La inteligencia artificial (IA) reconfigura la educación mediante personalización, tutoría conversacional y producción masiva de contenidos. Ese avance promete eficiencia, pero erosiona transmisión cultural y criterio epistémico cuando instituciones adoptan la IA bajo incentivos que premian lo medible. A partir del filósofo peruano Augusto Salazar Bondy, el artículo distingue educación adaptativa (optimización de rendimiento) de educación suscitadora (interrogación, autonomía y creación). Con ese marco, identifica tres mecanismos de homogeneización y propone principios de gobernanza para integrar la IA sin producir «huérfanos culturales».
I. Introducción: el dilema cultural detrás del salto técnico
La discusión pública presenta la IA educativa como «innovación» versus «resistencia». Ese encuadre distrae. Este artículo defiende una tesis: sin rediseño de incentivos —métricas, compra pública, trazabilidad y autoridad docente— la IA educativa aumentará rendimiento medible mientras reduce agencia cultural y hábitos de justificación. La escuela no solo distribuye habilidades; reproduce cultura: lengua, memoria pública, cánones, estilos de argumentación y hábitos de justificación. Cuando una institución automatiza mediación pedagógica, automatiza parte del criterio cultural que organiza el aula.
Propongo una brújula conceptual de Augusto Salazar Bondy: distinguir educación adaptativa de educación suscitadora (Salazar Bondy, 1967). Llamo «educación adaptativa» al régimen que optimiza eficiencia y desempeño dentro de métricas y de un currículo dado. Por contraste, «educación suscitadora» nombra un régimen que prioriza la formación de sujetos críticos: promueve interrogación, autonomía intelectual y capacidad creadora.
La distinción no clasifica tecnologías; clasifica regímenes de uso. Un despliegue puede reforzar adaptación —acelerar lo evaluable— o puede reforzar suscitación —entrenar preguntas, justificación y contraste de marcos—. En este texto, ‘suscitadora’ se reconoce por cuatro prácticas observables: (1) preguntas propias, (2) justificación trazable, (3) contraste de marcos rivales y (4) producción cultural situada.2 Cuando un uso de la IA fortalece estos indicadores, el aula gana repertorio y criterio; cuando los debilita, el currículo se vuelve más homogéneo.
El artículo defiende una tesis adicional y más específica: la adopción de IA en educación tiende, por incentivos y economía política, a privilegiar lo adaptativo; solo un diseño institucional explícito puede revertir esa inercia. Para sostenerla, primero describo el despliegue actual de IA educativa; luego expongo tres mecanismos de homogeneización y vinculo cada uno con la erosión de prácticas suscitadoras concretas; por último, propongo un paquete mínimo de gobernanza —métricas, evaluación, compra pública, trazabilidad y autoridad docente— que introduce contrapesos verificables frente a cada mecanismo.
II. Estado actual: de la adaptación a la conversación
Los organismos internacionales coinciden en un punto: la IA dejó de ser un «extra» y empezó a operar como infraestructura educativa dentro del ecosistema digital: plataformas, contenidos, evaluación y administración (UNESCO, 2021; OECD, 2023). Por eso, la discusión útil no gira en torno a «usar o no usar», sino a una pregunta más concreta: ¿qué mediación pedagógica se delega a la máquina y cuál se mantiene bajo juicio humano?
1) La adaptación clásica y la tutoría conversacional
La educación adaptativa ajusta ritmo y dificultad según desempeño; maximiza indicadores como aciertos, tiempo y progresión. La IA generativa empuja tutoría conversacional, retroalimentación y generación de ejercicios a escala. Duolingo anunció «Duolingo Max» con funciones basadas en GPT-4 para práctica conversacional (Duolingo, 2023). Khan Academy reporta expansión de tutoría mediante «Khanmigo» (Khan Academy, 2025). El cambio es claro: la IA ya no solo apoya; media la relación pedagógica.
2) Un antecedente útil: Jill Watson
Conviene evitar presentismo. Jill Watson — asistente virtual de IBM desplegado en foros universitarios— anticipó una idea entonces casi banal: automatizar parte del trabajo de apoyo docente. En ese contexto, la promesa no parecía inquietante, precisamente porque el alcance resultaba estrecho: responder preguntas frecuentes, orientar a estudiantes dentro de reglas del curso y descargar tareas de coordinación típicas de un asistente de docencia (Goel et al., 2018). Pocas personas veían allí un conflicto cultural o epistémico serio; la herramienta operaba más como extensión administrativa que como autoridad cognitiva.
Ese contraste importa. Jill Watson funciona como marcador histórico de dos cambios: primero, el paso de «asistencia» a «interacción» como función central; segundo, el salto de capacidades que trae la IA generativa. Lo que antes automatizaba gestión y respuestas rutinarias hoy puede generar explicaciones, ejercicios, evaluaciones y contenidos con apariencia de competencia docente. Por eso la discusión actual ya no gira en torno a si conviene automatizar tareas menores, sino a cuánto juicio pedagógico y cultural se delega cuando el sistema produce, recomienda y legitima conocimiento a escala.
3) Qué cambia con la IA generativa: costo marginal y gobernanza
La IA generativa reduce drásticamente el costo marginal de producir materiales didácticos —texto, ejercicios, rúbricas— y también abarata parte de la evaluación: retroalimentación automática, clasificación de respuestas y generación de ítems. Ese doble abaratamiento cambia el problema. La adopción deja de parecer una compra puntual de edtech y se convierte en una cuestión de gobernanza educativa: cuando producir y «calificar» se vuelve barato, crece el incentivo a sustituir mediación humana por mediación automatizada (UNESCO, 2023; OECD, 2023).
De ahí surgen preguntas que ya no resultan técnicas, sino institucionales: ¿quién fija los ejemplos que circulan, los criterios de corrección y los supuestos que quedan como «sentido común»? ¿Quién decide qué se acepta como explicación suficiente, qué cuenta como evidencia y qué se descarta como irrelevante?
Aquí aparece el núcleo cultural: automatizar mediación equivale a automatizar parte de la normalidad del aula. Cuando los estudiantes internalizan que «la respuesta» proviene de un sistema que produce contenidos y evalúa a escala, la autoridad pedagógica humana pierde centralidad. Por eso la pregunta central no consiste en si la IA «ayuda» o «daña», sino en qué régimen de uso e incentivos gobierna el despliegue, y qué espacio deja para el juicio docente.
Con ese marco, el riesgo cultural se vuelve predecible.
III. Tres mecanismos de homogeneización
Cuando las instituciones priorizan la eficiencia, la IA acelera tres mecanismos de homogeneización. Los presento como «datos + default», «métrica + currículo» y «slop + saturación», y muestro cómo cada uno erosiona una práctica suscitadora distinta: el primero reduce diversidad deliberada, el segundo estrecha el contraste de marcos y el tercero debilita la justificación trazable.
1) Datos + default: cuando el corpus manda
Los modelos lingüísticos entrenan con grandes corpus web que tienen sesgos estructurales: sobrerrepresentación de lenguas dominantes, estilos argumentativos prevalentes y normas implícitas que operan como centro de gravedad cultural (Bender et al., 2021). El problema no requiere censura; basta el default: el modelo completa desde patrones frecuentes, ofrece referencias típicas y supuestos normalizados. Por naturaleza, su configuración inicial contiene sesgos.
Esos sesgos se amplifican con asimetrías lingüísticas. La UNESCO reporta que 14 lenguas concentran más del 91 % del contenido web (UNESCO, 2025). En educación, «datos + default» describe el modo por el cual la infraestructura digital decide qué aparece primero. Cuando el aula toma la respuesta automática como referencia, ese sesgo estadístico opera como norma cultural: el repertorio local queda como excepción. Sin configuración local deliberada, el proveedor fija qué cuenta como ejemplo típico, qué autores aparecen primero y qué supuestos circulan sin discusión.
Este mecanismo debilita específicamente la práctica (3) —contraste de marcos rivales— y la práctica (4) —producción cultural situada—. ¿Por qué? Porque cuando defaults privilegian corpus dominantes, el aula recibe marcos interpretativos como si fueran universales en lugar de situados. Los estudiantes aprenden a completar patrones frecuentes sin comparar esos patrones con alternativas locales. El resultado: fluidez sin contraste, adaptación sin suscitación.
Este punto dialoga con una controversia clásica sobre universalismo y perspectiva situada.
En ¿Existe una filosofía de nuestra América?, Salazar Bondy sostuvo que, bajo condiciones de dependencia, muchas filosofías producidas en nuestra región terminan importando categorías ajenas y presentándolas como neutrales; Zea respondió en La filosofía americana como filosofía sin más defendiendo que toda filosofía piensa desde una circunstancia y que el rótulo de ‘universal’ suele encubrir la posición del centro (Salazar Bondy, 1968; Zea, 1969). La discusión no pertenece solo a la historia intelectual: ilumina lo que ocurre cuando defaults privilegiados por corpus dominantes se ofrecen como si vinieran de ‘ningún lugar’. En el aula, ese efecto convierte lo estadísticamente frecuente en norma interpretativa y vuelve ‘regional’ —y, por tanto, prescindible— lo local. Por eso el problema no radica en sesgos aislados, sino en la ficción operativa de universalidad que el sistema impone por configuración inicial.
Mitigación: Tratar el default como decisión pública, no como configuración técnica del proveedor. La mitigación contrarresta el mecanismo invirtiendo el control: si datos + default normalizan vía frecuencia estadística, entonces la gobernanza debe obligar a configuración local deliberada. Operativamente, el ministerio exige por contrato: (i) paquete cultural local como configuración inicial (lengua, registros, autores, ejemplos), (ii) ficha de datos sobre cobertura lingüística y límites, (iii) auditoría periódica con muestreo de salidas en aula. Ante desviaciones repetidas, se suspende el uso o se activan penalidades. Esta mitigación fortalece prácticas (3) y (4) porque obliga al sistema a exponer diversidad deliberada y referentes situados como configuración inicial, no como excepción.
2) Métrica + currículo: cuando el indicador decide el contenido
Cuando las instituciones definen la «calidad» casi solo por desempeño medible, reconfiguran el currículo hacia lo que la métrica captura. La IA acelera esa deriva por una razón económica simple: abarata practicar lo medible (ítems, ejercicios, rúbricas) y eleva el costo relativo de lo difícil de medir (interpretación, juicio, conversación cultural).
Si el sistema premia puntaje y velocidad, la institución desplaza discusión interpretativa hacia los márgenes y entrena desempeño sin juicio cultural.
En su mejor versión, este régimen produce competencia sin orientación cultural. Uso ‘huérfanos culturales’ para describir a los estudiantes que logran buen rendimiento estandarizado, pero no pueden (i) ubicar referentes locales básicos, (ii) sostener una tesis con fuentes verificables, ni (iii) comparar marcos interpretativos sin colapsar en opiniones. Ese resultado no requiere mala intención: aparece cuando métricas estrechas gobiernan currículo, evaluación y adopción.
Este mecanismo debilita específicamente las prácticas (2) —justificación trazable— y (3) — contraste de marcos rivales—. ¿Por qué? Porque cuando la métrica solo captura fluidez y acierto rápido, el sistema optimiza respuesta correcta sin exigir fuentes ni marcos alternativos. Los estudiantes aprenden a desempeñarse sin justificar ni contrastar. En el lenguaje de Salazar Bondy, la institución enseña a desempeñarse sin enseñar a interpretar: produce adaptación sin suscitación.
Las pruebas PISA vuelven nítido el mecanismo. Cuando un sistema adopta ese examen como brújula principal, el indicador empieza a dictar prioridades: qué se practica, qué se premia y qué se relega por «difícil de medir». En ese clima, una adopción de IA orientada a subir puntajes tiende a entrenar respuestas de examen: respuestas diseñadas para acertar reactivos estandarizados, con formatos predecibles y corrección automática. El incentivo empuja hacia rapidez y acierto bajo ese formato, y deja en segundo plano la justificación con fuentes y el contraste explícito de marcos. El marcador puede subir sin ampliar capacidades transferibles. Una política sensata invierte el orden: forma juicio y transferencia primero; deja el puntaje como señal parcial.
Pedro Henríquez Ureña —humanista y filólogo dominicano, figura mayor del pensamiento hispanoamericano— llegó a un diagnóstico análogo sin algoritmos: cuando un sistema premia«utilidad» y especialidad temprana sin coordinación, el plan de estudios pierde arquitectura y el aprendizaje gana rendimiento parcial a costa de cultura general. Su crítica al «desorden» curricular norteamericano apunta a un mecanismo institucional: la brújula termina dictando prioridades y vuelve intercambiables contenidos que requieren secuencia, fundamento y contexto. Traducido a IA educativa: una estrategia que persiga puntajes como fin empuja práctica tipo-ítem y abarata lo justificable, mientras encarece interpretación, criterio y conversación cultural. La política sensata invierte el orden: usa IA para abaratar práctica y retroalimentación, y protege —por diseño— el núcleo que no admite atajos.
Mitigación: Cambiar lo que se mide para que la IA no optimice solo fluidez y acierto. Si métrica + currículo estrecha el contenido hacia lo evaluable, la evaluación tiene que capturar prácticas suscitadoras: (2) justificación trazable con fuentes verificables, (3) contraste explícito de marcos rivales, y (4) producción cultural situada. Esos criterios vuelven costoso optimizar solo velocidad: empujan a la IA hacia apoyo al juicio, no hacia automatización del desempeño.
3) Slop + saturación: cuando la abundancia desplaza la curaduría
La IA generativa puede inundar el entorno educativo de materiales plausibles producidos en volumen. Llamo slop a contenido sintético de baja calidad, verosímil en la superficie y barato de replicar (Merriam-Webster, 2025).3 El problema no radica solo en bajar el promedio de calidad: la saturación contamina el ecosistema informativo, desplaza señales fiables, multiplica ruido y encarece distinguir evidencia de relleno.
Ese entorno produce tres daños distinguibles: — Daño epistémico (errores y citas inventadas). Aparecen bibliografías con referencias inexistentes, autores mal atribuidos, cifras sin fuente y paráfrasis «académicas» que nadie logra rastrear.
— Daño cultural (aplanamiento de registros). Ensayos sobre temas nacionales terminan con el mismo tono neutro, los mismos lugares comunes y ejemplos genéricos —a menudo anglófonos—, como si Santo Domingo, Lima o Bogotá funcionaran como escenarios sustituibles.
— Daño social (propagación por cadena). Texto plausible sin origen claro se recicla como «dato» o «explicación» y circula entre estudiantes, docentes y familias; el costo de confiar, corregir y verificar sube incluso para quienes no usan IA directamente.
Este mecanismo golpea de frente dos prácticas suscitadoras: (2) justificación trazable y (4) producción cultural situada. Cuando el ecosistema premia texto rápido y plausible, los estudiantes aprenden a completar trabajos sin procedencia clara y a desplazar fuentes verificables —incluida bibliografía local— por formulaciones auditables solo en apariencia. Sin trazabilidad, la escuela pierde la norma de justificación; sin esa norma, la educación pierde fricción crítica.
La presión ya aparece fuera del aula: el Reuters Institute documenta crecimiento de texto «flojo» copiado desde chatbots. Wikipedia ofrece un indicador institucional: comunidades editoriales endurecieron reglas para contener oleadas de contenido generado de baja calidad (Roth, 2025).
Mitigación: Tratar el slop como un riesgo de calidad y de cultura, y responder con controles editoriales exigibles. La lógica consiste en subir el costo de lo opaco: si slop + saturación multiplica texto sin procedencia, la escuela debe exigir trazabilidad como condición de uso. Operativamente, el sistema educativo debe: (1) requerir trazabilidad mínima —fuente, fecha y referencia verificable— para materiales y tareas; (2) imponer revisión humana con muestreo periódico de productos generados; (3) usar rúbricas que penalicen citas inventadas y premien bibliografía verificable, incluyendo fuentes locales; y (4) sostener repositorios curados («lista blanca») de recursos aceptados. Con ese paquete, la trazabilidad deja de funcionar como virtud opcional y pasa a funcionar como norma, reforzando la justificación trazable (2) y la producción cultural situada (4).
Síntesis: lógica común de los tres mecanismos
Los tres mecanismos comparten una misma lógica: cuando incentivos institucionales premian eficiencia y rendimiento medible, la IA (i) vuelve «natural» lo más frecuente mediante defaults (mecanismo 1), (ii) estrecha el currículo hacia lo que el indicador captura porque abarata practicar y evaluar lo medible (mecanismo 2), y (iii) satura el entorno con material plausible pero opaco, desplazando curaduría y verificación (mecanismo 3).
Cada mecanismo erosiona prácticas suscitadoras específicas: datos + default reduce diversidad deliberada y vuelve invisibles marcos situados; métrica + currículo debilita justificación trazable y contraste de marcos; slop + saturación rompe trazabilidad y desplaza bibliografía verificable, incluida la local. Por eso, revertir la inercia exige gobernanza que invierta el control: actores educativos locales deben fijar defaults, rediseñar métricas y evaluación, y exigir trazabilidad como norma. Sin esa inversión, la IA ampliará lo adaptativo mientras adelgaza lo suscitador.
IV. Criterio rector: diseñar IA para educación suscitadora
El diagnóstico anterior muestra que la IA no «decide» homogeneizar; los incentivos institucionales empujan hacia lo adaptativo porque abaratan optimización de métricas estrechas. La salida, por tanto, no consiste en rechazar IA sino en rediseñar incentivos: los actores locales deben definir objetivos, datos y criterios de evaluación que obliguen al sistema a comportarse de modo suscitador.
Operativamente, una IA compatible con educación suscitadora debe fortalecer las cuatro prácticas que los mecanismos debilitan. Cada criterio contrarresta un mecanismo específico:
— Enseñar a preguntar, no solo responder (sugerir preguntas rivales, lagunas y supuestos). Este criterio fortalece práctica (1) —preguntas propias— y contrarresta la deriva general hacia respuestas rápidas sin interrogación.
— Exigir justificación, no solo fluidez (pedir fuentes, mostrar incertidumbre, recomendar triangulación). Este criterio fortalece práctica (2) —justificación trazable— y contrarresta mecanismo 3 (slop + saturación) al obligar al sistema a rastrear fuentes.
— Exponer diversidad deliberada, no solo personalización cómoda (lecturas en tensión, contraejemplos, marcos alternativos). Este criterio fortalece práctica (3) —contraste de marcos rivales— y contrarresta mecanismo 1 (datos + default) al obligar al sistema a exponer alternativas en lugar de normalizar defaults.
— Servir de vehículo de herencia cultural, no como sustituto genérico (referentes locales, historia, literatura, registros lingüísticos propios). Este criterio fortalece práctica (4) —producción cultural situada— y contrarresta mecanismos 1 y 3 (datos + default y slop) al obligar al sistema a incluir repertorio local como configuración inicial.
Esa orientación no ocurre por accidente. Requiere reglas institucionales que obliguen al sistema a comportarse así, incluso cuando la presión por eficiencia empuje en dirección contraria. La sección siguiente propone cinco mecanismos de gobernanza que vuelven exigibles estos criterios.
V. Principios y mecanismos mínimos de gobernanza
Marcos internacionales ofrecen principios: enfoque centrado en lo humano, derechos, gobernanza y rendición de cuentas (UNESCO, 2021; UNESCO, 2023). Pero la educación necesita traducción a mecanismos verificables. Propongo cinco principios que comparten una lógica: invertir el control desde proveedores hacia actores locales. Cada principio contrarresta un mecanismo específico mediante reglas exigibles.
1. Transparencia pedagógica (proveedor + centro educativo)
Cada herramienta debe declarar qué optimiza (práctica, fluidez, resolución), límites, tipos de datos usados y condiciones de uso. Esto se parece a una model card: una ‘etiqueta nutricional’ que vuelve auditable qué optimiza el sistema y dónde falla. Sin esa declaración, el sistema premia atajos y oculta supuestos. Este principio contrarresta los tres mecanismos porque obliga al proveedor a explicitar qué defaults usa (mecanismo 1), qué métricas optimiza (mecanismo 2) y qué corpus alimenta el sistema (mecanismo 3). Sin transparencia, la institución compra decisiones culturales implícitas; con transparencia, puede exigir cuentas.
2. Gobernanza de datos con enfoque cultural (ministerio + comunidades + centros)
Registro de procedencia, representatividad lingüística y control comunitario sobre materiales culturalmente sensibles. Eso exige una hoja de procedencia y cobertura del corpus (qué incluye, qué excluye, en qué lenguas, con qué permisos). Este principio contrarresta mecanismo 1 (datos + default) directamente: si defaults normalizan corpus dominantes, entonces la gobernanza debe obligar a representatividad lingüística y control comunitario. Operativamente, esto significa que comunidades pueden auditar corpus, exigir inclusión de lenguas locales y vetar contenido culturalmente inapropiado. Sin esto, «datos + default» gobierna por omisión.
3. Auditoría de sesgos con criterio normativo (regulador/ministerio + evaluadores externos)
Medir sesgos sin teoría de daño produce informes estériles. Auditoría debe conectarse con daños concretos: ¿el sistema debilita prácticas suscitadoras en grupos subrepresentados (lengua, región, clase, discapacidad)? Este principio contrarresta los tres mecanismos mediante verificación periódica: auditoría muestrea salidas para detectar si defaults normalizan (mecanismo 1), si métricas estrechan currículo (mecanismo 2) y si slop contamina materiales (mecanismo 3). Como análogo, una system card documenta comportamiento del sistema en escenarios de uso, límites conocidos, evaluaciones realizadas y mitigaciones; la auditoría externa debe exigir evidencia de ese tipo, pero vinculada a daños concretos en grupos y contextos locales. Sin auditoría externa, la institución depende de autoevaluación del proveedor.
4. Compra pública con cláusulas culturales (Estado)
El Estado compra a escala; puede exigir soporte multilingüe real, corpus y referencias locales, trazabilidad y evaluación externa. Además, el pliego puede exigir un safety case (expediente de seguridad pedagógica): evidencia de evaluaciones en condiciones de uso escolar, límites conocidos, mitigaciones, monitoreo y protocolo de incidentes. Ese expediente debe quedar auditable y actualizarse con resultados de despliegue. Una cláusula mínima debe exigir: (i) configuración local del sistema (contrarresta mecanismo 1), (ii) trazabilidad de fuentes (contrarresta mecanismo 3), (iii) evaluación externa periódica (contrarresta los tres), (iv) derecho del centro a suspender el uso cuando falle verificación. Este principio invierte poder de mercado: en lugar de que universidades o colegios acepten defaults del proveedor, el Estado exige defaults culturales como condición de contrato. Sin cláusulas culturales, la compra pública amplifica homogeneización a escala.
5. Autonomía y formación docente continua (Estado + centros educativos)
La autonomía docente requiere tres potestades operativas que contrarrestan los tres mecanismos: (i) configurar el uso del sistema en el aula (funciones, nivel de asistencia, criterios de uso) —contrarresta mecanismo 1 al permitir al docente anular defaults—; (ii) declarar públicamente límites del sistema y enseñar verificación —contrarresta mecanismo 3 al convertir slop en objeto de estudio crítico—; (iii) corregir, invalidar o suspender salidas erradas sin sanción administrativa cuando el docente actúe bajo criterios definidos —contrarresta mecanismo 2 al permitir al docente priorizar juicio sobre métrica. La UNESCO y la OECD subrayan el rol docente como mediador, no como apéndice de plataforma (UNESCO, 2021; OECD, 2023). Sin autonomía real, el docente opera como supervisor de automatización en lugar de mediador cultural.
Lógica unificadora
Estos cinco principios comparten una apuesta institucional: mover el control desde la configuracióndel proveedor hacia decisiones locales exigibles. En conjunto, convierten tres «zonas grises» —defaults, métricas y trazabilidad— en objetos de gobernanza: se hacen visibles, comparables y auditables.
La transparencia pedagógica vuelve legible qué optimiza la herramienta (por ejemplo, mediante instrumentos tipo model card). La gobernanza de datos obliga a explicitar procedencia y cobertura del corpus —qué incluye, qué excluye, en qué lenguas y con qué permisos— y a reconocer control comunitario sobre materiales sensibles. La auditoría externa verifica efectos reales en contextos y grupos específicos (con evidencia del tipo que hoy se documenta en system cards, pero anclada a daños concretos). La compra pública usa poder de mercado para convertir esas exigencias en cláusulas contractuales —incluido un safety case para uso educativo—. Y la autonomía docente garantiza capacidad operativa para configurar, explicar límites y corregir en el acto, evitando que la plataforma capture el juicio pedagógico.
Juntos, estos principios cambian el estatuto de la IA educativa: dejan de tratarla como «herramienta neutral» y la tratan como diseño institucional con consecuencias culturales. La pregunta relevante pasa a ser verificable: qué objetivos declara el sistema, qué mediación desplaza, qué mediación preserva y qué repertorio cultural permite sostener.
VI. Una prueba para mi tesis: ¿y si lo adaptativo basta?
Si aplico el criterio suscitador a este texto, debo empezar por una pregunta incómoda: ¿qué respondería alguien que prioriza urgencias educativas —rezago, desigualdad, resultados— y ve en la IA un atajo razonable? La objeción toma esta forma: aunque la IA empuje estandarización, un país con brechas puede necesitar primero mejoras medibles; después vendrá lo demás.
Objeción. En sistemas con déficits de aprendizaje, la política pública premia lo verificable: asistencia, desempeño básico, progreso. Si la IA abarata práctica, retroalimentación y evaluación, conviene adoptarla incluso bajo un régimen adaptativo. Poner condiciones fuertes (trazabilidad, auditoría, cláusulas culturales) podría retrasar beneficios urgentes.
Respuesta. La objeción acierta en el diagnóstico de urgencia, pero falla en el criterio de éxito. Un régimen que optimiza mejoras rápidas puede producir avances «contables» mientras erosiona lo que vuelve sostenibles esas mejoras: explicación, justificación y juicio docente. Cuando contenidos y evaluación se abaratan a escala, el sistema tiende a enseñar lo que la prueba premia y a tratar la respuesta automatizada como insumo listo. Esa deriva no exige mala intención: nace de compras bajo presión, rendición de cuentas estrecha y escasez de tiempo.
Ya cité a Henríquez Ureña; lo recupero aquí porque su advertencia encaja con la tentación de «primero lo medible». Él celebró la expansión democrática de la enseñanza, pero observó que un sistema puede ganar eficacia local y perder coherencia formativa cuando tolera desorden curricular y especialización temprana sin coordinación. El paralelismo con la IA resulta directo: abaratar práctica y evaluación puede ayudar, pero también puede fijar un estándar de enseñanza donde el alumno aprende a «cumplir» sin razonar. Esa combinación produce mejoras rápidas y frágiles: sube el indicador, baja la capacidad de aplicar lo aprendido en la vida real.
Por eso no propongo elegir entre «básicos» y «cultura». Propongo impedir que el camino hacia los básicos capture toda la escuela. Un paquete mínimo conserva lo que vuelve transferible el aprendizaje: capacidad de justificar, contrastar marcos y anclar contenidos en contextos reales. Si el sistema logra eso, los indicadores pueden mejorar sin convertir la prueba en currículo.
Si evidencia robusta mostrara mejoras sostenidas en comprensión y transferencia sin trazabilidad ni autoridad docente, mi tesis perdería fuerza. Hoy, los incentivos dominantes empujan en dirección contraria; por eso trato la gobernanza como condición, no como adorno.
VII. Conclusión: quién fija la normalidad del aula
La IA educativa no solo abarata producir materiales: también abarata evaluarlos y estandarizarlos. Ese doble abaratamiento cambia el aula por dentro: la «respuesta correcta» llega empaquetada, replicable, lista para circular. En ese entorno, el docente corre el riesgo de pasar de formar criterio a supervisar automatización —y el estudiante, de aprender a justificar a aprender a acertar—.
La respuesta no pide fe tecnológica ni rechazo: exige diseño institucional verificable. Sin ese diseño, la escuela puede comprar eficiencia medible y ceder —sin debate— quién decide ejemplos, fuentes y criterios; produce huérfanos culturales con puntajes. Con ese diseño, la IA puede servir a la suscitación en lugar de reemplazarla.
La pregunta final no trata de «usar o no usar». Trata de quién fija la normalidad del aula: ¿el proveedor y el indicador, o el docente con su comunidad? No alcanza con que la escuela funcione; debe formar sujetos capaces de pensar, razonar y crear cultura.
