Usos positivos de la IA en la educación: aprender a crear para comprender

El 16 de octubre de 2026 participé en el V Congreso Internacional «La educación que queremos», organizado por el sindicato PIDE en Badajoz. Comparto aquí el texto de la ponencia junto con las diapositivas que la acompañaron.

• Descargar la presentación completa (PDF)

Buenas tardes. La organización de este congreso me pidió preparar una ponencia sobre los usos positivos de la IA en educación. Seguramente esos usos existen, y algo contaré durante estos 45 minutos. Pero lo que realmente traigo es una propuesta para alfabetizar en IA desde los cimientos, con la finalidad de usar la IA que nos viene con rigor, seguridad, conocimiento y eficacia. Una propuesta para aprender sobre ella construyéndola, no solo usándola. Esto es, para pasar de meros consumidores a creadores. Sin duda, una de las estrategias que mejor han funcionado en educación a lo largo del tiempo. En definitiva, una estrategia para hacer un uso positivo de la IA.

1. La IA hoy

Comencemos por revisar rápidamente cuál es la situación en el día de hoy y cómo puede afectar a la educación.

Una herramienta de muchas caras

A día de hoy podemos decir, sin temor a equivocarnos, que el desarrollo de la IA ha alcanzado unos niveles tales que cualquier actividad que precise de un ordenador puede realizarse simplemente contando en lenguaje natural, de andar por casa, lo que queremos hacer. Es la época de la IA generativa, de los grandes modelos del lenguaje que saben hablar y «pensar» (más bien calcular, pero es que los cálculos son tan sofisticados que el efecto es similar al pensamiento humano), y de los programas agentes que usan las herramientas del sistema siguiendo las órdenes de los primeros para resolver problemas complejos sin intervención humana. Es el genio digital de la lámpara. No solo en educación, sino en cualquier otra disciplina. El nivel de automatización es muy alto y no deja de subir.

En educación, que es el tema que nos trae aquí, con la IA podemos:

• Elaborar actividades de cualquier área del conocimiento adaptadas individualmente al nivel de cada estudiante, incluso en distintos idiomas, algo muy útil cuando tenemos en clase algún estudiante que aún no ha aprendido español.
• Hacer que esas actividades además sean interactivas y audiovisuales.
• Resumir textos complejos, adaptarlos a un lenguaje de fácil lectura, traducirlos a cualquier idioma, mejorarlos, empeorarlos, explorarlos.
• Construir presentaciones audiovisuales o hacer un pódcast, escribir un libro, un artículo, los temas de mi asignatura.
• Corregir los exámenes y los trabajos de todos nuestros estudiantes en menos de una hora. Esto sin entrar en la cuestión ética, los posibles problemas de privacidad y las perversas consecuencias que tendría un error cometido por la máquina en la evaluación de una persona. Pero os aseguro que se puede hacer. Y además bien. Eso sí, el responsable eres tú.
• Elaborar en cuestión de minutos los informes y toda la burocracia que nos abruma y consume gran parte del tiempo que deberíamos estar ocupando en cuestiones pedagógicas.

En definitiva, con las IA actuales prácticamente cualquier tarea cognitiva, y por tanto educativa, puede automatizarse. Pero ¿supone esto una ventaja? Desde luego que puede serlo. Pero también puede convertirse en un gran problema. Todo dependerá de la manera en que la incorporemos en educación y, más generalmente, en la sociedad. Todo dependerá de que dejemos que la IA nos gobierne o consigamos gobernarla. Es fácil y tentador caer en las seductoras redes de un artificio que te lo hace todo sin necesidad de que comprendas nada. Y ahí está la clave del uso positivo de la IA: que haga tu trabajo o que te ayude a hacer mejor tu trabajo. Una inmensa distancia separa estas dos visiones, originando el gran dilema de la IA: sustitución o sabiduría.

Verano de 2026: los agentes cruzaron límites

Para hacernos una idea de la potencia actual de la IA y los agentes, os contaré una de las asombrosas historias que han sucedido este verano.

En los laboratorios de OpenAI un grupo de investigadores e ingenieros estudiaba las capacidades emergentes de un conjunto de agentes dirigidos por un modelo de última generación para resolver problemas de ciberseguridad. El modelo carecía de las salvaguardas típicas que dotan de la seguridad necesaria para que la IA actúe de manera alineada con los valores humanos (signifique lo que signifique «valor humano»). Pero, por otro lado, se ejecutaba en una computadora cuyo acceso a internet se había cortado mediante cortafuegos software. La cuestión es que se le planteó un problema de ciberseguridad y los agentes, dirigidos por el modelo de IA, comenzaron a explorar las posibles soluciones. Se suponía que, usando todos los conocimientos adquiridos por el modelo de lenguaje durante el entrenamiento, el sistema llegaría a alguna solución. Lo que nadie pensó es que el camino que la IA consideró más corto y sencillo para obtener la solución fue hackear el ordenador sobre el que se ejecutaba para poder acceder a internet y, entonces, hackear de nuevo los sistemas informáticos de una empresa especializada en IA, Hugging Face, en cuyos servidores se encontraría directamente la solución al problema. Es decir, prefirió copiar la solución a deducirla, aunque para ello tuvo que ¡hackear dos sistemas!

Con esta historia no quiero alertar a nadie ni hacer pensar que la IA nos va a devorar en un futuro próximo, aunque sea una posibilidad. Mi intención es ilustrar que el estado de desarrollo actual permite la automatización de las tareas intelectuales y cognitivas, situando al cerebro humano en un estadio muy próximo a ser sustituido por una máquina. O, pensando en un escenario más halagüeño, a la ampliación de aquel apoyándose en esta. En cualquier caso, a la superación de las capacidades intelectuales, exclusivamente humanas hasta hace poco.

Si no la dirigimos, puede dirigir la docencia

¿Cómo afecta este nivel de desarrollo a la educación? La existencia de una herramienta tan poderosa, intelectualmente hablando, puede ser una ventaja enorme, pero también puede provocar una dependencia irreversible si el docente vende su alma a la IA seducido por su extraordinario desempeño y confiriéndole una autoridad que no tiene. O que al menos no debería tener, pero que podría llegar a adquirir si nosotros se la damos. Podría llegar a ser un grave problema si dejamos que la IA imponga su agenda, sus criterios, su estilo, su modo de ver el mundo; es decir, la agenda, los criterios, el estilo y el modo de ver el mundo de sus creadores, tanto en educación como en cualquier otra disciplina.

Por eso es de especial relevancia que cuando usamos IA nos planteemos siempre qué estamos ganando. Que nos planteemos si la IA sigue nuestras directrices o nos estamos dejando llevar por sus encantos. Si nos está ayudando a entender mejor nuestros asuntos o simplemente estamos aceptando sus soluciones. Esto, que puede parecer fácil de evitar, desgraciadamente es extraordinariamente complicado, pues la condición humana está sobrecargada de pereza. Entre otras cosas…

Una IA centrada en las personas

Si no queremos caer en los encantos del genio digital, debemos tomar una posición proactiva y consciente para dirigir el desarrollo y el uso de la IA poniendo al humano en el centro. Una IA que respete los derechos humanos, transparente, supervisable por humanos, usada con criterios de responsabilidad, desarrollada con control.

Debemos huir de la automatización porque sí, porque es cómoda. Debemos automatizar con criterio, solo cuando el beneficio sea realmente para el humano, docente o estudiante. Pero esto, a priori, no va a ser fácil. Especialmente porque el propio desarrollo vertiginoso de la IA se está haciendo sin una base ética que fundamente su finalidad, más allá de los criterios puramente utilitaristas. Y esa inercia, generada por las grandes corporaciones propietarias de la IA, interesadas únicamente en ser las primeras en lograr la IA general, y transmitida a la sociedad mediante sus esperanzadoras promesas, es imparable. Bueno, seamos optimistas: requerirá (requiere, que vamos tarde) un importante esfuerzo por parte de la sociedad y sus gobiernos.

Esa carrera sin apenas obstáculos por alcanzar la IA general, liderada por EE. UU. y China con el único propósito de obtener la hegemonía de la civilización artificial que se está fraguando, desprecia los inquietantes efectos colaterales que está provocando. Como el gasto energético, el consumo desmesurado de agua, la violación de derechos de autor, la vulneración de la privacidad o la perpetuación de sesgos históricos que han perjudicado, y lo siguen haciendo, a comunidades minoritarias o desfavorecidas por la cultura occidental. Por poner algunos ejemplos.

Por eso, posiblemente, una de las armas más potentes para mantener a raya a la IA, o más bien al camino que se está siguiendo en su desarrollo, y hacer un uso justo de ella sea entender sus fundamentos; es decir, alfabetizar seriamente en IA. Y esa es la propuesta que traigo a este foro.

2. La IA en el pasado

Para explicar por qué defiendo una alfabetización en IA tengo que volver atrás unos años, antes de que ChatGPT inundase los escritorios de todos los ordenadores. Un momento en el que muchos docentes entendimos que era de gran importancia enseñar a nuestros estudiantes los fundamentos de la IA.

2015: todo empieza a acelerar

Este cronograma muestra el pasado reciente de la IA que, aunque tiene sus comienzos a finales de los años 50 del siglo XX, solo empieza a traspasar los límites de la academia y la ciencia ficción hacia el año 2012. En ese momento las técnicas basadas en el análisis de datos conocidas como deep learning (aprendizaje profundo), unidas a un aumento colosal de la potencia de cálculo de las computadoras, de la capacidad de almacenamiento y de la cantidad de datos disponibles gracias a la expansión de internet, dan lugar a un prodigioso avance de la IA, que comienza a reconocer imágenes, textos, sonidos y cualquier otro tipo de dato.

Docentes que se adelantaron

Pues bien, en 2019, mucho antes de que ChatGPT inundara nuestras pantallas, un grupo de investigadores y docentes, entre los que yo mismo me encontraba, comprendimos la importancia de enseñar el machine learning (ML) a los estudiantes. El ML es el conjunto de técnicas basadas en el análisis de datos que han llevado a la IA al nivel de desarrollo en que se encuentra actualmente, incluido ChatGPT y toda la IA generativa.

La idea era sencilla y en absoluto nueva: enseñar los fundamentos del ML haciendo que los estudiantes creasen sus propios modelos de IA basados en ML. Crear un objeto para aprender durante el proceso de creación es algo que ha funcionado muy bien en educación en todas las áreas del conocimiento, y especialmente bien en la programación informática. De hecho, la herramienta Scratch de programación por bloques ha permitido que niños y niñas desde los 6 años hayan aprendido los fundamentos de la programación informática programando. Es decir, aprender haciendo. Nuestra idea era similar: construir una herramienta mediante la cual los estudiantes pudieran construir sus modelos de ML (IA) y, durante el proceso, aprender sus fundamentos. Esa herramienta fue construida por mí con ayuda de otros docentes e investigadores y se llamó LearningML.

Poco a poco fuimos dándole difusión y organizando talleres, y muchos profesores comenzaron a usarla. En el INTEF, paralelamente, se creó la «Escuela de Pensamiento Computacional e IA», que, aunque usaba otras herramientas distintas a LearningML, ayudó a difundir el enfoque construccionista de la alfabetización en IA a miles de profesores.

La IA generativa cambió el foco

La cosa no iba mal. Pero como la tecnología siempre va por delante de todo lo demás, llámese educación, legislación o sociedad, llegó noviembre de 2022 y un artefacto llamado ChatGPT sacudió al mundo, eclipsando el trabajo de alfabetización que veníamos realizando. ¿Quién iba a pararse a construir modelos de IA de juguete con LearningML (u otras herramientas similares) teniendo la máquina que lo sabe todo?

Hoy es más importante que entonces

A pesar de este ensombrecimiento de nuestro trabajo, considero que el enfoque construccionista que proponemos para aprender los principios de la IA es ahora más importante que nunca. Considero que antes de comenzar a consumir IA debemos entender sus fundamentos. Usamos la IA generativa como una caja negra que nos lo resuelve todo. Pero en muchos casos, precisamente por desconocimiento, la usamos mal.

Creo que conocer las bases de la IA actual, es decir, el machine learning, nos ayuda a entender la importancia de los datos, los límites de los resultados, la aparición inevitable de sesgos, los problemas con los derechos de autor, los problemas con el consumo energético y, especialmente, la importancia de los datos para nutrir al monstruo de la IA.

Construyendo nuestras propias IA de juguete podemos entender por qué las plataformas de internet nos ofrecen lo que deseamos y nos retienen en sus dominios durante horas: a partir de los datos obtenemos conocimiento sobre el mundo, así como las plataformas, con los datos que les proporcionamos casi siempre de manera inconsciente, construyen un perfil sobre nosotros y nos conocen mejor que nuestra propia madre (si es que eso es posible).

3. Por qué alfabetizar

Hay una razón técnica y otra educativa. La primera es que, si no conocemos sus fundamentos, podemos atribuir a la IA propiedades que no tiene y darle una autoridad que no merece. Por otro lado, la educativa: al ser un artificio prodigioso que contesta siempre (aunque no sabemos si correctamente en todos los casos), corremos el riesgo de adquirir una dependencia irreversible y usarla para resolverlo todo sin entender nada.

Ilusionismo estadístico

Respecto a la razón técnica, decía Arthur C. Clarke que una tecnología suficientemente avanzada es indistinguible de la magia. Y en este sentido, para la mayor parte de los humanos, la IA se asemeja más a la magia que a la tecnología. Hay que pararse un poco, levantar el capó de la IA y entender mínimamente cómo funciona: el papel de los datos, los algoritmos que los analizan y los modelos que se construyen durante ese análisis. Entender que sin datos no hay IA, y que la esencia es un reconocimiento de patrones obtenido después de procesar cantidades ingentes de datos.

Podemos decir que es una especie de ilusionismo o prestidigitación estadística: una vez que se sabe (o al menos se intuye) el truco, deja de ser magia. El estudiante puede conseguir esta revelación del truco cuando él mismo construye un modelo de ML, lo usa y lo explora en profundidad. En ese momento su relación con la IA y su percepción de ella cambiarán radicalmente al levantar el capó y descubrir el motor que hace posible el prodigio.

Comprenderá por qué una frase construida con IA, a pesar de tener una estructura y un sentido perfectos, puede no ser verdad. Entenderá por qué en ocasiones las respuestas de la IA incorporan textos copiados que vulneran los derechos de autor. Pero, lo más importante, se enfrentará al uso de la IA protegido por las nuevas armas que ha adquirido durante la construcción de su proyecto. Ya no estará tan indefenso como la persona que usa los sistemas de IA generativa sin la protección recomendada. Es la misma diferencia que hay entre escalar una pared con cuerda, arnés y casco o sin ellos, o pilotar una moto con casco, guantes y chaqueta o a cuerpo descubierto. Si hay caída, las protecciones marcan la diferencia.

La descarga cognitiva tiene dos caras

Respecto a la razón educativa, probablemente el efecto más pernicioso de la IA sea lo que se comienza a conocer como «sedentarismo cognitivo». El nombre es bastante ilustrativo y seguro que ya sabéis por dónde va esto. Para realizar ciertas tareas cognitivas los humanos nos solemos ayudar de ciertas herramientas. Una lista de la compra nos permite centrarnos mejor en los productos que escogemos sin temor a que se nos olvide algo. Una calculadora, al aliviar a la mente de hacer operaciones matemáticas, nos ayuda a cuadrar el balance de una contabilidad con más eficacia. Es decir, herramientas que producen una descarga cognitiva con el fin de llegar más lejos y con más eficacia.

Esta descarga cognitiva es positiva siempre que sirva para obtener algo más: algún nuevo conocimiento, resolver problemas más difíciles, etcétera. Pero si a cambio no recibimos nada, estaremos generando una deuda cognitiva difícil de pagar.

¿Y cómo entra la IA en esta ecuación? Bueno, ya sabemos que la IA puede ser la máquina de hacer deberes. Nos ofrece las soluciones que necesitamos con el nivel de detalle que le pidamos. Si el estudiante, el docente o quien sea se queda con la respuesta sin más, poco a poco su deuda cognitiva irá aumentando y correrá el riesgo de perder toda capacidad para pensar, reflexionar, conectar y resolver. Este, bajo mi punto de vista, es el mayor problema al que nos enfrentamos.

Fijaos que, por otra parte, si usamos la IA para aprovechar esa descarga podremos llegar mucho más lejos: entendiendo el procedimiento de la solución dada, preguntando por todo aquello que no comprendamos, elaborando actividades o incluso juegos que nos ayuden a entender bien lo que estamos estudiando, corrigiendo los ejercicios (obviamente, una vez que los hayamos hecho nosotros) y pidiéndole que nos explique dónde hemos fallado y por qué. En fin, usándola como un compañero o compañera que nos asiste en todo lo que necesitemos para aprender, en lugar de como un esclavo que hace el trabajo por nosotros.

Así que el problema tiene una fuerte componente de actitud ante el estudio. Y también supone un reto en el diseño de actividades y, por supuesto, de motivación del estudiante, para que este no se conforme con resolver y copiar para salir pronto a jugar con sus amigos y amigas. Algo bastante complicado, como podréis imaginar.

Aprender también requiere dificultad

No hay duda de que el aprendizaje requiere un esfuerzo. Lo bueno es que se puede plantear ese esfuerzo como algo que divierta y que cause satisfacción. Seymour Papert, creador del lenguaje de programación Logo e ideólogo del construccionismo y de todo lo que se conoce hoy bajo el amplio paraguas del pensamiento computacional, tenía claro que hay actividades que requieren un esfuerzo y que, a la vez, producen diversión. A esto lo llamó hard fun. El terreno que más exploró fue el de la programación informática aplicada a la enseñanza de las matemáticas.

Actualmente, muchos docentes han podido comprobar, y con ello han enriquecido sus clases, que aprender a programar para aprender otros conceptos de distintas disciplinas es algo que funciona. La plataforma de programación por bloques Scratch ha hecho posible esto. Los estudiantes literalmente se enganchan para resolver algún reto relacionado con la materia que están estudiando. No solo aprenden a programar, también aprenden programando.

Usemos este tipo de actividades «duro-divertidas» para enseñar IA antes de usar directamente la IA generativa. Esa es la propuesta de base que traigo aquí. Hagamos que la masa gris de nuestros estudiantes se mantenga activa. No dejemos que se atrofie usando respuestas fabricadas por una máquina.

Alfabetizar es poder crear

En efecto, alfabetizar consiste en aprender códigos tanto para interpretarlos como para producirlos. No basta con saber leer, hay que saber escribir; no como Cervantes, pero sí lo suficiente como para expresar correctamente una idea. No basta con leer los precios de las cosas que necesitamos, hay que saber operar con los números. No basta con usar aplicaciones informáticas, también hay que saber crearlas, aunque sean muy sencillas, para decir que la alfabetización digital se ha producido. Pues lo mismo con la alfabetización en IA: no solo usarla, sino crearla.

Una idea básica de machine learning

¿Y cuáles son esos fundamentos del machine learning que podemos enseñar? Tradicionalmente, la manera de resolver problemas con un ordenador ha sido analizar el problema, extraer las reglas que lo resuelven, construir un programa con esas reglas e introducir los datos para que el programa los procese y nos dé la solución. Sin embargo, hay muchos problemas cuyas reglas no son nada fáciles de deducir, pero de los que se pueden recopilar muchos ejemplos de soluciones. Es aquí donde entra en juego el machine learning, invirtiendo la estrategia de la programación tradicional; esto es, usando esos datos con sus respuestas para que un algoritmo, denominado de ML, extraiga las reglas que nosotros no somos capaces de obtener. Estas reglas, inducidas (no deducidas) por el algoritmo, son lo que se llama modelo de ML y lo que fundamenta toda la IA actual. Incluido ChatGPT (¿os suena lo del modelo de lenguaje?).

Una vez que tenemos ese modelo, podemos usarlo como las reglas de un programa tradicional. Es decir, podemos incluirlo en nuestras aplicaciones informáticas.

Los datos enseñan y también sesgan

Con las herramientas para construir IA como LearningML, el estudiante construye esos modelos de ML a través de tres fases:

1. Recopila datos sobre el problema que está resolviendo y los clasifica. A esta fase se la llama entrenamiento.
2. Un algoritmo de ML analiza los datos y construye el modelo. A esta fase se la llama aprendizaje.
3. Por último, el estudiante prueba con datos nuevos si el modelo funciona bien.

Finalmente, el usuario puede, opcionalmente, construir un programa informático que use el modelo de ML construido.

A través de este proceso el estudiante comprende que:

• Los datos son lo más importante para hacer IA.
• El modelo construido es tan bueno como lo son los datos escogidos y clasificados. Si la recopilación de datos se hizo mal, el modelo no funcionará.
• Los modelos siempre están expuestos al sesgo, y este sesgo proviene de carencias en los datos o de datos mal elegidos o clasificados.

Pero además, colateralmente y con actividades bien diseñadas, como hemos señalado anteriormente, entenderá por qué puede haber problemas con los derechos de autor y con la privacidad, por qué se requiere tanta energía para entrenar y producir modelos, qué consecuencias éticas puede tener un modelo mal concebido o usado en un dominio para el que no ha sido entrenado, por qué se necesita una gran cantidad de datos para producir buenos modelos y otros muchos aspectos sobre la IA que le llevarán a ampliar significativamente su perspectiva sobre el tema.

4. LearningML y Glass Parrot

El resto de la presentación consistió en una descripción rápida de dos herramientas que permiten llevar esta propuesta al aula.

Con LearningML el alumnado crea clases, reúne ejemplos de texto, imágenes o números, entrena un modelo, lo prueba con casos nuevos y lo usa en una aplicación hecha con Scratch. Cuando el modelo falla, toca revisar los datos y los conceptos: el error se convierte en una pregunta de aprendizaje.

Glass Parrot, creado por Elena Tomás Vela, es un «loro de cristal»: un modelo de lenguaje sencillo que se entrena con textos propios y que muestra las opciones y probabilidades de la siguiente palabra. Un modelo pequeño y visible para pensar en los grandes.

Conclusión

No está claro si realmente podemos hablar de usos positivos de la IA en educación. A pesar de que la IA se presenta como una tecnología facilitadora para la educación, su propósito final puede ser más sustitutivo que facilitador. El estado actual de desarrollo ya permite su uso para resolver cualquier tipo de actividad escolar y también, en un alto grado, su uso como sustituto del docente. La carrera desbocada de las grandes potencias y sus empresas para conseguir una IA general que les permita alcanzar la hegemonía de un mundo digital, sin base ética ni propósitos claros sobre cuál será la función del humano en una civilización artificial, augura unas consecuencias nefastas, especialmente para las clases medias trabajadoras.

Por sí sola, la estrategia alfabetizadora que he propuesto, basada en el conocimiento de los fundamentos de la IA a través de la construcción de modelos con herramientas como LearningML y Glass Parrot, puede que no sirva para reconducir esta evolución inconsciente del desarrollo de la IA hacia una tecnología centrada en el humano, que sirva al conjunto de la humanidad y no solo a la élite que la desarrolla. Pero no me cabe la menor duda de que es la base sobre la que se puede construir el pensamiento crítico necesario para conseguirlo.

Para seguir leyendo

El dilema que recorre esta ponencia, sustitución o sabiduría, y la idea de una civilización artificial que se está fraguando sin una base ética clara, deben mucho a la lectura del ensayo de José María Lassalle:

Lassalle, J. M. (2024). Civilización artificial. Sabiduría o sustitución: el dilema humano ante la IA. Barcelona: Arpa.

Un libro muy recomendable para cualquier docente que quiera pensar la IA más allá de su utilidad inmediata.