viernes, 12 de junio de 2026

Innovar no es suficiente, si la educación no es integral

 Por Eliud Quintero Rodríguez de Edubits del Tec de Monterrey

Durante muchos años me hice una pregunta que, con el tiempo, entendí que estaba incompleta: ¿cómo innovar en la educación? La escuché en foros, la discutí en espacios académicos y la trabajé en distintos proyectos institucionales. Sin embargo, mientras más avanzaba en este campo, más evidente se volvía que el problema no era la falta de respuestas, sino la forma en que nos planteamos este cuestionamiento. En este artículo propongo mirar la innovación educativa a partir de cuatro dimensiones interconectadas que permiten comprender cuando un modelo realmente transforma el aprendizaje: el qué, el cómo, el con qué y el para qué enseñar. Más allá de una reflexión conceptual, en este texto describo la manera en que estas cuatro dimensiones pueden materializarse en un modelo educativo de nivel básico que las articula de manera intencional, mostrando que la educación integral no es una aspiración, sino una práctica posible.

Cuando hablamos de innovación educativa, es común enfocarnos en “cómo innovar” sin darnos cuenta de que reducir la innovación a metodologías, herramientas o tecnologías es quedarnos en la superficie. En mi experiencia, una de las razones por las que esto sucede se debe a que resolver el “cómo”, generalmente, suele ser lo más visible, lo más inmediato y, en muchos casos, lo más sencillo de identificar como innovación. Las nuevas herramientas, plataformas, la inteligencia artificial, las metodologías activas o las tendencias pedagógicas emergentes capturan rápidamente nuestra atención porque representan cambios tangibles. Es mucho más sencillo incorporar una herramienta tecnológica o modificar una actividad de clase que replantear el propósito educativo completo. Sin embargo, cuando la innovación se limita únicamente al “cómo”, termina convirtiéndose en una experiencia fragmentada.

Por otro lado, también es cierto que innovar en la educación desde una perspectiva integral implica un desafío mayor, ya que requiere tiempo, articulación, diseño curricular, formación docente y una visión institucional capaz de conectar múltiples dimensiones del aprendizaje de manera coherente. Las cuatro dimensiones que planteo en este artículo nos permiten ampliar nuestra visión para reflexionar y responder a cuestionamientos que nos lleven a generar cambios más profundos. Por ejemplo: ¿Lo que enseñamos sigue siendo pertinente para el mundo actual y para la vida que enfrentarán nuestros estudiantes? ¿Las experiencias de aprendizaje realmente conectan con los intereses, emociones y contextos de quienes aprenden? ¿Los ambientes, recursos y espacios educativos favorecen la exploración, la experimentación y la creación? ¿O el aprendizaje tiene un propósito que trascienda el aula y permita generar impacto en los demás? Estas preguntas nos recuerdan que innovar en educación no es incorporar algo nuevo, sino replantear todo aquello que da sentido al aprendizaje. Por ello, la verdadera transformación ocurre cuando nos decidimos a cuestionar el sistema completo: qué enseñamos, cómo lo enseñamos, con qué lo hacemos y, sobre todo, para qué educamos.

Cuatro dimensiones que transforman la educación y el aprendizaje

Después de más de quince años impulsando proyectos de innovación educativa, he observado que cuando estas cuatro dimensiones no están alineadas, cualquier intento de cambio termina siendo parcial. Podríamos terminar incorporando metodologías activas pero sin sentido, usar nuevas tecnologías en el aula sin un propósito claro o cubrir contenidos desconectados del entorno y de la vida de los estudiantes. De hecho, diversos organismos internacionales advierten que muchas innovaciones educativas fracasan por centrarse en intervenciones aisladas y no en transformaciones sistémicas (OECD, 2023; UNESCO, 2021). Pero cuando estas cuatro decisiones se articulan de manera coherente, el aprendizaje adquiere otra profundidad y relevancia.

Imagen 1. Cuatro preguntas que transforman la innovación en la educación. Creación propia generada con ChatGPT (2026).

¿Qué enseñar?

Durante mucho tiempo, el currículo escolar se ha centrado en la transmisión de contenidos disciplinares bajo la lógica de que dominar información equivale a estar preparado para el futuro. Sin embargo, hoy sabemos que esto resulta insuficiente en un contexto donde el conocimiento cambia constantemente y donde las habilidades humanas adquieren un valor creciente (World Economic Forum, 2025). La pregunta ya no es cuánto contenido cubrimos, sino qué tipo de capacidades estamos desarrollando en quienes aprenden.

En un modelo educativo verdaderamente integral, el desarrollo de habilidades para la vida no se aborda como un complemento, sino como parte estructural del currículo. Esto se concreta en la incorporación formal de ambientes enriquecidos y espacios especializados que acompañan al estudiante desde los primeros años hasta la secundaria: nutrición, arte, música, activación física, ciencias, robótica, finanzas, ciudadanía digital y educación socioemocional. Cada uno de estos espacios es impartido por profesionales en su área, lo que permite profundizar en experiencias auténticas de aprendizaje.

En la práctica, esto implica que el estudiante no sólo adquiere conocimientos, sino que desarrolla hábitos, criterios y formas de relacionarse con el mundo. Aprende a cuidar su cuerpo y su salud, a expresarse, a resolver problemas y a comprender el mundo, a interactuar críticamente con la tecnología y a reconocer y gestionar sus emociones. Este enfoque responde a la necesidad de formar personas capaces de enfrentar entornos complejos e inciertos, tal como se ha planteado en discusiones recientes sobre el futuro de la educación (Quintero, 2019). Innovar en educación también implica decidir qué aprendizajes vale la pena priorizar para la vida que los estudiantes enfrentarán.

¿Cómo enseñar?

El “cómo” es la dimensión en la que muchas propuestas innovadoras se concentran, pero no siempre con la profundidad necesaria. No basta con adoptar el aprendizaje basado en proyectos como etiqueta; es necesario comprender su lógica y diseñarlo con intencionalidad pedagógica.

En este modelo, el proceso inicia a partir del interés genuino del grupo. Este interés no sustituye el currículo, sino que se convierte en el eje que permite articular los aprendizajes esperados. Por ejemplo, cuando un grupo de estudiantes muestra un interés particular por el Mundial de fútbol, tanto docentes como especialistas construyen una experiencia transdisciplinaria que conecta contenidos de distintas áreas: análisis estadístico de resultados, comprensión geográfica y cultural de los países participantes, estudio de principios físicos del movimiento, reflexión sobre fenómenos sociales vinculados al deporte y desarrollo de habilidades de comunicación, por mencionar algunos.

Este proceso no ocurre de manera improvisada. Existe una mediación docente que asegura que los aprendizajes esperados se desarrollen mientras el estudiante se mantiene conectado con un tema que le resulta significativo. La transdisciplina deja de ser un concepto abstracto y se convierte en una experiencia concreta donde el conocimiento se articula en torno a un propósito compartido.

De manera intencional, el proyecto evoluciona hacia una fase de aplicación que trasciende el aula. Las y los estudiantes, acompañados por sus docentes, diseñan un producto o servicio relacionado con su proyecto, considerando variables reales como costos, producción, comunicación y utilidad. Este proceso culmina en una experiencia de emprendimiento social (un evento comunitario gestionado por la institución) que no es simulada, sino que impacta positivamente al entorno que les rodea.

Paralelamente, la escuela establece espacios formales de diálogo con las familias a través de la Academia para la familia, una iniciativa organizada por la propia institución educativa en la que se abordan temas de aprendizaje, desarrollo y crianza. Este espacio no solo informa, sino que forma, acompaña y alinea a madres, padres y tutores en el proceso educativo, sentando las bases para una corresponsabilidad real en la formación integral de cada estudiante. De esta manera, transformar el cómo enseñamos implica ir mucho más allá de una metodología: supone construir experiencias conectadas con la realidad, el interés genuino de los estudiantes y la corresponsabilidad entre escuela y familia.

¿Con qué enseñar?

La tercera dimensión, el “con qué”, introduce un elemento que históricamente ha sido subestimado: el entorno. Los espacios de aprendizaje no son neutros; influyen directamente en la forma en que las y los estudiantes interactúan, exploran, experimentan y construyen conocimiento. Investigaciones sobre ambientes enriquecidos han demostrado su impacto en el desarrollo cognitivo y emocional, reforzando la importancia de diseñar contextos que favorezcan la experimentación y la curiosidad.

En este sentido, el aula deja de ser un espacio rígido para convertirse en un ambiente flexible que se adapta a las dinámicas del grupo. La infraestructura se complementa con laboratorios especializados —tipo espacios maker— donde los estudiantes prototipan las ideas de los proyectos en los que participan, ensayan soluciones, se equivocan y vuelven a intentarlo como parte natural del proceso de aprendizaje. En estos espacios, las ideas dejan de ser abstractas para convertirse en algo tangible que puede mejorarse continuamente. Así, experimentan en áreas como nutrición, arte, música, activación física, ciencias, robótica, finanzas, educación socioemocional y ciudadanía digital desde una lógica activa, iterativa y profundamente formativa.

Asimismo, los espacios enriquecidos y especializados se integran como componentes esenciales del desarrollo integral, entendiendo que el aprendizaje implica el cuidado del cuerpo, la mente, el ambiente, la expresión y la construcción de identidad. En este sentido, los espacios dejan de ser únicamente infraestructura para convertirse en parte activa de la experiencia educativa.

¿Para qué enseñar?

Finalmente, todo este sistema adquiere sentido en la cuarta dimensión: el “para qué”. Aquí es donde la educación deja de ser un proceso de acumulación de conocimientos y se convierte en una experiencia con propósito.

Cada proyecto desarrollado a lo largo del ciclo escolar culmina en un ejercicio estructurado de emprendimiento social en el que participan estudiantes de todos los grados escolares, desde los niveles iniciales hasta secundaria, mediante proyectos y experiencias acordes con su etapa de desarrollo. Para ello, la institución educativa asigna un capital semilla a cada grupo, que permite al estudiantado desarrollar su producto o servicio considerando las necesidades reales de producción. Durante la feria de emprendimiento —un espacio al que asisten familias y miembros de la comunidad— los estudiantes presentan y comercializan sus propuestas, recuperan la inversión inicial y generan utilidades. Estas ganancias son destinadas a una causa social, ambiental, cultural o de inclusión previamente definida.

Este proceso permite que el estudiantado comprenda, desde la experiencia, la relación entre conocimiento, acción e impacto. No se trata de una simulación pedagógica, sino de una vivencia real donde toman decisiones, enfrentan desafíos y observan las consecuencias de sus acciones. En ese momento, el aprendizaje deja de ser un requisito académico y se convierte en una herramienta para transformar positivamente el entorno que les rodea.

Estas cuatro dimensiones nos recuerdan que innovar en educación no es incorporar algo nuevo, sino replantear todo aquello que da sentido al aprendizaje. Probablemente algunas instituciones educativas han avanzado más en unas dimensiones que en otras, de acuerdo con su visión, prioridades, posibilidades o filosofía educativa, y eso también forma parte del proceso de transformación. Sin embargo, una innovación verdaderamente integral no ocurre cuando fortalecemos únicamente uno de estos elementos de manera aislada, sino cuando logramos conectar coherentemente aquello que enseñamos, la forma en que se aprende, los ambientes y recursos que acompañan la experiencia educativa y el propósito humano y social que le da sentido a todo el proceso.

Una experiencia educativa real que integra las cuatro dimensiones

En el Instituto Docet, estas cuatro dimensiones se articulan de manera intencional dentro del modelo educativo. Como ejemplo, en el periodo septiembre-junio de 2026, estudiantes del 3° año de primaria, desarrollaron un proyecto a partir de su interés por el deporte y por comprender cómo el bienestar físico influye en la vida de las personas. Esta inquietud llevó a las y los docentes a conectar los intereses del grupo con los aprendizajes esperados relacionados con ciencias sociales y naturales, alimentación, emociones y hábitos de vida saludables. El proyecto permitió abordar contenidos académicos desde una perspectiva transdisciplinaria, integrando ciencias, nutrición y desarrollo humano dentro de una experiencia contextualizada y significativa para el estudiantado.

El aprendizaje tomó forma a través de un enfoque basado en proyectos. Durante el proceso, los estudiantes conocieron al equipo “Blindados”, conformado por personas con discapacidad visual que practican fútbol a nivel competitivo. Este encuentro llevó al grupo a reflexionar sobre la inclusión, el esfuerzo, la resiliencia y la importancia del deporte como espacio de desarrollo personal y comunitario. A partir de ello, diseñaron “Granola 3000”, un producto alimenticio pensado para apoyar hábitos saludables en deportistas de alto rendimiento. En el Laboratorio de nutrición experimentaron con ingredientes, analizaron opciones, realizaron pruebas, ajustaron recetas y tomaron decisiones relacionadas con costos, producción y presentación del producto, desarrollando habilidades para la vida como colaboración, creatividad, administración de recursos y resolución de problemas.

Finalmente, el proyecto culminó en un ejercicio real de emprendimiento social, de la mano con la fundación Somos el cambio. Durante la feria de emprendimiento, los estudiantes comercializaron sus productos con el propósito de recaudar fondos para apoyar al equipo “Blindados” en sus competencias deportivas fuera del estado. En ese momento, el aprendizaje dejó de sentirse como una actividad exclusivamente escolar y se convirtió en una experiencia con propósito, donde las ciencias, nutrición, emprendimiento, inclusión y transformación social dejaron de existir por separado para integrarse en un mismo proceso educativo.

Reflexión

Después de años participando en distintos esfuerzos de innovación educativa, he comprendido que transformar la educación no depende únicamente de incorporar nuevas metodologías o tecnologías, sino de lograr coherencia entre las decisiones pedagógicas, los espacios de aprendizaje, las experiencias que vive la comunidad estudiantil y el propósito formativo que guía todo el proceso. Cuando estas dimensiones se articulan, el aprendizaje deja de sentirse fragmentado y comienza a adquirir sentido para quienes lo viven.

La verdadera innovación educativa no radica en hacer cosas distintas de manera aislada, sino en lograr que todas las decisiones que configuran el aprendizaje apunten en la misma dirección. Y esa dirección, hoy más que nunca, exige formar personas capaces no sólo de adaptarse al mundo, sino de transformarlo.

Acerca del autor

Eliud Quintero Rodríguez (eliud.quintero@gmail.com) es Doctor en Innovación Educativa. Fue Director Nacional del Programa de Innovación Educativa en el Tecnológico de Monterrey y actualmente es CEO del instituto Docet. Cuenta con más de 15 años de experiencia impulsando proyectos de transformación educativa en distintos niveles educativos.

Referencias

OECD (2023). Future of Education and Skills 2030/2040: OECD Learning Compass. OECD Publishing.

Quintero, E. (2019). ¿Cómo preparar profesionales ante la incertidumbre? Observatorio de Innovación Educativa.

UNESCO (2021). Reimagining our futures together: A new social contract for education. World Economic Forum. (2025). The Future of Jobs Report 2025.

Tomado de EDUBITS del Tec de Monterrey

jueves, 11 de junio de 2026

La nueva aitoxicación del conocimiento

 Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz


Nadie se dio cuenta de cuándo ocurrió. No hubo un momento preciso ni una señal que lo anunciara. Simplemente, un día empezamos a hacer las cosas más rápido: a comprender sin profundizar, a responder sin detenernos, a confiar en respuestas que aparecían antes de que termináramos de formular la pregunta.

Durante siglos, el diagnóstico fue claro: el problema era la escasez de información. Se asumía que ampliar el acceso al conocimiento permitiría mejorar la comprensión, fortalecer el pensamiento crítico y democratizar el saber. Ese objetivo se logró en buena medida. Hoy la información no solo es abundante, sino ubicua, inmediata y, en muchos casos, anticipatoria.

Sin embargo, en medio de esta expansión se produjo un desplazamiento menos visible, pero más profundo. Dejamos de pensar para buscar y comenzamos a buscar, o incluso a recibir, sin haber pensado antes. Las respuestas empezaron a llegar primero; el pensamiento, si aparece, lo hace después.

La irrupción de la inteligencia artificial marca un punto de inflexión. No se limita a facilitar el acceso a la información. Interviene en los recorridos del pensamiento: acorta búsquedas, organiza respuestas y reduce la fricción que históricamente acompañaba al acto de comprender. En ese contexto, pensar comienza a percibirse como un esfuerzo evitable.

El problema no radica en la tecnología en sí misma, sino en la relación que establecemos con ella. La claridad aparente, la inmediatez y la disponibilidad constante generan una ilusión de comprensión que puede sustituir los procesos de elaboración intelectual. Comprender no es recibir información; implica interrogarla, ponerla a prueba y apropiarse de ella.

A este fenómeno lo denominamos aitoxicación. No se trata únicamente de un exceso de información mediada por inteligencia artificial, sino de una transformación en la forma en que nos vinculamos con el conocimiento. La aitoxicación se manifiesta en la reducción de la duda, en la superficialidad interpretativa y en la delegación progresiva del pensamiento hacia sistemas que operan con rapidez, pero sin criterio humano.

Comprender este fenómeno exige situarlo en una trayectoria más amplia. La sobrecarga informativa no es nueva; ha acompañado a la humanidad desde la oralidad, la escritura y la imprenta hasta la era digital. Sin embargo, la inteligencia artificial introduce una diferencia cualitativa: ya no solo amplifica la información, sino que modifica las condiciones bajo las cuales pensamos con ella. En este desplazamiento, la infoxicación se transforma en aitoxicación, y con ello cambia no solo la cantidad de información disponible, sino la forma en que la procesamos.

Frente a este escenario, la respuesta no puede reducirse al rechazo ni a la desconexión. La inteligencia artificial forma parte del entorno contemporáneo y seguirá expandiéndose. El desafío no consiste en evitarla, sino en aprender a relacionarnos con ella sin perder la capacidad de pensar.

Este libro no busca rechazar ni idealizar la inteligencia artificial. Propone comprender cómo se configura la aitoxicación, cómo impacta en la mente, la docencia y la construcción del conocimiento, y cómo sostener una relación distinta con la tecnología. El libro se divide en cuatro partes y doce capítulos. La primera parte la denominamos el nacimiento de una nueva intoxicación; la segunda trató los síntomas de la aitoxicación; la tercera, la aitoxicación en educación, docencia e investigación, y en la cuarta exponemos el modelo C.A.R.E

Lo invitamos a obtener el libro en formato Kindle en esta dirección

Tomado de 366 días

miércoles, 10 de junio de 2026

Cómo citar la inteligencia artificial en los trabajos académicos: guía práctica para investigadores y estudiantes

 Tomado de Universo Abierto

Universitat Oberta de Catalunya (UOC). ¿Cómo citar la IA en los trabajos? Barcelona: Biblioteca de la UOC. Disponible en: https://hdl.handle.net/10609/148823

La guía elaborada por la Biblioteca de la Universitat Oberta de Catalunya ofrece orientaciones prácticas para el uso responsable y la correcta citación de herramientas de inteligencia artificial generativa en trabajos académicos y científicos.

El documento parte de la premisa de que la IA puede ser un apoyo útil para la investigación y la redacción, pero advierte que sus resultados deben verificarse siempre, ya que estas herramientas pueden proporcionar información incorrecta o incluso inventar fuentes bibliográficas. Por ello, recomienda solicitar las fuentes utilizadas por la IA, contrastarlas críticamente y citar directamente las fuentes originales cuando sean fiables. Además, cuando la IA forme parte del proceso de investigación, su utilización debe describirse explícitamente en la metodología del trabajo.

La publicación distingue entre la citación de una conversación mantenida con una herramienta de IA y la citación de la propia herramienta. Una conversación solo debería citarse cuando exista un enlace permanente y público que permita a otras personas recuperar y consultar el contenido exacto del diálogo. En aquellos casos en que la conversación no pueda compartirse por razones técnicas, éticas o de privacidad, la recomendación es citar únicamente la herramienta empleada, indicando claramente que se utilizó como apoyo durante la elaboración del trabajo.

La guía también aclara cuándo no es necesario citar la IA. Por ejemplo, no se requiere referencia cuando la herramienta se utiliza únicamente para localizar fuentes de información, del mismo modo que no se cita un buscador web o una base de datos. Tampoco suele ser necesario citar funciones de IA integradas en programas de uso cotidiano. Sin embargo, cuando la inteligencia artificial constituye una parte relevante del método de investigación, su utilización debe documentarse obligatoriamente.

Uno de los aspectos más valiosos del documento es su análisis comparativo de distintos estilos de citación. La UOC señala que, aunque todavía no existe una normalización universal, algunos estilos han comenzado a desarrollar pautas específicas. Entre ellos destaca especialmente APA, considerado el sistema que ofrece actualmente las orientaciones más completas y detalladas para referenciar contenidos generados mediante inteligencia artificial. Además, se subraya que las respuestas de los sistemas generativos son dinámicas y pueden variar entre sesiones, por lo que es importante documentar el texto exacto utilizado, incorporándolo en anexos o materiales suplementarios cuando resulte relevante para la comprensión del trabajo.

El documento dedica apartados específicos a los estilos APA, Vancouver, ISO 690, Chicago y Harvard. Para cada uno de ellos proporciona modelos concretos de referencia bibliográfica y ejemplos de citas dentro del texto. En términos generales, la recomendación es incluir la conversación en la bibliografía únicamente cuando exista una URL pública y permanente. En caso contrario, la referencia debe limitarse al texto o a notas explicativas. La guía adapta además las normas de estilos que todavía no contemplan oficialmente la inteligencia artificial, ofreciendo propuestas prácticas para mantener la coherencia académica y la trazabilidad de las fuentes utilizadas.

Finalmente, la guía insiste en la necesidad de actuar con transparencia académica. Los autores recomiendan informar siempre del uso de herramientas de IA cuando estas hayan intervenido en la elaboración, revisión, traducción o generación de contenidos. Esta transparencia permite evaluar adecuadamente el proceso de trabajo, favorece la reproducibilidad de la investigación y contribuye a mantener la integridad académica en un contexto en el que las tecnologías generativas están adquiriendo un papel cada vez más relevante en la producción de conocimiento

Tomado de Unievrso Abierto

martes, 9 de junio de 2026

La Universidad en la era del #dato: una transformación que ya no puede postergarse

 Por Paola Dellepiane

La transformación digital de la Universidad no consiste solo en incorporar nuevas plataformas, automatizar trámites o digitalizar procesos administrativos. Supone, repensar cómo las instituciones producen, gestionan, interpretan y utilizan sus datos para mejorar la toma de decisiones, la enseñanza, la investigación y la experiencia de sus comunidades.

Los datos representan propiedades de objetos, hechos o conceptos, y por sí mismos suelen tener poca relevancia, pero cuando los procesamos y los analizamos estamos en condiciones de extraer información para, finalmente, generar conocimiento y comprensión. 

La transformación digital educativa no sólo consiste en incorporar tecnología. Consiste en desarrollar una cultura institucional capaz de mirar sus datos, comprenderlos críticamente y convertirlos en mejores decisiones.

Y este es precisamente el objetivo que se fija la analítica de datos: la extracción de conocimiento a partir de los datos disponibles. Un conocimiento que no se limita a explicar lo que ha ocurrido (análisis descriptivo), sino predictivo, e incluso, recomendar acciones concretas (análisis prescriptivo). 




En las últimas décadas se ha visto potenciado gracias a la gran cantidad de datos disponibles y la posibilidad de su almacenamiento, ya no solo de datos estructurados procedentes de las operaciones de las organizaciones, sino también los obtenidos a partir de una gran variedad de medios y formatos generados por nuestra actividad en internet, especialmente de las redes sociales, plataformas de contenido, comercio electrónico y búsqueda de información.

Se agrega también la gran capacidad de cómputo y la aparición de nuevas técnicas y herramientas de mano del aprendizaje automático o de la inteligencia artificial, lo que posibilita descubrir patrones y relaciones complejas entre los datos.

Transparencia y explicabilidad son requisitos fundamentales para asegurar que los datos utilizados en la toma de decisiones no sean incompletos, sesgados o de procedencia ilegítima. Con el aumento de la cantidad y diversificación de fuentes de datos, esta garantía se convierte en una tarea compleja. 

En tanto, la analítica de datos abre oportunidades muy concretas para la educación superior, como ser la detección de patrones de rendimiento académico, la anticipación de riesgos de abandono, la personalización de las trayectorias formativas, como también la contribución a la mejora de los procesos de gestión.

El informe “Tendencias TIC 360: Analítica de datos en la Universidad” (2023) plantea una idea central: sin una estrategia de datos sólida, la universidad corre el riesgo de quedarse en una digitalización superficial. Tener datos no alcanza. Es necesario contar con capacidades institucionales para transformarlos en información relevante, conocimiento útil y decisiones responsables.

Pero el desafío no es solamente técnico. La gestión del dato exige gobernanza, calidad, interoperabilidad, seguridad, privacidad, transparencia y explicabilidad. Requiere también de perfiles profesionales especializados, equipos interdisciplinarios y una cultura institucional capaz de integrar áreas académicas, administrativas, tecnológicas y de gestión.

En este sentido, la analítica de datos puede contribuir a hacer una universidad más eficiente, inclusiva y orientada al aprendizaje. Por ello, la pregunta “clave y estratégica” ya no es si las universidades deben trabajar con datos, sino cómo hacerlo de manera responsable. 

Preguntas cómo ¿Con qué modelos de gobernanza? ¿Con qué capacidades internas? ¿Con qué criterios hacer la selección de datos? ¿Con qué articulación entre tecnología, docencia, investigación y gestión? son claves plantearse al interior de una institución que elige decidir mejor a partir de los datos que tiene.

Tomando de Aplicaciones educativas en entornos virtuales

lunes, 8 de junio de 2026

La inteligencia artificial no comprende el conocimiento: riesgos epistemológicos para la investigación científica contemporánea

 Por Mercedes Leticia Sánchez Ambriz y Carlos Bravo Reyes

En colaboración con Mercedes Leticia Sánchez Ambriz

Nunca antes había sido tan sencillo producir un texto académico. Hoy, un investigador puede solicitar a una inteligencia artificial la redacción de un resumen, un marco teórico, una introducción metodológica o incluso una interpretación preliminar de resultados en cuestión de segundos. La velocidad, fluidez y coherencia aparente de estos sistemas generan la impresión de estar frente a una tecnología capaz de comprender el conocimiento humano. Sin embargo, detrás de esta capacidad lingüística existe una limitación fundamental que la educación superior y la investigación científica no pueden ignorar: la inteligencia artificial carece de comprensión epistemológica.

Este problema va mucho más allá de los errores técnicos o de las conocidas “alucinaciones” de la inteligencia artificial. El verdadero riesgo aparece cuando el investigador comienza a delegar procesos esenciales del pensamiento científico a sistemas que no comprenden la naturaleza, validez y justificación del conocimiento que producen. En ese momento, la investigación deja de construirse desde el análisis crítico y comienza a desplazarse hacia formas de automatización intelectual que pueden erosionar progresivamente la integridad académica (Gallent-Torres et al., 2023).

La inteligencia artificial generativa funciona mediante modelos probabilísticos entrenados con enormes cantidades de datos. Su capacidad consiste en identificar patrones lingüísticos y predecir secuencias plausibles de palabras, no en comprender conceptos desde una perspectiva epistemológica. Esto significa que la IA puede producir textos coherentes y académicamente convincentes sin distinguir entre afirmaciones científicamente válidas, interpretaciones discutibles o errores conceptuales. En la actualidad cada vez nos percatamos que las respuestas a la misma preguntas en diferentes LLM son casi similares, lo que da a entender que las IA se están copiando entre sí.

Como advierte Carr (2010), las tecnologías digitales modifican progresivamente la forma en que procesamos la información, afectando la profundidad de la atención y la capacidad de reflexión crítica. En este contexto, la IA no solo acelera procesos de escritura, sino que también puede favorecer relaciones cada vez más superficiales con el conocimiento.

Producción textual y producción científica

Uno de los principales problemas contemporáneos es la creciente confusión entre producción textual y producción científica. La facilidad para obtener respuestas inmediatas puede generar una falsa sensación de comprensión académica. Un texto producido mediante IA puede incorporar terminología especializada, estructuras argumentativas complejas y referencias aparentemente coherentes; sin embargo, ello no garantiza rigor metodológico, validez epistemológica ni pensamiento crítico.

La plausibilidad discursiva no equivale a conocimiento científico. Un discurso bien redactado puede ocultar debilidades conceptuales importantes cuando no existe verificación empírica, contrastación de fuentes o análisis crítico profundo.

En diversos contextos universitarios comienzan a observarse prácticas académicas orientadas más hacia la rapidez de producción textual que hacia la comprensión profunda del conocimiento. La expansión de herramientas de inteligencia artificial generativa ha facilitado el acceso inmediato a resúmenes, explicaciones y estructuras argumentativas completas, situación que puede incentivar formas de aprendizaje superficiales si no existe acompañamiento pedagógico crítico (Flor-Terán & Sandoval-Reyes, 2024).

Diversos estudios recientes advierten que la automatización de procesos cognitivos puede debilitar habilidades esenciales como la interpretación, contrastar fuentes y la construcción autónoma del pensamiento académico (Caldevilla-Domínguez, 2024). La investigación corre el riesgo de transformarse progresivamente en un proceso de ensamblaje textual automatizado en lugar de constituirse como un ejercicio reflexivo de producción de conocimiento.

La simulación de comprensión

Uno de los fenómenos más delicados de la inteligencia artificial contemporánea es su capacidad para simular comprensión. Los modelos generativos producen respuestas que aparentan reflexión, análisis o pensamiento crítico; sin embargo, operan exclusivamente mediante correlaciones estadísticas y predicción probabilística del lenguaje.

La inteligencia artificial no posee conciencia epistemológica sobre causalidad, evidencia, verificabilidad o falsedad científica. Como plantearía Popper (1959), el conocimiento científico exige contrastación crítica y posibilidad de refutación, condiciones imposibles de ejecutar conscientemente por sistemas que carecen de comprensión real del mundo.

En consecuencia, un texto generado por IA puede exhibir coherencia sintáctica y sofisticación terminológica sin garantizar consistencia conceptual ni validez metodológica. Esta situación incrementa el riesgo de que estudiantes e investigadores confundan calidad discursiva con producción genuina de conocimiento científico.

La automatización del discurso académico puede producir un efecto particularmente problemático: la sustitución gradual del esfuerzo intelectual por respuestas automatizadas aparentemente suficientes. Cuando la IA comienza a reemplazar tareas fundamentales como interpretar resultados, construir categorías analíticas o establecer relaciones teóricas, deja de funcionar como apoyo instrumental y empieza a ocupar espacios que pertenecen al juicio científico humano (Vílchez Ruiz, 2024).

Riesgos epistemológicos para la investigación científica

El principal riesgo epistemológico no consiste únicamente en la aparición de errores o imprecisiones. El problema más profundo es el debilitamiento progresivo de las capacidades intelectuales necesarias para investigar críticamente.

La investigación científica requiere:

  • problematizar fenómenos,
  • formular hipótesis,
  • interpretar evidencia,
  • reconocer limitaciones metodológicas,
  • y construir explicaciones fundamentadas.

Estas competencias no pueden delegarse completamente a sistemas automatizados porque implican razonamiento crítico, interpretación contextual y responsabilidad intelectual.

Desde una perspectiva metodológica, el uso de inteligencia artificial en investigación científica debe mantenerse bajo supervisión humana permanente. La IA puede ser útil para:

  • organizar información,
  • sintetizar documentos,
  • apoyar búsquedas preliminares,
  • o mejorar procesos de redacción.

No obstante, la validación conceptual, el análisis crítico y la interpretación de resultados deben seguir siendo responsabilidad del investigador.

Delegar completamente estas funciones en sistemas automatizados podría afectar seriamente la calidad epistemológica de la producción científica y debilitar la integridad académica de las investigaciones (Egan, 2024).

Inteligencia artificial y educación superior

La educación superior enfrenta actualmente el desafío de integrar la inteligencia artificial sin sustituir el desarrollo del pensamiento crítico. La discusión ya no debe centrarse exclusivamente en prohibir herramientas tecnológicas, sino en construir modelos pedagógicos capaces de enseñar su uso ético, crítico y transparente.

La integridad académica ya no puede reducirse únicamente a la prevención del plagio. Actualmente implica:

  • honestidad intelectual,
  • transparencia metodológica,
  • uso responsable de herramientas digitales,
  • y capacidad de construir pensamiento propio (Flores Morales et al., 2024).

Diversas investigaciones recientes sostienen que las universidades deben promover alfabetización digital crítica y formación ética sobre inteligencia artificial. Los estudiantes necesitan comprender:

  • cómo funcionan los modelos generativos,
  • cuáles son sus limitaciones,
  • qué riesgos presentan,
  • y cómo verificar críticamente la información que producen.

En este contexto, la IA puede convertirse tanto en una herramienta pedagógica valiosa como en un factor de dependencia cognitiva, dependiendo de cómo sea utilizada institucional y académicamente (Ibarra Beltrán et al., 2023).

Ética, transparencia e integridad académica

El debate sobre inteligencia artificial no debe centrarse únicamente en detectar fraude académico. La discusión más relevante consiste en comprender cómo preservar la honestidad intelectual en entornos crecientemente automatizados.

El uso ético de inteligencia artificial exige transparencia. Investigadores y estudiantes deberían declarar explícitamente:

  • cuándo utilizaron IA,
  • con qué finalidad,
  • y cuáles fueron los límites de su participación humana.

La transparencia metodológica fortalece la confianza académica y permite distinguir entre apoyo instrumental legítimo y sustitución indebida del trabajo intelectual.

Asimismo, las universidades necesitan actualizar sus políticas de integridad académica para responder a escenarios tecnológicos cada vez más complejos. La discusión contemporánea ya no puede limitarse a categorías tradicionales de plagio, sino que debe incorporar:

  • automatización intelectual,
  • dependencia cognitiva,
  • autoría híbrida,
  • y validación crítica de contenidos generados algorítmicamente (Vargas-Morúa, 2021).

Recomendaciones

1. Fortalecer la alfabetización epistemológica

Las universidades deben enseñar no solo el uso técnico de herramientas digitales, sino también sus límites epistemológicos y éticos.

2. Promover transparencia sobre el uso de IA

Los trabajos académicos deberían incluir declaraciones explícitas sobre el uso de inteligencia artificial en procesos de investigación o redacción.

3. Priorizar la validación humana

Toda información generada mediante IA debe ser contrastada con fuentes académicas verificables y revisada críticamente por el investigador.

4. Diseñar evaluaciones centradas en pensamiento crítico

Las instituciones educativas deberían priorizar actividades que evalúen interpretación, argumentación y reflexión propia más que reproducción textual.

5. Actualizar políticas institucionales

Las universidades necesitan adaptar sus normativas de integridad académica a los nuevos desafíos asociados con inteligencia artificial generativa.

Como hemos visto, la IA constituye una herramienta tecnológica con enorme capacidad de transformación académica; sin embargo, su impacto dependerá fundamentalmente del modo en que sea incorporada en los procesos educativos e investigativos.

El verdadero desafío contemporáneo consiste en evitar que la automatización sustituya la capacidad humana de pensar críticamente. La universidad no puede reducirse a espacios de producción acelerada de textos, sino que debe preservar su función esencial como lugar de análisis, cuestionamiento, construcción de conocimiento y formación ética. En este escenario, el pensamiento crítico, la honestidad intelectual y la responsabilidad académica adquieren aún mayor relevancia frente a tecnologías capaces de producir discursos aparentemente sofisticados sin comprensión epistemológica real.

Por ello, la formación universitaria del futuro requerirá no solo competencias digitales, sino también capacidades sólidas de interpretación, evaluación crítica de fuentes, argumentación y reflexión autónoma. La inteligencia artificial puede apoyar procesos académicos importantes, pero nunca debería reemplazar el juicio científico ni la responsabilidad intelectual que caracterizan la auténtica producción de conocimiento.

Conclusiones

La inteligencia artificial generativa representa una de las transformaciones tecnológicas más significativas para la educación superior y la investigación científica contemporánea. Su capacidad para producir textos complejos, organizar información y asistir procesos académicos ofrece oportunidades importantes para optimizar ciertas tareas intelectuales. Sin embargo, estas ventajas también introducen desafíos éticos y epistemológicos que no pueden ser ignorados.

El principal riesgo no radica únicamente en el aumento potencial del plagio o en la automatización de la escritura académica, sino en la progresiva delegación del pensamiento crítico a sistemas que carecen de comprensión epistemológica, conciencia científica y capacidad real de validación conceptual.

La producción lingüística automatizada no equivale necesariamente a producción de conocimiento. Un texto coherente puede aparentar profundidad intelectual sin poseer rigurosidad metodológica ni reflexión crítica auténtica.

Por ello, el desafío contemporáneo de las universidades no consiste exclusivamente en restringir el uso de inteligencia artificial, sino en formar estudiantes e investigadores capaces de utilizarla de manera ética, crítica y responsable. La integridad académica en la era digital exige fortalecer la autoría intelectual, la validación rigurosa de fuentes y la capacidad humana de interpretar, cuestionar y construir conocimiento con autonomía.

El futuro de la investigación científica dependerá menos de la velocidad con que se produzcan textos y más de la capacidad crítica con que las personas comprendan, evalúen y utilicen el conocimiento en contextos tecnológicos cada vez más complejos.

Referencias

Caldevilla-Domínguez, D. (2024). Usos éticos de la IA en la universidad moderna: Más allá del plagio. EDU Review, 12(1), 57–65. https://doi.org/10.37467/revedu.v12.5184

Carr, N. (2010). The shallows: What the Internet is doing to our brains. W. W. Norton & Company.

Egan, L. (2024). Plagiarism: History, culture, and prevention. University of North Dakota.

Flores Morales, J. A., Quinteros María Fe Guadalupe, R., Contreras Maguiña, A. P., & Luna Román, E. A. (2024). Originalidad y honestidad intelectual: Navegando por las aguas del plagio. Revista de Climatología, 24, 2032–2038. https://doi.org/10.59427/rcli/2024/v24cs.2032-2038

Flor-Terán, G. A., & Sandoval-Reyes, P. A. (2024). La ética en el uso de la inteligencia artificial (IA) en la educación: desafíos y oportunidades. Polo del Conocimiento, 9(11), 255–282. https://doi.org/10.23857/pc.v9i11.8276

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134

Ibarra Beltrán, Á. de J., Aguayo Álvarez, Z., & Velázquez García, R. E. (2023). Desmitificando el plagio digital: Percepciones y realidades de la ética estudiantil desde el Centro Universitario de Tonalá. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(5), 1418–1431. https://doi.org/10.56712/latam.v4i5.1403

Popper, K. (1959). The logic of scientific discovery. Hutchinson.

Vargas-Morúa, E. (2021). El plagio: consideraciones para su prevención. Espiga, 21(41), 68–85.

Vílchez Ruiz, M. I. (2024). Contenido educativo con inteligencia artificial: ¿Restringir o enseñar a personalizar éticamente en el ámbito educativo? Revista Científica Ciencia y Tecnología, 24(44).

Tomado de 366-días