La tabla revela una realidad clara: en 2026 ya no existe un líder indiscutible. La ventaja entre los mejores modelos es mínima, la competencia es global y la inteligencia artificial entra en una fase de madurez donde importarán tanto la integración, el precio y la confianza como la potencia bruta. La “guerra de benchmarks” continúa, pero el mercado probablemente se decidirá por ecosistemas completos más que por unos pocos puntos de diferencia.
El artículo de Voronoi presenta una clasificación de los modelos de inteligencia artificial considerados más avanzados de 2026, utilizando como base los resultados del benchmark de Mensa Norway elaborado por TrackingAI. Lo primero que destaca el informe es que la competencia entre los líderes del sector se ha estrechado enormemente. A diferencia de años anteriores, donde uno o dos modelos dominaban con claridad, en 2026 las puntuaciones se concentran en la parte alta de la tabla, con diferencias mínimas entre los primeros puestos. Esto indica que la industria ha alcanzado una fase de madurez en la que varias compañías han logrado niveles similares de rendimiento avanzado.
En la cima del ranking aparecen empatados Grok-4.20 Expert Mode y OpenAI GPT 5.4 Pro (Vision), ambos con una puntuación de 145. Este empate refleja no solo la capacidad técnica de ambos sistemas, sino también la diversificación de enfoques dentro del mercado de IA. Grok, desarrollado por xAI, ha apostado por una integración fuerte con información en tiempo real y un estilo de respuesta más directo, mientras que GPT 5.4 Pro incorpora una sólida capacidad multimodal, especialmente en visión artificial, razonamiento y productividad profesional. Que ambos compartan la primera posición simboliza que no existe ya un único camino hacia la excelencia algorítmica.
Otro aspecto relevante del informe es la comparación histórica con 2025. Según los datos citados, el modelo más destacado del año anterior fue OpenAI o3, con una puntuación de 135, mientras que GPT-4o Vision apenas alcanzó 63. El salto hasta 145 puntos en solo un año evidencia la velocidad vertiginosa del progreso en IA. En términos prácticos, significa mejoras drásticas en razonamiento complejo, comprensión multimodal, precisión y adaptabilidad a tareas especializadas. También confirma que los benchmarks existentes se quedan obsoletos cada vez más rápido, algo que ya señalan otros estudios como el AI Index de Stanford.
El ranking también sugiere una creciente pluralidad geopolítica en la innovación tecnológica. Ya no son únicamente OpenAI o Anthropic quienes marcan el paso. Empresas como xAI, Google, Moonshot AI o nuevos laboratorios emergentes participan activamente en la carrera por liderar la inteligencia artificial generalista. Esto apunta a una descentralización del poder tecnológico y a un ecosistema más competitivo, donde la innovación depende tanto del talento científico como del acceso a datos, chips y capital.
Desde una perspectiva económica y social, esta evolución tiene profundas implicaciones. La cercanía entre modelos significa que la ventaja competitiva puede desplazarse desde la inteligencia “bruta” hacia otros factores: precio, integración con herramientas empresariales, privacidad, velocidad de respuesta, consumo energético o facilidad de uso. En otras palabras, la próxima fase del mercado podría decidirse menos por quién tiene el modelo “más inteligente” y más por quién ofrece el ecosistema más útil y sostenible para usuarios y organizaciones.
El artículo retrata un momento decisivo: 2026 no es solo el año de los modelos más potentes, sino también el año en que la supremacía tecnológica deja de estar concentrada en un solo actor. La inteligencia artificial entra así en una etapa de competencia madura, multipolar y extremadamente dinámica, donde pequeñas mejoras técnicas pueden traducirse en enormes consecuencias económicas y estratégicas.
Hablando con un compañero que imparte una asignatura de teatro en 4º de ESO en mi instituto, le comentaba que la IA le puede ayudar a diseñar la escenografía, vestuarios y otros elementos del proceso. Igualmente, si le aportas el texto original, te puede redactar una versión adaptada.
En la misma sala de profesores, le mostré un ejemplo a vuela pluma. Sin corregir, a pelo. Lo recomendable es revisar las respuestas, afinar las láminas visuales, comprobar errores, adaptar a los objetivos del reto.
Prompt inicial de ejemplo:
"Soy un docente que quiere preparar una obra de teatro con sus alumnos de cuarto de la ESO. La obra elegida es La casa de Bernarda Alba, ya tengo el texto adaptado y lo que quiero ahora es crear un book visual en torno a los personajes y la escenografía de alrededor, los decorados y demás. ¿Podrías sugerirme un book visual de la obra para luego presentársela a los alumnos?"
ChatGPT, que tiene actualmente un modelo de generación de imágenes muy potente, respondió aportando una estructura con múltiples elementos. Comparto contigo el pdf de la propuesta.
El objetivo inicial es convertir materializar su propuesta de book visual. Estructura sugerida:
Portada
Concepto visual de la obra
Paleta de colores
Palabras clave y símbolos
La casa como cárcel
Escenografía general
Espacios: interior, patio, exterior invisible
Objetos simbólicos
Vestuario general
Bernarda Alba
Angustias
Magdalena
Amelia
Martirio
Adela
La Poncia
María Josefa
Luz y sombras
Sonido y atmósfera
Composición de escenas
Referencias visuales para decorados
Propuesta final de puesta en escena
A partir del guion de book visual que me sugirió, empecé diciéndole que creara el resumen del book:
"Quiero la propuesta de páginas del book en un resumen visual en una sola página. Después ya diseñaremos cada una."
Resultado:
Siguiente prompt: "Crea la primera página: Portada"
Siguiente: "Concepto visual de la obra"
Siguiente: "Paleta de colores"
"Palabras clave y símbolos":
"La casa como cárcel":
"Escenografía general":
"Espacios: interior, patio, exterior invisible":
"Objetos simbólicos":
"Vestuario general":
También puedes pedirle que te lo haga en otro formato y en color.
"Bernarda Alba":
No sigo porque son muchas láminas y con estas ya te haces una idea. Una vez completas, el book visual se puede convertir a pdf y dárselo a los estudiantes.
Puedes crear otros materiales visuales, como movimientos de escena, orientaciones de guion para un personaje, estructura del escenario, cómo crearlo, consejos para crear tu personaje...
Formalmente, el campo de la Inteligencia Artificial (IA) inició en los años 50 con Alan Turing, mucho antes de la creación de Google en 1998. Sin embargo, en ese entonces, mucho antes de que apareciera la IA como la conocemos en la actualidad, muchos expertos ya estaban preocupados por el Google effect, es decir, la disponibilidad de información al alcance de la mano, lo que reducía la memoria interna. Este efecto sugería que las personas recuerdan más dónde encontraron la información que la información en sí.
En el ámbito académico, el buscador de Google fue polémico entre muchos docentes de la época, ya que al principio se consideró más una amenaza que una herramienta educativa. Los estudiantes podían copiar y pegar información sin haber leído ni analizado su contenido para tareas académicas, lo que provocaba no solo faltas graves en aspectos éticos, sino también en el desarrollo de habilidades críticas, como el pensamiento crítico.
El Google effect, la falta de alfabetización digital y las escasas competencias en tecnologías de la información llevaron a los docentes a buscar otras estrategias análogas o desenchufadas para fomentar el aprendizaje significativo, dejando de lado el uso de Internet y de Google como aliados en los procesos de enseñanza-aprendizaje. No obstante, sabemos que, con el paso del tiempo, la tecnología educativa y la innovación se abrieron paso, dando lugar a la educación potenciada por el desarrollo tecnológico.
En tiempos actuales, el hype de la IA gen es innegable, por lo que la preocupación ahora se centra en cómo esta herramienta puede perjudicar nuestra capacidad cognitiva y las habilidades de orden superior, etc., fomentando a su vez la cultura de la conveniencia que permea fuertemente en la sociedad.
Los efectos de la IA en el aprendizaje
La IA generativa tiene efectos positivos en la educación, ya que puede mejorar las habilidades cognitivas de nivel inferior, por ejemplo, la comprensión lingüística y de imágenes, la decodificación de palabras, etc. (Liu et al., 2025; Rahyuni et al., 2024), así como fomentar habilidades de comunicación y argumentación (Rahyuni et al., 2024).
Sin embargo, aunque esta tecnología ha traído cambios significativos en la educación, han emergido nuevas líneas de investigación sobre sus efectos negativos, sobre todo cognitivos, en los procesos de aprendizaje, que se describirán más a fondo.
La deuda cognitiva
El término “deuda cognitiva” proviene del campo de la neurología clínica, en específico del ámbito de la investigación sobre el Alzheimer. Este concepto sugiere que existen procesos cognitivos que no promueven el desarrollo mental y pueden agotar las reservas cognitivas (Watts, 2025). En dicho proceso, el mecanismo principal es el pensamiento negativo repetitivo (PNR), común en afecciones como la depresión y la ansiedad (Marchant y Howard, 2015, como se citó en Watts, 2025).
En el contexto educativo, la deuda cognitiva se define como «un costo de oportunidad acumulado por la ausencia de un proceso interno beneficioso: el pensamiento reflexivo, el procesamiento profundo y la construcción de esquemas que constituyen el aprendizaje genuino» (Kintoni et al., 2025; Sweller, 1988, como se cita en Watts, 2025). Según estos estudios, cada vez que se utiliza la IA para realizar tareas de pensamiento crítico sin un propósito pedagógico, se pierde la oportunidad de invertir en las propias reservas cognitivas, lo que, con el tiempo, genera una deuda cognitiva perjudicial.
A saber, existen dos mecanismos que promueven la deuda cognitiva en la educación: la descarga cognitiva y el sesgo de automatización.
En este sentido, hay estudios que demuestran que la automatización disminuye la carga cognitiva, lo que impacta positivamente en la eficiencia y el rendimiento, ya que ayuda a que los procesos cognitivos se centren en el pensamiento de orden superior, es decir, en procesos relacionados con el análisis, la evaluación y la creación, entre otros (Gerlich, 2025). No obstante, la dependencia de estas herramientas puede impedir el desarrollo de procesos mentales complejos, lo que provoca una degradación de las habilidades cognitivas (Watts, 2025).
Por su parte, el sesgo de automatización puede tener dos instancias: errores de omisión y de comisión; los primeros se producen cuando el estudiante no puede resolver los problemas que pueda contener la información; y el segundo, cuando se acepta la información dada por los sistemas de IA, pero no la verifica y la toma por correcta.
De forma breve, este estudio utilizó electroencefalografía (estudio que registra la actividad cerebral mediante electrodos colocados en la cabeza) para evaluar dos variables: el compromiso cognitivo y la carga cognitiva. Por ende, debido a la naturaleza del estudio, se emplearon bandas de frecuencia para obtener datos específicos de los estudios de EEG (electroencefalogramas).
A continuación, se explica de forma resumida cuáles fueron las bandas empleadas en el estudio del MIT (Kosmyna et al., 2025):
Conectividad de banda alfa: se asocia con la atención interna y el pensamiento semántico durante la ideación creativa.
Conectividad de banda beta: se relaciona con el procesamiento cognitivo, la atención focalizada y la integración sensoriomotora.
Conectividad de banda delta: refleja una integración cortical amplia* y de gran escala, relacionada con los procesos de atención, monitoreo, lenguaje, entre otros.
Conectividad de banda theta: se vincula con la memoria de trabajo y el control ejecutivo**.
*Las funciones corticales se refieren a los procesos y habilidades cognitivas de la corteza cerebral.
**El control ejecutivo se refiere a los procesos cognitivos de alto nivel (de la corteza prefrontal), tales como la memoria de trabajo, la flexibilidad cognitiva, la fluidez verbal, la planificación, la velocidad de pensamiento, el control de la atención, entre otros.
Los resultados del estudio demostraron que los estudiantes asistidos por el LLM presentaron un perfil de conectividad inferior al del grupo que no lo utilizó, o que solamente utilizó motores de búsqueda (como Google), así como una activación cognitiva reducida en comparación con los otros grupos. Esto significa que hubo una menor demanda de trabajo cerebral debido a la asistencia del sistema de IA. Asimismo, los resultados mostraron que los alumnos no se involucraron activamente con los temas ni profundizaron en el material que se les brindó.
Debido a estos resultados, se concluyó que el uso de LLM puede conllevar una deuda cognitiva, es decir, «una condición en la que la dependencia repetida de sistemas externos, como los LLM, reemplaza los procesos cognitivos que requieren esfuerzo para el pensamiento independiente» (Kosmyna et al., 2025). Por tanto, esta deuda pospone los esfuerzos mentales a corto plazo, generando, a su vez, una capacidad de indagación crítica disminuida, una mayor vulnerabilidad a la manipulación o al sesgo y una menor creatividad.
El pensamiento crítico
Otro efecto negativo del uso prolongado de la IA generativa se relaciona con la capacidad de pensamiento crítico, que se caracteriza por ser una habilidad racional y reflexiva centrada en evaluar y tomar decisiones. Asimismo, el pensamiento crítico permite analizar y evaluar información para desarrollar soluciones creativas, por lo que complementa otras habilidades de razonamiento, tales como la reflexión, la resolución de problemas y el pensamiento reflexivo.
Otras definiciones sugieren que el pensamiento crítico permite que las personas se cuestionen y revisen sus opiniones basadas en hechos verificados, por lo que esta habilidad también engloba la inferencia, la interpretación y la autorregulación.
Por ende, los estudiantes con habilidades de pensamiento crítico (Gerlich, 2025):
Tienen mejor rendimiento académico.
Son mejores resolviendo problemas.
Son menos susceptibles a la manipulación.
Ahora bien, para comprender cómo afecta el uso de la IA al pensamiento crítico, hay que volver al concepto de descarga cognitiva, el cual se refiere al uso de herramientas o agentes externos (IA, calculadoras, etc.) que reducen la carga cognitiva.
Debido a que las herramientas de IA reducen esta carga, los procesos cognitivos se aminoran; por tanto, las oportunidades de aprendizaje para desarrollar estas habilidades se ven obstaculizadas y no potenciadas por esta tecnología, lo que afecta la capacidad de retención de la memoria y las habilidades de análisis crítico.
Aunado a esto, el uso de esta tecnología puede generar una dependencia cognitiva. Esta se define como una dependencia regresiva, en donde la persona, a pesar de tener los recursos propios para realizar una tarea, decide utilizar otros medios para lograrla, impidiendo que se fortalezcan los dominios cognitivos asociados a la ejecución de esta (tarea). Esto provoca una regresión en el desarrollo, así como la ideación de la inutilidad (Correa, 2023). Esta dependencia cognitiva se traduce en un deterioro importante de las habilidades cognitivas, lo cual fomenta a su vez el sesgo de automatización, ya que no cuestionan ni verifican la información que proviene de la IA.
Más allá de copiar y pegar, se deben encontrar formas estratégicas de integrar la IA en la educación, ya que, según una encuesta del Digital Education Council, a nivel global, el 80 % de los docentes indican una falta de claridad sobre cómo aplicar la IA en la enseñanza.
Las herramientas de IA generativa son grandes aliadas; sin embargo, hay que tomar medidas para mitigar sus efectos en el pensamiento crítico y en el desarrollo cognitivo. Aunque otros estudios han demostrado que al reducir la carga cognitiva mediante las herramientas de IA se obtiene una mayor producción y eficiencia, así como una mejor tensión mental, esto conlleva un costo cognitivo considerable.
En este sentido, hay que fomentar actividades que desarrollen habilidades de pensamiento profundo y razonamiento analítico, así como encontrar estrategias que permitan utilizar estas herramientas con responsabilidad y propósito.
Si bien el cerebro es un órgano impresionante, con habilidades excepcionales de neuroplasticidad, habrá que seguir revisando estudios de frontera para explorar los efectos de la IA y evaluar si habrá alguna forma de mitigarlos.
No se confunda por el título; es solo el punto de inicio de un debate que pudo ocurrir entre dos profesores universitarios que se resume con una imagen difícil de olvidar: durante años formamos a los estudiantes para correr un maratón académico. Les enseñamos a leer, escribir, buscar fuentes, argumentar y sostener una idea. De pronto, en la línea de salida, una parte de ellos recibe una bicicleta eléctrica. El maratón sigue siendo el mismo, pero las condiciones cambiaron. Esa metáfora resume el desajuste que vive hoy la educación superior frente a la inteligencia artificial generativa.
El problema no está solo en que los estudiantes usen IA. El problema mayor es que muchas universidades todavía evalúan como si esa bicicleta no existiera. Pedimos ensayos, informes y resúmenes con los mismos criterios de antes, pero ya no sabemos con certeza qué parte corresponde al esfuerzo del estudiante y qué parte fue producida por una máquina. Ante ese escenario aparecen dos posiciones, representadas por cada uno de los profesores. Uno percibe la IA como posibilidad de emancipación pedagógica, mientras que el otro advierte el riesgo de una atrofia cognitiva silenciosa.
Entre emancipación y atrofia
El profesor que defiende la integración de la IA sostiene que esta herramienta puede liberar al estudiante de tareas operativas. Buscar antecedentes, organizar referencias, corregir sintaxis o resumir información puede consumir muchas horas. Si la IA asume parte de ese trabajo, el aula podría concentrarse en actividades de mayor valor: interpretar, comparar, defender ideas, formular objeciones y revisar la calidad de las respuestas obtenidas.
Desde esa perspectiva, la IA no sustituye el pensamiento. Obliga a desplazarlo hacia otro nivel. El estudiante ya no debería limitarse a producir un texto final, sino a explicar cómo llegó a ese texto, qué decisiones tomó, qué descartó, qué corrigió y qué no aceptó de la máquina. La evaluación dejaría de mirar solo el producto terminado y pasaría a observar el proceso intelectual.
La postura contraria del otro profesor advierte un peligro real. La facilidad de acceso a respuestas bien redactadas puede generar una ilusión de comprensión. El estudiante lee un resumen claro, ordenado y convincente, y cree que comprendió el texto original. Pero comprender no es repetir una síntesis. Comprender exige entrar en conflicto con el lenguaje, detenerse, volver atrás, reconstruir el argumento y formular preguntas propias.
Aquí aparece uno de los puntos más fuertes del debate: la lectura profunda requiere fricción. Esa palabra expresa el esfuerzo necesario para pensar. Leer un texto complejo no siempre es agradable ni rápido. La dificultad forma parte del aprendizaje. Si la IA elimina esa dificultad antes de que el estudiante haya construido su propio criterio, puede debilitar la capacidad de interpretar.
En el debate imaginario se empleó la metáfora del GPS cognitivo que nos ayuda a entender el problema. Cuando una persona depende siempre del mapa automático, llega al destino, pero no construye orientación espacial. Algo similar puede ocurrir con la IA. El estudiante obtiene una respuesta, pero no siempre aprende a construir la pregunta. Y sin pregunta propia no hay pensamiento crítico sólido.
El profesor como mediador del criterio
El debate entre ambos no debería reducirse a aceptar o prohibir la IA. Esa salida es pobre. La pregunta pedagógica más seria es otra: ¿qué debe hacer el profesor universitario para que la IA no sustituya el proceso de formación?.
La respuesta está en cambiar el foco de la evaluación. Ya no basta pedir un ensayo de 10 páginas. Ese formato se volvió insuficiente si no va acompañado de defensa oral, bitácora de trabajo, revisión de fuentes, análisis de prompts, explicación de decisiones y contrastación de resultados. El texto final debe dejar de ser la única evidencia.
En este punto, la figura del profesor recupera fuerza. La IA puede producir una respuesta en segundos, pero no puede observar la duda del estudiante, detectar una comprensión frágil, exigir una justificación mejor o conducir un diálogo formativo. La mediación docente no desaparece. Se vuelve más necesaria.
La universidad debe enseñar a trabajar con IA sin entregar el juicio intelectual. Eso implica formar estudiantes capaces de preguntar mejor, sospechar de las respuestas demasiado perfectas, comparar fuentes, reconocer sesgos, identificar vacíos y sostener una idea frente a otros. El aula no puede convertirse en un espacio donde se celebran textos impecables con pensamiento ausente.
El debate entre los dos profesores deja una enseñanza central: la IA puede ser bicicleta eléctrica o prótesis del pensamiento. Todo depende del uso pedagógico. Puede ayudar a llegar más lejos, siempre que el estudiante siga aprendiendo a orientarse, esforzarse y decidir. Pero también puede acostumbrarlo a no caminar.
La universidad no debe formar usuarios complacientes de respuestas automáticas. Debe formar sujetos capaces de dialogar con la máquina sin renunciar a su propia voz. El desafío no es tecnológico. Es pedagógico, ético y cultural. La IA ya entró al aula. Ahora corresponde decidir si la usamos para pensar más o para pensar menos.
No sobra nadie, pero sí faltan actores. Faltan actores para poder hacernos cargo de los problemas del mundo. Para garantizar la vida común. Para poder hacernos cargo de nuestras vidas.
Los modernos nos adiestraron para sacar del laboratorio todo lo que pudiera resonar con las emociones personales, los enraizamientos locales y los saberes ancestrales. Declararon la guerra a todo cuanto la razón no supiera cómo pensar, es decir, a lo particular, lo arraigado y lo encarnado. Pero es que la vida, nuestras vidas, se juega precisamente en el terreno de lo concreto, lo particular y lo encarnado. Y nadie puede negar que de lo que pasa en nuestro cuerpo, en nuestra calle y en nuestra comunidad sabemos mucho. No lo sabemos todo, cierto, pero sí mucho. Todos somos, como nos recuerda siempre Antonio Lafuente, expertos en experiencia.
No necesitamos más conciencia hacia lo que pasa, necesitamos sentir más lo que pasa, lo que nos pasa. No necesitamos más crítica y más opinión lanzados desde lejos, sino activar, dice Amador Fernández Savater, la capacidad de plantear problemas propios (pensamiento) y de ensayar respuestas encarnadas (creación).
Nuestro mundo necesita con urgencia construir respuestas que nos involucren a todos, o dicho de otra manera que incluyan tanto los saberes especializados como los experienciales, los saberes que nacen del laboratorio y los saberes que se asientan en la experiencia. Que incluya lo que pasa y lo que nos pasa. Es un asunto de justicia epistémica.
Decir que no sobra nadie pero que faltan actores es reclamar un ensanchamiento del espacio público que nos permita hacernos otras preguntas y nos fuerce a encontrar respuestas distintas. Querer que la ciencia sea otra cosa, querer que se ocupe de lo que nos preocupa, que sea más terrenal, más cercana y más lúdica, no es estar contra la ciencia, como nos recuerda Antonio, no es una locura antimoderna, ni nihilista. Es volver a insistir en esta idea sencilla: No sobra nadie, pero sí faltan actores. O dicho de otra manera, debemos actualizar y dar sentido al viejo lema ilustrado: “nada sobre nosotros sin nosotros.”
Es cierto que queda mucho recorrido antes de que todos aceptemos que la ciencia nunca debió alejarse de la idea del bien común. Queda mucho camino para entender que lo que realmente necesitamos es una ciencia común y una ciencia en común. Una ciencia sin dueño que es de todos y de nadie al mismo tiempo.
Y aquí Antonio hace una distinción preciosa entre lo que podríamos llamar ciencia pública y ciencia común. Si lo público, dice, se caracteriza por ser para todos, lo común es entre todos. Y aquí la palabra clave no es ciencia, sino la preposición “entre”.
Lo determinante es el “entre”, la clave está en lo que sucede en ese entre (espacio/tiempo) y en cómo sucede. Lo relevante es con quién y cómo se construye (la ciencia). Cómo se co-construye.
Lo relevante no es tanto o no es solo el resultado, sino la forma en la que obtenemos ese resultado. El objetivo no es solo producir soluciones, sino en diseñar respuestas que nos representen a todos por igual. Asumiendo que ese todos puede es muy heterogéneo. Y sabiendo que el fin casi nunca justifica los medios.
Pero decir que lo importante es el entre es también asumir el coste de tiempo que supone “entretenernos”, “demorarnos”, parar. Ya no estamos en el terreno de la eficiencia. No se trata de hacer más en menos tiempo o con menos recursos, sino de hacer mejor y hacerlo entre todos. Por eso la ciencia en común, como todo lo que hacemos entre muchos, es más lenta. La ciencia común reclama lentitud. Como dice el verso callejero, vamos despacio porque vamos lejos.
La ciencia en común tiene una serie de características. En primer lugar no es universal, ni quiere o puede serlo.
La ciencia es situada y local. Está abierta a quienes deseen integrarse en el proceso. La ciencia en común siempre es híbrida, mestiza, mostrenca y bastarda. Necesitas de todos, también de quienes fueron excluidos del mundo de la ciencia, los afectados, los activistas, los hackers, los legos, los “idiotas” que como, dice Antonio, es el genérico que describe a “los amateurs, las brujas, los comunes y, en general, a todos los no acreditados”. Recordemos que no sobraba nadie, pero sí faltaban actores.
La ciencia en común se produce con lo que tenemos a mano y entre quienes disponen de tiempo, recursos o capacidades. Nadie lo hace para matar el tiempo o porque no tengan cosas mejores que hacer: lo hace para sobrevivir. Para hacernos cargo de nuestras vidas, decíamos antes.
La ciencia en común es una responsabilidad de y entre todos
La mejor forma de hacer ciencia en común es hacer ciencia ciudadana. Abordar los desafíos de forma colectiva, colaborativa y abierta. Mezclar motivaciones e hibridar lenguajes. Hacer posibles conversaciones imposibles, dar forma realista a los problemas que tenemos, ensayar modos nuevos de coproducir el mundo. Hacer mundo entre todos. Incorporar actores. Distribuir la esperanza (en la ciencia). Oponernos y resistirnos, en definitiva, a la la privatización de la esperanza.
Este texto es la versión escrita de lo que ayer dije en la presentación del libro Ciencia en común (Ned ediciones, 2026) de mi querido amigo Antonio Lafuente, en TeamLabs. Todo lo que he escrito aquí no solo se lo debo a Antonio sino que está en su libro, que a su vez, es el reflejo de toda una vida de pensamiento, conversaciones y acciones.
