La tecnología y, especialmente, la Inteligencia Artificial (IA), empujan constantemente hacia lógicas de eficiencia y optimización. Caemos una y otra vez en la trampa de la productividad, pensando como docentes cosas como: más actividad implica mejor aprendizaje; automatizar equivale necesariamente a mejorar.
Esta obsesión contemporánea por la optimización nos puede llevar a confundir movimiento con dirección, siendo la distinción entre tareas adyacentes y decisiones estructurales una estrategia válida como medida de prevención. Algo de lo que ya hablamos en nuestra última conversación en el podcast de eduHacking.
Tareas adyacentes y decisiones estructurales
Cuando hablamos Juan Fernández y yo para Eduhacking intentamos profundizar en la diferencia entre lo adyacente y lo estructurante, una idea del libro “En blanco: cómo focalizar la atención, la memoria y la motivación para aprender mejor”. Lo adyacente rodea al aprendizaje sin determinarlo, la micro-ingeniería cotidiana que consume tiempo y energía, pero no fija el sentido del curso de acción. Lo estructural es lo que ordena el sistema didáctico, jerarquiza fines, decide qué merece atención y qué queda relegado. Define el tipo de experiencia de aprendizaje que se vuelve posible.
En la práctica diaria del profesorado, esta distinción es extremadamente operativa. Permite, por ejemplo, usar la IA como prótesis de productividad sin ceder soberanía pedagógica. La IA puede hacerse cargo de crear borradores, variaciones de ejemplos, generar bancos de ítems, ayudar al estudio, hacer traducciones, establecer niveles de lectura, proporcionar retroalimentación preliminar, revisar código…
Todo liberando recursos atencionales para la tarea que no se puede externalizar sin pérdida. Puede que debamos hablar más de la IA como redistribución de la atención y menos en términos de productividad.
Lo que no puede externalizarse sin pérdida
Con esto nos referimos a aquellas actividades que exigen a los docentes sostener el criterio y el propósito pedagógico: decidir qué se evalúa, con qué finalidad y en qué momento; determinar dónde se sitúa el énfasis; definir qué constituye evidencia de comprensión; y establecer qué concesiones no deben negociarse por razones de equidad, coherencia curricular y cuidado pedagógico.
La IA encaja bien en lo adyacente cuando se usa como generador de alternativas bajo restricciones explícitas del profesorado, pero se vuelve problemática cuando sustituye procesos de deliberación que deberían seguir siendo sostenidos por el profesorado.
La IA puede ampliar el espacio de opciones o sistematizar procedimientos, pero no toda delegación es neutra. Hay procesos cuya función principal no es producir respuestas, sino construir la estructura mental capaz de evaluarlas, justificarlas y sostenerlas críticamente. Ahí se juega la direccionalidad del aprendizaje y la legitimidad de la evaluación.
Un paso más: procesos de ejecución y procesos generativos
La distinción entre tareas adyacentes y decisiones estructurales permite delimitar qué funciones pueden delegarse sin comprometer la dirección pedagógica. Sin embargo, todavía deja abierta una cuestión más profunda: no todas las tareas cumplen la misma función en la construcción del pensamiento.
Desplazamos ahora el foco desde la arquitectura pedagógica (adyacente-estructural) hacia la función cognitiva (ejecución-generación). Con esta segunda distinción no diferenciamos por el nivel de dificultad o la duración para resolver tareas, sino por función cognitiva.
Los procesos de ejecución serían aquellas actividades que tienen problemas definidos, criterios ya fijados y solo hay que aplicar, ordenar o producir. Formatear un texto, aplicar una rúbrica ya diseñada, reorganizar bibliografía… Son tareas de gestión y de administración.
Los procesos de ejecución producen resultados.
Los procesos generativos los vemos en actividades que requieren jerarquizar información, relacionar ideas, decidir qué es relevante, diseñar criterios de una rúbrica, construir argumentos propios… Se trata de construir lo que luego se puede ejecutar.
Delegar en la IA procesos generativos puede producir resultados aceptables sin que se haya desarrollado el tipo de estructura mental que esos procesos pretendían entrenar.
Porque aprender no consiste únicamente en producir respuestas correctas, sino en construir representaciones mentales cada vez más complejas, flexibles y transferibles.
Ambos procesos son necesarios, pero los generativos son formativos. Usar la IA para evitar el desarrollo de estos procesos sería lo problemático, lo cual no significa que no nos pueda ayudar, error en el que se suele caer llegados a este punto.
La IA puede participar en procesos generativos cuando nos ayuda a explorar alternativas, ofrecer puntos ciegos, sugerir nuevos marcos en enfoques… El problema de fondo no es si la IA interviene en procesos de generación (o en los estructurales), sino quién lleva el peso del proceso generativo y quién toma las decisiones finales.
Experticia, fricción cognitiva y desarrollo del aprendizaje
No se trata únicamente del tipo de tarea, sino de los procesos cognitivos que activa y del tipo de representación mental que contribuye a desarrollar. Lo verdaderamente decisivo es preguntarse qué estamos entrenando -o dejando de entrenar- cuando delegamos parte del proceso en la IA.
Esto introduce variables importantes. Una misma actividad puede ser profundamente generativa para un principiante y convertirse en un proceso principalmente ejecutivo para alguien experto. Del mismo modo, la eliminación sistemática de toda fricción cognitiva puede hacer las tareas más rápidas o cómodas, pero también reducir los procesos de elaboración, reorganización mental y toma de decisiones que favorecen aprendizajes más profundos y transferibles.
Por eso, decidir cuándo usar IA no depende únicamente de la naturaleza aparente de la tarea, sino del papel que esa tarea desempeña en el desarrollo cognitivo de quien aprende.
Feedback de ejecución y generación
La distinción entre ejecución y generación también transforma la forma de entender el feedback educativo. La IA está reconfigurando este proceso porque puede operar en dos funciones que antes estaban parcialmente separadas por limitaciones humanas y logísticas.
Por un lado, un feedback orientado a la ejecución, centrado en corregir, ajustar y optimizar el desempeño inmediato. Por otro, un feedback generativo, orientado a producir nuevas rutas de acción, explicaciones, ejemplos y preguntas que amplían las posibilidades cognitivas del alumnado.
Esta doble capacidad es potente y, a la vez, delicada. Puede acelerar el cierre de una tarea a costa de empobrecer el aprendizaje, o introducir fricción inteligente para que el aprendizaje se vuelva más duradero y transferible.
Feedback inmediato orientado a la ejecución
Cuando el objetivo es sostener la ejecución y facilitar el avance, el feedback inmediato es útil si se entiende como control de rumbo, no como sustituto del pensamiento.
En escritura, por ejemplo, una IA puede señalar incoherencias locales, ambigüedades léxicas o un salto lógico entre párrafos; en matemáticas, detectar un error procedimental recurrente; en un cuaderno de laboratorio, advertir de un paso omitido. Este tipo de intervención reduce el coste cognitivo y sostiene la persistencia del alumnado cuando el error amenaza con convertirse en abandono.
Ahora bien, este mismo mecanismo puede anestesiar el aprendizaje si el feedback se vuelve demasiado próximo, completo y directivo. El riesgo es la dependencia: el alumnado aprende a externalizar el criterio en la máquina y a medir el éxito por la velocidad de cierre, no por la calidad del modelo mental construido.
Feedback desplazado en el tiempo: fricción inteligente y dificultad deseable
La segunda utilidad cotidiana, menos intuitiva pero potencialmente más transformadora, es utilizar la IA para dosificar deliberadamente el feedback en el tiempo.
En lugar de resolver inmediatamente cada error, la ayuda puede retrasarse estratégicamente para obligar al alumnado a recuperar, discriminar, explicar o reorganizar antes de recibir apoyo. Esa fricción inteligente introduce dificultad deseable y favorece procesos de elaboración que, paradójicamente, fortalecen la retención y la transferencia.
La IA aquí no actúa únicamente como asistente, sino como un entrenador que regula el nivel de apoyo. Primero induce al alumnado a intentar explicar, resolver o recordar; solo después ofrece retroalimentación correctiva y elaborativa. Esta lógica está muy alineada con la evidencia que muestra que la práctica de evocación, el espaciado y determinadas dificultades introducidas con criterio producen aprendizajes más robustos, aunque en el momento se perciban como más lentos o más difíciles.
Pero precisamente porque el feedback orienta, regula y hace visible determinados procesos de pensamiento, la IA no solo está transformando cómo aprendemos, sino también qué significa evaluar y qué tipo de aprendizaje somos capaces de reconocer.
Dime cómo me evalúas y te digo cómo aprendo y cómo uso la tecnología
La irrupción de la IA también obliga a replantear una cuestión más profunda: qué significa realmente evaluar en un contexto donde producir respuestas aceptables es cada vez más fácil. El problema no parece residir únicamente en que la IA permita automatizar tareas o facilitar atajos, sino en que hace visibles las limitaciones de modelos evaluativos centrados principalmente en verificar productos finales.
Durante años, gran parte de la evaluación educativa ha descansado sobre tareas donde era posible obtener resultados aparentemente correctos sin necesidad de hacer visible el proceso de comprensión, deliberación o construcción de criterio. La IA amplifica esta tensión y desplaza el foco hacia formas de evaluación donde el pensamiento, la interpretación, la toma de decisiones y la capacidad de justificar adquieren mayor relevancia.
En este sentido, el debate educativo sobre IA quizá no trate únicamente sobre herramientas, sino también sobre la necesidad de recuperar formas de evaluación más formativas, auténticas y centradas en procesos que permitan distinguir entre delegar tareas y dejar de sostener el aprendizaje.
Lo que seguimos necesitando sostener
La IA seguirá mejorando. Resolverá tareas más rápido, generará mejores explicaciones y reducirá cada vez más la fricción cognitiva de muchas actividades. Precisamente por eso, la pregunta educativa importante ya no es qué puede automatizarse, sino qué dejamos de desarrollar, en nosotros mismos y en el alumnado, si automatizamos demasiado.
Porque el problema no aparece cuando la máquina produce respuestas aceptables. Aparece cuando dejamos de sostener aquellos procesos que construyen criterio, autonomía intelectual y capacidad de transferencia.
El valor pedagógico de delegar parte de un proceso en la IA no depende únicamente de la tarea en sí misma, sino también del momento del aprendizaje, del nivel de desarrollo de quien aprende, del propósito formativo perseguido y del contexto educativo en el que esa actividad adquiere sentido.
En un contexto donde la automatización empuja constantemente hacia la eficiencia y la aceleración, quizá una parte del reto educativo contemporáneo consista también en preservar formas de aprendizaje y evaluación que sigan exigiendo deliberación, interpretación, criterio y responsabilidad humana, incluso cuando las máquinas ya son capaces de producir respuestas convincentes.
NOTA 1. Artículo publicado originalmente con Juan Fernández en La Plaza Pública de eduHacking.
NOTA 2. Imagen generada con ChatGPT/OpenAI a partir de un prompt de los autores.
