Jorge Joel Reyes Méndez
Vivimos uno de los momentos de transformación tecnológica más acelerados desde la Revolución Industrial. La irrupción de la Inteligencia Artificial (IA), particularmente de los modelos generativos capaces de producir texto, imágenes, código y análisis complejos en cuestión de segundos, ha modificado profundamente la manera en que las personas trabajan, aprenden y producen conocimiento. En prácticamente todos los foros empresariales, gubernamentales y educativos se repite una misma consigna: el futuro pertenece a quienes sepan utilizar la Inteligencia Artificial.
Esta afirmación, aunque parcialmente cierta, encierra una peligrosa simplificación. El problema no consiste únicamente en aprender a utilizar estas herramientas, sino en comprender sus fundamentos, reconocer sus limitaciones y cuestionar críticamente sus resultados. De lo contrario, las universidades podrían estar formando generaciones altamente competentes para interactuar con algoritmos, pero incapaces de comprender cómo éstos producen sus respuestas, qué intereses económicos los sustentan, cuáles son sus sesgos y qué consecuencias sociales pueden derivarse de su uso indiscriminado.
En este sentido, la verdadera discusión no gira alrededor de la Inteligencia Artificial, sino del tipo de ciudadanía y del tipo de profesional que las universidades desean formar durante las próximas décadas. La pregunta central no debería ser cómo incorporar la IA al currículo, sino cómo evitar que la IA sustituya el pensamiento crítico que históricamente ha definido a la educación superior.
Esta paradoja educativa resulta especialmente preocupante porque ocurre en un contexto donde la tecnología avanza con una velocidad sin precedentes. Como advierte el Informe sobre el Futuro del Empleo del Foro Económico Mundial (2025), cerca del 40 % de las habilidades actualmente demandadas en el mercado laboral cambiarán antes de finalizar la década. Pretender actualizar permanentemente los programas universitarios para seguir el ritmo de las innovaciones tecnológicas constituye una carrera imposible. Las universidades siempre llegarán tarde frente a empresas cuyos modelos de desarrollo se actualizan prácticamente cada semana.
En consecuencia, la misión de la educación superior no puede reducirse a enseñar el funcionamiento operativo de plataformas comerciales que probablemente serán sustituidas en pocos años. Su responsabilidad consiste en desarrollar capacidades intelectuales permanentes: razonamiento matemático, pensamiento estadístico, comprensión ética, análisis crítico, creatividad, argumentación científica y resolución compleja de problemas. Son precisamente estas competencias las que permiten adaptarse a tecnologías que todavía no existen.
Ya en 1992, el filósofo Neil Postman advertía que toda innovación tecnológica modifica las formas de conocer antes incluso de transformar las formas de producir. Posteriormenre, en 2019, Shoshana Zuboff mostró cómo la economía digital convirtió los datos personales en la materia prima del denominado capitalismo de vigilancia. En este contexto, la IA no representa únicamente una innovación informática; constituye también una nueva forma de organización del conocimiento y del poder.
Existe, además, una ilusión particularmente peligrosa: asumir que la Inteligencia Artificial produce respuestas objetivas. En realidad, los grandes modelos de lenguaje funcionan mediante complejas arquitecturas probabilísticas entrenadas con enormes volúmenes de datos históricos. Como señalan Floridi y Cowls (2019), los algoritmos no descubren la verdad; aprenden patrones estadísticos presentes en la información disponible. Si esos datos contienen desigualdades, discriminación o errores sistemáticos, los modelos tenderán a reproducirlos e incluso amplificarlos.
En 2016, la obra de Cathy O'Neil documentó numerosos casos donde algoritmos utilizados para contratar personal, otorgar créditos, evaluar docentes o asignar recursos públicos reprodujeron inequidades sociales bajo una apariencia de neutralidad matemática. Posteriormente, Safiya Umoja Noble (2018) demostró cómo los motores de búsqueda pueden reforzar estereotipos raciales y de género debido a los sesgos presentes en los datos de entrenamiento y en las dinámicas comerciales que los sustentan. Ese mismo año, Joy Buolamwini y Timnit Gebru evidenciaron que diversos sistemas de reconocimiento facial presentan tasas de error significativamente mayores cuando identifican mujeres y personas con piel oscura, lo que revela que incluso tecnologías ampliamente difundidas pueden producir resultados discriminatorios.
Estas investigaciones obligan a replantear la manera en que la IA debe enseñarse dentro de las universidades. No basta con que un estudiante sepa elaborar un prompt o utilizar un asistente conversacional. Resulta indispensable que comprenda cómo funcionan los modelos probabilísticos, qué significa entrenar una red neuronal, cómo se evalúa un modelo predictivo y cuáles son los límites epistemológicos del aprendizaje automático.
Esta necesidad adquiere especial relevancia en disciplinas como la medicina, la salud pública, la psicología, la economía y las ciencias sociales. En estos campos, las decisiones tienen consecuencias directas sobre la vida de las personas. Un algoritmo que recomiende un tratamiento médico, estime el riesgo de reincidencia delictiva, determine la elegibilidad para un programa social o prediga el rendimiento académico nunca debería aceptarse como una verdad incuestionable.
La Organización Mundial de la Salud (2021) ha insistido en que la IA aplicada a la salud debe estar regida por principios de transparencia, supervisión humana, rendición de cuentas y equidad. Del mismo modo, la Recomendación sobre la Ética de la Inteligencia Artificial de la UNESCO (2021) subraya que los sistemas inteligentes deben promover la inclusión, respetar los derechos humanos y fortalecer las capacidades humanas en lugar de reemplazarlas.
La paradoja es evidente: mientras la IA promete democratizar el acceso al conocimiento, también puede concentrar el poder intelectual en un reducido grupo de corporaciones capaces de desarrollar y controlar los algoritmos más sofisticados. Cuando los estudiantes delegan sistemáticamente la redacción de ensayos, la solución de problemas o el análisis de información a una plataforma comercial sin comprender sus mecanismos internos, dejan de construir conocimiento para convertirse en consumidores de respuestas automatizadas.
Podría hablarse entonces de una nueva forma de analfabetismo: el analfabetismo algorítmico. Ya no se trata únicamente de no saber leer o escribir, sino de desconocer los procesos matemáticos, estadísticos y computacionales mediante los cuales los sistemas inteligentes producen conocimiento. Como sostiene Yuval Noah Harari (2024), quien controle los algoritmos controlará, en buena medida, las narrativas que organizan la vida social.
Frente a este escenario, prohibir la IA dentro de las universidades constituye una respuesta tan ineficaz como contraproducente. La historia demuestra que las tecnologías disruptivas nunca desaparecen por decreto. La cuestión no consiste en expulsarlas del aula, sino en incorporarlas desde una perspectiva crítica y pedagógica.
En este sentido, el Sistema Modular de la Universidad Autónoma Metropolitana ofrece elementos particularmente valiosos. Su énfasis en el aprendizaje basado en problemas reales, la integración interdisciplinaria y la investigación situada resulta especialmente compatible con una educación orientada hacia el pensamiento crítico. La IA puede convertirse en un recurso de apoyo dentro de estos procesos, pero nunca debe reemplazar el análisis colectivo, la deliberación ética ni la construcción social del conocimiento.
Una transformación igualmente urgente consiste en superar la histórica separación entre humanidades, ciencias sociales y ciencias exactas. Durante décadas se enseñó matemáticas como un conjunto de procedimientos abstractos desvinculados de los problemas sociales. Sin embargo, en la era de los datos, las matemáticas representan el lenguaje fundamental para comprender la realidad.
No necesitamos que todos los estudiantes memoricen demostraciones complejas o realicen manualmente cálculos que una computadora resuelve en milisegundos. Necesitamos que desarrollen pensamiento matemático. Comprender qué representa una función, interpretar una distribución estadística, analizar una correlación espuria, identificar un sesgo de selección o evaluar críticamente un modelo predictivo son competencias indispensables para cualquier profesional del siglo XXI.
La modelación matemática deja entonces de ser un ejercicio exclusivamente ingenieril para convertirse en una herramienta de interpretación social. Una derivada puede entenderse como la velocidad con que cambia una epidemia; una integral como la acumulación histórica de desigualdades económicas; una red neuronal como un modelo aproximado de clasificación; una regresión logística como un instrumento para estimar probabilidades clínicas. Las matemáticas dejan de ser una colección de fórmulas y se transforman en un lenguaje para explicar fenómenos complejos.
Diversos estudios sobre educación matemática, entre ellos los desarrollados por Lesh y Doerr (2003) y Silver (2012), sostienen que el aprendizaje significativo ocurre cuando los estudiantes utilizan modelos para interpretar situaciones reales y no únicamente para resolver ejercicios rutinarios. Esta perspectiva cobra aún mayor relevancia en un contexto donde los procedimientos mecánicos pueden ser automatizados.
En consecuencia, también debe transformarse la evaluación universitaria. Si un sistema de IA puede redactar en segundos un ensayo convencional, resolver ejercicios estandarizados o producir código funcional, continuar evaluando exclusivamente productos finales resulta pedagógicamente insuficiente. La evaluación debe desplazarse hacia los procesos intelectuales que anteceden al resultado.
Ello implica valorar la formulación de preguntas relevantes, la calidad del razonamiento, la selección crítica de fuentes, la validación de evidencias, la identificación de errores del modelo, la interpretación contextual de los datos y la argumentación ética de las decisiones adoptadas. En otras palabras, el estudiante debe aprender no solamente a utilizar la IA, sino también a auditarla.
Paradójicamente, la mayor fortaleza educativa de la Inteligencia Artificial podría no residir en las respuestas que ofrece, sino en los errores que comete. Las denominadas alucinaciones de los modelos generativos representan oportunidades excepcionales para desarrollar pensamiento crítico, contrastación documental y verificación científica. Cada error algorítmico puede convertirse en un ejercicio de alfabetización informacional y epistemológica.
La educación superior enfrenta, por tanto, un dilema histórico. Puede optar por convertirse en un centro de capacitación tecnológica dedicado a enseñar el uso de herramientas comerciales cuyo ciclo de vida es cada vez más breve. O puede reafirmar su misión histórica como espacio de construcción crítica del conocimiento, donde la IA sea comprendida, analizada, cuestionada y utilizada responsablemente.
La ventaja competitiva de las universidades nunca será la velocidad de procesamiento; esa batalla ya está perdida frente a las máquinas. Su verdadero valor reside en formar ciudadanos capaces de pensar con autonomía, comprender la complejidad del mundo, interpretar críticamente la evidencia y actuar con responsabilidad ética.
La Inteligencia Artificial puede convertirse en el mayor andamiaje cognitivo jamás construido por la humanidad o en el mecanismo más sofisticado de dependencia intelectual. La diferencia no dependerá de los algoritmos, sino de las decisiones pedagógicas que adopten nuestras instituciones educativas.
Si la universidad mexicana renuncia a enseñar las matemáticas del razonamiento, la estadística del pensamiento crítico, la ética de los datos y la comprensión profunda de los algoritmos, no estaremos formando profesionales preparados para transformar la sociedad. Estaremos formando usuarios eficientes de tecnologías cuya lógica permanecerá siempre en manos de otros.
El desafío educativo del siglo XXI no consiste en aprender a convivir con la Inteligencia Artificial. Consiste en preservar aquello que ninguna máquina puede reemplazar plenamente: la capacidad humana de comprender, cuestionar, deliberar y construir conocimiento con sentido social.
Matemático y divulgador científico
Universidad Autónoma Metropolitana-Xochimilco.
jojoel.reyes@gmail.com