Cuando una universidad declara que va a «integrar IA en su currículo», suele referirse a dos cosas distintas que conviene separar: enseñar con IA (usar modelos como apoyo para aprender otros contenidos) y enseñar sobre IA (desarrollar comprensión crítica de cómo funciona, qué supone y qué consecuencias tiene su uso). Mezclar ambas preguntas produce programas que avanzan en una a costa de la otra. Este ensayo las separa, explica por qué se confunden y propone tres reglas para articularlas en un programa.
Dos preguntas, dos competencias distintas#
Aprender con IA es una pregunta metodológica. Apunta a que el estudiante use IA como apoyo para procesos de pensamiento, escritura, investigación o resolución de problemas, y que adquiera la habilidad de hacerlo bien: formular instrucciones, evaluar salidas, integrar resultados al propio trabajo. Es lo que más se ve en aulas hoy: usar Claude o Gemini para revisar un borrador, generar variantes de un argumento, contrastar interpretaciones. La competencia que desarrolla es operativa: saber colaborar con un sistema algorítmico para producir mejor trabajo intelectual.
Aprender sobre IA es una pregunta epistémica. Apunta a que el estudiante entienda qué es un modelo de lenguaje, cómo se entrena, qué sesgos arrastra, qué efectos sociales y económicos tiene su despliegue masivo. La competencia que desarrolla es crítica: poder leer el ecosistema digital donde la IA opera, distinguir afirmaciones de marketing de afirmaciones técnicas, anticipar consecuencias colectivas que el uso individual no permite ver.
Ambas son necesarias. Pero un programa que solo desarrolla la primera produce usuarios eficientes sin criterio social (saben usar el modelo y no ven a quién deja fuera); uno que solo desarrolla la segunda produce críticos sin capacidad operativa. La articulación es lo que cuesta.
Por qué se confunden#
Tres causas explican la confusión; reconocerlas ayuda a ver cuál está operando en el propio programa:
La primera es el optimismo tecnológico, que asume que aprender a usar una herramienta es lo mismo que entenderla. La historia de la educación digital muestra lo contrario: dos décadas enseñando a usar Word, Excel y motores de búsqueda no produjeron, en general, ciudadanía algorítmica crítica.
La segunda es la presión de empleabilidad. Las empresas piden estudiantes “con habilidades en IA” y las universidades responden con cursos prácticos. La presión es legítima pero crea un sesgo: el currículo se inclina hacia la dimensión operativa porque es la que el mercado mide.
La tercera es la dificultad técnica de enseñar críticamente. Discutir sesgos algorítmicos, gobernanza de datos o efectos laborales de la IA exige docentes con formación interdisciplinaria que no abunda. Es más fácil capacitar a un claustro para usar ChatGPT que para enseñar filosofía de la técnica.
Cómo articular ambas en un programa#
Los marcos internacionales recientes proponen articulaciones que vale la pena adoptar. El marco de competencias de IA para estudiantes de UNESCO (2024) integra las dos preguntas en cuatro dimensiones: mentalidad humanista (sobre IA), ética (sobre IA), técnicas y aplicaciones (con IA), y diseño de sistemas (sobre IA, con apertura técnica). DigComp 2.2 de la Comisión Europea sigue una lógica similar.
Tres principios operativos para articular ambas dimensiones en un programa universitario:
- Primero la mentalidad crítica, después la práctica eficiente. Las asignaturas iniciales del programa deberían trabajar la dimensión epistémica antes de que se consoliden hábitos de uso instrumental. Un estudiante que aprendió a usar IA antes de entender lo que es tiende a delegarle juicio sin advertirlo.
- Cada asignatura nombra qué dimensión trabaja. No todas las asignaturas necesitan trabajar las dos. Pero todas deberían declarar cuál es la suya («esta materia usa IA para revisar borradores; los sesgos del modelo se discuten en la asignatura de ética»), para que el estudiante reconozca el espacio de aprendizaje que está ocupando.
- La evaluación captura ambas dimensiones. Una rúbrica que solo mide eficiencia operativa pierde la dimensión crítica. Una que solo mide reflexión epistémica pierde la operativa. La rúbrica integrada exige criterios para ambas (por ejemplo, «formuló instrucciones precisas y revisó la salida» junto a «identificó un sesgo del modelo y explicó su efecto»).
El riesgo de simplificar#
La simplificación más frecuente —“al final lo importante es que sepan usarla”— es comprensible pero costosa. Convierte una transformación compleja en un problema de capacitación. Y deja sin formar la dimensión que más diferencia a un egresado universitario de un usuario informado: la capacidad de entender qué está cambiando en el mundo donde habita.
Una universidad pública tiene una responsabilidad específica en este punto. La dimensión operativa la enseñan también el mercado, los tutoriales en línea y la práctica autodidacta. La dimensión crítica solo se aprende en espacios formativos donde alguien la sostenga. Si la universidad no asume esa función, no la asume nadie.
Lecturas relacionadas#
Los principios de alfabetización crítica en IA profundizan la dimensión epistémica; las competencias digitales con IA para estudiantes integran ambas dimensiones operacionalmente; la integración curricular de IA ofrece el método para distribuirlas.
Referencias#
European Commission. (2022). DigComp 2.2: The digital competence framework for citizens. Joint Research Centre. https://joint-research-centre.ec.europa.eu/projects-and-activities/education-and-training/digital-transformation-education/digital-competence-framework-digcomp_en
Selwyn, N. (2022). Should robots replace teachers? AI and the future of education. Polity Press.
UNESCO. (2024). AI competency framework for students. UNESCO. https://www.unesco.org/en/articles/ai-competency-framework-students