Límites constitutivos, intersección epistemológica y preguntas irreductibles: hacia una teoría del pensamiento humano en la era de la inteligencia artificial

Abstract

La mayoría de los discursos sobre inteligencia artificial en educación operan desde las capacidades de ambos campos sin interrogar los límites que los definen como campos distintos. Este paper propone estudiar la intersección entre educación e IA generativa desde sus límites constitutivos: aquello que define lo que cada campo es por lo que no puede dejar de ser. Desde el lado de la educación, Biesta, Freire y Meirieu revelan un límite compartido: hay algo que la educación produce —subjetivación, praxis, el acto personal de aprender— que no puede ser delegado, automatizado ni garantizado externamente sin que la práctica deje de ser educativa. Este límite no depende del estado actual ni futuro de la IA: permanecería intacto incluso si se demostrara que los sistemas de IA comprenden en sentido pleno, porque no es una afirmación sobre las capacidades de la máquina sino sobre la naturaleza constitutiva del acto educativo. Desde el lado de la IA generativa, Dreyfus, Bender et al. y el debate técnico contemporáneo establecen que los modelos de lenguaje de gran escala operan sobre correlaciones estadísticas cuya naturaleza epistemológica ni el propio campo técnico ha resuelto, lo que hace aún más urgente la discusión filosófica previa. Cuando estos dos límites se confrontan, emergen tensiones específicas que generan preguntas que la literatura actual no ha sabido formularse. Este paper formula cinco preguntas irreductibles como agenda fundacional, y propone una pregunta filosófica de orden superior que la IA impone por primera vez a la tradición educativa: si durante siglos la filosofía de la educación preguntó cómo aprenden los seres humanos, hoy es necesario preguntarse qué significa pensar cuando parte del pensamiento puede externalizarse.

Palabras clave: inteligencia artificial generativa, filosofía de la educación, epistemología, límites constitutivos, subjetivación, externalización del pensamiento, THETA

1. Introducción: el problema de integrar sin comprender

Existe una asimetría notable en el debate contemporáneo sobre inteligencia artificial en educación. Por un lado, la literatura crece exponencialmente: revisiones bibliométricas recientes documentan miles de artículos publicados entre 2022 y 2025 sobre aplicaciones de IA generativa en enseñanza, evaluación, literacia digital e integridad académica (Nzenwata et al., 2024; Rivadeneira & Toledo, 2025). Por otro lado, las preguntas que estructuran esa literatura son sorprendentemente uniformes: ¿qué puede hacer la IA en el aula?, ¿cómo la perciben estudiantes y docentes?, ¿qué efectos tiene en el rendimiento medible? Son preguntas de eficacia y adopción, no de comprensión.

Lo que falta —y lo que este paper propone como contribución— es una pregunta anterior: ¿desde qué comprensión de la educación y de la IA estamos hablando cuando decimos que interactúan? La ausencia de esa pregunta produce un error específico: integrar dos campos sin entender la arquitectura de ninguno de ellos, sin poder distinguir qué es posible, qué es deseable y qué es autodestructivo para el propósito educativo.

Este paper no evalúa herramientas ni propone metodologías de implementación. Examina los límites constitutivos de la educación y de la IA generativa como campos distintos, confronta esos límites entre sí, y formula las preguntas que emergen de esa confrontación. Las llamamos irreductibles porque no pueden responderse solo desde la educación ni solo desde la IA, y porque no admiten marcos instrumentales de eficacia sin que algo esencial se pierda.

Una distinción estructura todo el argumento: los límites constitutivos de la educación que este paper establece no son afirmaciones sobre lo que la IA puede o no puede hacer. No dependen del estado actual de la tecnología ni quedarían invalidados si la investigación futura demostrara que los sistemas de IA generativa comprenden en algún sentido filosóficamente robusto. Son afirmaciones sobre la naturaleza del acto educativo: sobre qué condiciones deben satisfacerse para que algo cuente como educación en lugar de instrucción o transferencia de información. Esa distinción hace al argumento permanente, y es lo que le otorga valor fundacional.

2. Los límites constitutivos de la educación

2.1 La subjetivación como irreductible

Biesta identifica en el discurso educativo contemporáneo lo que llama "learnification": el desplazamiento desde la educación hacia el aprendizaje, acompañado por una lógica de medición que borra la pregunta por el propósito educativo (Biesta, 2009). Para responder qué produce la educación más allá de la transmisión, distingue tres funciones simultáneas: qualification, socialization y subjectification —la posibilidad de que el sujeto exista como tal, no como objeto de intervenciones externas (Biesta, 2009, 2010). Las primeras dos admiten grados de formalización y delegación. La tercera no.

La subjectification es irreductible porque no puede derivarse de las otras dos ni medirse con sus instrumentos: un sujeto perfectamente cualificado y socializado puede no haber desarrollado la capacidad de responder de manera libre y responsable ante el mundo. Es imposible de delegar porque no puede producirse mediante técnicas, programas ni tecnologías externas: ocurre cuando el sujeto se implica, responde y asume una posición ante el mundo (Biesta, 2013, 2020).

Lo que hace constitutivo este límite es su relación con el riesgo. La educación auténtica implica siempre riesgo: no hay vínculo garantizable entre insumos educativos y formación del sujeto. Ese riesgo no es un defecto a corregir; es la condición de posibilidad de la subjetivación (Biesta, 2013). Eliminar el riesgo mediante control total —personalización algorítmica perfecta, garantía de resultados— no mejora la educación: destruye el espacio donde la subjetivación es posible, convirtiendo la educación en entrenamiento. Este límite es independiente de las capacidades de cualquier sistema tecnológico: incluso si la IA comprendiera con profundidad humana, el límite de la subjetivación permanecería, porque la subjetivación no ocurre en la transferencia sino en la implicación del sujeto con aquello que aún no comprende.

2.2 La praxis como condición del conocimiento

Freire establece el límite desde una dirección convergente. En su análisis de la educación bancaria, el problema no es pedagógico sino epistemológico: la estructura bancaria no enseña mal, sino que impide que el conocimiento ocurra (Freire, 1970). Cuanto mejor funciona la lógica de depósito —más acumulación, menos cuestionamiento— más eficazmente impide el desarrollo de conciencia crítica.

El conocimiento genuino exige condiciones que ningún sistema puede satisfacer por sí solo: sujetos que co-investigan su realidad, mediación del mundo como proceso histórico transformable, diálogo auténtico, reconocimiento de la inconclusión humana (Freire, 1970). Sin esas condiciones, lo que se produce es acumulación de información, no conocimiento. El conocimiento requiere praxis —acción más reflexión sobre la realidad concreta. Separar conocimiento de praxis es separar al sujeto de su propia capacidad de conocer.

Este argumento no depende de si la IA comprende o no: un sistema que entrega respuestas perfectas sin movilizar reflexión tiende estructuralmente hacia la lógica bancaria independientemente de sus capacidades internas. El límite freireano es sobre la estructura de la práctica educativa, no sobre las capacidades de sus herramientas. La pregunta aplicada a la IA no es "¿comprende el sistema?", sino "¿a quién le corresponde pensar en esta práctica?"

2.3 El acto de aprender como acto personal

Meirieu identifica el momento más preciso del límite: el instante en que el sujeto decide comenzar a hacer algo que aún no sabe hacer. Retomando la paradoja aristotélica —hay que hacerlo para aprenderlo, pero no se sabe cómo antes de haberlo aprendido— afirma que ese "coraje de comenzar" es un acto que ningún otro puede ejecutar en lugar del aprendiz (Meirieu, 1987).

El núcleo irreductible del aprender comprende la transformación interna de concepciones previas, el acceso al pensamiento simbólico y el ejercicio de la elección. No se trata de adquirir información nueva sino de reestructurar los esquemas desde los cuales el sujeto comprende el mundo, algo que no puede ser ejecutado externamente (Meirieu, 1987, 1996). La pedagogía tiene por tanto un límite constitutivo: no puede garantizar resultados, solo crear condiciones. Una pedagogía que pretendiera garantizar resultados habría dejado de ser pedagogía para convertirse en fabricación (Meirieu, 1996).

2.4 Convergencia: un límite ontológico, no tecnológico

Los tres autores delimitan el mismo límite desde ángulos complementarios. Biesta: la educación no puede delegar la subjetivación. Freire: no puede sustituir la praxis como condición del conocimiento. Meirieu: no puede ejecutar en lugar del sujeto el acto personal de aprender.

Hay algo en la educación —el momento de implicación subjetiva— que no puede ser externalizado sin que la práctica deje de ser educativa. Y ese algo es ontológico, no tecnológico: pertenece a la naturaleza del acto educativo, no al estado de las herramientas disponibles. El argumento no caduca con el avance de la IA. Seguiría siendo válido si mañana se demostrara que los LLMs comprenden con profundidad humana. El límite constitutivo de la educación no dice nada sobre las capacidades de la máquina: dice algo sobre lo que el sujeto necesita hacer para que la educación ocurra.

3. Los límites epistemológicos de la IA generativa

3.1 Forma sin significado y el trasfondo que no se formaliza

Dreyfus desarrolló la crítica filosófica más sistemática a la pretensión de formalizar exhaustivamente la inteligencia humana (Dreyfus, 1972, 1992). Apoyado en Heidegger y Merleau-Ponty, argumenta que la inteligencia práctica opera como conocimiento tácito y pre-reflexivo: el experto no consulta reglas sino que responde fluidamente gracias a hábitos corporales y sensibilidad situacional que no pueden formalizarse sin caer en regresos viciosos. Para aplicar una regla correctamente, el agente debe ya saber qué cuenta como caso pertinente —y ese saber previo no puede estar completamente codificado sin que se reintroduzca el mismo problema.

Lo que estaría ausente en los LLMs es la pertenencia a una forma de vida encarnada y situada históricamente. Pueden capturar patrones estadísticos que reflejan esas formas de vida, pero no participan en ellas. La distinción entre reflejar y participar es el núcleo del límite dreyfusiano, y permanece filosóficamente relevante independientemente del grado de sofisticación que alcancen los sistemas.

Bender et al. (2021) establecen el límite desde dentro del campo técnico. Los LLMs se entrenan sobre forma lingüística —secuencias de tokens— sin que el objetivo de entrenamiento exija modelar referencia: qué entidades o estados del mundo están siendo descritos. El resultado es "dominio de la forma sin dominio del significado": los LLMs dominan patrones gramaticales sin poseer modelos causales que permitan interpretar el lenguaje como lo hacen los hablantes humanos. El "stochastic parrot" que introducen formaliza este límite: el modelo recombina formas lingüísticas según distribuciones de probabilidad, produciendo texto convincente que es continuación estadísticamente plausible de una entrada, no un enunciado evaluado frente al mundo.

3.2 El debate técnico como evidencia de incertidumbre

La aparición de capacidades inesperadas en LLMs ha complejizado el panorama sin resolverlo. Wei et al. (2022) documentan habilidades que emergen al superar ciertos umbrales de escala y que no se predicen por interpolación continua. Los defensores de estas capacidades emergentes argumentan que los LLMs desarrollan representaciones internas que codifican relaciones semánticas de orden superior, constituyendo formas proto-cognitivas. LeCun sostiene, en contraste, que los LLMs operan como sistemas de "Sistema 1" —reactivos, asociativos, sin deliberación genuina— y que sin grounding sensorial y modelos causales del mundo no pueden razonar en sentido fuerte. El argumento de la Habitación China de Searle (1980) ofrece el marco filosófico más preciso: la manipulación sintáctica de símbolos no es suficiente para generar comprensión semántica genuina, independientemente de cuán convincente sea el comportamiento resultante.

Para el argumento de este paper, lo crucial no es cuál posición es correcta, ni si algún día se demuestra que los LLMs comprenden. Lo crucial es el hecho mismo del desacuerdo profundo y persistente dentro del campo técnico. Si los propios investigadores de IA no pueden definir con certeza qué produce un LLM, la pregunta de cómo integrarlo responsablemente en la educación no puede responderse sin la discusión filosófica previa que este paper propone. La mayoría de la literatura sobre IA en educación asume implícitamente que los LLMs comprenden algo suficiente para cumplir funciones pedagógicas. Esa asunción no está fundamentada ni siquiera en el campo técnico que produjo los modelos.

La función del análisis de la IA en este paper no es demostrar que "la IA no puede educar". Es demostrar que la incertidumbre epistemológica profunda que rodea a estos sistemas hace aún más urgente el análisis previo de los límites constitutivos de la educación. Precisamente porque no sabemos qué produce la IA —y el campo técnico lo reconoce— la discusión filosófica previa no es un lujo académico sino una necesidad práctica.

4. La intersección como campo de tensiones

4.1 Las tres tensiones constitutivas

Cuando los límites de ambos campos se confrontan, no emerge un mapa de compatibilidades sino un campo de tensiones específicas. Barad (2007) ofrece el marco más preciso: su concepto de intra-acción señala que educación e IA no son entidades preexistentes que se ensamblan, sino campos que se co-constituyen en la práctica. Lo que la integración de IA hace visible es la arquitectura de la educación: sus supuestos sobre el conocimiento, el sujeto y la autoridad epistémica.

Primera tensión: riesgo versus garantía. La educación requiere riesgo como condición de subjetivación (Biesta, 2013): sin apertura a lo no planificado, la subjetivación no ocurre. La IA generativa está diseñada para lo contrario: eliminar el riesgo, producir respuestas perfectas. Esta tensión no desaparecería si la IA comprendiera perfectamente: seguiría siendo una tensión entre la lógica operativa de un sistema diseñado para la certeza y la condición educativa que requiere la incertidumbre. Cuando un estudiante recibe de un LLM la síntesis perfecta de un argumento que debía construir, no ha sido privado de información: ha sido privado de la oportunidad de implicarse subjetivamente con el problema.

Segunda tensión: praxis versus externalización. La educación requiere praxis como condición del conocimiento genuino (Freire, 1970). La IA generativa externaliza el proceso de elaboración: entrega el producto sin el proceso que lo produce. Esta tensión no depende de si la IA comprende: depende de si la práctica educativa mantiene o renuncia a la praxis como condición del conocimiento.

Tercera tensión: acto personal versus ejecución externa. La educación define su límite en la irreductibilidad del acto de aprender como acto personal (Meirieu, 1987). La IA generativa ofrece ejecutar externamente exactamente ese acto: sintetizar, elaborar, argumentar, decidir. No es que la IA reemplace al docente; es que puede reemplazar al estudiante en el único acto que define el aprendizaje. Cuando ese reemplazo ocurre —independientemente de las capacidades del sistema— lo que queda es la ilusión de aprendizaje producida por ejecución externa.

4.2 Las cinco preguntas irreductibles

De estas tensiones emergen preguntas que este paper propone como agenda fundacional. Son irreductibles porque no pueden responderse solo desde la educación ni solo desde la IA, y no admiten marcos instrumentales sin que algo esencial se pierda.

Pregunta 1 — Sobre el conocimiento: ¿Qué cuenta como conocimiento cuando un sujeto produce un texto que no elaboró, con un sistema cuya naturaleza epistemológica el propio campo técnico no ha resuelto, en una institución que evalúa productos sin acceso al proceso que los produjo? Ninguna parte de esa cadena satisface las condiciones que la tradición epistemológica requiere para hablar de conocimiento: lo que hay, en el mejor de los casos, es la forma del conocimiento sin su sustancia.

Pregunta 2 — Sobre el sujeto: ¿Qué le ocurre a la capacidad de subjetivación de un sujeto que sistemáticamente delega a la IA las tareas que requieren elaboración, riesgo y decisión personal? Esta pregunta no puede responderse con datos de rendimiento inmediato. Requiere estudios longitudinales que observen cómo la relación sostenida con sistemas que eliminan el riesgo modifica los hábitos intelectuales, la tolerancia a la incertidumbre y la capacidad de asumir posiciones propias.

Pregunta 3 — Sobre la educación: ¿Puede seguir llamándose educación una práctica que, al integrar IA generativa sin marco epistemológico previo, elimina estructuralmente las condiciones que la definen como tal? Hay un punto en el que la integración de IA no transforma la educación sino que la sustituye por otra cosa. Identificarlo requiere examinar los límites constitutivos antes de decidir qué se puede integrar y qué no.

Pregunta 4 — Sobre la responsabilidad: ¿Quién es responsable del conocimiento producido en la intersección humano-IA, y qué implica esa distribución para las instituciones educativas? El problema es más profundo que la integridad académica: la noción misma de autoría intelectual se vuelve problemática de maneras que afectan la formación universitaria, independientemente de cuánto comprenda el sistema.

Pregunta 5 — Sobre la desigualdad: Si el aprovechamiento de la IA es función del marco conceptual previo del sujeto —y no de la IA, que es constante como herramienta— ¿qué tipo de desigualdad cognitiva produce la integración no diferenciada de IA en sistemas educativos ya desiguales? Si quien llega con más marco conceptual sale con más de la interacción con IA, la IA no democratiza la educación: amplifica la desigualdad cognitiva existente.

5. Discusión: THETA y la agenda epistemológica pendiente

El análisis de la literatura sobre IA generativa en educación (2020-2025) confirma documentalmente el vacío que este paper propone llenar. Los trabajos dominantes asumen marcos constructivistas-instrumentalistas; sus preguntas se orientan a eficacia, adopción y riesgos de integridad académica (Nzenwata et al., 2024; Rivadeneira & Toledo, 2025). Los marcos de filosofía de la educación aparecen de forma fragmentaria, y la pregunta por los límites constitutivos de ambos campos está prácticamente ausente.

Selwyn (2019) ofrece la crítica más sistemática desde la sociología de la educación: la tecnología educativa refuerza agendas preexistentes más que resolver problemas de fondo, y el discurso optimista sobre IA elude preguntas sobre poder, control y tipo de educación que se construye. Su diagnóstico es compatible con el de este paper pero opera en un nivel diferente: mientras Selwyn analiza las condiciones sociales e institucionales, este paper examina las condiciones epistemológicas y ontológicas. Ambos niveles son necesarios.

Lo que distingue este paper de la literatura existente —incluyendo la crítica de Selwyn— es su apuesta por la permanencia del argumento. Las preguntas de Selwyn son históricamente situadas. Las que este paper formula dependen de la naturaleza del acto educativo y del pensamiento humano, y seguirían siendo válidas independientemente de cómo evolucionen las capacidades de la IA.

Este paper es el documento fundacional de THETA (Theory of Human Thought in the Age of Artificial Intelligence), un programa de investigación que estudia la intersección entre educación e IA desde el sujeto cognitivo que navega entre ambos campos. El marco conceptual que aquí se establece es la base desde la cual las investigaciones empíricas de THETA podrán operar: cualquier observación sobre lo que ocurre cuando estudiantes usan IA generativa requiere un criterio previo sobre qué constituye aprendizaje genuino, subjetivación real, conocimiento auténtico. Ese criterio es lo que este paper construye.

6. Conclusión: la pregunta que la IA le formula a la filosofía de la educación

Este paper ha argumentado que la integración de IA generativa en educación requiere, como condición previa, comprender la arquitectura de ambos campos desde sus límites constitutivos. Desde el lado de la educación, Biesta, Freire y Meirieu convergen en un límite ontológico: hay algo —subjetivación, praxis, el acto personal de aprender— que no puede ser delegado sin que la práctica deje de ser educativa. Ese límite es permanente: no depende del estado de la IA porque no es una afirmación sobre las capacidades de la máquina sino sobre la naturaleza del acto educativo. Desde el lado de la IA, el desacuerdo profundo dentro del campo técnico sobre qué producen realmente los LLMs hace aún más urgente la discusión filosófica previa que la mayoría de la literatura ha eludido.

De la confrontación entre ambos límites emergen cinco preguntas irreductibles que definen la agenda de investigación de THETA. Pero hay una pregunta de orden superior que este análisis hace visible y que merece ser formulada con la precisión que su importancia exige.

Durante siglos, la filosofía de la educación preguntó cómo aprenden los seres humanos. Esa pregunta asumía, sin necesidad de explicitarlo, que el pensamiento era una actividad que ocurría en el interior del sujeto: podía ser estimulada u orientada desde el exterior, pero no podía ocurrir fuera del sujeto sin dejar de ser pensamiento de ese sujeto. La educación era el arte de crear las condiciones para que ese pensamiento interior ocurriera.

La IA generativa introduce algo conceptualmente más perturbador que una nueva herramienta: la posibilidad de que parte de lo que llamamos pensar pueda ocurrir fuera del sujeto, o en la frontera entre el sujeto y un sistema externo. Sintetizar argumentos, elaborar posiciones, tomar decisiones sobre problemas complejos —actividades que la tradición filosófica consideraba constitutivas del pensamiento— pueden ahora ser ejecutadas, en alguna medida, por sistemas que no son el sujeto.

Eso obliga a formular una pregunta que la filosofía de la educación no había necesitado hacerse: ¿qué significa pensar cuando parte del pensamiento puede externalizarse? No es una pregunta sobre si la IA piensa. Es una pregunta sobre qué le ocurre al pensamiento humano cuando parte de sus funciones constitutivas pueden ocurrir fuera de él. Y es una pregunta que no tiene respuesta en la tradición filosófica existente porque la situación que la genera es genuinamente nueva.

Esta pregunta es el territorio donde THETA se instala. Su formulación precisa es, en sí misma, una contribución: porque nombrar con exactitud lo que es nuevo es la condición para no confundirlo con lo que ya conocemos, ni responderlo con herramientas diseñadas para problemas anteriores.

Referencias

Barad, K. (2007). Meeting the universe halfway: Quantum physics and the entanglement of matter and meaning. Duke University Press.

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. https://doi.org/10.1145/3442188.3445922

Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On meaning, form, and understanding in the age of data. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 5185–5198. https://doi.org/10.18653/v1/2020.acl-main.447

Biesta, G. (2009). Good education in an age of measurement: On the need to reconnect with the question of purpose in education. Educational Assessment, Evaluation and Accountability, 21(1), 33–46. https://doi.org/10.1007/s11092-008-9064-9

Biesta, G. J. J. (2010). Good education in an age of measurement: Ethics, politics, democracy. Routledge. https://doi.org/10.4324/9781315634319

Biesta, G. J. J. (2013). The beautiful risk of education. Paradigm Publishers.

Biesta, G. (2020). Risking ourselves in education: Qualification, socialization, and subjectification revisited. Educational Theory, 70(1), 89–104. https://doi.org/10.1111/edth.12411

Dreyfus, H. L. (1972). What computers can't do: The limits of artificial intelligence. Harper & Row.

Dreyfus, H. L. (1992). What computers still can't do: A critique of artificial reason. MIT Press.

Freire, P. (1970). Pedagogía del oprimido. Siglo XXI.

LeCun, Y. (2022). A path towards autonomous machine intelligence. Meta AI. https://openreview.net/pdf?id=BZ5a1r-kVsf

Meirieu, P. (1987). Apprendre… oui, mais comment? ESF.

Meirieu, P. (1996). Frankenstein pédagogue. ESF.

Mitchell, M., & Krakauer, D. C. (2023). The debate over understanding in AI's large language models. Proceedings of the National Academy of Sciences, 120(13), e2215907120. https://doi.org/10.1073/pnas.2215907120

Nzenwata, C. I., Aniemeka, C., Okeke, C., & Okonkwo, C. (2024). A systematic review of generative AI in education. Journal of Computer Sciences and Applications, 12(1), 25–30. https://doi.org/10.12691/jcsa-12-1-4

Rivadeneira, J., & Toledo, A. (2025). Applications of generative artificial intelligence in higher education: A systematic review of the literature. Journal of Posthumanism, 5(11), 521–535. https://doi.org/10.63332/joph.v5i11.3770

Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756

Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity.

Wei, J., Tay, Y., Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S., Yogatama, D., Bosma, M., Zhou, D., Metzler, D., Chi, E. H., Hashimoto, T., Vinyals, O., Liang, P., Dean, J., & Fedus, W. (2022). Emergent abilities of large language models. Transactions on Machine Learning Research. https://doi.org/10.48550/arXiv.2206.07682

Preprint — Bajo revisión para publicación en Educational Philosophy and Theory Paper fundacional de THETA (Theory of Human Thought in the Age of Artificial Intelligence) Tomás Dulanto | Lima, Perú | ORCID: 0009-0006-8522-6819 | tomasdulanto.com | 2026