Salvo que te dediques a la investigación o te apasione (o probablemente las dos cosas a la vez), el proceso que te voy a presentar seguramente no te servirá como tal. Sí podrás llevarte algunas estrategias o, simplemente, observar uno de mis flujos de trabajo y cómo hago uso de la inteligencia artificial en distintas partes del proceso.

Por si no leíste el correo de la semana pasada (no está en abierto), Lo que deja la CrIbA es una nueva serie mensual que publicaré en Substack y que te llegará por correo.

Mi objetivo es compartir mi lectura y análisis de la investigación reciente sobre cómo la IA influye en el aprendizaje, la enseñanza y el comportamiento humano.

Mi intención inicial es seleccionar, conectar e interpretar los estudios recientes de mayor calidad sobre estas temáticas. No te contaré solamente lo que dicen los estudios, sino también qué partes de lo que dicen realmente se sostienen.

Parto de cinco preguntas que me servirán de guía para escribir cada entrega:

• ¿Qué estamos aprendiendo?

• ¿Qué hallazgos o tensiones empiezan a aparecer?

• ¿Qué evidencia los sostiene?

• ¿Qué merece nuestra atención?

• Y, especialmente, ¿qué seguimos sin saber?

En esta que podríamos llamar entrega #0, te cuento qué sucede antes: cómo selecciono los estudios que terminarán llegando hasta ahí.

Y sí, hay bastante IA por el camino.

1. Construir los radares

Una de las cosas que ha facilitado la IA generativa es delegar una primera criba semántica de grandes cantidades de información. Pero eso no significa que las estrategias más tradicionales hayan dejado de tener sentido. En mi caso, combino ambas.

El primer radar son las alertas de Scopus.

Con ayuda de ChatGPT diseñé cinco alertas para cubrir las temáticas que he comentado antes. Cada domingo recibo un correo por cada una con los artículos publicados durante esa semana en revistas científicas de alto impacto.

Estas alertas las he iterado varias veces para intentar que funcionen como buenos radares: que capturen aquello que me interesa sin traer consigo demasiado ruido. Ayer, sin ir más lejos, terminé de ajustar la última.

Mucho ensayo y error. No hay otra.

Pero la inversión en automatización merece la pena: yo no busco los artículos; los artículos llegan cuando yo decido.

Además, estoy suscrito a unas cuantas revistas que me avisan por correo cuando publican nuevos artículos.

Y tengo un tercer radar: una tarea programada con ChatGPT que semanalmente realiza otra búsqueda y me envía un informe.

Tres fuentes distintas. Radares automáticos trabajando permanentemente.

Problemilla: exceso de información.

2. Encontrar información no es el problema

Durante mucho tiempo, una parte importante del problema era encontrar información relevante. Aunque ahora comience a costar verlo, redes como Twitter eran un espacio esencial para esta tarea…

Ni aunque me dedicara exclusivamente a revisar estudios sería capaz de analizar e interpretar todo lo que llega cada semana. Surge la pregunta de:

¿A qué merece la pena prestar atención?

Para resolver principalmente el exceso de información procedente de las alertas de Scopus (las otras dos fuentes son bastante más manejables) diseñé un GPT personalizado llamado Vigilante CrIbA.

Cada semana descargo de Scopus cinco archivos con datos como el título, autores y resumen de los artículos detectados. Uno por cada alerta.

Los subo juntos a un chat de Vigilante CrIbA.

Y comienza la primera criba.

3. Primer filtro: relevancia

Vigilante CrIbA procesa conjuntamente las cinco alertas bibliográficas: elimina duplicados, pero conserva las distintas alertas en las que ha aparecido cada artículo; clasifica los estudios y establece una prioridad inicial para su revisión.

Finalmente, genera un Excel que puedo analizar con calma. Ahí es ya cuando comienzo a descargar artículos.

El GPT no decide qué voy a leer. Lo que hace es reducir mi espacio de decisión.

En lugar de enfrentarme a decenas o cientos de referencias, me ayuda a identificar cuáles parecen especialmente relevantes, cuáles podría guardar y cuáles probablemente no justifican que continúe invirtiendo atención en ellas. La decisión final sobre qué artículos pasan a la siguiente fase sigue siendo mía.

Este primer filtro responde fundamentalmente a una pregunta:

¿Me interesa este estudio para las preguntas que estoy intentando responder?

Pero que algo me interese no significa que sea un buen estudio.

Ahí comienza el segundo filtro.

4. Segundo filtro: calidad

En el siguiente paso vuelvo a apoyarme en un GPT personalizado que llevo utilizando desde hace bastante tiempo. Se llama Review Papers y está diseñado para ayudarme a analizar y valorar críticamente artículos científicos aplicando guías internacionales según el tipo de estudio.

Este es un paso bastante más sensible.

Aquí ya trabajo en paralelo con los PDF completos de aquellos artículos que han superado la primera criba. Review Papers me ayuda a examinar el diseño del estudio, su metodología, los análisis realizados, sus limitaciones y, sobre todo, hasta dónde permiten llegar realmente sus resultados.

Su función no es decidir por mí si un estudio es “bueno” o “malo”, sino ayudarme a detectar cuáles justifican una revisión más profunda y cuáles presentan suficientes limitaciones (o aportan tan poco a mis preguntas) como para no continuar.

Porque una cosa es lo que un artículo afirma y otra, a veces bastante diferente, lo que sus datos permiten afirmar.

Y esa diferencia me interesa especialmente.

5. Tercer filtro: lectura profunda

Llegados aquí, quedan muchos menos artículos.

Es entonces cuando reservo mi lectura más detenida para aquellos que han superado dos preguntas diferentes:

¿Es relevante?

¿La evidencia que aporta es suficientemente sólida?

Un estudio puede abordar una cuestión fascinante y ser metodológicamente débil. Estos suelen ser los que llegan a los medios tradicionales y se mueven mejor por redes sociales. Otro puede estar muy bien diseñado y, sin embargo, aportar poco a las preguntas que estoy explorando.

Solo algunos superan ambos filtros.

Algunos de ellos serán finalmente los que acabes encontrando en cada edición de Lo que deja la CrIbA. Otros serán utilizados probablemente en otras partes de mi trabajo.

La IA no siempre ahorra tiempo

Supongo que no pensarás que todo este sistema está diseñado para trabajar menos.

Por si acaso lo parece, una advertencia que ya empieza a ser clásica.

La IA no siempre va a reducir el tiempo de trabajo o de toma de decisiones. En este caso, claramente lo aumenta.

La diferencia es otra.

Reduce el coste de determinadas operaciones (buscar, organizar, detectar duplicados, clasificar o realizar una primera revisión) y eso me permite hacer cosas que antes difícilmente habría podido hacer a esta escala.

Puedo ampliar enormemente mi capacidad para detectar estudios, hacer una primera criba y analizar críticamente su calidad. Pero esa ampliación también abre nuevas posibilidades de lectura, comparación e interpretación que requieren tiempo. Por ejemplo, todos esos análisis con el GPT personalizado Review Papers me permiten seguir aprendiendo cosas de metodología, análisis de datos o capturar ideas de futuros estudios.

Es decir, por el camino me llevo cosas no planificadas.

La IA hace más barato llegar hasta la información. Pero es una trampa en términos de productividad.

Decidir qué merece nuestra atención y qué podemos afirmar a partir de ella sigue siendo otra historia. Algo que la IA no va a resolver por nosotros. O al menos, yo tengo claro que no nos conviene.

Hoy hemos estado en la cocina. En la próxima entrega, ya sí, sale el primer plato ;)

Cuídate.

Suscríbete ahora

Pero poder hacer más no significa necesariamente saber mejor qué merece la pena hacer.

Este es uno de los principios que atravesó la conversación que mantuve con Pablo Vázquez, autor del libro Tsunami y creador de Vida Inteligente. Una entrevista en la que intentamos comprender mejor la IA actual, pero también pensar en cómo queremos relacionarnos con ella.

Además de invitarte a escucharla, te dejo tres ideas que merecen la pena destacar.

La IA amplifica lo que ya somos

La IA me permite acometer proyectos para los que no tendría ni el conocimiento ni el tiempo. A la vez, podemos correr el peligro de que se nos pase la vida haciendo, haciendo, haciendo.

La IA puede potenciar nuestras fortalezas, pero también hacer más peligrosas algunas de nuestras debilidades.

Si somos curiosos, nos permitirá aprender y explorar más. Si disfrutamos creando, multiplicará nuestra capacidad para convertir ideas en proyectos. Pero, si nos cuesta parar, también puede abrir una sucesión interminable de posibilidades, tareas e iteraciones.

En ocasiones, el límite no estará en lo que la IA pueda hacer, sino en nuestra capacidad para decidir cuándo algo ya es suficiente.

De conversar a delegar

En un chatbot hay una conversación de ida y vuelta. A un agente le das un objetivo y se pone a trabajar con cierto grado de autonomía hasta que lo consigue o necesita algo de ti.

En los últimos años hemos aprendido a conversar con la IA. Ahora empezamos a delegarle objetivos.

Cuando una tecnología deja de responder únicamente a nuestras preguntas y comienza a actuar, también cambian nuestra responsabilidad y la necesidad de supervisar lo que hace.

En la entrevista intentamos poner algo de orden con los términos de chatbots, asistentes personalizados, proyectos y agentes. Las fronteras seguirán moviéndose, pero comprender sus diferencias nos ayuda a elegir mejor cómo utilizarlos y cuánto control queremos ceder.

Entender estos términos y diferenciarlos, insisto, te hará utilizar mejor.

Proteger nuestros recursos y ejercer agencia

Si has protegido tu tiempo, dinero y energía, y tienes esa agencia que te impulsa a hacer cosas, apoyado por la IA vas a poder hacer más cosas que nunca.

Dominar la IA no consiste únicamente en conocer nuevas herramientas.

También requiere autorregulación para proteger nuestra atención y agencia para transformar esa atención en acciones alineadas con lo que queremos hacer y con la vida que queremos vivir. La autorregulación sin agencia puede protegernos, pero dejarnos inmóviles. La agencia sin autorregulación puede llevarnos a hacer cada vez más cosas sin preguntarnos hacia dónde vamos.

Además, estas capacidades te servirán para un montón de cosas en la vida. Diría que son la base de casi todo.

La cuestión no es solamente cuánto puede hacer la IA por nosotros. También importa qué capacidades humanas queremos conservar, desarrollar y poner al servicio de algo que consideremos valioso. Algo de lo que hablé en un episodio anterior.

De todo esto y unas cuantas cosa más, hablamos en este último episodio que puedes escuchar en Spotify, Youtube Podcast, iVoox o en Apple podcast

Una cosa más… Llega “Lo que deja la CrIbA”

El 29 de agosto comienzo una nueva serie mensual en Substack llamada Lo que deja la CrIbA.

Una vez al mes compartiré mi lectura de la investigación reciente sobre IA, aprendizaje y enseñanza.

La idea no es hacer una colección de estudios ni resumir papers uno detrás de otro. Quiero hacer algo más útil:

1. Seleccionar.

2. Conectar.

3. Interpretar.

Trataré de resolver en cada edición cuestiones como:

• ¿Qué estamos aprendiendo?

• ¿Qué hallazgos o tensiones empiezan a aparecer?

• ¿Qué evidencia los sostiene?

• ¿Qué merece nuestra atención?

• Y, especialmente, ¿qué seguimos sin saber?

Lo publicaré en formato artículo y cada entrega llegará gratuitamente por correo a los suscriptores.

Suscríbete ahora

Primera entrega: 29 de agosto.

Mientras, cuídate.

Curiosamente, creo que ese ya no es el debate más importante.

Llevo dos años utilizando ChatGPT prácticamente todos los días. Y ahora también Copilot, al ser mi herramienta institucional en la universidad. Las uso para investigar, escribir, preparar clases, analizar artículos, programar tareas, crear un modelo de entrenamiento deportivo, etc. Y, sinceramente, no recuerdo la última gran alucinación.

Por supuesto, hay respuestas que me convencen más que otras. A veces simplifica demasiado. Otras interpretan peor lo que quiero o necesitan que les redirija la conversación. Pero una auténtica alucinación, de esas que inventan información de forma evidente, hace mucho tiempo que no veo.

Quizá el verdadero riesgo ya no sea que la inteligencia artificial falle.

Quizá el verdadero riesgo sea que nosotros dejemos de pensar porque casi nunca falla.

Pablo Vázquez lo explica muy bien en su libro Tsunami cuando dice que la IA ha dejado de vivir en una ventana de chat para mudarse a nuestro entorno de trabajo. Ya no es solo conversación. Es delegación y supervisión.

Creo que esa idea es fundamental. Pero añadiría una pregunta más.

¿Qué deberíamos seguir haciendo nosotros, incluso cuando la IA pueda hacerlo perfectamente?

Porque la conversación ya no consiste en decidir si la IA es suficientemente buena. La conversación consiste en decidir qué merece la pena seguir entrenando como seres humanos.

Durante mucho tiempo hemos pensado que el problema era tecnológico. Que la cuestión era cuándo la IA sería suficientemente fiable. Sin embargo, cuanto mejor funciona, más fácil resulta caer en una confianza excesiva.

Y esa confianza cambia nuestra forma de relacionarnos con el conocimiento.

Al principio comprobamos todo.

Después comprobamos algunas cosas.

Y, poco a poco, dejamos de comprobar casi nada.

Pero el problema no es únicamente verificar menos. El problema es que dejamos de ejercitar determinadas capacidades. Cada vez que delegamos una tarea no solo ahorramos tiempo. También dejamos de practicar las habilidades que esa tarea exigía.

Y esa diferencia me parece enorme.

Imaginemos que la IA resume un artículo científico. Puede hacerlo muy bien. Pero una cosa es pedirle un resumen. Y otra muy distinta es pedirle que decida qué es realmente importante, qué ideas merece la pena conservar o qué implicaciones tiene ese trabajo para nuestra manera de pensar.

Eso ya no es resumir. Eso es sustituir nuestro criterio.

Y el criterio no aparece porque alguien nos dé una buena respuesta. Se construye comparando ideas, detectando contradicciones, haciéndonos preguntas, cambiando de opinión y, muchas veces, equivocándonos.

Por eso creo que el debate sobre la IA nunca ha sido realmente un debate sobre la tecnología.

Es un debate sobre las capacidades humanas.

No todo lo que podemos delegar deberíamos delegarlo. Delegar tareas mecánicas tiene mucho sentido. Por ejemplo:

• Transcribir una reunión.

• Traducir un texto.

• Generar un primer borrador.

• Resumir información que ya conocemos.

Todo eso puede hacernos mucho más eficientes. Pero hay otras capacidades que conviene seguir entrenando:

• Detectar errores.

• Relacionar ideas.

• Tomar decisiones.

• Construir argumentos.

• Formular buenas preguntas.

Y, sobre todo, desarrollar algo que me preocupa especialmente: la metacognición. Es decir, saber lo que sabemos y lo que todavía no sabemos. Reconocer cuándo una respuesta nos convence demasiado rápido. Darnos cuenta de que quizá necesitamos comprobar algo. Regular nuestro propio aprendizaje.

Porque una cosa es pedir ayuda para pensar mejor. Y otra muy distinta es dejar que otro piense por nosotros.

Hace poco escribía una idea que cada vez tengo más clara. El debate no está en reducir esfuerzos al aprender. El debate está en decidir qué habilidades queremos seguir desarrollando y cuáles tienen sentido delegar.

La diferencia es enorme.

Hay investigaciones recientes que apuntan precisamente en esa dirección. Los estudiantes que primero intentan resolver un problema por sí mismos y después utilizan la IA para mejorar su respuesta terminan aprendiendo más que quienes recurren a ella desde el principio.

Tiene sentido.

Pensar primero obliga a recuperar conocimientos, organizar ideas y enfrentarse a la incertidumbre. Después, la IA puede convertirse en una herramienta extraordinaria para ampliar, contrastar o mejorar ese trabajo.

Pero el aprendizaje ya ha empezado antes.

Por eso cada vez me gusta más hablar del protocolo “pensar primero”. No porque haya que renunciar a la inteligencia artificial.

Al contrario.

Porque cuanto mejores sean estos sistemas, más importante será decidir cuándo utilizarlos.

Y cuándo no.

Pablo Vázquez también señala otra idea que comparto plenamente: la IA actúa como un amplificador. Potencia nuestras fortalezas, pero también puede amplificar nuestras debilidades.

Creo que eso es exactamente lo que está ocurriendo. Quien tiene criterio obtiene respuestas cada vez mejores. Quien delega demasiado pronto corre el riesgo de dejar de desarrollar precisamente ese criterio.

Y ahí está, para mí, el verdadero desafío.

No aprender a utilizar la inteligencia artificial. Eso, con más o menos tiempo, casi todos acabaremos haciéndolo. El reto es otro.

Es conservar aquellas capacidades que nos permiten seguir siendo intelectualmente autónomos en un mundo donde cada vez será más fácil obtener respuestas excelentes sin haber recorrido el camino para comprenderlas.

Porque quizá la cuestión más importante ya no sea qué puede hacer la inteligencia artificial.

Sino, ¿qué capacidades deberíamos seguir entrenando, incluso cuando delegarlas resulte más rápido, más cómodo o más eficiente?

La IA nos obliga a distinguir entre lo que queremos evitar y lo que necesitamos seguir entrenando.

Suscríbete ahora

Soy fan del pulpo coco. Será el protagonista en una charla que esta semana tendré sobre IA y aprendizaje titulada Staying Human in the Age of AI: Learning to Think with and without Technology (Seguir siendo humanos en la era de la IA: aprender a pensar con y sin tecnología).

Te invitaría, pero es en inglés y bastante tensión tengo ya :)

El pulpo coco es un animal con una capacidad de aprendizaje excepcional. Vive en fondos arenosos del Indo-Pacífico. Utiliza medias cáscaras de coco y conchas como refugio. Hasta ahí, más o menos normalillo.

Sin embargo, transporta esos objetos durante bastante tiempo antes de necesitarlos y, cuando detecta peligro, monta rápidamente un refugio con ellos.

Tiene planificación futura, uso de herramientas, comportamiento flexible y capacidad de resolución de problemas.

Una combinación fascinante de adaptación, exploración y aprendizaje.

Además, queda huérfano al nacer. Es un aprendiz autónomo. Aprende por experiencia y muestra comportamientos exploratorios.

Y quizá ahí está la parte más interesante de la historia.

Precisamente por eso me acordé de él mientras preparaba la charla sobre IA y aprendizaje.

¿Y qué tiene que ver esto con la IA?

El pulpo coco no lleva la concha todo el rato puesta. No delega completamente su supervivencia en la herramienta.

La herramienta amplía sus capacidades cuando la necesita. Pero no deja de desarrollar habilidades por tenerla. Además, lo mismo usa cáscaras de coco, conchas… No se casa con ninguna herramienta.

La IA y otras herramientas tampoco sustituyen ni al organismo ni a nuestra capacidad de pensar. Lo que hacen (o pueden hacer) es ampliar nuestras posibilidades de adaptación.

El pulpo coco no sobrevive gracias a la herramienta.

Sobrevive gracias a las capacidades que ha desarrollado para saber cuándo utilizarla.

Tal vez esa sea también una buena lección para nosotros en la era de la IA.

Te dejo un breve vídeo para verlo en acción, aunque también te recomiendo el documental Los secretos de los pulpos de National Geographic.

Y ahora sigo practicando la charla en inglés, porque aunque la IA me ha ayudado en varias fases de la preparación, no hay nada como hablar en voz alta, sin apuntes y grabándose.

La cuestión no es tener una herramienta inteligente.

La cuestión es seguir siendo inteligentes cuando la herramienta está disponible.

Cuídate.

Suscríbete ahora

El problema de los resúmenes automáticos no es que sean malos. Es que pueden eliminar precisamente aquello que hace posible el aprendizaje: el procesamiento activo de la información.

Consumir más información no supone directamente ni más conocimiento ni más aprendizaje. A veces es más ruido informacional.

Este uso tan extendido no es de mis favoritos precisamente, por lo menos por ahora. Sin embargo, sí utilizo mucho la IA cuando estoy procesando nuevo contenido.

La clave es el procesamiento activo de la información.

Te cuento un pequeño experimento para darte mis motivos, pero antes unos principios básicos del aprendizaje que la IA no va a cambiar y es lo que realmente nos permitirá convertir información en conocimiento, y no si uso NotebookLM, ChatGPT o la que sea.

Es cierto que aprendemos mucho por imitación (y otras vías), pero la mayoría de nuestros aprendizajes, sobre todo en la edad adulta, se producen cuando estamos pensando activamente con el objeto de aprendizaje. Esto significa, por ejemplo, que activamos nuestros conocimientos previos para buscar conexiones y relaciones con la nueva información.

También supone reflexionar sobre la posible utilidad del nuevo contenido, valorar si estábamos equivocados con nuestras ideas previas, la utilidad práctica en nuestro contexto actual o próximo, etc.

Tomar notas es una de mis estrategias favoritas de procesamiento activo de la información. No acelera el aprendizaje, pero sí aumenta la probabilidad de hacerlo más duradero, ya que mejora la comprensión y la atención.

Y no importa si tomamos notas en papel o en digital. La clave es aprovechar el efecto de almacenamiento externo, utilizando las notas también como recurso de revisión, facilitando la consolidación del aprendizaje. Y no, esto no debilita tu memoria.

Resúmenes automáticos con IA

Muchas personas sacan la transcripción automática de un vídeo, lo pegan en ChatGPT y le piden las ideas principales o el resumen completo. La IA realiza esta tarea bastante bien. Lees el resultado y pasas a una nueva pieza de información.

En este escenario probablemente habrás comprendido algunas ideas generales, pero es difícil que construyas aprendizajes duraderos si no haces nada más con esa información. No has procesado activamente el contenido ni has creado nada con él. Tampoco has tomado notas.

Lo que sí has logrado es eliminar el esfuerzo, algo que suele perjudicar el aprendizaje. Lo que no cuesta nada, es complicado que se pueda aprender.

Otra opción es pegar el enlace en NotebookLM y repetir el proceso. En este caso, me gusta menos el resultado que genera, pero a efectos de aprendizajes duraderos, el problema es exactamente el mismo.

Igual que la comida se mastica y se pasa por un proceso de digestión, con la información sucede algo parecido. Comemos para nutrirnos y sentirnos mejor. Y si con una pieza informativa queremos generar aprendizajes duraderos, no podemos saltarnos la digestión, que comienza en la masticación, por cierto.

En muchas ocasiones he leído resúmenes generados por IA de algún texto. Luego he leído el texto completo y, además de ver matices importantes, he detectado que ciertas ideas pasaban desapercibidas en el resumen de la IA.

No son alucinaciones, no son errores. Es que lo que es importante para la IA no siempre va a coincidir con lo que para mí es importante.

¿Y por qué?

Porque yo estoy consumiendo esa información con una intención, un propósito concreto o con unos conocimientos previos distintos a los tuyos y a los de la IA.

Procesar activamente información con la IA

Ayer estaba con una ponencia de Danny Liu, profesor de la University of Sydney. Básicamente, presentaba un enfoque para integrar la IA generativa en la educación superior, en el que la evaluación ocupa un papel crítico a discutir y definir.

Tras una placentera salida en bici, me puse en la cama con las “patas arriba” (expresión ciclista) y procesando activamente la información.

La ponencia duraba más o menos 30 minutos. Yo gasté en total unos 60 minutos. No aceleré el aprendizaje desde la variable tiempo. No lo optimicé, pero probablemente sí convertí información en aprendizajes más duraderos, accionables y recuperables.

Te cuento mi metodología para este caso.

La ventaja de un vídeo es que te permite pararlo. No lo contabilicé, pero fácilmente paré el vídeo unas 15 veces. Sin contar otras 5 por interrupciones de mis peques... Ninguna interrupción tecnológica, aunque estuviera con una tablet y un móvil ;)

No visualicé el vídeo con la intención de sacar ideas principales (al menos no como objetivo principal), sino que buscaba conectar lo que ya sé sobre el tema con tareas objetivo que tengo próximamente relacionadas con él. Cosa que la IA todavía no conoce del todo.

Mientras visualizo la ponencia con una tablet, hago pausas y con el móvil converso con ChatGPT para debatir sobre algunas ideas que me llaman la atención. Algunas conclusiones a las que llego con ChatGPT me las llevo a mis notas de la charla en Obsidian, para que cuando necesite rescatar esa información nueva que he ido construyendo, la tenga accesible.

Nuestra memoria es limitada. Necesitamos externalizar la información, pero debe estar correctamente organizada y estructurada.

Otra de las cosas que iba haciendo era tomar notas de artículos académicos que citaba Danny Liu, informes de su universidad, enlaces a recursos de uso de IA para educadores, anotar personas que citaba y rastrearlas en Google Scholar o LinkedIn.

Todo queda en una nota de Obsidian. Y hoy, por ejemplo, me sirve para preparar este artículo. Sigo, por lo tanto, procesando de manera activa la información.

Mi objetivo no era entender mejor el vídeo. Era utilizar el vídeo para pensar mejor.

Si antes de ver el vídeo pido simplemente un resumen de ideas en NotebookLM me hubiera quedado con eso que ves. Y te aseguro que no habría acabado viendo la charla entera.

ChatGPT hizo algo un poco más interesante. Lo pudo hacer porque tiene todo mi contexto de conversaciones de más de dos años. Observa lo que hizo en la parte final de la respuesta.

Está conectando la nueva información con mis intereses/conocimientos previos. Pero lo hace la IA, restando valor real a mi aprendizaje. Ojo con delegar esta tarea de conectar lo nuevo con lo viejo.

Ten en cuenta que todos mis artículos que publico por aquí pasan siempre antes por ChatGPT para revisión de estilo. Prácticamente todas mis ideas sobre el tema las itero y discuto con esta herramienta. Digamos que tiene acceso a muchas más de mis ideas de las que yo soy capaz de recuperar espontáneamente en cada momento.

En cualquier caso, eso no significa que consumir este resumen me hubiera sido útil para aprender. Y, por supuesto, me habría perdido todos los recursos que anoté o las conversaciones que hice con ChatGPT sobre la marcha, que luego se convirtieron en notas. Este artículo es realmente otra nota más ;)

No fui más productivo en el sentido en que la mayoría percibe la productividad. Una hora, más otra de escribir este artículo, para un vídeo de 30 minutos... Yo no lo veo para nada así.

Cuando en profesiones basadas en el conocimiento escucho decir a personas que se ahorran tiempo en tareas de conversión de información en conocimiento, me sorprende mucho. Yo acabo siempre diciendo que ahora gasto más tiempo que antes, pero tengo la sensación de que mejoro mis habilidades para aprender y de pensar y genero mejores ideas. Pero en lo que es tiempo, gasto más, bastante más.

La IA puede acelerar la búsqueda, la organización o la recuperación de información. Incluso puede convertirse en un excelente interlocutor para pensar. Pero sigue sin poder hacer la parte más importante del aprendizaje: establecer conexiones, cuestionar nuestras ideas previas, generar significado y construir conocimiento. Esa parte sigue requiriendo procesamiento activo. Y, por ahora, también tiempo.

Suscríbete ahora

Nota. Imagen generada con ChatGPT/OpenAI a partir de un prompt de los autores.

La tecnología y, especialmente, la Inteligencia Artificial (IA), empujan constantemente hacia lógicas de eficiencia y optimización. Caemos una y otra vez en la trampa de la productividad, pensando como docentes cosas como: más actividad implica mejor aprendizaje; automatizar equivale necesariamente a mejorar.

Esta obsesión contemporánea por la optimización nos puede llevar a confundir movimiento con dirección, siendo la distinción entre tareas adyacentes y decisiones estructurales una estrategia válida como medida de prevención. Algo de lo que ya hablamos en nuestra última conversación en el podcast de eduHacking.

Tareas adyacentes y decisiones estructurales

Cuando hablamos Juan Fernández y yo para Eduhacking intentamos profundizar en la diferencia entre lo adyacente y lo estructurante, una idea del libro “En blanco: cómo focalizar la atención, la memoria y la motivación para aprender mejor”. Lo adyacente rodea al aprendizaje sin determinarlo, la micro-ingeniería cotidiana que consume tiempo y energía, pero no fija el sentido del curso de acción. Lo estructural es lo que ordena el sistema didáctico, jerarquiza fines, decide qué merece atención y qué queda relegado. Define el tipo de experiencia de aprendizaje que se vuelve posible.

En la práctica diaria del profesorado, esta distinción es extremadamente operativa. Permite, por ejemplo, usar la IA como prótesis de productividad sin ceder soberanía pedagógica. La IA puede hacerse cargo de crear borradores, variaciones de ejemplos, generar bancos de ítems, ayudar al estudio, hacer traducciones, establecer niveles de lectura, proporcionar retroalimentación preliminar, revisar código…

Todo liberando recursos atencionales para la tarea que no se puede externalizar sin pérdida. Puede que debamos hablar más de la IA como redistribución de la atención y menos en términos de productividad.

Lo que no puede externalizarse sin pérdida

Con esto nos referimos a aquellas actividades que exigen a los docentes sostener el criterio y el propósito pedagógico: decidir qué se evalúa, con qué finalidad y en qué momento; determinar dónde se sitúa el énfasis; definir qué constituye evidencia de comprensión; y establecer qué concesiones no deben negociarse por razones de equidad, coherencia curricular y cuidado pedagógico.

La IA encaja bien en lo adyacente cuando se usa como generador de alternativas bajo restricciones explícitas del profesorado, pero se vuelve problemática cuando sustituye procesos de deliberación que deberían seguir siendo sostenidos por el profesorado.

La IA puede ampliar el espacio de opciones o sistematizar procedimientos, pero no toda delegación es neutra. Hay procesos cuya función principal no es producir respuestas, sino construir la estructura mental capaz de evaluarlas, justificarlas y sostenerlas críticamente. Ahí se juega la direccionalidad del aprendizaje y la legitimidad de la evaluación.

Un paso más: procesos de ejecución y procesos generativos

La distinción entre tareas adyacentes y decisiones estructurales permite delimitar qué funciones pueden delegarse sin comprometer la dirección pedagógica. Sin embargo, todavía deja abierta una cuestión más profunda: no todas las tareas cumplen la misma función en la construcción del pensamiento.

Desplazamos ahora el foco desde la arquitectura pedagógica (adyacente-estructural) hacia la función cognitiva (ejecución-generación). Con esta segunda distinción no diferenciamos por el nivel de dificultad o la duración para resolver tareas, sino por función cognitiva.

Los procesos de ejecución serían aquellas actividades que tienen problemas definidos, criterios ya fijados y solo hay que aplicar, ordenar o producir. Formatear un texto, aplicar una rúbrica ya diseñada, reorganizar bibliografía… Son tareas de gestión y de administración.

Los procesos de ejecución producen resultados.

Los procesos generativos los vemos en actividades que requieren jerarquizar información, relacionar ideas, decidir qué es relevante, diseñar criterios de una rúbrica, construir argumentos propios… Se trata de construir lo que luego se puede ejecutar.

Delegar en la IA procesos generativos puede producir resultados aceptables sin que se haya desarrollado el tipo de estructura mental que esos procesos pretendían entrenar.

Porque aprender no consiste únicamente en producir respuestas correctas, sino en construir representaciones mentales cada vez más complejas, flexibles y transferibles.

Ambos procesos son necesarios, pero los generativos son formativos. Usar la IA para evitar el desarrollo de estos procesos sería lo problemático, lo cual no significa que no nos pueda ayudar, error en el que se suele caer llegados a este punto.

La IA puede participar en procesos generativos cuando nos ayuda a explorar alternativas, ofrecer puntos ciegos, sugerir nuevos marcos en enfoques… El problema de fondo no es si la IA interviene en procesos de generación (o en los estructurales), sino quién lleva el peso del proceso generativo y quién toma las decisiones finales.

Experticia, fricción cognitiva y desarrollo del aprendizaje

No se trata únicamente del tipo de tarea, sino de los procesos cognitivos que activa y del tipo de representación mental que contribuye a desarrollar. Lo verdaderamente decisivo es preguntarse qué estamos entrenando -o dejando de entrenar- cuando delegamos parte del proceso en la IA.

Esto introduce variables importantes. Una misma actividad puede ser profundamente generativa para un principiante y convertirse en un proceso principalmente ejecutivo para alguien experto. Del mismo modo, la eliminación sistemática de toda fricción cognitiva puede hacer las tareas más rápidas o cómodas, pero también reducir los procesos de elaboración, reorganización mental y toma de decisiones que favorecen aprendizajes más profundos y transferibles.

Por eso, decidir cuándo usar IA no depende únicamente de la naturaleza aparente de la tarea, sino del papel que esa tarea desempeña en el desarrollo cognitivo de quien aprende.

Feedback de ejecución y generación

La distinción entre ejecución y generación también transforma la forma de entender el feedback educativo. La IA está reconfigurando este proceso porque puede operar en dos funciones que antes estaban parcialmente separadas por limitaciones humanas y logísticas.

Por un lado, un feedback orientado a la ejecución, centrado en corregir, ajustar y optimizar el desempeño inmediato. Por otro, un feedback generativo, orientado a producir nuevas rutas de acción, explicaciones, ejemplos y preguntas que amplían las posibilidades cognitivas del alumnado.

Esta doble capacidad es potente y, a la vez, delicada. Puede acelerar el cierre de una tarea a costa de empobrecer el aprendizaje, o introducir fricción inteligente para que el aprendizaje se vuelva más duradero y transferible.

Feedback inmediato orientado a la ejecución

Cuando el objetivo es sostener la ejecución y facilitar el avance, el feedback inmediato es útil si se entiende como control de rumbo, no como sustituto del pensamiento.

En escritura, por ejemplo, una IA puede señalar incoherencias locales, ambigüedades léxicas o un salto lógico entre párrafos; en matemáticas, detectar un error procedimental recurrente; en un cuaderno de laboratorio, advertir de un paso omitido. Este tipo de intervención reduce el coste cognitivo y sostiene la persistencia del alumnado cuando el error amenaza con convertirse en abandono.

Ahora bien, este mismo mecanismo puede anestesiar el aprendizaje si el feedback se vuelve demasiado próximo, completo y directivo. El riesgo es la dependencia: el alumnado aprende a externalizar el criterio en la máquina y a medir el éxito por la velocidad de cierre, no por la calidad del modelo mental construido.

Feedback desplazado en el tiempo: fricción inteligente y dificultad deseable

La segunda utilidad cotidiana, menos intuitiva pero potencialmente más transformadora, es utilizar la IA para dosificar deliberadamente el feedback en el tiempo.

En lugar de resolver inmediatamente cada error, la ayuda puede retrasarse estratégicamente para obligar al alumnado a recuperar, discriminar, explicar o reorganizar antes de recibir apoyo. Esa fricción inteligente introduce dificultad deseable y favorece procesos de elaboración que, paradójicamente, fortalecen la retención y la transferencia.

La IA aquí no actúa únicamente como asistente, sino como un entrenador que regula el nivel de apoyo. Primero induce al alumnado a intentar explicar, resolver o recordar; solo después ofrece retroalimentación correctiva y elaborativa. Esta lógica está muy alineada con la evidencia que muestra que la práctica de evocación, el espaciado y determinadas dificultades introducidas con criterio producen aprendizajes más robustos, aunque en el momento se perciban como más lentos o más difíciles.

Pero precisamente porque el feedback orienta, regula y hace visible determinados procesos de pensamiento, la IA no solo está transformando cómo aprendemos, sino también qué significa evaluar y qué tipo de aprendizaje somos capaces de reconocer.

Dime cómo me evalúas y te digo cómo aprendo y cómo uso la tecnología

La irrupción de la IA también obliga a replantear una cuestión más profunda: qué significa realmente evaluar en un contexto donde producir respuestas aceptables es cada vez más fácil. El problema no parece residir únicamente en que la IA permita automatizar tareas o facilitar atajos, sino en que hace visibles las limitaciones de modelos evaluativos centrados principalmente en verificar productos finales.

Durante años, gran parte de la evaluación educativa ha descansado sobre tareas donde era posible obtener resultados aparentemente correctos sin necesidad de hacer visible el proceso de comprensión, deliberación o construcción de criterio. La IA amplifica esta tensión y desplaza el foco hacia formas de evaluación donde el pensamiento, la interpretación, la toma de decisiones y la capacidad de justificar adquieren mayor relevancia.

En este sentido, el debate educativo sobre IA quizá no trate únicamente sobre herramientas, sino también sobre la necesidad de recuperar formas de evaluación más formativas, auténticas y centradas en procesos que permitan distinguir entre delegar tareas y dejar de sostener el aprendizaje.

Lo que seguimos necesitando sostener

La IA seguirá mejorando. Resolverá tareas más rápido, generará mejores explicaciones y reducirá cada vez más la fricción cognitiva de muchas actividades. Precisamente por eso, la pregunta educativa importante ya no es qué puede automatizarse, sino qué dejamos de desarrollar, en nosotros mismos y en el alumnado, si automatizamos demasiado.

Porque el problema no aparece cuando la máquina produce respuestas aceptables. Aparece cuando dejamos de sostener aquellos procesos que construyen criterio, autonomía intelectual y capacidad de transferencia.

El valor pedagógico de delegar parte de un proceso en la IA no depende únicamente de la tarea en sí misma, sino también del momento del aprendizaje, del nivel de desarrollo de quien aprende, del propósito formativo perseguido y del contexto educativo en el que esa actividad adquiere sentido.

En un contexto donde la automatización empuja constantemente hacia la eficiencia y la aceleración, quizá una parte del reto educativo contemporáneo consista también en preservar formas de aprendizaje y evaluación que sigan exigiendo deliberación, interpretación, criterio y responsabilidad humana, incluso cuando las máquinas ya son capaces de producir respuestas convincentes.

Suscríbete ahora

Pero no hacer nada con el dinero también tiene consecuencias.

En esta conversación con Alejandro Álvarez hablamos precisamente de eso: inflación, largo plazo, miedo, hábitos y educación financiera para personas que nunca aprendieron realmente cómo funciona el dinero.

No hablamos de hacerse rico rápido.
Hablamos de construir tranquilidad y criterio.

Escucha el episodio en Spotify, iVoox o en Apple podcast.

También puedes vernos en Youtube Podcast

Web de Alejandro Álvarez y resto de notas del episodio aquí.

Suscríbete ahora

Esta semana visité a mi doctora para solicitar una prueba médica. No nos conocíamos, pero hizo una cosa que me encantó.

Tras solicitar la prueba, aproveché para preguntarle por dos procesos que quiero iniciar: la donación de órganos y donar mi cuerpo a la ciencia cuando este ya diga que hasta luego.

Cuando se lo pregunté, me dijo: “No lo sé, pero espera que lo voy a buscar”. Al minuto me comentó que había mirado directamente en Google, me enseñó una web y me dijo que por ahí podría hacer la solicitud para ser donante de órganos.

Aquí ya hay algo interesante.

Primero, admitir no saber algo aunque seas doctora (puede que la profesión del conocimiento más respetada). Pero lo que más me gustó fue lo que pasó después.

Le dije que no se preocupara en buscar más detalles de los dos procesos. Que con lo que me había dicho ya podría tirar del hilo y averiguarlo. Y entonces me respondió que genial, que por favor, cuando volviera con los resultados de la prueba, le contase cómo había realizado esos dos procesos, que así los aprendería y en otras ocasiones podría informar mejor.

Una doctora (joven, por cierto) puede y debe aprender de un paciente. Busca cosas que no sabe en Google o en un chatbot de IA. Debe ser humilde, reconocer lo que no sabe y saber cómo aprenderlo, por muchos años de brillantes estudios realizados que lleve.

Si me sigues desde hace un tiempo, ya puedes imaginar que todo lo que nutre la habilidad de aprender a aprender tiene toda mi atención y admiración.

Es mi habilidad favorita porque permite desarrollar otras.

La irrupción de la IA reactivó con fuerza el debate sobre las habilidades y competencias que cualquier persona necesita desarrollar. Precisamente sobre las habilidades y tareas que no deberíamos delegar en la IA durante el aprendizaje, Juan Fernández y yo publicaremos un artículo la próxima semana, si todo va medio bien.

Pero no solamente la IA nos ha empujado a replantearnos qué habilidades o competencias debería desarrollar cualquier persona, dentro y fuera del sistema educativo.

En la antigua Atenas, Aristóteles ya reflexionaba sobre qué tipo de formación necesitaba una persona para participar en la vida pública.

Y participar es más que ejercer una profesión.

En aquel momento se priorizaban la deliberación, el cultivo de la virtud, el juicio o la participación política.

Durante la industrialización y con la escolarización obligatoria, priorizamos la disciplina y la repetición.

Más tarde, con la globalización, la revolución tecnológica y la economía del conocimiento, empezamos a valorar la resolución de problemas, el aprendizaje autónomo y la capacidad de adaptación.

Ahora, Internet, las redes sociales y la IA nos están llevando de las habilidades de acceso a la información a las de filtrado, verificación o regulación de la atención.

Aunque unas habilidades vengan, otras se vayan y algunas vuelvan, hay una que sobrevive al paso del tiempo: la capacidad de aprender.

Porque, al final, los entornos cambian, las profesiones cambian y hasta las herramientas cambian. Pero la diferencia suele estar en cómo reaccionamos cuando aparece algo que todavía no sabemos hacer.

Una bonita manera de clasificar a las personas sería la siguiente:

El grupo que, cuando se plantea un reto, lo resuelve porque ya sabía hacerlo.

Otro grupo que renuncia al reto porque dice no tener los conocimientos o capacidades necesarias.

Y mi favorito: el que, tras analizar el reto, dice que no sabe resolverlo, pero confía en que puede aprender lo necesario para superarlo. Este es el bueno ;-)

Cuídate.

Suscríbete ahora

Utilizamos palabras que parecen claras… pero que, cuando rascas un poco, dejan de serlo.

Atención.
Motivación.
Comprensión.
Evaluación.

Las usamos continuamente. En los colegios, en los institutos, en la universidad, en conversaciones informales. Damos por hecho que sabemos de qué estamos hablando.

Pero muchas veces no es así.

O, al menos, no del todo.

En eduHacking suelo moverme muchas veces en aprendizajes que ocurren fuera del sistema educativo, más allá del aula. Pero en este episodio vuelvo precisamente ahí.

La conversación que mantengo con Isaac Guerrero parte de algo muy concreto: revisar algunas de esas ideas que utilizamos a diario dentro del aula y que, sin embargo, pueden estar mal planteadas.

No desde lo teórico.
Sino desde la práctica real.

Atención: no es solo querer atender

Una de las frases más repetidas en educación es que el alumnado no presta atención.

Pero la atención no funciona como un interruptor.

No depende solo de la voluntad. Depende del contexto, del diseño del entorno, de los estímulos, del estado interno.

Y también de algo que muchas veces olvidamos: la atención se entrena.

No se puede exigir sin más.

Motivación: consecuencia más que causa

Otra idea muy instalada: para aprender, primero hay que estar motivado.

Pero la experiencia (y la evidencia) apunta a algo distinto. Nos motivamos cuando empezamos a sentir que podemos.

Cuando algo empieza a salir. Cuando percibimos progreso.

La competencia genera motivación.

No siempre al revés.

Conocimientos: lo que hace posible aprender

En el debate educativo reciente, los conocimientos a veces se presentan como un obstáculo. Como si lo importante fueran solo las competencias.

Pero no puedes pensar sin contenido.
No puedes relacionar si no hay nada que relacionar.

Los conocimientos no limitan el aprendizaje. Lo hacen posible.

Lectoescritura: lo que sostiene todo lo demás

Leer y escribir no son habilidades más. Son la base. Todo lo que ocurre en el aula pasa, de una forma u otra, por ahí.

Comprender un enunciado.
Expresar una idea.
Organizar el pensamiento.

Por eso, cómo se enseña este proceso importa más de lo que parece.

Evaluación: más allá de la calificación

Evaluar no es solo poner una nota. O, al menos, no debería serlo.

Cuando aparece la calificación, el foco cambia.
El aprendizaje pasa a segundo plano.

Sin embargo, es en el proceso (en el error, en la revisión, en el feedback) donde realmente se aprende.

El problema no es evaluar. Es para qué evaluamos.

La entrevista completa

Como siempre, te recomiendo escuchar la entrevista completa, con más contexto, matices y ejemplos. Puedes hacerlo en Spotify, YouTube Podcast, iVoox o Apple Podcast.

Suscríbete ahora

Todo el mundo cree en Dios cuando tiembla el avión
LEIVA

La elegancia es un valor muy top que te protege siempre en el futuro.

Este es uno de los mensajes que de manera literal intercambié con una amiga cuando ambos reflexionábamos sobre situaciones vividas durante la campaña a Rector/a ya finalizada en mi universidad.

La elegancia es una cualidad que persigo de manera continua, con más o menos acierto.

Es algo que ya apreciaba en mis ídolos de pequeño. Futbolistas como Raúl González del Madrid, Pujol del Barcelona, Del Bosque como entrenador, Javier Gómez Noya como triatleta, Federer, Nadal... Todos eran elegantes.

No me refiero al componente estético de la elegancia. Sino a las capas conductuales y cognitivas.

No tiene que ver con la forma en la que te ven, sino con cómo decides actuar cuando nadie te lo exige.

Para mí la elegancia es una cualidad que combina armonía, sencillez y adecuación en la forma de actuar. Y también en la forma de no actuar.

Dudo que la elegancia sea innata. Creo que se enseña, se imita y se aprende.

Requiere atención continua y autocontrol.

No es un rasgo de personalidad. Se debe cultivar y proteger porque las tentaciones para dejar de ser elegante siempre estarán.

¿Sabes cuándo de verdad puedes observar la elegancia de una persona?

Cuando se “menea el avión”, como diría el maestro Leiva.
Cuando la incertidumbre te sacude.
Cuando la injusticia (percibida) te juega una mala pasada.

Cuando un objetivo que deseas con toda tu alma corre peligro porque otra persona tiene ese mismo objetivo y sientes que se interpone en tu camino.

En estas elecciones hemos tenido cinco candidaturas, todas con talento, ideas y un deseo legítimo de ganar. Y todas (la nuestra incluida) hemos tenido la oportunidad de dejar de ser elegantes, porque normalmente en estas situaciones competitivas la elegancia no suele ser tan valorada como otras cualidades.

Se suele hablar mucho de que cuando se gana y se pierde hay que ser elegante. Y totalmente de acuerdo, pero a mí me interesa más observar la elegancia durante el proceso. Durante la tormenta.

Con el tiempo entendí que este principio aplica a contextos muy distintos. Desde a una discoteca hasta unas elecciones.

Cuando le conté a un buen amigo que me metía en estas cosas, que me había puesto Tiktok e Instagram en el móvil, que respondía mensajes a las 11 de la noche, que había parado de leer artículos científicos…, le comparé la situación con mi época en la que entraba a una discoteca a las 2 de la madrugada y salía de día, sano y salvo siempre.

Era una manera de decirle: “no te alarmes, esto va a ser temporal”. Pero también en mi interior me recordaba que saldría de la “discoteca” cuidando la elegancia, no al salir, sino dentro de esta.

Si al entrar en una discoteca ponemos el modo “todo vale”, muy probablemente tu yo del futuro tendrá que asumir futuros problemas. Te harás daño y lo peor, harás daño a otras personas.

Con 18 años siempre protegía mi futuro dentro de esa discoteca.

Durante la campaña escuché en varias ocasiones algo como: “cuando pase todo esto, seguiremos siendo compañeros y compañeras y se olvidarán cosas”.

Hay algo en esta idea que me genera dudas. ¿De verdad deberíamos olvidarlo todo?

Para mí es una lectura incorrecta. Refleja pérdida de aprendizajes. Desprecia incluso la memoria histórica.

Si pasas una tormenta (tratamiento de cáncer, elecciones, lo que sea) y sales igual, olvidas y sigues como si nada, significa que no has aprendido. Y las cosas menos agradables no se pueden olvidar.

No es rencor, es aprendizaje.

Cada tormenta que vivimos es una oportunidad de transformación que no se debe olvidar.

Y en medio de la tormenta podemos cuidar ser más elegantes que nunca.

Si ante el deseo de lograr un objetivo pierdes la elegancia, probablemente hagas daño a otras personas. Y eso forma parte de la memoria histórica en tus relaciones.

Lo mismo ocurre en cualquier contexto competitivo o emocionalmente exigente. Las situaciones pasan, pero el comportamiento permanece.

Estas elecciones pasarían, pero el comportamiento tenido durante ese periodo nos define mucho más que lo que hacemos cuando el viento va a favor y hay calma.

En medio de la tormenta demostramos quiénes somos en realidad. Y lo bueno es que, si el comportamiento no fue el adecuado, se puede aprender y mejorar.

La candidatura en la que yo estaba, la de Samuel Baixauli (pasó por el podcast al inicio de todo), la defino como serena y elegante. Y no fue la única que mostró esas dos virtudes.

Mi experiencia ha sido maravillosa. No solo porque hayamos ganado, sino por cómo nos hemos comportado en situaciones en las que mantener la elegancia suponía todo un ejercicio de autocontrol que pocas personas en esa situación valoraban.

A toro pasado, ahora sí es muy reconocida.

En esas situaciones tuve muy presente la máxima del estoicismo: céntrate en lo que depende de ti. También en el valor de la no-acción, el Wuwei del Taoismo.

Y muchos más principios que en contextos distintos de la vida una y otra vez compruebo que funcionan, y no solo para lidiar mejor el presente.

Ahora viene un momento peligroso: la euforia, venirte arriba porque el viento va a favor y los amigos y las amigas se multiplican. De nuevo, la serenidad y la elegancia deben estar presentes.

Por mi parte, salí de la discoteca y de la tormenta hasta la próxima ;)

Recuerda, si quieres proteger tu yo del futuro, no pierdas la elegancia en ningún momento. Vigílate con esto.

Te recomiendo que veas este pequeño vídeo de menos de dos minutos de Vicente del Bosque en el mundial que ganó España. Lección absoluta de autocontrol, serenidad y elegancia.

Cuídate.

Suscríbete ahora

Y es una idea cómoda… pero equivocada.

Pensamos que podemos separar: entrenamiento y vida, trabajo y descanso, lo físico y lo emocional, lo que nos ocurre y cómo respondemos.

Como si cada parte funcionara por su cuenta. Como si el sistema no fuera uno.

La conversación que mantuve en el episodio 100 del podcast con Víctor Salinas y Miguel Franco gira precisamente en torno a esto: entender que no hay compartimentos estancos.

Que todo cuenta.

Y que, queramos o no, estamos entrenando todo el tiempo.

Si tuviera que condensar la idea central en una frase, sería esta:

No es a tope, es a flote.

Vivimos rodeados de mensajes que empujan hacia la intensidad constante: más rendimiento, más exigencia, más disciplina, más resultados.

Pero la intensidad no es sostenible.

La intensidad es un estímulo puntual.
La vida, en cambio, es continuidad.

El problema no suele ser no dar suficiente. El problema suele ser no saber sostener.

De estado a capacidad: una forma distinta de entender la salud

Durante mucho tiempo hemos entendido la salud como un estado: estar sano o no estarlo.

Pero esa mirada es limitada.

Una idea más útil es entender la salud como una capacidad: la de responder al entorno, adaptarse, recuperarse y sostenerse en el tiempo.

Esto cambia la pregunta.

Ya no es si estás bien o mal, sino cómo estás funcionando… y cuánto puedes mantenerlo.

El error más común: confundir rendimiento con salud

Una de las ideas más claras que aparece en la conversación es esta:

Puedes rendir bien… y no estar sano.

Puedes cumplir entrenamientos, competir, obtener resultados… y, al mismo tiempo, dormir mal, necesitar estimulantes, estar irritable o tener problemas digestivos.

El organismo tiene una enorme capacidad de compensación.

Saca adelante la tarea. Pero lo hace pagando un precio. Ese es el peaje oculto.

El problema no es rendir. El problema es sostener ese rendimiento sobre una base que no acompaña.

Vivir es entrenar

No solo entrenas cuando vas a la pista o al gimnasio.

Entrenas cuando duermes mal.
Cuando gestionas un conflicto.
Cuando trabajas bajo presión.
Cuando atraviesas una situación personal exigente.

Todo eso son estímulos. Y el organismo responde a todos ellos.

El error aparece cuando tratamos el entrenamiento como algo aislado, añadido a la vida. Como si no tuviera relación con el resto de lo que hacemos.

La energía es limitada, aunque actuemos como si no lo fuera

Hay otra idea que atraviesa toda la conversación: la energía es limitada y los recursos también.

No podemos sostener intensidad en todos los ámbitos a la vez. Cuando lo intentamos, el sistema compensa… hasta que deja de hacerlo.

A veces no se rompe el rendimiento.
Se rompe el descanso.
El humor.
Las relaciones.
La salud.

Pero algo acaba rompiéndose. Y muchas veces lo hace de forma silenciosa, durante tiempo.

Educación y deporte: cuando el modelo genera el problema

Estamos trasladando modelos de alto rendimiento a etapas formativas.

Especialización temprana.
Falta de variabilidad.
Exceso de carga.
Competición constante.

El resultado no es mejor desarrollo. En muchos casos, lo contrario:

• Lesiones cada vez más tempranas.

• Abandono prematuro de la práctica deportiva.

• Relación poco saludable con el movimiento.

No es un problema de hacer demasiado. Es un problema de cómo se hace y para qué.

Sostener antes que apretar

Al final, esta conversación no va solo de entrenamiento.

Va de cómo vivimos. De cómo tomamos decisiones en contextos donde todo suma. De cómo aprendemos a detectar señales antes de que sea demasiado tarde.

Y de cómo ajustamos.

Porque no siempre se trata de ir más fuerte. Muchas veces se trata, simplemente, de no hundirse.

De mantenerse a flote.

La entrevista completa

Estas son algunas de las ideas con las que me quedo. Una forma de entender la salud y la vida.

En cualquier caso, no resume la conversación.

Si quieres escuchar la entrevista completa, con más contexto y matices, puedes hacerlo en: Spotify, YouTube Podcast, iVoox o Apple Podcast.

Suscríbete ahora

La Inteligencia Artificial (IA) vuelve a ofrecer promesas recicladas sobre la personalización del aprendizaje y el aprendizaje adaptativo, generando más preguntas que respuestas sobre su integración. Para personalizar el aprendizaje, ¿qué datos son realmente necesarios y qué variables debemos considerar en cada momento del proceso educativo?

Aunque la IA permite adaptar contenidos y estrategias a las necesidades de los estudiantes, la cuestión no puede reducirse a una simple adopción tecnológica. La capacidad de procesar grandes volúmenes de datos y ajustar recomendaciones en tiempo real no resuelve, por sí sola, el problema central: determinar qué significa realmente personalizar y bajo qué criterios pedagógicos debe hacerse.

Lo que no sabemos

La tecnología de IA ha alcanzado un nivel de desarrollo que le permite gestionar grandes volúmenes de datos y generar recomendaciones personalizadas en tiempo real. Sin embargo, esta capacidad técnica no equivale a disponer de evidencia pedagógica sólida sobre cómo optimizar la personalización del aprendizaje en contextos educativos complejos.

Carecemos todavía de información rigurosa que permita determinar cuáles son las estrategias más eficientes y seguras para superar la rigidez del modelo único impuesto por el sistema educativo tradicional.

Este modelo parte de la premisa de que la mayoría de los estudiantes deben seguir la misma secuencia de aprendizaje, como si todos compartieran los mismos conocimientos previos, intereses, metas y necesidades.

En 2019, antes del auge de la Inteligencia Artificial Generativa (IAGen) impulsada por grandes modelos de lenguaje como ChatGPT de OpenAI, Olaf Zawacki-Richter, profesor alemán de tecnología educativa en la Universidad de Oldenburg, junto a sus colaboradores, señaló en un estudio que la participación de los profesionales de la educación en el uso de la IA era limitada y que existía un descuido notable de los aspectos pedagógicos y éticos en su implementación.

Cinco años después, el autor, esta vez con nuevos colaboradores, llegó a conclusiones similares. La diferencia más significativa fue el crecimiento exponencial del número de estudios, que se había multiplicado por ocho en este periodo. Sin embargo, estas investigaciones seguían centrándose en evaluar las capacidades técnicas de las herramientas y sus impactos potenciales, dejando nuevamente en segundo plano los enfoques pedagógicos y éticos.

Aunque las investigaciones sobre el uso de la IAGen en educación continúan creciendo, todavía no contamos con una base científica suficientemente robusta que respalde con seguridad la toma de decisiones para su integración educativa.

La mayor parte de estos estudios se concentra en la educación superior, mientras que la educación primaria ha recibido significativamente menos atención. Según una revisión, esta brecha podría explicarse por limitaciones de infraestructura, problemas de accesibilidad, falta de contenidos adecuados para edades tempranas y retrasos en los procesos de implementación.

Esto no implica abandonar la exploración de las mejoras que la IAGen puede ofrecer a la enseñanza y al aprendizaje. Implica, más bien, reconocer que estamos introduciendo estas tecnologías en contextos reales y no siempre controlados, impulsados por su potencial técnico y por promesas como la personalización del aprendizaje, sin disponer todavía de un respaldo pedagógico equivalente.

No toda vale, tengamos paciencia

En los estudios que analizamos en 2024, uno de los temas más recurrentes es el análisis de los desafíos éticos que plantea la integración de la IA.

Abordar los retos pedagógicos y técnicos desde una perspectiva centrada en las personas se ha convertido en una preocupación compartida entre profesionales de la educación, tecnólogos, responsables políticos, filósofos y sociólogos.

Esto enfatiza la necesidad de un uso responsable de las herramientas de IA, respetando principios de integridad académica y atendiendo aspectos clave como la privacidad de los datos, la fiabilidad, la transparencia y los derechos de autor.

Oscar Cordón señaló en 2023 que la evolución de la IA requiere la implementación de marcos legales que garanticen un uso ético, equitativo, inclusivo, confiable y seguro. Para lograrlo, resulta imprescindible que la sociedad comprenda tanto los beneficios como las limitaciones de estas herramientas.

Estamos ante un cambio significativo que nos lleva a convivir con sistemas inteligentes capaces de apoyar la toma de decisiones y la automatización de tareas.

El desarrollo de estándares y marcos éticos para integrar la IA en entornos de aprendizaje personalizados debe ocupar un lugar prioritario en la investigación. Esto implica atender cuestiones como el sesgo algorítmico, la protección de la privacidad y la transparencia en los procesos de decisión.

En este contexto, las instituciones educativas tienen la responsabilidad de establecer marcos claros, promover la concienciación y garantizar la formación adecuada del profesorado. Una vez formados (lo cual ya supone un reto considerable), los docentes pueden guiar a los estudiantes hacia un uso responsable y crítico de la IA, siguiendo recomendaciones como las propuestas por Mariona Grane:

• Definir reglas conjuntas con el alumnado.

• Diseñar entornos controlados para explorar el uso de la IA.

• Incentivar el cuestionamiento de las respuestas y decisiones de la IA.

• Proporcionar estrategias para verificar la información y las fuentes.

• Crear espacios para reflexionar críticamente sobre los datos obtenidos.

La gran promesa reciclada de la personalización del aprendizaje con IA

La personalización del aprendizaje es una de las oportunidades más destacadas que la IA puede ofrecer en el ámbito educativo, junto con la mejora de los procesos de evaluación en entornos digitales. Este concepto se refiere a la capacidad de adaptar objetivos, intereses y competencias mediante ajustes continuos que responden a los cambios en el rendimiento y el contexto del estudiante.

En teoría, permitiría que cada aprendiz avance a través de itinerarios ajustados a sus conocimientos previos, preferencias y metas individuales.

Entre las herramientas más prometedoras para lograrlo se encuentran los tutores y agentes inteligentes. Estos sistemas, basados en algoritmos avanzados y análisis de datos, ajustan de manera continua el contenido, el nivel de dificultad y los recursos en función de las interacciones del estudiante. En los últimos años han evolucionado desde simples mecanismos de retroalimentación hacia entornos de aprendizaje sofisticados con capacidad para diseñar rutas personalizadas.

Sin embargo, los métodos actuales para la toma de decisiones en estas rutas presentan limitaciones relevantes, especialmente en la capacidad de predecir con precisión la dificultad de los puntos de conocimiento. Además, la falta de empatía humana y apoyo emocional continúa siendo una de las principales preocupaciones en el uso de tutores basados en IA.

Aunque estos sistemas pueden resultar eficaces en la adaptación técnica del contenido, no replican las dimensiones relacionales y emocionales propias de la tutoría humana.

La cuestión, por tanto, no es únicamente si estos sistemas pueden personalizar el aprendizaje desde el punto de vista técnico, sino bajo qué criterios se diseñan esas rutas, qué variables se priorizan y quién asume la responsabilidad última de las decisiones que orientan el proceso formativo.

De agente único a la arquitectura multi-agente

Durante años, la personalización del aprendizaje basada en IA se ha articulado en torno a un modelo relativamente simple: un agente que analiza datos, ajusta contenidos y ofrece retroalimentación. Sin embargo, la evolución reciente apunta hacia arquitecturas más complejas compuestas por múltiples agentes especializados que interactúan entre sí.

Ya no se trata únicamente de un sistema que responde, sino de un conjunto de módulos que diagnostican, generan propuestas, verifican resultados y reajustan itinerarios.

Herramientas de automatización como N8N o plataformas similares ya permiten orquestar flujos de trabajo en los que varios agentes basados en IAGen se conectan y asumen funciones diferenciadas: uno puede analizar las respuestas del estudiante, otro generar retroalimentación adaptada, un tercero contrastar la coherencia de esa retroalimentación con los criterios de evaluación establecidos. Estos agentes pueden incluso dialogar entre sí antes de producir un resultado final.

En este escenario, el rol humano se desplaza. El docente deja de ser únicamente usuario o intérprete de recomendaciones para convertirse en diseñador de la arquitectura que organiza esas decisiones. No solo interactúa con una herramienta, sino que define cómo se distribuyen funciones, qué agente propone, cuál valida y bajo qué reglas se produce la iteración.

La cuestión ya no es solo si la IA decide, sino quién diseña el sistema que decide

Este cambio amplifica tanto el potencial como la responsabilidad. Una arquitectura multi-agente puede aumentar la sofisticación técnica del proceso adaptativo, pero también puede diluir la implicación directa del docente en tareas de diagnóstico, revisión o ajuste.

Cuando generación, evaluación y validación pueden distribuirse entre distintos agentes, el riesgo no es únicamente delegar tareas, sino delegar procesos metacognitivos completos.

La implementación práctica de asistentes basados en IAGen revela además un elemento poco discutido: su diseño exige un proceso iterativo continuo y genera una sensación de obsolescencia permanente. La actualización de modelos, la variabilidad en las respuestas y la necesidad de ajustar rúbricas o parámetros cuestionan la idea de estabilidad evaluativa que a veces se presupone en la tecnología.

Paradójicamente, exigimos a la IA una consistencia que tampoco garantizan los evaluadores humanos.

En este contexto, la sofisticación técnica no elimina la pregunta inicial, sino que la intensifica:

• ¿Bajo qué criterios se configuran estas arquitecturas?

• ¿Qué variables se priorizan?

• ¿Qué dimensiones quedan fuera?

• ¿Quién asume la responsabilidad última cuando el sistema orienta las decisiones formativas?

Cuando la arquitectura del sistema asume funciones de diagnóstico, ajuste y validación, la cuestión deja de ser únicamente tecnológica y se convierte en cognitiva.

No solo importa qué puede hacer la IA, sino qué dejamos de hacer nosotros cuando el sistema lo hace por nosotros.

Mentalidad sedentaria

Además de analizar quién diseña y quién decide, es necesario reflexionar sobre qué procesos cognitivos pueden verse erosionados cuando la personalización del aprendizaje se automatiza de forma creciente.

La dependencia excesiva de estas tecnologías puede limitar la creatividad, fomentar la pereza intelectual y conducir al sedentarismo cognitivo, entendido como una falta prolongada de esfuerzo mental que compromete el desarrollo de habilidades críticas.

Un estudio de 2024 señala que los estudiantes universitarios con altas expectativas académicas y buenos resultados tienden a depender más de herramientas basadas en IA. Esta dependencia puede asociarse con una menor disposición al análisis crítico y una mayor aceptación acrítica de la información generada por la tecnología.

El problema no es el uso puntual de la herramienta, sino la progresiva sustitución del esfuerzo cognitivo por delegación sistemática.

Si la IA facilita avanzar más rápido, pero reduce la necesidad de cuestionar, contrastar o elaborar de manera autónoma, el riesgo no es solo metodológico, sino formativo. Aprender implica enfrentarse a la dificultad, sostener la incertidumbre y realizar operaciones mentales que no siempre resultan cómodas.

Cuando la personalización se orienta exclusivamente a optimizar el rendimiento inmediato, puede terminar debilitando precisamente las capacidades que pretende potenciar.

El desafío, por tanto, no consiste en impedir el uso de la IA, sino en decidir qué tareas deben seguir siendo cognitivamente exigentes para el estudiante y cuáles pueden ser legítimamente asistidas. Y en esa decisión, el propio estudiante no puede quedar al margen.

Si la personalización se diseña exclusivamente desde el sistema o desde el docente, se corre el riesgo de sustituir una rigidez, la del modelo único, por otra: la del algoritmo. La agencia del estudiante, entendida no como capacidad aislada sino como práctica situada y mediada por los entornos en los que aprende, es también una condición para que el aprendizaje siga siendo formativo y no meramente adaptativo.

La automatización no es neutra: reconfigura el tipo de esfuerzo que se realiza y, con ello, el tipo de aprendizaje que se consolida.

Desconfiar del efecto “palabra de máquina”

El avance de los sistemas adaptativos y de las arquitecturas multi-agente puede reforzar una percepción peligrosa: la idea de que las decisiones automatizadas son más objetivas, más eficientes y, por tanto, más fiables que las humanas.

Este fenómeno, que podríamos denominar “efecto palabra de máquina”, se apoya en la apariencia de neutralidad matemática y en la capacidad de procesar volúmenes de información que superan nuestras limitaciones cognitivas.

Sin embargo, como advierten Ujué Agudo y Karlos Liberal en El Algoritmo Paternalista, la automatización de decisiones no elimina los sesgos ni garantiza justicia o pertinencia pedagógica. Los algoritmos operan bajo supuestos, prioridades y modelos definidos por personas.

La aparente racionalidad algorítmica puede ocultar elecciones previas sobre qué variables considerar, qué resultados optimizar y qué dimensiones ignorar.

En este contexto, las pequeñas variaciones que pueden aparecer cuando un sistema automatizado evalúa un mismo trabajo en más de una ocasión no deben interpretarse como una anomalía técnica aislada, sino como un recordatorio de que la evaluación nunca es completamente estable ni puramente objetiva.

Tampoco lo es cuando la realiza un docente. Exigir a la IA una consistencia absoluta que no exigimos a los evaluadores humanos puede llevarnos a confundir precisión estadística con justicia pedagógica.

El riesgo no reside únicamente en que la tecnología cometa errores, sino en que aceptemos sus recomendaciones sin cuestionarlas. Cuando las predicciones y sugerencias automatizadas se convierten en la referencia principal para orientar decisiones educativas, el criterio profesional puede desplazarse progresivamente hacia una lógica de validación técnica.

El docente deja de decidir para empezar a confirmar.

Desconfiar del efecto “palabra de máquina” no implica rechazar la tecnología, sino resistirse a atribuirle una autoridad que no le corresponde. Lo que los sistemas adaptativos no pueden replicar no es solo la calidez humana, sino algo más específico: el conocimiento longitudinal del alumno.

Un docente acumula información que ningún modelo puede capturar en sus parámetros: la conversación de hace tres semanas, el cambio de actitud tras un conflicto personal, la diferencia entre un error conceptual y un mal día. Ese conocimiento situado, construido en el tiempo y en la relación, es precisamente lo que convierte la personalización en un acto pedagógico y no en una operación estadística.

La integración de la IA en educación no es, por tanto, un problema de capacidad tecnológica, sino de responsabilidad pedagógica.

Personalizar no es optimizar variables, sino ejercer criterio. Un criterio que surge del bagaje profesional del docente y de su conocimiento del alumno, y que no puede ser automatizado sin alterar el sentido mismo de la educación.

Suscríbete ahora

Pero cuando pasas tiempo dentro de una institución y hablas con personas que tienen experiencia en su gestión, descubres algo bastante más simple: las universidades no funcionan (o dejan de funcionar) por sus normas o por sus estructuras.

Funcionan por las personas.

Puede que esta sea la idea más importante que me llevo de la conversación que mantuve en el podcast con Samuel Baixauli.

Acaba de presentar su candidatura a rector de la Universidad de Murcia. Lleva más de 16 años ocupando distintos cargos de gestión (dirección de departamento, vicerrectorado y decanato) y conoce la universidad desde varios niveles de responsabilidad.

Pero esta conversación no fue una entrevista para desgranar un programa electoral.

Fue una oportunidad para pensar qué hace que una institución como la universidad funcione bien.

Si tuviera que condensar la idea que atravesó toda la conversación en una frase, sería esta:

Una universidad inteligente no se construye con normas ni estructuras. Se construye con personas.

Este artículo no pretende resumir la entrevista. Pretende compartir algunas ideas que fueron apareciendo y que, juntas, dibujan una forma concreta de entender la universidad.

El error organizativo más común: pensar que las instituciones son estructuras

Cuando pensamos en una universidad solemos imaginar edificios, laboratorios, presupuestos, titulaciones o rankings.

Pero si escuchas con atención a quienes han pasado años gestionando una institución así, aparece una idea bastante clara.

Una universidad, como cualquier organización, son personas. No son infraestructuras.

La frase puede parecer obvia. Y, sin embargo, muchas decisiones institucionales se toman como si la universidad fuera una máquina administrativa.

Y no lo es.

Es una organización hecha de personas.

Por eso variables como la confianza, la cultura compartida o el clima de trabajo terminan pesando tanto (o más) que muchas de las estructuras formales que aparecen en los organigramas.

Gobernanza: cuando la cultura importa más que la jerarquía

En una empresa privada, la toma de decisiones suele seguir una cadena de mando bastante clara.

En la universidad eso funciona de otra manera.

Samuel lo explicaba de forma bastante directa: una universidad necesita un modelo de gobierno que encaje con su cultura institucional.

No se puede dirigir una universidad pública como si fuera una empresa.

No porque una sea mejor que otra, sino porque la lógica que las organiza es distinta.

La empresa responde principalmente a criterios de mercado y rentabilidad.

La universidad pública responde a una misión social más amplia: formar ciudadanos, generar conocimiento y transferirlo a la sociedad.

No podemos organizar una universidad pública como si fuera una empresa que responde únicamente a la lógica del mercado.

Pero hay otra razón menos visible.

Las decisiones dentro de una institución como la universidad no son solo técnicas o administrativas. También están atravesadas por factores culturales y emocionales.

Las facultades, los departamentos, las titulaciones o los grupos de investigación no son solo unidades organizativas.

Son comunidades humanas con historia, identidad y vínculos.

Ignorar esa dimensión suele producir decisiones técnicamente correctas… pero institucionalmente frágiles.

Por eso gobernar una universidad exige algo más que jerarquía.

Exige entender la cultura que sostiene la institución.

Burocracia: cuando intentar evitar errores acaba bloqueando la actividad

Uno de los temas más claros de la entrevista fue la burocracia.

La universidad ha ido acumulando normativa durante años con un objetivo legítimo: evitar errores, irregularidades o abusos.

Pero ese intento de garantizar todo puede producir el efecto contrario.

Cuando cada proceso exige múltiples aprobaciones, documentos o controles, la institución pierde agilidad.

Y cuando una organización pierde agilidad, ocurren dos cosas:

• Algunas iniciativas no llegan a ponerse en marcha.

• Otras se desarrollan fuera de la institución.

En palabras de Samuel, el problema no es solo tecnológico.

Digitalizar procedimientos no resuelve nada si los procesos siguen mal diseñados.

Porque acelerar un proceso ineficiente solo consigue una cosa: hacerlo ineficiente más rápido.

Inteligencia artificial: el cambio no es solo tecnológico, es cultural

La inteligencia artificial apareció inevitablemente en la conversación. Pero el punto más interesante no fue tecnológico, sino cultural.

Samuel señalaba algo que ya estamos empezando a ver: los estudiantes llegan a la universidad con herramientas que a veces dominan antes que el propio profesorado. Eso rompe un patrón histórico. Con internet o con otras tecnologías anteriores, la universidad tuvo tiempo para adaptarse antes que la sociedad. Con la inteligencia artificial ese margen prácticamente ha desaparecido.

La tecnología llega al mismo tiempo a estudiantes, profesores y ciudadanos. Y eso obliga a una adaptación mucho más rápida.

Pero el reto no es solo incorporar nuevas herramientas. El cambio más profundo está en cómo las personas se relacionan con la universidad.

Los futuros estudiantes esperarán preguntarle a un asistente de inteligencia artificial qué pueden estudiar, qué salidas tiene una carrera o cuál es su horario

La información ya no se busca como antes. Ahora se pregunta. Y se esperan respuestas inmediatas.

Investigación y transferencia: dos mundos que nunca debieron separarse

Otro tema que apareció en la conversación fue la relación entre investigación y transferencia. Con frecuencia se presentan como dos actividades distintas, pero Samuel plantea que investigar y transferir deberían formar parte del mismo proceso.

Primero se genera conocimiento. Después ese conocimiento encuentra formas de aplicarse en la sociedad: a veces en forma de innovación empresarial, otras en forma de mejora educativa, social o cultural.

La lógica de fondo es sencilla: la investigación cobra sentido cuando encuentra caminos para salir de la universidad.

Liderar no es mandar. Es construir equipo.

Para Samuel, dirigir una institución compleja no consiste en concentrar capacidad en una sola persona, sino en rodearse de personas mejores que uno mismo en distintos ámbitos.

Soy un jugador de equipo: el rendimiento individual mejora cuando los que te rodean son mejores que tú.

Por eso hablaba de construir un equipo formado por personas a las que admira por alguna cualidad. Y señalaba una que considera imprescindible en cualquier gestor: la empatía.

Gestionar instituciones complejas exige algo más que capacidad técnica. Exige escuchar y aceptar que muchas decisiones deben ajustarse cuando aparecen nuevos argumentos.

Las universidades son instituciones complejas. Pero después de escuchar a quienes han pasado años gestionándolas, la conclusión acaba siendo bastante simple:

Las universidades inteligentes funcionan por las personas.

La entrevista completa

Este artículo recoge solo algunas ideas que aparecieron durante la conversación.

Si te interesa escuchar la entrevista completa con más contexto, ejemplos y matices, puedes hacerlo en: Spotify, Youtube Podcast, iVoox o en Apple Podcast.

Y si quieres saber más sobre el programa y la candidatura a Rector de Samuel, aquí tienes más información.

Hay contenidos, personas y conversaciones que no te dejan “más motivado”. Te dejan mejor orientado para el largo plazo.

Ayer hablé con Iñaki de la Parra. Fue campeón del mundo de Triatlón en distancia Ultramán y, tras años en el alto rendimiento, hoy trabaja como entrenador y asesor, articulando un modelo sistémico de rendimiento que trasciende el deporte.

Si tuviera que condensar su propuesta en dos palabras, no elegiría ninguna técnica. Elegiría estas: durabilidad y solvencia.

Solvencia no entendida como “estar fuerte”, sino como capacidad de sostener lo que haces (sin hipotecar el cuerpo, el ánimo o las relaciones) y sin convertir el rendimiento en deuda.

Este texto no pretende resumir la entrevista. Pretende compartir el mapa mental que fue emergiendo en la conversación: un marco para pensar el rendimiento, la energía y el largo plazo.

El malentendido moderno: confundir resultados con solvencia

Vivimos rodeados de indicadores: ritmos, vatios, marcas, listas de tareas, métricas de productividad, scores de descanso y, últimamente, también de readiness (un índice de preparación que estima tu estado de disponibilidad para entrenar o rendir ese día).

Y aquí hay un error cultural que Iñaki formula con precisión: obsesionarnos con lo que sale del sistema y olvidar auditar el sistema que lo produce.

No es un problema solo del deporte. Es un problema de vida contemporánea: la costumbre de creer que si algo “funciona” por fuera, entonces es sano por dentro.

El marco que propone Iñaki empieza justo al revés: no pregunta ¿cuánto estás produciendo?, sino ¿qué estructura estás sosteniendo para poder producirlo sin romperte?”.

Capacidad y expresión: una distinción que lo ordena todo

En la entrevista apareció una distinción que me parece un antes y un después, porque simplifica muchas conversaciones confusas:

• Capacidad: lo que el sistema puede sostener.

• Expresión: lo que el sistema intenta mostrar (competir, rendir, “hacer más”, acelerar, demostrar).

La propuesta es muy directa: cuando la expresión se va por delante de la capacidad, entras en deuda.

Iñaki lo describió con un lenguaje casi de ingeniería (y no es casual): es “operar fuera del rango nominal”, usar reservas estructurales para sostener algo que tu estructura todavía no puede sostener de manera estable.

En deporte se ve fácil: personas que pasan del sofá a correr; o que entrenan siempre glucolítico, siempre con prisa, siempre arriba; o que saltan a bloques de intensidad cuando no hay base.

En la vida también se ve, aunque sea más silencioso: cuando pides a tu sistema una expresión (trabajo, cuidado familiar, exposición pública, decisiones importantes) sin haber construido una capacidad equivalente.

Y ahí aparece un patrón que él repitió: mucha gente vive en ciclos de “progreso” de 1 a 4 años… y después un golpe fuerte de estancamiento o colapso. No por falta de voluntad, sino por falta de estructura.

El cuello de botella: por qué optimizar lo que ya funciona te distrae de lo importante

Aquí apareció una idea que, en mi opinión, ordena muchas confusiones habituales.

Iñaki lo dijo así:

Un sistema no mejora por optimizar todo, sino por mejorar el cuello de botella: la restricción dominante.

Esa idea tiene consecuencias muy prácticas.

Cuando no entiendes tu cuello de botella, empiezas a optimizar lo que ya va bien (o lo que es vistoso). Cambias suplementos, cambias gadgets, cambias metodologías, cambias planes… pero el sistema sigue atascado.

Porque el rendimiento total (en deporte, en trabajo, en vida) sigue determinado por lo más limitante en ese momento.

Si el cuello de botella es el sueño, no lo compensa una sesión brutal.

Si el cuello de botella es la carga emocional, no lo compensa un “día perfecto de entrenamiento”.

Si el cuello de botella es la falta de base aeróbica, no lo compensa un bloque de intensidad “bien diseñado”.

Esto parece obvio cuando lo lees. Pero es radical cuando lo aplicas.

El presupuesto energético: todo sale de la misma cuenta

Hay una idea que en sus textos aparece como metáfora, y en la entrevista tomó forma muy concreta: energy budgeting (presupuesto energético).

Un presupuesto, por definición, tiene límites. Puedes estirarlos, sí. Pero si vives como si fueran infinitos, acabas pagando intereses.

Iñaki fue muy insistente en una cosa: el cuerpo no distingue entre “estrés físico” y “estrés mental” como compartimentos separados. Los traduce como estrés.

Punto.

Llevo años tratando de interiorizarlo. Es tan simple como poderoso.

Hipoteca, trabajo, expectativas, conflictos, vacaciones, alegrías, proyectos, hijos, incertidumbre: todo drena.

Eso no significa vivir con miedo o evitar el estrés. Significa reconocer el principio básico: capacidad es capacidad. Y no puedes negociar con la física.

Lo que me gusta del enfoque es que no moraliza ni en autoculpa: entrar en deuda puede pasar. Lo relevante es si pagas esa deuda o si la normalizas como estilo de vida. En cualquier caso, la deuda termina pagándose siempre.

Prevención silenciosa: progreso por vía negativa

En sus textos Iñaki habla de “fugas invisibles” y de “ruido sistémico”. En la entrevista lo aterrizó con una frase que me parece clave:

En culturas reales de alto rendimiento, el objetivo no es añadir cosas nuevas. Es remover variables.

No es buscar la próxima intervención mágica. Es quitar lo que te está drenando sin hacer ruido.

No preguntes qué añadir; pregunta qué está erosionando en silencio.

Este enfoque es incómodo y no se vende bien. No hay épica. Definiría a Iñaki como alguien antiheroico. Aplicar sus principios no genera épica ni historias para Instagram. Pero hay una lógica de fondo muy fuerte:

• Lo que protege el proceso suele ser invisible.

• Lo que promete ganancias rápidas suele costar caro después.

Y esto, otra vez, no es solo deporte: es diseño de vida.

Tecnología, datos y agencia: la métrica no decide por ti

Iñaki no rechazó la tecnología. De hecho, la usa. Pero la describe de forma que merece ser subrayada:

La tecnología no es neutral: es un amplificador.

¿Amplificador de qué?

Amplifica el criterio si hay criterio; y lo sustituye si no lo hay.

Eso conecta con algo aún más importante:

Usar métricas como autoridad y no como información es una alerta roja

Esto apunta a un riesgo moderno: delegar la interpretación.

Los datos pueden informar. Pero no pueden reemplazar la conciencia. Si delegas el juicio, apagas el sentido interno.

En el caso del entrenamiento, lo explicó muy bien con un ejemplo: hay input (frecuencia cardiaca), output (vatios, ritmo) y en medio estás tú. La pregunta cualitativa (“¿cómo me siento?”) es parte del sistema.

Disciplina, libertad y relaciones

La disciplina expande la libertad. La dependencia reduce el margen

Aquí aparece un matiz importante: su modelo no es control ni rigidez. Es una forma de construir margen. Es adaptación y flexibilidad, la misma lógica que nos ha permitido evolucionar como especie.

Y en esa misma dirección, cuando hablamos de alto rendimiento, tecnología e IA, dejó claro algo que me interesa mucho:

En la maestría y en la excelencia, el vehículo no es la tecnología. Es la cultura. Y la cultura se forja humanamente. Con liderazgo y relaciones.

Tres ideas

Al final, le pedí un mensaje para un grupo de deportistas veteranos (la típica comunidad de gente con vida real, no con laboratorio perfecto). Y su cierre fue tan simple como completo:

• Movimiento por encima del entrenamiento. Todo cuenta: caminar, jardinería, moverse.

• Cuidar relaciones (las que quieres cuidar). Porque requieren tiempo y son parte del sistema.

• Ampliar capacidad sin llevar el sistema al punto de rotura, con ciclos de descanso: creces cuando recuperas, no cuando estás siempre a tope.

La entrevista completa

Si lo que te interesa es el mapa completo (con matices, ejemplos y vueltas) puedes escuchar la conversación entera en:

También puedes escuchar la entrevista en Spotify, Youtube Podcast, iVoox o en Apple podcast. Si no la escuchas, me gustaría que al menos te quedaras con una pregunta, que para mí resume todo esto:

¿Estás persiguiendo resultados… o estás construyendo solvencia?

Suscríbete ahora

En la primera parte de la clase recordamos algo que ya he comentado en otro artículo de este Substack: el debate entre tomar notas en papel o en digital.

Durante años se repitió que escribir a mano era claramente mejor. Un estudio de 2014 popularizó la idea de que el portátil fomentaba la copia literal y, con ello, un aprendizaje más superficial.

Sin embargo, investigaciones posteriores matizaron bastante esa conclusión. Cuando la tarea exige comprensión real y elaboración, no se encuentran diferencias significativas entre papel, tablet o portátil. Incluso lo digital puede aportar ventajas prácticas: rapidez, búsqueda, legibilidad y facilidad para conectar ideas.

La conclusión, en realidad, es más simple y menos tecnológica:

La herramienta importa menos que el tipo de atención que sostenemos al utilizarla.

El problema no es si escribimos con tinta o con píxeles, sino si mientras escribimos estamos pensando o simplemente transcribiendo.

Y, sobre todo, si somos capaces de proteger nuestra atención de las distracciones que el propio entorno digital facilita.

Cómo toman notas mis estudiantes

O mejor dicho, cómo les estoy enseñando.

Desde el inicio del curso hemos puesto en marcha un sistema muy sencillo en Obsidian. Les propongo que utilicen tres tipos de notas:

• Nota diaria: donde van registrando ideas que surgen durante la clase, ejemplos, explicaciones relevantes y también tareas para próximos días.

• Nota de apuntes de textos: un espacio específico para trabajar las lecturas de la asignatura, extraer ideas principales, hacer esquemas y relacionar contenidos.

• Nota de reflexión diaria: una breve escritura personal al final de cada sesión para ordenar lo aprendido.

Es un intento de combinar lo mejor de dos mundos: la potencia organizativa de lo digital y la necesidad de pensar activamente sobre lo que se escribe.

Y precisamente esa tercera nota (la de reflexión) es la protagonista de hoy.

Un ritual reflexivo esencial para aprender

Por todo lo anterior (y por algunas cosas más) este año he incorporado un pequeño ritual que considero, sinceramente, el núcleo pedagógico del día.

Para que se entienda bien lo que pasó, necesito explicar primero qué estábamos haciendo exactamente en ese momento final de la clase.

La rutina consiste en que los últimos cinco minutos están reservados a una breve reflexión personal que tienen que volcar en Obsidian.

No es una tarea evaluable.

No se entrega.

No se corrige.

Es, sobre todo, un hábito.

La propuesta es simple: cerrar los apuntes, dejar de mirar pantallas ajenas y dedicar cinco minutos a escribir, de memoria, qué se llevan de la sesión. Un resumen en cuatro líneas, tres ideas importantes, conexiones con otras asignaturas, utilidades prácticas y una pregunta inteligente.

Nada más.

La regla más importante es, paradójicamente, la que más cuesta: escribir sin consultar las notas.

Este pequeño gesto activa procesos cognitivos fundamentales: recuperación activa, síntesis, metacognición y transferencia. Es el momento en el que lo escuchado deja de ser información flotando y empieza a convertirse en aprendizaje propio.

Aprender no es solo atender y apuntar. También es parar, pensar y dar sentido.

Llegó la distracción en el peor momento

Y ahí estábamos hoy. En ese instante delicado en el que la clase ya ha terminado, pero el aprendizaje todavía no. En casi completo silencio.

Yo disfrutando de ver esa concentración compartida. Exactamente el tipo de momento que cualquier docente desearía proteger como oro.

Hasta que, de repente, todos comenzaron a hablar, alterarse o reírse. Era evidente que alguien había enviado algún tipo de mensaje a algún grupo o algo por el estilo.

El precioso momento reflexivo tomando notas en digital se había roto por una distracción.

Me resultó fascinante que justo lo explicado una hora antes se hubiera hecho tan evidente ante los propios protagonistas.

Tras mi fascinación inicial llegó también cierto momento doloroso: comprobar cómo un espacio diseñado cuidadosamente para consolidar lo aprendido, para elaborar y para pensar con calma, se iba al traste en cuestión de segundos.

El motivo distractor fue, además, académico. Se había publicado una nota de otra asignatura.

En cualquier caso, se perdió la oportunidad de cerrar cognitivamente la clase.

El verdadero problema y la verdadera solución

En un aula auténtica, con estudiantes de primer curso, con móviles en el bolsillo, en la mesa, portátiles abiertos, tabletas y decenas de tentaciones a un clic, lo digital exige un nivel de autorregulación que a menudo damos por supuesto… y que simplemente no está ahí todavía.

No es un problema de Obsidian ni de tomar notas en digital.

No es un problema del portátil.

No es siquiera un problema de esta generación.

Es un problema de atención.

Y la atención es un recurso frágil que debe educarse.

Por este motivo, la solución no es renunciar al potencial de tomar notas en digital.

La solución pasa más bien por enseñar a gestionar la propia mente frente a la herramienta.

Podemos tener el mejor sistema de notas del mundo y, aun así, no aprender nada si no somos capaces de sostener cinco minutos de silencio interior.

Prefiero ayudar a que se adapten que huir del reto y acabar prohibiendo.

Suscríbete ahora

Imagen: RichardsDrawings

Lo que está detrás de este fenómeno es el llamado tecnoestrés, que describe el malestar que surge cuando la tecnología supera nuestra capacidad de gestionarla. Tiene que ver con la sensación de que la tecnología pide más de lo que uno puede sostener.

Cinco grandes estresores

¿Qué está produciendo este desajuste? Conviene detenerse en los grandes estresores. La tecnoinvasión aparece cuando lo académico se cuela en los espacios personales, y la tecnosobrecarga, cuando las demandas digitales llegan más rápido de lo que puede procesarse.

También influye la tecnocomplejidad –cuando las herramientas resultan más confusas de lo esperado– y la tecnoincertidumbre, fruto de cambios constantes, a lo que se suma la tecnoinseguridad, el temor a que la tecnología falle. El conjunto explica buena parte del tecnoestrés universitario.

Tecnoestrés y competencias digitales

El tecnoestrés no depende de cuánto sabe usar alguien la tecnología. Algunas investigaciones cuestionan esta relación.

En nuestra reciente tesis publicada encontramos altos niveles de competencia digital según el marco europeo DigComp 2.2 y también altos niveles de autoeficacia, una variable tradicionalmente vista como protectora frente al estrés. Aun así, vimos que el tecnoestrés se mantenía en niveles moderados, sin ningún efecto amortiguador por parte de las competencias adquiridas.

Dicho tecnoestrés puede darse incluso en personas con dominio técnico. El problema no está tanto en “saber usar” la tecnología, sino en la relación emocional, cognitiva y organizativa que establecemos con ella.

Saber parar

En nuestro proyecto de ayuno digital, la mayoría del alumnado no logró completar el reto, sobre todo al intentar romper hábitos de comunicación muy arraigados.

Un uso automático y omnipresente de la tecnología (es decir, no deliberado y esporádico) hace que dejar de usar móviles u ordenadores, estar sin conexión, produzca incomodidad. El ayuno digital funciona, en este sentido, como un espejo: hace visible lo que en la rutina pasa desapercibido y muestra hasta qué punto la relación con la tecnología no depende de la habilidad, sino de la dificultad para detenerse, cambiar el ritmo y recuperar margen de control.

Responsabilidad de todos

Quizá estemos atribuyendo en exceso la responsabilidad al estudiante y olvidando el papel de la universidad. No es solo un problema individual, sino también de contexto. Incluso los estudiantes más hábiles sufren desgaste cuando el ecosistema digital multiplica plataformas, fragmenta la atención y exige disponibilidad constante.

La dispersión de recursos y la necesidad de consultar varias aplicaciones para no perder información elevan la carga cognitiva, mientras que la sensación de estar siempre localizable alimenta el conocido como FOMO académico.

La multitarea permanente dificulta la concentración y acelera la fatiga mental: quienes más dominan la tecnología suelen asumir más tareas digitales y, paradójicamente, se exponen más al desgaste.

A esto se suma un uso intensivo de herramientas que no siempre se traduce en aprendizaje significativo, por lo que puede aumentar el riesgo de tecnoestrés.

Aprender a gestionar, no solo a usar

Otro aspecto clave para entender por qué incluso los estudiantes más competentes lo sufren es el desfase entre la “competencia digital” oficial y el uso real que hacen de la tecnología. Los marcos institucionales suelen medir habilidades técnicas: navegar, seleccionar información… Sin embargo, estas categorías no capturan la complejidad emocional, temporal y organizativa del trabajo digital cotidiano.

Como señalamos en nuestro estudio, la competencia digital se evalúa como un conjunto de destrezas, pero no como capacidad de sostener prácticas tecnológicas en contextos exigentes, saturados y altamente interdependientes.

Este desfase hace que muchos estudiantes, pese a sentirse competentes, se vean desbordados por la gestión simultánea de recursos, la presión académica, las decisiones continuas y la dificultad para sostener el ritmo de trabajo. El tecnoestrés se explica, pues, por una evaluación incompleta del papel de la tecnología en la vida académica.

Del individuo al ecosistema

Los resultados de las diferentes investigaciones comentadas coinciden en un punto clave: el foco no debe ponerse únicamente en las habilidades individuales, sino en cómo está configurado el ecosistema digital de la universidad. Pedir autorregulación al alumnado es insuficiente cuando las plataformas se multiplican, los mensajes se solapan y la comunicación carece de límites claros.

Por eso proponemos pasar de una mirada centrada en las competencias técnicas a una perspectiva centrada en el bienestar digital. Esto implica cuestionar prácticas institucionales y revisar protocolos de comunicación, por ejemplo.

La respuesta, pues, debe combinar cambios institucionales y prácticas personales. Las universidades pueden diseñar entornos digitales más simples, coordinados y respetuosos con la atención humana.

No se trata de usar menos tecnología, sino de usarla sin que nos desborde. Cuando el entorno ayuda y los hábitos acompañan, el tecnoestrés pierde espacio.

Suscríbete ahora

Este artículo fue publicado originalmente en The Conversation en colaboración con Juan Antonio Gutiérrez. Aquí el original.

Imagen: BongkarnGraphic/Shutterstock

• Uno culpa directamente a los móviles y a las redes sociales del deterioro de la salud mental adolescente.

• El otro insiste en que “no hay pruebas” y que todo es histeria tecnológica.

En medio de ese choque en 2025 apareció un trabajo interesante. En vez de añadir otro estudio más, reúne a casi 300 investigadores de 20 países y les plantea lo siguiente:

¿Qué nos dice, exactamente, la evidencia que ya tenemos sobre móviles, redes y salud mental adolescente?

No se trata de una tertulia de opiniones pero tampoco se trata de una revisión sistemática o meta-análisis.

Se les pide que respondan afirmación por afirmación, apoyándose en estudios concretos, y que revisen sus juicios varias veces tras leer los comentarios de los demás.

El objeto de estudio no son los adolescentes, sino las opiniones basadas en evidencia de los investigadores sobre 26 afirmaciones concretas (derivadas del libro de Jonathan Haidt The Anxious Generation, cuya lista encontrarás al final del artículo).

Es, sobre todo, un mapa de consensos y desacuerdos entre expertos y una guía para priorizar investigación y debatir políticas.

Lo que no es:

• No es una prueba causal definitiva sobre los efectos de redes y móviles en la salud mental adolescente.

• No es una revisión sistemática exhaustiva de toda la literatura disponible.

Si lo leemos como lo que es, puede ser muy útil. Si lo usamos como si fuera la sentencia final, nos equivocaremos.

Quién está en la sala y qué se ha hecho

El panel incluye 287 investigadores de 20 países. Aproximadamente la mitad trabaja en instituciones de Estados Unidos. Poca presencia del sur global y un claro sesgo hacia el mundo occidental.

Por disciplinas domina la psicología (en torno a un tercio de los participantes), seguida de áreas como salud pública, comunicación, economía y otras ciencias sociales. Los expertos propiamente de educación son pocos.

Lo anterior es importante: el debate se mira sobre todo desde la psicología y la salud mental, no tanto desde la práctica escolar diaria. Por lo tanto, deberíamos tener cuidado con la tentación de trasladar automáticamente estas conclusiones a medidas dentro del sistema educativo.

El diseño del estudio tiene dos decisiones clave:

1. Un grupo nuclear de cuatro investigadores concibe el proyecto (no financiado directamente), define el plan general y recluta al resto de participantes.

2. Ese grupo decide usar como punto de partida el marco causal del libro The Anxious Generation, de Jonathan Haidt, centrado en los posibles daños de móviles y redes sobre una generación que habría pasado de una infancia basada en el juego a una infancia basada en el teléfono.

A partir de ahí, un equipo amplio formula 26 afirmaciones específicas (sobre tendencias en salud mental, mecanismos causales, diferencias entre chicos y chicas y políticas públicas). Estas afirmaciones se someten a varias rondas de consulta:

• Los expertos indican si creen que cada afirmación es probablemente verdadera o falsa.

• Señalan qué dice la evidencia que conocen.

• Valoran qué nivel de evidencia hay (correlacional, longitudinal, experimental…).

• Y puntúan hasta qué punto las revisiones que se van redactando describen bien el estado real del conocimiento.

Al final, para cada una de las 26 afirmaciones tenemos:

• Una revisión narrativa de la literatura.

• Un grado de acuerdo experto en que esa revisión refleja honestamente la evidencia.

Ese porcentaje no mide si la afirmación es verdad, sino si la síntesis está bien alineada con lo que hoy sabemos.

Acuerdos fuertes y grandes incógnitas

Hay un consenso muy amplio en dos ideas:

• En varios países occidentales (Estados Unidos, otros países anglosajones, países nórdicos y buena parte de Europa occidental) la salud mental de los adolescentes se ha deteriorado en las últimas dos décadas, especialmente en las chicas. Los indicadores, los años y la intensidad varían según el país, pero la tendencia general es clara.

• El uso intensivo de móviles y redes sociales puede causar problemas de sueño, y la privación crónica de sueño se considera un factor causal importante en el deterioro de la salud mental.

También hay bastante acuerdo en que la vida cotidiana de muchos adolescentes ha virado de una infancia basada en el juego presencial hacia una vida más centrada en pantallas y móviles.

¡Mucha cautela con la causalidad!

En otras afirmaciones, el panel es bastante más prudente:

• Se observan correlaciones entre uso intensivo de redes y problemas de atención, síntomas tipo adicción, malestar emocional o aislamiento social.

• Pero los expertos insisten en que la mayor parte de esa evidencia es correlacional, con problemas conceptuales (qué significa exactamente atención fragmentada, cómo definimos adicción a redes sociales) y riesgos de causalidad inversa (jóvenes con peor salud mental que usan más redes, y no al revés).

En el caso de las chicas adolescentes se ve un patrón similar:

• Hay asociaciones claras entre uso de redes (especialmente las más visuales) e insatisfacción corporal, perfeccionismo, exposición intensa a contenidos sobre trastornos mentales y más riesgo de acoso o depredación sexual.

• Pero, de nuevo, la evidencia causal sólida es escasa, y los efectos parecen depender mucho del contexto, del tipo de uso y de la vulnerabilidad previa.

¡Las políticas estrella están en terreno resbaladizo!

Las propuestas que más titulares generan (retrasar el primer móvil hasta el instituto, imponer una edad mínima legal para abrir cuentas en redes, prohibir los móviles en los centros escolares) no aparecen con un sello claro de sí o no.

Más bien, la conclusión general es:

• No hay suficiente evidencia sólida para afirmar que estas medidas mejorarían, en conjunto, la salud mental adolescente.

• Tampoco hay pruebas contundentes de que no sirvan para nada; simplemente, la evidencia actual es limitada, heterogénea y a menudo indirecta.

Los expertos subrayan que políticas muy restrictivas pueden tener efectos secundarios no triviales:

• Para ciertos grupos (jóvenes LGBTQ+, adolescentes con discapacidad o problemas de movilidad, víctimas de violencia en casa) las redes pueden ser también una fuente de apoyo y conexión.

• La igualdad entre quitar móviles a todos y quitar móviles sólo a unos pocos es engañosa: los efectos sociales de cada escenario pueden ser muy distintos.

Qué tipo de evidencia es esta (y limitaciones)

Algunas limitaciones y advertencias de este estudio las he ido comentando, pero merece la pena leer lo siguiente con atención.

• Las revisiones que acompañan a cada afirmación son narrativas, no revisiones sistemáticas con protocolo registrado, búsqueda exhaustiva y evaluación formal del riesgo de sesgo.

• El panel está sesgado hacia países occidentales y hacia la psicología, con poca representación de voces del sistema educativo y de contextos no occidentales.

• El marco conceptual viene de un libro que tiene una tesis clara sobre los daños de móviles y redes. Eso coloca el foco más en los posibles perjuicios que en los posibles beneficios.

Y dos puntos que conviene dejar explícitos:

1. Financiación y conflictos de interés.

   • Varios autores declaran financiación de fundaciones privadas y de empresas tecnológicas, además de financiación pública y académica.

   • No se trata de un macroproyecto con un único financiador, sino de apoyos individuales diversos, declarados en la sección de conflictos de interés.

   • Esto no invalida el trabajo, pero sí nos obliga a leerlo sabiendo que hay intereses cruzados en el debate.

2. Revisión por pares.

   • El trabajo aparece como preprint y como working paper académico, todavía no publicado en una revista científica tras revisión por pares.

   • Es decir: estamos ante un manuscrito muy elaborado, pero que aún no ha pasado por el filtro formal del peer review.

Nada de esto significa tirarlo a la basura.

Significa usarlo con cuidado: como una pieza importante en el puzzle, no como el puzzle completo.

Cómo podemos usar este trabajo sin engañarnos

Si eres docente, madre, padre, profesional de la salud o simplemente alguien preocupado por el tema, este trabajo no te da respuestas simples, pero sí te ayuda a hacer mejores preguntas.

En lugar de:

¿Las redes están arruinando a los adolescentes?

Quizá sea más honesto preguntar:

¿En qué condiciones, para qué usos y en qué perfiles de jóvenes parecen más probables los problemas de sueño, atención o malestar?

En lugar de:

¿Hay que prohibir móviles y redes? Quizá convenga preguntar:

¿Qué políticas tienen indicios de funcionar, qué riesgos pueden tener y qué alternativas menos restrictivas podrían mitigar los daños?

Y, sobre todo:

¿Qué sabemos con bastante seguridad y dónde, sencillamente, no hay aún base empírica para afirmaciones rotundas?

Con esto claro, podemos usar este trabajo como punto de partida para políticas más sensatas y menos basadas en pánicos morales o en negacionismos tecnológicos.

Acceso al trabajo completo.

Suscríbete ahora

Anexo: las 26 afirmaciones que evaluó el panel

Todas estas afirmaciones se inspiran en el marco del libro The Anxious Generation.

1. En las dos últimas décadas, ha habido un empeoramiento de la salud mental entre los adolescentes en Estados Unidos.

2. El empeoramiento de la salud mental entre las chicas en Estados Unidos comenzó a principios de la década de 2010.

3. El empeoramiento de la salud mental entre las chicas en Estados Unidos desde principios de la década de 2010 es más acusado que el empeoramiento entre los chicos en el mismo periodo.

4. En las dos últimas décadas, ha habido un empeoramiento de la salud mental entre los adolescentes en la Anglosfera (Australia, Canadá, Irlanda, Reino Unido y Nueva Zelanda).

5. En las dos últimas décadas, ha habido un empeoramiento de la salud mental entre los adolescentes en los países nórdicos (por ejemplo, Dinamarca, Finlandia, Islandia, Noruega y Suecia).

6. En las dos últimas décadas, ha habido un empeoramiento de la salud mental entre los adolescentes en Europa occidental en conjunto, aunque con variación entre países.

7. La infancia basada en el juego se ha desplazado hacia una infancia basada en el teléfono (es decir, el tiempo con amigos y el tiempo total de juego lejos de las pantallas ha disminuido).

8. El uso intensivo diario de smartphones y redes sociales puede causar privación de sueño.

9. La privación crónica de sueño puede causar un empeoramiento de la salud mental.

10. El uso intensivo diario de smartphones y redes sociales puede causar fragmentación de la atención.

11. La fragmentación de la atención puede causar un empeoramiento de la salud mental (posiblemente a través de factores mediadores, como su impacto negativo en las relaciones sociales).

12. El uso intensivo diario de smartphones y redes sociales puede causar adicción conductual.

13. La adicción conductual puede causar un empeoramiento de la salud mental.

14. El uso intensivo diario de smartphones y redes sociales puede causar privación social, como aislamiento y falta de experiencias sociales formativas.

15. La privación social crónica puede causar un empeoramiento de la salud mental.

16. Las chicas adolescentes usan más plataformas de redes sociales de tipo visual (por ejemplo, TikTok e Instagram) que los chicos adolescentes.

17. Las redes sociales aumentan las comparaciones sociales basadas en la imagen entre las chicas adolescentes.

18. Las redes sociales aumentan el perfeccionismo entre las chicas adolescentes.

19. Las redes sociales aumentan la agresión relacional entre las chicas adolescentes, por ejemplo al proporcionar herramientas para el ciberacoso y la exclusión.

20. Entre las chicas adolescentes, las redes sociales incrementan la exposición a otras personas que muestran o comentan sus trastornos mentales.

21. Las redes sociales incrementan la depredación y el acoso sexual hacia las chicas adolescentes, por ejemplo al proporcionar a los depredadores acceso a posibles víctimas.

22. Al menos un tercio de los estudiantes universitarios de Estados Unidos preferiría que las plataformas de redes sociales simplemente no existieran.

23. La mayoría de los padres en Estados Unidos querría retrasar la edad a la que sus hijos reciben un smartphone.

24. Si la mayoría de los padres esperara hasta que sus hijos estuvieran en la educación secundaria superior (high school) para darles su primer smartphone, esto beneficiaría en conjunto la salud mental de los adolescentes. (Antes de esa etapa, los padres solo les darían teléfonos básicos o móviles de tapa).

25. Imponer (y hacer cumplir) una edad mínima legal de 16 años para abrir cuentas en redes sociales beneficiaría en conjunto la salud mental de los adolescentes.

26. Las escuelas sin teléfonos móviles beneficiarían en conjunto la salud mental de los estudiantes.

La conversación gira en torno a una idea incómoda pero necesaria: la moralidad no solo cohesiona, también puede polarizar, simplificar en exceso la realidad y erosionar el debate público.

Más allá del diagnóstico, de la conversación con Pablo querría compartir ideas con implicaciones prácticas para cómo pensamos, discutimos y nos relacionamos en un contexto social cada vez más hipermoralizado.

1. Diversificar la identidad más allá de la política

Una de las tesis centrales es que la política ha ocupado un lugar casi religioso: nos ofrece identidad, pertenencia y sentido. El problema aparece cuando todo pasa por ese filtro.

A nivel práctico, merece la pena no jugarnos toda nuestra identidad en una sola dimensión. Arte, familia, trabajo bien hecho, hobbies o comunidad pueden actuar como amortiguadores frente a la crispación constante.

2. Desconfiar de la sensación de superioridad moral

La hipermoralización se alimenta de una emoción muy concreta: la certeza de estar del lado correcto.

Cuando sentimos que somos “los buenos”, conviene frenar y revisar. No porque todas las posiciones sean equivalentes, sino porque la historia muestra hasta qué punto la convicción moral ha servido para justificar abusos, censura o violencia simbólica.

3. Entender la moral como fenómeno tribal

Desde una perspectiva evolucionista, la moralidad funciona como una herramienta de cohesión grupal. Esto explica por qué genera vínculos fuertes dentro del grupo… y hostilidad hacia fuera.

Comprender esta lógica no la elimina, pero sí nos permite interpretar mejor los conflictos, reducir la sorpresa moral y, en algunos casos, rebajar la intensidad emocional del desacuerdo.

4. Evitar el doble rasero y el estatus moral

Uno de los riesgos actuales es el uso de la moral como moneda de estatus: quién puede decir qué, quién es intocable, quién merece castigo.

Aplicar principios de forma selectiva (según ideología, grupo o narrativa) deteriora la confianza social. En lo cotidiano, el ejercicio es sencillo y difícil a la vez: pedir para los otros lo mismo que pedimos para los nuestros.

5. Proteger la ciencia y la salud de la moralización

La ciencia opera con un código distinto al moral: verdadero/falso, no bueno/malo.

Cuando moralizamos resultados científicos, enfermedades o conductas, no solo empobrecemos el debate, también deshumanizamos. Mantener esta distinción es clave para preservar tanto la empatía como el pensamiento basado en evidencia del momento.

Con esta conversación con Pablo Malo encontrarás marcos para pensar con menos moral que, en tiempos de polarización, probablemente sea una de las grandes soluciones.

Suscríbete ahora

También puedes escuchar la entrevista en Spotify, Youtube Podcast, Ivoox o en Apple Podcast.

La idea encaja muy bien con el clima actual y una parte importante de la sociedad: desconfianza hacia la tecnología, preocupación por el futuro de la educación, sensación de que “esto va demasiado rápido”.

Hace varios meses se publicó un estudio que parece confirmar ese miedo: cuanto más usamos herramientas de IA, peor puntuamos en pensamiento crítico. Y, además, porque delegamos demasiadas tareas mentales en ellas.

Suena redondo. Demasiado redondo.

En este artículo te propongo hacer algo que va a ser cada vez más necesario: no tanto preguntar qué dice el estudio, sino qué puede defender con los datos que tiene.

Y, de paso, evitar el otro extremo: el del “anti-antimiedo”, ese reflejo de descalificar cualquier preocupación solo porque el estudio no es perfecto.

Qué hizo realmente el estudio

El estudio recluta a 666 personas adultas mediante una encuesta online. Una parte importante con altos niveles de estudios.

Les preguntaron, con escalas tipo de 1 a 6:

• Cuánto usan herramientas de IA.

• Cuánto delegan tareas mentales en la tecnología (recordar, buscar, decidir).

• Con qué frecuencia hacen actividades de “pensamiento profundo”.

• Y cuánto creen que practican pensamiento crítico.

Además, entrevistaron en profundidad a 50 personas sobre su experiencia con la IA.

Con esto no tenemos una radiografía de “la sociedad”, pero sí una foto interesante de cómo un grupo amplio de personas está usando la IA y cómo percibe su propio pensamiento crítico.

Una foto para debatir, diseñar nuevos estudios, pero no para lanzar mensajes cerrados.

Lo que el estudio encuentra (y aquí vienen los titulares)

Con los datos del estudio, encontramos que:

• Cuanto más se usan herramientas de IA, más se delegan tareas cognitivas en ellas (cognitive offloading).

• Cuanto más se delega en la tecnología, menores son las puntuaciones en pensamiento crítico.

• El uso de IA y el offloading se asocian con menos pensamiento crítico.

• La edad y el nivel educativo parecen proteger un poco: las personas mayores y con más estudios puntúan algo mejor.

El mensaje final del artículo es claro:

El uso frecuente de IA se relaciona con menor pensamiento crítico,
y parte de esa relación se explica porque delegamos demasiado en la tecnología.

Hasta aquí, todo muy alineado con el miedo social: si usamos mucha IA, el pensamiento crítico se atrofia.

La pregunta es: ¿hasta dónde aguanta esa frase si miramos la letra pequeña?

Lo que sí podemos afirmar (sin estirar el chicle)

Dentro de sus límites, el estudio sí respalda algunas cosas.

En esa muestra concreta aparece una asociación clara entre usar más IA, delegar más tareas mentales en la tecnología y puntuar más bajo en una escala de pensamiento crítico.

El offloading parece clave: quienes usan más IA también delegan más, y quienes delegan más tienden a puntuar más bajo.

La educación y ciertas actividades parecen proteger un poco: leer, debatir o resolver problemas sin intermediarios tecnológicos se asocia con mejores puntuaciones.

Las entrevistas van en la misma línea, con frases como “uso la IA para todo” o “siento que estoy perdiendo capacidad para pensar por mí mismo”. No son pruebas por sí solas, pero sugieren dependencia y malestar.

Con todo esto, tiene sentido tomarse en serio la posibilidad de que ciertas formas de uso de IA estén empujando a pensar menos, y la necesidad de aprender a usarla sin apagar el pensamiento crítico.

Pero de ahí a afirmar que “la IA está dañando el pensamiento crítico de la población” hay un salto que este estudio, por sí solo, no permite dar.

Riesgo del anti-antimiedo

Soy el primero que lo tiene, vamos a realizar un ejercicio de vigilancia en este apartado.

Ante este tipo de estudios es fácil caer en dos extremos.

• Uno es el alarmismo ingenuo: la IA reduce el pensamiento crítico, lo dice la ciencia.

• El otro es el anti-antimiedo: como es correlacional y con encuestas online, no vale para nada.

Ambos ahorran trabajo mental: en uno nos entregamos al miedo; en el otro, nos blindamos contra cualquier incomodidad.

Personalmente, ninguno me interesa.

La posición más honesta está en medio.

Este estudio sí aporta señales valiosas: cierto tipo de uso intensivo de IA, con mucho offloading, parece ir de la mano con menos implicación crítica.

Pero no demuestra que la IA esté atrofiando el pensamiento crítico en general, ni permite extender esa conclusión a toda la población.

En el futuro, a saber, pero no nos adelantemos.

Hay motivos razonables para estar atentos, pero no para dar por hecho que la IA está destruyendo el pensamiento crítico.

¿Cómo usar la IA sin entregar el pensamiento crítico?

Después de matizar el estudio, la pregunta útil no es:

¿La IA mata el pensamiento crítico?

Sino:

¿Cómo estoy usando yo la IA y qué efecto tiene eso en mi manera de pensar? ¿Qué habilidades me interesa desarrollar?

Delegar tareas en herramientas externas es normal y eficiente. El problema aparece cuando delegamos justo las partes que entrenan el pensamiento crítico: analizar, comparar, sintetizar, tomar decisiones difíciles.

Una regla sencilla: offloadear lo mecánico y reservar para uno mismo lo que implica juicio.

También ayuda crear momentos sin IA: leer un texto difícil sin pedir un resumen, intentar resolver un problema antes de consultar al modelo, escribir un primer borrador sin autocompletado.

No para vivir siempre así, sino para que la musculatura mental no se oxide.

Y, sobre todo, dejar de tratar la IA como oráculo y usarla como sparring para nuestros puntos ciegos: pedirle contraejemplos, objeciones, sesgos posibles, perspectivas que no habíamos considerado.

Suscríbete ahora

Acceso al estudio completo.

También tendemos a pensar que podemos mejorar solo con práctica y estrategia, y así fortalecer esta actitud.

Entonces, ¿qué condiciones y experiencias hacen más probable que alguien acabe viendo sus capacidades como algo que puede evolucionar, en vez de como algo fijo?

Una revisión sistemática publicada hace unos días en la revista Educational Research Review nos permite mirar esta pregunta con algo más de lupa, puesto que se centra en lo que genera la mentalidad de crecimiento, apuntando más a un ecosistema que a una actitud interna aislada.

El equipo de investigación rastreó 1573 estudios con estudiantes (desde infantil hasta grados universitarios) y seleccionó 54 trabajos centrados en qué predice la mentalidad de crecimiento.

Analizaron lo que ocurre dentro de la persona, en sus entornos cercanos (familia, aula, escuela) y en contextos más amplios (cultura, tiempo, condiciones de vida).

No evaluaron de forma sistemática la calidad de cada estudio, algo que para mí es la principal limitación, y solo incluyeron los que encontraban alguna relación significativa.

No tenemos el mapa perfecto de causas, pero sí una brújula adecuada.

¿Qué es (y qué no es) una mentalidad de crecimiento?

La entendemos como las creencias que tenemos sobre la maleabilidad de nuestras capacidades. Es decir, si pensamos que podemos mejorar en algo en concreto.

Lo opuesto (la mentalidad fija) nos sitúa en esa sensación de que no valemos para algo, que ya es tarde para aprender y, por lo tanto, no hay nada que mejorar.

La mentalidad de crecimiento no niega las diferencias individuales ni los contextos desiguales.

Tampoco obvia la dificultad o el fracaso.

Lo que reconoce es que los errores se interpretan como parte del proceso de aprendizaje, no como confirmación de supuestas incapacidades.

En el caso de los estudiantes, sabemos que los que tienen mentalidad de crecimiento perseveran más ante las dificultades, aprovechan mejor el feedback crítico, experimentan más, se bloquean menos ante el error y la evaluación, y se implican más en los retos que en tareas que ya dominan.

Esta mentalidad cambia nuestra relación con el esfuerzo, el fracaso y la mejora.

Si te interesa profundizar más en estas dos mentalidades, te recomiendo el libro de Carol Dweck. También puedes escuchar este primer episodio de podcast que he dedicado a la mentalidad de crecimiento.

Ahora veamos los factores que predicen la mentalidad de crecimiento.

Lo que ocurre en el aula y en casa (microsistema)

Es el más estudiado y donde se formulan más directamente los mensajes sobre capacidad, esfuerzo y fracaso.

• Cómo enseñamos y cómo damos feedback: métodos de enseñanza que invitan a explorar, preguntar y equivocarse, y actividades que hacen pensar sobre cómo se aprende y qué estrategias se usan. Tareas y mensajes que ponen el foco en el proceso (esfuerzo, estrategias y decisiones) más que en el resultado final.

• Estilos parentales y mensajes en casa: ayudan los estilos que apoyan la autonomía, transmiten confianza y dan feedback sobre el proceso, no solo sobre las notas. En cambio, el control psicológico, la sobreprotección y reaccionar al error como amenaza (en vez de ocasión para analizar qué ha pasado y qué hacer distinto) empujan hacia una visión más fija de las capacidades.

• Clima escolar e intervenciones específicas. Ayudan las escuelas que ponen énfasis en el desarrollo socioemocional y el aprendizaje como proceso, y que comunican que las capacidades se pueden cultivar. Los centros volcados en rankings y comparaciones, o en “charlas motivacionales” sueltas en lugar de intervenciones sostenidas e integradas en la vida del centro, tienden a reforzar una visión más fija de las capacidades.

Lo que trae cada estudiante (nivel individual)

• Recursos psicológicos que suelen ir de la mano de esta mentalidad: resiliencia, motivación autónoma, autoeficacia, gratitud y tolerancia al fracaso.

• Experiencias académicas y rendimiento. Cuando los estudiantes perciben progreso, reciben validación académica y ven que el esfuerzo se traduce en avances, es más fácil sostener una mentalidad de crecimiento; en cambio, encadenar fracasos sin acompañamiento ni reinterpretación alimenta el “no valgo para esto”.

• La propia historia de creencias. La mentalidad de crecimiento previa de un estudiante predice bastante cómo evolucionará su mentalidad en el futuro. Empezar bien ayuda.

El contexto más amplio

Son los menos estudiados, pero las investigaciones apuntan a la idea de que no pensamos sobre nuestras capacidades en el vacío.

• Cultura e ideas sobre el éxito y el fracaso. No se piensa igual sobre las capacidades en entornos donde el error se vive como vergüenza pública que en aquellos donde forma parte visible y tolerada del aprendizaje. Más que “países buenos o malos”, son marcos que ponen distinto peso en la comparación y el ranking o en la mejora y el proceso, y eso modula cuánto creemos que podemos cambiar.

• Condiciones de vida y expectativas futuras: por ejemplo, el nivel educativo de los padres o el estrés relacionado con el empleo futuro.

• Factor tiempo. En ciertos momentos de la escolaridad la mentalidad de crecimiento tiende a disminuir, justo cuando aumentan exámenes, comparaciones y presión por el rendimiento. No basta con “sembrarla” una vez; si el contexto no acompaña, con el tiempo esa mentalidad se puede reforzar… o erosionar.

El poder de las cadenas y las sinergias

Si pones todos los factores anteriores juntos, no sale realmente una lista de ingredientes sueltos, sino una red de influencias encadenadas: lo que creen docentes y familias sobre el talento se traduce en prácticas y estilos educativos, esas experiencias moldean recursos como la resiliencia y la autoeficacia, y todo ello alimenta cómo cada estudiante interpreta sus capacidades.

Sobre ese día a día, el contexto cultural y las condiciones de vida actúan como amplificador o filtro: la mentalidad de crecimiento no nace de un gesto puntual, sino de patrones que se repiten en la familia, la escuela y la cultura.

Debemos mejorar en nuestro pensamiento sistémico.

Suscríbete ahora

Acceso al estudio completo:

The influencing factors of growth mindset: A systematic literature review