La inteligencia artificial puede resolver un problema matemático en segundos. La pregunta educativa no es si puede hacerlo. La pregunta es qué sucede con quien deja de intentarlo.
Hay una escena que empieza a repetirse en las aulas. Un estudiante recibe un problema: lo lee, mira la pantalla, copia el enunciado y espera…
No aparece una hoja llena de intentos.
No aparece un dibujo.
No aparece una conjetura.
No aparece un “¿y si pruebo con…?”.
Solo aparece una respuesta, correcta, ordenada, perfectamente explicada y, sin embargo, algo falta: falta el pensamiento que llevó hasta ella.
La inteligencia artificial puede resolver una ecuación, representar una función, factorizar un polinomio, generar un procedimiento, explicar un teorema e incluso producir una demostración aparentemente convincente, y esto puede hacerlo en segundos, pero hay algo que todavía no puede hacer por el estudiante: aprender por él. Y esta diferencia, aparentemente pequeña, debería ocupar un lugar central en cualquier conversación seria sobre inteligencia artificial y educación matemática.
Porque resolver no es necesariamente comprender, y obtener una respuesta no equivale a haber construido el camino para llegar a ella.
La paradoja de una herramienta extraordinaria.
Nunca tuvimos herramientas capaces de producir una cantidad semejante de respuestas con tan poco esfuerzo; nunca fue tan sencillo preguntar, nunca fue tan sencillo obtener una explicación, nunca fue tan sencillo corregir un procedimiento y, quizá por eso mismo, nunca fue tan fácil dejar de pensar demasiado pronto.
La paradoja es inquietante: una tecnología creada para ampliar nuestras capacidades puede terminar reduciendo algunas de ellas si sustituye sistemáticamente las acciones cognitivas que necesitamos practicar.
En matemática, esto adquiere una dimensión particular: la matemática escolar no consiste únicamente en obtener resultados, consiste en buscar estrategias, establecer relaciones, formular conjeturas, representar situaciones, reconocer patrones, cometer errores, revisar procedimientos, justificar afirmaciones y decidir si una respuesta tiene sentido. Y cuando todas esas acciones son delegadas antes de que el estudiante las realice, la herramienta deja de ser un apoyo para convertirse en un sustituto, y ahí comienza el problema.
El cerebro también necesita hacer matemática
Nadie aprende a andar en bicicleta mirando a otra persona pedalear, tampoco aprende a tocar el piano escuchando conciertos y nadie aprende matemática simplemente observando cómo una inteligencia artificial resuelve problemas.
Hay una razón sencilla, y esta es que las habilidades se construyen mediante la actividad cognitiva que las pone en juego. Cuando un estudiante intenta resolver un problema, tiene que decidir qué información es relevante, qué relaciones puede establecer, qué estrategia utilizar y cómo verificar su resultado. Y ese esfuerzo no es un obstáculo accidental del aprendizaje; es, justamente, parte del aprendizaje. La dificultad, entonces, no siempre es algo que debamos eliminar; a veces es exactamente aquello que necesitamos atravesar.
Un problema matemático que obliga a detenerse, probar, equivocarse y volver a empezar puede producir mucho más aprendizaje que una explicación impecable recibida pasivamente. Pero ¡ojo! Esto no significa glorificar el sufrimiento escolar ni convertir cada actividad en una carrera de obstáculos; significa comprender una diferencia fundamental: hacer que una tarea sea más fácil no siempre significa hacer que aprender sea más fácil. El peligro no está en usar IA. Sería ingenuo afirmar que la inteligencia artificial es enemiga del aprendizaje; de hecho, no lo es y puede ser una herramienta extraordinaria para:
explorar diferentes estrategias;
generar ejemplos;
comparar procedimientos;
detectar errores;
formular preguntas;
obtener retroalimentación;
acceder a explicaciones alternativas;
crear representaciones;
investigar matemáticas.
El problema aparece cuando cambia la pregunta.
Antes: “¿Cómo puedo resolver esto?”
Ahora: “¿Qué le pregunto a la IA para que lo resuelva?”
La diferencia parece mínima, pero pedagógicamente no lo es.
En la primera pregunta, el estudiante ocupa el lugar del matemático. En la segunda, puede convertirse simplemente en el usuario de una respuesta. La matemática necesita tiempo de pensamiento. Hay algo profundamente educativo en quedarse mirando un problema sin saber todavía cómo resolverlo. Ese momento incómodo en el que el estudiante dice: “No sé” y el docente le responde: “Todavía”.
Ese “todavía” puede ser una de las palabras más importantes de la educación matemática, porque entre “no sé” y “sé” existe un territorio enorme. Es allí donde aparecen las preguntas, las representaciones, las conexiones, las estrategias, los errores, las discusiones, las conjeturas, la intuición, la demostración y la comprensión.
Si la inteligencia artificial interviene demasiado pronto, puede borrar precisamente ese territorio; no porque entregue una respuesta incorrecta, sino porque puede entregar una respuesta demasiado pronto.
El error que desaparece también puede llevarse aprendizaje. Imaginemos que un estudiante obtiene: 2/3+1/4=3/7
La inteligencia artificial puede señalar inmediatamente que el resultado es incorrecto y ofrecer el procedimiento correcto.
¡Problema solucionado!, ¿o no? Pero… desde una perspectiva didáctica, la respuesta equivocada era una oportunidad: ¿por qué sumó numeradores y denominadores?, ¿qué idea de fracción está utilizando?, ¿está pensando las fracciones como dos números independientes?, ¿comprende qué representa el denominador?, ¿puede representar ambas fracciones gráficamente? La equivocación permite entrar en el pensamiento del estudiante y, si la IA corrige automáticamente cada error antes de que el estudiante tenga oportunidad de analizarlo, podemos obtener una respuesta correcta y, simultáneamente, perder una oportunidad de aprendizaje. No todos los errores deben ser eliminados inmediatamente. Algunos necesitan ser investigados.
¿Qué habilidades podrían debilitarse?
Aquí es necesario ser cuidadosos. No significa que cada estudiante que utiliza IA vaya a perder capacidades matemáticas, tampoco existe evidencia suficiente para afirmar que la IA, por sí misma, produce inevitablemente un deterioro cognitivo.
La cuestión es otra: ¿qué ocurre cuando una herramienta realiza de manera habitual una operación mental que el estudiante debería practicar?
Si una persona deja sistemáticamente de estimar porque una calculadora lo hace por ella, puede practicar menos la estimación; si deja de escribir porque una herramienta redacta por ella, puede practicar menos la escritura; si deja de buscar estrategias porque una IA proporciona directamente el procedimiento, puede practicar menos la búsqueda estratégica. La misma lógica puede trasladarse a la matemática. Entonces, delegar puede ser inteligente, pero delegar todo puede ser empobrecedor.
Queda más que claro que la inteligencia artificial no debería reemplazar la inteligencia del estudiante. Hay una distinción que podría orientar el debate:
IA como andamio: ¿El estudiante piensa ? ¿produce una estrategia ? ¿contrasta ? ¿recibe retroalimentación ? ¿revisa? IA como sustituto: ¿El estudiante pregunta ? ¿recibe la solución ? ¿copia ? ¿entrega?
En ambos casos hubo inteligencia artificial, pero no hubo el mismo aprendizaje. La diferencia no está solamente en la herramienta, está en quién realiza el trabajo cognitivo central. Durante décadas, la escuela enseñó procedimientos que las máquinas podían ejecutar.
Aprendimos a calcular, luego aparecieron las calculadoras. Aprendimos a buscar información, luego apareció Internet. Ahora podemos pedirle a una inteligencia artificial que resuelva, explique, redacte, grafique y argumente. Entonces aparece una pregunta inevitable y una pregunta incómoda para la escuela: ¿Qué vale la pena seguir enseñando?
La respuesta no debería ser “nada”; debería ser exactamente lo contrario: cuanto más capaces sean las máquinas de producir respuestas, más importante se vuelve aprender a interrogarlas; cuanto más fácilmente puedan generar procedimientos, más importante se vuelve comprenderlos. Cuanto más convincentes sean sus respuestas, más necesaria será la capacidad humana de verificarlas, y cuanto más fácil sea obtener una solución, más importante será saber decidir si esa solución tiene sentido.
La matemática puede convertirse en nuestra mejor defensa.
Hay algo maravilloso en la matemática que la inteligencia artificial no debería quitarnos: la matemática nos obliga a justificar.
Un estudiante no debería limitarse a decir: “La IA me dio este resultado”.
La pregunta educativa debería ser: “¿Por qué debería creerle?”
Y después: “¿Podés demostrarlo?”, “¿Podés resolverlo de otra manera?”, “¿Podés encontrar un contraejemplo?”, “¿Podés explicar qué significa ese resultado?”, “¿Podés anticipar aproximadamente cuánto debería dar?”, “¿Qué cambiaría si modificáramos este dato?” y es justamente ahí cuando aparece una matemática mucho más profunda, una matemática en la que la respuesta es apenas el comienzo.
Tal vez tengamos que cambiar los problemas
Si la IA puede resolver fácilmente ejercicios rutinarios, quizá el desafío no sea prohibirla; quizá sea diseñar mejores problemas.
Problemas que exijan: conjeturar, argumentar, comparar, detectar errores, crear ejemplos, inventar contraejemplos, explicar por qué un procedimiento funciona, decidir entre distintas estrategias, evaluar una respuesta producida por una máquina.
Por ejemplo: Una inteligencia artificial afirma que 0,99999 es menor que 1 porque “siempre queda una pequeña diferencia”. ¿Estás de acuerdo? Justifica tu respuesta de al menos dos maneras.
Ahora la IA puede convertirse en parte del problema, el estudiante no tiene que competir contra la máquina y tiene que pensar sobre lo que la máquina produce. Eso es muy diferente.
Del alumno que resuelve al alumno que cuestiona. Quizás una de las grandes transformaciones que nos plantea la inteligencia artificial sea esta: durante mucho tiempo enseñamos a los estudiantes a encontrar respuestas; ahora necesitamos enseñarles también a interrogar respuestas, a distinguir una explicación de una explicación convincente, un procedimiento correcto de un procedimiento que simplemente parece correcto, un argumento de una apariencia de argumento, una generalización válida de un patrón que funciona solamente en algunos casos. Y aquí la matemática tiene una ventaja enorme, porque la matemática no acepta una afirmación simplemente porque alguien, humano o máquina, la pronuncie con seguridad: hay que justificarla. ¿Entonces deberíamos prohibir la IA? , probablemente esa no sea la pregunta más productiva. La pregunta podría ser: ¿En qué momento del aprendizaje la inteligencia artificial ayuda y en qué momento comienza a sustituir aquello que necesitamos aprender?
Un estudiante que todavía está construyendo el concepto de proporcionalidad necesita experimentar, representar, comparar y resolver.
Un estudiante que ya comprende el concepto puede utilizar IA para explorar situaciones más complejas.
El principio permanece: primero construir pensamiento; después utilizar herramientas para ampliarlo. No al revés.
La regla podría ser sencilla:
Antes de preguntarle a la máquina: preguntate vos.
Antes de pedir una solución: hacé un intento.
Antes de aceptar una respuesta: verificala.
Antes de copiar un procedimiento: comprendelo.
Y después sí: usá la inteligencia artificial, pero como herramienta, no como reemplazo de la propia inteligencia.
El verdadero desafío no es enseñar a usar IA, es enseñar a no necesitarla para pensar y esto no significa formar estudiantes aislados de la tecnología; todo lo contrario, significa formar estudiantes suficientemente sólidos para entrar en contacto con tecnologías poderosas sin entregarles automáticamente el control de sus procesos intelectuales, porque quizá el mayor riesgo educativo de la inteligencia artificial no sea que las máquinas lleguen a pensar como nosotros; quizá sea que nosotros dejemos de ejercitar aquello que nos permite pensar.
En matemática, eso significa seguir dando lugar al lápiz antes que a la respuesta automática.
Al silencio antes que a la solución.
A la duda antes que a la certeza.
Al error antes que a la corrección inmediata.
A la pregunta antes que al resultado.
Y, sobre todo, al estudiante.
Porque una inteligencia artificial puede decirnos cuánto da un problema, pero solo el estudiante puede aprender a preguntarse por qué y, quizá, en una época en la que obtener respuestas será cada vez más sencillo, esa capacidad sea precisamente una de las cosas que más necesitamos proteger.
Bibliografía recomendada
UNESCO (2023). Guidance for Generative AI in Education and Research. París: UNESCO. Es fundamental para discutir oportunidades, riesgos y uso educativo responsable de la IA generativa.
UNESCO (2021). AI and Education: Guidance for Policy-makers. París: UNESCO. Aporta el marco general sobre inteligencia artificial y educación.
National Academies of Sciences, Engineering, and Medicine (2018). How People Learn II: Learners, Contexts, and Cultures. Washington, DC: The National Academies Press. Muy útil para fundamentar cómo se construye el aprendizaje y qué papel tienen los conocimientos previos, la actividad y el contexto.
Mayer, R. E. (2004). Should There Be a Three-Strikes Rule Against Pure Discovery Learning? American Psychologist, 59(1), 14–19. Permite introducir una discusión más rigurosa sobre descubrimiento, guía y construcción del conocimiento.
Schoenfeld, A. H. (1985). Mathematical Problem Solving. Academic Press. Fundamental para sostener que resolver matemática implica mucho más que ejecutar algoritmos.
Polya, G. (1945). How to Solve It. Princeton University Press. Un clásico imprescindible para abordar las heurísticas y el proceso de resolución de problemas.
NCTM (2014). Principles to Actions: Ensuring Mathematical Success for All. National Council of Teachers of Mathematics. Muy pertinente para fundamentar prácticas de enseñanza matemática centradas en razonamiento, representación, argumentación y resolución de problemas.
Sé el primero en comentar