En 1986, cuando las calculadoras empezaban a utilizarse en las aulas, un grupo de profesores estadounidenses se manifestó contra ellas. Una de sus pancartas decía: "El botón no sirve de nada hasta que el cerebro está entrenado". Llevamos tiempo oyendo argumentos parecidos a propósito de la IA generativa, popularizada con ChatGPT, y su impacto en la educación. La diferencia con la calculadora, sin embargo, es evidente. Esta daba el resultado de una operación, pero no escribía un ensayo completo. Ni construía una argumentación o preparaba una estupenda y llamativa presentación. Simplemente sustituía al alumno en una tarea concreta. La IA generativa, en cambio, puede producir, de principio a fin, buena parte de todo un proceso intelectual. Es una tecnología que altera la relación entre esfuerzo intelectual, aprendizaje y resultado.

Hay dos preguntas cuyas respuestas están orientando el modo en que la educación superior afronta el reto de la IA generativa: ¿cómo validamos ahora que un estudiante sabe lo que dice saber, lo que ha aprendido? ¿Y qué necesita saber realmente para acceder a su primer empleo?

La primera nos la venimos haciendo los docentes desde que apareció ChatGPT. Vimos, primero con asombro y luego con preocupación, que muchos trabajos y entregas ya no garantizan por sí mismos el aprendizaje que pretenden acreditar. Un estudiante puede presentar un texto excelente sin haber leído, pensado o argumentado lo necesario para elaborarlo. La IA ha roto la correspondencia que antes dábamos por supuesta entre proceso y resultado.

La segunda pregunta obliga a mirar lo que ya ocurre en el mercado laboral. Estudios recientes, como los desarrollados en Harvard y Stanford, muestran un descenso de la contratación de jóvenes recién graduados, mientras los perfiles senior mantienen sus niveles habituales. El descenso afecta justamente al primer escalón profesional: si desaparecen las tareas con las que antes se aprendía al empezar una carrera, ese escalón se vuelve más estrecho y difícil de alcanzar. A los graduados se les pedirá cada vez menos que ejecuten encargos rutinarios y cada vez más que dirijan procesos, coordinen equipos humanos o sistemas de IA, y tomen decisiones responsables sobre los resultados. El primer empleo se "senioriza".

Entonces, ¿cómo puede responder la Universidad a este doble reto (aprendizaje real y empleabilidad) que trae la IA? Todos somos nuevos en este escenario y no hay recetas probadas, pero propongo tres orientaciones. primera es la renovación metodológica, y pasa por diseñar con intención momentos de "fricción" y momentos de "aceleración". La fricción es el tiempo de esfuerzo intelectual sin IA (leer, escribir, argumentar, equivocarse sin red), donde se forma el juicio propio y donde debemos evaluar el proceso, más que el resultado. La aceleración es el tiempo en el que amplificamos el aprendizaje con IA, incluso de manera obligatoria, para profundizar, contrastar y producir como quien supervisa el trabajo de un colaborador. Ambas son necesarias. Sin fricción no se forma el criterio; sin aceleración no se aprende a trabajar con estas herramientas ni amplificamos nuestro alcance.

Esto obliga a reconsiderar el valor de las sesiones presenciales, las clases, que se convierten en el territorio natural de la fricción. Si nuestros alumnos ya pueden recibir y comprender los contenidos de la materia por otras vías, el aula debe convertirse principalmente en el espacio donde hay acompañamiento intelectual y humano. Donde se formulan buenas preguntas, se analizan problemas abiertos y se defienden posiciones en tiempo real, escuchando objeciones y revisando con otros el propio razonamiento. Ahí, el profesor resulta insustituible, guiando en directo la formación del criterio y del pensamiento crítico de sus estudiantes. Metodologías más activas, con trabajo en equipo y rendición de cuentas, parecen un cauce adecuado para este cambio.

La segunda orientación pasa por la formación de los propios docentes: capacitarles para incorporar con intención pedagógica esos momentos de fricción y de aceleración en sus asignaturas. Hace falta también prestigiar la tarea docente, recalibrar los incentivos institucionales y contar con una gobernanza que facilite la incorporación de estas metodologías.

La tercera, y quizá la más importante, es orientar todo este rediseño a la formación del "criterio", esa capacidad de discernir y validar. El conocimiento y las destrezas seguirán siendo necesarios, pero los futuros profesionales tendrán que saber verificar antes de aceptar, distinguir lo valioso de lo superficial, decidir con autonomía y hacerse responsables del resultado. Lo que hará empleables a los próximos graduados será su capacidad para supervisar, en equipos híbridos, la aportación de cada colega, humano o artificial.

Algunos han planteado todo este nuevo escenario como una cuestión de "salvar la Universidad de la IA", con el mismo espíritu de aquellos profesores ante las calculadoras. No me parece el enfoque correcto. Se trata, más bien, de volver a su misión genuina: formar ciudadanos buenos y competentes, con criterio y capacidad real de aportar a la sociedad. La disrupción de la IA, en el fondo, no ha hecho sino sacar a la luz carencias metodológicas que ya arrastrábamos, y nos obliga a repensar qué Universidad queremos construir. Nos obliga a recordar para qué existe.

Alejandro Néstor García Martínez. Profesor Titular en la Facultad de Filosofía y Letras de la Universidad de Navarra.