La IA no está poniendo en riesgo el aprendizaje. Está poniendo a prueba cómo lo aseguramos.

Por: Diana Amórtegui Osorio

Socio Consultor de Estudio Elefante

Si tiene algún comentario o sugerencia agradecemos nos lo haga saber a través del correo info@estudielefante.co 

Somos Estudio Elefante. ¡La fuerza detrás de las grandes ideas!

Durante años asumimos que si un estudiante entregaba un buen trabajo, probablemente había aprendido. La inteligencia artificial no creó ese supuesto; simplemente nos obligó a mirarlo de frente.

Cuando el problema no es la tecnología

Cada vez que aparece una nueva herramienta de inteligencia artificial en educación superior, la conversación suele comenzar en el mismo lugar: el riesgo de que los estudiantes hagan trampa.

Sin embargo, quizás esa no sea la pregunta más importante.

El informe Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities, elaborado para TEQSA, propone un cambio de foco que vale la pena escuchar.

En lugar de concentrarse exclusivamente en controlar el uso de la tecnología, invita a reflexionar sobre algo más profundo: ¿Qué capacidades deben desarrollar los estudiantes para seguir aprendiendo de manera auténtica en un mundo donde la IA está disponible en cualquier momento y desde cualquier dispositivo?

La pregunta es especialmente relevante para las instituciones que hoy hablan de resultados de aprendizaje, transformación curricular y aseguramiento de la calidad. Porque si la inteligencia artificial puede producir respuestas, informes, ensayos o análisis cada vez más convincentes, el desafío ya no consiste únicamente en verificar productos. El reto consiste en demostrar que el aprendizaje realmente ocurrió. Y eso nos lleva directamente al corazón del aseguramiento del aprendizaje.

Lo que realmente deberíamos estar desarrollando

El informe propone cuatro capacidades adaptativas fundamentales para desenvolverse en entornos donde la inteligencia artificial forma parte de la vida académica y profesional: alfabetización digital, cognición distribuida, metacognición híbrida y aprendizaje a lo largo de la vida.

La primera parece evidente. Los estudiantes necesitan comprender cómo funcionan estas herramientas, cuáles son sus limitaciones y cuáles son sus implicaciones éticas.

La segunda es menos intuitiva. La cognición distribuida reconoce que hoy pensamos con otros y a través de otros: personas, plataformas, bases de datos y sistemas de IA forman parte de la manera en que resolvemos problemas. La cuestión ya no es aprender sin tecnología, sino aprender a trabajar inteligentemente con ella.

La tercera capacidad resulta particularmente relevante para quienes trabajan en evaluación y calidad educativa. La metacognición híbrida se refiere a la capacidad de monitorear, evaluar y regular el propio pensamiento cuando la IA participa en el proceso. Dicho de manera más sencilla: saber cuándo confiar en la herramienta, cuándo cuestionarla y cuándo reconocer que una respuesta aparentemente brillante puede estar equivocada.

Finalmente, aparece el aprendizaje a lo largo de la vida, entendido como la capacidad de seguir aprendiendo en contextos cambiantes e inciertos. Una competencia que, quizás, nunca había sido tan necesaria como ahora.

Lo interesante es que todas estas capacidades descansan sobre dos elementos centrales: la agencia y la regulación. Es decir, la capacidad humana de tomar decisiones conscientes acerca de cómo aprender.

Y aquí comienza el verdadero desafío.

El riesgo no es que los estudiantes usen IA. Es que dejen de aprender con ella. 

Durante años, la educación ha intentado ayudar a los estudiantes a desarrollar pensamiento crítico, autonomía y capacidad de autorregulación. Sin embargo, la IA introduce una tentación difícil de resistir: delegar el esfuerzo intelectual.

El documento recupera investigaciones recientes que describen este fenómeno como “pereza metacognitiva”: una tendencia a evitar procesos de reflexión y verificación cuando una herramienta ofrece respuestas rápidas, convincentes y aparentemente suficientes (Fan et al., 2025, como se citó en Lodge et al., 2026).

Todos hemos experimentado algo parecido.

Cuando una explicación parece clara y una respuesta llega de inmediato, sentimos que entendimos. Pero comprender y reconocer una explicación clara no son exactamente la misma cosa.

Por eso los autores recuperan la investigación sobre las llamadas “dificultades deseables”. Según estos estudios, el aprendizaje profundo suele requerir esfuerzo, recuperación de información, elaboración de ideas y resolución de problemas; actividades que no siempre resultan cómodas, pero sí formativas (Bjork & Bjork, 2020, como se citó en Lodge et al., 2026).

La paradoja es interesante: mientras la IA reduce la fricción necesaria para producir respuestas, el aprendizaje continúa necesitando cierta fricción para desarrollarse.

El informe advierte además sobre un fenómeno que denomina erosión regulatoria. Cuando los estudiantes delegan sistemáticamente funciones de monitoreo, evaluación o juicio crítico a sistemas de IA, disminuyen las oportunidades para desarrollar esas capacidades por sí mismos (Panadero & Broadbent, 2025, como se citó en Lodge et al., 2026).

Dicho de manera simple: las capacidades que no se ejercitan tienden a debilitarse.

Por eso resulta especialmente relevante una de las afirmaciones presentadas en el documento: “la habilidad fundamental para la era de la IA es el aprendizaje autorregulado” (Lodge et al., 2023a, como se citó en Lodge et al., 2026, p. 10). No porque la tecnología sea irrelevante. Sino porque ninguna tecnología puede autorregularse por el estudiante.

Lo que la IA está revelando sobre el aseguramiento del aprendizaje

En muchas instituciones, los sistemas de evaluación y aseguramiento del aprendizaje fueron diseñados bajo una premisa relativamente estable: el producto entregado por el estudiante era una evidencia razonable de su aprendizaje.

La IA ha tensionado esa relación.

Hoy es posible producir textos, códigos, informes o análisis de alta calidad con una participación humana mínima. Eso obliga a replantear una pregunta fundamental: ¿Qué evidencia necesitamos para afirmar que un estudiante alcanzó un resultado de aprendizaje?

La respuesta propuesta por el informe es poderosa. Necesitamos prestar más atención a los procesos. No únicamente al resultado final.

Necesitamos comprender cómo el estudiante llegó a una conclusión, cómo evaluó información, cómo justificó decisiones, cómo corrigió errores y cómo utilizó —o decidió no utilizar— herramientas de inteligencia artificial durante su proceso de aprendizaje.

Visto así, la aparición de la IA no representa únicamente un desafío tecnológico. Constituye una oportunidad para madurar nuestras prácticas de aseguramiento del aprendizaje.

Porque si algo está quedando en evidencia es que la calidad educativa nunca dependió exclusivamente de los productos que observamos al final del semestre. Siempre estuvo relacionada con las capacidades que los estudiantes desarrollaban durante el proceso. La diferencia es que ahora ya no podemos darlo por sentado.

Una conversación que vale la pena tener 

Existe una ironía difícil de ignorar.

Mientras discutimos si los estudiantes saben usar la inteligencia artificial, cada vez resulta más urgente preguntarnos si las instituciones sabemos enseñar —y asegurar el aprendizaje— en tiempos de inteligencia artificial.

Porque el desafío ya no consiste en impedir que los estudiantes consulten una herramienta. El desafío consiste en garantizar que sigan desarrollando las capacidades que la herramienta no puede desarrollar por ellos: el juicio, la autorregulación, la capacidad de evaluar críticamente la información y la disposición para seguir aprendiendo cuando las respuestas no son evidentes.

La IA no está poniendo en crisis el aprendizaje. Está poniendo en crisis nuestras evidencias sobre el aprendizaje.

Durante años evaluamos productos porque eran visibles. Hoy necesitamos comprender procesos porque son los que realmente explican el desarrollo de capacidades. La buena noticia es que este desafío también representa una oportunidad para revisar aquello que durante mucho tiempo dimos por sentado acerca de la enseñanza, la evaluación y el aseguramiento del aprendizaje.

Quizás el verdadero aporte de la inteligencia artificial no sea producir mejores respuestas. Quizás sea obligarnos a formular mejores preguntas sobre cómo aprenden nuestros estudiantes y qué evidencias utilizamos para afirmar que realmente aprendieron.

Y esa reflexión nos conduce inevitablemente hacia otro asunto que suele quedar fuera de la conversación: el desarrollo profesoral.

Si queremos estudiantes capaces de aprender con autonomía en entornos mediados por IA, necesitamos profesores capaces de diseñar experiencias que desarrollen esa autonomía. Si aspiramos a fortalecer capacidades adaptativas en los estudiantes, también debemos fortalecer capacidades adaptativas en quienes enseñan. No basta con aprender a utilizar nuevas herramientas; necesitamos aprender a crear condiciones para que el aprendizaje siga ocurriendo, incluso cuando las respuestas están a un clic de distancia.

Para seguir la conversación

Si aceptamos que el reto ya no es controlar el uso de la IA sino asegurar el aprendizaje en contextos donde la IA está presente, ¿Qué competencias necesitan desarrollar nuestros profesores para diseñar experiencias que sigan haciendo del pensamiento, la reflexión y el juicio crítico algo indispensable?

Tal vez esta pregunta debería ocupar un lugar central en los planes de desarrollo profesoral, en los procesos de transformación curricular y en los sistemas de aseguramiento del aprendizaje que las instituciones están construyendo para los próximos años.

En Estudio Elefante creemos que esta conversación exige algo más que nuevas herramientas o nuevos reglamentos. Exige construir colectivamente capacidades pedagógicas, curriculares e institucionales que permitan hacer visible aquello que realmente importa: cómo aprenden los estudiantes, qué capacidades desarrollan durante ese proceso y cómo podemos generar evidencia creíble de ese aprendizaje. Desde la profesionalización docente, el diseño curricular basado en resultados de aprendizaje y la construcción de sistemas de aseguramiento del aprendizaje, las instituciones tienen una oportunidad inédita para transformar la irrupción de la IA en una posibilidad de mejora educativa.

Porque, al final, asegurar el aprendizaje en la era de la inteligencia artificial no será únicamente un reto tecnológico. Será, sobre todo, un reto profundamente pedagógico.

---

Referencia

Lodge, J. M., de Barba, P., Ainscough, L., Brazil, J. R., Broadbent, J. y colaboradores. (2026). Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA.

Nota: Esta columna es una reseña reflexiva del informe Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities(TEQSA, 2026). Las ideas presentadas retoman y dialogan con los planteamientos de dicho documento para explorar sus implicaciones sobre el aseguramiento del aprendizaje, el desarrollo de capacidades estudiantiles y los retos que enfrentan hoy los profesores y las instituciones de educación superior.