Antes de hablar de inteligencia artificial y educación, conviene detenerse un momento en la mitología. No porque el tema lo requiera como adorno literario, sino porque las metáforas que elegimos para describir el futuro del trabajo terminan determinando las políticas que diseñamos para prepararnos ante él. Y en este momento histórico, dos criaturas míticas están librando una batalla silenciosa por el alma de los sistemas educativos del mundo.
El unicornio es la criatura favorita del ecosistema tecnológico contemporáneo. En una parte del fantasioso lenguaje del capital de riesgo, un unicornio es una startup valuada en más de mil millones de dólares: rara, deslumbrante, capaz de aparecer de la “nada” y transformar industrias enteras. Pero hay una segunda acepción, igualmente relevante para este análisis, que opera en el imaginario colectivo sobre la inteligencia artificial: para muchos sectores el unicornio es la promesa de que la tecnología resolverá por sí sola los problemas más complejos de la humanidad, que bastará con conectarse a la plataforma correcta para obtener respuestas perfectas, que el genio está en la máquina y el humano solo necesita saber cómo invocarla. El unicornio educativo es el estudiante que, armado con algún LLM (e.g. Claude, ChatGPT, Gemini, etc) puede producir un ensayo brillante sin haber leído el libro, entregar código funcional sin entender la lógica algorítmica que lo sustenta, y obtener calificaciones sobresalientes sin haber desarrollado criterio propio. Existe, es real, y está multiplicándose en las aulas del mundo.
El centauro, en cambio, es una criatura de otra naturaleza. Mitad humano, mitad caballo, no es la promesa de que una de las dos naturalezas reemplazará a la otra, sino la convicción de que su combinación produce algo cualitativamente superior a cualquiera de sus partes por separado. En el ajedrez, los centauros son equipos humano-máquina que derrotan tanto a los grandes maestros como a las supercomputadoras más avanzadas: la intuición humana más el cálculo algorítmico producen un jugador que ninguno de los dos podría ser por separado. Trasladado al mundo del trabajo y la educación, el centauro podría ser el profesionista que usa la inteligencia artificial para ampliar su capacidad de análisis, acelerar su investigación o explorar más alternativas, pero que mantiene el juicio, la responsabilidad y la capacidad crítica firmemente en el lado humano de la ecuación.
Y luego está el centauro invertido, la figura que el escritor y periodista Cory Doctorow ha articulado en su más reciente obra, The Reverse Centaur’s Guide to Life After AI: el humano que se convierte en apéndice de la máquina. El repartidor vigilado por cámaras de inteligencia artificial que dictan cada uno de sus movimientos. El radiólogo que ya no diagnostica sino que firma lo que el algoritmo decidió. El estudiante universitario que ya no escribe sino que edita lo que el chatbot produjo, sin entender por qué una oración es mejor que otra, sin haber construido el andamiaje cognitivo que le permitiría detectar cuándo el texto generado está equivocado, es superficial o es engañoso. La guerra entre estas criaturas no ocurre en un campo de batalla abstracto. Ocurre en las aulas, en las políticas de admisión universitaria, en las decisiones sobre qué evaluar y cómo, en los presupuestos educativos que determinan si formamos pensadores o usuarios sofisticados de interfaces que mañana pueden (y deben) desaparecer de acuerdo a la lógica de la innovación disruptiva. Y por ahora, en demasiados lugares del mundo, el unicornio y el centauro invertido van ganando.
El diagnóstico debería incluir a cualquier responsable de política educativa. Un informe publicado en junio de 2026 por el Foro Económico Mundial en colaboración con Accenture, Human-Machine Collaboration in Industrial Operations: Activation Playbook, revela que en manufactura y cadenas de suministro – sectores donde se compite globalmente – el 44% de los trabajadores necesitarán ser reentrenados antes de 2030, y el 63% de los empleadores identifica las brechas de habilidades y competencias como el mayor obstáculo para la transformación tecnológica. La conclusión central del documento es inequívoca: las organizaciones que invierten en personas junto con la tecnología obtienen ganancias de productividad superiores al 11%; las que marginan el factor humano obtienen apenas el 4% (ibid., p. 3).
Pero hay un segundo diagnóstico, que proviene de las universidades de países desarrollados y que LATAM haría bien en no ignorar como problema ajeno. La Encuesta de Habilidades de Adultos de la OCDE, publicada a finales de 2024 con datos (de 160,000 personas) en países desarrollados, reveló que alrededor del 8% de los estudiantes universitarios obtienen puntuaciones en alfabetización comparables a las de un niño de diez años, y que la proporción de muy bajos rendimientos en comprensión lectora se ha más que duplicado desde la medición anterior (Survey of Adult Skills, OCDE, 2024). En Estados Unidos, uno de cada siete estudiantes universitarios se sitúa por debajo del nivel de primaria en las pruebas de lectura; casi uno de cada cinco, en matemáticas (“Students are doing worse than you think” publicado en The Economist el 25 de junio de 2026).
Las señales de alerta se acumulan. Más de 1,800 profesores de matemáticas y ciencias de la Universidad de California han firmado una carta abierta describiendo algo que hubiera resultado inverosímil hace una generación: están re-enseñando matemáticas de secundaria a estudiantes universitarios, con entre el 20 y el 30% de los alumnos de cálculo en Berkeley presentando lo que los firmantes llaman “déficits severos de preparación” (carta abierta, Universidad de California, 2026). En la sede de San Diego de la misma universidad, el número de estudiantes de primer año con habilidades matemáticas por debajo del nivel de preparatoria se multiplicó casi treinta veces en cinco años, hasta alcanzar a casi uno de cada ocho alumnos (ibid.). En Harvard, profesores de humanidades y ciencias sociales reconocen sentirse compelidos a acortar los textos porque sus alumnos ya no tienen la capacidad de concentración para terminar un libro, y reportan que los estudiantes “luchan con lecturas que hace diez años completaban con facilidad” (informe del decano de estudios de licenciatura, Harvard, octubre de 2025). En Yale, el 79% de las calificaciones son A o A menos, frente al 67% en 2010-2011, y académicos de esa universidad señalan que décadas de inflación han convertido el sistema de calificaciones en algo “casi sin sentido como medida académica” (ensayo de académicos de Yale, abril de 2026).
La inteligencia artificial, lejos de compensar estas deficiencias, pareciera que las está encubriendo. El 94% de los estudiantes universitarios en Reino Unido reportan usar IA para sus tareas escolares, según una encuesta publicada en marzo de 2026 por el Higher Education Policy Institute, y el 12% admitió pegar texto generado directamente en sus trabajos, frente al 3% en 2024 (HEPI, 2026). Un estudio del académico Igor Chirikov (“Artificial Intelligence and grade inflation”, Higher Education Working Paper Volume No. 26-3) que analizó 500,000 calificaciones en una universidad de Texas entre 2018 y 2025, encontró que la proporción de notas máximas en asignaturas donde la IA es útil – escritura, programación – aumentó 13 puntos porcentuales desde el lanzamiento de ChatGPT en 2022, sin que se observe un fenómeno similar en disciplinas donde los modelos de lenguaje tienen menor utilidad La IA no está elevando el aprendizaje; está inflando las métricas que lo simulan.
El resultado es una generación que puede obtener buenas calificaciones sin desarrollar pensamiento propio. Eso no es un centauro. Es su inverso perfecto. O peor: es un pseudo unicornio, una criatura aparentemente mágica que produce resultados deslumbrantes sin que nadie pueda explicar del todo cómo ni por qué, y que en el momento en que la magia falla, no tiene nada debajo. Frente a este panorama, las respuestas disponibles no son misteriosas ni requieren tecnología que no existe. Requieren decisiones que los sistemas educativos han estado aplazando. Tengo más de diez razones para no gustarme mucho los decálogos, pero espero que a ustedes no les desagraden. Veamos.
La primera es la más básica: enseñar a evaluar la IA, no solo a usarla. Un modelo de lenguaje no sabe nada; predice la siguiente palabra más probable dado un contexto. Esa distinción, aparentemente técnica, tiene consecuencias profundas para quien lo usa como fuente de autoridad. El currículo debe incorporar pensamiento estadístico básico, comprensión de sesgos en datos de entrenamiento y capacidad de verificación cruzada. No se trata de formar ingenieros de software en cada profesionista, sino ciudadanos capaces de interrogar los sistemas que cada vez con mayor frecuencia tomarán decisiones sobre sus vidas: desde un crédito bancario hasta una recomendación médica, pasando por la selección de su currículum en un proceso de contratación automatizado.
La segunda es recuperar los fundamentos antes de agregar complejidad injustificable. La evidencia internacional es contundente: la caída en habilidades básicas p r e c e d e a la llegada de la IA y es independiente de ella. Los puntajes en pruebas de matemáticas y lectura comenzaron a declinar en muchos países desde principios de la década de 2010, y la pandemia aceleró un deterioro que ya estaba en marcha (puede verificarse en los resultados de la prueba PISA, en sus series históricas). LATAM no puede construir una fuerza laboral para la economía de la inteligencia artificial sobre una base de comprensión lectora deficiente y aritmética frágil. Las habilidades fundamentales – leer textos complejos, razonar cuantitativamente, sostener la atención durante períodos prolongados – son exactamente las habilidades que distinguen a quien gobierna un sistema automatizado de quien simplemente lo obedece. Antes de hablar de prompts y modelos generativos, hay que hablar de fracciones, de párrafos argumentativos y de la capacidad de terminar un libro.
La tercera es proteger al maestro como centauro, no convertirlo en supervisor de máquinas. El informe del Foro Económico Mundial documenta que las organizaciones que involucran activamente a sus trabajadores en el rediseño de los flujos de trabajo tienen el doble de probabilidades de anticipar ganancias de productividad superiores al 20%. La autoridad moral del docente, la escucha activa, la capacidad de detectar al estudiante que está a punto de abandonar son competencias que no se delegan a un algoritmo. La IA puede apoyar la detección temprana de riesgo de deserción o liberar tiempo administrativo. Pero reducir a la planta docente confiando la enseñanza a plataformas adaptativas sería una catástrofe pedagógica disfrazada de modernización.
La cuarta es restablecer la evaluación como medida real. LATAM debe reintroducir evaluaciones que la IA no pueda resolver en lugar del estudiante: exposiciones orales, resolución de problemas en tiempo real bajo supervisión, proyectos con componentes presenciales verificables. Personalmente, he incursionado en tratar de subir la barra de la complejidad un poco más a sabiendas que mis alumnos contarán con ciertas herramientas que seguramente en el mundo laboral comienzan a ser un commodity. Sugeriría que la universidad en realidad empieza cuando ninguna herramienta de IA te puede resolver ni la tarea ni el examen. El reto es quizás mayúsculo para los académicos. No por nostalgia hacia el examen escrito tradicional, sino porque la evaluación auténtica es la única forma de saber, con honestidad, qué saben realmente los egresados que graduamos. Los académicos que se resignan ante la idea de que quizás los estudiantes ya no necesitan habilidades básicas porque la IA hará el trabajo por ellos no están siendo pragmáticos. Están capitulando.
La quinta es preparar para la gobernanza de sistemas, no solo para su uso. El Foro Económico Mundial describe una transformación en curso: el trabajo industrial está migrando de la ejecución a la gobernanza. Un operador de producción del futuro próximo no ensamblará piezas; supervisará flotas de robots, interpretará alertas de sistemas autónomos e intervendrá cuando la máquina alcance los límites de su autoridad. Esto exige razonamiento analítico, manejo de excepciones y toma de decisiones bajo ambigüedad: ninguna de esas habilidades se desarrolla memorizando procedimientos ni delegando la escritura a un chatbot.
La sexta es enseñar la diferencia entre herramienta y amo. La misma tecnología produce resultados radicalmente distintos dependiendo de quién decide cómo se usa y para beneficio de quién. Hay organismos que utilizan inteligencia artificial para identificar patrones en expedientes judiciales y contribuir a exonerar inocentes. Un centro de atención telefónica puede usar IA para eliminar empleos y transferir el ahorro a los accionistas. La tecnología es idéntica; la diferencia es de poder y de diseño institucional. Un egresado del bachillerato debería ser capaz de responder: ¿esta herramienta me potencia o me reemplaza? ¿Quién diseñó este sistema y qué intereses sirve?
La séptima es rediseñar los incentivos docentes. El Foro Económico Mundial advierte que uno de los errores más costosos que cometen las organizaciones es mantener sistemas de incentivos que premian el modelo antiguo mientras piden a sus trabajadores que adopten el nuevo (ibid., p. 19). Las universidades no son inmunes a esta lógica. Cuando los académicos temen que calificar con rigor los perjudique en sus evaluaciones docentes, el resultado inevitable es la inflación de calificaciones que ya documentan Harvard y Yale. LATAM necesita un rediseño serio de la carrera docente que reconozca y recompense la capacidad de los maestros para desarrollar pensamiento crítico, creatividad y juicio en sus estudiantes.
La octava es construir infraestructura para la experimentación, no solo para la transmisión. El aprendizaje más valioso en la era de la IA no es consumir sus respuestas; es saber cuándo y por qué cuestionarlas. Las escuelas necesitan proyectos que crucen disciplinas, evaluaciones que premien la resolución de problemas nuevos y espacios donde el error tenga consecuencias reales pero controladas.
La novena es construir alianzas empresa-escuela con arquitectura compartida, no con donaciones puntuales. Lo que el momento exige no es responsabilidad social corporativa sino arquitectura compartida de largo plazo.
La décima, y quizás la más urgente, es nombrar con claridad lo que está ocurriendo y negarse a normalizarlo. Existe una frase que circula con creciente frecuencia entre académicos que han abandonado toda esperanza de resistir la marea: quizás los estudiantes ya no necesitan habilidades básicas, porque la IA hará el trabajo por ellos. Es la rendición intelectual más costosa que puede cometer un sistema educativo, y la está cometiendo en silencio, un curso a la vez, cada vez que un profesor acorta un texto porque sus alumnos ya no pueden terminarlo, o cada vez que una institución elimina un examen de admisión porque incomoda sus métricas de matrícula o de diversidad.
La elección real no es entre unicornios y centauros como abstracciones míticas. Es entre una generación que aprendió a invocar respuestas y una generación que aprendió a construirlas. Entre egresados que saben operar interfaces y egresados que saben gobernar sistemas. Entre profesionistas que necesitan que la máquina funcione para poder pensar y profesionistas que usan la máquina para pensar mejor.
Cuando los hijos de quienes toman decisiones educativas hoy enfrenten una situación profesional compleja – un diagnóstico que cuestionar, un contrato que negociar, un equipo que liderar en una crisis -la pregunta relevante no será si saben usar ChatGPT. Será si saben pensar cuando ChatGPT no está disponible, está equivocado o está siendo usado en su contra.
La respuesta que LATAM dé hoy, en políticas públicas, en presupuestos educativos, en la forma en que forma y evalúa a sus maestros, definirá qué tipo de generación entregamos al futuro. No la generación que usó la inteligencia artificial. La generación que decidió para qué usarla, quién se beneficia de ella y cómo gobernarla cuando sus recomendaciones estén equivocadas.
En la mitología griega, el centauro era temido y respetado a partes iguales. El unicornio era bello, pero nadie sabía con certeza si existía de verdad. En educación, esa diferencia importa más de lo que parece. Y el tiempo para decidir de qué lado estar se está acabando.
