Casi la mitad de los estudiantes de grado encuestados usa modelos de inteligencia artificial todos los días y otro 30% varias veces por semana. Los usan para entender temas, programar, resumir y hacer trabajos. Pero hay un dato mucho más interesante que la adopción: el 90% está preocupado por depender demasiado de ellos. Tal vez sea hora de dejar de preguntarnos solamente cuánto puede ayudar una IA a un estudiante y empezar a preguntarnos qué queremos que ese estudiante siga siendo capaz de hacer sin ella.
Hay algo bastante llamativo en el nuevo informe del MIT sobre inteligencia artificial, enseñanza y aprendizaje, y no es que sus estudiantes usen mucha IA, porque eso, a esta altura, probablemente sorprenda poco en una de las instituciones tecnológicas más importantes del mundo.
En una encuesta realizada por The Tech, el diario estudiantil del MIT, y recuperada por el comité que elaboró el informe, el 46% de los estudiantes de grado dijo utilizar modelos de lenguaje todos los días y otro 30% varias veces por semana. Más del 80% los usa para obtener explicaciones sobre contenidos de sus cursos, alrededor del 70% para recibir ayuda con programación y más de la mitad para realizar trabajos académicos o resumir papers.
Hasta ahí, podríamos leerlo como una historia más sobre adopción, pero el tema es que después aparece otro dato. El 90% de esos estudiantes dijo estar preocupado por depender demasiado de los modelos de lenguaje y el 67% dijo estar muy preocupado. Esto nos dice que los propios estudiantes están percibiendo que existe una línea, quizás cada vez más difícil de distinguir, entre recibir ayuda y empezar a necesitarla; y nos parece que esa percepción merece bastante más atención que cualquier cifra de adopción.
Durante los últimos años nos acostumbramos a evaluar las tecnologías digitales con una lógica bastante simple: más usuarios, más consultas, más frecuencia, más engagement. Si alguien vuelve todos los días, el producto funciona, pero en educación, esa lógica puede ser exactamente la equivocada. Una buena herramienta educativa no debería aspirar a que el estudiante la necesite cada vez más, sino todo lo contrario.
Los estudiantes no son ingenuos frente a la IA
Hay algo del informe del MIT que vale la pena destacar porque evita
una mirada bastante adultocéntrica sobre este problema.
Los estudiantes no aparecen como usuarios fascinados que no entienden lo
que les está pasando.
La usan porque les sirve.
Les explica.
Los destraba.
Les ahorra tiempo.
Les permite avanzar cuando tienen una entrega encima, entender un
concepto que no terminaron de captar en clase o encontrar rápidamente
una pista cuando están trabados.
De hecho, en esa misma encuesta, el 35% de los estudiantes de grado dijo
que los LLM les ahorraban mucho tiempo y más del 45%, que les ahorraban
algo de tiempo. Al mismo tiempo, el 70% consideraba que saber usar IA
iba a ser importante para su carrera profesional.
No estamos, entonces, frente a estudiantes que quieren que la IA
desaparezca.
Estamos frente a algo bastante más interesante: jóvenes que entienden su
utilidad y, al mismo tiempo, están empezando a preguntarse por el costo
de apoyarse demasiado en ella.
El propio relevamiento del MIT realizado en 2026 muestra una tensión
parecida: los participantes reconocen que necesitan habilidades de IA y
que estas herramientas aumentan su productividad, pero también
manifiestan la sensación de estar volviéndose más dependientes.
La pregunta, entonces, no debería ser si la IA ayuda.
Claro que ayuda.
La pregunta que importa es cómo ayuda y qué capacidad queda en
el estudiante después de recibir esa ayuda.
¿En qué momento la ayuda empieza a convertirse en dependencia?
Supongamos que un estudiante está resolviendo un ejercicio y no sabe cómo seguir. Puede quedarse unos minutos con el problema, volver a leerlo, revisar sus apuntes, probar una estrategia, equivocarse, empezar de nuevo, preguntarle a un compañero o esperar a consultar al docente. Desde hace ya un tiempo, también, puede elegir abrir una IA.
No hay nada malo, necesariamente, en hacer eso. Una buena explicación en el momento adecuado puede destrabar un aprendizaje que de otra manera no ocurriría. El tema es que la IA no nos suele explicar, nos suele resolver y eso hace que pasemos de tenerla como una opción, uno de los recursos posibles cuando no se cómo seguir, y pase a ser la herramienta que consulto al instante frente a cualquier dificultad. No entiendo, pregunto; no recuerdo, pregunto; no sé cómo empezar, pregunto; no sé si mi razonamiento está bien, pregunto; y la peor de todas para nosotros, no sé qué pienso sobre esto, también pregunto.
Si cada vez que nuestro pensamiento encuentra resistencia buscamos inmediatamente que una máquina la elimine, ¿qué capacidad estamos entrenando? Justamente esas situaciones que queremos resolver rápido, no entender, dudar, probar, equivocarnos, sostener una pregunta durante un rato, son parte del mecanismo a través del cual aprendemos.
La misma ayuda que resuelve el problema inmediato puede, si aparece demasiado pronto y demasiado seguido, eliminar la oportunidad de desarrollar la capacidad necesaria para resolver el próximo.
El MIT le pone un nombre: “cognitive surrender”
El informe utiliza un concepto fuerte para describir una de las preocupaciones asociadas a la sobredependencia: cognitive surrender, que podríamos traducir como rendición cognitiva. Es una manera de nombrar un comportamiento: recurrir a la inteligencia artificial frente al primer signo de dificultad y entregar el trabajo mental antes de haber intentado atravesarlo.
El comité advierte que empiezan a aparecer señales preocupantes alrededor de la sobredependencia de chatbots, entre ellas posibles efectos sobre el pensamiento crítico, la memoria, la confianza y el dominio de aquello que se está aprendiendo.
Al mismo tiempo, es cuidadoso con la evidencia porque estamos frente a una tecnología extremadamente reciente y todavía necesitamos mucha más investigación para comprender la dimensión y las condiciones de esos efectos.
Ahora, no necesitamos exagerar la evidencia para hacernos una pregunta que ya es suficientemente seria, porque hay algo que no necesitamos que nos diga el MIT y que sí podemos observar hoy: obtener una respuesta correcta puede producir una sensación de aprendizaje sin que necesariamente haya ocurrido el proceso que construye ese aprendizaje. Y esto conecta con algo que venimos discutiendo mucho en Auroria, y es que una IA puede ser extraordinariamente buena resolviendo una dificultad y, justamente por eso, ser pedagógicamente mala si resuelve aquello que el estudiante todavía necesita aprender a hacer.
En educación, no toda fricción es un problema
Hay una idea del informe que nos parece especialmente valiosa: el aprendizaje necesita lo que el MIT llama productive struggle, una dificultad productiva.
En tecnología estamos acostumbrados a escuchar que hay que eliminar fricción, no? Menos pasos, menos espera, menos esfuerzo y más velocidad; y eso tiene muchísimo sentido cuando queremos pagar una factura, reservar un hotel o encontrar una dirección.
Pero aprender funciona distinto, de hecho, en la mayoría de los casos, la fricción es el mecanismo.
- Intentar recordar algo antes de buscarlo es esfuerzo.
- Encontrar las palabras para explicar una idea que todavía tenemos confusa es esfuerzo.
- Sostener un problema sin conocer inmediatamente la respuesta es esfuerzo.
- Formular una hipótesis, descubrir que estaba equivocada y volver a empezar también lo es.
Eso no significa romantizar la frustración ni creer que cuanto más difícil sea aprender, mejor. Hay dificultad inútil, mal diseñada y completamente evitable; nuestro punto es que hay una dificultad que cumple una función pedagógica, y si construimos tecnologías obsesionadas con eliminarla toda, podemos terminar eliminando también parte del proceso que queremos fortalecer.
El propio comité del MIT lo plantea con bastante crudeza cuando analiza el uso de IA para automatizar trabajos académicos: si los estudiantes ceden a la tentación de resolverlos de la manera más eficiente posible, pueden privarse de la fricción cognitiva y el esfuerzo productivo necesarios para construir comprensión duradera y dominio.
Una IA para aprender debería saber cuándo no ayudar
tanto
Supongamos que un alumno pregunta: “¿Cómo resuelvo este problema?” Una
IA orientada principalmente a resolver puede explicar el procedimiento,
mostrar los pasos y entregar la solución.
Una IA diseñada desde el aprendizaje hace algo diferente: empieza preguntando qué entendió hasta ahora, qué estrategia intentó, en qué punto se trabó. Ofrece una pista pequeña antes de mostrar un procedimiento completo, o pide al alumno que explique por qué cree que una respuesta es correcta, o mismo devuelve una pregunta cuando detecta que todavía puede avanzar solo.
La diferencia puede parecerles pequeña, pero pedagógicamente es enorme, porque ayudar no es lo mismo que sustituir. Una buena IA educativa necesita tomar decisiones sobre el nivel de ayuda que ofrece, y esas decisiones deberían responder al aprendizaje, no solamente al deseo del usuario de obtener una respuesta rápidamente. A veces ayudar significa explicar, otras dar una pista, hacer una pregunta, o incluso, correrse.
Este principio está en la base de decisiones de diseño que tomamos en Auroria, como la interacción socrática y la autonomía progresiva. No porque hacer preguntas sea mágicamente mejor que dar respuestas, sino porque el objetivo no es que el estudiante dependa de Auroria para pensar, sino que pueda pensar cada vez mejor por sí mismo.
¿Y si midiéramos el éxito de una IA educativa al revés?
Esta es probablemente la pregunta que más nos interesa de todo el informe. Como mencionamos antes, la industria tecnológica aprendió a medir éxito a través del uso: usuarios activos: frecuencia, tiempo dentro de la plataforma, cantidad de interacciones, retención, etc. Lo sabemos porque venimos de este mundo. Pero si aplicamos esas mismas métricas sin cuestionarlas a la educación, podemos construir incentivos bastante perversos.
A la tecnología educativa la tenemos que medir con otra vara, por ejemplo:
- Ver si con el tiempo el estudiante necesita menos ayuda para resolver problemas similares
- Si formula mejores preguntas
- Si puede detectar por sí mismo un error que antes necesitaba que la herramienta señalara.
- Si es capaz de explicar aquello que aprendió sin tener una conversación abierta al lado.
Incluso podríamos hacernos una pregunta que pocas plataformas tecnológicas quieren hacerse: ¿sabe cuándo no necesita usarme? Porque la autonomía también debería ser un resultado del aprendizaje. Un buen docente no aspira a que un alumno dependa de él toda la vida para resolver cada problema, lo acompaña precisamente para que pueda hacer cada vez más cosas sin su ayuda. ¿Por qué deberíamos esperar menos de una tecnología diseñada para educar?
“Pro-learner AI”: tecnología a favor del que aprende
El concepto ¨Pro-learner¨parte de una discusión que tres economistas del MIT, Daron Acemoglu, David Autor y Simon Johnson, vienen planteando sobre IA y trabajo: en lugar de construir tecnología destinada simplemente a reemplazar tareas humanas, podemos diseñarla para ampliar lo que las personas son capaces de hacer.
Su principio es augmentation, not automation, o sea, ampliar, no automatizar. La IA debería permitir que los estudiantes piensen, aprendan y resuelvan cosas que antes estaban fuera de su alcance, además, también debería aumentar curiosidad, creatividad y aprendizaje, no automatizarlos.
Como decimos siempre, una IA no es educativa porque un estudiante la use para estudiar, tampoco porque pueda explicar un contenido. Una IA verdaderamente pedagógica debería poder demostrar qué capacidad humana está fortaleciendo mientras interviene.
- Si cada vez escribe más por el estudiante, ¿él escribe mejor?
- Si cada vez resuelve más problemas, ¿él aprende a resolverlos mejor?
- Si cada vez sintetiza más información, ¿él desarrolla mayor capacidad para comprender y jerarquizar?
- Si cada vez responde más preguntas, ¿el alumno está aprendiendo a hacerse mejores preguntas?
El verdadero riesgo no es usar mucho la IA
Sería muy fácil leer el dato del MIT y concluir que tenemos que lograr que los estudiantes usen menos inteligencia artificial, aunque no creemos que esa sea la conclusión.
El uso no es necesariamente dependencia, porque un estudiante puede usar IA todos los días de una manera extraordinariamente rica, reflexiva y productiva; mientras otro puede utilizarla mucho menos y, sin embargo, delegarle sistemáticamente aquello que debería intentar por sí mismo.
La frecuencia importa, pero no nos dice todo, lo que necesitamos observar es la relación que estamos construyendo entre el estudiante y la herramienta, y preguntarnos si la tecnología que les damos ¨para estudiar¨ es la adecuada. Nos podemos preguntar si amplía su capacidad o la reemplaza; si lo hace más curioso o simplemente más rápido; si lo ayuda a construir confianza o le enseña, lentamente, que frente a cualquier dificultad necesita consultar algo externo…
Ni nosotros ni el MIT tenemos todas las respuestas. De hecho, siempre decimos que nadie las tiene todavía y que las instituciones van a necesitar experimentar, medir, corregir y volver a pensar sus decisiones; pero nos parece significativo que una institución tan asociada a la tecnología esté poniendo sobre la mesa una idea que a veces se pierde en medio de tanto entusiasmo por la adopción: el objetivo de la educación no es que los estudiantes se vuelvan mejores usuarios de herramientas, es que se vuelvan personas cada vez más capaces.
Quizás estamos midiendo al revés
Si volvemos al dato del inicio, vemos que el 90% de los estudiantes de grado está preocupado por depender demasiado de los modelos de lenguaje. Y, al mismo tiempo, los usan masivamente, reconocen que les ahorra tiempo y consideran que saber trabajar con IA será importante para su futuro.
Parece una contradicción, pero quizás es una señal de madurez, porque los estudiantes parecen entender algo que quienes diseñamos, elegimos e incorporamos tecnología en educación también deberíamos entender: querer utilizar una herramienta no significa querer perder la capacidad de hacer las cosas sin ella.
Por eso la discusión que viene no puede ser solamente cómo logramos que los chicos aprendan a usar inteligencia artificial, sino también tenemos que enseñarles a no necesitarla para todo. Y, sobre todo, tenemos que dejar de poner toda esa responsabilidad sobre ellos.
Si queremos preservar la autonomía intelectual, las herramientas educativas tienen que estar diseñadas para favorecerla. Antes de preguntarnos cuánto puede ayudar una IA a un estudiante, tendríamos que preguntarnos algo bastante más difícil: ¿qué queremos que ese estudiante siga siendo capaz de hacer cuando la IA no está?
Porque, en educación, la tecnología más exitosa no debería ser la que consigue que volvamos todos los días, sino la que consigue que cada día podamos hacer un poco más por nosotros mismos.
Sobre Auroria
Auroria es una inteligencia artificial pedagógica desarrollada en
Argentina para acompañar a toda la comunidad educativa.
Está diseñada desde la lógica de la escuela y parte de una premisa
central: la inteligencia artificial debería ampliar las capacidades de
estudiantes y docentes, no reemplazarlas. En el caso de los alumnos,
esto implica experiencias adaptadas a su edad y nivel de autonomía, una
lógica de acompañamiento socrático y una intervención que busca sostener
el aprendizaje para que el estudiante pueda hacer cada vez más por sí
mismo.
Porque una cosa es incorporar inteligencia artificial a la educación, y
otra es diseñarla desde el aprendizaje.
Fuentes y referencias
MIT. Report of MIT’s Ad Hoc Committee on AI Use in Teaching,
Learning, and Research Training. 13 de agosto de 2026.
MIT Ad Hoc Committee. Principios “Augmentation not automation”,
“productive struggle” y “pro-learner AI”.
The Tech. Encuesta de uso y actitudes frente a LLMs realizada
en 2025 y resumida en el informe del MIT: 1.002 participantes, incluidos
659 estudiantes de grado.
Preguntas frecuentes
¿La inteligencia artificial genera dependencia en los estudiantes?
Todavía no existe evidencia suficiente para afirmar de manera general que usar inteligencia artificial genere dependencia. El informe del MIT sí identifica la sobredependencia como una preocupación relevante y señala señales tempranas asociadas a delegar demasiado trabajo cognitivo. Además, el 90% de los estudiantes de grado que participaron de una encuesta de The Tech manifestó algún grado de preocupación por depender demasiado de los LLM.
¿Qué significa “cognitive surrender”?
Cognitive surrender, o rendición cognitiva, describe el comportamiento de recurrir a la inteligencia artificial frente al primer signo de dificultad y delegar el trabajo mental antes de intentar resolverlo. El MIT utiliza el concepto dentro de su discusión sobre sobredependencia y aprendizaje.
¿Usar IA frecuentemente significa ser dependiente?
No. Uso y dependencia no son equivalentes. Lo relevante es qué tareas se delegan, cuándo aparece la IA dentro del proceso y si el estudiante conserva y desarrolla la capacidad de realizar por sí mismo aquello que está aprendiendo.
¿Qué es una IA “pro-learner”?
Es el concepto que utiliza el comité del MIT para proponer una inteligencia artificial orientada a ampliar las capacidades del estudiante en lugar de automatizar su aprendizaje. La IA debería aumentar curiosidad, creatividad y capacidad para resolver problemas, no sustituirlas.
¿Cómo puede una IA ayudar sin reemplazar el aprendizaje?
Puede ofrecer ayuda progresiva, hacer preguntas, dar pistas, pedir explicaciones, detectar dónde aparece una dificultad y ajustar su intervención. El objetivo es que la tecnología permita al estudiante avanzar sin apropiarse del trabajo cognitivo que necesita realizar para aprender.
