¿La inteligencia artificial dejó obsoleta a la pedagogía?

Serie: ¿Por qué los cambios no llegan al aula? · Parte 2 de 9
⏮ Primero · ← Anterior · Índice · Siguiente → · Último ⏭

¿Las secuencias didácticas, los formatos y las rúbricas quedaron obsoletos con la inteligencia artificial? Mi respuesta, después de revisar a autores actuales y evidencia reciente, es que no quedaron obsoletos en bloque, aunque tampoco quedan intactos. No encontré a nadie que proponga tirar todo y empezar de cero. La discusión seria es otra: qué tareas perdieron sentido, qué debe cambiar y qué se vuelve más importante.

Tres posiciones en el debate

Quienes plantean una transformación fuerte

Mariana Maggio sostiene que la IA «ya hackeó al sistema educativo». Para ella, la pregunta ya no es si incorporarla, sino cómo hacerlo sin perder imaginación, sensibilidad, creatividad y capacidad de formular preguntas nuevas.

Di Paolo, Clark y Wachter (2026) proponen dejar de acomodar la IA a la escuela heredada mediante arreglos técnicos. Cuestionan, entre otras cosas, la centralidad de los exámenes y la enseñanza entendida como entrega de pequeñas porciones de conocimiento.

Quienes plantean integrar con el docente en el centro

UNESCO describe el paso de una relación docente-estudiante a una dinámica docente-IA-estudiante. Su marco de competencias define 15 competencias en cinco dimensiones y afirma que la IA debe complementar, no reemplazar, el papel docente.

En Argentina, la Dirección de Tecnología Educativa bonaerense (2026) sostiene que la IA generativa requiere decisiones firmes sobre qué, cómo y para qué enseñar. Alexander Sidorkin plantea que la autoridad docente podría desplazarse desde la posesión del conocimiento hacia la orientación metacognitiva y el vínculo.

Quienes advierten desde la crítica

Un comentario de inspiración freireana sostiene que la IA intensifica una lógica previa de eficiencia y estandarización. Neil Selwyn estudia con docentes de Suecia y Australia cómo influyen el saber pedagógico, los valores y el contexto, y qué podría perderse en esas interacciones.

Gert Biesta aporta otra pregunta. Su distinción entre calificación, socialización y subjetivación se está usando para evaluar los efectos de los modelos de lenguaje más allá del rendimiento. Educar no se reduce a producir respuestas correctas.

Qué muestra la evidencia

Bastani y colegas (2025) trabajaron con casi mil estudiantes secundarios de matemática. Según Wharton, quienes usaron un chatbot sin resguardos rindieron 48 % mejor durante la práctica. Cuando se les retiró la herramienta, obtuvieron 17 % menos que quienes nunca la habían tenido. Un tutor diseñado con resguardos pedagógicos mitigó gran parte de ese daño.

Rendir más con una herramienta no equivale a haber aprendido más. Un informe sobre descarga cognitiva advierte que el riesgo es mayor en estudiantes novatos, que todavía construyen sus bases. Un artículo de la APA resume la cuestión en una pregunta muy útil: ¿qué pensamiento está reemplazando la IA en esta tarea?

Qué queda en pie

Esta es mi lectura, capa por capa:

• Niveles curriculares: vigentes, pero faltan acuerdos institucionales sobre IA.
• Tipos de planificación: vigentes. La IA puede ayudar a redactar, pero el criterio sigue siendo docente.
• Componentes: vigentes. Hay que definir qué uso de IA admite cada actividad.
• Formatos: vigentes y revalorizados. Taller, laboratorio y ateneo aportan lo que un chat no reemplaza.
• Metodologías: vigentes con ajustes. Proyectos y aula invertida necesitan controles del proceso.
• Evaluación: la capa más afectada.
• Recursos: muy transformados, con necesidad de verificación humana.

La evaluación es el punto más sensible

El modelo de dos carriles parte de asumir que toda evaluación no supervisada probablemente involucre IA. La escala AIAS define cinco niveles de integración, desde «sin IA» hasta «exploración con IA». Dawson y colegas priorizan la validez: si una tarea evalúa realmente lo que dice evaluar. Además, una guía para aplicar la AIAS recuerda que muchos problemas de validez son anteriores a la IA.

¿Por qué no reemplazar todo?

Conviene separar tres planos. Las herramientas cambian rápido y hay que actualizarse. Las tareas pueden quedar obsoletas: si la IA resuelve una consigna sin que el estudiante piense, esa consigna perdió valor formativo. Los principios sobre cómo se aprende no caducan por una herramienta nueva.

Un simulador no derogó la Ley de Ohm. Cambió cómo se la enseña, y el estudiante sigue necesitando comprenderla para detectar un resultado absurdo. Estar a la altura de la tecnología significa formar a alguien capaz de usarla, controlarla y prescindir de ella cuando haga falta.

En una clase de Electrotecnia, eso podría verse así: el estudiante predice a mano, mide en el laboratorio, pide a la IA una explicación de la diferencia entre lo calculado y lo medido, critica esa explicación y defiende oralmente su informe.

Pero esta discusión todavía deja afuera una voz decisiva: la de los alumnos.

Límites de esta evidencia

La evidencia sobre IA y aprendizaje es joven y las herramientas cambian rápido. El estudio de Bastani corresponde a una disciplina y a un contexto específicos. No recuperé textos directos de Axel Rivas ni de Inés Dussel sobre IA generativa, por lo que no les atribuyo una postura.

Serie: ¿Por qué los cambios no llegan al aula? · Parte 2 de 9
⏮ Primero · ← Anterior · Índice · Siguiente → · Último ⏭

Toda la serie

1. El mapa de la enseñanza: qué herramientas tenemos para enseñar
2. ¿La inteligencia artificial dejó obsoleta a la pedagogía?
3. ¿Qué dicen los alumnos sobre la escuela?
4. ¿Por qué abandonan la secundaria? Argentina y América Latina
5. ¿Cambiar el formato escolar da resultados? Río Negro y la educación técnica
6. Córdoba frente al espejo: qué muestran Aprender y PISA
7. El MCC y el último tramo: por qué la autonomía no llega sola al aula
8. Hacia una pedagogía de la agencia guiada
9. Cómo probar la agencia guiada en una escuela técnica

Seguime para más contenidos sobre educación técnica y tecnología: Instagram · YouTube · LinkedIn

Fuentes

• Maggio, M. (2026). El desafío educativo ya no es prohibir la IA sino enseñar a pensar. UNNE.
• Di Paolo, L., Clark, A. y Wachter, T. (2026). Educating minds with generative AI.
• UNESCO (2024). AI competency framework for teachers.
• UNESCO. Marcos de competencias en IA, resumen.
• Provincia de Buenos Aires (2026). IA Generativa en la educación.
• Sidorkin, A. AI and relational pedagogy.
• JL4D. Comentario freireano sobre IA generativa.
• Universidad de Lund. Selwyn: Teachers’ sensemaking around GenAI.
• Meta-Analysis of LLM Effects: Qualification, Socialisation, and Subjectification.
• Bastani, H. et al. (2025). Generative AI without guardrails can harm learning. PNAS.
• Wharton. Without Guardrails, Generative AI Can Harm Education.
• Artificial intelligence, cognitive offloading and implications for education.
• McEntarffer, R. (2026). A litmus test for AI in education. APA.
• Universidad de Cambridge (2026). Paquete informativo sobre IA y evaluación.
• Perkins, M., Roe, J. y Furze, L. (2024). The AI Assessment Scale Revisited.
• Bellamy, C. (2025). Guía para aplicar la AIAS.