Capital de Tokens
Durante años, buena parte de la educación superior funcionó sobre una suposición razonable: si un estudiante entregaba un ensayo sólido, resolvía una demostración matemática, escribía un programa que funcionaba o completaba una serie de problemas, ese resultado era evidencia útil —aunque imperfecta— de que había aprendido.
La IA generativa está rompiendo esa relación.
No porque “haga trampa” en el sentido humano de la palabra, sino porque ahora un estudiante puede obtener un producto final convincente sin recorrer necesariamente el proceso intelectual que ese producto pretendía medir.
Ese es el problema más interesante detrás del informe final del Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training del MIT, fechado el 13 de agosto de 2026 y compartido públicamente por MIT el 25 de agosto.
La discusión superficial es si hay que prohibir ChatGPT, Claude, Gemini o cualquier otro asistente.
La discusión profunda es otra:
¿Cómo sabemos que alguien aprendió cuando producir la respuesta correcta ya no demuestra que esa persona realizó el razonamiento?
Y esa pregunta obliga a replantear tareas, exámenes, clases, interacción social y hasta el valor diferencial de asistir físicamente a una universidad.
Lo que realmente dijo MIT
Conviene separar el informe original del dramatismo habitual de titulares y videos.
El comité fue creado oficialmente el 14 de enero de 2026 para estudiar cómo estudiantes e instructores estaban usando IA, qué innovaciones podía habilitar, qué problemas estaba creando y qué tipo de política debía adoptar el Instituto.
El informe final se publicó el 25 de agosto de 2026. La presidenta del MIT, Sally Kornbluth, describió el momento como un punto de inflexión para MIT y para la educación superior.
No es una declaración de guerra contra la IA.
De hecho, el propio MIT reconoce que estas herramientas pueden ampliar el aprendizaje, acelerar investigación, permitir nuevas experiencias educativas y ayudar a estudiantes e instructores.
El problema es que también alteran mecanismos que durante décadas sirvieron como proxies del aprendizaje.
Una cobertura detallada de Inside Higher Ed resume una de las conclusiones más incómodas del informe: los sistemas actuales pueden producir respuestas creíbles para prácticamente cualquier tarea escrita típica, incluyendo ensayos, problemas matemáticos, demostraciones y ejercicios de programación.
Si una herramienta externa puede generar el artefacto que calificamos, entonces calificar el artefacto ya no basta para inferir dominio.
El bug no es “hacer trampa”: es la pérdida de observabilidad
Desde una perspectiva de ingeniería, el problema se parece bastante a perder observabilidad dentro de un sistema.
Imagina este pipeline:
- El profesor plantea un problema.
- El estudiante investiga.
- El estudiante intenta una solución.
- Falla.
- Revisa conceptos.
- Consulta a compañeros o al profesor.
- Vuelve a intentarlo.
- Construye una respuesta final.
- El profesor evalúa esa respuesta.
Históricamente, el paso 8 era una señal razonable de todo lo que había sucedido antes.
No perfecta, pero útil.
Con un LLM en el medio, el pipeline puede convertirse en:
- El profesor plantea un problema.
- El estudiante copia el enunciado.
- El modelo genera una respuesta.
- El estudiante la entrega.
Externamente, ambos pipelines pueden producir documentos parecidos.
Internamente, son procesos cognitivos completamente distintos.
El sistema educativo observa el output, pero puede perder visibilidad del proceso.
Ese es el cambio estructural.
La “fricción cognitiva” era una feature
Una de las ideas más importantes asociadas al informe es la fricción cognitiva.
Aprender casi siempre implica atravesar un período incómodo en el que todavía no sabes resolver algo.
Buscas.
Te equivocas.
Descartas una hipótesis.
Intentas recordar una fórmula.
Lees algo que no entiendes del todo.
Preguntas a otra persona.
Reescribes.
Ese tiempo puede parecer ineficiente si nuestra métrica es “llegar a la respuesta correcta lo antes posible”.
Pero si la métrica es aprender, esa ineficiencia era parte del producto.
La dificultad genera recuperación de memoria, comparación de alternativas, formación de modelos mentales y feedback sobre lo que realmente sabemos.
Un asistente que elimina toda la fricción puede optimizar la tarea y, al mismo tiempo, degradar el entrenamiento.
Es parecido a usar un GPS.
Si el objetivo es llegar a un restaurante, delegar navegación tiene sentido.
Si el objetivo es aprender la geografía de una ciudad, delegar cada decisión al GPS cambia por completo lo que estás entrenando.
La pregunta correcta no es “¿delegar es malo?”.
Es:
¿Qué capacidad quiero conservar y practicar, y qué parte sí estoy dispuesto a externalizar?
Hacer el trabajo y aprender ya no son la misma operación
La IA está separando dos cosas que antes estaban fuertemente acopladas:
- producir un resultado;
- desarrollar la capacidad de producirlo.
Un estudiante puede crear un programa funcional sin entender completamente el flujo de datos.
Puede generar una demostración matemática correcta sin haber construido la intuición necesaria para reproducirla.
Puede entregar un ensayo elegante sin haber luchado con las ideas.
En el mundo profesional, esto no siempre es un problema.
Si una herramienta permite resolver un trabajo de forma más rápida y confiable, usarla puede ser exactamente la decisión correcta.
Pero una universidad no solo vende outputs.
Su objetivo también es desarrollar capacidades transferibles: razonar, explicar, defender una idea, reconocer errores, colaborar y aprender nuevos conceptos.
Ahí aparece la tensión.
La misma automatización que mejora la productividad puede reducir el entrenamiento si sustituye precisamente la actividad que queríamos practicar.
No confundir “cognitive friction” con “cognitive surrender”
En discusiones recientes aparecen dos conceptos relacionados que conviene no mezclar.
Cognitive friction
Es la dificultad productiva que obliga al estudiante a pensar, probar, equivocarse y reconstruir.
El informe del MIT enfatiza que el aprendizaje funciona mejor cuando mantiene desafío y dimensión social.
Cognitive surrender
Este término no proviene del informe del MIT. Steven D. Shaw y Gideon Nave lo definen en su trabajo de 2026 Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender como la adopción de respuestas de IA con un escrutinio mínimo, desplazando la intuición y la deliberación propias.
No son lo mismo.
Puedes utilizar IA y conservar fricción cognitiva si la herramienta te obliga a explicar, comparar, justificar y revisar.
Y puedes sufrir rendición cognitiva incluso cuando la IA ofrece una respuesta técnicamente correcta, si dejas de cuestionarla por completo.
Esta distinción es importante porque evita caer en la conclusión simplista de que “usar IA = no aprender”.
El diseño de la interacción importa.
Una regla simple: piensa antes de preguntar
Una práctica útil para reducir la delegación excesiva es cambiar el orden de las operaciones.
En vez de:
pregunta → IA → respuesta → aceptación
usar:
pregunta → intento propio → IA → contraste → revisión
Por ejemplo, antes de pedir a un modelo que resuelva un problema:
- escribe qué crees que está ocurriendo;
- propone una solución aunque esté incompleta;
- señala dónde tienes dudas;
- consulta a la IA;
- compara su solución con la tuya;
- explica por qué cambiaste de opinión;
- intenta reconstruir la respuesta sin mirar.
Esto convierte a la IA en sparring intelectual en lugar de sustituto cognitivo.
Para programación, el patrón puede ser todavía más concreto:
- diseña primero la arquitectura;
- predice qué parte fallará;
- pide al modelo una implementación;
- revisa el diff;
- explica cada decisión relevante;
- escribe o modifica tests;
- cambia una restricción y comprueba si todavía entiendes el sistema.
La productividad sigue aumentando, pero el humano conserva participación en las partes que quiere entrenar.
Evaluar el proceso, no solo el artefacto
Si el output final ya no revela con suficiente fidelidad cómo se produjo, la evaluación tiene que capturar más señales.
El informe y las discusiones posteriores apuntan hacia mecanismos como:
Exámenes orales
Un estudiante puede usar herramientas durante una parte del trabajo y luego defender decisiones, explicar conceptos o responder variaciones del problema.
Portafolios
En lugar de una única entrega final, se observa evolución, borradores, decisiones y revisiones.
Conversaciones sobre el trabajo
No basta con entregar código. Hay que explicar por qué está diseñado así, qué trade-offs existen y cómo cambiaría ante un requisito nuevo.
Evaluación presencial
Para ciertas capacidades fundamentales, eliminar temporalmente herramientas externas puede seguir siendo la manera más directa de observar competencia independiente.
Tareas diseñadas para usar IA
También existe la opción opuesta: permitir IA explícitamente y evaluar una habilidad de orden superior.
Por ejemplo:
- detectar errores en una respuesta generada;
- comparar dos soluciones de modelos distintos;
- mejorar un diseño defectuoso;
- verificar fuentes;
- construir tests adversariales;
- justificar qué partes se delegaron y cuáles no.
El objetivo no es volver a 2019.
Es conseguir que la evaluación mida aquello que realmente queremos que el estudiante domine en 2026.
El problema social es tan importante como el académico
Hay otra observación del informe que suele recibir menos atención.
Cuando un estudiante tiene una duda, un chatbot compite directamente con:
- el compañero de al lado;
- el grupo de estudio;
- el teaching assistant;
- las horas de oficina;
- el mentor;
- el profesor.
La IA tiene ventajas evidentes: está disponible inmediatamente, no juzga la pregunta y puede responder tantas veces como sea necesario.
Pero cada consulta desviada hacia una máquina es también una interacción humana que quizá no ocurre.
MIT señala cambios en experiencias centrales del campus, incluyendo grupos de estudio, office hours e investigación de pregrado.
Eso plantea una pregunta incómoda para las universidades residenciales:
Si el contenido, la explicación y la tutoría básica están disponibles bajo demanda, ¿qué parte del valor universitario depende ahora de experiencias que no pueden reducirse a información?
La respuesta probablemente incluye comunidad, colaboración, laboratorios, mentoría, discusión, identidad profesional y exposición a personas que piensan distinto.
Paradójicamente, cuanto mejores sean los tutores de IA, más importante puede volverse diseñar deliberadamente espacios humanos.
Una política única probablemente no funciona
Otro detalle importante es que MIT no terminó proponiendo una sola regla universal para toda la institución.
La guía para el semestre de otoño de 2026 mantiene flexibilidad entre asignaturas, pero recomienda que cada curso explique claramente cuándo, dónde y por qué la IA está prohibida, permitida o requerida.
Ese enfoque tiene sentido.
No es lo mismo aprender cálculo introductorio que realizar investigación de materiales.
No es lo mismo practicar sintaxis básica que diseñar un sistema distribuido.
No es lo mismo evaluar escritura que evaluar capacidad de edición.
La política de IA debería derivarse del objetivo pedagógico.
Primero decides qué capacidad quieres medir.
Después decides qué herramientas son compatibles con ese objetivo.
Hacerlo al revés —definir primero “IA sí” o “IA no”— confunde la herramienta con el aprendizaje.
El nuevo contrato educativo
La conclusión más interesante del informe no es que la IA vaya a destruir las universidades.
Es que obliga a hacer explícitas preguntas que durante mucho tiempo podían permanecer implícitas:
- ¿Qué significa dominar una materia?
- ¿Qué debe poder hacer un estudiante sin herramientas?
- ¿Qué debería poder hacer con herramientas?
- ¿Qué parte del aprendizaje necesita dificultad?
- ¿Qué parte puede automatizarse?
- ¿Qué evidencia demuestra comprensión?
- ¿Qué valor tiene aprender junto a otras personas?
Antes, muchas respuestas estaban incorporadas en la logística de la educación.
Había que leer porque la información era difícil de encontrar.
Había que escribir porque era la manera práctica de producir un ensayo.
Había que calcular porque no existía un modelo que resolviera el problema en segundos.
Ahora esas restricciones desaparecen.
Y eso obliga a diseñar el aprendizaje de forma mucho más intencional.
La idea que conviene conservar
La IA no elimina la necesidad de aprender.
Elimina muchas de las fricciones que accidentalmente obligaban a aprender.
Esa diferencia es enorme.
El reto no consiste en reconstruir artificialmente todas las dificultades del pasado ni en prohibir herramientas que ya forman parte del trabajo moderno.
Consiste en decidir qué fricción sigue siendo pedagógicamente valiosa y protegerla.
Cuando producir la respuesta correcta se vuelve barato, la educación tiene que aprender a medir algo más profundo:
cómo llegamos a ella, qué entendemos, qué podemos defender y qué somos capaces de hacer cuando la respuesta cambia.
Fuentes
- MIT — Final Report of the Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training
- MIT — AI and education: A watershed moment for MIT
- MIT — Committee on AI Use in Teaching, Learning, and Research Training
- MIT Faculty Governance — Teaching guidance for Fall 2026
- MIT AI Community Hub
- Shaw & Nave (2026) — Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender
- Inside Higher Ed — MIT AI Report Calls for Alternative Grading, More Social Learning
- Video de referencia — “El MIT acaba de alertar a todas las Universidades”