere haber vivido las consecuencias de las propias decisiones. Y un diseño pedagógico que parta del movimiento cognitivo del estudiante porque es ahí —en la fricción entre lo que sabe y lo que aún no puede saber solo— donde el aprendizaje ocurre.

La IA no reemplaza al docente que ejerce esas funciones. Las hace más necesarias, más visibles y más exigentes. Lo que reemplaza es al docente que nunca las ejerció. Y esa sustitución, por incómoda que resulte para el sistema, es exactamente lo que la educación superior necesitaba.

Referencias bibliográficas

Barnett, R. (2000). Realizing the University in an Age of Supercomplexity. Open University Press.

Bransford, J., Brown, A., & Cocking, R. (2000). How People Learn: Brain, Mind, Experience, and School. National Academy Press.

Collins, R. (1979). The Credential Society: An Historical Sociology of Education and Stratification. Academic Press.

Dreyfus, H., & Dreyfus, S. (1986). Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer. Free Press.

Eraut, M. (1994). Developing Professional Knowledge and Competence. Falmer Press.

Fenstermacher, G. D. (1990). Some moral considerations on teaching as a profession. En J. Goodlad, R. Soder & K. Sirotnik (Eds.), The Moral Dimensions of Teaching (pp. 130-151). Jossey-Bass.

Kolb, D. A. (1984). Experiential Learning: Experience as the Source of Learning and Development. Prentice Hall.

Lave, J., & Wenger, E. (1991). Situated Learning: Legitimate Peripheral Participation. Cambridge University Press.

Polanyi, M. (1966). The Tacit Dimension. Doubleday.

Readings, B. (1996). The University in Ruins. Harvard University Press.

Schön, D. A. (1983). The Reflective Practitioner: How Professionals Think in Action. Basic Books.

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.

Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.

Wiggins, G., & McTighe, J. (2005). Understanding by Design (2nd ed.). ASCD.

Nota: Este artículo integra y sintetiza cuatro líneas de investigación desarrolladas con soporte de revisión de literatura académica en bases indexadas (Scopus, ERIC, Web of Science). Las referencias empíricas específicas mencionadas en el cuerpo del texto corresponden a estudios identificados en esa revisión.