La inteligencia artificial en las aulas: el alerta de un investigador británico sobre el riesgo de profundizar las desigualdades educativas

Desde el UCL Knowledge Lab de la University College London, el profesor Wayne Holmes viene siguiendo de cerca el desembarco de la inteligencia artificial en las aulas y su conclusión es prudente, cuando no preocupante. En diálogo con este medio, el investigador británico repasó los argumentos centrales de quienes promueven la IA generativa como una herramienta capaz de transformar la enseñanza y respondió, uno por uno, con una mirada escéptica que apunta sobre todo a dos riesgos concretos: el aumento de la desigualdad entre sistemas educativos y la tendencia a uniformar el aprendizaje en torno a las respuestas más probables, y no necesariamente más ciertas.

La comparación con la calculadora, puesta en duda

Uno de los argumentos más repetidos en el debate público es que la IA generativa producirá en la enseñanza un salto comparable al que provocó la calculadora en la matemática: una herramienta que modifica la forma de enseñar la materia sin eliminarla. Holmes rechazó esa analogía de raíz. "Con una calculadora, si apretás los botones correctos en el orden correcto, obtenés la respuesta correcta siempre", explicó. Con los modelos generativos, en cambio, el resultado es estadístico y, por lo tanto, incierto. "Puede ser correcto o no, y el usuario no siempre puede distinguirlo", completó, y agregó que esa diferencia vuelve inválida la comparación, porque en matemática la verificación de un resultado es inmediata mientras que en otras disciplinas el alumno carece de criterios para evaluar la respuesta que recibe.

Desigualdad, docentes y el riesgo de reemplazar en lugar de apoyar

Sobre el impacto social de la tecnología en los sistemas educativos, Holmes describió una paradoja que, a su entender, ya está en marcha. Las escuelas mejor posicionadas no se promocionan por la cantidad de computadoras en sus aulas ni por el uso intensivo de IA, sino por la calidad de sus planteles docentes. En el otro extremo, en contextos con escasez de maestros o con recursos limitados, la inteligencia artificial se presenta como una solución de reemplazo más que de apoyo. "Si esa brecha aumenta, debilitamos la democracia para todos", advirtió el investigador, y sostuvo que la educación es la base de la participación ciudadana, de modo que desfinanciarla en nombre de una eficiencia tecnológica tiene consecuencias que exceden el aula y comprometen al conjunto de la sociedad.

“Si esa brecha aumenta, debilitamos la democracia para todos.”Wayne Holmes, profesor del UCL Knowledge Lab de la University College London

Aprendizaje uniforme y puntos de vista dominantes

El segundo eje de la advertencia de Holmes se vincula con el funcionamiento técnico de los modelos generativos. Como estos producen texto eligiendo las palabras más probables a partir de sus datos de entrenamiento, los enfoques minoritarios o críticos tienden a quedar subrepresentados. El investigador lo ilustró con un experimento concreto: cuando consultó a distintas herramientas sobre los problemas del llamado "aprendizaje personalizado", todas coincidieron en señalar como única dificultad la complejidad de implementarlo. Ninguna planteó un cuestionamiento de fondo sobre si el enfoque funciona, porque la postura dominante en los textos con los que se entrenaron los modelos es que se trata de algo deseable. Para Holmes, ese sesgo hacia el consenso estadístico es un problema serio cuando la herramienta se usa como apoyo al aprendizaje, porque puede cerrar el debate en lugar de abrirlo.

Qué cambia, en concreto, dentro del aula

En el plano de la práctica cotidiana, las observaciones del investigador británico tienen derivaciones directas. Para los docentes, el mensaje implícito es que las herramientas de IA disponibles no deberían ocupar el lugar del maestro, en especial en contextos donde justamente falta el maestro, ya que en esos casos la promesa de eficiencia puede terminar profundizando la brecha que dice querer cerrar. Para los estudiantes, la advertencia es no asumir como correcta cualquier respuesta producida por un modelo generativo y mantener criterios propios de verificación, sobre todo en disciplinas donde no alcanza con corroborar un resultado numérico. Y para los diseños institucionales, la recomendación es discutir políticas educativas con evidencia sobre el impacto real de estas tecnologías, en lugar de adoptarlas a partir de la promessa de que personalizan el aprendizaje o resuelven por sí solas el problema de la escasez de docentes.