1. ¿Qué tipos de IA se pueden utilizar en la educación?
Hoy pueden utilizarse múltiples formas de IA: asistentes conversacionales, generadores de texto, imagen, audio y video, herramientas de traducción y accesibilidad, sistemas de recomendación, analítica de aprendizaje, corrección asistida, automatización administrativa, personalización de itinerarios y plataformas capaces de ofrecer apoyos diferenciados según necesidades del estudiante.
Pero más importante que enumerarlas es entender que ya no estamos ante “una herramienta para cada cosa” en sentido rígido, sino ante una tecnología de amplio alcance cuyo valor depende del uso situado que se haga de ella.
Por eso el criterio principal no debería ser tecnológico, sino pedagógico. La misma herramienta puede empobrecer una tarea si se la usa como sustituto automático, o enriquecerla si se la integra como apoyo para investigar, crear, comparar, diseñar o reflexionar. Y además hay un desafío adicional: pasar de usuarios a productores. La educación no debería limitarse a enseñar a consumir sistemas de IA, sino también a crear recursos potenciados por IA, adaptarlos críticamente y comprender cómo pueden ponerse al servicio de objetivos formativos concretos.
2. ¿Con la utilización de la IA en educación no se estaría perdiendo creatividad y reproduciendo prejuicios de los algoritmos?
Ese riesgo existe, pero depende de cómo se integre la tecnología. La creatividad se debilita cuando la IA reemplaza el esfuerzo de pensar, de imaginar o de argumentar. Pero puede fortalecerse cuando se la usa para abrir alternativas, tensionar ideas propias, generar contrastes, explorar posibilidades y hacer visible lo que aún no está bien formulado. El problema no es la existencia de la herramienta, sino su uso como sustitución acrítica del trabajo intelectual. Con los sesgos ocurre algo similar. La IA no es neutral: reproduce límites de los datos con los que fue entrenada, decisiones de diseño y perspectivas dominantes. Precisamente por eso la escuela no puede enseñarla solo como recurso práctico. Debe enseñarla también como objeto de lectura crítica.
Formar en este tiempo implica que los estudiantes aprendan a identificar sesgos, reconocer omisiones, advertir desigualdades y comprender que toda respuesta algorítmica requiere supervisión, criterio y contexto. No se trata de oponer creatividad humana y máquina, sino de preservar el juicio humano allí donde la tecnología tiende a naturalizar sus resultados.
También es interesante preguntarnos si estas tensiones no estaban ya presentes antes de la IA generativa, aunque con menos visibilidad. Un ejemplo claro es el GPS: hace años que le delegamos decisiones, seguimos sus indicaciones y confiamos, al menos en parte, en sus respuestas y en sus criterios de selección de rutas. Sin embargo, esa confianza nunca es absoluta. Muchas veces contrastamos, corregimos, ignoramos una sugerencia o evaluamos si realmente ese camino es el mejor según nuestra experiencia y nuestro contexto. Con la IA sucede algo similar, aunque en un plano más amplio y sensible: delegamos ciertas operaciones, pero eso no elimina la necesidad de juicio. Más bien la vuelve todavía más importante. Por eso, el problema no es solo que la tecnología pueda condicionar nuestras decisiones, sino si educamos o no para interactuar con ella de manera
crítica, consciente y situada.
3. ¿Son suficientes los métodos de investigación educativa actuales para aprehender la complejidad del tejido socioeducativo en red?
Diría que siguen siendo necesarios, pero ya no alcanzan si permanecen cerrados sobre formatos tradicionales de indagación. El entramado socioeducativo contemporáneo está atravesado por plataformas, datos, interacciones híbridas, redes de circulación del conocimiento y mediaciones algorítmicas que desbordan muchos marcos clásicos de observación. La escuela ya no puede investigarse solo como institución física separada de otros entornos; hoy forma parte de un tejido más amplio y dinámico.
Eso obliga a ampliar el repertorio metodológico: más enfoques mixtos, más etnografía digital, más investigación basada en diseño, más análisis de redes, más articulación entre teoría, práctica e innovación institucional. También exige un resguardo ético mayor, porque no todo dato disponible produce comprensión genuina. El reto no es abandonar la tradición investigativa de la educación, sino complejizarla para captar mejor fenómenos que hoy son simultáneamente pedagógicos, tecnológicos, culturales y políticos.
A la vez, hay una potencialidad evidente que no conviene subestimar: la posibilidad de analizar grandes volúmenes de datos y de ampliar de manera significativa las escalas, los ritmos y los niveles de profundidad de la indagación. Esto abre oportunidades muy valiosas para la investigación educativa, porque permite identificar patrones, trayectorias, recurrencias, relaciones y problemas que antes resultaban mucho más difíciles de advertir. Pero esa ampliación no produce conocimiento por sí sola. Exige formar capacidades específicas para leer, interpretar y problematizar esos datos con criterio pedagógico, ético y metodológico. Por eso también hay un nuevo desafío educativo: enseñar a indagar en contextos de abundancia de datos, no solo para usar herramientas analíticas, sino para comprender qué se puede inferir, qué no, bajo qué supuestos y con qué responsabilidades.
Gracias Pedro
Perfil de Pedro Figueroa: AI y Educación. Orador TEDx. Global Teacher Award 2021. Directivo. Profesor Universitario. Comunicador. Investigador. Asesor educativo.
Sé el primero en comentar