Las habilidades que reciben mejores notas son precisamente las que la IA puede falsificar mejor
Un experimento académico realizado con más de mil estudiantes universitarios ha puesto de manifiesto una de las paradojas más perturbadoras del sistema educativo contemporáneo: las competencias que los evaluadores premian con las calificaciones más altas son, exactamente, aquellas que los modelos de inteligencia artificial pueden simular con mayor facilidad y precisión. Esta revelación no es solo una anécdota tecnológica; es una señal de alerta sobre los cimientos mismos de cómo medimos el aprendizaje humano en la era digital.
El experimento de la Universidad Bocconi: metodología y hallazgos principales
El estudio fue llevado a cabo en la Universidad Bocconi de Milán, una de las instituciones de educación superior más prestigiosas de Europa en el ámbito de la economía y los negocios. En él participaron 1.053 estudiantes que debían completar una asignación práctica relacionada con el marketing. El diseño experimental permitió comparar el rendimiento de quienes utilizaron GPT-4o, el modelo de lenguaje desarrollado por OpenAI, frente a quienes trabajaron sin ningún tipo de asistencia de inteligencia artificial.
Los resultados fueron contundentes y, al mismo tiempo, inquietantes. Los estudiantes que emplearon GPT-4o obtuvieron calificaciones casi un punto por encima de sus pares en una escala de cinco puntos, lo que equivale a una mejora relativa de aproximadamente el 20%. En términos académicos concretos, esta diferencia puede representar la frontera entre una calificación media y una sobresaliente, o entre aprobar con solvencia y obtener un reconocimiento de excelencia académica.
Sin embargo, el aspecto más crítico del experimento fue una limitación deliberadamente señalada por los propios investigadores: no se evaluó si los estudiantes que utilizaron la herramienta de IA habían adquirido realmente los conceptos y competencias subyacentes. La mejora en la nota no fue necesariamente un reflejo de mayor aprendizaje ni de mayor dominio del contenido, sino de mayor capacidad para producir texto que satisface los criterios formales de evaluación académica.
El perfil de la tarea evaluada: por qué el marketing es el escenario perfecto
La naturaleza de la asignación —redacción y análisis de marketing— resulta especialmente reveladora para entender el alcance del problema. Las tareas de marketing universitario suelen incluir componentes como la redacción persuasiva, la identificación de segmentos de mercado, la formulación de propuestas de valor y la estructuración coherente de argumentos analíticos. Todas estas son capacidades en las que los grandes modelos de lenguaje han demostrado un rendimiento notablemente alto, dado que fueron entrenados sobre vastos corpus de textos comerciales, publicitarios y analíticos.
En otras palabras, GPT-4o no solo puede completar una tarea de marketing universitario: puede hacerlo con el vocabulario técnico preciso, la estructura formal esperada y el tono académico apropiado. El resultado es un texto que pasa todos los filtros superficiales de evaluación sin que exista, detrás de él, ninguna comprensión humana real del contenido.
La brecha entre calificación y aprendizaje: una crisis que se vuelve urgente
El hallazgo de Bocconi resuena con debates que llevan décadas circulando en los ámbitos pedagógicos, pero que la irrupción de la inteligencia artificial generativa ha vuelto absolutamente urgentes. Los sistemas de calificación tradicionales fueron diseñados en un contexto en el que la producción textual de calidad era, en sí misma, un indicador razonable de comprensión profunda. Un estudiante capaz de redactar un análisis coherente y bien argumentado sobre estrategias de posicionamiento de marca probablemente había internalizado los conceptos correspondientes.
Ese supuesto ya no es válido. Herramientas como GPT-4o, Claude de Anthropic, Gemini de Google o Llama de Meta pueden generar textos académicamente impecables sobre prácticamente cualquier tema del currículo universitario en cuestión de segundos. El texto resultante puede incluir referencias apropiadas al marco teórico, vocabulario técnico preciso, estructura lógica coherente y conclusiones plausibles, todo ello sin que ningún ser humano haya procesado conceptualmente el contenido.
Esta situación expone una paradoja estructural profunda: el sistema de evaluación premia exactamente aquello que la IA produce mejor, no necesariamente aquello que desarrolla y certifica el pensamiento humano. Las habilidades más valoradas en los rubros de calificación clásicos —claridad de expresión, coherencia argumental, uso del vocabulario técnico, estructura formal— son precisamente las que los modelos de lenguaje dominan de manera extraordinaria.
Por el contrario, las competencias que la IA no puede replicar fácilmente —el juicio contextual basado en experiencia vivida, la integración de conocimiento tácito, la adaptación creativa ante problemas genuinamente novedosos, la ética situacional— tienen una presencia mucho menor, o prácticamente nula, en los criterios de evaluación estándar de la mayoría de las universidades del mundo.
Evidencia acumulada: los daños a largo plazo del rendimiento asistido por IA
El trabajo de Bocconi no es el primero en explorar esta problemática, pero sí uno de los más robustos en términos de diseño experimental y tamaño muestral. Investigaciones anteriores han comenzado a documentar lo que los especialistas denominan “dependencia cognitiva” o “descarga cognitiva excesiva” cuando los estudiantes utilizan IA generativa como sustituto del pensamiento propio en lugar de como herramienta de apoyo reflexivo.
Un estudio realizado por investigadores del MIT Sloan School of Management encontró que los estudiantes que utilizaron herramientas de IA generativa para completar tareas de escritura mostraron una reducción significativa en la retención del material cuando fueron evaluados semanas después, en comparación con quienes realizaron las mismas tareas sin asistencia. Más preocupante aún, los estudiantes del grupo que usó IA mostraron menor capacidad para transferir el conocimiento a problemas nuevos dentro del mismo dominio temático.
Investigaciones en el campo de la psicología cognitiva respaldan estos hallazgos desde una perspectiva teórica sólida. El concepto de “esfuerzo deseable” (desirable difficulty), desarrollado por Robert Bjork de UCLA, establece que el aprendizaje profundo y duradero requiere un nivel de esfuerzo y fricción cognitiva que los atajos tecnológicos tienden a eliminar por completo. Cuando un estudiante lucha para formular un argumento, comete errores, los detecta, los corrige y los reorganiza, está consolidando conexiones neuronales y esquemas mentales que la generación instantánea de texto por parte de una IA simplemente no activa ni promueve.
El problema crítico de la transferencia del conocimiento
Otro conjunto de investigaciones ha examinado específicamente el problema de la transferencia del conocimiento: la capacidad de aplicar lo aprendido en un contexto a situaciones nuevas y diferentes. Este es, en muchos sentidos, el objetivo último y más valioso de la educación superior. Un estudiante de marketing no aprende análisis del consumidor para reproducirlo en un examen, sino para aplicarlo en decisiones reales de negocio, estrategias comerciales y resolución de problemas complejos a lo largo de su vida profesional.
Los datos disponibles sugieren que el uso de IA sin reflexión crítica activa compromete severamente esta transferencia. Los modelos de lenguaje no solo producen el texto final: también organizan el problema, seleccionan los marcos analíticos relevantes, estructuran la solución y determinan qué información es pertinente y cuál no. Al delegar estas fases esenciales del proceso cognitivo a la máquina, el estudiante no desarrolla los esquemas mentales necesarios para enfrentar problemas similares de manera autónoma cuando la IA no esté disponible o cuando el problema requiera juicio genuinamente humano.
Respuestas institucionales y el debate pedagógico sin resolver
Las instituciones académicas de todo el mundo se encuentran ante un dilema sin precedentes históricos claros. Prohibir el uso de herramientas de IA resulta prácticamente imposible de hacer cumplir, especialmente en modalidades de evaluación domiciliaria o a distancia. Detectar el uso de IA con fiabilidad suficiente tampoco es viable con las herramientas actuales, que generan tanto falsos positivos como falsos negativos a tasas preocupantes.
Algunas universidades han optado por rediseñar radicalmente sus sistemas de evaluación, apostando por exámenes orales, presentaciones en tiempo real, análisis de casos con información proporcionada en el momento o tareas que exigen la integración de experiencia personal verificable. Otras instituciones han adoptado un enfoque de “IA con supervisión”, en el que se acepta el uso de herramientas generativas pero se exige al estudiante que documente su proceso de pensamiento, justifique sus elecciones y demuestre comprensión profunda en una instancia de validación posterior.
El debate pedagógico subyacente es, sin embargo, más profundo que cualquier política de detección o adaptación puntual. La pregunta fundamental que este experimento pone sobre la mesa es: ¿qué estamos midiendo realmente cuando calificamos a un estudiante universitario? Si la respuesta es “la capacidad de producir texto académicamente correcto”, entonces la IA ya ha superado a la mayoría de los estudiantes humanos. Si la respuesta es “el desarrollo de un pensamiento crítico, contextual y transferible”, entonces necesitamos con urgencia rediseñar los instrumentos con los que medimos ese desarrollo.
Implicaciones para el futuro de la educación y el mundo laboral
El impacto de esta paradoja no se limita al ámbito académico. Los empleadores que contratan a graduados universitarios esperan que sus titulaciones certifiquen no solo la capacidad de producir documentos formalmente correctos, sino la competencia real para resolver problemas, tomar decisiones bajo incertidumbre y generar valor en situaciones complejas. Si las calificaciones universitarias han sido infladas sistemáticamente por el uso no supervisado de IA, la señal que transmiten al mercado laboral pierde su valor informativo de manera progresiva.
Existe además una dimensión de equidad que merece atención: el uso de IA generativa no está igualmente distribuido entre todos los estudiantes. Las diferencias en acceso, alfabetización digital y disposición a usar estas herramientas pueden estar creando nuevas formas de desigualdad académica que los sistemas de evaluación tradicionales no están equipados para detectar ni para compensar.
El experimento de Bocconi, en definitiva, no es una historia sobre tecnología. Es una historia sobre qué valoramos en la educación, cómo lo medimos y qué estamos dispuestos a hacer cuando descubrimos que lo que medimos y lo que valoramos han dejado de coincidir. Esa es, quizás, la lección más importante que ninguna inteligencia artificial puede aprender ni enseñar por nosotros.
