Por qué esta pregunta cambia la educación
La escuela y la universidad han utilizado durante décadas la producción de respuestas como evidencia de aprendizaje.
Explicar una idea, redactar un ensayo, resolver un problema o sintetizar una fuente exigía trabajo intelectual visible.
La IA generativa puede acelerar parte de ese proceso. Puede producir una explicación coherente, un texto estructurado o una lista de alternativas casi al instante.
Eso genera una conclusión aparentemente lógica: si la respuesta está disponible, quizá no sea necesario aprender aquello que antes permitía producirla.
Pero obtener una respuesta y saber qué hacer con ella son capacidades distintas.
Un output puede sonar convincente y contener un error. Puede responder correctamente a una pregunta mal planteada. Puede ignorar una condición local, mezclar niveles de evidencia o recomendar una solución que genera efectos secundarios no considerados.
Cuando la producción se vuelve abundante, el cuello de botella se desplaza.
La educación necesita preparar para algo que continúa siendo responsabilidad humana: determinar qué problema importa, qué merece confianza, qué información falta, qué alternativas son aceptables y qué debería convertirse en acción.
| Producción abundante | Responsabilidad humana |
|---|---|
| Respuestas | Pregunta y contexto |
| Borradores | Verificación y juicio |
| Alternativas | Decisión, trade-offs y consecuencias |
El conocimiento no pierde valor: cambia su función
La IA puede recuperar información, pero no convierte automáticamente al usuario en alguien capaz de evaluarla.
Para supervisar una herramienta se necesita conocimiento previo.
Quien domina suficientemente un campo puede detectar una definición incorrecta, una causalidad exagerada, un supuesto improbable o una variable que debería estar presente.
Por eso la era de la IA no elimina el valor de aprender matemáticas, historia, ciencia, literatura, economía, derecho, diseño o cualquier otra disciplina.
Cambia la función educativa de ese conocimiento.
No basta con poder reproducirlo. Debe convertirse en infraestructura para el criterio.
Eso exige aprender conceptos, relaciones, métodos y formas de evidencia con suficiente profundidad para saber cuándo una respuesta es sólida y cuándo únicamente parece sólida.
No necesitamos mantener en la memoria toda la información que puede ser recuperada externamente. Pero sí necesitamos estructuras mentales que permitan reconocer qué información importa, cómo se conecta y cuándo falta algo relevante.
Sin esas estructuras, la delegación intelectual puede convertirse en dependencia.
De pedir respuestas a formular problemas
La calidad de un output depende en parte de la calidad del problema que se plantea.
Pero formular un problema no es lo mismo que escribir una buena instrucción para una IA.
Antes del prompt hay preguntas más profundas: ¿qué estamos intentando cambiar?, ¿para quién?, ¿qué restricción importa?, ¿qué evidencia demuestra que existe un problema?, ¿quién debería participar?, ¿qué estamos dando por supuesto?
Estas preguntas requieren contexto.
Por eso “aprender a preguntar” no debería convertirse en una versión superficial de prompt engineering.
Una persona puede dominar perfectamente la técnica de interacción con un sistema y continuar planteando preguntas irrelevantes.
Next Human Learning apunta a algo más profundo: aprender a revisar el propio marco mental, desaprender supuestos y reformular el problema cuando la realidad muestra que la pregunta inicial era insuficiente.
De aceptar a verificar
La abundancia de respuestas crea una dificultad nueva: la plausibilidad puede parecer certeza.
Una respuesta bien redactada reduce fricción. Precisamente por eso puede reducir también el impulso de comprobar.
La capacidad que adquiere valor no es desconfiar de todo, sino calibrar confianza.
¿Qué parte está sustentada? ¿Qué es inferencia? ¿Qué fuente sería adecuada? ¿Qué contexto falta? ¿Qué afirmación requiere experiencia especializada? ¿Qué sucedería si este supuesto fuera incorrecto?
Estas preguntas forman parte del juicio epistémico.
En Preparación para la vida real (Real-Life Readiness), una persona preparada distingue evidencia de suposición y sabe qué necesita verificación antes de actuar.
En un entorno de IA, esta capacidad deja de ser únicamente académica. Se convierte en una condición práctica para utilizar herramientas potentes de forma responsable.
De una disciplina aislada a integración con criterio
Las respuestas generadas pueden combinar vocabulario de muchos campos, pero los problemas reales no se resuelven simplemente acumulando términos.
Cada disciplina tiene métodos, estándares y límites.
Una propuesta urbanística puede requerir ingeniería, economía, derecho, comportamiento humano y conocimiento local. Una innovación educativa puede necesitar pedagogía, tecnología, psicología, privacidad y diseño.
Los humanos necesitan aprender a detectar esos cruces.
Eso exige profundidad para saber cuándo algo está mal dentro de una disciplina y amplitud para reconocer cuándo el problema ya ha salido de ella.
La interdisciplinariedad competente no significa que todos deban saber de todo.
Significa saber qué conocimiento falta y cómo incorporar a quien lo posee.
En este sentido, la colaboración puede convertirse en una arquitectura de verificación, no solo en reparto de tareas.
- Profundidad
- Detecta errores en el dominio.
- Amplitud
- Detecta fronteras del conocimiento.
- Colaboración
- Incorpora el conocimiento ausente.
De la respuesta a la decisión
La IA puede sugerir alternativas. No puede eliminar los trade-offs.
¿Qué priorizamos cuando no podemos maximizar seguridad, coste, velocidad, sostenibilidad e inclusión a la vez?
¿Qué riesgo es aceptable?
¿Quién soporta el coste?
¿Qué decisión es reversible?
Estas preguntas rara vez tienen una única respuesta válida para todos los contextos.
Aquí aparece Capacidad de actuar con autonomía (Agency).
La decisión es la expresión visible de una capacidad más amplia: formar criterio, elegir, actuar y asumir responsabilidad.
Si una persona genera diez recomendaciones con IA pero no puede explicar por qué una de ellas debería avanzar, ha demostrado capacidad de producción, pero no necesariamente preparación.
La respuesta es abundante. La decisión sigue teniendo autor.
- Respuesta de IA
- Verificar
- Contextualizar
- Integrar
- Juzgar
- Decidir
- Actuar
- Reflexionar
De producir a actuar responsablemente
Una respuesta no se convierte en solución hasta que encuentra la realidad.
Cuando una idea se prototipa, se prueba o se implementa, aparecen elementos que el análisis inicial no contenía: costes, resistencia, comportamiento inesperado, fallos de usabilidad, restricciones institucionales o consecuencias.
Por eso el aprendizaje no debería terminar cuando se entrega el artefacto.
Preparación para la vida real (Real-Life Readiness) propone algo más exigente: conocimiento, juicio, acción, consecuencia y reflexión.
Si la IA permite producir una primera versión con gran rapidez, una parte creciente del valor educativo estará en lo que sucede después.
¿Qué se verifica? ¿Qué falla? ¿Qué se modifica? ¿Qué feedback se incorpora? ¿Quién responde por las consecuencias?
La realidad proporciona información que ningún output inicial contiene por completo.
Entonces, ¿qué deberían aprender los humanos?
Las fuentes disponibles no justifican convertir esta pregunta en un currículo universal cerrado.
Sí permiten formular una orientación estructural.
Los humanos necesitan conocimiento de base, porque sin él el juicio se vuelve dependiente.
Necesitan aprender, desaprender y reaprender, porque herramientas, evidencias y contextos cambian.
Necesitan definir problemas y formular preguntas, porque un output excelente no rescata un problema mal definido.
Necesitan verificar, distinguir evidencia de inferencia y calibrar confianza.
Necesitan conectar disciplinas y personas, reconociendo límites de competencia.
Necesitan crear y experimentar, porque el futuro no se construye únicamente seleccionando entre alternativas existentes.
Necesitan decidir bajo incertidumbre, porque la información completa rara vez llega antes de actuar.
Necesitan aprender del feedback, porque la realidad descubre errores y condiciones nuevas.
Y necesitan asumir responsabilidad, porque generar una respuesta nunca equivale a tener autoridad para decidir qué debería convertirse en realidad.
Esta es la dirección que Mars Challenge denomina Next Human Learning: no menos aprendizaje humano, sino aprendizaje adaptado a un entorno donde producir respuestas deja de ser suficiente.
Qué nos dice la evidencia
El framework de Real-Life Readiness sintetiza varias líneas relevantes.
Las National Academies han trabajado la transferencia como parte del aprendizaje profundo: el conocimiento adquiere mayor valor cuando puede utilizarse en situaciones nuevas.
El OECD Learning Compass enfatiza agencia, valores y responsabilidad para navegar contextos no completamente definidos.
El Future of Jobs Report 2025, citado en el framework, describe cambios importantes en las competencias laborales y mantiene pensamiento analítico, creatividad, resiliencia, flexibilidad, liderazgo y pensamiento sistémico entre las capacidades relevantes.
El documento también incorpora investigación de 2025 sobre IA generativa y pensamiento crítico, esfuerzo cognitivo reportado y confianza.
Esa investigación no demuestra que la IA “reduzca la inteligencia”. Sí plantea preguntas relevantes sobre descarga cognitiva, confianza, experiencia previa y evaluación crítica de outputs.
La conclusión prudente es que la IA modifica las condiciones del trabajo cognitivo.
Las fuentes proporcionadas no sustentan la idea de que el conocimiento disciplinar deje de ser necesario. El propio framework argumenta lo contrario: hace falta suficiente profundidad para reconocer cuándo un output plausible está equivocado o incompleto.
Lo que observamos en el diseño de Mars Challenge
La documentación first-party permite describir el diseño del entorno, no demostrar efectos causales.
La Guía del Participante estructura un proceso donde los equipos identifican fortalezas, asumen roles, generan y seleccionan ideas, investigan, definen problemas, prototipan, reciben feedback, revisan y explican el retorno de su solución a la Tierra.
El propio proceso insiste en que no se trata de avanzar rápidamente, sino de construir con profundidad, y relaciona decisiones superficiales con soluciones más frágiles.
La formulación de Next Human Learning añade aprender, desaprender y reaprender, creatividad radical, conciencia ética, colaboración, resiliencia e imaginación planetaria.
Mars Challenge puede, por tanto, describirse como un contexto aplicado coherente con esta tesis: las respuestas y herramientas forman parte del proceso, pero el aprendizaje se hace visible en el juicio, la elección y la revisión.
No se afirma que esa arquitectura produzca automáticamente los mismos resultados en todos los participantes.
Qué cambia para escuelas y universidades
La IA obliga a separar producto de aprendizaje.
Un texto impecable ya no demuestra necesariamente que quien lo entrega pueda explicar el tema, encontrar un error o defender las decisiones incluidas.
La evaluación puede incorporar evidencia del proceso: fuentes, supuestos detectados, verificaciones, alternativas descartadas, feedback y razones de los cambios.
También puede ser legítimo mantener actividades sin IA cuando el objetivo sea construir conocimiento interno o practicar una capacidad cognitiva que después tendrá que supervisar herramientas externas.
En otras actividades, permitir IA puede ser precisamente la condición adecuada si lo que queremos observar es la capacidad de verificar, juzgar y decidir con ella.
Ambas aproximaciones pueden convivir.
La educación tiene ahora dos responsabilidades simultáneas:
construir conocimiento interno y enseñar a gobernar inteligencia externa.
Conceptos relacionados
- Next Human Learning
- Preparación para la vida real (Real-Life Readiness)
- Capacidad de actuar con autonomía (Agency)
- Earth-Back Thinking
- Juicio humano
Evidencia en la práctica
- Mars Challenge 2026 — Guía del Participante
- Mars Challenge 2026 — Program Framework / Tierra
No se utiliza ningún proyecto individual como prueba causal.
Preguntas frecuentes
Si la IA puede buscar información, ¿para qué memorizar?
Porque juzgar requiere conocimiento interno suficiente para reconocer relaciones, anomalías y contexto. Eso no significa memorizar todos los datos disponibles, sino construir una base conceptual desde la que sea posible preguntar y verificar.
¿El pensamiento crítico puede sustituir el conocimiento?
No. Para evaluar críticamente una respuesta es necesario comprender el dominio, reconocer evidencia relevante y conocer los límites del propio juicio. Conocimiento y pensamiento crítico deben desarrollarse juntos.
¿Debería enseñarse principalmente prompt engineering?
Es útil, pero demasiado estrecho para ser el centro. La calidad del prompt no resuelve una pregunta mal formulada ni permite evaluar automáticamente el resultado. La competencia duradera es dirigir y verificar el proceso intelectual.
¿Hay que prohibir la IA en la evaluación?
Las fuentes proporcionadas no justifican una regla universal. Algunas tareas pueden restringirla para construir conocimiento fundamental; otras pueden integrarla y evaluar la calidad de la supervisión humana.
¿Cómo se relaciona con Next Human Learning?
Este artículo desarrolla el problema al que Next Human Learning responde. El concepto amplía la respuesta hacia aprender, desaprender, reaprender, crear, colaborar, actuar con conciencia ética y mantener responsabilidad.
Referencias
Real-Life Readiness: A Foundational Framework Adelino Sousa / Mars Challenge / Virtual Educa 2026
Education for Life and Work: Developing Transferable Knowledge and Skills in the 21st Century National Research Council / National Academies Press 2012 https://doi.org/10.17226/13398
OECD Learning Compass 2030 / Future of Education and Skills OECD
The Future of Jobs Report 2025 World Economic Forum 2025
The Impact of Generative AI on Critical Thinking Lee, H.-P. H. et al. / Microsoft Research & Carnegie Mellon University 2025
Mars Challenge 2026 — Program Framework / Tierra Mars Challenge 2026
Guia Participante Mars Challenge 2026 FINAL Mars Challenge 2026
¿Qué tarea sigue exigiendo capacidades humanas cuando la IA produce la respuesta?
Las capacidades humanas en la era de la IA (Human Skills in the Age of AI) se hacen visibles cuando la tarea exige verificar, contextualizar y asumir una elección. En lugar de pedir solo un texto sobre sostenibilidad, solicita una recomendación para una situación concreta, con fuentes verificables, restricciones y razones para descartar alternativas.
Como práctica editorial propuesta, el equipo puede utilizar IA para sugerir opciones y después investigar qué omiten. Debe explicar qué datos tiene, cuáles son hipótesis y qué información falta. Prevalecen las reglas de la edición y de la institución; esta actividad no autoriza automáticamente una herramienta.
La UNESCO presenta un framework de competencias de IA para estudiantes. La actividad siguiente es una propuesta Reto Marte, no una actividad oficial de la UNESCO ni evidencia de eficacia. Observa razonamiento documentado, participación y revisión; la fluidez del texto generado no demuestra dominio humano.
| Etapa | Petición al estudiante | Evidencia que conservar |
|---|---|---|
| Verificar | Confirmar dos afirmaciones decisivas en fuentes originales. | Fuente, fecha y discrepancia encontrada. |
| Contextualizar | Identificar una restricción que cambia la recomendación. | Condición local y alternativa ajustada. |
| Responsabilizarse | Explicar la elección y cuándo debe revisarse. | Razón, límite y condición de revisión. |
Ejemplo hipotético: la IA recomienda ahorrar agua con una solución que necesita energía no disponible en el lugar. El aprendizaje a discutir es la verificación y el cambio de decisión, no la calidad del primer texto.
UNESCO · AI competency framework for students (2024; atualizado em 2026)
Explorar a continuación
- Next Human Learning
- Preparación para la vida real (Real-Life Readiness)
- Capacidad de actuar con autonomía (Agency)
Siguiente paso
Profundizar: Next Human Learning
Ver evidencias: Proyectos y Evidencia
Participar: Cómo participar