Lo encontré un martes por la tarde, entre una carpeta con facturas antiguas de hace veinte años y la garantía de una lavadora que dejó de funcionar hace doce. Tercer curso, Planificación estratégica, convocatoria de junio de 2004. Cinco preguntas de desarrollo, dos de análisis de caso, un apartado de conceptos. Lo que entonces llamábamos estructura mixta para dar a entender que no éramos de los que solo ponían tipo test.
Lo leí. Seguía pareciéndome un buen examen.
Y entonces pensé: se lo paso a la IA y veo qué pasa.
Tardé más en escribir las instrucciones que la máquina en responder. Un minuto y veintidós segundos, cronometrados con el reloj del microondas, con la solemnidad de quien asiste a algo histórico o a algo ridículo, que a veces es lo mismo. El resultado era claro, bien estructurado, correcto en los conceptos, pertinente en los ejemplos. No cometía los errores típicos de mis estudiantes. Si me lo hubiera entregado un alumno hace veinte años, le habría puesto un ocho y medio.
Ahí fue cuando me tuve que sentar de verdad.
Ese momento es el origen de Aprender en Tiempos de la IA, el libro que acabo de publicar después de treinta años dando clase en la universidad.
El contrato que se rompió hace tiempo
Durante siglos, la universidad funcionó sobre un pacto sencillo: el profesor tenía el conocimiento, el estudiante no, y el examen certificaba que la transferencia se había producido. Tenía sentido cuando el conocimiento era escaso y costoso de conseguir. El acceso era la barrera, y la universidad era la puerta.
Ese modelo empezó a resquebrajarse con internet, aunque conseguimos absorber el golpe sin cambiar demasiado en el fondo. Es la misma resistencia que ya conté al hablar de la lección del telar de Jacquard: cada tecnología que amenaza un oficio establecido se recibe primero con negación, después con normas para contenerla, y solo mucho después con la pregunta honesta de qué cambia de verdad. Con la IA ya no hay margen para el disimulo, porque la máquina no solo distribuye el conocimiento: lo elabora, lo presenta y lo entrega en un formato indistinguible del que producía el modelo anterior.
En el libro lo cuento partiendo de mi propia experiencia como profesor, con la misma idea que venimos defendiendo en Human-IA: la herramienta no determina el resultado, decide quien la usa. Pero para que eso sea verdad en una universidad, hace falta enseñar algo que casi nunca enseñamos con seriedad.
Saber no basta
Uno de los hilos centrales del libro nace de una distinción que tomo de Bereiter y Scardamalia, dos investigadores que llevan décadas estudiando cómo se desarrolla la pericia en su libro Surpassing Ourselves: la diferencia entre expertise rutinario y expertise adaptativo. El primero ejecuta bien procedimientos conocidos. El segundo se mueve con criterio en situaciones que no tienen guión.
La universidad, durante mucho tiempo, formó sobre todo el primero. Y durante mucho tiempo eso fue suficiente, porque el mundo profesional estaba lo bastante estabilizado como para que los procedimientos conocidos cubrieran buena parte de lo que hacía falta. Es la misma transición de fondo que describí al hablar de cómo pasamos del Cray-1 al bolsillo: lo que antes exigía acceso privilegiado a un recurso escaso, hoy cabe en cualquier bolsillo, y eso cambia qué es lo que de verdad merece llamarse pericia.
El problema es que la IA es extraordinariamente buena precisamente en expertise rutinario. Reconoce patrones, aplica procedimientos, responde preguntas bien formuladas con una velocidad que ningún estudiante puede igualar. Así que si lo único que un examen mide es la capacidad de reproducir información correcta en un contexto controlado, ya hay algo que lo hace mejor. Mi examen de 2004 lo acababa de demostrar.
Cuento en el libro la historia de un antiguo estudiante mío —lo llamo Marcos— que era brillante en todos los sentidos técnicos del término y que duró cuatro meses en su primer trabajo, no por falta de conocimiento, sino porque nadie le dijo nunca cuál era la pregunta. Durante cinco años yo le había entregado el enunciado completo, los datos ordenados y hasta el esquema orientativo. El día que el mundo real le quitó el mapa, descubrió que nunca había aprendido a orientarse.
La pregunta como competencia central
Si algo defiendo en el libro con más insistencia es esto: formular bien un problema es más difícil, y más valioso, que responderlo. La IA puede responder con brillantez a una pregunta mal formulada sin advertir que está mal formulada. Puede optimizar la solución para el problema equivocado con una eficiencia impecable. Lo que no hace —lo que sigue siendo estrictamente humano— es decidir qué pregunta merece la pena hacerse, detectar el supuesto oculto en el enunciado, o reconocer cuándo la pregunta fácil es la equivocada.
Es la misma idea que hemos venido defendiendo desde Human-IA cuando hablamos de pensamiento crítico frente a prompts perfectos: la ventaja no está en saber pedirle algo bien a una máquina, está en saber qué merece la pena pedirle y qué hacer después con lo que devuelve. Y es también, en el fondo, el mismo argumento que desarrollé al escribir sobre el paso del álgebra al vibe coding: cuando la ejecución técnica se abarata, lo que queda escaso —y por tanto valioso— es saber qué merece la pena construir.
Lo que no se puede automatizar
El libro dedica varios capítulos a algo que me parece más importante que cualquier discusión sobre exámenes o planes de estudio: qué le queda al profesor, y qué le queda al estudiante, cuando la máquina hace bien la parte que antes ocupaba el centro de la clase.
La respuesta no es una lista de virtudes blandas para quedar bien en una conferencia. Es más concreta: orientar a alguien conociendo sus puntos ciegos, exigir cuando sabes que la persona puede dar más, sostener la incomodidad de no saber delante de otros y mostrar cómo se piensa cuando el terreno no es firme. Nada de eso lo hace una herramienta que nunca se ha equivocado con consecuencias reales.
Cal Newport lo llama Deep Work, esa capacidad de sostener la atención sobre algo difícil el tiempo que haga falta y no el que a uno le apetezca. Yo prefiero llamarlo, simplemente, pensar de verdad. Y es exactamente lo que se atrofia cuando delegamos sistemáticamente esa parte del trabajo, del mismo modo en que hablé de la autonomía real —no la delegada— en la única autorización que necesitas es la tuya.
Y hay algo que me costó admitir mientras lo escribía: durante buena parte de mi carrera, fui sobre todo un canal de información con corbata. Ese modelo funcionó mientras yo era uno de los pocos accesos disponibles a cierto conocimiento. Ese mundo ya no existe, y seguir enseñando como si existiera es, sencillamente, competir en el terreno equivocado contra un competidor que no se cansa ni pide prórroga.
Por qué lo escribí ahora
No es un libro de nostalgia por la universidad que conocí, ni un panfleto catastrofista sobre lo que la IA nos va a quitar. Es, sobre todo, una revisión honesta de treinta años de docencia hecha por alguien que ya no tiene que defender su plaza para poder decirla. Y es, en el fondo, la misma convicción que sostiene todo lo que hacemos en la fundación: la tecnología no viene a sustituir el criterio humano, viene a exigirnos que lo desarrollemos de verdad, en lugar de fingir que ya lo teníamos.
El conocimiento dejó de ser el destino. Ahora es solo el punto de partida.
Aprender en Tiempos de la IA ya está disponible en Amazon: amzn.eu/d/0eMiiH2X
