Profesores, no curadores: por qué la IA no reemplaza la función del formador en el aula

Profesores, no curadores: por qué la IA no reemplaza la función del formador en el aula

1. La promesa que seduce

El discurso circula en congresos de innovación educativa, en webinars patrocinados por plataformas, en documentos de política educativa: la inteligencia artificial personalizará el aprendizaje y el docente, liberado de las tareas repetitivas, se convertirá en “curador de experiencias de aprendizaje”. Suena bien. Suena, incluso, a ascenso profesional. El profesor deja de ser un transmisor para volverse un diseñador, un guía, un facilitador de itinerarios que el algoritmo ajusta en tiempo real.

Conviene detenerse en esa palabra: curador. Un curador selecciona piezas que otros han producido. No las crea, no las discute, no las pone en relación con la incertidumbre del que aprende. Las ordena. Las presenta. Y aquí aparece la primera pregunta incómoda: ¿quién decidió que ese era el horizonte profesional del docente? ¿En qué momento la profesión aceptó que su núcleo —formar criterio, sostener el desconcierto del que no sabe, modelar cómo se piensa cuando no hay respuesta clara— quedaba fuera del nuevo perfil?

La hipótesis que sostiene este artículo es directa: el discurso del docente-curador no es una evolución natural del oficio, sino una redefinición silenciosa que prepara el terreno para que el sistema automatizado decida qué merece la pena aprender. No se trata de rechazar la tecnología. Se trata de no confundir una herramienta poderosa con una sustitución del oficio.

2. La evidencia que la IA sí puede (y la tentación de delegar)

Sería deshonesto empezar por la crítica sin reconocer primero lo que la evidencia muestra. Los sistemas de tutoría inteligente funcionan. Y funcionan mejor de lo que muchos formadores quisieran admitir.

El horizonte lo fijó Bloom (1984) con su célebre problema de las dos sigmas: la tutoría uno-a-uno produce mejoras de aproximadamente dos desviaciones estándar frente a la enseñanza grupal convencional. Durante décadas, ese resultado fue una utopía logística —ningún sistema educativo puede permitirse un tutor por alumno—. La promesa de la IA es, precisamente, escalar lo inescalable.

Los datos respaldan parte de esa promesa. VanLehn (2011) encontró que los sistemas de tutoría inteligente alcanzan efectos de 0.76 d frente a la enseñanza sin tutoría, acercándose al rendimiento de tutores humanos. Ma y colaboradores (2014), en un meta-análisis de 39 estudios, reportan mejoras promedio de 0.66 desviaciones estándar. Kulik y Fletcher (2016) sitúan los efectos entre 0.66 y 0.80 d. Escueta y colaboradores (2020), en una revisión exhaustiva de tecnología educativa, confirman efectos positivos moderados a grandes en personalización algorítmica. Pane y colaboradores (2015), evaluando escuelas con aprendizaje personalizado en RAND, documentan mejoras consistentes en matemáticas y lectura.

Anderson y colaboradores (1995), en el trabajo fundacional sobre tutores cognitivos, ya mostraron que el ajuste fino del contenido a modelos cognitivos del alumno produce ganancias reales. Bulman y Fairlie (2016) van más lejos: el software adaptativo puede generar ganancias comparables a reducir el tamaño de clase, una intervención que cuesta órdenes de magnitud más.

La tentación de delegar, entonces, es racional. Si una plataforma puede ajustar la dificultad de los ejercicios mejor que tú, si puede detectar patrones de error que a ti se te escapan, si puede sostener la práctica deliberada de cada estudiante durante horas que ningún docente tiene… ¿por qué no delegar?

La respuesta requiere distinguir con cuidado qué se delega. Y ahí empieza el problema.

3. La paradoja de la personalización estandarizada

El relato dominante sostiene que la IA personaliza. La evidencia matiza ese relato hasta hacerlo, en algunos aspectos, irreconocible.

Dubovi y Tabak (2022) documentan un fenómeno revelador: los dashboards de learning analytics, esos paneles que prometen darle al docente una visión personalizada de cada alumno, terminan sugiriendo “acciones recomendadas” que estandarizan la práctica docente. El profesor recibe una alerta —“este alumno está rezagado en la unidad 4”— y una sugerencia —“asignar refuerzo X”—. La sugerencia no es neutral. Es el output de un modelo entrenado en patrones agregados que reduce la decisión pedagógica a una opción por defecto.

Holmes y colaboradores (2022) lo nombran con precisión: existe una paradoja en la personalización. Los modelos que prometen adaptarse al alumno tienden, en la práctica, a reforzar caminos normativos. El sistema “personaliza” eligiendo dentro de un repertorio cerrado de rutas que la propia plataforma considera válidas. Quien queda fuera de ese repertorio —el alumno cuyo error es interesante, el que pregunta lo que no estaba previsto, el que se aburre por razones que no caben en el modelo— no recibe personalización, recibe corrección hacia la norma.

Williamson (2017) describe el proceso de fondo: las plataformas y los datos están reconfigurando el rol docente hacia funciones cuantificables. Lo que no se mide, no existe en el panel. Lo que no existe en el panel, no informa la decisión. Y lo que no informa la decisión, deja progresivamente de practicarse.

Conviene reconocer la incertidumbre: la evidencia disponible no permite afirmar con seguridad que toda implementación de IA educativa produzca este efecto homogeneizador. Hay implementaciones que sí preservan la decisión docente. Pero el patrón está documentado lo suficiente como para tomarlo en serio. La personalización algorítmica, sin un docente que sostenga criterio propio frente a ella, tiende a producir lo contrario de lo que promete.

4. Incompetencia delegada — el verdadero riesgo

Aquí cabe acuñar un término que ayude a nombrar lo que está en juego. Llamaré incompetencia delegada al proceso por el cual un profesional transfiere progresivamente funciones nucleares de su oficio a un sistema automatizado, hasta perder la capacidad de ejercerlas. No por incapacidad propia, ni por dejadez. Por una lógica más sutil: el sistema se las “ahorra” hasta que ya no sabe hacerlas sin él.

La incompetencia delegada no es la simple delegación de tareas. Delegar tareas es sensato y siempre lo ha sido —corregir tests con plantilla, automatizar la entrega de materiales, gestionar inscripciones—. La incompetencia delegada aparece cuando lo que se transfiere no es una tarea periférica sino una función nuclear: decidir qué merece aprenderse, juzgar cuándo un alumno está atascado por falta de conocimiento o por falta de criterio, distinguir un error interesante de un error trivial.

El mecanismo es gradual. Primero, la plataforma sugiere el siguiente ejercicio y tú lo apruebas. Después, lo apruebas sin revisarlo. Después, dejas de tener un repertorio propio de ejercicios porque hace meses que no diseñas uno. Después, cuando un alumno pregunta por qué este ejercicio y no otro, la respuesta honesta sería “porque lo sugirió la plataforma”, pero esa respuesta es inaceptable, así que racionalizas. Finalmente, la pregunta deja de hacerse.

Zawacki-Richter y colaboradores (2019) anticipaban hace años el desplazamiento del docente hacia un rol de supervisor de sistemas inteligentes. La pregunta que ese marco no responde es quién supervisa al supervisor cuando el supervisor ha perdido el criterio para hacerlo. Un piloto que solo ha volado con piloto automático no es un piloto que pueda intervenir cuando el piloto automático falla. Es un pasajero con uniforme.

La diferencia entre delegar tareas y delegar criterio no es una distinción retórica. Es la diferencia entre conservar el oficio y perderlo sin darse cuenta.

5. Lo que no se puede curar

En Blade Runner 2049 (Villeneuve, 2017), el oficial K trabaja convencido de que su función es retirar replicantes obsoletos. Cumple órdenes, sigue protocolos, ejecuta lo que el sistema le indica. Su identidad profesional se sostiene sobre esa descripción de tareas. Cuando descubre que su trabajo real era otro —y cuando el sistema se lo arrebata— pierde algo más que un empleo: pierde la estructura sobre la que se reconocía. K había delegado su criterio en la institución que le asignaba las misiones. Cuando esa institución deja de necesitarlo, descubre que nunca desarrolló las preguntas que su trabajo requería —solo las respuestas que la institución esperaba. Esa es, exactamente, la incompetencia delegada en funcionamiento: la pérdida del oficio no por incapacidad, sino por cesión progresiva de las decisiones que lo definen.

El paralelo con el docente que acepta el rol de curador es incómodo precisamente porque no es metafórico. Si tu descripción de funciones es “seleccionar contenido y supervisar itinerarios algorítmicos”, entonces el día en que el algoritmo seleccione mejor y supervise solo, tu función habrá desaparecido. No porque te hayan despedido. Porque la habrás definido en términos que la hacen sustituible.

Hay, sin embargo, al menos tres funciones del formador que la IA no puede asumir, y que conviene nombrar con claridad.

Transmitir criterio. El criterio no es información. Es la capacidad de jerarquizar qué importa y por qué, en un campo donde las respuestas no están dadas. Un sistema entrenado en datos agregados puede mostrar qué hizo la mayoría; no puede enseñarte por qué la mayoría se equivocó. El criterio se transmite en la fricción de una conversación donde el formador toma partido, justifica, escucha la objeción y, a veces, cambia de opinión delante del alumno. Esa escena no es curable.

Sostener la incertidumbre del alumno. Aprender algo no trivial implica atravesar un periodo en el que no entiendes, en el que lo que sabías ya no sirve y lo nuevo todavía no se ha asentado. Ese estado es psicológicamente costoso. El sistema automatizado no lo sostiene: lo resuelve, lo evita, lo acorta. Te da la pista, te ofrece el ejemplo, te baja la dificultad. Pero la incertidumbre tolerada —no eliminada— es donde se forma el aprendizaje profundo. Solo otro ser humano que ha pasado por ahí puede acompañarte sin precipitarse a rescatarte.

Modelar pensamiento crítico. El pensamiento crítico no se aprende leyendo una lista de sesgos. Se aprende viendo a alguien pensar en voz alta, dudar, examinar una afirmación que parecía obvia, reconocer cuando no sabe. La plataforma no duda. La plataforma da resultados. Y un alumno que solo ha visto resultados, no procesos, sale del aula sabiendo respuestas pero no sabiendo pensar.

No se trata de afirmar que la tecnología sea incapaz de contribuir a estas funciones. Se trata de reconocer que no puede asumirlas. La diferencia es decisiva.

6. Reclamar la función

No se trata de rechazar la inteligencia artificial en educación. La evidencia sobre los sistemas de tutoría inteligente es sólida y conviene tomarla en serio. Hay tareas que la plataforma hará mejor que tú, y resistirse a esa realidad por nostalgia profesional es otra forma de incompetencia.

Se trata de rechazar la redefinición del rol. El formador no es un curador de experiencias de aprendizaje. Es un formador. Su función es transmitir criterio, sostener incertidumbre y modelar pensamiento crítico, y esa función no se delega sin perderla. La tecnología debe servir a esa función, no redefinirla en términos que la hagan, silenciosamente, prescindible.

Vale la pena, entonces, hacer una distinción de trabajo cotidiana. Cuando una plataforma te ofrezca asumir una tarea, pregúntate si lo que delegas es periférico o nuclear. Si es periférico, delega sin culpa: tu tiempo vale más invertido en lo que solo tú puedes hacer. Si es nuclear —si lo que el sistema te propone “ahorrarte” es la decisión sobre qué merece aprenderse, la lectura del estado del alumno, el diseño del itinerario que conoces porque conoces a las personas que tienes delante— entonces no delegues. Aunque la plataforma lo haga razonablemente bien. Aunque te ahorre tiempo. Porque cada vez que esa función no se ejerce, se atrofia un poco. Y el día en que la necesites con urgencia, no estará.

El oficio docente no se defiende con manifiestos. Se defiende ejerciéndolo. Y ejercerlo, en este momento, implica nombrar con honestidad qué es nuclear y qué no, y conservar lo nuclear aunque haya un panel que sugiera lo contrario.

Profesores, no curadores. La distinción no es semántica. Es la diferencia entre tener un oficio dentro de veinte años o haberlo entregado sin darse cuenta.

Referencias

Anderson, J. R., Corbett, A. T., Koedinger, K. R., & Pelletier, R. (1995). Cognitive tutors: Lessons learned. Journal of the Learning Sciences, 4(2), 167–207. https://doi.org/10.1207/s15327809jls0402_2

Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.3102/0013189X013006004

Bulman, G., & Fairlie, R. W. (2016). Technology and education: Computers, software, and the internet. Handbook of the Economics of Education, 5, 239–280. https://doi.org/10.1016/B978-0-444-63459-7.00005-1

Dubovi, I., & Tabak, I. (2022). Personalized learning analytics and the standardization of teaching practices. Computers & Education, 184, 104495. https://doi.org/10.1016/j.compedu.2022.104495

Escueta, M., Quan, V., Nickow, A., & Oreopoulos, P. (2020). Education technology: An evidence-based review. Journal of Economic Literature, 58(4), 897–996. https://doi.org/10.1257/jel.20191507

Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., & Baker, R. S. (2022). Ethics of AI in education: Towards a community-wide framework. International Journal of Artificial Intelligence in Education, 32, 504–526. https://doi.org/10.1007/s40593-021-00239-1

Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, 86(1), 42–78. https://doi.org/10.3102/0034654315581420

Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–918. https://doi.org/10.1037/a0037123

Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning. RAND Corporation. https://doi.org/10.7249/RR1365

VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. https://doi.org/10.1080/00461520.2011.611369

Villeneuve, D. (Director). (2017). Blade Runner 2049 [Película]. Warner Bros. Pictures.

Williamson, B. (2017). Big data in education: The digital future of learning, policy and practice. SAGE. https://doi.org/10.4135/9781529714920

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-0171-0