IA, sujetos, saberes y gobierno de la cognición

Objetivo didáctico

Introducción

La discusión educativa sobre inteligencia artificial suele organizarse mediante una oposición insuficiente: permitir o prohibir. Esta dicotomía resulta atractiva porque convierte un problema pedagógico complejo en una regla administrativa sencilla. Sin embargo, dice muy poco sobre aquello que realmente interesa formar.

Consideremos dos estudiantes. El primero no utiliza inteligencia artificial, pero reproduce sin examen crítico las interpretaciones de sus fuentes. El segundo utiliza un sistema generativo para producir objeciones, contrasta cada una con literatura científica, rechaza respuestas débiles y modifica su propio argumento. La simple presencia o ausencia de IA no permite establecer cuál de los dos ejerció mayor juicio intelectual.

El desplazamiento necesario consiste en pasar del control de la herramienta al gobierno de las operaciones cognitivas. Una tarea académica compleja puede descomponerse en localizar información, seleccionar fuentes, formular criterios, interpretar, sintetizar, generar alternativas, evaluar evidencia, decidir, argumentar y comunicar. Un sistema generativo puede intervenir en varias de estas operaciones, pero su intervención no tiene el mismo significado pedagógico en todas.

Si el objetivo de aprendizaje consiste en que una persona aprenda a sintetizar literatura, delegar completamente la síntesis elimina justamente la práctica que debe desarrollar. Si el objetivo consiste en tomar una decisión profesional compleja, en cambio, pedir a una IA que genere alternativas podría enriquecer la tarea siempre que el estudiante deba establecer criterios, verificar información, justificar el juicio y asumir la responsabilidad final.

Esta lógica converge con la distinción central del Sinteligentismo: la inteligencia educativa puede funcionar de manera distribuida, mientras juicio moral, deliberación sobre fines y responsabilidad permanecen como atribuciones humanas (Muñoz Mujica, 2026). La pregunta pedagógica ya no es entonces «¿se usó IA?», sino «¿qué se distribuyó y qué debía aprender la persona precisamente al ejercer esa operación?».

Desarrollo del tema

Del uso de IA a la arquitectura cognitiva

El Sinteligentismo propone que el cambio educativo relevante no reside en la mera presencia de tecnología, sino en la participación activa de sistemas no humanos en operaciones que históricamente se atribuían a sujetos humanos: explicar, argumentar, ofrecer contraargumentos, interpretar y retroalimentar (Muñoz Mujica, 2026). Bajo esta perspectiva, una actividad educativa puede analizarse como una arquitectura cognitiva: una distribución organizada de funciones entre personas, sistemas, fuentes, reglas y evidencias.

Este giro evita atribuir a la máquina propiedades que el marco no reclama. Que un sistema genere una explicación plausible no implica que posea experiencia, conciencia, intención pedagógica o responsabilidad moral. El análisis es funcional: interesa qué operación realiza dentro del proceso y qué efecto produce sobre la actividad humana.

Las cinco dimensiones propuestas por Muñoz Mujica —sujetos, saberes, procesos, instituciones y finalidades— resultan especialmente útiles porque una decisión sobre IA modifica varias de ellas simultáneamente. Si un sistema puede formular borradores argumentativos, cambia qué hace el estudiante; cambia qué significa demostrar saber; cambia cómo se diseña la tarea; obliga a la institución a definir reglas; y reabre la pregunta sobre para qué se enseña a escribir.

Aplicación doctoral. Descompón una actividad de tu práctica en cinco operaciones. Junto a cada una escribe la capacidad que esa operación pretende desarrollar. Si no puedes establecer qué capacidad se perdería al delegarla, quizá esa operación no sea esencial para el aprendizaje y pueda automatizarse legítimamente.

Automatizar, ampliar, coproducir o reservar: una política de delegación cognitiva

Diseñar educación con IA requiere una categoría más precisa que «uso permitido». Para cada operación conviene decidir entre al menos cuatro configuraciones: automatizar, cuando la operación no constituye el aprendizaje buscado; ampliar, cuando la persona realiza la operación pero recibe asistencia; coproducir, cuando persona y sistema intervienen iterativamente; y reservar, cuando el estudiante debe realizarla sin sustitución porque constituye una capacidad que la actividad pretende desarrollar o comprobar.

Estas categorías no son propiedades permanentes de las tareas. Una misma operación puede ocupar lugares diferentes según el propósito. Generar una síntesis podría automatizarse en una reunión administrativa, coproducirse durante una investigación exploratoria y reservarse en una actividad cuya finalidad sea formar capacidad de síntesis conceptual.

La OCDE denomina descarga cognitiva al desplazamiento rutinario de operaciones como redactar, resumir o resolver problemas hacia sistemas generativos y advierte que puede desplazar precisamente el pensamiento mediante el cual se desarrollan las habilidades. Su informe de 2026 insiste en que las herramientas producen mejores resultados cuando el diseño pedagógico mantiene al estudiante involucrado en las operaciones relevantes (OECD, 2026a).

La revisión sistemática de Li, Cui y Hagedorn (2026) refuerza esta interpretación: los resultados sobre pensamiento crítico y creativo dependen fuertemente del diseño. En contextos estructurados, con indagación, contraste y regulación metacognitiva, la IA puede apoyar procesos de orden superior; en usos poco estructurados aparecen con mayor fuerza superficialidad y descarga cognitiva.

Decisión práctica. Selecciona una actividad existente y cambia únicamente una operación de «reservada» a «coproducida». Explica qué nuevo aprendizaje se vuelve posible y qué nueva evidencia necesitas para comprobar que el estudiante no dejó de ejercer el juicio buscado.

Autoría después de la autoría solitaria: hacer visible el juicio

La IA generativa desestabiliza una suposición histórica de buena parte de la evaluación: que el producto entregado puede utilizarse como representación suficientemente directa de lo que el estudiante sabe hacer por sí mismo. Cuando un sistema puede intervenir en ideación, estructura, síntesis, redacción, revisión y retroalimentación, la calidad del producto deja de revelar automáticamente la distribución de las operaciones que lo produjeron.

Una respuesta institucional ha sido intentar restaurar la relación anterior mediante prohibición o detección. El problema es que una política centrada exclusivamente en detectar tecnología puede terminar evaluando ausencia de asistencia en lugar de aprendizaje. Sharma (2026) propone otro desplazamiento: diseñar evaluaciones que hagan visibles el juicio, las decisiones, la transparencia y la responsabilidad dentro de procesos de producción humano-IA.

Esta perspectiva permite distinguir tres preguntas que suelen confundirse. La primera es de procedencia: ¿qué partes del proceso involucraron IA? La segunda es de autoría intelectual: ¿qué decisiones, criterios y estructuras argumentativas pueden atribuirse al estudiante? La tercera es de responsabilidad: ¿quién responde por exactitud, integridad, consecuencias y adecuación del producto final?

En un contexto doctoral, atribuir autoría no exige demostrar que ninguna herramienta participó. Exige mostrar que la contribución central por la que se reconoce mérito académico corresponde a operaciones intelectuales que la persona puede explicar, justificar, transferir y defender.

Nota. Matriz de evidencias construida para este curso a partir del desplazamiento desde detección hacia juicio visible y responsabilidad en evaluación mediada por IA.

Aplicación doctoral. Elige un producto que actualmente utilizas como evidencia. Haz dos columnas: «lo que el producto demuestra» y «lo que estoy suponiendo que demuestra». Después diseña una evidencia adicional para la suposición más importante. Esa operación convierte la evaluación en arquitectura de atribución y no solo en recepción de entregables.

Agencia y vigilancia epistémica: no basta con saber preguntar a la IA

La alfabetización en IA suele simplificarse como capacidad para formular instrucciones eficaces. Esta reducción es inadecuada para educación avanzada. UNESCO organiza su marco de competencias estudiantiles en cuatro dimensiones: mentalidad centrada en el ser humano, ética de IA, técnicas y aplicaciones, y diseño de sistemas. La progresión culmina en Crear y concibe al estudiante como cocreador responsable capaz de ejercer juicio crítico sobre las soluciones (Miao, Shiohira, & Lao, 2024).

La perspectiva postdigital amplía todavía más el concepto. Rapanta y colaboradores (2025) sostienen que una alfabetización crítica en IA generativa necesita examinar simultáneamente agencias humanas y no humanas, así como dimensiones epistemológicas, éticas, relacionales, culturales, materiales y políticas. La cuestión deja de ser controlar perfectamente la tecnología y pasa a comprender cómo la relación modifica lo que conocemos y hacemos.

Agencia no significa simplemente elegir si utilizar o no una herramienta. Implica poder establecer metas, reconocer cuándo una recomendación debe cuestionarse, modificar la estrategia, rechazar una salida, buscar evidencia alternativa y asumir responsabilidad por las decisiones. Una persona puede operar técnicamente una IA con gran destreza y, al mismo tiempo, concederle progresivamente el control de su proceso intelectual.

Un estudio de Chaaban y colaboradores (2025) con futuros docentes muestra justamente perfiles distintos de relación con un chatbot educativo: algunos participantes exhibieron un uso equilibrado, intencional y ético, mientras otros mostraron dependencia y menor criticidad. El resultado es importante porque sugiere que acceso y aceptación no son indicadores suficientes de agencia.

Esta exigencia conecta nuevamente con el rendimiento. Bastani y colaboradores (2025) mostraron experimentalmente que un sistema generativo podía mejorar el desempeño durante la práctica de matemáticas y, sin salvaguardas adecuadas, producir un desempeño posterior inferior cuando el apoyo desaparecía. La lección no es «la IA perjudica»: es que una asistencia que elimina la actividad cognitiva objetivo puede mejorar el producto y debilitar la formación.

Decisión práctica. Revisa una tarea que actualmente permita IA y señala tres puntos en los que el estudiante debe detenerse obligatoriamente para verificar, justificar o decidir. Esos puntos de fricción deliberada pueden ser más educativos que intentar controlar cada interacción con la herramienta.

Gobernar la inteligencia compartida: del profesor usuario a la institución responsable

Si la distribución cognitiva afecta las operaciones de aprendizaje, la responsabilidad no puede recaer únicamente en decisiones individuales de estudiantes y profesores. La institución interviene desde el momento en que selecciona plataformas, establece políticas, permite determinados datos, define usos aceptables, modifica evaluación o decide no intervenir.

Muñoz Mujica (2026) denomina a esta exigencia gobernanza institucional reflexiva. La institución debería desarrollar capacidad para evaluar sistemas antes de incorporarlos, supervisarlos, hacer transparentes sus condiciones y construir marcos normativos y pedagógicos. El problema es simultáneamente técnico, educativo y político, especialmente cuando infraestructura cognitiva relevante depende de actores privados.

La política comparada empieza a reflejar esa transición. En julio de 2026, la OCDE identificó respuestas emergentes en educación superior que incluyen orientación de uso, alfabetización en IA, reforma de evaluación, evaluación institucional de sistemas y marcos de gobernanza. Entre sus recomendaciones para autoridades aparecen garantizar acceso y alternativas, invertir en formación docente, desarrollar investigación longitudinal, establecer estándares de privacidad, seguridad y sesgo, involucrar a la comunidad educativa y mantener supervisión y alternativas humanas (OECD, 2026b).

UNESCO adopta una orientación compatible desde los derechos y la agencia humana. Su guía de 2023 plantea una aproximación centrada en las personas, con validación ética y pedagógica, protección de datos y regulación; sus marcos posteriores insisten en que profesores y estudiantes deben convertirse en usuarios críticos y cocreadores responsables, no solamente consumidores eficientes de sistemas.

Estos principios permiten transformar una política institucional genérica —«utilice IA responsablemente»— en un diseño verificable. Una institución debería poder responder qué operaciones acepta delegar, qué capacidades considera no sustituibles, qué evidencia exige cuando se utiliza IA, qué sistemas están autorizados, qué datos pueden introducirse y qué ocurre cuando una persona no puede o no desea utilizar el sistema.

La última condición es importante. Mantener una alternativa humana no significa conservar todos los procedimientos del pasado; significa evitar que participar plenamente en la educación dependa obligatoriamente de aceptar una arquitectura tecnológica cuya disponibilidad, términos o efectos no están bajo control del estudiante.

Esta gobernanza tampoco puede reducirse a un catálogo permanente de herramientas autorizadas. Los sistemas cambian demasiado rápido. Las políticas más resistentes son las que establecen principios, operaciones, responsabilidades y criterios de evidencia que continúan siendo aplicables aunque cambie la plataforma.

Decisión práctica. Formula una regla institucional sin mencionar ninguna marca ni herramienta. Debe especificar qué operación está regulada, por qué importa educativamente, qué evidencia requiere y quién conserva la responsabilidad. Si la regla deja de tener sentido cuando aparece una nueva plataforma, probablemente estaba gobernando un producto y no la cognición.

Conclusión

La pregunta educativa sobre inteligencia artificial no puede resolverse mediante una decisión binaria de acceso. Cuando un sistema participa en operaciones de síntesis, argumentación, comparación, escritura o retroalimentación, el problema relevante pasa a ser cómo se distribuye la actividad cognitiva y qué capacidad debe quedar desarrollada en la persona.

Por ello, una arquitectura responsable comienza por la finalidad. Después descompone la tarea y decide qué operaciones pueden automatizarse, cuáles deben ampliarse con asistencia, cuáles pueden coproducirse y cuáles deben reservarse al estudiante. La distribución no es fija: depende de qué se pretende aprender y demostrar.

La misma transformación obliga a revisar autoría y evaluación. En un entorno donde la producción puede ser híbrida, la integridad no debería descansar únicamente en intentar demostrar ausencia de tecnología. Debe hacer visibles decisiones, criterios, contribuciones, verificación, responsabilidad y capacidad de transferencia. El producto deja de ser evidencia suficiente cuando no sabemos cómo fue producido.

Finalmente, la agencia no consiste en dominar comandos. Implica poder interrogar, rechazar, verificar, cambiar de estrategia y asumir responsabilidad. Esa capacidad individual necesita una arquitectura institucional que la sostenga mediante reglas, acceso equitativo, supervisión humana, protección de datos y criterios formativos.

El problema puede resumirse así: no necesitamos estudiantes que compitan con la IA en producir respuestas; necesitamos formar sujetos capaces de gobernar responsablemente arquitecturas donde las respuestas pueden producirse de manera distribuida.

La siguiente lección llevará esta cuestión desde la relación humano-IA hacia pedagogías explícitamente relacionales. Aprendizaje colaborativo, aprendizaje-servicio y comunidades de aprendizaje permitirán preguntar qué significa aprender con otros cuando esos «otros» incluyen personas, comunidades, instituciones y nuevas mediaciones tecnológicas.

Actividad de aprendizaje autónoma

Diseño de una arquitectura de gobierno cognitivo para una tarea doctoral

Selecciona una actividad de aprendizaje, investigación o producción académica propia del nivel superior y rediséñala para un entorno en el que el uso de inteligencia artificial generativa sea posible. No debes limitarte a establecer qué usos están permitidos o prohibidos. Tu producto debe especificar qué operaciones cognitivas se distribuyen, por qué y mediante qué evidencias se conserva el aprendizaje, la agencia, la autoría y la responsabilidad.

Instrucciones paso a paso:

1. Define la finalidad formativa. Identifica la capacidad compleja que el estudiante debe desarrollar y poder transferir después de realizar la actividad.
2. Descompón la tarea. Identifica entre seis y diez operaciones cognitivas observables: buscar, seleccionar, sintetizar, formular hipótesis, interpretar, contrastar, generar alternativas, evaluar, decidir, argumentar, redactar u otras pertinentes.
3. Distribuye las operaciones. Clasifica cada una como automatizable, ampliada por IA, coproducida humano-IA o reservada al estudiante. Justifica cada decisión desde la finalidad formativa.
4. Localiza el juicio. Identifica al menos tres puntos donde el estudiante deba tomar una decisión no delegable y explicita los criterios que utilizará.
5. Diseña la trazabilidad. Determina cómo documentará contribuciones de IA, cambios de criterio, fuentes verificadas, alternativas descartadas y decisiones finales.
6. Rediseña la evidencia. Incorpora al menos tres formas complementarias para atribuir aprendizaje: producto, registro de decisiones, defensa, transferencia, versiones comentadas u otras justificadas.
7. Protege la agencia. Introduce momentos obligatorios de verificación, crítica, contraste o suspensión de la recomendación del sistema.
8. Audita riesgos. Examina privacidad, sesgo, desigualdad de acceso, confiabilidad, dependencia, propiedad de datos y disponibilidad de una alternativa humana.
9. Aplica los cuatro principios. Explica cómo tu diseño satisface distribución cognitiva con responsabilidad humana, mediación crítica, orientación formativa y gobernanza institucional reflexiva.
10. Somete el diseño a una prueba adversarial. Imagina a un estudiante que intenta delegar la máxima cantidad de trabajo posible sin violar literalmente las instrucciones. Identifica dónde tu diseño fallaría y corrígelo.
11. Formula la política de uso. Redacta finalmente una regla breve que pueda comunicarse al estudiante y que gobierne operaciones y responsabilidades, no marcas tecnológicas.

Referencias bibliográficas

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.
• Chaaban, Y., Jung, S.-G., Medina, J., Azem, J. Y., Salminen, J., & Jansen, B. J. (2025). Examining student teachers’ agency in an AI-supported learning environment: Q methodology research. International Journal of Artificial Intelligence in Education, 35, 4083–4107.
• Li, C., Cui, H., & Hagedorn, L. S. (2026). The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes. Computers and Education: Artificial Intelligence, 10, 100571.
• Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
• Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
• Muñoz Mujica, R. J. (2026). El sinteligentismo: Educación, cognición y régimen humanosintético. Revista Boletín Redipe, 15(7), 29–45.
• OECD. (2026a). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing.
• OECD. (2026b). Policies supporting responsible and systematic GenAI adoption in higher education (Education Policy Perspectives No. 23). OECD.
• Rapanta, C., Bhatt, I., Bozkurt, A., Chubb, L. A., Erb, C., Forsler, I., Gravett, K., Koole, M., Lintner, T., Örtegren, A., Petricini, T., Rodgers, B., Webster, J., Xu, X., Falgren Christensen, I.-M., Bonderup Dohn, N., Weilgaard Christensen, L. L., Zeivots, S., & Jandrić, P. (2025). Critical GenAI literacy: Postdigital configurations. Postdigital Science and Education, 7, 1296–1333.
• Sharma, S. (2026). Educational integrity in GenAI-augmented assessment: Making judgement visible. International Journal for Educational Integrity, 22, Article 6.
• UNESCO. (2025). AI and the future of education: Disruptions, dilemmas and directions. UNESCO.