Cuando abrí esta serie sostuve que la IA generativa había desencadenado, o agravado hasta hacerlas ineludibles, tres crisis conectadas en la universidad. Una crisis de significado, sobre qué debe aprender una persona en la universidad y para qué sirve (en su dimensión educativa) la institución. Una crisis de método, sobre cómo se puede y se debe aprender cuando la IA permite cortocircuitar la lentitud que el aprendizaje exige pero también puede ser una herramienta que aumenta capacidades de aprendizaje. Y una crisis de credibilidad, la más aguda de las tres, que estalla cuando las evidencias sobre las que descansa la evaluación dejan de probar lo que decían probar. Los dos artículos siguientes se ocuparon de esa tercera crisis y de la oportunidad que la acompaña, el rediseño de la evaluación cuando el estudiante usa IA y la amplificación del trabajo del profesor en el acompañamiento al estudiante. Quedaban pendientes las dos crisis de fondo. Este texto va sobre ellas y sobre el mapa que las conecta con todo lo anterior, la síntesis integrada de los impactos de la IA en la educación superior y de las respuestas que exigen.

Conviene empezar deshaciendo una impresión que la propia enumeración puede producir. Las tres crisis no son tres problemas paralelos que la universidad pueda atender por separado y por orden de urgencia. Son capas de un mismo problema, y entre ellas hay una relación causal bastante precisa. La crisis de significado genera la de método, porque cuando deja de estar claro qué merece ser aprendido tampoco puede estarlo cómo debería aprenderse. Y la de método genera la de credibilidad, porque la evaluación mide un proxy, el entregable o el examen, de un proceso, el aprendizaje, que la IA ha desacoplado de ese proxy. La evaluación no ha fallado por un defecto propio, ha fallado porque medía indirectamente algo que ya no se puede medir de ese modo.

De esa relación causal se derivan dos consecuencias. La primera es un desenfoque sobre los problemas reales y, por tanto, sobre la forma de abordarlos, y es la que explica la respuesta que estamos viendo. Las crisis estallan en orden inverso a su profundidad. La más superficial es la que explota primero, la más ruidosa y la más difícil de silenciar, mientras las dos de fondo siguen incubándose en silencio. Una institución que reacciona a lo que estalla, y no a lo que causa lo que estalla, acaba invirtiendo su energía en vigilancia, control y tecnología defensiva. Es la carrera de armamentos que describí en el primer artículo, agotadora y a la larga perdida, y su problema no es solo que sea ineficaz sino que consume los recursos y la atención que deberían dedicarse a lo estratégico.

La segunda consecuencia es de otro orden y es una tesis central de este texto. Las crisis no son solo problemas a contener. Son también fuerzas que activan procesos de transformación capaces de mejorar la universidad mucho más allá de los problemas agudos que las desencadenaron. Terminé el primer artículo apuntando que quizá la crisis de credibilidad, precisamente porque explota antes, sea la que obligue por fin a las universidades a enfrentarse a las otras dos preguntas, las más importantes. Eso es lo que quiero desarrollar aquí, porque una crisis que obliga a preguntarse qué hay que aprender hoy y cómo se aprende no es solo una amenaza, es quizás la única palanca que ha aparecido en décadas con fuerza suficiente para mover una institución constitutivamente lenta.

Suscríbete ahora

Cómo surge y se construye esta síntesis

Esta serie sobre IA y educación superior surge de la confluencia de cuatro líneas de trabajo, conectadas entre sí. La primera es el proyecto Universidad Cero, un ejercicio de diseño desde cero de la infraestructura mínima que una institución educativa necesitaría si se pensara hoy en un contexto donde la IA está transformando la realidad, sin condicionantes heredados, y del que vengo publicando una serie propia. En este ejercicio se desarrolla la respuesta de fondo a las crisis de significado y método, y a ella remitiré para quien busque mayor detalle.

La segunda es el trabajo sobre la lentitud y la fricción cognitiva por diseño, que desarrollo con Joaquín Rodríguez, y que se ha materializado en el ensayo Aprender lento para pensar rápido y en el trabajo académico que lo sustenta, Slow First, Smart Later. Aporta el fundamento cognitivo de buena parte de la crisis de método.

La tercera es la reflexión que realizo en esta misma serie, que ha ordenado el problema y, hasta ahora, sus respuestas tácticas: primero el diagnóstico de las tres crisis, después el rediseño de la evaluación y por último la amplificación del trabajo docente con IA.

La cuarta es el Plan IMPULSO Docente que hemos desarrollado con la Universidad Carlos III de Madrid (UC3M), un proyecto de acompañamiento para la transformación del profesorado universitario que desarrollamos desde Eutika y del que hemos publicado un texto de presentación, donde el impacto y el uso de la IA se han abordado de forma transversal. Ha sido además el terreno donde ha sido posible investigar de forma activa, incluyendo entrevistas individuales en profundidad y numerosas sesiones grupales y talleres con profesorado universitario.

Las conexiones importan tanto como las líneas. IMPULSO (y otros proyectos con universidades) aporta el terreno empírico y la observación directa de los retos a que se enfrenta el profesorado y cómo está respondiendo; esta serie de posts ordena el problema; la línea de la lentitud da el fundamento cognitivo de por qué una parte del método está en crisis; y Universidad Cero propone la respuesta estructural. En realidad las diferentes líneas se han ido cruzando a lo largo del tiempo y unas han ido alimentando a las otras, y este texto es el primer intento de hacerlas confluir.

El mapa: riesgos y oportunidades, de las personas a la institución

La forma habitual de narrar el impacto de la IA en la universidad es un catálogo de efectos: romper la evaluación, cambiar cómo estudian los estudiantes, amenazar el valor del título, prometer eficiencia y ahorros de gestión... La lista es correcta pero es poco útil para abordar respuestas estratégicas dado que mezcla efectos que ocurren en escalas diferentes y que exigen respuestas de naturaleza distinta.

El mapa que propongo se ordena en dos ejes. El primero, posiblemente el más evidente, diferencia lo que la IA pone en riesgo respecto de las oportunidades que abre. El segundo distingue la escala en la que el impacto ocurre, individual e institucional. Lo individual es lo que sucede “en el aula”, en el trabajo de cada profesor y cada estudiante y, sobre todo, en su interacción. Lo institucional es lo que sucede con la propuesta de valor de la universidad, en sus procesos y en su capacidad de sostener lo que promete. Cruzar los dos ejes produce cuatro cuadrantes, y cada uno tiene su propia respuesta.

En la escala individual, la IA pone en riesgo dos aspectos del aprendizaje. Rompe la evidencia del aula, porque los entregables y los exámenes dejan de ser pruebas robustas, que es el objeto del segundo artículo de esta serie, y amenaza el proceso cognitivo del estudiante, porque delegar sistemáticamente las tareas difíciles atrofia precisamente las capacidades que esas tareas desarrollaban, el argumento que desarrollamos en Aprender lento para pensar rápido. Lo primero se ve enseguida y produce alarma (aunque se silencie públicamente); lo segundo se detecta de manera más lenta pero, en realidad, es mucho más grave. Y ambos se refuerzan, porque cuando la evidencia deja de funcionar el estudiante pierde también los incentivos para el aprendizaje real, de modo que la primera ruptura acelera la segunda.

Al tiempo, la IA abre en la escala individual oportunidades de dos tipos. El primero es la ampliación de la capacidad del profesor en sus tareas, que fue el objeto del tercer artículo. La misma tecnología que pone en cuestión ciertas evidencias permite aumentar considerablemente la retroalimentación, la palanca más poderosa para mejorar el aprendizaje, que ha sido relegada o directamente abandonada por falta de tiempo y recursos: la IA permite trabajar como un equipo de especialistas sintéticos que aumentan la capacidad (agilidad y profundidad) del profesor, y procesos similares pueden aplicarse a otras de sus tareas, como el diseño de experiencias o la producción de recursos. El segundo tipo es la integración de la IA en los andamiajes del aprendizaje, como potenciadora del propio proceso de aprender. Es la oportunidad que ya apuntaba Aprender lento para pensar rápido, que aunque se centraba en los riesgos, también planteaba cómo la fricción cognitiva bien diseñada convierte a la IA en parte de la solución, y sobre ella volveré al abordar la crisis de método.

Conviene además subrayar que la escala individual implica a profesores y estudiantes a la vez. La perspectiva deja de estar centrada solo en el profesor para situar a los dos usuarios, que son el centro del sistema, y cada oportunidad impacta en ambos: la retroalimentación amplificada que el profesor produce la recibe el estudiante, y los andamiajes con IA que el profesor diseña son los que el estudiante habita.

En la escala institucional, la IA genera problemas profundos y que, hasta el momento, han estado poco en el debate y menos en las acciones de respuesta. Erosiona de forma ya definitiva la propuesta de valor de la universidad, construida durante siglos sobre la escasez de acceso al conocimiento, y erosiona la credibilidad de la señal que emite, las acreditaciones y títulos, con las consecuencias sistémicas que describí en el primer artículo, formuladas como las crisis de significado y de credibilidad.

Sin embargo, a escala institucional existen grandes oportunidades dado que la IA abre la posibilidad de automatizar y aumentar las capacidades de la propia institución, liberando recursos hacia aquello que genuinamente permite cumplir la misión que en el ámbito educativo podríamos resumir en generar aprendizaje significativo. Es la dimensión menos explorada del mapa, la única de las cuatro que no he abordado hasta ahora en esta serie (pero sí ha sido parte del foco de Universidad Cero), y la que más podría cambiar la ecuación económica de una universidad. La abordamos con más detalle más adelante.

El mapa también ordena las respuestas, y ahí está su utilidad real. Cada problema y cada oportunidad tiene una dimensión individual y otra institucional, de modo que cada respuesta implica dos tipos de acciones: las de profesores y estudiantes, que materializan las respuestas finalistas, y las de la institución, que genera los contextos, las capacidades y los recursos para que sucedan de forma sostenible y efectiva. El rediseño de la evaluación del segundo artículo es la respuesta individual del profesor a la crisis de credibilidad, algo que un docente puede emprender de forma inmediata y casi autónoma. Universidad Cero es la respuesta institucional a las crisis de fondo, algo que ningún profesor puede hacer solo. Y la amplificación del tercer artículo es la respuesta individual que aprovecha la oportunidad, mientras que las capacidades institucionales son su espejo colectivo.

Las dos escalas, además, no son independientes, y esta es la observación que más me interesa del mapa. La capacidad individual del profesor depende en parte de que la institución desarrolle las suyas, porque un profesor que trabaja con herramientas que su universidad no provee ni soporta lo hace en precario, y porque los procesos que construye mueren con él si nadie los recoge, mantiene, transfiere y escala. La dirección correcta de ese acoplamiento, sin embargo, no es la que la mayoría de las instituciones intenta. En el artículo anterior sostuve que el reflejo institucional de construir de entrada un sistema cerrado que lo resuelva todo suele ser la peor manera de empezar, porque impone una práctica antes de que la práctica exista. Lo que funciona es el orden inverso, dar a los profesores herramientas y libertad para experimentar, dejar que construyan sistemas propios que sirven para sus asignaturas, y consolidar después esa innovación distribuida en infraestructura institucional puesta al servicio de quienes ya han demostrado qué funciona. La práctica nace en el aula y la institución la convierte en capacidad.

Ese acoplamiento es también la vacuna contra el destino habitual de la innovación educativa, que ya señalé en el primer artículo, procesos potencialmente valiosos pero fragmentarios y desconectados que no logran transferirse ni consolidarse. La agencia del profesor sin soporte institucional produce islas casi siempre efímeras; el soporte institucional sin agencia del profesor produce cajas negras y poco o nada adaptadas a las necesidades reales. Hace falta el movimiento en los dos sentidos.

La crisis de significado, y qué propone Universidad Cero

La universidad moderna se construyó sobre una escasez muy concreta, la del acceso al conocimiento. Su propuesta de valor, transmitir lo que ya existe, tenía todo el sentido cuando el conocimiento estaba encerrado en bibliotecas, atesorado por expertos y era solo accesible a través de la relación entre profesores y estudiantes que tradicionalmente implicaba además la necesidad de una presencia física en las aulas y campus.

Sin embargo, parte de los cambios en las condiciones de acceso ya han sucedido antes y las instituciones han sido capaces, mal que bien, de absorberlos. Conviene detenerse y reflexionar por qué esta vez, con la irrupción de la IA, es distinto. La imprenta multiplicó los libros y no acabó con la universidad; internet permitió el acceso casi instantáneo al conocimiento universal y tampoco. En ambos casos lo que se hizo abundante fue el acceso al conocimiento como soporte, y quedó intacta la mediación. Seguía siendo valioso que alguien seleccionara, ordenara, diera sentido, explicara, acompañara y certificara, y esa mediación era exactamente lo que la universidad ofrece como propuesta de valor. Lo que la IA generativa hace por primera vez es automatizar la mediación misma. Un sistema que resume, explica a la medida de quien pregunta, responde a la duda concreta, propone ejercicios y corrige los errores no compite con la biblioteca, compite con el profesor que explicaba el conocimiento al que se accedía en la biblioteca. Con ello, también el acceso a la mediación ha dejado de ser escaso, como antes dejó de serlo el acceso al soporte, y la escasez que queda, la que puede sostener una nueva propuesta de valor, es de otra naturaleza: es la escasez de capacidades.

Conviene además precisar qué significa conocimiento en el contexto educativo, y para ello es útil distinguir entre los artefactos con los que se trabaja y las capacidades con las que se trabaja sobre ellos. Del lado de los artefactos están la información, hoy abundante hasta lo abrumador, y el conocimiento en sentido estricto, la información organizada, jerarquizada y conectada, que la IA también produce con notable solvencia. Las capacidades pertenecen a otra categoría: son las herramientas cognitivas con las que los humanos, y también las máquinas, manipulan información y conocimiento y generan conocimiento nuevo. Y aquí aparece la distinción que importa a la educación. Los artefactos se almacenan y se transfieren; una capacidad no se transfiere, solo existe encarnada en alguien y solo se desarrolla entrenándola. Que la IA disponga de capacidades análogas no cambia esta ecuación, y por eso no hace falta entrar en el debate sobre sus límites últimos, porque ninguna capacidad de la máquina puede desarrollar, en lugar de la persona, la capacidad de esa persona. Un estudiante puede tener delante la mejor explicación jamás escrita de un concepto, y a la mejor IA para producirle otras cien, y no haber desarrollado la capacidad de usarlo; ese desajuste es precisamente lo que la abundancia vuelve invisible, porque quien consulta y entiende siente, falsamente, que ha aprendido.

La escasez, por tanto, ya no está en los artefactos sino en las capacidades desarrolladas en las personas: la de generar conocimiento nuevo, la de aplicarlo a problemas reales y la de integrar perspectivas distintas para producir algo que no existía. Y se ha concentrado especialmente en el conjunto de capacidades que la IA no desarrolla por la persona: el juicio crítico, el pensamiento creativo o divergente, la indagación y formulación de preguntas genuinas, la colaboración con otros humanos, la resistencia ante la incertidumbre y el compromiso ético. Cuando se enumeran pueden sonar a catálogo genérico de competencias transversales pero merece la pena rescatarlas de esa lectura. Son, cada vez más, lo único que justifica que alguien dedique años de su vida a habitar una institución y no adornos que se añaden al final de un plan de estudios, como se han declarado y abordado en las últimas décadas. Debemos además considerar una ampliación del alcance muy relevante: en tiempos de IA esas capacidades se aplican en contextos profesionales y vitales atravesados por ella, y ese despliegue, con la IA y frente a la IA, también debe aprenderse, entrenarse y desarrollarse. La paradoja productiva que aparece más abajo es exactamente la forma de hacerlo.

Universidad Cero propone una respuesta en tres movimientos institucionales a este desplazamiento de la escasez que deben abordarse de manera integrada para lograr resultados.

Primero, de la transferencia de conocimiento a la transformación de capacidades. El para qué de la institución deja de ser transmitir lo que ya existe y pasa a ser desarrollar las capacidades cognitivas, técnicas y relacionales que permiten a alguien desenvolverse en un mundo transformado por la IA. De hecho este cambio debería haber sucedido hace ya mucho tiempo pero la irrupción de la IA lo hace inevitable.

No es solo un cambio de énfasis; si queremos que sea real debemos entenderlo como un cambio de arquitectura, porque afecta a qué se programa, cómo se organiza y se vive la experiencia y qué se evalúa. Un plan de estudios organizado por transmisión se ordena por cuerpos de contenido y avanza cubriéndolos; un plan organizado por capacidades se ordena por lo que el estudiante debe llegar a ser capaz de hacer y usa los contenidos como recursos, no como fin. La diferencia se nota en la primera decisión práctica, cuando hay que decidir qué se elimina para que pueda entrar lo demás.

Aquí aparece lo que llamo la paradoja productiva, que es probablemente la idea más contraintuitiva del proyecto. Consiste en usar la IA de forma intensiva precisamente para desarrollar aquellas capacidades que la IA no puede desarrollar por nosotros. No es un juego de palabras. Si lo que escasea es el juicio crítico, la forma más rápida de desarrollarlo pasa por producir mucho material y obligar a juzgarlo, en lugar de prohibir la herramienta que lo produce. Un estudiante que pide a un sistema tres versiones de un argumento, con sus sesgos y sus vacíos deliberados, y tiene que decidir cuál se sostiene y por qué, está ejercitando exactamente aquello que la delegación pasiva atrofia. Lo mismo vale para la formulación de preguntas, que se entrena mucho mejor cuando las respuestas son baratas, o para la colaboración, que se hace más exigente cuando lo que cada persona aporta al grupo ya no puede ser el resumen que cualquiera podría haber generado, o para el nivel de exigencia sobre el resultado de un proyecto, que debe aumentarse de forma coherente con el incremento de capacidades algorítmicas con que se desarrolla. La IA, usada así, es el instrumento que permite incorporar la dificultad al proceso de aprendizaje donde antes no era posible y donde más impacto puede provocar.

Segundo, aprender produciendo en lugar de aprender consumiendo. Si la transmisión está agotada, la alternativa es invertir la lógica y colocar al aprendedor en el papel de quien produce o crea, no trabajos académicos que se entregan y desaparecen, sino generación de valor con consecuencias fuera del aula y del campus participando en investigación real y no en simulacros, creando prototipos de soluciones a retos de una comunidad o de una organización, o desarrollando herramientas y artefactos que permanecen y que otros usan. El aprendizaje ocurre entonces como subproducto de la actividad productiva. Es, más allá de un recurso para provocar el interés y la implicación, la respuesta estructural a la pregunta del significado, porque convierte a la universidad en el entorno donde una comunidad genera valor y, al hacerlo, aprende. La investigación sobre el fracaso productivo, que recupero más adelante cuando abordemos la crisis del método, respalda con múltiples evidencias esta inversión de la lógica.

La objeción a este movimiento es previsible y hay que tomarla en serio, porque buena parte del sistema educativo está instalada en el paradigma de que no se puede producir sin fundamentos y los fundamentos rara vez se adquieren produciendo. Es cierta en parte, y por eso en nuestro enfoque los fundamentos dejan de tratarse como una fase previa que se completa antes de empezar a hacer algo: se adquieren mucho mejor cuando existe un problema que los reclama y les da contexto, y esa es la lógica de los precedentes que menciono más abajo. Lo que sí desaparece es la enorme cantidad de trabajo académico que solo existe para ser evaluado, que nadie lee después y que el estudiante percibe como un peaje.

Hay además una consecuencia que rara vez se explicita. Producir con consecuencias “fuera del aula” obliga a la institución a tener relaciones con el mundo exterior al campus, con empresas, administraciones, comunidades y colectivos que aporten los problemas reales. Esas relaciones son infraestructura del modelo, y son una de las razones por las que este cambio no puede quedar en manos de la capacidad o voluntad de cada profesor.

Tercero, la comunidad como razón de ser. Lo que la IA no puede replicar es la dimensión social y colectiva del aprendizaje y del desarrollo personal, y si el conocimiento ya no escasea, lo que justifica que exista una institución es la comunidad que sostiene, los problemas reales que aborda y el reconocimiento mutuo que produce. Universidad Cero opera sobre lo que llamamos una comunidad dinámica, con pertenencia estable y participación flexible, donde el aprendedor entra y sale de las experiencias según sus intereses y sus circunstancias sin la rigidez de la matrícula clásica, pero pertenece a una comunidad con identidad, relaciones e historia compartida.

Ese movimiento tiene consecuencias sobre dos artefactos que la universidad da por naturales. El primero es la cohorte, ese grupo que entra junto, avanza junto y se disuelve al terminar, que es una solución logística del siglo XIX convertida en supuesto pedagógico. El segundo es la propia titulación como unidad de relación, un contrato que empieza, dura unos años y termina, cuando lo que las personas necesitan hoy es una relación larga y discontinua con una institución que las acompañe por tramos a lo largo de la vida. Una comunidad dinámica no es una universidad con más flexibilidad de matrícula, es otra manera de entender qué vínculo une a una persona con la institución donde aprende.

Ninguno de los tres movimientos es una invención teórica. Todos tienen precedentes parciales y documentados, las comunidades de emprendedores en equipo de Mondragon Team Academy, la lógica de problemas primero de la London Interdisciplinary School, la multimodalidad sin modalidad por defecto de Minerva, los públicos recursivos de los laboratorios de innovación ciudadana. Cada uno de esos casos resuelve bien una parte y deja las demás sin resolver, y lo que no existe es su integración en un modelo coherente sostenido por una infraestructura. Ese es exactamente el espacio que el proyecto aborda e intenta resolver.

La crisis de método: la capa intermedia, y la más oculta

Las tres crisis están conectadas y deben abordarse de forma integrada, pero la de método ocupa una posición singular. Es la capa intermedia, la que traduce el significado en aprendizaje real y la que sostiene la credibilidad de las evidencias, y precisamente por ser intermedia es la más oculta de las tres y como consecuencia corre el riesgo de no ser atendida: sus efectos no producen titulares y, como sucede con todo lo que describe este mapa, tardan años en hacerse plenamente visibles.

El punto de partida es una paradoja. La IA acelera de forma extraordinaria la producción y el procesamiento de información, pero el aprendizaje profundo, el que transforma capacidades y reconfigura cómo alguien piensa y actúa, no solo no se acelera en la misma medida: según cómo se use la IA, directamente se elimina. Aprender a pensar con rigor, sostener la atención ante la complejidad y ejercer juicio ante la incertidumbre requieren tiempo, esfuerzo y una lentitud deliberada que se resiste a la lógica de la eficiencia. La herramienta que multiplica la velocidad de producción es la misma que puede vaciar el proceso que debía producir aprendizaje, y por eso lo que se rompe es la relación entre el trabajo que se entrega y el aprendizaje que ese trabajo debería haber producido.

El riesgo educativo de fondo de esta época es el escaso desarrollo de las capacidades humanas, un déficit que precede a la IA; el riesgo emergente es que el impacto de la IA en el proceso de aprendizaje convierta ese déficit en atrofia. Y tenemos claridad respecto a los mecanismos que permiten eludir estos riesgos y generar un aprendizaje significativo. Así, a modo de ejemplo, escribir un texto argumentado obliga a estructurar el pensamiento, y quien delega la escritura no delega una tarea de redacción, delega la capacidad de estructurar. Analizar un conjunto de datos obliga a sostener la atención sobre algo que no se entiende todavía, y quien delega el análisis se ahorra precisamente el tiempo aparentemente improductivo en el que se aprende a observar e indagar. Construir una argumentación obliga a considerar las posiciones contrarias, y quien delega la argumentación nunca llega a sentir la incomodidad de un contraargumento que funciona. En los tres casos el producto final puede ser mejor y el aprendizaje será menor.

El hecho de que esa pérdida pueda quedar oculta tras unos indicadores que mejoran (pruebas de evaluación que ya no son robustas) complica la percepción del problema. La consecuencia es que la crisis de método puede avanzar en el tiempo sin que ningún indicador institucional la registre, mientras la IA, diseñada para optimizar la eficiencia, acaba optimizando la superficialidad sin que nadie lo haya decidido.

Este riesgo tiene fuertes implicaciones en el diseño de las experiencias educativas y en el andamiaje del aprendizaje. La investigación sobre aprendizaje lleva ya tiempo mostrando que la fricción es constitutiva del aprender. Las dificultades deseables de Bjork, el espaciado de la práctica en el tiempo, la intercalación de contenidos distintos y el esfuerzo de recuperar de memoria en lugar de releer, producen peores resultados a corto plazo y mucho mejores a largo. El fracaso productivo de Kapur documenta cómo explorar y equivocarse antes de recibir la instrucción produce un aprendizaje más profundo que recibirla primero, aunque durante la exploración el estudiante rinda peor y se sienta peor; es también, como adelanté, el fundamento que respalda el aprender produciendo de la respuesta al significado, porque muestra que enfrentarse a un problema real antes de disponer de la teoría produce el aprendizaje más duradero. Las dos líneas coinciden en algo aparentemente paradójico: la experiencia subjetiva de estar aprendiendo bien puede parecerse mucho a la de no estar aprendiendo.

Y sin embargo la inmensa mayoría de los tutores basados en IA se diseñan para eliminar toda fricción, porque se entiende que la fricción es un defecto y por tanto el diseño de producto la debe eliminar. Normalmente, los indicadores que gobiernan ese diseño son la satisfacción declarada, la finalización de la tarea, el tiempo hasta la respuesta correcta, y los tres empujan en la misma dirección, hacia un sistema que resuelve rápido y deja al usuario contento. Ninguno de los tres mide aprendizaje, y varios de ellos son inversamente proporcionales a él. El resultado es que el mercado está construyendo, a escala y con una inversión enorme, exactamente la herramienta equivocada para optimizar las métricas que maneja el sistema actual.

La respuesta no consiste en renunciar a la velocidad sino en aprender a alternar ritmos, que es lo que en Universidad Cero llamamos tecnologías lentas para pensar con IA. Son prácticas, formatos y experiencias que introducen deliberadamente fricción cognitiva, lentitud y profundidad dentro de trayectorias que también incluyen fases rápidas potenciadas por IA. La aparente contradicción de una infraestructura intensiva en IA que propone lentitud se resuelve en una formulación que se basa en que la lentitud no es ausencia de velocidad sino presencia deliberada de fricción cognitiva allí donde resulta pedagógicamente productiva.

La pregunta operativa, entonces, no es cuánta IA usar sino dónde y cómo integrarla y dónde excluirla (como parte del andamiaje del aprendizaje), y para eso hace falta un criterio. Conviene formularlo como tres modos de integración, porque la dicotomía entre usar y no usar la herramienta resulta engañosa: lo que distingue las fases es el papel que la IA juega en cada una. El primer modo acelera con IA el trabajo instrumental que rodea al aprendizaje: buscar fuentes, formatear citas, traducir un artículo o automatizar un cálculo, sin pérdida alguna. El segundo modo profundiza con IA: la herramienta genera y sostiene la fricción productiva, produce material abundante que obliga a juzgar, formula preguntas en lugar de dar respuestas y eleva el nivel de exigencia sobre el resultado; es el modo de la paradoja productiva que describí en la respuesta al significado. El tercer modo preserva sin IA las fases en las que ocurre el aprendizaje que la actividad persigue: si el objetivo es que el estudiante aprenda a estructurar un argumento, la generación del texto es exactamente lo que no debe delegarse; si es que aprenda a interpretar datos, el cálculo puede automatizarse y la interpretación no. La fricción debe conservarse, o intensificarse, donde genera el aprendizaje que se persigue, y la IA puede participar incluso en los procesos más profundos y estratégicos siempre que el diseño reserve las fases en las que el humano toma el mando, reflexiona, critica y decide. El error más común consiste en aplicar el criterio al revés: automatizar lo cognitivo porque es lo que la IA hace mejor y conservar lo instrumental porque es lo que siempre se hizo a mano.

Podemos definir una primera versión del repertorio que hace realidad este enfoque metodológico. En el modo de preservación: escritura manuscrita en las fases de exploración, antes de que la IA genere ningún borrador; lectura con anotación crítica en lugar de resumen automático; actividades o tareas presenciales donde la IA documenta pero no modera; retiros de lentitud radical sin conexión. En el modo de profundización: producir con IA versiones alternativas de un argumento para obligar a juzgarlas, trabajar con agentes que preguntan antes de resolver, y elevar la ambición de los proyectos en coherencia con las capacidades algorítmicas disponibles. Y atravesándolo todo, los portafolios de aprendizaje que cartografían cómo ha cambiado el pensamiento de una persona a lo largo del tiempo, y la receta lenta como formato de documentación, que abordo más abajo. Ninguna de estas prácticas es nueva, y esa es justamente la observación interesante: casi todas existían y se fueron abandonando por costosas, de modo que lo que la IA obliga a hacer no es inventar pedagogía sino recuperar deliberadamente aquello que la eficiencia había ido erosionando.

El papel que la IA juega en todo esto es la clave contraintuitiva, y los agentes de la propuesta de Universidad Cero son el mejor ejemplo del modo de profundización: no eliminan la fricción, la detectan y la mantienen cuando es productiva. Distinguen la exploración productiva del bloqueo genuino, e intervienen solo en el segundo caso, sugiriendo estrategias sin resolver el problema. Formulan preguntas que hacen visible lo que alguien cree entender y todavía no entiende. Preguntan antes de sintetizar, empezando por qué ha cambiado en la forma de pensar de quien aprende. Y diseñan las condiciones para que el encuentro humano sea más rico en lugar de sustituirlo, preparando la conversación en vez de ocupar su lugar. Frente al tutor que optimiza la eficiencia del estudiante, el agente de Universidad Cero optimiza su aprendizaje, que a menudo exige justamente lo contrario.

Conviene decir que esto no es fácil de construir ni está resuelto. Distinguir la exploración productiva del bloqueo genuino es un juicio difícil incluso para un profesor experimentado que conoce a la persona que tiene delante, y pedírselo a un sistema es pedir mucho. Lo que sí está claro es la dirección, y que la dirección es la contraria a la que buena parte del mercado ha tomado.

El segundo pilar metodológico viene de los laboratorios de innovación ciudadana, cuyo funcionamiento como comunidades de innovación he investigado con David Gómez Abad en dos trabajos, sobre el modelo que explica su emergencia y sobre las nuevas institucionalidades públicas que los hacen posibles. Su lección central para la universidad es que documentar forma parte integral del aprender, el argumento que desarrollamos junto con Antonio Lafuente en El arte de documentar. Documentar es pensar, y la documentación reflexiva en tiempo real refuerza la metacognición porque hace explícitos los mecanismos de trabajo y de reflexión: obliga a poner por escrito no solo lo que se ha hecho sino por qué se decidió así y qué se descartó, que es la parte que normalmente se pierde. La síntesis posterior adopta el formato de receta, con tres niveles, el contexto que sitúa el problema, la receta rápida que alguien puede replicar y la receta lenta que recoge las decisiones, los errores y las bifurcaciones. La IA puede generar la receta rápida a partir de la lenta, pero la reflexión sobre qué documentar y cómo hacerlo es en sí misma una tecnología lenta de metacognición que no se puede delegar sin perder aquello que la hace valiosa.

Esa práctica tiene además un efecto sistémico que conviene subrayar, porque es lo que distingue una comunidad que aprende de un conjunto de personas que aprenden en paralelo. Cada aprendedor que documenta alimenta un trinquete cultural, el mecanismo de acumulación que describió Michael Tomasello, en el que cada contribución eleva el punto de partida de la siguiente, y el conocimiento individual se convierte en memoria comunitaria. Una institución que documenta así deja de repetir cada año los mismos errores con estudiantes distintos, que es, si uno lo piensa, una descripción bastante exacta de lo que hace la universidad actual.

La oportunidad institucional

De los cuatro cuadrantes del mapa, este es, al menos en mi percepción, el que menos comunicación y debate público ha generado, posiblemente porque la inmensa mayoría de las instituciones no lo ha abordado más que de forma marginal. Y sospecho que hay una razón sencilla detrás. La conversación sobre IA en la universidad la han ocupado primero el fraude y después la docencia, y la institución como tal ha aparecido casi siempre en el papel de quien compra herramientas o dicta normas. Pero la IA también le ofrece a la institución algo que no tenía, y conviene decir qué es exactamente y qué condiciones tiene.

Lo que se abre es la posibilidad de automatizar y aumentar una parte considerable de las funciones institucionales que hoy consumen recursos sin producir aprendizaje. Podemos identificar cuatro bloques de naturaleza distinta. Los dos primeros aportan eficiencia, y por tanto agilidad y recursos liberados: el puramente administrativo, la gestión de matrículas, expedientes, convalidaciones, espacios y calendarios, la atención de consultas repetitivas de estudiantes, la elaboración de las memorias e informes que exigen los procesos de acreditación; y el de producción y mantenimiento, materiales, guías, versiones actualizadas de contenidos que envejecen, traducciones y adaptaciones de formato.

Los otros dos bloques son los que de verdad cambian la ecuación, porque hacen lo que hoy las universidades no hacen, o hacen de forma muy limitada: proporcionan una inteligencia sofisticada y su aplicación con los estudiantes, en tiempo real y a escala. El tercer bloque es el análisis y el diagnóstico, la capacidad de leer lo que ocurre en un programa completo y no solo en una asignatura, de entender a través de datos estructurados y no estructurados lo que le sucede longitudinalmente a un estudiante o a grupos diversos, de comparar una asignatura, un semestre o un programa entre cohortes sucesivas, y de detectar dónde se rompen las trayectorias y por qué, algo que casi ninguna institución hace hoy no por falta de datos sino por falta de tiempo para hacerlo. El cuarto es el acompañamiento a escala. Una universidad que quiere ofrecer mentoría, orientación y seguimiento a miles de estudiantes se topa siempre con el mismo muro, que ese trabajo es intensivo en horas humanas y no escala. Es exactamente el cuello de botella del artículo anterior, pero en un nivel superior, y admite la misma clase de respuesta, con la IA preparando, sintetizando y filtrando para que el contacto humano ocurra donde importa y no se disuelva en la gestión.

La eficiencia de los dos primeros bloques libera recursos; los otros dos crean una capacidad que antes no existía. Y ahí aparece la pregunta relevante, que no es cuánto se ahorra sino a dónde va lo ahorrado. Hay dos futuros posibles con la misma tecnología. En el primero, la institución trata la IA como una palanca de reducción de costes, automatiza lo que puede, ajusta plantilla y presenta el resultado como eficiencia. Es un futuro perfectamente alcanzable, probablemente el más fácil de defender ante el consejo de gobierno, y deja a la universidad exactamente donde estaba pero con menos gente y menos costes. En el segundo, la institución trata lo liberado como capacidad reinvertible y la reorienta hacia aquello que solo las personas pueden hacer, más horas de acompañamiento, más tiempo de diseño de experiencias, más presencia en los momentos donde un estudiante decide si sigue o abandona. La tecnología es la misma y el resultado no se parece en nada.

Esta es quizás la decisión estratégica más importante que las universidades van a tomar en los próximos años, y sin embargo ninguna la está formulando como decisión estratégica, más bien se está tomando por defecto en decisiones de compra dispersas que nadie lee como una política.

Hay una condición de posibilidad que ya he adelantado y que conviene completar aquí. Estas capacidades institucionales no se construyen bien de arriba abajo. Un sistema corporativo diseñado antes de que exista la práctica acaba imponiendo una práctica que nadie pidió, y esa es la historia de buena parte de la tecnología educativa de las dos últimas décadas. Lo que funciona es dejar que la práctica nazca distribuida, en las asignaturas y programas donde los profesores pueden experimentar, y construir después la infraestructura que la sostiene, la generaliza y la hace transferible. La institución no debería preguntarse qué sistema comprar sino proporcionar los recursos y contexto (de tiempo, de reconocimiento, de herramientas, de acompañamiento) para la experimentación, identificar qué está funcionando y qué haría falta para que dejara de depender de la persona que lo inventó.

Y es importante cerrar definiendo una última exigencia, de índole ética, que el artículo anterior dejó formulada a escala de aula. Allí sostuve que la ética se debe entender como la brújula, y no el freno, del rediseño, y que la pregunta decisiva sobre cualquier uso de datos es si sirve para acompañar o para vigilar. A escala institucional esa pregunta se vuelve más incómoda, porque los sistemas que permiten acompañar a miles de estudiantes son los mismos que permitirían controlarlos o utilizarlos como objetivos comerciales, y porque la institución tiene, a diferencia del profesor, capacidad real de hacerlo. La respuesta va mucho más allá de una declaración de principios y debe estar en el diseño, en qué datos se recogen, quién los ve, para qué se usan y qué decisiones no se automatizan nunca.

Cerrar el círculo: tres crisis, una respuesta integrada

La respuesta a las dos crisis de fondo es, en realidad, la forma robusta y sostenible de resolver la crisis aguda, potenciando además a la propia universidad. Para ello es necesario que las tres respuestas sean coherentes entre sí mediante un abordaje integrado.

En el primer artículo describí que la IA había roto el vínculo entre evidencia y aprendizaje, porque el proceso de producir se ha desacoplado del proceso de aprender. La respuesta metodológica que acabo de describir reconstruye ese vínculo por diseño y no por vigilancia, y lo hace casi sin que sea su objetivo prioritario. La producción documentada es una evidencia de aprendizaje mucho más rica que cualquier examen. Un portfolio así entendido no es una colección de los mejores trabajos sino la traza completa del proceso, con sus versiones sucesivas, sus conversaciones con agentes, las reflexiones del cuaderno de laboratorio y la retroalimentación de los pares.

Y de ahí se sigue el argumento económico que cierra el círculo. Una apariencia de aprendizaje puede falsificar un entregable final sin dificultad. Falsificar un proceso completo documentado en el tiempo, con sus errores, sus bifurcaciones y su reflexión sobre lo que no se sabía, es órdenes de magnitud más costoso que, sencillamente, aprender. La evaluación basada en proceso restaura la asimetría de costes sobre la que descansa la señal del título, que era exactamente lo que el riesgo moral y la lógica del mercado de los limones habían puesto en cuestión. Vuelve a ser más barato aprender que fingir, que es la única condición bajo la cual una señal informa. Y la documentación abierta convierte además la credibilidad en transparencia, porque acreditadores, empleadores y familias pueden ver el proceso completo. No hay caja negra que vigilar porque no hay caja negra.

En este punto la solución táctica planteada en el segundo artículo de la serie a la crisis de credibilidad, integrar en la calificación pruebas robustas junto con las observaciones y evidencias que el proceso produce, es, visto desde aquí, un caso particular de la solución estructural a la crisis de método. El diseño hacia atrás que mencioné en el primer artículo y desarrollé en el segundo, según el cual cambiar la evaluación obliga a cambiar todo lo anterior, es exactamente el camino por el que la crisis aguda arrastra a las universidades hacia las dos crisis de fondo. Un profesor que rediseña su evaluación de manera robusta e integrada con el resto de la experiencia de aprendizaje termina, aunque no se lo haya propuesto, haciéndose las preguntas del significado y del método. De ahí la tesis que recorre este texto: quien resuelve el significado y el método acaba por recuperar la credibilidad. Quien solo persigue la credibilidad pierde las tres.

El aterrizaje: infraestructura, no utopía

Hay dos malentendidos previsibles sobre todo lo anterior, y prefiero salir a su encuentro.

El primero es leer esto (solo) como pedagogía. Las respuestas al significado y al método no se sostienen con voluntarismo docente, y el destino de la innovación educativa que no se institucionaliza ya lo conocemos. Por eso Universidad Cero no se formula como un modelo pedagógico sino como seis capas de infraestructura mínima, la tecnológica y de IA, la física y espacial, la metodológica y pedagógica, la de datos y evaluación, la de gobernanza y equipos, y la de comunidad y mediación. La capa metodológica es el corazón del asunto, pero sin las demás lo que queda es tecnología potente aplicada a pedagogía convencional, que es precisamente lo que produce la mayor parte de la innovación educativa actual. Y mínima no significa escasa sino esencial, aquello sin lo cual el aprendizaje no ocurre. El argumento es el mismo que planteé a escala de asignatura en el artículo anterior, cuando sostuve que la inteligencia pedagógica no debe residir en los modelos ni en las infraestructuras que los proveen sino vivir en los diseños y las herramientas que están en manos de los profesores y de las instituciones, y que desarrollé al describir el sistema operativo educativo que el proyecto propone.

El segundo malentendido es leer esto como una propuesta para fundar universidades nuevas. Desde cero significa pensar sin condicionantes heredados, no construir en el vacío. La infraestructura puede desplegarse en organizaciones que ya existen, como muestran las ficciones de diseño que ha publicado Universidad Cero: una facultad que se rediseña, una universidad corporativa, una red de aprendizaje territorial. Se instala, no se funda. Y eso conecta directamente con el argumento sobre la agencia del profesorado del primer artículo, porque la infraestructura es justamente lo que permite combinar la agencia docente con la guía y el soporte institucional que las respuestas orgánicas y tácticas, por sí solas, no tienen.

Queda una consecuencia sobre el trabajo docente que merece nombrarse, y que enlaza con el tercer artículo. La respuesta al método exige redefinir los roles docentes. El profesor orquesta que investiga, produce contenidos, imparte, evalúa y tutoriza en solitario se descompone en roles más especializados, el diseñador de experiencias, el facilitador y mediador, el mentor de trayectoria, el curador de conocimiento, acompañados por agentes de IA con papeles institucionales definidos y supervisados. El principio transversal es el mismo que recorre toda la serie, la IA amplifica el juicio del educador y no lo reemplaza, y las decisiones sobre dónde poner fricción, cuándo intervenir y qué significa tener éxito siguen siendo humanas.

Una llamada a las instituciones

Si tuviera que dejar una sola recomendación, sería que las universidades dejen de tratar esto como un problema de elección de proveedores tecnológicos y empiecen a tratarlo como lo que es, un asunto estratégico, y casi diría existencial, de diseño institucional que atraviesa la tecnología pero no se resuelve solo, ni principalmente, con ella.

Universidad Cero es un programa de trabajo abierto, con su documentación pública y su conversación en marcha, y la invitación con la que cierro esta serie es sencilla, la de explorarlo, discutirlo y, si algo de lo que propone resulta útil, instalarlo donde cada cual trabaje.

Referencias

Todas las citas del texto, en orden alfabético.

• Akerlof, G. A. · El mercado de los limones y riesgo moral, los dos conceptos económicos sobre los que se apoya el argumento de la señal.

• Bjork Learning and Forgetting Lab (UCLA). La investigación sobre las dificultades deseables.

• Eutika · El profesor en el centro de la transformación: el Plan IMPULSO Docente UC3M. Blog de Eutika.

• Freire, J. (2026). Aprender lento para pensar rápido. Substack. Y el trabajo que lo sustenta: Rodríguez-López, J. & Freire, J. (2026). Slow First, Smart Later: Building the Cognitive Architecture for AI Integration Across Generations. SSRN.

• Freire, J. (2026). El sistema operativo educativo: qué significa realmente. Substack. Serie Universidad Cero en Substack, del proyecto Universidad Cero.

• Freire, J. (2026). La arquitectura invisible de Universidad Cero. Substack.

• Freire, J. (2026). La IA generativa como amplificador de la evaluación y el acompañamiento. Substack.

• Freire, J. (2026). La inminente crisis de credibilidad de la universidad. Substack.

• Freire, J. (2026). Rediseñar la evaluación cuando el estudiante usa IA generativa. Substack.

• Freire, J. (2026). Tecnologías lentas para pensar con IA. Substack.

• Freire, J. (2026). Las ficciones de diseño de Universidad Cero: Lucía y la facultad que se atreve a experimentar, Aprender es trabajar: la historia de Amara y El algoritmo que llevaba 45 años en una cabeza. Substack.

• Gómez Abad, D. & Freire, J. (2023). The emergence of Citizen Labs: A model for the creation of innovation communities. European Public & Social Innovation Review.

• Gómez Abad, D. & Freire, J. (2025). Nuevas formas de institucionalidad pública para la creación de comunidades de innovación ciudadana. Revista Iberoamericana de Ciencia, Tecnología y Sociedad, 21(61).

• Kapur, M. Productive Failure. ETH Zürich.

• Lafuente, A., Gómez Abad, D. & Freire, J. (2018). El arte de documentar. En Ciudadanía digital y democracia participativa. Comunicación Social, Salamanca.

• London Interdisciplinary School · Minerva University · Mondragon Team Academy, precedentes parciales citados en la respuesta al significado.

• Tomasello, M., Kruger, A. C. & Ratner, H. H. (1993). Cultural learning. Behavioral and Brain Sciences, 16(3), 495-511. El trabajo donde se formula el trinquete cultural, el mecanismo de acumulación que fundamenta la documentación como memoria comunitaria.

Todo profesor sabe, o debería saber, qué es una buena retroalimentación. Es específica, llega a tiempo, se puede accionar y, en el mejor de los casos, sucede en forma de conversación. Tampoco es una preferencia pedagógica entre otras, porque la investigación acumulada durante décadas, desde el trabajo clásico de Black y Wiliam hasta el modelo del feedback de Hattie y Timperley, viene mostrando que la evaluación formativa y el retorno que la acompaña se cuentan entre las palancas más potentes de las que dispone un profesor para mejorar el aprendizaje de sus estudiantes. Lo recordé ya en el artículo anterior y conviene tenerlo presente aquí, porque es la medida exacta de lo que se pierde cuando la retroalimentación no ocurre, y en la evolución industrializadora y burocratizadora que ha atravesado la universidad durante las últimas décadas se ha ido abandonando, por dos razones que se refuerzan entre sí. La primera es la falta de tiempo, porque con grupos grandes y con decenas o cientos de entregas la buena retroalimentación no escala, y lo que no escala acaba por no ocurrir. La segunda, menos evidente y probablemente más determinante, es que la retroalimentación resulta casi invisible en los sistemas de normas, regulaciones e incentivos que gobiernan la actividad docente, donde lo que se registra, se audita y se reconoce es la calificación, y casi nunca el acompañamiento que debería precederla. Una tarea que consume mucho tiempo y que institucionalmente no cuenta queda condenada a desaparecer o a sostenerse sobre el voluntarismo de cada profesor. La consecuencia es una retroalimentación tardía, genérica o inexistente, con un coste muy elevado, porque los estudiantes no reciben las señales y los apoyos que les ayudarían a mejorar su proceso cuando todavía hay margen para hacerlo.

En los dos artículos anteriores de esta serie me ocupé de las consecuencias emergentes del uso de la inteligencia artificial generativa por parte del estudiante. El primero describió la crisis de credibilidad que se abre cuando los entregables y los exámenes dejan de probar lo que decían probar, y el segundo desarrolló el rediseño de la evaluación que devuelve a la nota evidencias que solo se producen aprendiendo. Este tercero aborda la otra cara del mismo fenómeno, el uso de la inteligencia artificial generativa por parte del profesor. La misma tecnología que ha roto las evidencias puede amplificar su trabajo justo en el cuello de botella que acabo de describir, siempre que conserve lo que llamaré el último kilómetro, el juicio sobre la calidad del pensamiento y la relación con cada estudiante.

Conviene acotar desde el principio de qué trata este texto y de qué no. Me ocupo aquí solo de la evaluación y el acompañamiento, aunque casi todo lo que sigue, las formas de trabajar y las herramientas, se aplica igual a otras dimensiones del trabajo educativo de un profesor, como el diseño pedagógico de una asignatura, la producción de materiales y recursos, la preparación de una clase o incluso la gestión de su propia investigación. Lo que cambia de un ámbito a otro es el contenido del proceso, no el método, de modo que quien recorra este camino en la evaluación tendrá ya recorrida buena parte del camino en los demás. Elijo este ámbito porque la evaluación entendida como acompañamiento es, con diferencia, la función más abandonada de la educación superior, precisamente por las restricciones de tiempo y de recursos que acabo de nombrar, y por eso es también donde una tecnología capaz de amplificar la capacidad de un profesor puede producir un impacto mayor. Amplificar aquello que ya funciona razonablemente bien produce mejoras apreciables pero marginales; amplificar aquello que se dejó de hacer por imposibilidad material cambia la naturaleza de lo que un profesor puede ofrecer.

Suscríbete ahora

Conviene precisar también de dónde viene lo que sigue. Buena parte procede del acompañamiento a profesores universitarios que realizamos desde Eutika y, en especial, del Plan IMPULSO Docente de la UC3M. De ese trabajo salen dos materiales de naturaleza distinta y complementaria. El primero es la investigación cuyos resultados presenté en el artículo anterior, sesenta y cinco entrevistas en profundidad con profesorado universitario sobre cómo evalúan y qué problemas encuentran, de las que cincuenta y siete cuentan con transcripción completa y forman el corpus de análisis. El segundo son las numerosas sesiones grupales y talleres que hemos venido facilitando, cuyo valor no es estadístico sino de otro orden, porque permiten escuchar y provocar conversaciones informales en las que se genera un clima de confianza donde el profesorado se atreve paulatinamente a compartir lo que vive y lo que piensa, incluido aquello que no aparece en ninguna encuesta.

Las evidencias que aportan ambos materiales apuntan en la misma dirección. En las entrevistas, la sobrecarga de trabajo y la falta de tiempo aparecen como nudo crítico en 35 de los 57 casos, y la necesidad de una retroalimentación más frecuente, en la práctica totalidad del corpus (52). En las sesiones grupales el patrón dominante es el agobio ante una carga de trabajo, buena parte de ella burocrática, que impide desarrollar con los estudiantes el trabajo que de verdad parece valioso. Y ante esa constatación aparece, casi siempre y casi de forma retórica, la misma conclusión, la reclamación a la institución de más recursos, que en la práctica significa más recursos humanos, más profesorado y ayudantes, y la reducción del tamaño de grupos. El cuello de botella, por tanto, es el problema que el propio profesorado nombra con más insistencia cuando se le pregunta qué le impide acompañar mejor.

Fueron precisamente esas conversaciones las que detonaron el ejercicio de reflexión que origina este texto. La reclamación es legítima y el diagnóstico que la sustenta es correcto, pero la ampliación humana de los equipos docentes no es esperable, ni en el volumen que el problema exige ni en el plazo en que haría falta, de modo que seguir esperándola equivale en la práctica a aceptar que la retroalimentación siga sin ocurrir. Si eso es así, conviene buscar vías alternativas, y la que me parece más potente consiste en pensar la IA no como una herramienta que ahorra unos minutos, sino como la posibilidad de trabajar con un equipo de especialistas sintéticos, y altamente capaces, que aumentan la capacidad del profesor. La diferencia entre ambas lecturas no es de grado. Un ayudante descarga trabajo; un equipo bien diseñado descarga trabajo y además permite hacer cosas que antes sencillamente no se hacían.

Un caso de una asignatura de ingeniería resume la tensión con precisión. Una prueba de evaluación presencial sobre el propio código que ha escrito el estudiante funciona bien pedagógicamente y resiste a la IA, pero revisarla consume un tiempo desmesurado, de modo que los entregables se quedan sin retroalimentación. El problema no está en el diseño de la prueba sino en el tiempo de revisión, y ahí la IA cambia la ecuación. Lo que sigue ofrece un marco, un método para llevarlo al diseño concreto de una asignatura, un caso real reconstruido, los límites que conviene reconocer y una brújula ética. En ningún caso pretende ser un protocolo, y esto es coherente con el hecho de que las soluciones reales del profesorado que hemos ido observando son deliberadamente heterogéneas, porque dependen de factores como el campo de conocimiento y el grado en que la IA penetra en esa disciplina, el curso o la madurez del estudiante.

Copiloto, no piloto automático

No es de esperar que la IA desarrolle juicio pedagógico o empatía, ni puede tener conocimiento del contexto de un estudiante específico o de un aula concreta, de modo que en un sentido profundo no puede, y seguramente no debería, evaluar. La afirmación exige precisión porque se malinterpreta con facilidad en las dos direcciones. Un modelo actual puede aplicar una rúbrica, localizar un error, valorar la coherencia de un argumento y redactar un retorno razonable, y con un proceso de trabajo bien diseñado lo hace con solvencia. Lo que no puede es emitir un juicio sobre el aprendizaje de una persona concreta, porque eso exige conocer su trayectoria, lo que ha sucedido en el aula, el punto del que partía y aquello que en esa disciplina y en ese curso merece considerarse un avance, y exige además una sensibilidad y una responsabilidad que residen en el profesor.

Lo que la IA puede hacer, y hace bien, es amplificar la capacidad del profesor en tres frentes donde el tiempo disponible es un cuello de botella evidente. Puede producir un primer retorno sobre borradores y entregas, revisando la coherencia con la rúbrica, la estructura y los errores recurrentes. Puede detectar patrones en grupos grandes de estudiantes, ya sea en cohortes numerosas o de forma longitudinal agregando información de sucesivas cohortes, esos errores compartidos y esas lagunas frecuentes que resultan invisibles cuando se revisa entrega por entrega. Y puede sintetizar evidencias, señales y datos dispersos para preparar la conversación con el estudiante, que es donde el acompañamiento se materializa y donde se produce el efecto que se busca sobre su actitud y su comportamiento.

Merece la pena detenerse en la palabra conversación, porque es central en el acompañamiento y arrastra un imaginario demasiado estrecho. Al hablar de conversación entre profesor y estudiante se piensa casi siempre en un encuentro presencial entre dos personas, y ese es solo uno de sus formatos posibles. Una conversación puede ser presencial u online, síncrona o asíncrona, individual o en grupo, y puede sostenerse igual en un despacho, en un comentario devuelto sobre una entrega, en un audio de tres minutos o en una sesión colectiva donde se discuten los errores que ha cometido media clase. Decidir el formato de cada conversación forma parte del diseño que hace el profesor, y es una de las decisiones que más determinan si el acompañamiento acaba ocurriendo o no.

Lo que la IA no debe hacer es el último kilómetro, el juicio sobre la calidad del pensamiento, la decisión matizada, la relación con un estudiante concreto y su historia. Ese tramo es precisamente donde reside el valor del profesor. Un copiloto potente descarga de trabajo y mejora las decisiones de quien conduce; un piloto automático al que se cede el control podría acabar estrellándose cuando aparece algo que no estaba previsto.

En las asignaturas donde este planteamiento funciona, la IA entra con un papel declarado y limitado. Una profesora de administración de empresas la incorporó como segunda mirada sobre los trabajos, un análisis adicional que enriquece su valoración sin reemplazarla, de modo que sigue decidiendo ella pero con más información para comprender y tomar decisiones. En una asignatura de informática se diseñó un tutor conversacional que atiende y filtra las dudas de los estudiantes y deriva al profesor los casos que lo requieren, con lo que la IA amplía el alcance de la atención y el último kilómetro sigue siendo humano. Nombrar de antemano qué hace la IA y qué se reserva el profesor es la primera decisión de diseño, y probablemente la más importante, porque un uso que no puede describirse en esos términos no está listo para delegarse.

Cinco ideas para usar bien la IA

Antes de diseñar cualquier uso conviene disponer de un marco de comprensión y acción, porque la diferencia entre un uso superficial y uno que transforma en positivo el trabajo docente no está en la herramienta sino en cómo se piensa. Ese marco tiene dos mitades que responden a preguntas distintas y que conviene no confundir. La primera reúne tres ideas que ayudan a comprender la propia práctica educativa y qué es hoy la IA, y por eso empieza por la naturaleza cognitiva del trabajo docente, sigue por el tipo de modelos que conviene usar y termina en la forma irregular que tiene la frontera dentro de la cual la IA hace bien su trabajo. La segunda reúne dos ideas que ayudan a diseñar los procesos de trabajo, cómo se organiza un proyecto con IA y cómo se entiende una asignatura como un conjunto de flujos de trabajo susceptibles de ser intervenidos. Las dos mitades se necesitan. Comprender sin diseñar deja el potencial en conversación de café, y diseñar sin comprender produce automatizaciones frágiles que se abandonan al primer tropiezo.

Conviene decir también de dónde sale este marco y con qué pretensiones se ofrece. No es el resultado de una revisión sistemática de la literatura ni la recomendación de ningún organismo, sino una propuesta personal construida sobre tres materiales, la experimentación sostenida con IA en los proyectos que desarrollamos en Eutika, el acompañamiento a profesores universitarios que ya la usan en su docencia y las conversaciones con profesionales de otros ámbitos que se enfrentan al mismo problema desde fuera de la universidad. Hay además una advertencia que importa igual que el contenido. En un campo que se mueve a esta velocidad, un marco como este tiene una caducidad corta, de modo que conviene tomarlo como una hipótesis de trabajo sometida a revisión permanente, y no como un conjunto de principios estables. Yo mismo lo he reescrito varias veces en los últimos dos años, y doy por hecho que volveré a hacerlo.

1. El profesor es un profesional cognitivo

El profesor realiza un trabajo cognitivo, y merece la pena detenerse en qué significa exactamente y qué implicaciones tiene. Las actividades resultan reconocibles cuando se enumeran y se describen. Un profesor gestiona conocimiento, en el sentido de buscarlo, seleccionarlo, organizarlo, mantenerlo actualizado y decidir qué parte es relevante en una asignatura. Lo recombina, porque enseñar consiste en buena medida en traducir un cuerpo de conocimiento a una secuencia que alguien que no lo posee pueda recorrer, y esa traducción es un trabajo de reordenación, de analogía y de ejemplo que rara vez se reconoce como creación. Y lo crea, en la investigación y también en la docencia, cuando produce un problema nuevo, un caso, un criterio de valoración o una explicación que no existía antes. Los objetos sobre los que operan esas actividades tampoco son abstractos, son textos, datos, demostraciones, código, imágenes, rúbricas, exámenes, informes y conversaciones, es decir, artefactos simbólicos que se leen, se producen y se juzgan. Nada de eso es material, y todo ello es manipulable por un sistema que opera precisamente sobre símbolos.

De ahí surgen impactos que las transformaciones tecnológicas anteriores no habían provocado a este tipo de profesionales. Las oleadas previas de automatización afectaron primero al trabajo manual y solo después, y de forma limitada, al administrativo, mientras que la IA afecta antes y con más profundidad a las profesiones intelectuales. El profesorado queda así, por primera vez, en el centro del impacto y no en su periferia.

Conviene además reconocer un matiz relevante. Una parte considerable de ese trabajo cognitivo es repetitiva y tediosa. Revisar decenas o centenares de exámenes que responden a la misma pregunta, inspeccionar cuarenta entregas de código buscando los mismos cinco errores o redactar por enésima vez el mismo comentario sobre la estructura de un informe son tareas cognitivas, sin duda, pero de una clase que no aporta absolutamente nada a quien las realiza, más allá del conocimiento agregado sobre el grupo que casi nunca se llega a extraer por falta de tiempo.

Y aquí aparece la idea que a mí me resulta más productiva de todas. Buena parte del trabajo de un profesor se apoya en un conocimiento experto construido a lo largo de años que en su mayor parte no está codificado ni explicitado en ningún sitio, y que le permite ejecutar, casi sin advertirlo, procedimientos muy precisos. Cuando revisa un examen no improvisa, sigue una secuencia estable de comprobaciones, aplica umbrales que sabría reconocer aunque quizás no enunciar y resuelve los casos ambiguos con criterios que ha ido depurando entrega tras entrega. Ese procedimiento existe, es riguroso y solo vive en su cabeza. Lo que ha cambiado es que hoy puede explicitarse, codificarse y externalizarse, y un procedimiento externalizado de esa naturaleza, capaz de ejecutarse sobre casos nuevos, es en esencia parte de lo que llamamos inteligencia artificial. La dificultad del ejercicio, conviene subrayarlo, no está en la tecnología sino en la codificación del conocimiento, porque obliga a explicitar un criterio que nunca se había necesitado formular.

Reconocerlo abre dos vías de valor de naturaleza muy distinta. La más inmediata es la agilidad, y suele ser la puerta de entrada, porque no se trata de hacer algo mejor sino de hacerlo con la misma calidad en una fracción del tiempo, descargando lo repetitivo sobre un sistema que no se cansa. La otra tarda más en aparecer y solo emerge con el uso, pero es la que de verdad cambia el trabajo, y es la calidad. Un razonamiento que puede prolongarse sin fatiga, junto con la capacidad de leer cientos de entregas y extraer de ellas patrones, permite abordar análisis que antes quedaban fuera de alcance, no por incapacidad del profesor sino porque el coste en horas los volvía inasumibles. Diagnosticar con precisión qué ha entendido mal un grupo de ciento veinte estudiantes, y en qué punto exacto del razonamiento se rompe su comprensión, es un buen ejemplo de esto último, una tarea que nadie declaraba imposible y que sencillamente no se hacía.

2. Modelos de lenguaje de propósito general, y ser propietario del proceso

Conviene utilizar preferentemente los modelos de frontera de propósito general antes que las herramientas de nicho encapsuladas, esas aplicaciones que revisan exámenes o ensayos, generan rúbricas o producen retroalimentación automática dentro de un flujo cerrado, y hay dos razones para hacerlo. Los modelos generales están en la vanguardia y evolucionan a un ritmo que ninguna herramienta de nicho alcanza, de modo que la distancia entre unos y otras crece con cada generación en lugar de reducirse. Y, sobre todo, permiten diseñar procesos propios en lugar de limitarse a ejecutar aquello que la herramienta determinó que alguien querría hacer. Es la lección que el sistema educativo no ha aprendido de las prácticas de la industria de la tecnología educativa, construida durante años sobre cajas negras. Con la integración de la IA tenemos una nueva oportunidad de lograr que la inteligencia esté en el proceso que el profesor diseña, y no en el modelo o la herramienta cerrada que lo ejecuta.

Esta idea es una de las bases del proyecto Universidad Cero, donde la he formulado en términos de arquitectura institucional. La inteligencia pedagógica no debe residir en los modelos ni en las infraestructuras que los proveen, que son piezas muy potentes pero intercambiables, sino vivir en los diseños, los criterios y las herramientas que están en manos de los profesores y de las instituciones, porque es ahí donde se acumula lo que hace educativa a una tecnología. Lo desarrollé al describir el sistema operativo educativo que ese proyecto propone, y el argumento se sostiene igual a escala de una asignatura que a escala de una universidad. Los modelos son los procesadores, rápidos, potentes e intercambiables; lo que hace pedagógico al conjunto es la capa que se construye encima, y esa capa es una inversión que sobrevive al cambio de proveedor.

De ahí se deriva un argumento de propiedad que importa a medio plazo y que conviene desplegar en tres pasos. El primero es el principio. Un profesor, y una institución, deberían ser dueños de los procesos y las herramientas con los que trabajan, porque los proveedores cambian sus condiciones, suben los precios, modifican sus productos o cierran servicios, y quien ha construido su práctica dentro de una caja negra se encuentra atrapado el día en que eso ocurre.

El segundo paso consiste en entender de qué está hecha esa infraestructura. Un sistema de IA resulta de la combinación de un modelo de lenguaje, que es el motor cognitivo donde reside la capacidad de razonar, y de una interfaz o aplicación que organiza el trabajo con él. Entre los modelos están hoy Claude, de Anthropic, con sus variantes Opus o Fable, la familia GPT, de OpenAI, Gemini, de Google, o Kimi, de Moonshot AI, y entre las interfaces, entornos como Claude Cowork o NotebookLM. Lo habitual es usar ambas piezas de forma integrada, y por eso la distinción se pierde con facilidad, hasta el punto de que mucha gente llama ChatGPT al modelo cuando ChatGPT es la interfaz y GPT el motor que la mueve (paradójicamente, y esto conecta con la cuarta idea, OpenAI ha acabado usando ChatGPT, un nombre que nació designando un chatbot, para bautizar también su entorno de trabajo por proyectos). Pero esa integración no es una necesidad técnica, y separarlas mentalmente ayuda a decidir mejor.

El tercer paso es el criterio que se deriva de los dos anteriores. Lo verdaderamente importante es poder trabajar con modelos de frontera y con interfaces que permitan desarrollar proyectos sofisticados, en el sentido que describo en la cuarta idea, y que dejen el conocimiento generado bajo control de quien lo genera, de manera que pueda transferirse a otra interfaz o a otro modelo cuando convenga. Ese es también el filtro con el que mirar las herramientas que la propia universidad provee y soporta, que son un excelente punto de partida por las garantías institucionales y de protección de datos que ofrecen, siempre que cumplan esas dos condiciones.

3. La frontera irregular

Lo que la IA hace bien y lo que hace mal en un momento dado no se separa mediante una línea nítida, sino por una frontera irregular y en constante evolución, la jagged frontier que describió Ethan Mollick. La frontera de la IA es rugosa, de modo que un mismo sistema puede hacer un trabajo brillante en tareas que parecerían difíciles y resultar torpe, o directamente cometer errores, en otras aparentemente más sencillas, sin que la dificultad aparente permita anticipar de qué lado caerá cada una. Y se desplaza con cada nueva generación de modelos, lo que convierte cualquier mapa en provisional y obliga a revisar de vez en cuando los juicios ya emitidos.

De ahí se sigue una incertidumbre doble que conviene tener presente cada vez que se aborda un uso potencial. Cuando un intento fracasa resulta difícil determinar con seguridad si se debe a que la tarea cae fuera de la frontera, a que el proyecto está mal diseñado o a que el sistema no se ha entrenado lo suficiente. Las explicaciones suelen ser todas plausibles pero conducen a decisiones opuestas, abandonar o insistir, lo que explica buena parte de los abandonos prematuros.

Esa incertidumbre tiene una consecuencia que va más allá de lo técnico y que a mí me parece la más importante de esta idea. Conviene abordar el uso de la IA en la práctica educativa con una mentalidad exploratoria y experimental, asumiendo que se trata de un proceso de aprendizaje, personal y también colectivo, que el profesorado hará bien en abrazar como parte de su propia evolución profesional. El conocimiento sobre dónde está hoy la frontera no se puede consultar en ningún manual, se construye probando y compartiendo los intentos, incluidos y sobre todo los que salen mal, con los colegas que exploran el mismo terreno.

Hay además un matiz que afecta de forma particular a la universidad. Por la naturaleza del trabajo académico, situado por definición en la vanguardia del conocimiento, el profesorado tiende a trabajar justo sobre esa frontera, lo que explica la frecuencia con la que aparece la observación de que en tal disciplina la IA todavía no funciona. A veces es cierto, pero en otras ocasiones el terreno era fértil y el uso no era suficientemente sofisticado, y la única manera de saber en cuál de los dos casos se está consiste en explorar la frontera de forma deliberada, con experimentos acotados y evaluables.

4. Del modo chatbot al modo proyecto

El salto de calidad no viene solo de cambiar de modelo sino de cambiar de forma de trabajar, y esta es probablemente la idea con más consecuencias prácticas de las cinco. Conviene recordar, como antídoto contra la fascinación por el atajo, aquella burbuja según la cual escribir prompts sería la profesión del futuro, y dónde ha quedado en apenas tres años.

La distinción se apoya en la diferencia entre modelo e interfaz que acabo de describir. El chatbot es una interfaz, y no es en sí mismo el problema. La limitación del modo chatbot está en que la conversación empieza de cero cada vez, de modo que el sistema no dispone de más contexto que el que quepa dentro de ella, no conserva lo aprendido cuando termina y obliga a reconstruir en cada sesión el marco completo del trabajo. Lo que empobrece el resultado no es la ventana de chat, es la ausencia de contexto y de memoria.

El modo proyecto invierte esas dos carencias. Un proyecto es un proceso largo, incluso permanente, compuesto por una secuencia de tareas con interacciones múltiples entre el profesor y la IA, y esa continuidad temporal es lo que abre la posibilidad del entrenamiento y de la mejora continua, hasta el punto de que un mismo modelo produce resultados muy diferentes según se trabaje de un modo o del otro.

Tres componentes hacen posible ese salto. El contexto es el conjunto de fuentes y de conocimiento experto que el profesor cura, estructura y explicita para definir el campo de juego, el universo de conocimiento, en el que la IA debe trabajar, y cumple una función doble, porque acota qué información resulta relevante y a la vez incorpora el criterio que no está en ninguna fuente pública. Construirlo es, ante todo, un ejercicio de documentación exigente que obliga a explicitar conocimiento, y es posiblemente la parte del proceso que más tiempo consume pero también la más influyente en el resultado que se puede obtener. Las instrucciones fijan las reglas del juego, y conviene entenderlas de forma amplia, porque no se limitan al estilo o al formato, sino que determinan a quién se dirige lo que se produce, cómo debe usarse el contexto, qué nivel de rigor o de especulación se admite, qué grado de automatización se acepta y, sobre todo, en qué momentos y con qué rol participa el humano y cómo valida lo que la IA ha hecho. La memoria, por último, la gestiona el sistema y es el componente menos visible y probablemente el más determinante, porque permite que lo aprendido en un uso esté disponible en el siguiente sin que el profesor haga nada, y porque en los sistemas actuales se depura sola, conservando lo relevante y descartando lo accesorio.

Estos tres componentes no son una abstracción. Se corresponden con funcionalidades concretas de las interfaces pensadas para trabajar por proyectos, como Claude Cowork o NotebookLM, donde el contexto toma la forma de un espacio en el que se cargan fuentes documentales, las instrucciones la de un conjunto de reglas persistentes que gobiernan todo lo que ocurre dentro de ese espacio, y la memoria la de un registro que el sistema mantiene y actualiza entre sesiones. La dificultad práctica es que cada proveedor bautiza estas piezas a su manera, y esa diversidad terminológica hace difícil reconocer el mismo patrón al pasar de una herramienta a otra, de modo que buena parte del esfuerzo inicial se va en traducir conceptos que en el fondo son equivalentes.

Un ejemplo modesto muestra la diferencia mejor que cualquier descripción. Un profesor de teoría política volcó todo el contenido de su asignatura en un espacio de proyecto y, con ese contexto detrás, la IA pudo evaluar (en este caso como experimento) un examen extraordinario manuscrito, y lo hizo realmente bien. El mismo modelo, preguntado en una conversación suelta, producía un resultado bastante peor, no porque le faltara capacidad sino porque le faltaba el contexto específico de la asignatura.

La forma de arrancar también importa, y bastante. Dedicar tiempo al contexto antes que a ninguna otra cosa, presentar después al sistema la secuencia de tareas prevista pero pedirle primero un análisis crítico que detecte fallos, huecos de información o incoherencias en el propio planteamiento, y solo entonces ejecutar el proceso ya revisado y mejorado, produce resultados incomparablemente mejores que empezar a pedir salidas desde el primer minuto. Viene luego el entrenamiento, que no es una metáfora sino una fase real de interacciones sucesivas en las que el profesor corrige, matiza y afina hasta que el sistema produce lo que esperaba con la calidad que exige, y que requiere una inversión de tiempo que conviene tener en cuenta desde el principio. Y cuando un caso de uso ha demostrado que funciona y va a repetirse muchas veces, tiene sentido consolidarlo en un agente, que no es más que un programa que integra y automatiza una secuencia de tareas ya validada.

Merece la pena insistir en una consecuencia de todo lo anterior que suele pasar desapercibida. Los dos modos producen resultados tan distintos que en la práctica no parecen la misma tecnología, y buena parte de los problemas, sesgos y limitaciones que muchos usuarios atribuyen a la IA en general provienen en realidad de la forma de trabajar con ella, y no de la IA en sí misma ni de la elección de uno u otro modelo. Quien juzga la herramienta desde el modo chatbot está juzgando la versión más pobre de las capacidades que tiene al alcance de su mano.

5. Entender el proceso de aprendizaje como un conjunto de workflows

La quinta idea conecta el marco con el diseño de los proyectos que integran IA, y la enuncio aquí para desarrollarla en la sección siguiente. La propuesta consiste en dejar de preguntarse dónde usar IA en abstracto y empezar por conceptualizar la asignatura como lo que realmente es, uno o varios procesos de aprendizaje que discurren en el tiempo. Un caso muy habitual es el de una asignatura que avanza por dos carriles en paralelo, uno clásico basado en clases magistrales y exámenes y otro centrado en un proyecto que genera entregables sucesivos. Cada proceso suele estructurarse a su vez en fases que terminan en un momento evaluativo o, en la jerga del diseño, en un punto de contacto (touchpoint). En el carril clásico del ejemplo anterior serían los exámenes parciales; en el proyecto, los hitos asociados a entregables específicos. Es en esos puntos de contacto, como planteábamos en el artículo anterior, donde el aprendizaje se hace visible y donde el profesor emite su juicio, ya sea mediante una prueba robusta, una defensa dialogada o la lectura de las evidencias que el proceso ha ido produciendo.

Cada uno de esos momentos evaluativos, tomado junto con el tramo de proceso que lo precede, puede describirse como un flujo de trabajo con protagonistas identificados, el profesor, el estudiante y, cuando se incorpore, la IA. Lo llamaré workflow, que es el término habitual cuando se habla de procesos de trabajo con IA y el que va a encontrar quien busque documentación o herramientas para construirlos. Describir un workflow consiste en identificar qué tareas realiza cada protagonista, con qué secuencia y con qué interacciones, incluyendo tanto las cognitivas (diagnosticar, valorar, decidir, redactar un retorno), como las instrumentales que suelen darse por invisibles precisamente porque nadie las considera parte del trabajo intelectual (como escanear, renombrar archivos, volcar calificaciones, enviar correos). Sobre esa descripción, y solo sobre ella, tiene sentido preguntarse dónde entra la IA, porque cada intervención posible se trata entonces como lo que es, una hipótesis. La palabra no es retórica. Una parte de esas intervenciones no funcionará, y averiguar cuáles antes de haber rediseñado por completo la asignatura es parte de lo que esta forma de trabajar aporta.

Anatomía de un workflow con IA

El método que se deriva de esa quinta idea puede organizarse en cuatro pasos, y el orden entre ellos no es indiferente.

El primer paso consiste en describir el flujo base, todavía sin IA. La tentación de dibujar un flujo único para toda la asignatura conduce a un mapa inabarcable, de modo que resulta mucho más productivo tomar un solo momento evaluativo junto con sus conexiones con el aprendizaje previo, por ejemplo un hito intermedio de un proyecto largo que suele descomponerse en tres o cuatro ciclos, cada uno cerrado por un bucle de retroalimentación. Hacerlo produce por sí solo un diagnóstico que la mayoría de los profesores no ha realizado nunca, porque el trabajo docente rara vez se examina como un proceso, y casi siempre revela que una parte considerable del tiempo se va en tareas que nadie había contabilizado.

El segundo paso identifica sobre ese mapa qué tareas, o qué tramos que agrupan varias tareas, pueden mejorarse en agilidad o en calidad con la incorporación de IA. Conviene abordar esta fase con una mentalidad abierta y una lógica experimental, explorando incluso posibilidades de cambio profundo. En unos casos el flujo permanecerá igual, en otros solo se alterará cómo se ejecuta una tarea concreta, y en otros la incorporación de la IA obligará a modificar el flujo por completo.

El tercer paso convierte cada oportunidad en un proyecto en el sentido de la cuarta idea, con su contexto, sus instrucciones y su fase de entrenamiento, y lo somete a validación contra el criterio del propio profesor sobre un conjunto reducido de casos antes de usarlo con el grupo completo. Esa validación puede realizarse a veces en un entorno totalmente controlado, cuando se cuenta con datos y evidencias recopilados previamente y no hace falta la interacción con estudiantes, y otras veces implica acciones experimentales con los estudiantes en el desarrollo real de la asignatura.

El cuarto paso llega solo cuando la validación resulta satisfactoria, y consiste en escalar el uso a la práctica operativa y, en ocasiones, incorporar automatizaciones completas mediante la creación de agentes dedicados.

Llevemos ahora esta forma de pensar y trabajar a un caso concreto. Lo que sigue reconstruye el flujo de trabajo de una profesora de informática que ha llevado el rediseño más lejos que la mayoría, hasta el punto de que conviene leerlo como un caso extremo y no como un punto de partida razonable, porque prácticamente todas las tareas de su ciclo de evaluación han pasado por la pregunta de si la IA podía intervenir en ellas.

Primero, el flujo sin IA. Su asignatura combina la práctica continuada de programación con pruebas frecuentes, que es el diseño correcto para una materia donde se aprende haciendo y donde la evidencia de aprendizaje se falsifica con facilidad si se deja en manos de un entregable. El ciclo, tal como funcionaba antes, era el que reconocerá cualquiera que imparta una asignatura así con grupos grandes. Los estudiantes entregan código y realizan pruebas en papel; la profesora inspecciona el código una entrega tras otra, que es la tarea más tediosa y menos formativa de todo su trabajo; revisa después las pruebas manuscritas; traslada las calificaciones al sistema; y, cuando llega el momento de devolver algo más que una nota, el tiempo se ha agotado. La retroalimentación queda comprimida hasta un comentario genérico, o directamente desaparece. Nada de esto se debe a un mal diseño pedagógico, sino a que un buen diseño pedagógico resulta insostenible en horas.

Segundo, qué implica incorporar IA. El error más común consiste en entender la incorporación de la IA como pedirle que revise las entregas. Un flujo de revisión y retroalimentación con IA no es solo eso, sino una secuencia diseñada en la que cada tramo de la IA queda conectado con un paso de validación humana, de modo que la IA nunca cierre por sí sola un juicio que llegue al estudiante. Y no todas las intervenciones son de la misma naturaleza. Algunas son puramente instrumentales y su valor está en desbloquear el resto, como ocurre con la digitalización del papel. Otras son cognitivas y exigen contexto, criterio explicitado y una rúbrica que la profesora haya validado antes. Y algunas obligan a cambiar el flujo, no solo a acelerarlo, porque abren posibilidades que antes no existían y que carecía de sentido plantearse.

Tercero, el flujo rediseñado. La IA propone enunciados a partir del contexto de la asignatura y la profesora selecciona y construye la prueba. Los estudiantes la realizan en el aula, en papel. Las hojas se digitalizan, incluyendo la disponibilidad de una fotocopiadora que desgrapa y escanea, porque el manuscrito ha dejado de ser un cuello de botella desde que la capacidad de la IA para leer texto escrito a mano resulta sorprendentemente buena. La IA diagnostica entonces una muestra, digamos la cuarta parte de las entregas, y propone una rúbrica que la profesora revisa y fija. Con esa rúbrica ya validada, la IA revisa el conjunto por lotes y produce dos salidas de naturaleza distinta, un informe individual para cada estudiante y un informe agregado con los patrones de error del grupo. La profesora revisa por excepción los casos dudosos y los que se alejan del patrón, que consumen una fracción del tiempo original, y el envío de los retornos individuales queda automatizado. Sobre ese flujo se ha ido añadiendo, de forma incremental, un tutor conversacional que atiende las dudas de los estudiantes durante el proceso y deriva a la profesora los casos que lo requieren.

El catálogo de intervenciones posibles no se agota ahí, y conviene ordenarlo porque va de lo instrumental a lo estratégico. En el extremo instrumental están tareas como escanear y ordenar entregas, renombrar archivos, transcribir manuscrito o volcar calificaciones, que no tienen ningún interés intelectual y consumen un tiempo sorprendente. En una zona intermedia aparecen la generación del informe agregado de errores, la preparación de materiales de refuerzo para las lagunas detectadas o la redacción de un primer borrador de retorno individual. Y en el extremo estratégico se sitúan decisiones que afectan al propio diseño de la evaluación, como calibrar la dificultad de un examen antes de administrarlo, algo que hace un profesor de teoría de la señal, o replantear qué momento evaluativo tiene sentido mantener cuando la revisión deja de ser el factor limitante. Es en ese extremo donde el retorno es mayor, y también donde casi nadie empieza.

La clave del diseño no está en cuántos pasos ejecuta la IA, sino en que cada tramo suyo esté conectado con procesos de revisión y validación humana. Y aparece un beneficio que casi nadie anticipa. Cuando el mapa de errores muestra que muchos estudiantes cometen exactamente el mismo fallo, parte de la responsabilidad está en el diseño educativo, y el bucle se cierra de verdad cuando el profesor vuelve sobre su propia práctica y la mejora. En nuestras entrevistas, este uso de la IA como infraestructura del propio trabajo docente aparece en 12 de los 57 casos, una minoría que señala un potencial transformador a corto plazo. Mientras el debate público sobre IA y universidad sigue girando casi por completo alrededor de la integridad académica, una parte del profesorado ya ha reconstruido su forma de trabajar con estas herramientas, casi siempre en solitario y sin que la institución llegue a enterarse o le proporcione soporte.

El efecto real lo resume mejor que nada la respuesta de esa misma profesora cuando se le preguntó si ahora trabaja menos. Respondió que trabaja lo mismo, con una diferencia sustancial: “ya no inspecciono código, que era la tarea más desagradable de mi trabajo, y el tiempo que he liberado lo dedico a dar retroalimentación. Soy más feliz, y el aprendizaje es mejor”. El valor no estuvo en ahorrar tiempo sino en reasignarlo a lo que de verdad redunda en un mejor aprendizaje.

Del dato a la acción

Al hablar de IA y datos existe la tentación de dar el salto a cuadros de mando de analítica del aprendizaje que la mayoría de las instituciones no tienen ni, en realidad, necesitan tal como se entiende hoy en día. La versión realista y útil es más sobria y consiste en aprovechar las señales simples que los sistemas ya producen, accesos, entregas, intentos, siguiendo una cadena que va de la huella a la acción. La huella es el rastro que deja la actividad del estudiante, la señal es el dato que se extrae de ese rastro, la interpretación es la lectura pedagógica que le da sentido y la acción es la intervención docente que se deriva de ella.

El criterio que ordena toda la cadena puede formularse en una idea sencilla: un dato sin acción pedagógica es vigilancia, y un dato con acción pedagógica es acompañamiento. El mapa de patrones de error del apartado anterior, que acaba mejorando el diseño de la asignatura, es un buen ejemplo de señal convertida en acción. En una asignatura de informática se utilizó un registro binario, cuántas veces ejecuta cada estudiante el corrector automático, como señal indirecta de su proceso de trabajo y no como instrumento de control. La misma huella podía servir para vigilar o para acompañar, y la diferencia estuvo por completo en lo que se decidió hacer con ella.

Hay una segunda recomendación, esta dirigida a la institución. Cuando una universidad descubre este terreno, su reflejo es construir de entrada un sistema institucional cerrado que lo resuelva todo, y esa suele ser la peor manera de empezar, porque impone una práctica antes de que la práctica exista. Resulta mucho más productivo, al menos en esta fase, proporcionar a los profesores herramientas y libertad para experimentar, dejar que construyan sistemas propios que funcionan solo para sus asignaturas, y consolidar después esa innovación distribuida en infraestructuras institucionales puestas al servicio de quienes ya han demostrado qué funciona. El orden, aquí también, forma parte del método.

Merece la pena situar esta discusión en su contexto, porque la conversión de las universidades en organizaciones orientadas por datos avanza con una lógica propia que no siempre coincide con la mejora del aprendizaje, como han analizado Komljenovic, Sellar y Birch. Para quien quiera una panorámica accesible en español de lo que la analítica del aprendizaje puede y no puede aportar, el Observatorio del Tecnológico de Monterrey publicó una síntesis útil con casos institucionales documentados.

Los límites del amplificador

Amplificar no es delegar, y el argumento se sostiene mejor si los límites se nombran con precisión. La IA se equivoca, y lo hace además con una apariencia de verosimilitud que dificulta detectar el error, de modo que en evaluación puede producir una retroalimentación incorrecta con consecuencias reales para un estudiante. Los testimonios que hemos recogido oscilan entre “me sale muy bien” y “alucina mucho, siempre hay que revisar”, y las dos afirmaciones son ciertas a la vez porque describen posiciones distintas de la frontera irregular, o formas diferentes de trabajar con la herramienta. De ahí que la validación no sea un añadido opcional sino parte constitutiva del diseño, en la línea de lo que sostienen Mollick y sus colegas cuando analizan usos educativos de agentes con acompañamiento humano.

Existe además una fricción de adopción que no es técnica sino de paciencia. “Acabo aburrida de discutir con ella”, decía una profesora refiriéndose a la IA, y es una objeción real, legítima y frecuente que conviene tomar como un dato sobre el diseño del proceso más que como una resistencia al cambio, porque un flujo que exige discutir cada resultado es un flujo mal entrenado o mal acotado. Hay también un riesgo de pérdida de destreza, el de-skilling, que en el caso docente adopta una forma específica y preocupante, ya que delegar por completo las revisiones supone perder el contacto directo con cómo piensan los estudiantes, que es la materia prima del oficio. La analogía del GPS ayuda a situarlo sin dramatismo, porque casi todo el mundo lo usa y ha perdido algo de sentido de la orientación, y lo ha asumido como parte del cambio. La decisión no consiste en evitar la herramienta sino en elegir de forma consciente qué se quiere preservar y con qué pérdidas se puede vivir, una elección que también atraviesa el aprendizaje de los estudiantes, como argumenté en Aprender lento para pensar rápido.

Conviene además no prometer lo que muy probablemente no va a suceder. Liberar tiempo no significa, en general, trabajar menos, sino reasignar horas de una tarea mecánica a otra más profunda y valiosa. Un profesor de comunicación audiovisual llegó a este terreno por otro camino, porque su modelo de retroalimentación era rico pero no escalaba ni se transfería a otros, y la salida, aún en construcción, consiste en documentar y estructurar ese criterio con ayuda de la IA para poder extenderlo, ganando alcance sin perder lo que lo hace valioso.

Queda un límite delicado y revelador. A veces el estudiante no quiere ser evaluado por una máquina. Una profesora que probó la revisión automática en una plataforma de lectura social tuvo que retirarla porque sus estudiantes reclamaban su mirada, “queremos que tú hables, nos interesa tu feedback”. Es el contraejemplo más saludable de todos, porque señala un valor humano, ser leído por su profesor, que no conviene externalizar aunque técnicamente sea posible.

La ética como brújula

En el artículo anterior sostuve que la ética no es el freno del rediseño sino su brújula, y dejé el argumento apuntado a la espera de este texto, porque es en el uso docente de la IA donde las decisiones se vuelven más concretas. Lo regulado por la universidad o por los gobiernos constituye el marco, pero deja amplias zonas grises, y está bien que así sea porque obliga a construir un criterio propio. Ese criterio puede ordenarse en cinco tensiones que conviene resolver de forma consciente sobre el propio diseño, y no dejar que se resuelvan solas.

Privacidad y transparencia. La primera pregunta es si los estudiantes saben qué datos se recogen sobre ellos, y la segunda, menos habitual y más incómoda, si el profesor comparte con ellos cómo usa él la IA al evaluar. La transparencia no puede ser unidireccional.

Sesgo algorítmico. Lo difícil no son los errores, que resultan visibles y se corrigen, sino los sesgos que la herramienta no muestra y que se incorporan sin que nadie los advierta. Detectarlos y corregirlos requiere una actitud de alerta y cuestionamiento continuos, lo que implica integrar de antemano las estrategias para su detección.

Pérdida de destreza docente. Dónde está la línea entre delegar y abdicar es una decisión personal, y conviene tomarla explícitamente, con el criterio del GPS, sabiendo qué se preserva y con qué se puede vivir.

Propósito del dato. Un buen test consiste en preguntarse si el profesor confiaría en un sistema que, además de acompañar a sus estudiantes, sirviera para evaluarlo a él. La respuesta dice mucho sobre para qué se está construyendo.

No perder el rumbo. La última tensión ordena a las demás. Para no dejarse llevar por la fascinación del potencial algorítmico, cada cierto tiempo conviene comprobar si lo que se ha construido mejora el aprendizaje o ha derivado, sin decisión explícita, en vigilar y controlar.

A estas cinco se añade una tensión de justicia que recorre toda la serie, la equidad. No todos los estudiantes acceden a la misma IA ni con las mismas destrezas. Diseñar la docencia con IA implica también decidir que la herramienta no amplíe una desigualdad previa, lo que en la práctica significa que toda actividad pueda resolverse con las herramientas que la institución provee, y exigir a la institución un estándar de capacidad y calidad.

Un caso ilustra el criterio mejor que cualquier principio. En el programa de acompañamiento a escala de Georgia State University, las alertas predictivas contribuyeron a reducir las brechas de rendimiento a una escala masiva precisamente porque el último contacto siguió siendo humano, con un tutor que llamaba al estudiante cuando el sistema levantaba la señal. El mismo dato podía acompañar o vigilar, y la diferencia estuvo en el propósito con el que se diseñó el sistema completo. Esa es también la conclusión de quienes vienen analizando el estado de la cuestión en la educación superior, donde la ética aparece como la ventaja competitiva y no como el obstáculo, porque es lo que sostiene la confianza sin la cual ninguna innovación educativa se adopta.

Por dónde empezar

El primer movimiento no requiere en realidad ninguna herramienta. Consiste en tomar una asignatura, conceptualizarla como el proceso o los procesos de aprendizaje que la recorren, localizar sus momentos evaluativos y elegir uno solo para describir su flujo de trabajo real, sin IA, con todas las tareas que consume, las cognitivas y las instrumentales. Sobre ese mapa se identifica la tarea de retroalimentación que más tiempo consume y que peor escala, que es casi siempre la mejor candidata para empezar, y se convierte en un pequeño proyecto que se entrena con un grupo reducido, se valida contra el criterio del propio profesor y solo después se escala.

De las conversaciones con profesorado que ya ha recorrido este camino emerge además un orden de prioridades. Antes de incorporar IA conviene repensar y simplificar para liberar tiempo, porque introducir tecnología en un diseño sobrecargado solo añade complejidad a la complejidad. Después conviene desacoplar la evaluación formativa de la calificación, que es el rediseño que el artículo anterior desarrolla. Solo entonces tiene sentido incorporar la IA, primero para ganar eficiencia en lo mecánico y después, cuando la experiencia lo permite, para ganar eficacia en el acompañamiento. Y todo ello con un enfoque experimental, midiendo el impacto real sobre el aprendizaje y la dedicación que exige, porque un rediseño que no sea sostenible en carga docente no sobrevive al cuatrimestre. Ninguno de estos pasos resuelve por sí solo el problema, y su valor está justamente en la secuencia.

La promesa, al final, no es un profesor sustituido sino un profesor liberado para hacer más de aquello que solamente él puede hacer, acompañar el pensamiento de cada estudiante. Hay incluso un efecto inesperado y esperanzador, y es que algunos docentes que han diseñado con ayuda de IA asignaturas en las que no eran del todo expertos han acabado siendo mejores profesores, porque el ejercicio de explicitar el propio criterio para poder delegarlo obliga a examinarlo. El criterio, la decisión, el último kilómetro, siguen siendo suyos.

En este artículo y el anterior hemos explorado soluciones ante la crisis inminente que amenaza a la universidad, la de credibilidad, relacionada con la evaluación, y la oportunidad que la acompaña. Pero la serie dejó planteadas, desde el primer artículo, dos preguntas de más fondo, qué debe aprenderse hoy en la universidad y cómo se aprende en tiempos de IA, las crisis de significado y de método. A ellas, y al mapa completo que las conecta con todo lo anterior, dedicaré el próximo artículo, y posiblemente el final, de esta serie.

Referencias

Todas las citas del texto, en orden alfabético.

• Black, P. & Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education, 5(1), 7–74.

• Castañeda Garza, G. (2023). Analíticas de aprendizaje como herramienta de apoyo para la educación superior. Observatorio del Instituto para el Futuro de la Educación, Tecnológico de Monterrey.

• EDUCAUSE (2025). Ethics Is the Edge: The Future of AI in Higher Education. EDUCAUSE Review.

• Eutika · El profesor en el centro de la transformación: el Plan IMPULSO Docente UC3M. Blog de Eutika.

• Freire, J. (2026). Aprender lento para pensar rápido. Substack.

• Freire, J. (2026). El sistema operativo educativo: qué significa realmente. Substack. Parte de la serie del proyecto Universidad Cero.

• Freire, J. (2026). La inminente crisis de credibilidad de la universidad. Substack.

• Freire, J. (2026). Rediseñar la evaluación cuando el estudiante usa IA generativa. Substack.

• Georgia State University. Approaching Student Success With Predictive Analytics. Student Success.

• Hattie, J. & Timperley, H. (2007). The Power of Feedback. Review of Educational Research, 77(1).

• Komljenovic, J., Sellar, S. & Birch, K. (2024). Turning universities into data-driven organisations: seven dimensions of change. Higher Education, 89.

• Mollick, E. (2023). Centaurs and Cyborgs on the Jagged Frontier. One Useful Thing.

• Mollick, E. R., Mollick, L., Bach, N., Ciccarelli, LJ, Przystanski, B. & Ravipinto, D. (2024). AI Agents and Education: Simulated Practice at Scale. SSRN.

En un artículo reciente propuse que la universidad se enfrenta a una inminente crisis de credibilidad, la primera de las tres crisis que la IA generativa está provocando en la educación superior. El argumento central es que los dos grandes tipos de evidencias sobre los que descansa la evaluación, los exámenes y los entregables, han dejado de probar de forma robusta lo que decían probar. Hoy es posible producir un trabajo impecable sin haber aprendido nada, y el resultado es una apariencia de aprendizaje que infla las calificaciones mientras el aprendizaje real puede estar reduciéndose de forma sustancial. Dado que el título universitario funciona socialmente como una señal, cuando este deja de informar el problema supera la escala individual y se convierte en sistémico, un riesgo moral cuyas consecuencias pagan otros, empezando por los estudiantes honestos.

Ese diagnóstico, que puede sonar abstracto, tiene ya crónica propia. Pocas la han contado desde dentro con tanta fuerza como el reportaje que Hua Hsu publicó hace más de un año en The New Yorker, What Happens After A.I. Destroys College Writing?, un testimonio directo de estudiantes, en aquel caso de humanidades y ciencias sociales, que usan la IA para casi todo, y de profesores que descubren que buena parte de sus instrumentos de medida han dejado de funcionar como esperaban. Lo que entonces podía parecer una particularidad de las asignaturas centradas en la escritura es hoy un fenómeno general, y cerré mi análisis de las crisis de la universidad señalando que existen ya alternativas pedagógicas, metodológicas y tecnológicas para recomponer el vínculo entre evidencia y aprendizaje. Este texto se ocupa de ellas.

Conviene precisar antes que la irrupción de la IA generativa ha traído a la evaluación universitaria, al mismo tiempo, problemas y oportunidades. Uno de esos problemas se enfoca en el comportamiento actual del estudiante, que puede producir entregables impecables sin aprender, y obliga a rediseñar la evaluación para que vuelva a basarse en evidencias que solo se producen aprendiendo. En contraste, una de las principales oportunidades se centra en el profesor, porque esa misma tecnología permite amplificar su trabajo justo donde el tiempo siempre fue el cuello de botella, la retroalimentación (consecuencia directa de la evaluación formativa), sin sustituir su juicio. Este texto aborda el problema; la oportunidad, que puede ser además parte de la solución, tendrá su propio artículo, el tercero de esta serie.

Buena parte de la información y de las observaciones que siguen procede de los proyectos que realizamos desde Eutika con universidades y, en especial, del Plan IMPULSO Docente de la UC3M, donde hemos tenido la oportunidad de acompañar a numerosos profesores en el rediseño de sus asignaturas y en particular de sus procesos de evaluación. Estos proyectos nos han permitido conocer de primera mano estrategias pedagógicas muy diversas puestas en marcha por profesores e instituciones, y realizar en paralelo nuestra propia investigación sobre el tema (documental, mediante talleres de diseño y sesiones de diálogo grupales y entrevistas individuales). Como parte de ella presentamos aquí algunos resultados iniciales de una serie de entrevistas en profundidad que hemos realizado a 65 profesores universitarios, de las que 57 cuentan con transcripción completa y forman el corpus de análisis, para comprender los procesos de evaluación de sus asignaturas, los problemas que han detectado y cómo los están abordando; se trata de datos todavía inéditos que aparecen a lo largo del texto como soporte del argumento. Las ideas, en cualquier caso, van más allá de esos proyectos concretos. A lo largo del texto aparecen prácticas reales de ese profesorado, siempre anónimas e identificadas solo por área de conocimiento.

Lo que sigue ofrece un marco, un esbozo de caja de herramientas y algunos casos que pueden inspirar o dar pistas; en ningún momento pretende ser un protocolo de aplicación estructurada. De hecho, las soluciones reales del profesorado que hemos ido descubriendo, observando y acompañando son deliberadamente heterogéneas, porque dependen de la disciplina, del curso, de la madurez del estudiante y del grado en que la IA penetra en cada campo, y esa diversidad no es ruido sino la propia realidad.

Suscríbete ahora

Un marco estratégico para repensar la evaluación

Antes de entrar en el diagnóstico y en las soluciones hace falta un marco que, paradójicamente, la educación superior suele pasar por alto y que, desde mi punto de vista, debe incorporar tres dimensiones que tendremos presentes en cada decisión de rediseño. La primera se refiere a las funciones que la evaluación cumple. La segunda, al papel que puede y no puede seguir jugando el examen tradicional. La tercera, a la relación entre aprendizaje, lentitud y fricción cognitiva.

1. Las dos funciones de la evaluación

La evaluación cumple en la universidad dos funciones de naturaleza distinta y complementarias. La evaluación sumativa juzga el nivel de aprendizaje alcanzado, se traduce en calificaciones y permite acreditar conocimientos y habilidades ante terceros. La evaluación formativa, en cambio, acompaña el proceso mientras sucede, convierte los errores y los avances del estudiante en información útil para mejorar, y no necesita nota alguna para cumplir su propósito.

Un problema grave y rara vez declarado de la educación superior es que habitualmente utiliza las mismas evidencias y las mismas pruebas para ambas funciones. Lo que aparenta ser una ganancia de eficiencia se convierte en la práctica en un resultado perverso por tres razones. La primera es normativa, porque la evaluación sumativa es la que el sistema regula y exige, de modo que domina los diseños mientras la formativa queda relegada a la buena voluntad y al tiempo disponible del profesor. La segunda es temporal, porque la sumativa aporta más valor cuanto más cerca del final del proceso de aprendizaje se sitúa, mientras que la formativa lo aporta al principio, cuando todavía hay margen para cambios y mejoras. La tercera es de incentivos, porque cuando una misma evidencia sirve para calificar y para acompañar se produce un choque en el que casi siempre gana la nota. La conversación entre profesor y estudiante deja de tratar sobre el aprendizaje y se convierte en una negociación sobre la calificación, y de poco sirve retroalimentar en momentos en los que el estudiante está condicionado para no priorizar la mejora, cuando el acompañamiento solo es útil si provoca cambios reales.

La crisis abierta por la IA agrava este problema y lo hace en una doble dirección. El problema ataca directamente a la evaluación sumativa, la que produce las señales que la sociedad utiliza, al invalidar la función acreditativa de los entregables; pero arrastra en su caída a la función formativa que compartía instrumentos con ella, de modo que los problemas emergentes de la sumativa se convierten también en problemas adicionales para el acompañamiento del aprendizaje. Hay, sin embargo, una observación que nos indica que cuando la calificación desaparece de una actividad, desaparecen con ella los incentivos para falsearla, porque hacer trampa en un ejercicio que solo sirve para aprender carece de sentido. En nuestras entrevistas, 40 de 57 profesores declaran que están implementando con resultados positivos el desacople entre la evaluación formativa y la calificación para responder a la crisis de las evidencias y pruebas falseadas por la IA. En síntesis, abordar el problema de la IA implica, entre otras acciones, desacoplar las dos funciones de la evaluación, y eso es exactamente lo que el sistema necesitaba desde hace mucho tiempo.

Estas implicaciones explican también por qué el asunto merece algo más que una respuesta técnica. La investigación pedagógica acumulada desde hace décadas, desde el trabajo clásico de Black y Wiliam hasta el modelo del feedback de Hattie y Timperley, muestra que la evaluación formativa, la gran olvidada del sistema universitario, es una de las palancas más potentes que existen para mejorar el rendimiento académico de los estudiantes, y análisis recientes, como el del Minerva Project, llegan a conclusiones equivalentes al replantear la evaluación auténtica en la era de la IA. Un rediseño de la evaluación que solo protegiera la función acreditativa, sin recuperar la formativa, resolvería el problema equivocado.

2. Las limitaciones, y las perversiones, del examen tradicional

Ante la falsificación potencial de las evidencias, la respuesta más inmediata consiste en regresar al examen tradicional, que suele ser una prueba escrita, en formato analógico y presencial, centrada en la evaluación de conocimientos (no es el tipo de prueba más adecuada para medir habilidades y mucho menos actitudes o valores). Esa prueba es, en efecto, relativamente robusta frente a la IA, aunque deja de serlo cuando se aplica de forma masiva y el control se vuelve complejo y costoso, como mostró el caso de la UNAM que analicé en el artículo anterior. Reconocer esa robustez relativa no convierte al examen tradicional en una buena solución. Convertirlo en la prueba canónica, o siquiera en la dominante, plantea dos problemas de fondo.

El primero es pedagógico. Volver al examen de conocimientos como única evidencia supone regresar a unos enfoques de evaluación que habían ido perdiendo relevancia por buenas razones, a medida que se incorporaban métodos capaces de reconocer otros procesos de trabajo y otros tipos de aprendizaje. Tiene poco sentido sostener enfoques de aprendizaje activo, con proyectos, retos y trabajo cooperativo, si al final solo se evalúa mediante un examen clásico. Resulta incluso contraproducente, porque el tiempo que el estudiante dedica al proceso compite con el tiempo de estudio que ese examen premia, y el diseño acaba castigando precisamente a quien se implica en el aprendizaje más valioso.

El segundo es de coste y de escala. Un sistema que descanse casi por completo en pruebas analógicas y presenciales exige una inversión de tiempo y de trabajo difícil de sostener con grupos grandes, resulta inaplicable en los formatos online que necesitan los nuevos perfiles de estudiantes a los que la universidad puede hoy prestar servicio, y consume unos recursos docentes que serían mucho más valiosos invertidos en el acompañamiento mediante evaluación formativa, cuyo efecto sobre el aprendizaje está sólidamente documentado.

3. La necesidad de lentitud y fricción cognitiva

La tercera dimensión del marco se enfoca en el propio proceso de aprendizaje. La IA usada sin criterio erosiona las capacidades que el aprendizaje necesita, y en este sentido es necesario distinguir el hecho de que se puede acelerar la creación de un proyecto sofisticado del hecho de que no se puede acelerar el aprendizaje de las competencias necesarias para hacerlo, porque aprender exige fricción, esfuerzo y tiempo, una cierta lentitud que no admite aceleración ni externalización. Por primera vez una tecnología externa permite cortocircuitar ese proceso de forma masiva.

De ahí surge una paradoja que conviene tener presente, la de que para usar bien la IA hay que haber desarrollado antes capacidades cognitivas sin IA, y una consecuencia de diseño, la de que la exposición a procesos lentos, que antes ocurría sin que nadie la planificara, hoy solo sucederá si se diseña deliberadamente. De esta dimensión me he ocupado en Aprender lento para pensar rápido y en el trabajo que lo sustenta, Slow First, Smart Later. Rediseñar la evaluación y proteger los procesos lentos de aprendizaje son dos movimientos del mismo rediseño; este texto se ocupa del primero, y al segundo, que pertenece a la crisis de método diagnosticada en el primer artículo, regresaré en el cierre de esta serie.

La conclusión de este triple marco es la tesis del artículo. Ni la vigilancia tecnológica ni el repliegue hacia el examen tradicional responden al problema; lo que hace falta es repensar y rediseñar la evaluación protegiendo sus dos funciones y los procesos lentos que el aprendizaje exige. Las secciones que siguen recorren primero el diagnóstico del problema y después el método, las herramientas y las tensiones del rediseño.

Cómo diagnosticar

1. El síntoma: la apariencia de aprendizaje

Durante décadas hemos dado por buena una equivalencia silenciosa según la cual un trabajo entregado y que fuese correcto en su forma y su fondo implicaba necesariamente la existencia de un aprendizaje para su generación. El entregable, fuera un informe, un problema resuelto, un ensayo o un fragmento de código, funcionaba como evidencia de un proceso que no observábamos directamente (el trabajo del estudiante), pero cuyo contexto permitía asegurar que existía y que el aprendizaje era real. La IA generativa ha roto esa equivalencia, y el fenómeno dista de ser marginal. Es lo que el profesorado describe, una y otra vez, como una apariencia de aprendizaje, hecha de entregables generados por algoritmos externos que se ejecutan sin dejar rastro (o con rastros que implican mucho esfuerzo para su detección), de una falsa sensación de saber que reduce radicalmente el esfuerzo cognitivo del propio estudiante, y de un efecto perverso sobre unas calificaciones que se inflan mientras la comprensión real se desploma. En nuestras entrevistas (realizadas entre abril y junio de 2026), los usos de IA que producen esa apariencia de aprendizaje emergen como nudo crítico en 25 de los 57 casos, y aparecen con presencia clara o tangencial en 37.Como anécdota, en estos últimos meses, y quizás por primera vez, he escuchado de forma insistente a numerosos profesores de diversas disciplinas que su principal función es lograr que “los estudiantes piensen”; no es que esa no haya sido siempre una de las principales funciones de la educación, pero paradójicamente no se declaraba como tal hasta que un factor externo ha obligado a la toma de conciencia.

La primera reacción, legítima pero insuficiente, es defensiva, y consiste en detectar, prohibir y blindar. Es la carrera de armamentos que describí en el artículo anterior, y puede llegar muy lejos. Sirva una anécdota. En una asignatura de electrónica, los informes de laboratorio exigían una foto de la pantalla del osciloscopio con el número de puesto visible como evidencia de haber realizado el experimento, hasta que los estudiantes empezaron a compartir y editar esas fotos con IA para cambiar el número y poder falsificarlas. Una falsificación digital de una prueba analógica resume el problema mejor que cualquier estadística. Perseguir cada nueva trampa es agotador y, a la larga, una batalla perdida, además de hacer que todo el sistema pierda su norte y deje de cumplir su misión.

Conviene además deshacer un malentendido frecuente, porque he observado en algunos casos la reacción visceral de abandonar los entregables sin más e incluso de abandonar como consecuencia los enfoques de aprendizaje activo como proyectos, casos o problemas. Los entregables siguen siendo una parte valiosa de un proceso de aprendizaje bien diseñado; lo que ha perdido sentido es utilizarlos como prueba para calificar. No se trata de renunciar a ellos sino de reservarlos para el acompañamiento, donde el incentivo para falsificarlos desaparece. La salida, en definitiva, no pasa por vigilar mejor sino por rediseñar, y el primer paso en cualquier asignatura consiste en distinguir qué evidencias siguen funcionando como prueba de aprendizaje y cuáles conservan solo la apariencia.

2. La raíz: el acoplamiento entre nota y entregable

Conviene nombrar bien el problema, porque el nombre contiene la solución. Su raíz no es la IA sino el acoplamiento entre la nota y el entregable. Cuando la calificación depende directamente de la calidad formal y de contenidos de lo entregado, y existe una herramienta capaz de producir esa calidad en segundos eliminando la mayor parte del esfuerzo que implica aprender, el incentivo para externalizar el trabajo se vuelve sencillamente irresistible. Más allá de la responsabilidad ética de cada estudiante, estamos ante un problema de diseño. Como resumió un profesor, “más que de fraude se trata de que el estudiante se ha adaptado a los nuevos tiempos más rápido que nosotros”. Los momentos evaluativos de una asignatura que más pesan en la calificación y que dependen solo de entregables falsificables son exactamente los elementos más vulnerables del diseño.

Visto así, el problema deja de ser una cuestión (solo) de vigilancia, de cómo detectar la trampa, y pasa a ser una cuestión de diseño, de cómo construir evidencias que no puedan falsificarse. El desplazamiento resulta liberador, porque el profesorado no necesita convertirse en policía de la IA; necesita volver a ejercer de diseñador de la evaluación como parte integrada de la experiencia de aprendizaje. Y hay algo más, que anticipa el enfoque para abordar el rediseño. La nota no tiene por qué decidirse en un único acto aislado; puede generarse al final de cada fase del curso integrando pruebas robustas junto con las observaciones, las evidencias y los datos que el proceso de aprendizaje va produciendo por el camino.

3. El giro: la IA no se combate, se desacopla

Si la raíz es el acoplamiento, la solución es desacoplar. La idea es simple de enunciar y transformadora en sus consecuencias. El proyecto, el trabajo largo o el hito sirven para aprender (sin IA cuando sea la mejor opción, o con diferentes estrategias de uso de la IA, que bien empleada es una herramienta poderosa para mejorar el aprendizaje, como desarrollo en Aprender lento para pensar rápido), mientras la nota se decide en unos pocos momentos robustos, diseñados para que solo se superen aprendiendo. En esos momentos confluyen dos tipos de insumos, las pruebas robustas propiamente dichas y el juicio del profesor sobre las observaciones y los datos obtenidos acompañando el proceso. Una prueba robusta cumple dos condiciones a la vez, la de no poder falsificarse y la de evidenciar aprendizaje en coherencia con lo que el proceso pretendía enseñar.

La guía que la Universidad de Sídney ha preparado para dar soporte a sus profesores lo plantea de una manera muy clara con la idea de los dos carriles de evaluación. Existe un carril seguro, presencial, oral o analógico, donde la evaluación no puede falsificarse, y un carril abierto donde el estudiante usa la IA libremente porque ese carril solo sirve para aprender y no para calificar. El carril seguro corresponde a la evaluación sumativa y el abierto a la formativa, en coherencia con el marco que propusimos al inicio. Desacoplar consiste en devolver a cada función de la evaluación sus propias evidencias, separando casi por completo la sumativa de la formativa. Como comentábamos, esta separación va a contracorriente de la práctica dominante de las últimas décadas en educación superior y es precisamente lo que la IA obliga a repensar.

El enfoque de Sídney tiene, con todo, una limitación que conviene señalar. Presenta los dos carriles como mundos separados, cuando en realidad el carril abierto genera observaciones y datos sobre el proceso de trabajo del estudiante que pueden ser esenciales para que el profesor emita su juicio en los momentos evaluativos. Los carriles se separan para proteger la señal, pero conviene tender entre ellos un puente de información que fluye en una sola dirección, del proceso hacia el juicio del profesor, nunca al revés.

Desacoplar disuelve buena parte del problema sin necesidad de prohibir nada o casi nada. Si la nota ya no depende del entregable que la IA puede producir, el incentivo perverso desaparece, y el estudiante puede usar la IA durante el proceso, como la usará un profesional en su trabajo, sabiendo que tendrá que demostrar en algún momento robusto que ha aprendido de verdad. Es lo que, por ejemplo, hicieron dos profesoras, una de economía de la empresa y otra de derecho procesal, al trasladar la calificación a una defensa dialogada del proyecto o caso y permitir la IA durante el proceso de trabajo del estudiante, declarada y con uso crítico, de modo que los entregables dejaron de ser el juez y la conversación ocupó su lugar. En un primer curso de programación el movimiento fue simétrico. El caso práctico en equipo dejó de puntuar, aunque sigue siendo obligatorio porque es donde se aprende, y la prueba robusta, un “examen” presencial (pero no tradicional enfocado a conocimientos), versa sobre lo que el equipo ha entregado y se realiza sin el apoyo de la IA. La pregunta operativa que abre todo el rediseño es sencilla: de cada actividad de una asignatura cabe preguntarse si está ahí para que los estudiantes aprendan o para calificarlos.

Cómo rediseñar

1. Diseñar hacia atrás: pruebas robustas, retroalimentación y concienciación

Revisar el uso que se hace de las evidencias y de las pruebas no es más que el detonante de un proceso de rediseño “hacia atrás” (backward design) de toda la experiencia de aprendizaje, y ahí reside posiblemente lo más valioso del rediseño de la evaluación, que deja de centrarse en la evaluación misma para abordar de forma integrada el proceso completo. El viaje de la asignatura discurre, como es obvio, de inicio a fin; el diseño, en cambio, comienza por definir el final y, a partir de ese objetivo, va rediseñando las fases previas. Conviene además pensar la asignatura como una línea de tiempo que se descompone en una o más fases, porque al final de cada fase pueden situarse momentos evaluativos, con sus pruebas robustas y con el juicio sobre las observaciones y datos del proceso, y no necesariamente un único momento al final del curso. La lógica es coherente con las guías recientes de rediseño de la evaluación para la era de la IA, como la de Philippa Hardman. Este proceso de rediseño podemos resumirlo en una secuencia de tres acciones:

Primero, definir las pruebas robustas. Antes que nada se decide cuáles serán los momentos y pruebas en los que el estudiante demostrará que ha aprendido, porque esas pruebas son el ancla de todo el diseño. No se trata de un detalle menor dado que una prueba robusta de verdad, por ejemplo una defensa oral ante tribunal, cambia el proceso entero, ya que exige dedicarle tiempo y obliga a simplificar y rediseñar todo lo demás.

Segundo, construir el journey o recorrido con hitos de retroalimentación. Una vez fijado el destino se diseña el camino, como por ejemplo un proyecto o trabajo largo jalonado de hitos donde el estudiante recibe retroalimentación, itera y mejora. En ese trayecto la IA puede ser una aliada del aprendizaje y se debe definir el uso y el andamiaje adecuados para el proceso que se busca. Los hitos cumplen además una función preventiva, dado que un modelo “a demanda”, donde el estudiante avanza y pide ayuda cuando la necesita, puede parecer adecuado porque potencia su agencia y su responsabilidad, pero se rompe ante un shock como el de la IA y, al menos en estos momentos, el problema se detecta tarde (estudiantes que sienten la apariencia de aprendizaje y consideran que no necesitan acompañamiento humano), cuando ya no tiene remedio.

Tercero, asegurar retroalimentaciones tempranas que generen concienciación. No basta con que las retroalimentaciones existan; deben llegar cuando todavía hay margen para cambiar la mentalidad y el proceso de trabajo del estudiante, y deben diseñarse para que tengan un carácter performativo, el de una escenificación temprana de las consecuencias del uso inadecuado de la IA. El primer hito funciona así como un golpe en la mesa y una señal de alarma. Es el momento en que el estudiante entiende, en su propia piel, que las reglas han cambiado, que las pruebas robustas solo se superan habiendo aprendido y que externalizar el trabajo no solo daña su formación sino que le llevará a suspender. Cuando la prueba es de verdad robusta, la falsificación se convierte en un autoengaño, en hacerse trampa a uno mismo, y esa toma de conciencia debe llegar pronto para que el estudiante pueda rectificar a tiempo. Existen versiones muy concretas de esta idea, como la prueba pequeña y muy temprana en la que se empiezan a poner “ceros simbólicos” que apenas penalizan, pero que avisan de las consecuencias cuando todavía hay margen.

2. La caja de herramientas para robustecer las evidencias

Robustecer la evidencia es solo uno de los elementos del proceso de rediseño, no el rediseño entero, pero merece su propia caja de herramientas. Una prueba robusta no es un único tipo de recurso, sino una familia de recursos complementarios, y conviene subrayar que la solución no pasa en general por seleccionar una herramienta sino por combinar varias con un enfoque coherente. De hecho, aisladas, casi todas resultan insuficientes (la declaración de uso, por ejemplo) o incluso perversas (el regreso al examen tradicional como única prueba). Cuatro componentes cubren el grueso de los casos.

Pruebas robustas propiamente dichas. Son los momentos de evaluación que la IA no puede falsificar, y comparten la constante de lo oral, lo presencial o lo analógico. Un examen en papel o sin material, una defensa oral dialogada donde la conversación revela si hay comprensión detrás, una entrega producida en la propia sesión, un cuestionario donde “la IA suspende” por estar anclado en lo ocurrido en clase, o el paso del trabajo digital al mundo físico, como en la asignatura de robótica donde el estudiante debe ejecutar y ajustar su programa en un robot real, de modo que generar el código con IA no basta porque el salto al dispositivo exige comprender lo que se ha construido. La infraestructura también cuenta, y así algunas universidades habilitan aulas con la conexión cortada donde examinarse en ordenador sin IA. Conviene recordar que los exámenes, incluidos los tradicionales, siguen formando parte de la caja de herramientas y son valiosos; el problema aparece cuando se convierten en la única o la principal herramienta, y si se quieren utilizar existen enfoques adecuados para que sigan siendo robustos. Para el lector en español existe una panorámica reciente de estas estrategias, de la evaluación situada a la defensa oral.

Coevaluación con errores sintéticos, o aprender criticando. Quien evalúa también aprende, porque no se aprende solo haciendo una tarea sino juzgando la de un tercero. Esta es la base de los procesos de autoevaluación y coevaluación entre pares, y por eso suelen funcionar bien cuando se diseñan para aumentar el aprendizaje y mal cuando se enfocan solo a generar notas por vías alternativas, entre otras razones porque se pierde el interés y la capacidad crítica del estudiante. En este terreno la IA juega a favor del profesor, porque hoy resulta fácil generar errores sintéticos por diseño en ensayos, respuestas o código, estableciendo además los tipos de sesgos, vacíos y errores que el docente elija, para que el estudiante los detecte y corrija. La ventaja es doble, ya que criticar un error exige comprender la materia y, de paso, entrena el análisis crítico del estudiante hacia los productos de la IA. Sobre todo, ofrece al docente un alto grado de control por diseño sobre aquello que quiere entrenar.

Transparencia, declarar en lugar de delatar. La transparencia es, más que una herramienta, un estado psicológico. Hoy en día, en la mayor parte de los contextos sociales, declarar que un trabajo se ha realizado con IA tiene una connotación negativa. Si la única consecuencia de admitir el uso es la penalización, el sistema empuja hacia la ocultación y se pierde el espacio compartido de diálogo. El movimiento necesario va del “lo voy a ocultar” al “lo voy a declarar, explicar cómo lo hice y, a partir de ahí, discutir qué aporta y qué no”. Una profesora de ingeniería mecánica lo resume bien. Tras un primer curso de trabajos vaciados de sentido a causa del uso inadecuado de la IA pasó a permitirla, exigir que se declare e identificar dónde falla (por ejemplo, en la generación de citas bibliográficas inexistentes), y resumía el cambio en la forma de trabajar de los estudiantes en esta frase: “ahora lo hacen bien, pero lo declaran; son conscientes de que lo que hay ahí [la producción, el entregable] es de ellos [son autores y responsables]”. Conviene reconocer que el proceso de declaración y sus detalles siguen siendo inciertos y confusos para el profesorado, con dudas evidentes sobre el alcance (si basta una nota o si debe adjuntarse la conversación completa con la herramienta) y sobre dónde queda la frontera entre el uso lícito y el que vacía el aprendizaje. Es, por tanto, un terreno por experimentar para definir las prácticas efectivas.

Subir el nivel de exigencia. Si la IA multiplica exponencialmente la capacidad del estudiante, el estándar del entregable, en forma y especialmente en contenido y alcance, debe subir en una escala comparable. Quizás el primer lugar donde se empezó a experimentar con este enfoque fueron los programas de las escuelas de negocio que utilizan proyectos de consultoría como herramienta de aprendizaje. En ese tipo de proyectos antes se exigía a los estudiantes un estándar de calidad equivalente al esperable de un perfil junior en un proyecto real, mientras que ahora se exige un nivel equivalente al de un senior. Este recurso tiene un límite que conviene reconocer, pues solo funciona con quien ya ha vivido la fricción cognitiva en otro momento, y en general no resulta aplicable en materias básicas, donde el objetivo es desarrollar los fundamentos del pensamiento y de la resolución de problemas.

3. Las tensiones del rediseño

Rediseñar no es indoloro, y es necesario reconocer los problemas emergentes que puede generar para poder incorporarlos y resolverlos de forma equilibrada con el resto del rediseño. En concreto, tres tensiones destacan sobre las demás.

La equidad en el acceso a las herramientas y a las infraestructuras. No todos los estudiantes disponen de la misma IA ni de las mismas destrezas para usarla. Como señalan los propios docentes, “la diferencia a veces está en la capacidad de pago”, y esa brecha crece. Rediseñar la evaluación tiene también esta dimensión de equidad, que debe resolverse asegurando una infraestructura institucional adecuada y accesible e incorporando el uso de estas herramientas en los procesos de aprendizaje (algo que además es parte de la evolución de los objetivos de aprendizaje que provoca la IA... y por tanto parte del abordaje de la crisis de significado).

Los estudiantes no son pasivos. Conviven ahora mismo, en general de manera incipiente, en los campus el activismo contrario a la IA de estudiantes que la rechazan por motivos éticos o ecológicos y la exigencia de responsabilidad hacia las instituciones por parte de quienes reclaman que las trampas no salgan gratis. Estas voces deben ser parte de la reflexión, y sus críticas deben tener respuesta en el propio rediseño o, cuando no la tengan, en argumentos sólidos.

La sostenibilidad del rediseño. Una prueba robusta mal dimensionada puede absorber una parte desproporcionada del curso y del tiempo docente. Tres lentes ayudan a revisar cualquier rediseño antes de aplicarlo: la carga de trabajo que implica para el profesor, la carga que traslada al estudiante y la factibilidad de su implementación alineada con la realidad en términos de grupos, disponibilidad de recursos (físicos, como aulas o laboratorios, y digitales) y calendario. Un rediseño impecable sobre el papel que no sea factible desde cualquiera de las tres lentes no sobrevivirá al primer cuatrimestre. De hecho, en Eutika estamos trabajando en una herramienta para apoyar el análisis de la sostenibilidad y la coherencia educativa del rediseño de la evaluación, que publicaremos en breve.

4. La ética como brújula, no como freno

La ética es una dimensión que atraviesa todo lo anterior y que aquí solo dejo apuntada, porque requiere un tratamiento en profundidad que excede este texto. Lo regulado por la universidad o por los gobiernos (como el marco de la propia Unión Europea) se configura como parte del contexto de uso de la IA por los estudiantes y por los profesores, pero deja amplias zonas grises, y está bien que así sea porque obliga a construir un criterio propio. La idea que debería ordenar ese criterio es simple y se basa en que la ética no debe ser el freno del rediseño sino su brújula; sin ella la tecnología avanza, pero nadie sabe hacia dónde, y el norte siempre debería ser el aprendizaje de los estudiantes.

En el terreno de este artículo, esa brújula se orienta sobre todo en dos ámbitos. El primero es la transparencia. Si se pide al estudiante que declare su uso de IA, la declaración tiene que funcionar como aprendizaje ético y no como delación, lo que exige desactivar el estigma de declarar. El segundo es la equidad, porque rediseñar la evaluación implica también decidir que la herramienta no amplíe la desigualdad de acceso y de destrezas que ya existe.

Un ejercicio útil para aterrizar este criterio consiste en escribir dos o tres compromisos con el formato «me comprometo a [acción], porque [razón], para que [resultado para el estudiante]». Dos ejemplos reales de profesores con los que hemos trabajado: «me comprometo a explicar en la guía docente cómo uso yo la IA al evaluar, porque la transparencia no puede ser unidireccional, para que declarar resulte tan natural para el estudiante como para el profesor», y «me comprometo a que toda actividad con IA pueda resolverse con las herramientas institucionales (gratuitas para el estudiante), porque el acceso desigual existe, para que la nota nunca dependa de quién puede pagar».

Por dónde empezar

En las conversaciones con profesores que están rediseñando su evaluación emerge, una y otra vez, una misma secuencia práctica que dejo aquí como síntesis operativa. Validar lo que ya funciona y evitar el repliegue defensivo; desacoplar la evaluación de la calificación; estructurar el aprendizaje como un proceso con hitos, que son oportunidades de retroalimentación; introducir coevaluación y documentación del proceso; asegurar una o más pruebas robustas; y simplificar y declarar las reglas de juego, con su argumentación, desde el primer día. No hace falta rediseñarlo todo de golpe. Basta con elegir el punto más vulnerable de la asignatura y convertirlo en robusto combinando recursos de la caja de herramientas.

El rediseño no va de cazar tramposos sino de volver a pedir la evidencia que solo se produce aprendiendo, y termina abriendo una puerta más importante e interesante que el problema que lo motivó. Desacoplar la nota del entregable devuelve al primer plano aquella evaluación formativa de la que hablaba el marco inicial, la palanca de aprendizaje que el sistema universitario había relegado. El error deja de ser un fallo que se penaliza y vuelve a ser el material con el que se construye el aprendizaje, y acompañar recupera su sentido original, que nunca fue simplificar la tarea ni ahorrar la fricción. Acompañar es lo que hace un entrenador, que no levanta el peso por el deportista pero lo observa, lo corrige y le da criterio para mejorar con su propia práctica. Una evaluación rediseñada así no es una respuesta defensiva contra la IA. Es una evaluación mejor, más alineada con el aprendizaje, y que resiste a la IA porque exige lo único que no se puede delegar, que sea el propio estudiante quien comprenda y piense de forma autónoma.

Queda la otra cara del fenómeno, la oportunidad. La misma tecnología que permite al estudiante falsificar evidencias puede amplificar el trabajo del docente justo donde siempre faltó tiempo, la retroalimentación. De ella me ocuparé en el próximo artículo. Y quedan, sobre todo, las dos crisis de fondo que el primer artículo dejó planteadas, las de método y significado, a las que dedicaré el cierre de esta serie.

Referencias

Todas las citas del texto, en orden alfabético.

• Black, P. & Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education, 5(1), 7–74 (y su versión divulgativa Inside the Black Box).

• Eutika. El profesor en el centro de la transformación: el Plan IMPULSO Docente UC3M. Blog de Eutika.

• Eutika. Nuestros ocho principios para la innovación educativa. Blog de Eutika.

• Freire, J. (2026). Aprender lento para pensar rápido. Substack. Y el trabajo que lo sustenta: Rodríguez-López, J. & Freire, J. (2026). Slow First, Smart Later: Building the Cognitive Architecture for AI Integration Across Generations. SSRN.

• Freire, J. (2026). La inminente crisis de credibilidad de la universidad. Substack.

• Hardman, P. Post-AI Assessment Design: A Simple Three-Step Guide. Substack.

• Hattie, J. & Timperley, H. (2007). The Power of Feedback. Review of Educational Research, 77(1).

• Hsu, H. (2025). What Happens After A.I. Destroys College Writing? The New Yorker (título impreso: The End of the English Paper). Versión abierta.

• Minerva Project (2024). A Systematic Approach to Authentic Assessment.

• Universidad de Sídney, Teaching@Sydney. Aligning our assessments to the age of generative AI (el enfoque de los dos carriles).

• Vinueza Garcés, A. B., Cedeño Gendes, J. C., Vera Sandoval, J. M. & Montoya Intriago, W. S. (2026). Evaluación auténtica en la era de la IA: estrategias para la integridad académica. Arandu UTIC, 13(1). Evaluación situada, defensa oral y rúbricas analíticas, en español.

Este texto es un ensayo. Se apoya en nuestro trabajo directo con universidades, en conversaciones con colegas y en la observación de noticias y señales dispersas: por la propia naturaleza de lo que describe, buena parte de la información dura muy probablemente no se está haciendo pública. Pretendo describir un estado de las cosas, un proceso muy rápido y una hipótesis sobre un riesgo emergente que afectará a cada universidad y al sistema universitario en conjunto.

Una institución lenta ante una disrupción aguda

Las universidades son instituciones de larga tradición, con estructuras lentas para la toma de decisiones y enormes inercias ante los cambios. Cuando surge una crisis, un cambio de paradigma o una transformación social, cultural o tecnológica profunda, su respuesta llega, cuando llega, en el medio o en el largo plazo. Ese modo de funcionamiento, unido a su gobernanza, produce un efecto doble: la historia nos indica que las hace extraordinariamente resistentes a las crisis y, a la vez, muy frágiles ante los eventos disruptivos agudos.

Con la tecnología digital, además, las universidades han sido siempre reactivas, yendo a remolque de los cambios. A veces esa distancia las ha protegido de las burbujas (aunque en ocasiones se han subido a alguna justo cuando ya era evidente que lo era). Pero les ha impedido abordar de frente los cambios sociales y culturales asociados a cada ola tecnológica, y explotar las posibilidades de la tecnología al servicio de su misión. Esto sucede en gran medida porque las universidades han pensado, y siguen pensando, la tecnología como algo instrumental que se compra: una caja negra que se adquiere a un proveedor y que viene a resolver un problema agudo y técnico. Por ese camino, paradójicamente, han acabado externalizando buena parte de sus modelos pedagógicos y de la experiencia de sus estudiantes. La lentitud propia de la institución y la tecnología como caja negra son la base de las crisis emergentes que describimos a continuación.

Suscríbete ahora

Tres crisis conectadas, desencadenadas por una tecnología

Desde finales de 2022, las universidades se enfrentan de forma silenciosa a una triple crisis provocada por la irrupción de la inteligencia artificial generativa. Hablo de irrupción en un sentido preciso: el acceso casi universal, comercial, a los grandes modelos de lenguaje (LLMs) y a las interfaces de trabajo construidas sobre ellos. Estas crisis existían ya de algún modo con anterioridad, pero la IA las agrava tan radicalmente (por profundidad o por escala de impacto) que hace imposible ignorarlas.

La primera es una crisis de significado: la IA generativa hace necesario repensar en profundidad qué debe aprender una persona en la universidad, para qué sirve la universidad y qué perfil profesional y ciudadano desarrolla quien pasa por ella. La segunda es una crisis de método: la IA impacta de lleno sobre cómo puede y cómo debe aprender una persona. De una parte de ese reto, en concreto por qué aprender exige una lentitud que la IA permite cortocircuitar, me he ocupado en Aprender lento para pensar rápido. Y la tercera es una crisis de credibilidad: el uso de la IA por parte de los estudiantes ha puesto en cuestión las formas en que la universidad evalúa los conocimientos y habilidades de las personas y, por tanto, las acredita. No olvidemos que las universidades son entornos donde se va a aprender, pero también instituciones con la misión de reconocer formalmente el aprendizaje. Esa segunda función ha sido crítica en las últimas décadas para sostener su estatus y su prestigio, frente a un reconocimiento social decreciente del valor de los propios conocimientos y habilidades que desarrollan sus estudiantes.

De las tres, la de credibilidad es la más aguda, aunque posiblemente no la más grave. Y es también, en apariencia, la menos estratégica, dado que una parte de la comunidad universitaria sigue instalada en la idea de que resolverla exige cambios menos de fondo y más instrumentales (incluso podría pensarse que se resuelve con controles y barreras tecnológicos). Y sin embargo es la que está explotando en estos momentos, precisamente porque es la más difícil de silenciar y, por tanto, imposible de contener y gestionar sin cambios. Por su rapidez y por sus consecuencias, que en términos económicos podemos describir como un riesgo moral, podría provocar una crisis sin precedentes en la institución universitaria.

El problema: las evidencias que ya no prueban nada

¿Por qué es vulnerable justamente la credibilidad? Porque la universidad evalúa, y por tanto acredita, a través de evidencias de aprendizaje que descansan, simplificando, en dos grandes tipos de mecanismos. Debemos aclarar que nos referimos aquí específicamente a la evaluación sumativa (la orientada a reconocer y acreditar el aprendizaje), no a la evaluación formativa (la que permite el acompañamiento al estudiante en su proceso). La evaluación formativa es la gran olvidada por el sistema universitario (a pesar de ser la palanca más potente para mejorar el desempeño de los estudiantes). Tanto es así que habitualmente el término “evaluación” se hace sinónimo de “evaluación sumativa” tomando la parte por el todo.

El primer tipo de mecanismos es la prueba de conocimientos y, en menor medida, de habilidades, que habitualmente denominamos examen. Tradicionalmente sucedía en un entorno físico y de forma analógica (a veces oral, normalmente por escrito). Con los años se ha ido trasladando a pruebas mediadas por dispositivos digitales (aunque se usen en el aula) o, muy habitualmente, a modalidades online, mediadas por dispositivos y plataformas. En esta evolución se han desarrollado toda una serie de herramientas de control, por hardware y software, destinadas a evitar comportamientos indeseados. Herramientas que se han sofisticado al mismo ritmo que se sofisticaban los métodos de los estudiantes para acceder a las respuestas correctas del examen sin necesidad de aprender previamente; o sea, lo que podemos denominar métodos para falsear la propia prueba. Las opciones digitales han permitido además optimizar los tiempos de corrección y retroalimentación y, de este modo, ampliar los grupos de estudiantes sin incrementar proporcionalmente los recursos humanos disponibles.

El segundo son los entregables: casos, proyectos, problemas o retos sobre los que el estudiante trabaja a lo largo del tiempo, generando evidencias que documenta en textos, diagramas y artefactos, hoy en su gran mayoría en formatos digitales. Los entregables solían ser una evidencia robusta: quien entregaba un buen proyecto (codificado en sus artefactos), obviamente, lo había hecho, y por el camino había aprendido. Es evidente que siempre cabía la trampa (alguien podía ayudar al estudiante o hacer directamente el trabajo por él), pero era minoritaria y el sistema contemporizaba con ella.

Con el tiempo, los exámenes tradicionales han ido perdiendo relevancia, dado que respondían a un modelo pedagógico en gran medida superado, y han ido ganando peso los enfoques de aprendizaje activo y, con ellos, los entregables asociados. La IA generativa ha roto esa equivalencia entre entregable y aprendizaje. Hoy es posible producir un entregable de altísima calidad sin poseer el conocimiento que se supone que demuestra: el proceso de producir se ha desacoplado del proceso de aprender. En los primeros años de la universalización del uso de la IA (podríamos decir de 2023 a 2025), en muchas disciplinas los entregables generados por IA contenían fallos factuales reconocibles. Sin embargo, cada vez contienen menos, y en algunas disciplinas ya son impecables en lo formal y en el contenido, con el único requisito de manejar bien las herramientas. No es difícil imaginar que esa calidad se alcance de forma prácticamente universal, para todas las disciplinas y ámbitos del conocimiento, en poco tiempo.

Pero los exámenes tampoco están libres de la posibilidad de falsificación; de hecho, el caso de la UNAM, al que llegaré más adelante, lo atestigua. La vulnerabilidad es muy evidente cuando las pruebas están mediadas por dispositivos y plataformas digitales, pero está empezando a suceder incluso en pruebas analógicas escritas. Además, el regreso a exámenes presenciales y analógicos supone un enorme problema por los recursos que implica si se quiere aplicar a escala, y un paso atrás en los procesos de aprendizaje si los exámenes vuelven a convertirse en la “prueba universal”.

En síntesis: los dos grandes tipos de evidencias sobre los que descansa la evaluación están afectados de forma importante por el uso de la IA por parte de los estudiantes. La IA ha acabado por romper así dos paradigmas clave de la evaluación sumativa: que los exámenes son robustos y difíciles de falsear, y que, en el caso del aprendizaje activo, el propio proceso de trabajo genera de forma directa la oportunidad de una evaluación robusta. El resultado es lo que muchos profesores describen como una apariencia de aprendizaje: entregables y exámenes correctos, incluso impecables, que generan notas que se sostienen o suben, y un aprendizaje real que cae o incluso se desploma. El problema no es que algunos estudiantes hagan trampa; es más bien que los instrumentos con los que medíamos han dejado de ser fiables para todos. Hemos pasado de un riesgo individual (controlable) a otro sistémico.

La respuesta instintiva y de corto plazo, cuando ha sucedido, ha sido una carrera de armamentos: me intentan hacer trampa, pongo una barrera; buscan otra trampa, pongo otra. Es una carrera agotadora y, a la larga, perdida. Existen ya alternativas pedagógicas, metodológicas y tecnológicas para rediseñar la evaluación y recomponer el vínculo entre evidencia y aprendizaje. Este será el tema de otro artículo que publicaré en breve. Pero ahora quiero enfocarme en la naturaleza de la crisis de credibilidad, su posible evolución (dado que emergió de forma inesperada y la universidad no ha sido capaz de resolverla a la velocidad que exigía) y sus consecuencias.

El curso 2025-2026: el punto de inflexión

En realidad, el problema (la posibilidad de usar la IA para falsificar las evidencias de la evaluación) existe desde finales de 2022, con el lanzamiento comercial de ChatGPT. Pero la crisis (la percepción pública de ese problema afectando de forma grave a la reputación de las universidades) todavía no ha llegado, o estamos asistiendo solo a las primeras señales.

El problema, sin embargo, se hizo mucho más profundo en el último curso académico, el 2025-2026, por dos cambios relacionados. El primero es tecnológico, motivado por la irrupción de LLMs extremadamente potentes, con lanzamientos continuos de diferentes proveedores en una carrera en la que se incrementan exponencialmente las capacidades de la IA, acompañados de interfaces de trabajo mucho más sofisticadas que los chatbots originales, que permiten desarrollar proyectos, gestionar memoria y construir contextos complejos. El segundo es la caída de la barrera de acceso: hoy, con un coste razonable para la gran mayoría de los estudiantes, cualquiera accede a modelos de máxima potencia, al menos para usos poco intensivos (como pueden ser los ocasionales necesarios para generar “evidencias artificiales”).

Y aquí está el cambio decisivo. Antes de la IA, las oportunidades de falsificar las evidencias de aprendizaje estaban en manos de unos pocos: dependían de las relaciones de cada cual, o del dinero para comprar ciertos servicios ilegales o alegales. Ahora se han universalizado. La IA no ha inventado el fraude, pero sí lo ha universalizado. Y, de paso, ha puesto en evidencia problemas críticos de la evaluación universitaria que las propias universidades llevaban décadas relegando.

Ante este punto de inflexión, conviene mirar en dos direcciones: hacia dentro de las universidades (qué han hecho) y hacia fuera (qué han contado).

¿Cómo ha sido la respuesta de las universidades?

Empecemos por la respuesta hacia dentro: ¿qué ha pasado en las universidades durante el curso 25-26? Dado que la inmensa mayoría, por no decir la práctica totalidad, no ha declarado lo que posiblemente estaba sucediendo en el ámbito de la evaluación, tenemos que abordarlo desde la información a la que, en mi caso, puedo acceder gracias al trabajo directo que realizo con diferentes universidades, a las conversaciones con estudiantes, profesores y directivos y a la observación de noticias en medios y redes. Este conjunto de señales nos puede permitir construir unas primeras hipótesis, incluso especulaciones informadas, que pueden ser valiosas como alerta, ya no tan temprana, ante una crisis emergente. Mi opinión es que existe un rango amplio de respuestas, y que la variable que mejor nos permite organizarlas es la agencia de los profesores (o, dicho de otro modo, el modelo educativo y operativo de la universidad).

Partamos, como simplificación, de la existencia de dos grandes formatos de universidad que implican dos maneras muy distintas de encajar inicialmente el problema. En un extremo están las universidades en las que, por su propio modelo, los profesores tienen una alta autonomía y agencia, que les permite reaccionar casi en tiempo real y tomar decisiones dentro del ámbito de sus grupos, a veces en coordinación con otros profesores con los que comparten docencia. Por supuesto, la agencia del profesor no determina la existencia de respuesta a un problema agudo, y por tanto no es esperable que haya una respuesta uniforme. Pero en estos contextos sí es claro que posibilita una respuesta orgánica y táctica de corto plazo, y de hecho ha sucedido, en mayor o menor medida, en diferentes universidades. Los profesores, al menos los más comprometidos, han modificado sus métodos de evaluación y sus procesos de trabajo. Aunque abordaremos los cómos de este cambio con mayor profundidad en otro texto, valga aquí el apunte de que modificar las pruebas de evaluación obliga casi siempre a una especie de diseño “hacia atrás” (comienzas por el final, la evaluación, y como consecuencia debes cambiar lo que sucede antes: el proceso de aprendizaje y el acompañamiento a los estudiantes). Cuando este rediseño sucede de forma integral, y no se queda solo en la evaluación sumativa, supone un cambio muy valioso. Ahora bien, en los casos en que la respuesta no ha sido impulsada por la universidad se corre el riesgo de quedarse en lo que tantas veces ha quedado la innovación educativa: procesos potencialmente valiosos pero fragmentarios y desconectados, que no logran transferirse ni consolidarse. Lograrlo exige combinar la agencia y el compromiso de los profesores con la guía, el soporte y la coordinación institucionales.

En el otro extremo están las universidades con modelos centralizados (aunque parezcan anomalías, son ya muchas y quizás las que más crecen, por ejemplo en las modalidades online). En estas instituciones el modelo educativo, los procesos de aprendizaje e incluso los contenidos y las pruebas de evaluación vienen “diseñados de fábrica”, y los profesores son esencialmente implementadores con escasa agencia para modificar los planes que les entrega la institución. Muy posiblemente en este tipo de universidad, con la inercia institucional que las caracteriza, ha habido muy poca respuesta al problema emergente del uso de la IA en la evaluación.

En síntesis: es previsible que haya habido una diversidad de respuestas, pero predominando las reacciones limitadas o la pasividad, y casi siempre en el plano interno, evitando el problema reputacional, sin que haya existido hasta el momento un debate abierto ni acciones estratégicas y de impacto.

El silencio institucional

Hacia fuera, la gestión ha sido otra: el silencio, que puede responder a dos razones. La primera que podemos imaginar es una suerte de ceguera, causada porque la institución carece de datos y señales internos que le permitan detectar de forma ágil, casi en tiempo real, lo que está sucediendo. La segunda podría ser una decisión deliberada de no hacer público lo que sucede para evitar una crisis reputacional. Sin embargo, como planteamos en este texto, si el problema no se afronta, la crisis sucederá inevitablemente.

No debemos confundir silencio institucional con ausencia de ruido. La implantación y el uso de la IA en la universidad ha generado una polémica enorme: debate público, opiniones de todo tipo y condición, análisis que, en el caso de universidades y gobiernos, han terminado por el momento en recomendaciones, políticas y reglamentos, pero en escaso cambio pedagógico y tecnológico. Y sobre el problema específico de la falsificación de las evidencias de la evaluación sumativa, la universidad como institución, ni colectiva ni individualmente, ha reconocido en general el reto de fondo ni se ha enfrentado seriamente a él.

Sucede además que la irrupción de la IA se ha percibido como un reto tecnológico, y cada una de las tres crisis se está tratando como un problema a resolver con un enfoque prioritariamente tecnológico. Pero no es (solo, ni principalmente) un reto tecnológico; es más bien un reto existencial y pedagógico atravesado por la tecnología. La consecuencia de ese sesgo de diagnóstico es que, en una primera ola, el encargo ha recaído en muchas ocasiones en los responsables de tecnología de las universidades, cuyo trabajo consiste, en la práctica y en la mayor parte de los casos, en decidir con qué proveedor se trabaja y comprar soluciones. Y esas decisiones de compra se toman desde hace años con una lógica defensiva y conservadora, que equipa a las universidades, y a sus profesores, con las herramientas más probadas (las menos innovadoras), las que generan menos problemas de gestión, menores riesgos y más garantías de seguridad — las que, por tanto, cambian poco las reglas del juego. Desde la perspectiva de los profesores (y evaluadores): cajas negras que limitan su agencia y su capacidad de responder diseñando alternativas que sean a la vez valiosas en términos de aprendizaje y robustas en lo que se refiere a los mecanismos de evaluación sumativa.

El estallido que viene, y su primera señal

Es muy difícil mantener de forma permanente estos problemas en el ámbito de lo privado. O las universidades responden, o la crisis llegará. Y llegará por dos mecanismos. El primero es exógeno y se debe a que la reputación de las universidades que no sean capaces de responder se verá afectada, en algún momento, ante los empleadores y otras organizaciones sociales. Es muy sencillo de entender: quizás estemos en el primer momento de la historia en que resulta posible lograr una titulación universitaria sin haber aprendido prácticamente nada (o mucho menos de lo que podríamos considerar los estándares previos). Puede sonar exagerado, pero eso es exactamente lo que ciertos usos de la IA pueden provocar. Cuando esas personas salgan de la universidad, lleguen al mercado laboral e inicien su vida profesional, los fallos de su proceso de aprendizaje quedarán en evidencia.

El segundo es endógeno, y se relaciona con la respuesta de una parte de los propios estudiantes, que ya empiezan a manifestar (por el momento, solo dentro de su universidad) su incomodidad con este estado de las cosas. Consideran que la universidad está abdicando de su responsabilidad de garantizar que la evaluación, y por tanto el reconocimiento del aprendizaje, sean robustos, y le reclaman que la asuma. Este malestar puede superar en cualquier momento un umbral, hacerse público y abrir un debate que ya será muy difícil de gestionar, y menos de controlar.

¿Cuándo puede suceder? Mi impresión es que irá más rápido de lo que pensamos, porque el proceso es muy agudo y está operando a una velocidad muy elevada, coherente con la evolución de la propia IA generativa y su adopción social. Los estudiantes que han convivido con el uso intensivo de la IA en la universidad están ya saliendo al mundo profesional, o lo harán en unos meses; y el próximo curso llegarán, además, las primeras promociones de estudiantes que habrán vivido prácticamente toda su vida como estudiantes (especialmente bachillerato y universidad) con herramientas sofisticadas de IA a su alcance. Y, como planteaba al inicio, si la crisis explota rápido, las universidades, por su propia naturaleza, no podrán responder a la velocidad que exige una crisis reputacional.

De hecho, posiblemente hemos asistido ya al primer acto. La UNAM, la Universidad Nacional Autónoma de México, es la principal universidad pública mexicana: una de las mayores del mundo por número de estudiantes, un referente académico en América Latina y una institución esencial en la propia historia del país. A sus pruebas de acceso se presentaron este año casi 158.000 estudiantes, y por primera vez se aplicaron completamente en línea. El resultado: se detectó una anomalía estadística, dado que los resultados fueron muy superiores a los de los últimos años (la proporción de aspirantes con puntuaciones muy altas se multiplicó respecto al año anterior). Todo apunta a un presunto fraude masivo y, tras un conflicto y un debate público bastante enconados, la universidad ha convocado un examen de control presencial para verificar los resultados de una parte de los aspirantes. Posiblemente el momento elegido para pasar las pruebas a formato online ha sido el peor posible, y los mecanismos de control establecidos fallaron estrepitosamente: un ejemplo de lo que puede suceder cuando se entra en una carrera tecnológica donde existen altos incentivos (perversos) para hacer trampa.

El caso ha salido a la luz por una razón muy concreta, y es que la UNAM hace públicos, tradicionalmente, los resultados de sus pruebas. Por tanto, no había forma de ocultar la realidad. De hecho, la UNAM es la única universidad pública mexicana en la que esto ha trascendido. Otras grandes universidades públicas (como por ejemplo el IPN o la UAM) aplicaron también este año sus pruebas de acceso en línea, pero no publican sus resultados con el mismo detalle. El silencio del resto no es ausencia de problema; es ausencia de datos. Añado una evidencia circunstancial que prefiero comentar sin citar fuentes, porque no se ha hecho pública: universidades en las que, en las admisiones del curso 26-27, el porcentaje de estudiantes con expedientes brillantes de bachillerato ha crecido de forma drástica.

Más allá del caso concreto, intuyo que este evento significa la puesta de largo de una crisis reputacional de la institución universitaria que, en realidad, podemos explicar con una idea que la economía maneja desde hace más de medio siglo.

El riesgo moral: quién decide y quién paga

El riesgo moral describe un tipo de riesgo provocado porque alguien toma decisiones cuyas consecuencias no recaen sobre sí mismo, sino sobre terceros que no participaron en la decisión y que, muchas veces, ni siquiera saben que se estaba decidiendo por ellos. Aplicado a nuestro caso: el estudiante que falsifica sus evidencias decide; el profesor que prefiere no mirar decide; la institución que calla para no arriesgar su matrícula o su reputación decide. Pero las consecuencias las soportarán otros: los estudiantes que deciden no hacer trampas, el empleador que contrata confiando en un título, el cliente o el paciente que se pone en manos de un profesional acreditado, la sociedad que financia y legitima a la universidad precisamente porque confía en su capacidad de certificar el aprendizaje.

Esto es así porque el título universitario (y, por extensión, las diferentes credenciales) funciona, en términos económicos, como una señal. Socialmente asumimos que solo quien ha aprendido puede lograr el título, con todas las discusiones que caben sobre qué significa haber aprendido, y el empleador, que en principio no puede observar directamente (o le supone un coste que prefiere no asumir) los conocimientos y habilidades de una persona, confía en que el título los resume. Esa asunción era segura mientras obtener el título costaba mucho más a quien no había aprendido que a quien sí. Es exactamente lo que la IA generativa puede estar rompiendo al desacoplar los entregables y las pruebas de evaluación del aprendizaje, dado que el coste de emitir la señal se hunde, y se hunde por igual para todos. Cuando la señal deja de informar, quien la recibe deja de fiarse de todas: el egresado que sí aprendió “paga” por los que no, y el valor del título, de todos los títulos, se degrada. Es la vieja lógica del mercado de los limones que describió Akerlof: cuando el comprador no puede distinguir la calidad, lo malo acaba expulsando a lo bueno.

Esto es lo que hace que la crisis de credibilidad, siendo la menos estratégica de las tres, sea tan importante y tan urgente. No estamos ante una crisis de trampas individuales, sino ante una crisis sistémica de confianza. Y las crisis de confianza no evolucionan de forma gradual: se acumulan en silencio y estallan de golpe, como sabemos por las crisis financieras, construidas también sobre riesgo moral. La velocidad a la que cambia la tecnología y a la que la adoptan los estudiantes reduce el margen temporal de reacción antes de pagar las consecuencias y pone en serios problemas a universidades caracterizadas por su lentitud constitutiva.

Restaurar la credibilidad usando solo, o principalmente, más vigilancia, más control y más tecnología defensiva, sin tocar el significado y el método, sería ganar la batalla equivocada, y por poco tiempo. Sin embargo, puede que esta crisis, precisamente porque explota antes, sea la que obligue por fin a las universidades a enfrentarse a las otras dos preguntas, las importantes: qué hay que aprender hoy, y cómo.

En los posts anteriores seguimos tres historias, Lucía en una facultad de ingeniería, Amara en una consultora tecnológica, Pedro y Carmen en un territorio rural, que mostraban cómo un mismo enfoque e infraestructura permiten aprender en contextos muy diversos. Ahora es el momento de pasar de las personas a la infraestructura para comprender cómo hacer viable Universidad Cero.

En este post nos centramos en el diseño de los sistemas y por tanto puede ser de interés para las personas responsables de crear los contextos y procesos que permiten un aprendizaje efectivo: los equipos que rediseñan un grado, los responsables de talento que sienten que los catálogos de cursos no funcionan, los dinamizadores territoriales, o los que diseñan e implementan tecnología educativa.

Por qué capas y no módulos

La primera decisión de diseño está en entender el sistema como un conjunto de capas, y no de módulos. Un módulo alude a un componente independiente: se añade, se quita o se reemplaza sin necesidad de alterar el resto. Una capa es interdependiente: se apoya en las que tiene debajo y da servicio a las que tiene encima. Un sistema modular se descompone en piezas mientras que un sistema de capas funciona como un todo, y cambiar una capa tiene efectos en todas las demás.

Esto importa porque la interdependencia es precisamente lo que se necesita para generar un aprendizaje realmente robusto. No se puede separar la tecnología de la pedagogía, la pedagogía del espacio, el espacio de la comunidad, o la comunidad de la gobernanza. La mayoría de las instituciones e iniciativas tecnológicas “solucionistas” lo han intentado: trataron la “digitalización” como un problema tecnológico independiente del diseño pedagógico, crearon o adoptaron plataformas (en especial LMS) y esperaron que la pedagogía cambiara sola. El resultado son sistemas donde cada capa evoluciona por su cuenta generando incoherencias, ineficiencia y una enorme frustración. Y finalmente, casi siempre la tecnología es la que ha dominado este conflicto impidiendo que evolucione la práctica educativa.

Universidad Cero parte de la premisa contraria. Las seis capas se piensan y diseñan conjuntamente y buscando la coherencia y las sinergias. Las abordaremos aquí yendo de la más “técnica” a la más “humana”, pero este orden es solo una lógica de lectura, no una jerarquía. Las “capas técnicas” son en realidad, quizás, las más sencillas dado que representan “solo” un reto técnico. Las “capas humanas” son las más complejas de abordar ya que habitualmente implican procesos de transformación organizativa y asumir la agencia. En este sentido, posiblemente la última capa, comunidad y mediación, sea la más determinante para el éxito o el fracaso del modelo.

Suscríbete ahora

Las seis capas

Capa 1 — Tecnológica-IA

El stack: agentes, plataforma, skills, memoria, interoperabilidad.

Es la infraestructura digital sobre la que opera todo lo demás y por tanto el entorno donde humanos y agentes de IA operan juntos en configuraciones cambiantes. Este enfoque va mucho más allá de la lógica del LMS como repositorio y herramienta de administración, con capacidades muy limitadas para la interacción y el acompañamiento.

Definimos esta capa a través de tres decisiones de diseño. Primero, preferencia por los modelos de frontera genéricos, no “IA educativa” especializada: Claude, GPT, Gemini o lo que venga, porque evolucionan más rápido que cualquier producto vertical cerrado. La inteligencia pedagógica no vive en el modelo sino en la capa que se construye encima. Segundo, utilizar skills como plugins pedagógicos: las estrategias, como por ejemplo el cuestionamiento socrático, scaffolding o la provocación de fricción, se codifican como módulos reutilizables que el educador selecciona y configura sin necesidad de programar. Tercero, disponer de una memoria visible y depurable: el historial, las decisiones de los agentes y los itinerarios se guardan en formatos legibles por humanos, no en cajas negras, de modo que cualquiera pueda auditar qué hace la IA y por qué y explotar esos datos para aprender sobre el funcionamiento del sistema.

Ya contamos hoy en día con una base de herramientas e infraestructuras que nos permiten construir esta capa como los frameworks agénticos en producción (LangGraph, CrewAI, AutoGen), los tutores configurables (Khanmigo, el Teaching Agent de Canvas), o los estándares de interoperabilidad (xAPI, LTI, Open Badges, Verifiable Credentials). Pero aún tenemos retos a resolver que son críticos para el sistema, como son las herramientas para que el educador codifique su juicio pedagógico sin programar, y un sistema adaptativo de ralentización que, al contrario que los tutores actuales, detecte cuándo la lucha con un problema es productiva y mantenga la fricción a propósito.

Capa 2 — Física-espacial

Red distribuida de espacios, no un campus.

El espacio es un agente pedagógico y no un mero contenedor neutro. Así un aula con sillas en filas codifica transmisión mientras que un taller con mesas móviles y herramientas favorece la colaboración. Universidad Cero no necesita construir un campus, más bien permite conectar una red de espacios existentes a través de tecnología y protocolos compartidos. La referencia e inspiración es la University of the Highlands and Islands en Escocia que se conforma a través de más de 70 centros embebidos en sus comunidades, sin necesidad de edificios nuevos, demostrando que la co-localización permanente no es requisito para una experiencia de calidad.

Sin embargo esta misma universidad, UHI, aplica un modelo educativo bastante convencional pese a su red de espacios. En nuestro enfoque ambas capas, espacial y pedagógica, deberían diseñarse conjuntamente. En este sentido, son necesarios espacios tipo studio (modelo NMITE), espacios de fabricación y prototipado (fablabs como los de LabNL u Olin College), espacios deliberadamente liberados de tecnología para la lentitud y la concentración y espacios insertados en organizaciones aliadas. Lo que falta por diseñar es un protocolo de diseño espacial que traduzca principios pedagógicos en requisitos concretos, y un modelo de red territorial que defina cómo se conectan los nodos sin homogeneizarlos.

Capa 3 — Metodológica-pedagógica

El núcleo: repertorio pedagógico, journeys, tecnologías lentas, facilitación.

Esta es la capa que hace que Universidad Cero sea algo más que “educación con IA”. Sin ella tendríamos tecnología potente aplicada a una pedagogía convencional que es lo que producen muchos de los proyectos de “innovación educativa” actuales.

No proponemos un método único, sino un repertorio organizado en torno a principios compartidos que emergen del patrón común de los modelos investigados: problemas o retos primero y disciplinas después (London Interdisciplinary School); experiencias situadas y reales, no simulaciones (Mondragon Team Academy, NMITE); alternancia deliberada de velocidades (con secuencias sin IA y con IA usada de diferentes modos); facilitación no directiva; documentación como práctica integrada; evaluación continua y auténtica; y reflexión explícita sobre el propio aprendizaje. El repertorio de frameworks ya existe (aprendizaje basado en retos del modelo Tec21 del Tecnológico de Monterrey, aprendizaje basado en problemas de la Universidad de Aalborg, las “dificultades deseables” de Bjork, el “fracaso productivo” de Kapur), pero necesitamos integrarlos con la IA como co-participante y diseñar una metodología para componer ritmos, no solo actividades. Hoy el diseño instruccional se enfoca en las actividades, pero debe ampliar su enfoque para incorporar el diseño de la secuencia rápido-lento de forma deliberada.

Capa 4 — Datos y evaluación

Documentación, evidencia de aprendizaje, y analítica de datos.

Partimos de una premisa que consideramos fundamental: la documentación no es solo evaluación ni archivo; es una práctica de aprendizaje. Cuando alguien documenta su proceso, o sea aspectos como las decisiones que toma, los errores que comete o los cambios de rumbo, está haciendo metacognición, que es una base esencial del aprendizaje profundo. Esta capa no es donde se “mide” lo aprendido en las otras; es donde el aprendizaje se hace visible, compartible y acumulable.

El instrumento central es el cuaderno de laboratorio, con su formato de “receta” a tres niveles (presentación, receta rápida para replicar, receta lenta con todo el proceso) tomado de los laboratorios de innovación ciudadana. La evaluación se alimenta de las evidencias generadas por y en el proceso (versiones, conversaciones con agentes, feedback de pares) no de pruebas o exámenes puntuales. Las analíticas sirven para mejorar el proceso de aprendizaje, no para vigilar y, de forma coherente, el aprendedor debe tener acceso completo a sus propios datos. Existen estándares (xAPI, Open Badges, Verifiable Credentials) y herramientas de portfolio (Mahara, PebblePad), pero falta el “sistema nervioso” que conecte cuadernos, portfolios, trazas de IA y competencias en un todo coherente, y un framework fiable para evaluar meta-competencias como el pensamiento crítico o la integridad epistémica.

Capa 5 — Gobernanza y equipos

Roles reimaginados, protocolos de decisión, organización humana.

Aquí la distancia con la universidad convencional es más radical. En lugar de departamentos, comisiones y convenios que codifican roles pensados para las condiciones de hace décadas, Universidad Cero podría operar con equipos pequeños aumentados por IA, en red, con participación flexible. No pensamos la gobernanza como un modelo único sino como un espectro: la “escalera de co-gobernanza” de los laboratorios ciudadanos va de la implicación de los diferentes stakeholders en la ejecución de un proyecto al co-liderazgo, y distintas experiencias pueden situarse en peldaños distintos. Este enfoque está inspirado en la lógica de Ostrom sobre los commons (las reglas se deciden y articulan localmente sobre un marco mínimo compartido) y en el modelo federado de UHI en tres capas: autonomía local, coordinación central ligera y custodia comunitaria de la misión.

Por otra parte, el “profesor orquesta” se descompone en roles especializados: el diseñador de experiencias (concibe los journeys y orquesta los enjambres de agentes), el facilitador-mediador (acompaña, cuida los procesos, traduce entre mundos), el mentor de trayectoria (acompaña en el tiempo largo) y el curador de conocimiento (mantiene el commons de skills y recursos). Junto a ellos, agentes de IA con roles institucionales definidos (tutor, evaluador, documentador) bajo normas específicas. Lo que falta es un marco de gobernanza mínimo, protocolos humano-IA (quién decide cuándo un agente escala a una persona, quién responde de sus errores) y un modelo de desarrollo profesional para roles que la carrera docente actual no contempla (a menudo provocando incertidumbre y precariedad).

Capa 6 — Comunidad y mediación

Pertenencia, participación, cuidados, mediación.

Aquí se sitúa posiblemente lo más relevante en la transformación efectiva y lo más difícil de hacer realidad. Las otras cinco capas proporcionan las condiciones; pero el aprendizaje profundo es, en última instancia, un acto social que ocurre entre personas que confían lo suficiente como para exponerse y equivocarse juntas. Sin comunidad, las demás capas pueden convertirse en una infraestructura vacía. Y la existencia de una comunidad real no se puede decretar, solo se pueden diseñar las condiciones para que emerja y se sostenga.

El modelo cambia la matriculación rígida por una pertenencia flexible dado que la persona pertenece a la comunidad pero entra y sale de experiencias de aprendizaje concretas. Toda experiencia debe verificar tres condiciones simultáneas e innegociables —abierta, experimental y de cuidados— porque la apertura sin cuidados excluye, el cuidado sin experimentación es paternalismo y la experimentación sin apertura crea clubes de privilegiados. Para lograrlo es esencial incorporar la mediación y entenderla como una infraestructura profesional, no solo como una actitud ni mucho menos como una tarea añadida. Por tanto el mediador es un rol que crea condiciones de cuidado, conecta personas y traduce conocimientos entre culturas epistémicas. Aquí la IA exige el diseño más delicado: puede asistir al mediador con datos, conectar personas, documentar procesos; pero no puede mediar. Automatizar el cuidado sería perder exactamente lo que lo hace valioso.

Las capas como sistema

Algo esencial de este enfoque es lo que pasa entre las capas. Ninguna funciona de manera aislada y, de hecho, en las interdependencias es donde vive el diseño. Identificamos cuatro especialmente críticas: las skills pedagógicas que solo funcionan si la tecnología respeta las fases lentas (C1 × C3); la documentación que es a la vez práctica de aprendizaje y fuente de datos (C3 × C4); las condiciones de cuidado que se verifican igual en el espacio que en la comunidad (C2 × C6); y la gobernanza, que no es una intersección más sino algo transversal a todas las demás (C5 × todo).

Por eso el diseño de la infraestructura mínima no puede ser secuencial (primero la tecnología, luego la pedagogía, luego el espacio) y debe entenderse como un proceso iterativo y sistémico. El reto consiste en encontrar configuraciones coherentes donde las seis capas se refuercen en lugar de contradecirse. Y esa misma cualidad es la que explica los tres journeys de la serie anterior: una infraestructura suficientemente plástica para adaptarse a una facultad, una consultora y un territorio, y suficientemente robusta para seguir siendo reconocible en los tres.

Por qué “mínima”

Una última precisión sobre el adjetivo. “Mínima” no significa pequeña ni de bajo coste (aunque evidentemente también tiene impactos positivos en ese aspecto). Significa que solo incluye lo que es estructuralmente necesario para que el aprendizaje ocurra, y nada de lo que la inercia institucional ha acumulado con estratos adicionales que solo aportan fricción improductiva y burocracia. Por tanto no se trata de pensar en una universidad “recortada” sino en el conjunto más pequeño de capas que, funcionando juntas, sostienen un sistema de aprendizaje completo. Lo mínimo necesario, no lo máximo posible.

En el próximo post profundizaremos yendo de las capas a la implementación. Qué elementos debemos construir primero, en qué orden, con qué recursos, y cómo se “instala” esta infraestructura en una organización que ya existe sin pedirle que se reinvente de forma repentina.

Cierro aquí la serie de ficciones de diseño que muestra cómo puede funcionar Universidad Cero en contextos muy diferentes. En las tres entregas anteriores seguimos a Lucía en una facultad de ingeniería, a Amara en una consultora tecnológica y a Pedro y Carmen en un territorio rural. Son tres journeys y tres mundos que aparentemente no se parecen en nada pero que cuando los analizamos conjuntamente nos permiten identificar una serie de factores comunes que configuran el núcleo del modelo y dónde están los elementos variables.

Suscríbete ahora

Lo que se repite

Se repite, en los tres, la alternancia deliberada de velocidades. Lucía la descubre con la microrred; Amara la sufre en la semana lenta y la agradece en la semana rápida; Pedro y Carmen la viven naturalmente porque el campo no se puede acelerar. La alternancia es la condición para que se produzca aprendizaje profundo con un rol para la IA pero evitando que derive en el simple consumo rápido de información y pereza metacognitiva.

Se repiten los problemas reales con apuestas reales. El polígono industrial existe, la consultora tecnológica está vendiendo el servicio que Amara diseñó, el almanaque está en marcha. Ninguno de los tres journeys trabaja con ejercicios simulados. Esto transforma la motivación y, sobre todo, la calidad del feedback: el ayuntamiento, el cliente, la cooperativa son evaluadores más exigentes que cualquier examen y que cualquier ejercicio puramente académico.

Se repite la documentación como práctica de aprendizaje. En todos los casos se utilizan y aplican cuadernos de laboratorio, recetas a tres niveles y archivos acumulados. Lo que cambia es la naturaleza del archivo: portfolio individual en la facultad, commons organizativo en la consultora, archivo de conocimiento experto en el territorio rural. La práctica es la misma pero el conocimiento compartido que se produce es distinto.

Se repite la comunidad que emerge del hacer y en ningún caso existía previamente. Las tres se forman a través de la experiencia compartida de crear juntos. Lucía con su cohorte, Amara con su equipo transversal, Pedro y Carmen con un grupo que va más allá de lo previsto.

Se repiten los roles humanos irreductibles que la IA no sustituye en ningún escenario. Facilitación, mediación, mentoría, cuidados combinados en proporciones variables en cada contexto (más mediación en el territorio rural, más diseño de experiencias en la consultora) pero la presencia humana insustituible es constante.

Lo que cambia

Lo que cambia es todo lo demás: el perfil de los aprendedores (jóvenes en formación inicial, profesionales en activo, comunidad diversa), la duración de las experiencias, los espacios, la forma de evaluar, el tipo de credencial (formal en construcción, interna, sin credencial formal), el tamaño del equipo profesional, el modelo de gobernanza, el papel de la IA (equilibrio entre tutor y facilitador en la facultad, embebida en herramientas de trabajo en la consultora, compensación de escasez de equipo humano en el territorio rural) y el reto principal de sostenibilidad (legitimidad, integración con el negocio, financiación).

La infraestructura de Universidad Cero funciona como un boundary object, suficientemente plástico para adaptarse a contextos radicalmente distintos y suficientemente robusto para mantener una identidad reconocible.

Una nota sobre las ficciones de diseño

Estas historias son ficción y ni Lucía ni Amara ni Pedro y Carmen existen. Las facultades, las consultoras y los territorios rurales que aparecen en estos relatos son composiciones plausibles de realidades que sí existen. Estos tres journeys integran dinámicas reales documentadas en los modelos sobre los que se construye el proyecto (como son NMITE, UHI, Tec21, Mondragon Team Academy, Medialab, LabNL ….), la investigación sobre tecnologías lentas (Manu Kapur y el laboratorio Bjork), y la lógica de los commons educativos.

Las ficciones de diseño son una herramienta que se usa hace décadas en investigación en diseño y en arquitectura: relatos verosímiles que permiten visualizar cómo se comporta un sistema antes de construirlo, identificar tensiones que solo aparecen cuando uno se imagina dentro, y comunicar una propuesta a personas que no podrían leer o no se sentirían interesadas por una especificación técnica. Estas ficciones nos permiten además revelar tensiones que cualquier diseño serio tendrá que abordar.

La invitación

Lo que estos journeys quieren provocar es una pregunta concreta en quien los lee: ¿reconoces a Lucía, a Amara, a Pedro o a Carmen en alguna parte de tu propio contexto? Si la respuesta es sí entonces esto no es una colección de historias, se trata de una invitación a experimentar y pilotar el cambio para personas que trabajan en una facultad que está pensándose a sí misma, en una organización que ha agotado su modelo de formación, en un territorio que se pregunta cómo retener saber y atraer gente.

En el próximo post pasaremos de las personas a la infraestructura: cómo se diseña, cómo se construye, qué componentes concretos deben prepararse para que un journey como los de Lucía, Amara, Pedro y Carmen sea posible. La historia hace la propuesta concreta; la infraestructura hace la propuesta viable.

Si te ha resultado interesante alguno de los tres journeys, compártelo con alguien para quien sea relevante: el equipo docente o el decano que está rediseñando un grado, la responsable de talento frustrada por el catálogo de cursos, la dinamizadora rural que sabe que su territorio tiene más conocimiento del que documenta. Si te has reconocido en alguno de los tres, escríbeme: la web sigue viva en universidadcero.org y la conversación está abierta.

Pedro y Carmen: el algoritmo que llevaba 45 años en una cabeza

Pedro tiene 67 años, es un agricultor jubilado con 45 años de experiencia y que en su última etapa se centró en el cultivo de almendro ecológico. Conoce el territorio como pocos: microclimas, suelos, ciclos del agua, variedades locales. Nadie le ha pedido nunca que documente ese saber. Carmen tiene 22 años, estudió diseño gráfico en la capital, volvió al pueblo hace un año y trabaja como freelance con clientes remotos. Quiere contribuir al territorio pero no sabe cómo conectar sus competencias digitales con las necesidades locales.

Suscríbete ahora

Pedro y Carmen se encuentran en la experiencia de aprendizaje Documentar el saber agrícola de la región para las generaciones que vienen, un reto propuesto por la cooperativa agraria de un territorio rural del interior peninsular (treinta mil habitantes, quince municipios, sin universidad) que ha decidido construir una red de aprendizaje territorial usando la infraestructura de Universidad Cero. Cuentan con cuatro nodos físicos (dos bibliotecas, la cooperativa, el parque tecnológico), un equipo profesional mínimo, agentes de IA configurados con conocimiento del territorio, y un principio de diseño activo: el reconocimiento del “experto de experiencia” como saber tan legítimo como el académico.

Semanas 1 y 2 — encuentro y reconocimiento mutuo. En el equipo participan ocho personas: dos agricultores jubilados (Pedro y Rosario), dos jóvenes con competencias digitales (Carmen y Jaime), una técnica del parque tecnológico, una profesora de secundaria, un emprendedor agroalimentario, y una mujer de un municipio vecino que hace queso artesanal. La primera sesión ocurre en la biblioteca-laboratorio de la cabecera territorial.

El mediador-facilitador diseña la primera actividad como un “intercambio de saberes”: cada persona cuenta qué sabe que los demás no saben. Pedro habla durante veinte minutos sobre cómo predecir la cosecha de almendra observando la floración y los vientos de febrero. Carmen, que esperaba un contexto más “digital”, se queda fascinada. Escribe en su cuaderno: Pedro tiene un algoritmo predictivo en la cabeza que ninguna IA podría replicar sin sus cuarenta y cinco años de observación. ¿Cómo se documenta algo así?

Esa pregunta, ¿cómo se documenta el conocimiento tácito?, se convierte en el problema real del equipo. No es un problema genérico de “gestión del conocimiento”. Es un problema concreto, urgente y situado: si Pedro y los agricultores de su generación no transmiten lo que saben, se pierde para siempre.

Semanas 3 a 5 — documentación en campo. El equipo desarrolla su propio método. Carmen y Jaime acompañan a Pedro y Rosario a sus fincas con cámaras, grabadoras y cuadernos. Documentan no solo lo que los agricultores dicen, también lo que hacen: los gestos, las miradas al cielo, el tacto de la tierra. Es una fase lenta por excelencia. La documentación requiere presencia, paciencia y escucha. No se puede, o no se debe, acelerar con IA.

Después, en las sesiones en la biblioteca, el equipo trabaja con agentes de IA para estructurar lo documentado. El agente organiza el conocimiento de Pedro en categorías (predicción climática, gestión de suelos, variedades locales, plagas), identifica patrones cruzando lo que dice Pedro con lo que dice Rosario, genera una primera versión de “receta rápida” a partir de la documentación extensa. Carmen diseña el formato visual del archivo. Jaime programa una versión web interactiva. La técnica del parque tecnológico sugiere cruzar las observaciones de Pedro con datos meteorológicos históricos para verificar la fiabilidad de su conocimiento empírico.

El resultado es revelador: las predicciones de cosecha de Pedro tienen una correlación del 87% con los datos de los últimos veinte años. Su “algoritmo” funciona. El conocimiento experiencial se valida con datos, y los datos se enriquecen con la interpretación experiencial. Ni uno ni otro, solos, serían tan potentes.

Semanas 6 a 8 — del archivo al prototipo. El equipo decide que documentar no es suficiente: quieren crear algo útil. Diseñan un prototipo de “almanaque agrícola territorial” entendido como una herramienta (digital y en papel, porque muchos agricultores no usan smartphone) que combina el saber experiencial de los agricultores veteranos con datos meteorológicos e indicadores de cultivo asistidos por IA. El almanaque no sustituye al agricultor: le proporciona un espejo donde su conocimiento tácito se hace explícito y se complementa con datos.

Pedro, escéptico al principio con “lo de los ordenadores”, participa activamente en la validación del prototipo. Corrige errores de la IA, añade matices que la categorización automática había perdido, descubre que su conocimiento tiene un valor que nadie le había reconocido formalmente. Carmen descubre que el diseño que aprendió en la escuela de arte cobra un sentido distinto cuando sirve para preservar el saber de su territorio. Los dos se han transformado mutuamente.

La comunidad que emerge. El equipo no se disuelve al terminar la experiencia. Pedro empieza a asistir regularmente a la biblioteca-laboratorio para seguir documentando con Carmen. Rosario propone un nuevo reto: documentar las técnicas de injerto de variedades locales antes de que se pierdan. El emprendedor agroalimentario contacta a la cooperativa para usar el almanaque como herramienta de marketing territorial. La quesera empieza a documentar su propio proceso. La comunidad sigue viva porque ha descubierto que tiene algo que hacer y que requiere de la colaboración de personas diversas unidas por un propósito.

En un año, la región tiene un commons de conocimiento que no existía: un mapa de su propio saber, documentado, validado y accesible. Esto no existía antes. No porque faltara conocimiento, sino porque faltaba la infraestructura para hacerlo visible.

También aquí las tensiones son reales y conviene identificarlas: la sostenibilidad económica de un equipo mínimo y unos espacios mínimos (¿fondos europeos de desarrollo rural, financiación municipal, aportaciones de la cooperativa, cuotas simbólicas?); la brecha digital no se resuelve con buena voluntad; y el reconocimiento del aprendizaje que en este escenario no se mide en credenciales individuales sino en impacto territorial, lo cual es coherente con la filosofía del modelo pero complica la comunicación con financiadores que piensan en términos de “alumnos formados”.

En la última entrega sintetizamos las tres historias conjuntamente: qué comparten tres mundos que no se parecen en nada, y a quién va dirigida esta invitación. Si trabajas en desarrollo territorial y esto te resuena, escríbeme La web sigue viva en universidadcero.org y la conversación está abierta.

En marzo escribí aquí un ensayo, Tecnologías lentas para pensar con IA, donde planteaba la hipótesis de que la velocidad de las tecnologías que usamos para aprender afecta directamente al tipo de capacidades cognitivas que desarrollamos, y que para usar bien una tecnología que “piensa rápido” necesitamos haber aprendido antes a “pensar despacio”. Lo dejé planteado como lo que era: una especulación informada, un experimento mental que pedía datos y diseño.

Gracias a Joaquín Rodríguez (Institute for the Future of Education Europe, Tecnológico de Monterrey) hemos podido convertir esa intuición en una propuesta sólida que hemos materializado en un artículo académico que revisa la evidencia disponible y, sobre todo, propone un modelo operativo para llevar la idea a contextos educativos reales. El artículo Slow First, Smart Later: Building the Cognitive Architecture for AI Integration Across Generations está disponible como pre-print en el repositorio SSRN. El proceso de revisión por pares y publicación llevará un tiempo pero el problema que abordamos está explotando ahora: muchas instituciones y muchos docentes están reflexionando y decidiendo en estos momentos cómo integrar la IA. En este post presento un resumen del artículo que se puede consultar en su versión completa aquí.

Suscríbete ahora

1. La paradoja, ahora con evidencias

El punto de partida es una paradoja estructural: las herramientas de IA que más rápidamente se están integrando en el aprendizaje erosionan precisamente las capacidades que se necesitan para poder usarlas con profundidad, como son la atención sostenida, la memoria de trabajo, la autorregulación metacognitiva y la indagación crítica.

En el ensayo de marzo esto era una hipótesis. En el artículo la respaldamos con evidencias empíricas con resultados convergentes y que conviene conocer:

• Gerlich (2025), con 666 participantes, encuentra una correlación fuerte entre el uso frecuente de IA y la descarga cognitiva, que significa delegar en algoritmos externos procesos mentales que exigirían esfuerzo (r = +0.72), y una correlación negativa entre uso de IA y desempeño en pensamiento crítico (r = −0,68).

• Fan et al. (2024) describen lo que denominan “pereza metacognitiva”: los estudiantes con acceso a IA generativa planifican, monitorizan y se autoevalúan significativamente menos que quienes trabajan con tutores humanos o andamiajes estructurados.

• Stadler, Bannert y Sailer (2024) confirman que la IA reduce el esfuerzo percibido y compromete la profundidad de los procesos epistémicos.

No son anomalías aisladas, sino un patrón con una clara implicación: un sistema que introduce la IA antes de que esas capacidades se hayan consolidado mínimamente no solo no las desarrolla sino que reduce activamente la probabilidad de que lleguen a desarrollarse.

2. Por qué la generación cambia el problema

Como ya planteaba en el post en marzo, cada generación recorre una secuencia distinta de entornos tecnológicos, lo que denominamos su journey vital, y eso marca su relación de base con el esfuerzo, la lentitud y la fricción productiva. La Generación Z creció en un entorno plenamente digital pero sin IA durante la infancia: tuvo, sin pretenderlo, un intervalo de relativa lentitud tecnológica. La Generación Alfa crece con la IA como rasgo constitutivo desde el primer momento: no hay transición, no hay intervalo lento.

De esta constatación emerge la propuesta de que el diseño de aprendizaje no puede ser generacionalmente neutro, y el artículo la desarrolla en detalle. Para la Gen Z las fases lentas funcionan como una intervención correctiva. Para la Gen Alfa son la arquitectura cognitiva primaria que su biografía no les ha proporcionado, y por eso deben ser más extensas y contar con un andamiaje más robusto.

2. Por qué la generación cambia el problema

Como ya planteaba en el post en marzo, cada generación recorre una secuencia distinta de entornos tecnológicos, lo que denominamos su journey vital, y eso marca su relación de base con el esfuerzo, la lentitud y la fricción productiva. La Generación Z creció en un entorno plenamente digital pero sin IA durante la infancia: tuvo, sin pretenderlo, un intervalo de relativa lentitud tecnológica. La Generación Alfa crece con la IA como rasgo constitutivo desde el primer momento: no hay transición, no hay intervalo lento.

De esta constatación emerge la propuesta de que el diseño de aprendizaje no puede ser generacionalmente neutro, y el artículo la desarrolla en detalle. Para la Gen Z las fases lentas funcionan como una intervención correctiva. Para la Gen Alfa son la arquitectura cognitiva primaria que su biografía no les ha proporcionado, y por eso deben ser más extensas y contar con un andamiaje más robusto.

3. El modelo: tres itinerarios

La aportación principal del artículo es proponer el diseño de tres itinerarios de aprendizaje transversales, secuenciados a lo largo de tres cuatrimestres o semestres, en los que cada fase construye los cimientos cognitivos que exige la siguiente. Cada actividad está mapeada respecto a la taxonomía de Bloom revisada, al pensamiento crítico del consenso de expertos y a rutinas de pensamiento contrastadas, con su modelo de evaluación correspondiente.

• Itinerario 1 — El cuatrimestre lento (sin IA). Lectura lenta de fuentes en papel, práctica de recuperación espaciada, técnica Feynman, indagación sin atajos y un diario metacognitivo semanal, todo manuscrito. Construye atención, memoria, indagación autónoma y metacognición inicial. Es el nivel Understand del marco de competencias de IA de la UNESCO.

• Itinerario 2 — El cuatrimestre híbrido (IA supervisada). Aquí entra la IA, pero bajo el protocolo “Human First, AI Review”: el estudiante completa y registra su análisis antes de consultar a la IA, que funciona como espejo crítico y no como sustituto. Debate con la IA como facilitadora neutral y evaluación estructurada de outputs de IA. Es el nivel Apply.

• Itinerario 3 — El cuatrimestre integrado (IA integrada). Un proyecto creativo con la IA como colaboradora documentada: cada interacción humano-IA se registra como un artefacto epistémico auditable. Portafolio longitudinal y autoevaluación socrática asistida por IA. Es el nivel Create.

El hilo conductor es que el uso autónomo, crítico y profundo de la IA no es el punto de partida, sino un logro que requiere haber cultivado antes las capacidades que el uso no estructurado de la IA erosiona.

4. Qué lo sostiene

El diseño no se apoya solo en la ciencia cognitiva del aprendizaje que exige esfuerzo (Brown et al., 2014) que incorpora lla práctica de recuperación o las ventajas de la escritura a mano. También se alinea, de forma deliberada, con el consenso internacional de política educativa: el AI Competency Framework for Students de la UNESCO (cuyos niveles Understand → Apply → Create mapean uno a uno con los tres itinerarios), los principios de IA de la OCDE (transparencia y rendición de cuentas) y la guía del Departamento de Educación de EE. UU. sobre el “humano en el bucle”. Cultivar las capacidades metacognitivas y evaluativas necesarias para interrogar a la IA es la condición para que esa supervisión humana sea real y no una formalidad.

5. Una hipótesis que debe ser validada

El artículo presenta una hipótesis pedagógica formalizada, no una verdad demostrada. Los itinerarios son un artefacto de diseño derivado teóricamente; la evidencia que citamos respalda sus componentes por separado, pero no se ha validado todavía la secuencia completa, longitudinal y diferenciada por generación. El propio artículo dedica un apartado a sus límites (la heterogeneidad dentro de cada generación, la necesidad de diagnósticos individuales o la transferibilidad entre disciplinas) y a la agenda de investigación que haría falta para ponerla a prueba. Entendemos que es un buen punto de partida para experimentar y creemos que es urgente dado que las generaciones para las que esto importa ya están en las aulas de secundaria y universitarias.

6. Cómo conecta con Universidad Cero

Para quienes seguís Universidad Cero: este artículo no es un capítulo de esa serie, pero sí una de las contribuciones de investigación que la alimentan. Concretamente, da cuerpo y rigor a su capa metodológico-pedagógica —las “tecnologías lentas”—. Pensar una “universidad desde cero” en la era de la IA exige, entre otras cosas, resolver esta pregunta: qué capacidades hay que construir, y en qué orden, para que la IA potencie el aprendizaje en lugar de vaciarlo.

Para leer el artículo completo (en inglés): Rodríguez-López, J. & Freire, J. (2026). Slow First, Smart Later: Building the Cognitive Architecture for AI Integration Across Generations. SSRN: https://ssrn.com/abstract=6771578

Esta es la segunda parte de los cuatro posts sobre cómo se vive Universidad Cero por dentro. En la primera acompañamos a Lucía en una facultad de ingeniería. Estas historias son ficciones de diseño, relatos plausibles pero no casos reales, construidas para pensar cómo funcionaría el modelo. Aquí abordamos el caso de Amara y el aprendizaje integrado en el trabajo.

Amara: el servicio que la empresa aún no tenía

Amara tiene 34 años, lleva seis en la empresa como consultora de estrategia digital, y siente que su trabajo se ha vuelto repetitivo. Es buena en lo que hace (fundamentalmente diagnósticos de madurez digital y roadmaps de transformación) pero nota que la IA está cambiando muy rápidamente las reglas del juego. Los clientes ya no necesitan consultores que les digan qué tecnologías adoptar; necesitan personas que les ayuden a reimaginar cómo trabajan. Amara quiere desarrollar esa capacidad. Los cursos de formación que le ofrece la empresa le parecen inútiles, y no es la única que piensa así.

Suscríbete ahora

La empresa, una consultora de transformación digital, cuenta con dos mil empleados y cuatro oficinas europeas. Para dar respuesta a el nuevo escenario al que tienen que enfrentarse ha sustituido el catálogo de cursos por un sistema operativo de aprendizaje integrado en los procesos de trabajo. Los agentes de IA viven embebidos en Slack, Notion, GitHub y Figma, no en una “plataforma de formación” separada. Las experiencias intensivas duran dos a cuatro semanas y trabajan retos internos reales que la organización necesita resolver.

El momento de entrada. La jefa de área le propone participar en una experiencia intensiva de tres semanas: Diseñar el servicio de acompañamiento estratégico con IA que la empresa aún no tiene. El reto es real: la empresa quiere crear un nuevo servicio y no tiene claro cómo. No es una formación disfrazada de proyecto; es un proyecto real que se diseña también como experiencia de aprendizaje.

Semana 1 — inmersión lenta. Se integran en un equipo de cinco personas: un desarrollador senior de Barcelona, una diseñadora UX de Berlín, un consultor junior de Madrid, una data scientist de Lisboa, y Amara. La primera semana es deliberadamente lenta y no se utiliza IA ni se abordan tareas de producción. Entrevistan a clientes actuales, analizan competidores con lectura profunda (no resúmenes generados por IA), debaten presencialmente durante la inmersión trimestral.

La frustración aparece al tercer día. El desarrollador quiere empezar a programar un prototipo, la diseñadora quiere hacer un mapa de experiencia. El facilitador (un director de área formado en facilitación, no un externo) les recuerda: “Aún no sabéis qué construir. Si prototipáis ahora, vais a prototipar lo que ya sabéis, no lo que necesitáis descubrir”. La tensión es real, pero el equipo acepta las reglas de juego. Amara, que cinco años antes habría dado la razón al desarrollador, ahora reconoce el patrón.

Semana 2 — aceleración con IA. El cambio de ritmo es notable. Exploran escenarios de servicio (el agente genera veinte variantes de modelo de negocio en una hora), simulan conversaciones con clientes ficticios (un agente que actúa como CFO escéptico, otro como CTO entusiasta), producen prototipos en Figma con asistencia de IA. Lo que Amara nota es lo mismo que descubrió Lucía en su microrred: la semana lenta ha cambiado la calidad de lo que producen con IA. No están generando contenido genérico; están iterando sobre ideas que son genuinamente suyas, nacidas de la comprensión profunda del problema. Las preguntas que le hacen al agente no son ¿cómo se diseña un servicio de consultoría? sino dado que los clientes del sector farmacéutico tienen esta tensión específica entre compliance y velocidad, ¿qué configuración de servicio maximiza ambas?

Semana 3 — prototipo, documentación y pitch. El equipo desarrolla un prototipo funcional, lo testea con dos clientes reales (la empresa facilita el acceso) y documenta todo. La receta lenta incluye las discusiones del equipo, los errores descartados, las razones detrás de cada decisión. La receta rápida es un playbook de cinco páginas que cualquier consultor de la empresa podría usar para ofrecer una versión inicial del servicio.

La presentación al comité de dirección no es un ejercicio académico: es un pitch interno. El comité aprueba un piloto con tres clientes y el equipo de Amara lidera la ejecución. Aprender y trabajar se han fusionado.

El modo continuo. Después de la fase intensiva, Amara vuelve a su trabajo habitual pero algo ha cambiado. Su cuaderno de laboratorio no se cierra y sigue documentando reflexiones sobre sus proyectos de cliente, pero ahora con la disciplina que aprendió. El agente de reflexión le propone una vez por semana: “En el proyecto con [Cliente X], ¿qué decisiones has tomado que no habrías tomado hace un mes?”. Amara escribe doscientas palabras. Es una tecnología lenta mínima que le ocupa cinco minutos a la semana y que acumula una evidencia riquísima de desarrollo profesional.

El agente de matching la conecta con Sara, la científica de datos del equipo intensivo, que está trabajando en un proyecto de cliente con retos similares al servicio que diseñaron juntas. Se ayudan mutuamente. La comunidad de práctica se mantiene viva no por obligación sino por utilidad mutua.

Seis meses después. El portafolio de Amara refleja una transformación visible: ha pasado de consultora que diagnostica a consultora que diseña nuevos servicios con IA. La evidencia no viene de un certificado, sino de un servicio real que la empresa está comercializando, documentado con la receta completa de cómo se creó. Su jefa de área usa esa evidencia para proponer una promoción. El sistema de competencias de la empresa registra un avance en “diseño de servicios”, “facilitación de innovación” y “uso estratégico de IA” basado en evidencias del portafolio y no en opiniones subjetivas.

Las tensiones de este escenario también deben ponerse sobre la mesa: ¿cómo justifica una empresa que cinco personas paren sus proyectos de cliente durante tres semanas?, ¿con qué métricas se demuestra que esto es más rentable que el modelo convencional de formación?, ¿qué pasa cuando un conflicto de equipo se enquista y no hay un mediador profesional dedicado, solo líderes formados en facilitación? Son las preguntas que cualquier responsable de talento se hace al leer este journey, y son las que el diseño tiene que resolver caso por caso.

En la próxima entrega: Pedro y Carmen, un agricultor jubilado de 67 años y una diseñadora de 22, en un territorio rural. Si tu organización ha agotado su modelo de formación y esto te resuena, escríbeme. La web sigue viva en universidadcero.org y la conversación está abierta.

Empiezo aquí una serie de cuatro entregas. En el post anterior describí Universidad Cero como un sistema operativo educativo: una capa fina de funciones reutilizables (orquestación humano-IA, gestión de trayectorias, repertorio de skills pedagógicas, datos como bien común, gobernanza federada) que puede “instalarse” sobre organizaciones muy distintas. Es una imagen útil pero también abstracta.

Por eso, en esta serie, traducimos ese enfoque a tres escenarios centrados en los procesos de aprendizaje, que muestran cómo operan esas funciones para generar un entorno de aprendizaje efectivo. Si queremos entender qué propone Universidad Cero, la pregunta que mejor lo revela no es «qué es» sino «cómo se vive».

Lo que sigue son tres relatos de personas concretas aprendiendo en tres instalaciones distintas del mismo sistema operativo. No son predicciones ni planes piloto ya en marcha. Son ficciones de diseño: relatos plausibles, anclados en lo que ya sabemos hacer y en las tensiones que el modelo tiene que resolver, construidos como herramienta para pensar.

Lucía estudia primero de ingeniería en una facultad pública española que ha decidido pilotar el modelo. Amara lleva seis años como consultora estratégica en una tecnológica europea que ha sustituido su catálogo de formación por un sistema integrado con el trabajo. Pedro y Carmen no se conocían: él es agricultor jubilado de 67 años, ella diseñadora de 22 de regreso en su pueblo. Los dos se encuentran en una experiencia de aprendizaje territorial. Los tres journeys ocurren a la vez, en mundos distintos, sobre la misma infraestructura.

Los personajes son ficticios pero las tensiones que atraviesan y las experiencias que viven pueden ser reales. Dedico una entrega a cada escenario y comienzo por Lucía, en una facultad de ingeniería.

Suscríbete ahora

Lucía: aprendiendo ingeniería a través de proyectos en equipo

Lucía tiene 18 años y ha llegado a la Facultad de Ingeniería porque le interesan las energías renovables, aunque aún no sabe qué quiere hacer profesionalmente. Su facultad pública, de tamaño medio, cuarenta años de historia, matrícula descendiendo desde hace cinco, ha decidido abrir una “zona de experimentación” en paralelo al sistema convencional. Setenta y cinco estudiantes de primer año organizados en tres grupos de veinticinco, ocho profesionales con roles especializados (más agentes de IA) y un año académico completo. Si funciona, se extiende. Si no funciona, se ha aprendido por qué.

Lucía ha elegido la cohorte piloto porque le pareció más interesante que el plan convencional y le produce algo de vértigo que no haya asignaturas ni exámenes.

Semana 1. Empieza con un “reto relámpago” de cuarenta y ocho horas. Equipos formados al azar abordando un problema real de la ciudad: optimizar la logística de recogida de residuos en un barrio. El reto está deliberadamente sobredimensionado: no se puede completar en cuarenta y ocho horas. Lo importante no es resolverlo, sino la experiencia de no terminar, documentar lo aprendido y lo que falta. Es su primer encuentro con la lógica de la lentitud productiva, aunque ella todavía no lo llama así.

En su equipo está Marcos. Trabajó tres años antes de matricularse en logística. Lo que sabe Marcos por experiencia es más útil para el reto que lo que cualquier ingeniero de primero podría aportar como teoría. Lucía toma nota: el conocimiento no se distribuye como lo prometía el plan de estudios.

Semanas 2 a 6 — la microrred del polígono. El ayuntamiento ha planteado un reto real: diseñar un modelo viable de microrred energética para un polígono industrial que quiere reducir su dependencia de la red. Lucía está en un equipo de cinco. El reto cruza electrotecnia, economía, regulación, diseño y comunicación. No hay asignatura que lo enseñe; hay un problema que lo exige y encauza el proceso de aprendizaje.

La primera semana es una fase lenta. El equipo visita el polígono, habla con responsables de empresas, investiga sin usar IA. Lucía escribe en su cuaderno de laboratorio lo que observa, lo que no entiende, las preguntas que le surgen. Le frustra no poder buscar la respuesta inmediatamente. El facilitador le explica que la frustración es parte del diseño: necesita construir su propia comprensión del problema antes de que la IA la ayude a resolverlo.

La segunda semana cambia de ritmo y ahora sí utilizan agentes de IA. El tutor-IA les ayuda a modelar configuraciones de microrred, simular costes y generar variantes. Lucía descubre que usar la IA después de una semana entendiendo el problema es radicalmente distinto de usarla desde el principio: sus preguntas son más precisas, evalúa las respuestas con criterio, detecta cuándo el agente simplifica demasiado. La semana lenta anterior ha hecho productiva esta semana rápida. Sin la primera, el resultado de la segunda habría sido un contenido genérico e irrelevante.

Las semanas tercera y cuarta alternan: prototipos digitales con IA, prototipos físicos en el taller, presentaciones a los responsables del polígono (feedback real, no simulado) y múltiples iteraciones. La documentación se vive como parte del proceso y se genera de forma continua. El documentador-IA estructura la información pero la decisión sobre qué documentar y por qué sigue siendo de Lucía y su equipo.

Las semanas quinta y sexta son de cierre. El equipo produce una “receta” a tres niveles: la presentación del concepto, una receta rápida sobre cómo replicar el modelo, y una receta lenta con todo el proceso, incluidos los callejones sin salida que es donde más se aprende. La presentación al ayuntamiento no es un acto académico: es una sesión de trabajo donde se discute si el modelo es viable. El feedback del ayuntamiento cuenta como parte de la evaluación.

Semanas 7 y 8 — reflexión y re-configuración. Entre las experiencias (fases anteriores) se intercala esta pausa. En este tiempo Lucía revisa su cuaderno con su mentora de trayectoria, una ingeniera de la comunidad con quince años de experiencia en renovables. La mentora no evalúa, acompaña. La IA identifica patrones en el portfolio: fortalezas, competencias aún no ejercitadas, posibles experiencias siguientes. Pero, la decisión y la responsabilidad sobre los siguientes pasos siempre son de Lucía.

Semanas 9 a 14 — habitar el edificio inteligente. Se conforman nuevos equipos que abordan problemas nuevos. En este caso el reto es diseñar la sensorización y automatización de un edificio público para optimizar su consumo. La alternancia se repite. Y aquí ocurre algo más interesante que cualquier examen. Lucía nota un cambio en sí misma. En la primera experiencia, le costaba no recurrir al tutor-IA inmediatamente cuando algo se ponía difícil. Ahora se sorprende eligiendo quedarse con el problema más tiempo, explorar caminos laterales, discutir con sus compañeros antes de pedirle ayuda al agente. El sistema de ralentización adaptativa, que en la primera experiencia tuvo que intervenir varias veces para mantener la fricción, ahora interviene menos. Lucía ha internalizado la lógica de la lentitud productiva. Está desarrollando una competencia que ningún curso de “pensamiento crítico” le habría dado: la capacidad de resistir la tentación de la eficiencia inmediata.

Final de año. Lucía tiene un portfolio denso con dos cuadernos de laboratorio completos, prototipos funcionales, y evidencias de competencias técnicas y transversales. Su evaluación no es una nota: es un mapa de competencias con evidencias. Los socios externos que han trabajado con ella pueden dar testimonio de lo que sabe hacer.

Lo que más valora Lucía, sin embargo, no son las competencias técnicas. Es la comunidad. Conoce a las setenta y cinco personas de la cohorte. Ha trabajado intensamente con diez. Tiene una mentora a la que puede seguir llamando. Ha presentado su trabajo a responsables municipales y empresarios que saben quién es. Tiene un cuaderno que demuestra no solo qué ha aprendido sino cómo piensa, cómo trabaja, cómo se enfrenta a lo que no sabe.

Las tensiones que abre el escenario de Lucía son reales y debemos abordarlas: ¿su portfolio equivale a un título de ingeniería?, ¿lo reconocerán los empleadores?, ¿cómo convive una zona de experimentación radical con una facultad que sigue funcionando con asignaturas y exámenes? La respuesta es que la legitimidad se construye con tiempo, evidencia y alianzas, no con voluntarismo.

En la próxima entrega (miércoles): Amara, una consultora con seis años de oficio que aprende rediseñando el trabajo real de su empresa. Si quieres seguir la serie completa, suscríbete: cada entrega recorre un mundo distinto sobre la misma infraestructura. Y si trabajas en una facultad que se está pensando a sí misma, escríbeme. La web sigue viva en universidadcero.org y la conversación está abierta.

Hablar de “sistema operativo educativo” o de “instalar” Universidad Cero en una organización va a sonar extraño en entornos institucionales y organizativos clásicos. El reflejo entendible es traducirlo a algo conocido: una plataforma, un LMS de nueva generación, una capa intermedia tipo Canvas con agentes. Y la traducción borra justamente lo que la metáfora hace: nombrar un tipo de organización donde la tecnología deja de ser un añadido al final del proceso, lo que llega “después” una vez que la estructura y la gobernanza ya están definidas para habilitar o optimizar lo que ya estaba decidido, y se convierte en parte íntima del modelo organizativo y de su gobernanza desde el principio. Esa diferencia es lo que hace posible imaginar (y hacer realidad) procesos que son inviables dentro de los paradigmas clásicos.

Con este post comenzamos a profundizar en el modelo de Universidad Cero y lo hacemos por su base más infraestructural y, por esa misma razón, más crítica para la viabilidad de todo lo demás: el concepto de sistema operativo educativo y su traducción en un diseño concreto. Qué funciones provee, cómo se “instala” en organizaciones muy distintas y qué reorganización profunda implica para una institución que decida desplegarlo. Llegamos aquí después del post de foco y del making of, con la idea de entrar al detalle e inspeccionar la metáfora central desde dentro.

Suscríbete ahora

Por qué “sistema operativo” y no “plataforma”

Universidad Cero se define en la intersección de tres conceptos que se describen mutuamente: la "universidad" como nombre provocador (la ambición), las infraestructuras mínimas como concepto de diseño (lo esencial, las seis capas) y el sistema operativo educativo como metáfora funcional (cómo funciona).

La metáfora del sistema operativo hace un trabajo conceptual concreto: separa el qué del quién y del dónde. En un ordenador, el sistema operativo no es la aplicación que el usuario ejecuta ni el contenido que produce. Tampoco es el hardware sobre el que corre. Es la capa intermedia que gestiona recursos, ofrece interfaces estables, establece protocolos de comunicación entre componentes y hace posible que aplicaciones muy distintas funcionen sobre el mismo sistema sin tener que reinventar la rueda cada vez. Su valor reside, paradójicamente, en su invisibilidad: cuando un sistema operativo está bien diseñado, casi no se nota.

Aplicar esa lógica a la educación significa algo preciso. Universidad Cero no es la experiencia de aprendizaje (esas son las “aplicaciones” que se ejecutan encima, e incluyen los contenidos curriculares que cada experiencia moviliza); no es la institución concreta donde ocurre el aprendizaje (eso es el “hardware”); y no es el rastro acumulado de portafolios, cuadernos de laboratorio, evidencias y producciones que cada aprendedor y cada experiencia generan a lo largo del tiempo (eso son los “datos del usuario”). Es la capa que hace posible que esos tres elementos se sostengan unos a otros y sean coherentes entre sí. Lo que un SO educativo provee son funciones: orquestación de agentes humanos y de IA con roles definidos, gestión de la identidad y la trayectoria de los aprendedores, repertorio reutilizable de skills pedagógicas, sistema de documentación y datos como bien común, protocolos de gobernanza y mediación de la comunidad. Y lo hace de manera que distintas experiencias de aprendizaje, en distintos contextos institucionales, puedan ejecutarse de forma eficaz sin tener que reconstruir cada vez la maquinaria que las sostiene y siguiendo estándares compartidos de vivencia y calidad.

La diferencia con una plataforma es radical. Una plataforma —sea un LMS clásico, una SaaS corporativa de learning experience o cualquier producto de “IA educativa”— incorpora en su diseño una experiencia de aprendizaje específica. Define cómo se estructura un curso, qué es una unidad, cómo se evalúa, qué interacciones son posibles. Y lo hace de un modo que casi siempre es invisible a quien la usa: la pedagogía está pre-determinada en el código, pero la institución (y los educadores que trabajan en ella) operan habitualmente creyendo que sus decisiones son autónomas cuando en realidad están condicionadas por opciones que tomó alguien que desconocía su contexto y necesidades específicas. En la práctica, los educadores terminan diseñando contra la plataforma o dentro de sus límites, casi siempre sin nombrarlo. Un sistema operativo, por contraste, no prescribe la experiencia: la habilita. Las decisiones pedagógicas (qué problema se aborda, qué ritmos se alternan, qué papel juega cada agente, qué se documenta y por qué) se toman donde tienen que tomarse, y por quienes deben tener la agencia, en el diseño de cada experiencia concreta, no en las opciones de configuración del proveedor.

Existe otra diferencia más sutil pero más importante. Las plataformas educativas tienden a centralizar el valor en la propia plataforma: cuanto más usas un LMS, más datos genera, más complicado es migrar, más dependes del proveedor. La inteligencia se acumula en el centro y se aprovecha desde ahí. Un sistema operativo educativo invierte esa lógica: el valor reside en lo que ocurre encima (las experiencias, las comunidades, las recetas documentadas, las skills refinadas con la práctica) y la infraestructura es deliberadamente fina, modular e interoperable. Su éxito se mide por lo bien que sostiene aquello que la rebasa, no por cuánto retiene a sus usuarios.

Las funciones que provee

¿Qué hace, en concreto, un sistema operativo educativo? Si se analiza capa a capa, lo que aparece es un conjunto de funciones que hoy, si existen, están dispersas o mal integradas, y que en la mayoría de instituciones están directamente ausentes.

Orquestación de un equipo humano-agente con roles definidos. El SO mantiene un modelo coherente de quién es quién y quién hace qué: un conjunto de funciones humanas (diseño de experiencias, facilitación y mediación, mentoría profesional, curación de conocimiento, investigación-documentación) que cada institución puede distribuir con flexibilidad entre perfiles más o menos especializados según su contexto, su madurez y su tamaño, y un conjunto de roles institucionales para los agentes de IA (tutor, facilitador, documentador, evaluador) operando bajo normas explícitas. No son “asistentes” genéricos: son actores con políticas de actuación, criterios de escalado y auditoría cruzada. Esa orquestación es algo que las plataformas no resuelven y que las instituciones compensan con coordinación informal entre personas, una solución que añade carga de trabajo, escala mal y se rompe cuando alguien cambia de rol.

Gestión de identidad y trayectorias. En lugar de la matriculación rígida (”estás dentro” o “estás fuera”), el SO sostiene una pertenencia comunitaria persistente y una participación flexible: el aprendedor entra y sale de experiencias concretas según sus intereses, necesidades y circunstancias, sin perder su identidad ni su historial. Esto requiere infraestructura específica: credenciales verificables (estándares como Open Badges 3.0, Comprehensive Learner Record 2.0 y W3C Verifiable Credentials), portafolios acumulativos y procesos de match-making entre personas y experiencias. Es la “gestión de procesos y memoria” del SO: lo que permite que cada persona tenga una trayectoria coherente sin que la institución la encierre en un programa.

Repertorio de skills pedagógicas como librería del sistema. Los métodos pedagógicos —cuestionamiento socrático, scaffolding adaptativo, alternancia deliberada de velocidades, fricción productiva, entre otros— se codifican como skills reutilizables que humanos y agentes pueden invocar en distintos contextos. Es el equivalente al kernel + librerías estándar de un SO: las primitivas pedagógicas no se reinventan en cada experiencia, sino que se acumulan, se versionan y se mejoran con el uso. La productive failure de Manu Kapur o las desirable difficulties del laboratorio Bjork dejan de ser papers leídos y olvidados para convertirse en módulos invocables que un diseñador de experiencias usa como bloque de construcción.

Datos y documentación como commons. El SO mantiene la capa donde ocurre la práctica más distintiva del modelo: la documentación como aprendizaje. Cuadernos de laboratorio digitales con tres niveles de receta (contexto, receta rápida, receta lenta), portafolios de proceso, trazas de interacción humano-IA, analíticas que sirven al diseño y al acompañamiento, no a la vigilancia. La capa de datos no es un data lake corporativo del que se extraen insights para la dirección. Es un bien común gobernado por reglas explícitas, auditable, que está en primer lugar al servicio del trabajo educativo de quienes diseñan y acompañan, y de los aprendedores que necesitan entender su proceso y orientar sus decisiones. En segundo lugar, al servicio de la institución para ganar eficacia y optimizar los procesos de soporte. Nunca al revés.

Protocolos de gobernanza y mediación. Las decisiones estratégicas en una organización de este tipo —qué experiencias se ofrecen, qué skills entran en la librería, cómo se resuelve un conflicto, quién supervisa a los agentes de IA cuando se equivocan— no son un anexo administrativo: son parte del kernel. Universidad Cero hereda de la investigación sobre laboratorios ciudadanos y del trabajo sobre gobernanza de comunes, singularizada en las contribuciones de Elinor Ostrom, la idea de gobernanza federada (autonomía local, coordinación central, custodia comunitaria) y de gobernanza artesanal (cada nodo construye sus propias reglas dentro de un marco mínimo). El SO no contiene el reglamento: contiene los protocolos para que cada comunidad genere su propio reglamento sin perder coherencia con la red.

Estas cinco funciones forman, juntas, lo que llamamos el kernel del sistema. Por encima viven las experiencias concretas, como las que dan vida a los escenarios especulativos que hemos imaginado a modo de inspiración y que recorreremos en detalle en el próximo post: un reto de microrred energética con setenta y cinco estudiantes de ingeniería, una experiencia de tres semanas para diseñar un servicio dentro de una consultora, una documentación intergeneracional del saber agrícola de una comarca rural. Esas experiencias son las “aplicaciones” que se ejecutan sobre el SO. Si el SO está bien diseñado, las aplicaciones florecen sin tener que reinventar nada de lo de abajo.

La redistribución de funciones que hoy colapsan en una persona

La consecuencia más concreta, y quizás la más difícil de digerir para una institución existente, de desplegar este sistema operativo es que reorganiza profundamente quién hace qué. La figura del “profesor orquesta” que investiga, cura contenidos, diseña experiencias, produce materiales, imparte clase, evalúa, hace tutoría, gestiona el grupo y cuida del bienestar de los estudiantes (todo en solitario y, en su mayor parte, sostenido por su buena voluntad y saber hacer, porque buena parte de las funciones que dan vida al modelo nunca aparece en el organigrama) es un modelo agotado. No siempre lo fue. Durante décadas pudo asumirse que una sola persona desempeñaba ese conjunto de funciones con un nivel de calidad razonable, en un contexto donde la diversidad de aprendedores, de objetivos y de modalidades era menor. La digitalización primero, y la combinación de digitalización, IA y diversificación de perfiles y expectativas de los aprendedores después, han convertido al modelo en una imposibilidad práctica: nadie puede desempeñar con excelencia todas esas dimensiones a la vez en un entorno tan plural y exigente, y la mayoría de las instituciones lo saben aunque rara vez lo digan en voz alta.

Universidad Cero no resuelve esa sobrecarga añadiendo herramientas para que el profesor orquesta toque más rápido. La resuelve descomponiendo la orquesta en una sección de cámara con instrumentos especializados, y abriendo márgenes anchos de flexibilidad: en cada institución, cada profesional puede asumir uno o varios de esos instrumentos según su perfil, su contexto y el tamaño del equipo. La especialización es una posibilidad de diseño, no una obligación: lo que el SO fija son las funciones que tienen que estar cubiertas; cómo se distribuyen entre perfiles concretos forma parte de las decisiones de cada instalación.

Por el lado humano aparecen cinco funciones diferenciadas que pueden combinarse en perfiles distintos. La función de diseño de experiencias concibe los journeys, define objetivos, selecciona frameworks pedagógicos y orquesta los enjambres de agentes; es una función creativa y estratégica que combina dominio pedagógico y tecnológico. La función de facilitación-mediación acompaña a los aprendedores durante la experiencia: dinamiza equipos, provoca reflexión, cuida los procesos relacionales, traduce entre culturas epistémicas; es más heredera del mediador de los laboratorios ciudadanos que del profesor convencional. La función de mentoría profesional aporta expertise disciplinar y muestra de oficio en acción (alguien que enseña cómo se piensa y se hace desde dentro de una profesión), hace de espejo experto sobre los proyectos y puede recaer en una persona externa a la institución cuyo conocimiento proviene del trabajo real. La función de curación de conocimiento mantiene y hace evolucionar la biblioteca de skills pedagógicas, los repertorios de recursos y las recetas documentadas; es gestión del commons educativo. Y la función de investigación-documentación sistematiza el aprendizaje del propio sistema, publica recetas y alimenta la mejora continua, algo que en las universidades convencionales casi nadie hace de forma estable.

Por el lado de los agentes aparecen roles institucionales con normas explícitas. Un tutor que da feedback formativo y mantiene la fricción cuando detecta que un aprendedor está pidiendo atajos demasiado pronto. Un documentador que asiste en la captura y la estructuración de los cuadernos de laboratorio, sin tomar la decisión metacognitiva de qué documentar y por qué (eso sigue siendo responsabilidad del aprendedor). Un facilitador que prepara a los mentores humanos antes de cada sesión con datos de la persona y de la experiencia. Un evaluador que apoya la evaluación formativa a escala, pero sin autoridad para emitir credenciales por sí mismo.

Lo que hace el SO no es contratar a estas figuras ni programarlas: es hacer posible que coexistan sin colisionar entre ellas. Provee las interfaces (cuándo el agente escala a un humano, qué información comparte el documentador con el facilitador, cómo el curador de conocimiento incorpora una nueva skill a la librería), los protocolos de auditoría (quién es responsable cuando un agente comete un error, cómo se revisan las decisiones algorítmicas) y la coherencia institucional. Sin esa capa, lo que aparece no es una orquesta ampliada sino un Frankenstein de herramientas y personas que empujan en direcciones distintas. Con ella, un equipo pequeño aumentado por IA puede sostener una experiencia de aprendizaje con la profundidad y los cuidados que una facultad clásica no consigue con toda su estructura.

Cómo se “instala”: tres tipos de hardware, mismo kernel

La promesa más fuerte y posiblemente más arriesgada de la metáfora es que el mismo sistema operativo educativo puede desplegarse en organizaciones muy distintas. No idéntico en cada institución, claro: “instalado” en el sentido informático significa que está configurado y adaptado al hardware concreto sin perder la lógica del kernel.

Tres “hardware” nos interesan especialmente como inspiraciones y posibles materializaciones para Universidad Cero. No los planteamos como los únicos posibles sino como los que mejor revelan las tensiones del diseño.

En una institución de educación superior —una facultad existente que se atreve a abrir una zona de experimentación, o una universidad nueva que nace con este modelo— el SO se enfrenta a la fricción más alta: convenios y regulaciones, departamentos consolidados, programas oficiales, mecanismos de acreditación y expectativas de estudiantes que vienen del modelo anterior. La instalación rara vez es sustitutiva al principio: puede (y debe) empezar por una cohorte piloto en paralelo al sistema convencional. La capa pedagógica se despliega completa; la capa de gobernanza convive con estructuras heredadas que el SO va vaciando de funciones a medida que demuestra su utilidad. El reto específico es la legitimidad de las credenciales, y se aborda con evidencia y paciencia, no con voluntarismo.

En una universidad corporativa o infraestructura de desarrollo de talento, la instalación es más ágil porque hay menos legacy regulatorio. El SO se integra dentro de los flujos de trabajo (Slack, Notion, GitHub y las herramientas que la organización ya usa) en lugar de pedir a la gente que entre en una plataforma separada que solo se usa “para formarse”. La capa de datos se conecta con los procesos reales de proyecto: el aprendizaje deja de ser una actividad paralela al trabajo y se convierte en parte de cómo la organización aprende a hacer su propio trabajo. El reto específico es la integración con el ritmo del negocio, y se resuelve diseñando experiencias que producen resultados tangibles para la organización mientras desarrollan capacidades en las personas.

En una red territorial —una comarca rural, un ecosistema de bibliotecas reimaginadas, una red de espacios cedidos por organizaciones locales—, la instalación es la que mejor revela la naturaleza distribuida del modelo. Aquí no hay un campus único: hay una red de nodos físicos embebidos en el territorio (inspirada en modelos como la University of the Highlands and Islands) coordinada por una capa digital fina. La capa de comunidad y mediación se vuelve protagonista: las experiencias se diseñan con problemas reales del territorio y los participantes incluyen tanto a quienes tienen credenciales académicas como a “expertos de experiencia” cuyo saber proviene de la vida y el oficio. El reto específico es la sostenibilidad económica fuera del esquema clásico de matrícula, y se puede abordar con modelos mixtos: financiación pública basada en su impacto territorial, contraprestaciones de empresas locales, alianzas con cooperativas y fundaciones.

Los tres contextos comparten un mismo kernel. Las cinco funciones que se describen antes operan igual y lo que cambia es la configuración (qué peso tiene cada capa, cómo se conecta con el sistema preexistente, qué interfaces abre con otros actores) y la velocidad de adopción. Esa es la promesa concreta de pensar en términos de SO en lugar de en términos de plataforma o de modelo institucional cerrado: un mismo diseño puede operar en hardware muy distinto y cada instalación enriquece el repertorio del que se nutren las siguientes.

En el próximo post recorreremos los tres escenarios desde dentro: cómo viven Lucía en la facultad, Amara en la consultora, y Pedro y Carmen en la red territorial el mismo sistema operativo ejecutado de tres formas distintas. Es la mejor manera de hacer concreta una metáfora que, mal entendida, se queda en una abstracción.

Una metáfora con consecuencias

Pensar Universidad Cero como un sistema operativo educativo no es un recurso de comunicación. Es una decisión de diseño y gestión con consecuencias prácticas que conviene poner sobre la mesa.

La primera consecuencia es que la inteligencia pedagógica vive en el SO, no en el modelo de lenguaje de IA. Los modelos de frontera (Claude, GPT, Gemini... y los que están por venir) son los “procesadores”: rápidos, potentes, intercambiables. Lo que hace educativa a la infraestructura no es el modelo, son las skills pedagógicas codificadas como módulos del sistema, los protocolos de los agentes con roles institucionales, las prácticas de documentación y las reglas de gobernanza. La inversión en diseño pedagógico sobrevive a los cambios de proveedor; algo que no sucede con la inversión en una “IA educativa” —y, en general, en cualquier tecnología educativa— cerrada.

La segunda consecuencia es que la interoperabilidad deja de ser un nice to have. Si el SO se “instala” en organizaciones que ya tienen sus propios sistemas (LMS heredados, ERPs académicos, herramientas corporativas, infraestructura municipal), la capa que se construye tiene que hablar con todas esas infraestructuras. Los estándares abiertos (xAPI, Open Badges 3.0, CLR 2.0, Verifiable Credentials, MCP para los agentes) no son un compromiso ideológico: son la condición para que la metáfora funcione fuera del demo.

La tercera consecuencia, la más incómoda, es que un SO redistribuye poder. Cuando las funciones que hoy se colapsan en una sola figura (el profesor orquesta) o en una sola institución (la universidad como monopolio de la legitimación) se descomponen en roles especializados con sus interfaces, lo que cambia no es solo la pedagogía: es la economía política de la institución. Es por eso que muchas conversaciones sobre “transformación universitaria” terminan donde terminan: porque el cambio que esta arquitectura propone no es de método, es de organigrama y, por tanto, de estructura de poder y de toma de decisiones.

La invitación, otra vez

Si has leído hasta aquí y trabajas en una institución que está pensándose a sí misma, este post te interesa por una razón muy concreta. La metáfora del sistema operativo no es solo una forma de explicar Universidad Cero: es una herramienta de diagnóstico que se puede usar sobre tu propia organización. ¿Qué funciones del SO existen hoy en tu institución? ¿Cuáles están acopladas a personas concretas y se romperían si esa persona se va? ¿Cuáles están delegadas a una plataforma comercial sobre la que tienes poco control? ¿Cuáles, simplemente, no existen?

Si esas preguntas resuenan con algo que ya estás pensando, escríbenos. Puedes explorar en mayor detalle la propuesta en su web universidadcero.org. Hablar con responsables institucionales y con tecnólogos educativos sobre la viabilidad real de este diseño en sus propias organizaciones es exactamente la conversación que esta fase del proyecto necesita.

Si te ha resultado interesante, compártelo con alguien que esté liderando una transformación educativa o tecnológica en una institución, especialmente si se siente atrapada entre las inercias del modelo anterior y la urgencia de la IA. Y si quieres sumarte a la conversación, escríbeme: la construcción en abierto empieza así.

La semana pasada presenté de manera completa la iniciativa Universidad Cero y me comprometí, al final del post, a compartir un making of. Creo que esto es relevante: siendo coherente con la filosofía, si el proyecto propone que la documentación del proceso es una práctica de aprendizaje, su propia construcción debe documentarse también. En realidad Universidad Cero es el tipo de ejercicios que siempre estuvieron de un modo u otro entre mis deseos intelectuales pero que resultaban inviables por la carga de trabajo y de capacidades necesarias. A comienzos de este año, como parte de nuestro proceso de experimentación e integración de modos de trabajo que utilizan de forma intensiva y profunda la IA, decidí abordar este proyecto.

Este post no es el resumen de un trabajo terminado sino la arqueología honesta de un proceso vivo que parte de explicar de dónde vienen las ideas, cómo se han conectado, evolucionado y ensamblado, qué papel ha jugado la IA en pensarlas y documentarlas, y hacia dónde va el proyecto desde aquí. Es deliberadamente distinto a los cuatro anteriores. Los otros eran ensayos sobre una idea; este es una nota de proceso y por tanto necesariamente más personal (porque así concebí el proceso), con menos arquitectura argumental y más conversación.

Suscríbete ahora

No hay creación ex nihilo

Universidad Cero no aparece de la nada. La pregunta que la estructura — si empezáramos de cero, ¿qué “universidad” diseñaríamos hoy? — me ha acompañado ya mucho tiempo y la he utilizado en diversas conversaciones y textos. La respuesta que estamos construyendo no es el resultado de un proceso individual que nace en el vacío: es más bien una síntesis que intenta unir cinco familias de inspiraciones y experiencias (algunas de ellas personales) que, leídas por separado, parecen desconectadas, pero que cuando se interpretan y piensan juntas empiezan a perfilar un objeto nuevo.

La primera familia son los modelos institucionales que demuestran que otra universidad es posible. La NMITE en Reino Unido, que se centra en su territorio, ha eliminado las clases magistrales y trabaja por cohortes en retos industriales reales. La University of the Highlands and Islands en Escocia, con setenta centros embebidos en sus comunidades en lugar de un campus único. Mondragon Team Academy / Teamlabs, donde el aprendizaje se concibe de forma activa y radical y el equipo es la unidad de toma de decisiones, no la institución. Olin College en Massachusetts, diseñada desde cero hace dos décadas para lograr una agencia radical de los estudiantes de ingeniería. La London Interdisciplinary School, que pone los problemas antes que las disciplinas. Minerva University, con su rotación por siete ciudades a nivel global y su modelo y plataforma Forum diseñados para el aprendizaje activo y la evaluación formativa. Y, más cerca de mi propia trayectoria, junto con Teamlabs, el rediseño del modelo educativo Tec21 del Tecnológico de Monterrey, donde aprendimos que cambios estructurales son viables a escala (decenas de miles de estudiantes) incluso dentro de instituciones con una tradición larga. Cada uno de estos modelos es parcial y ninguno integra todo lo que Universidad Cero quiere integrar. Pero juntos demuestran lo principal: que la universidad convencional no es la única forma posible de hacer educación superior.

La segunda familia son los laboratorios ciudadanos, particularmente Medialab-Prado en Madrid (ahora Medialab Matadero, con un enfoque en parte diferente al original) y LabNL en Nuevo León. Aquí no aprendimos sobre pedagogía universitaria sino sobre algo que las universidades olvidaron hace tiempo: cómo diseñar espacios donde personas muy diversas construyen conocimiento juntas, con transparencia radical en el proceso. De Medialab heredamos la idea de la documentación como práctica viva, no como archivo posterior, y el formato de “receta” en tres niveles (contexto, receta rápida, receta lenta) que captura no solo qué se hizo sino el proceso (cómo se decidió, qué bifurcaciones se consideraron, dónde hubo errores). De LabNL heredamos algo igualmente relevante: la mediación como infraestructura profesional, no como función residual. Los mediadores de LabNL hacen visible el trabajo relacional y de cuidados que en la mayoría de las instituciones es invisible. Eso es central en Universidad Cero. Lo es la idea de las tres condiciones simultáneas (abierto, experimental, de cuidados), que vienen directamente de esta tradición. Y lo es la convicción de que un buen diseño es un boundary object: lo bastante robusto para mantener una identidad compartida y lo bastante plástico para que cada comunidad se lo apropie a su manera.

La tercera familia es la más reciente y la más incierta por su velocidad y capacidad de disrupción: la investigación y aplicaciones sobre sistemas multi-agente y arquitecturas de IA distribuida. Aquí aparecen Evans y colaboradores con su tesis de que la inteligencia colectiva no es un cerebro que crece, sino una ciudad que se complejiza. Están los frameworks agénticos modernos como LangGraph, CrewAI o Claude Skills, que hacen viable orquestar varios agentes especializados sin construir toda la complejidad desde cero. Está la observación de Zack Shapiro sobre cómo un bufete de abogados diseñado desde el inicio asumiendo IA de frontera puede competir con firmas de centenares de abogados: la clave no es la tecnología, es no arrastrar las inercias del modelo anterior. Y están las “societies of thought“ que aparecen en los modelos de razonamiento más recientes (DeepSeek-R1, QwQ-32B): mejoran no porque piensen más tiempo sino porque generan debates internos entre perspectivas distintas que argumentan, cuestionan, se reconcilian. Una imagen casi pedagógica del aprendizaje colaborativo, ahora también dentro del propio sistema.

La quinta y última familia es la que da la arquitectura de gobernanza: los commons y las comunidades recursivas. Elinor Ostrom, premio Nobel de economía en 2009, mostrando que es posible una gobernanza autogestionada, ni estatal ni privada, donde las reglas se diseñan y ensamblan desde lo local. Chris Kelty con sus “públicos recursivos”: una comunidad produce el prototipo que produce la comunidad, en un bucle que no es causal sino generativo. Susan Star con los boundary objects que permiten coordinación sin homogeneización. Michael Tomasello con el “trinquete cultural”: la cognición humana avanza porque cada generación hereda y mejora los logros previos, sin perder información. Las cinco son fundamentales para entender por qué la capa 5 (gobernanza) y la capa 6 (comunidad y mediación) de Universidad Cero están diseñadas como están.

Son cinco familias de inspiraciones y referencias. Ninguna de ellas es suficiente por sí sola, pero a la vez y en mi opinión todas ellas son necesarias. El mapa completo está en el documento conceptual (versión pdf), con numerosas referencias cruzadas comentadas no como bibliografía exhaustiva sino como argumento: qué aporta cada línea, cómo la utilizamos y qué añadimos. Esta sección del documento es probablemente la más útil para quien quiera trazar su propio camino o cuestionar el nuestro.

El equipo, en esta primera fase, ha sido Juan + Claude

Llegamos a la parte que más me interesa contar. Este documento, y su web, así como este post, los anteriores y los que vienen, los hemos escrito un equipo de dos: yo y Claude. No “yo con apoyo de IA” ni “asistido por una herramienta”, sino en equipo: con división del trabajo, dinámica de revisión, conflictos productivos y una memoria compartida que crece entre conversaciones. Parte de mi experimento era abordar un proceso de investigación, diseño y producción con un equipo “sintético” de asistentes altamente sofisticados. Lo digo claro porque me parece importante por tres razones.

La primera es de honestidad. Si Universidad Cero habla del tándem humano-IA, en el sentido de configuraciones fluidas donde una persona alterna entre trabajar sola, trabajar con agentes, trabajar en equipo amplificado por agentes, sería incoherente esconder que el propio proyecto se está pensando exactamente así. Mostrarlo es parte del argumento.

La segunda es operativa. Sin Claude no habría documento. O lo habría dentro de dos años (o sea, nunca dado que no dispondría del tiempo y recursos necesarios), no de tres meses. La capacidad de explorar y procesar literatura, contrastar referencias, detectar contradicciones internas, generar ideas y conexiones entre ideas, producir borradores sobre los que puedo trabajar, mantener el hilo entre cinco bloques de un documento de cien páginas, traducir mis intuiciones en arquitectura argumental: todo eso ha multiplicado mi propia capacidad por un factor difícil de cuantificar pero que estimo del orden de x10. Se trata de aplicar la paradoja productiva del clean-sheet design al propio proyecto: un equipo pequeño con la infraestructura correcta puede tener un impacto desproporcionado.

La tercera es metodológica. El proceso ha sido un experimento permanente sobre los principios que el propio documento defiende. Alternancia de velocidades, exactamente como se describe en el post sobre diseñar la lentitud: hay fases muy rápidas (Claude genera tres variantes de un capítulo en quince minutos, mientras yo las reviso y critico durante horas y decido cuál sigue) y fases deliberadamente lentas (yo solo, con un cuaderno, decidiendo qué pregunta es la que importa antes de pedir nada a nadie). Documentación como aprendizaje: cada decisión importante se ha registrado no solo como output sino como decisión (qué alternativas se consideraron, qué trade-offs se hicieron, qué asunciones subyacen). Fricción productiva: el rol más útil de Claude no ha sido producir contenido sino discutirlo. Cuando le digo “este argumento no me convence, encuéntrale las grietas“, devuelve críticas a veces mejores que las que me hubieran hecho colegas humanos, porque tiene paciencia infinita y no se cansa nunca de reformular. Y al revés: hay momentos donde Claude se pone demasiado de acuerdo conmigo y soy yo quien tiene que generar la fricción, pedirle expresamente que defienda la posición contraria, que me obligue a justificar mejor lo que estoy diciendo.

Si tuviera que enseñar este modo de trabajar como una arquitectura, lo dibujaría así.

El esquema deja ver tres cosas que conviene leer juntas. La fase 01 (la pregunta) tiene a Claude en silencio, como una decisión metodológica. La pregunta no la genera la IA: la formula y documenta de forma exhaustiva el humano a partir de su trayectoria, sus lecturas dispersas y sus conversaciones, incluso de sus contradicciones, y solo cuando esa pregunta está suficientemente formada empieza el trabajo conjunto. La fase 04 (la fricción) es el corazón del método y, también, la fase donde más fácil es equivocarse: si la IA no critica con dureza, devuelve borradores demasiado pulidos; si critica sin contexto, se vuelve ruido. Y la fase 05 (las decisiones finales) vuelve a tener al humano solo, con Claude como asistente en la ejecución. Las dos fases en las que el humano está solo (al principio y al final) son donde se decide lo que el sistema produce. Entre medias hay una enorme aceleración, pero es una ejecución con dirección humana, sin perder mi agencia (y responsabilidad) sobre el proceso.

Conviene decir también lo que la IA no hace bien o no debe hacer en un proyecto así, y que el esquema solo apunta. No decide la pregunta ni su contexto. El “si empezáramos de cero, ¿qué universidad diseñaríamos hoy?“ es una decisión humana, situada en una trayectoria profesional concreta, en un momento histórico concreto, con unas tensiones específicas. Esa decisión no se delega. No fija el tono, que he ido afinando a base de leer los borradores y reescribir múltiples veces los párrafos donde el estilo no me parecía adecuado. Y no asume las consecuencias. Las decisiones difíciles del proyecto — qué socios buscar, dónde poner el foco, qué oportunidades dejar pasar — son mías y de Eutika.

La fórmula que vengo defendiendo desde el primer post se vuelve operativa en este punto: mejores personas + mejor tecnología = capacidad multiplicada, pero solo si el diseño no arrastra las inercias del modelo anterior. Pensar el propio proceso de creación del documento como un equipo Juan + Claude desde el inicio, en lugar de seguir el guión habitual del consultor que escribe solo y luego “incorpora IA” para tareas auxiliares, ha cambiado el resultado. No es el mismo documento mejorado incrementalmente; es un documento que sin esa configuración no existiría con esta densidad y este alcance, ni con la agilidad con la que lo hemos logrado (lo cual en la práctica imposibilitaría abordar este proyecto).

Y un matiz que conviene explicitar para no caer en la épica del "equipo de dos". La primera fase intensiva (pensar, escribir, dar forma al documento) la he trabajado con Claude. Pero desde hace algunas semanas el círculo se ha empezado a abrir: colaboradores de Eutika, colegas con los que llevo años discutiendo sobre educación, y amigas y amigos que han leído los primeros borradores y devuelven comentarios valiosos (preguntas que no me había hecho, referencias que no había considerado, contradicciones que no había detectado). Una parte de lo que sostiene la versión actual del documento son ya esas aportaciones. El making of explica de dónde venimos, no quiénes somos: el equipo está creciendo y va a seguir creciendo en las fases siguientes.

Hacia dónde va esto: cinco fases, varios años, un proyecto en construcción

La pregunta razonable después de haber leído los posts que he ido publicando en las semanas previas es: ¿y ahora qué?

La hoja de ruta del proyecto se organiza en cinco fases que se solapan parcialmente. Los tiempos son solo aproximaciones iniciales pero representan un primer ejercicio de planificación de un posible proyecto que implemente una primera versión operativa y validada de la Universidad Cero. Estamos en la Fase 0: comunicación y búsqueda de aliados. Es donde están los próximos tres meses, esta serie de posts, la web, las conversaciones que ya se han iniciado. El objetivo de esta fase es publicar el documento en construcción abierta, instalar las ideas en el ecosistema, y construir un mapa de personas y organizaciones con las que trabajar.

La Fase 1 es de diseño detallado de la infraestructura mínima viable, con foco en las dos capas más críticas: la tecnológica (cómo se integran Missions, los agentes de IA y los sistemas de datos) y la metodológica-pedagógica (cómo se diseña, opera y evalúa una experiencia de aprendizaje en este modelo). El equipo debe ampliarse en esta fase y el co-diseño con aliados pioneros expande y mejora las ideas generadas inicialmente. Las decisiones se documentan no solo como especificaciones técnicas sino como decisiones de diseño con sus trade-offs.

La Fase 2 es el primer piloto. Nos gustaría poder comenzar en un contexto corporativo o de comunidad territorial, no en una universidad, por una razón pragmática: las universidades tienen una fricción institucional muy alta, y es mejor que el primer piloto se haga en un contexto donde se pueda iterar rápido. Treinta o cuarenta personas, una experiencia de aprendizaje claramente delimitada, las seis capas operando, todo documentado en formato de cuaderno de laboratorio del propio piloto. Si funciona en esos contextos, funcionará después en universidades.

La Fase 3 lleva la infraestructura a un segundo contexto radicalmente distinto del primero. Si el piloto 1 fue corporativo, el 2 debería ser universitario o territorial. El objetivo es construir evidencia sobre la replicabilidad y empezar a producir los materiales que permitan a otras organizaciones instalar la infraestructura sin necesitarnos a nosotros.

La Fase 4 es la de consolidación. Modelo de gobernanza federada de la red de nodos. Estrategia de código abierto para la infraestructura tecnológica. Red distribuida de facilitadores formados. Y un modelo de sostenibilidad que combine varias fuentes (consultoría, licencias, hosting gestionado, financiación pública por impacto, programas competitivos de I+D+I, alianzas con fundaciones, fondos europeos), no porque haya una vía privilegiada sino porque un proyecto así no se sostiene con un único flujo, y porque la financiación no debe condicionar el diseño antes de que el diseño esté lo bastante maduro para defender lo que necesita.

Tres años y medio en total para llegar de un documento conceptual a una infraestructura instalada en al menos dos contextos reales y replicable en otros. Es ambicioso pero no es ciencia ficción. Este proyecto no nace por una convocatoria ni para una convocatoria. Nace por una curiosidad intelectual sostenida y por una intuición acumulada en años de trabajo. El acceso a recursos vendrá después, en el momento en que la propuesta esté en condiciones de defenderse, y por las vías que mejor preserven la independencia del diseño.

La invitación, otra vez

Si has leído hasta aquí, probablemente eres una de las personas con las que merece la pena hablar.

El making of sirve para varias cosas, pero la más importante es esta: buscar cómplices más allá de la lectura y debate del documento. Hay personas que pueden aportar cosas muy concretas en cada una de las fases que he descrito. Quien haya trabajado en gobernanza federada de redes distribuidas tiene experiencia que necesitamos para la Fase 4. Quien diseñe pedagogía con IA y haya tropezado con los límites reales (qué acelera, qué atrofia, qué simplemente no funciona) tiene aprendizajes que harían más sólida la Fase 1. Quien dirija una organización (universidad, empresa, comunidad territorial) que se reconozca en alguna parte del proyecto y esté dispuesta a explorar un piloto, está exactamente en la conversación que abre la Fase 2. Quien haga investigación rigurosa sobre alguna de las cinco familias del mapa de inspiraciones puede ayudarnos a afinar las preguntas abiertas que el documento todavía no resuelve. Y quien tenga experiencia construyendo consorcios de I+D+I, redes europeas de innovación o filantropía con foco en educación conoce un terreno donde nosotros tenemos menos rodaje y donde podemos aprender con quien ya lo ha caminado.

La web sigue viva en universidadcero.org y el formulario está ahí.

En el siguiente post profundizaremos en la metáfora del sistema operativo educativo: qué significa de verdad, en qué se parece y en qué no a un LMS (u otra de las plataformas habituales en educación), cómo se “instala” en organizaciones tan distintas como una universidad pública, una empresa consultora o una red rural.

Si te ha resultado interesante, compártelo con alguien que trabaje en educación y no se resigne a las inercias institucionales, especialmente si está en posición de empujar un cambio. Y si quieres sumarte a la conversación, escríbeme: la construcción en abierto empieza así.

En tres posts anteriores hemos recorrido los cimientos personales del trabajo en equipo: la madurez emocional como requisito para participar en conversaciones difíciles, el desapego como práctica que libera del ego, y la misión y el bienestar como doble criterio que orienta las decisiones. Esos tres elementos son condiciones necesarias, pero no suficientes. Son el suelo sobre el que se construye. A partir de ahora la serie se desplaza de lo personal a lo relacional: cómo se ejerce el liderazgo en la práctica cotidiana de un equipo.

En el manifiesto de esta serie presenté cinco principios. Los dos primeros, claridad y dirección, y confianza y respeto, son los que este post despliega y profundiza. Y lo hace a través de dos dimensiones que en mi experiencia y perspectiva deberían abordarse en conjunto: la competencia que genera credibilidad, y los cuidados que construyen y sostienen la relación con las personas del equipo.

Suscríbete ahora

La credibilidad como punto de partida

Un líder necesita saber de qué habla. Esta afirmación parece obvia, pero la realidad de muchas organizaciones la contradice de forma sistemática. Hace unos años escribí sobre esta cuestión a partir de una serie de investigaciones que me parecieron reveladoras y que he retomado ahora en esta serie de textos. Regreso a la investigación de Lindred Greer en la Universidad de Stanford, que fue publicada en el Journal of Applied Psychology, y que mostró que en un porcentaje muy alto de los casos los líderes de equipos son elegidos por razones ajenas a su competencia: la capacidad de persuasión, la apariencia de dominio, el nivel de poder percibido. Y lo que es más preocupante: cuando los líderes carecen de conocimiento técnico sobre el trabajo real del equipo, tienden a llevar al equipo en una dirección equivocada.

La credibilidad que nace de la competencia no significa ser la persona que más sabe de todo en el equipo. Significa tener un conocimiento suficientemente profundo del ámbito en el que trabaja la organización como para entender los problemas reales, hacer las preguntas correctas y evaluar las propuestas con criterio. Y en ámbitos del conocimiento situados en la vanguardia, tener estas capacidades no es algo trivial; implica procesos continuos de aprendizaje y de desarrollo de la curiosidad intelectual. Un líder que no entiende el trabajo que realiza su equipo puede confundir velocidad con progreso, puede valorar las soluciones llamativas por encima de las efectivas, y puede tomar decisiones que parecen razonables desde fuera pero que resultan absurdas para quienes están haciendo el trabajo de verdad.

Daniel Goleman, en su análisis de los seis estilos de liderazgo, identificó el basado en la reputación y la competencia como el más efectivo, especialmente cuando las organizaciones atraviesan procesos de transformación. En un contexto donde la transformación ya no es un episodio sino una condición permanente, este hallazgo resulta aún más relevante. Y conviene matizar algo: Goleman distingue claramente entre la autoridad que te concede la reputación ganada y la que impone quien simplemente ostenta poder. La primera se construye, la segunda se ejerce. La primera genera confianza, la segunda genera obediencia o resistencia.

Greer añade otro hallazgo que considero especialmente valioso: a medida que la naturaleza del trabajo cambia a lo largo de un proyecto, deberían cambiar también los liderazgos, de modo que en cada momento asuma esa responsabilidad la persona con mejor conocimiento de lo que se necesita hacer. Liderar un proyecto, en ese sentido, es un trabajo de equipo, no una posición fija.

La triada: visión, compromiso, flexibilidad

La competencia del líder se manifiesta en tres dimensiones que funcionan como una triada. La primera es la capacidad de desarrollar una visión que motive a las personas porque entienden cuál es el valor de su trabajo dentro de un propósito más amplio. No se trata de construir relatos grandilocuentes sino de hacer visible el porqué de lo que hacemos. Cuando esa visión es clara, las personas no necesitan que nadie les diga exactamente cómo hacer su trabajo. La claridad libera; la ambigüedad paraliza.

La segunda dimensión es la capacidad de generar compromiso, y esto requiere algo que no siempre se asocia con el liderazgo: la concreción. Identificar claramente las responsabilidades de cada persona, establecer estándares de lo que significa hacer bien el trabajo, y ser honesto sobre lo que se espera. El compromiso no surge de discursos inspiradores sino de la certeza de que cada uno sabe cuál es su papel y por qué importa.

La tercera es la flexibilidad: permitir que las personas decidan de forma autónoma cómo lograr sus objetivos, incluyendo la capacidad de innovar y asumir riesgos. Un líder competente aporta claridad sobre lo que se necesita y sobre lo que está permitido para lograrlo, y deja espacio para que el equipo encuentre su propio camino. Esto conecta directamente con el tercer principio del manifiesto (autonomía e interdependencia) y será objeto de posts posteriores.

Cuando alguna de estas tres patas falla, el liderazgo se desequilibra. La visión sin compromiso produce un aparente entusiasmo que se acaba por diluir. El compromiso sin flexibilidad produce una ejecución rígida. La flexibilidad sin visión produce dispersión y, por tanto, falta de foco en lo que realmente importa. El líder competente es el que mantiene las tres en equilibrio, y eso requiere un conocimiento profundo no solo del trabajo sino de las personas que lo realizan.

Cuidar es un verbo activo

La competencia, con ser imprescindible, no basta. Así, podemos encontrarnos con líderes técnicamente brillantes que generan equipos disfuncionales porque tratan a las personas como piezas intercambiables de un sistema. Y podemos encontrarnos con líderes atentos y empáticos que generan equipos cómodos pero sin rumbo, porque confunden cuidar con evitar la incomodidad.

Cuidar, en el contexto de un equipo, no significa ser complaciente, más bien debería ser lo contrario. Cuidar significa tener la conversación difícil cuando es necesaria, pero tenerla desde el respeto y no desde la demostración de poder. Significa dar un feedback honesto aunque sea incómodo, porque ocultar un problema no es proteger a alguien sino abandonarlo. Significa interesarse genuinamente por las personas, por lo que necesitan para trabajar bien y para estar bien, y actuar en consecuencia.

En el manifiesto formulé el segundo principio como confianza y respeto, y añadí una pregunta que considero un buen test: ¿confías lo suficiente en tu equipo como para dejarles equivocarse? La confianza no se declara; se demuestra en las decisiones cotidianas. Y cuando se rompe, se reconstruye con hechos, no con discursos. Los cuidados son la dimensión práctica de esa confianza: son lo que la hace visible y verificable cada día.

Existe una diferencia importante entre el líder que cuida y el líder complaciente. El líder complaciente evita el conflicto, concede sin criterio, y bajo una apariencia de flexibilidad esconde una ausencia de dirección. El líder que cuida de verdad es capaz de combinar la exigencia con la atención. Exige porque respeta la capacidad de las personas, y cuida porque sabe que sin personas comprometidas y en buenas condiciones no hay proyecto que valga la pena ni que se pueda sostener en el tiempo.

De dentro hacia fuera

Dee Hock, el fundador de Visa, proponía una distribución del liderazgo a la que aludía en un post previo y que siempre me ha parecido reveladora: el 50% del esfuerzo debe dedicarse a liderarse a uno mismo, el 20% a liderar hacia arriba (a quienes tienen autoridad sobre ti), otro 20% a liderar a tus pares, y solo el 10% a liderar a quienes están por debajo de ti en la estructura.

Esta distribución resulta contraintuitiva porque la mayor parte de lo que se enseña y se escribe sobre liderazgo se centra precisamente en ese 10%: cómo gestionar equipos, cómo motivar, cómo delegar. Pero Hock propone algo más profundo. Antes de pretender liderar a otros necesitas haber hecho un trabajo honesto contigo mismo: conocer tus valores, tus sesgos, tu relación con el ego, tu capacidad real de escuchar. Esta idea conecta directamente con los cimientos que hemos explorado en los posts anteriores: la madurez emocional y el desapego no son solo virtudes personales, son la base del 50% más importante de tu liderazgo.

Liderar hacia arriba y hacia los lados, que representan el 40% del trabajo a realizar según ese modelo, es lo que convierte los cuidados en algo verdaderamente útil. No se trata solo de cuidar a quienes dependen de ti, que es la visión más convencional del liderazgo relacional. Se trata de construir las condiciones para que el equipo funcione en todas las direcciones: proteger a tu equipo ante decisiones que vienen de arriba y que no tienen sentido, colaborar con tus pares para que la organización no se fragmente en silos, y crear un entorno donde las personas puedan hacer su mejor trabajo.

La fusión necesaria

La competencia sin cuidados produce un liderazgo técnicamente correcto pero emocionalmente estéril. El líder sabe hacia dónde ir y puede tomar decisiones acertadas, pero las personas a su alrededor se sienten instrumentalizadas. Con el tiempo, los mejores se van y los que quedan aprenden a obedecer sin comprometerse. Es un liderazgo que puede funcionar a corto plazo pero que erosiona la capacidad del equipo de generar algo valioso de forma sostenida.

Los cuidados sin competencia producen un liderazgo cálido pero sin dirección. Las personas se sienten bien, el ambiente es agradable, pero nadie sabe exactamente hacia dónde va el proyecto ni qué significa hacer bien el trabajo. Es el liderazgo complaciente que mencionaba antes, y que acaba generando una forma sutil de frustración en las personas que quieren contribuir a algo significativo pero no encuentran la estructura ni la claridad para hacerlo.

Las dos dimensiones se necesitan mutuamente. La competencia da al líder la credibilidad para tener conversaciones difíciles, y los cuidados le dan la legitimidad relacional para que esas conversaciones sean productivas y no destructivas. Un líder que te dice algo incómodo pero que sabes que conoce el trabajo y se preocupa por ti genera una reacción muy diferente a la de alguien que dice lo mismo sin ninguna de esas dos bases.

Este post abre el segundo bloque de la serie, dedicado al liderazgo en la práctica. En los próximos posts exploraré cómo se selecciona y se construye un equipo, qué significa ser un aprendiz permanente en el contexto del liderazgo, cómo un equipo construye conocimiento como proceso central y cómo se genera y se sostiene la confianza, especialmente en equipos distribuidos. Si la competencia y los cuidados son los dos motores del liderazgo, lo que viene a continuación es el terreno sobre el que se mueven.

En las últimas semanas le he dado vueltas a la misma pregunta desde ángulos distintos. Primero como método: qué pasa cuando aplicas el clean-sheet design a un campo donde las inercias son tan fuertes como en la educación. Después como paradoja productiva: por qué una “universidad” diseñada en torno a la IA tiene que diseñar también la lentitud. Y la semana pasada, como un catálogo de funciones irreductibles: las cuatro apuestas que una institución educativa debería abordar cuando la IA hace casi todo lo demás.

Ahora quiero poner el foco sobre el proyecto completo y realizar un ejercicio conceptual completo del que, en realidad, han nacido los textos y reflexiones anteriores. Lo llamamos Universidad Cero: un ejercicio de diseño que se pregunta, y pretende abordar experimentalmente, qué “universidad” diseñaríamos hoy si pudiéramos empezar de cero. No se trata de un manifiesto cerrado ni de un plan de negocio sino de un artefacto conceptual y una cierta hoja de ruta en construcción abierta, con su propia web (universidadcero.org) y un documento que irá evolucionando en público. Este post es la versión corta del documento (que está disponible en la web, pdf). Una lectura de unos quince minutos. Si algo te resuena, abajo está la invitación.

Suscríbete ahora

La pregunta es un método

Si empezáramos de cero, sin arrastrar las inercias de las instituciones educativas actuales, ¿qué “universidad” diseñaríamos hoy?

La pregunta no es retórica. Es un método de diseño. Funciona como lo que los ingenieros llaman un clean-sheet design: un ejercicio que suspende temporalmente las restricciones heredadas para preguntarse qué es realmente necesario. No se trata de ignorar la historia ni de despreciar lo existente, sino de darse permiso para pensar sin que las inercias institucionales dicten los límites de lo imaginable. Esa diferencia (entre pensar sin condicionantes y construir en el vacío) es lo que hace que el ejercicio sea útil, no solo estimulante.

La pregunta es pertinente ahora por una razón precisa: estamos en una de esas raras ventanas donde convergen una crisis de sentido en las instituciones educativas y una transformación tecnológica que redefine qué significa aprender, enseñar y producir conocimiento. La inteligencia artificial generativa no es una herramienta más que se añade al aula y al proceso de enseñanza-aprendizaje convencional; es una discontinuidad que obliga a repensar los fundamentos. Si un agente de IA puede explicar cualquier concepto, responder cualquier pregunta factual y generar materiales didácticos personalizados, ¿cuál es el valor diferencial de una institución educativa? ¿Qué queda cuando eliminamos las funciones que la tecnología ya puede realizar? Lo que queda (y es mucho) es exactamente lo que necesita ser diseñado de nuevo.

Conviene dejar claro desde este momento que este proyecto nace de una mirada personal, no de un consorcio impersonal. Es la convergencia de temas que llevamos años haciendo y pensando desde Eutika y desde mi propio trabajo previo con otras organizaciones: el rediseño del modelo educativo del Tecnológico de Monterrey, el aprendizaje radical en equipo en Mondragon Team Academy, el acompañamiento a universidades en sus procesos de innovación educativa y transformación, la creación de Missions como plataforma para diseñar y operar experiencias de aprendizaje, dos décadas de investigación y participación en laboratorios de innovación ciudadana, y un interés más reciente explorando activamente el impacto de la IA, las herramientas para convertir ese impacto en oportunidad y las “tecnologías lentas”. No oculto la semilla porque creo que la honestidad sobre el origen es condición para un debate genuino. El siguiente paso es ampliar el alcance, contrastar las intuiciones e incorporar perspectivas diversas. Doy este paso en este texto.

Tres conceptos que se describen mutuamente

Universidad Cero se define en la intersección de tres conceptos. Ninguno de los tres es suficiente por sí solo; los tres juntos dibujan el objeto de diseño.

“Universidad” es el nombre provocador. Las comillas no son casuales: señalan que no estamos proponiendo una universidad en el sentido convencional (con sus departamentos, sus asignaturas, sus exámenes y su burocracia) sino un artefacto nuevo que hereda la ambición pero no la forma. La palabra apela a la promesa de la institución (un espacio donde personas diversas se reúnen para aprender, investigar, debatir y transformarse) que la institución actual cumple cada vez peor. Y a la vez interpela directamente a las universidades existentes: ¿reconocéis en esta propuesta algo de lo que deberíais ser? ¿Qué os impide serlo?

“Sistema operativo educativo” es la metáfora funcional. Como un sistema operativo sobre el que se ejecutan diferentes programas, esta “universidad” proporciona las funciones básicas (la infraestructura) sobre las que se construyen experiencias de aprendizaje muy distintas. El sistema operativo no dicta qué programas se ejecutan, pero determina qué es posible: gestiona recursos, ofrece interfaces, establece protocolos. Universidad Cero no prescribe un currículum único ni un método único, sino que proporciona las condiciones para que emerjan experiencias de aprendizaje efectivas en contextos diversos. La metáfora tiene una implicación importante: así como un sistema operativo puede instalarse en hardware diferente, este “SO educativo” puede desplegarse en organizaciones diversas: una universidad existente que quiere transformarse, una corporación que repiensa su universidad interna, una red territorial de espacios de aprendizaje.

“Infraestructuras mínimas” es el concepto de diseño. No diseñamos una universidad completa: diseñamos las condiciones y la caja de herramientas mínimas para que el aprendizaje profundo pueda ocurrir. La palabra “mínimas” tiene dos sentidos. En sentido práctico, señala viabilidad: no es necesario construir toda la complejidad de una institución convencional para generar aprendizaje de alto valor; un equipo pequeño con las infraestructuras correctas y capacidades aumentadas por IA puede tener un impacto desproporcionado. En sentido de diseño, señala filosofía: lo mínimo no es lo escaso sino lo esencial, aquello sin lo cual el aprendizaje no ocurre. El ejercicio consiste precisamente en identificar qué es ese mínimo y, sobre todo, qué se puede eliminar sin pérdida.

La relación entre los tres conceptos es circular: la “universidad” nombra la ambición, el “sistema operativo” describe cómo funciona, las “infraestructuras mínimas” indican cómo se diseña. Cada uno describe a los otros. Y los tres juntos definen algo que aún no existe pero que podemos empezar a construir.

Ahora quiero poner el foco sobre el proyecto completo y realizar un ejercicio conceptual completo del que, en realidad, han nacido los textos y reflexiones anteriores. Lo llamamos Universidad Cero: un ejercicio de diseño que se pregunta, y pretende abordar experimentalmente, qué “universidad” diseñaríamos hoy si pudiéramos empezar de cero. No se trata de un manifiesto cerrado ni de un plan de negocio sino de un artefacto conceptual y una cierta hoja de ruta en construcción abierta, con su propia web (universidadcero.org) y un documento que irá evolucionando en público. Este post es la versión corta del documento (que está disponible en la web, pdf). Una lectura de unos quince minutos. Si algo te resuena, abajo está la invitación.

Las seis capas, en síntesis

La infraestructura mínima de Universidad Cero se compone de seis capas. Hablamos deliberadamente de capas y no de módulos: los módulos son independientes y se pueden añadir, quitar o reemplazar sin afectar al resto; las capas son interdependientes y se sostienen unas a otras. La realidad del aprendizaje es la segunda: no se puede separar la tecnología de la pedagogía, la pedagogía del espacio, el espacio de la comunidad, la comunidad de la gobernanza. Cuando alguien lo intenta (como han hecho la mayoría de las instituciones educativas al tratar la “digitalización” como un problema tecnológico independiente del diseño pedagógico) lo que aparece son sistemas disfuncionales donde cada capa evoluciona por su cuenta.

La capa tecnológica-IA es el stack sobre el que opera todo: agentes de IA con roles institucionales (tutor, facilitador, documentador, evaluador), una plataforma de diseño de experiencias inspirada en Missions, skills pedagógicas codificadas como plugins reutilizables, memoria visible y depurable en formatos legibles por humanos, e interoperabilidad como principio de supervivencia. Una decisión de diseño es central: usamos modelos de frontera genéricos (Claude, GPT, Gemini, los que vengan), no productos de “IA educativa” cerrados. La inteligencia pedagógica reside en las capas que construimos encima, no en el proveedor.

La capa física-espacial sustituye el campus único por una red distribuida de espacios embebidos en territorios. El modelo de referencia es la University of the Highlands and Islands en Escocia, con más de setenta centros enraizados en sus comunidades, no edificios nuevos construidos desde cero. La red incluye espacios tipo studio (mesas modulares, paredes escribibles, herramientas de prototipado), espacios de fabricación inspirados en los FabLabs y en los laboratorios ciudadanos, y (esto suele sorprender) espacios deliberadamente lentos: salas sin pantallas, pensadas para la lectura profunda, el debate presencial y el silencio. No todos los espacios deben estar saturados de tecnología; algunos deben estar liberados de ella.

La capa metodológica-pedagógica es el corazón del sistema. Aquí viven los principios educativos que sustentan el modelo: problemas reales primero, disciplinas después; producir con impactos genuinos en lugar de simular; alternancia deliberada de velocidades (fases rápidas con IA alternadas con fases lentas de escritura manuscrita, debate presencial, prototipado físico, silencio); facilitación no directiva; documentación como práctica integrada; reflexión metacognitiva explícita. No proponemos un método único sino un repertorio: un catálogo curado de prácticas y frameworks que el educador selecciona y adapta según el contexto, todos ellos articulados por principios compartidos.

La capa de datos y evaluación se organiza alrededor de una premisa que es probablemente la más distintiva del proyecto: la documentación no es solo evaluación o archivo, es una práctica de aprendizaje. Cuando alguien documenta su proceso (las decisiones que tomó, los errores que cometió, las bifurcaciones que consideró) está realizando un acto de metacognición que es, en sí mismo, uno de los aprendizajes más valiosos. El instrumento central es el cuaderno de laboratorio digital, que combina tres niveles de “receta” heredados de los laboratorios ciudadanos: una presentación de contexto, una receta rápida (los pasos mínimos para replicar) y una receta lenta (el proceso completo con decisiones, errores, conversaciones que cambiaron la dirección). La evaluación se alimenta de esta evidencia rica, no de exámenes puntuales.

La capa de gobernanza y equipos es donde la diferencia con las instituciones convencionales es más radical. El “profesor orquesta” que investiga, cura contenidos, diseña, imparte clase, evalúa y tutoriza (todo en solitario) se descompone en roles especializados: diseñadores de experiencias, facilitadores-mediadores, mentores de trayectoria, curadores de conocimiento. Y junto a ellos, agentes de IA con roles institucionales propios y supervisados. La gobernanza debe estar federada (autonomía local, coordinación central, custodia comunitaria) y construirse de modo artesanal: cada nodo construye sus propias reglas dentro de un marco mínimo, siguiendo la lógica de Ostrom para los commons.

La capa de comunidad y mediación es, en muchos sentidos, la más importante. Las otras cinco capas proporcionan condiciones; el aprendizaje profundo es, en última instancia, un acto social y relacional que ocurre entre personas que confían unas en otras lo suficiente como para exponerse, equivocarse y crecer juntas. Aquí viven dos ideas que vienen de los laboratorios ciudadanos y que suponen un cambio radical. La primera: la pertenencia comunitaria persistente con participación flexible. El aprendedor pertenece a la comunidad pero entra y sale de experiencias concretas según sus intereses, necesidades y circunstancias vitales, sin la rigidez del esquema “estar matriculado durante cuatro años”. La segunda: la mediación como infraestructura profesional, no como función residual. El mediador (heredero del mediador de los laboratorios ciudadanos, no del profesor convencional) traduce entre culturas epistémicas, canaliza las dimensiones emocionales y afectivas del aprendizaje, y hace visible un trabajo relacional y de cuidados que en la mayoría de las instituciones es invisible.

Toda experiencia de aprendizaje en Universidad Cero debe verificar tres condiciones simultáneas, también heredadas del trabajo en laboratorios: ser abierta (sin barreras innecesarias de acceso), experimental (con permiso explícito para equivocarse) y de cuidados (con atención activa a las personas y sus vulnerabilidades). Las tres son interdependientes y no negociables: la apertura sin cuidados produce exclusión; los cuidados sin experimentación producen paternalismo; la experimentación sin apertura produce clubes cerrados de privilegiados.

Tres escenarios para imaginarlo en la práctica

Una infraestructura mínima no se demuestra con argumentos sino con escenarios concretos. ¿Cómo funciona esto en la práctica? ¿Qué vive una persona que aprende en este modelo? El documento desarrolla tres escenarios en detalle pero aquí los presento de forma sintética como adelanto.

Lucía estudia en una facultad de ingeniería. Una universidad pública intermedia en una ciudad española decide pilotar el modelo en su Facultad de Ingeniería, no como sustitución del sistema sino como una “zona de experimentación” en paralelo. Setenta y cinco estudiantes de primer año, tres aulas reconvertidas en studios, una “sala lenta” sin pantallas, un equipo de ocho profesionales con roles especializados y un enjambre de agentes de IA. Lucía pasa sus primeras seis semanas trabajando, en un equipo de cinco personas con perfiles complementarios, en un reto real propuesto por el ayuntamiento: diseñar un modelo viable de microrred energética para un polígono industrial. La experiencia alterna fases de inmersión sin IA (visitas, conversaciones, escritura manuscrita en el cuaderno de laboratorio) con fases de aceleración con agentes (modelado, simulación, generación de variantes). Al final del año Lucía no tiene una nota numérica: tiene un portfolio denso, una mentora profesional a la que puede seguir llamando, y una red de cincuenta personas con las que ha trabajado intensamente. La tensión que el escenario pone sobre la mesa es la legitimidad de la credencial: ¿este portfolio equivale a un título? Hoy no. Construir esa equivalencia requiere tiempo, evidencia y alianzas.

Amara aprende mientras trabaja. Una empresa consultora europea de transformación digital, dos mil empleados, decide que su modelo de formación interna está agotado. No quiere “más formación”: quiere transformar la forma en que la organización aprende como parte integral de su forma de trabajar. La infraestructura de Universidad Cero se despliega como sistema operativo de aprendizaje integrado en los flujos de trabajo (Slack, Notion, GitHub, Figma) en vez de como una plataforma separada. Amara, consultora con seis años de experiencia, participa en una experiencia intensiva de tres semanas para diseñar un servicio nuevo que la propia empresa necesita. La primera semana es deliberadamente lenta, sin IA, dedicada a entender el problema. La segunda es de aceleración con agentes que generan veinte variantes de modelo en una hora. La tercera produce un prototipo funcional, una receta lenta con todo el proceso y una receta rápida que cualquier consultor de la empresa puede usar. La presentación al comité de dirección no es académica: es un pitch interno que aprueba un piloto del servicio con tres clientes. Aprender y trabajar se han fusionado. La tensión específica de este escenario es la integración con el ritmo del negocio: la justificación económica depende de que las experiencias produzcan resultados tangibles, no solo desarrollo profesional individual.

Pedro y Carmen aprenden en una red territorial. Una comarca rural con población envejecida y migración juvenil pone en marcha una “red de aprendizaje territorial” sobre infraestructuras existentes (bibliotecas municipales reimaginadas, una cooperativa agraria, una escuela de oficios, espacios cedidos por organizaciones locales). No es una universidad nueva ni un programa corporativo: es un sistema operativo educativo instalado sobre una comunidad. Pedro es un agricultor jubilado con cuarenta años de oficio. Carmen es una joven con formación en diseño en la escuela de arte de la capital de provincia que ha vuelto al pueblo. No se conocían. Se encuentran en una experiencia titulada “Documentar el saber agrícola de la comarca para las generaciones que vienen”, un reto propuesto por la cooperativa agraria, junto a otras seis personas con perfiles muy distintos (otro agricultor jubilado, otro diseñador joven, una técnica del parque tecnológico, una profesora de secundaria, un emprendedor agroalimentario y una mujer de un municipio vecino que hace queso artesanal). Carmen y los más jóvenes acompañan a Pedro y a Rosario a sus fincas con cámaras, grabadoras y cuadernos. Documentan no solo lo que los agricultores dicen, sino lo que hacen: los gestos, las miradas al cielo, el tacto de la tierra. Es una fase lenta por excelencia: requiere presencia, paciencia, escucha; no se puede acelerar con IA. Después, los agentes ayudan a estructurar el material, a cruzar lo que cuenta Pedro con datos meteorológicos de las últimas dos décadas, a generar un archivo territorial reutilizable. El resultado es revelador: las predicciones de cosecha que Pedro hace “a ojo” tienen una correlación del 87% con los datos. Su “algoritmo”, literalmente, funciona. El conocimiento experiencial se valida y los datos se enriquecen con la interpretación experiencial; ninguno de los dos, solos, sería tan potente. Pedro descubre que su saber tiene un valor que nadie le había reconocido formalmente. Carmen descubre que el diseño que aprendió en la escuela de arte cobra un sentido distinto cuando sirve para preservar el saber de su territorio. La tensión específica del escenario es la sostenibilidad: sin matrícula tradicional, ¿cómo se financia un sistema así? Aquí entran modelos mixtos (financiación pública por impacto territorial, contraprestaciones de empresas y cooperativas locales, fondos europeos de cohesión) y una pregunta abierta sobre qué legitimidades alternativas pueden sostener este tipo de aprendizaje.

Tres contextos muy distintos, el mismo sistema operativo. Lo que cambia entre ellos no es el núcleo (las seis capas, los principios pedagógicos, la comunidad como base) sino la configuración local. Y lo que los tres revelan es que el ejercicio de “pensar desde cero” no produce un modelo único: produce una infraestructura plástica capaz de instalarse en condiciones reales muy diferentes.

Lo que no se puede diseñar desde cero

Sería deshonesto no reconocer que la metáfora del clean-sheet design tiene fronteras reales. Hay dimensiones donde pensar desde cero choca con cuestiones que solo se construyen con tiempo.

La legitimidad no se diseña: se construye con tiempo y evidencia. Una “universidad” nueva carece de reputación, de egresados, de historia. Los mecanismos de señalización (el valor del título como indicador para empleadores y sociedad) no se construyen de la noche a la mañana. Las redes de confianza que las universidades existentes han tejido durante décadas (con empleadores, reguladores, otras instituciones, agencias de financiación) son un capital relacional que no se replica por decreto. Los marcos regulatorios son, por definición, una herencia del modelo anterior: pueden ser barreras o, a veces, oportunidades que se están abriendo, pero no se pueden ignorar. Y las personas (las que diseñan, las que median y facilitan, las que aprenden) no llegan como tabulas rasas y traen marcos mentales formados en el sistema que conocen.

Reconocer estos límites no invalida el ejercicio. Lo hace más útil. La paradoja productiva del clean-sheet design aplicado a la educación es esta: la infraestructura que resulta de pensar desde cero no necesita desplegarse en un campo vacío. Puede instalarse en organizaciones que ya existen, justamente porque pensar sin condicionantes nos permite distinguir qué partes del modelo actual son realmente funcionales y cuáles son artefactos históricos que persisten por inercia. Una vez sabes qué construirías si pudieras, sabes con mucha más precisión cómo transformar lo que existe.

La invitación

Universidad Cero es un proyecto en construcción abierta. La web bilingüe ya está viva en universidadcero.org. El documento conceptual completo (con las seis capas desarrolladas en detalle, los tres escenarios completos con sus journeys, el mapa de inspiraciones y la hoja de ruta) se puede descargar. Iremos publicando borradores sucesivos en lugar de una versión cerrada: la validación, en este proyecto, viene del debate público, no de un ciclo interno previo.

No buscamos clientes. Buscamos cómplices. Personas que reconozcan algo en este ejercicio (una intuición que les venía rondando, una pregunta que se hacían sin saber cómo formularla, una crítica que querían abordar) y que estén dispuestas a contribuir a hacer este artefacto más robusto. Esto significa cosas muy distintas según quién seas. Si eres responsable de una institución educativa o de una universidad corporativa, puede significar usar este documento como espejo de tu propia organización: ¿qué pasaría si aplicaras estas ideas a tu contexto? Si eres docente, diseñador educativo o facilitador, puede significar discutir las herramientas concretas (las tecnologías lentas, la documentación como aprendizaje, la alternancia de velocidades) y probarlas. Si eres investigador o investigadora, puede significar abordar las preguntas abiertas que el documento todavía no resuelve. Si trabajas en políticas educativas o en financiación de innovación, puede significar pensar con nosotros cómo se sostiene económicamente algo así. Y si eres alguien que sigue leyendo después de tres mil palabras, casi seguro que tienes algo que decir.

Hay un formulario de “Únete” en la web y una bandeja de entrada que leo personalmente. Además estoy completando una lista de cincuenta o sesenta personas a las que quiero escribir directamente. Si crees que deberías estar en esa lista o conoces a alguien que sí, dímelo.

La semana que viene publicaré un post diferente: un making of. Cómo se ha diseñado este documento, con qué fuentes, con qué proceso, con qué papel para la IA en el propio ejercicio de pensarlo. Coherente con la filosofía: si Universidad Cero habla de documentar el proceso, su propia construcción debe documentarse también.

Si te ha resultado interesante, compártelo con alguien que trabaje en educación y no se resigne a las inercias institucionales, especialmente si está en posición de empujar un cambio. Y si quieres sumarte a la conversación, escríbeme: la construcción en abierto empieza así.

En el primer post de esta serie presenté cinco principios que, desde mi experiencia, considero esenciales en el liderazgo que un equipo o una organización necesitan. En dos posts anteriores exploré el desapego y la madurez emocional como cimientos personales del trabajo en equipo. Este post completa ese bloque fundacional abordando el tercer cimiento, que ya no es solo personal sino que conecta lo individual con lo colectivo: la relación entre la misión compartida y el cuidado de las personas que trabajan para cumplirla.

«Solo importa nuestra misión y el bienestar de las personas». Formulado así suena casi ingenuo, pero creo que es el principio más radical de los cinco, porque si se asume de forma estricta obliga a cuestionar la mayor parte de las actividades que habitualmente realiza una organización.

El dilema que no es tal

Existe una creencia muy extendida en las organizaciones, a veces explícita y a veces no, de que hay que elegir entre resultados y bienestar. Que perseguir la misión con intensidad implica necesariamente sacrificar a las personas, y que cuidar a las personas implica resignarse a perder foco, velocidad o exigencia. Esa creencia puede operar en equipos de todo tipo: en startups que justifican ritmos insostenibles invocando la urgencia de su misión, y en grandes organizaciones que acumulan capas de procesos supuestamente orientados al bienestar pero que en realidad no aportan nada ni a las personas ni a los resultados. En algunos casos incluso perviven aspectos de una cultura tóxica que nuevas «capas de bienestar» no logran eliminar.

Desde mi punto de vista este dilema es falso. Debemos trabajar para lograr que ambos objetivos sean compatibles, y creo que es factible lograrlo. Las organizaciones y equipos que realmente valen la pena son los que lo consiguen. No solo es posible perseguir la misión con intensidad y a la vez cuidar a las personas: es que las dos cosas son inseparables. Un equipo que no cuida a sus personas pierde talento, pierde honestidad, pierde la capacidad de que alguien diga «esto no funciona» antes de que sea demasiado tarde. Y un equipo que no tiene una misión clara a la que servir acaba convirtiendo el bienestar en un fin en sí mismo, en una serie de beneficios y rituales que no producen compromiso real sino comodidad y apatía.·

Suscríbete ahora

Un criterio radical de simplificación

Tomar en serio el principio de que solo importan la misión y el bienestar de las personas tiene una consecuencia práctica inmediata: se convierte en un filtro para todo lo demás. Cada decisión organizativa, cada reunión, cada proceso, cada estructura, debe justificarse por su contribución a uno de esos dos objetivos clave. Si no contribuye a la misión compartida ni al bienestar de quienes trabajan en ella, es innecesaria y supone una pérdida de energía y recursos.

Esto puede parecer simplista, pero en la práctica resulta extraordinariamente difícil de aplicar porque obliga a preguntarse constantemente: ¿esto para qué sirve realmente? Y la respuesta, si se es honesto, muchas veces es que no sirve para nada útil o relevante. Sirve para que alguien se sienta en control, para mantener una apariencia de orden, para justificar una posición, o simplemente porque siempre se ha hecho así.

El principio funciona como un instrumento de simplificación radical. No es una invitación a eliminar todo lo que no genera resultados inmediatos. Es una invitación a ser honesto sobre la razón de ser de cada cosa que hacemos como organización. Y esa honestidad, cuando se practica con rigor, tiende a producir organizaciones más ligeras, más claras y más habitables. En un contexto de digitalización profunda de los procesos de coordinación y colaboración, algo que exploraremos más adelante en esta serie, este criterio de simplificación es susceptible de aplicarse con más radicalidad aún.

Integración, no conciliación

Hace años escribí un texto cuestionando el discurso convencional sobre la conciliación entre vida y trabajo. La idea que exploraba entonces, y que sigo manteniendo, es que el concepto mismo de conciliación parte de un error: presupone que vida y trabajo son compartimentos separados que hay que equilibrar. Pero para muchas personas, especialmente para quienes se implican profundamente en proyectos que les importan, esa separación no existe. El trabajo es parte de la vida, no su antagonista.

Esto no significa que no existan límites ni que todo valga en nombre de la misión. Significa exactamente lo contrario. Si el trabajo es parte de la vida y no un compartimento aparte, entonces todo lo que necesitamos para vivir bien, el descanso, la salud, las relaciones, el tiempo para pensar, no es un lujo que se concede cuando los resultados lo permiten. Es una condición necesaria para que los resultados existan. Cuidar y cuidarnos no son actividades que compiten con el trabajo: son parte de lo que hace posible trabajar bien.

La integración exige un tipo de honestidad que la conciliación no requiere. La conciliación permite mantener la ficción de que nuestra vida se divide en dos círculos perfectamente separados, el trabajo y la vida, y que basta con repartir nuestros tiempos entre ambos y definir reglas para que no se produzcan interferencias. La integración obliga a preguntarse si la forma en que trabajamos es compatible con la forma en que queremos vivir. Y si no lo es, obliga a cambiar la forma de trabajar, no a añadir más beneficios para compensar el daño.

La misión por encima de los egos

En el post anterior sobre el desapego argumenté que liberarnos del apego a nuestras propias ideas y al reconocimiento personal es lo que permite servir al equipo por encima de uno mismo. Este principio es la otra cara de esa misma moneda: poner la misión por encima de los egos no es un acto de sacrificio, sino una consecuencia natural del desapego.

Todos conocemos organizaciones donde la misión está clara sobre el papel pero donde las decisiones reales se toman en función de otros criterios: la posición de poder de quien las propone, la necesidad de proteger territorios, el miedo al conflicto o, simplemente, la inercia. En esos casos la misión se convierte en una declaración decorativa, algo que se invoca en las presentaciones pero que no gobierna las decisiones cotidianas.

Poner la misión de verdad por encima de los egos tiene consecuencias concretas, a veces incómodas pero siempre muy eficaces. Significa aceptar que una idea mejor puede venir de cualquier persona del equipo, independientemente de su posición. Significa estar dispuesto a cambiar de rumbo cuando la evidencia lo exige, aunque eso suponga reconocer que estabas equivocado. Y significa, en ocasiones, aceptar que tu papel en un proyecto ha cumplido su ciclo y que es momento de dar un paso al lado para que el proyecto continúe creciendo.

Los tres cimientos

Este post cierra el bloque fundacional de la serie. En los posts anteriores hemos recorrido un camino que empieza en lo personal y termina en lo colectivo. La madurez emocional como requisito para participar en conversaciones difíciles sin convertirlas en drama. El desapego como práctica que libera de la necesidad de tener razón y de controlar. Y ahora la misión y el bienestar como el doble criterio que orienta todas las decisiones de una organización y de los equipos.

Estos tres cimientos no funcionan de manera independiente. Sin madurez emocional, las conversaciones sobre la misión se convierten en luchas de poder. Sin desapego, el bienestar de las personas se subordina al ego y criterio de quien lidera. Y sin una misión clara y un compromiso real con el bienestar, la madurez y el desapego se quedan en virtudes personales que no transforman nada.

A partir del próximo post abordaré la construcción de formas y prácticas de liderazgo a partir de estos principios, moviéndonos de lo personal a lo sistémico: cómo se organizan los equipos, cómo crean conocimiento y aprenden, y los papeles de factores como la confianza, la autonomía, la interdependencia, la diversidad y el conflicto. Este diagrama representa una cartografía conceptual y provisional de la serie “Equipos”:

Imagínate por un momento que la mayoría de los servicios que asociamos con una institución educativa están disponibles en cualquier móvil, gratis, a cualquier hora, en cualquier idioma. Un agente de IA puede explicarte cualquier concepto a tu nivel, adaptándose a tu ritmo y a tus dudas. Puede proponerte un itinerario personalizado, corregir tus ejercicios con feedback detallado, recomendarte lecturas, simular un examen de cualquier universidad del mundo, hacer de tutor incansable. Puede traducir papers, sintetizarlos, buscar fuentes, sostener una conversación socrática sobre Kant a las tres de la mañana.

Esto no es ciencia ficción. Es, en gran medida, lo que ya existe en 2026. Y lo que existe hoy es radicalmente más pobre que lo que existirá en cinco años.

La pregunta que esta situación plantea a cualquier institución educativa es incómoda, y solo puede aplazarse por un tiempo muy limitado: si un agente de IA puede hacer casi todo lo que hace un profesor, ¿qué queda que justifique la existencia de la institución?

La respuesta defensiva más habitual es alguna versión de “el título”, “la acreditación”, “la garantía de calidad”. Es una respuesta débil, y probablemente acelera el declive de quien la pronuncia. Porque la legitimidad acreditativa no está basada en el aprendizaje que efectivamente ocurre, sino en un conjunto de convenciones burocráticas históricamente efectivas. Convenciones que, como toda convención, pueden cambiar. De hecho están empezando a cambiar. Cada vez más empresas evalúan experiencia y competencias directamente, al margen del título. Cada vez más trayectorias se construyen con portfolios públicos de trabajo y proyectos en lugar de credenciales. Cada vez más ecosistemas profesionales descubren que el título dice bastante menos de lo que pretende decir.

Otra respuesta defensiva habitual: “la experiencia presencial”. Pero esto tampoco es la respuesta correcta. La presencialidad por sí sola no es un valor diferencial; es un coste. Lo que importa es qué ocurre en esa presencialidad. Si lo que ocurre es una clase magistral que un agente explica mejor, de forma más personalizada y a cualquier hora, la presencialidad es peor, no mejor.

Ninguna de estas respuestas sirve. Y eso es bueno, porque obliga a la pregunta más interesante: ¿qué tendríamos que diseñar deliberadamente, una vez que la IA hace casi todo mejor, más barato y más rápido? ¿Qué funciones irreductibles justifican la existencia de una institución educativa?

Llevo un tiempo trabajando sobre esta pregunta: es la pregunta central del ejercicio de diseño al que llamo Universidad Cero. Y lo que emerge son cuatro apuestas. No muchas. Tampoco pocas. Cuatro.

Suscríbete ahora

Primero, una comunidad dinámica real.

Una comunidad no es un aula, ni un campus, ni un conjunto de matriculados. Una comunidad es un grupo de personas que comparte un propósito, que se conoce suficientemente para colaborar, que genera confianza por acumulación de interacciones, que construye junta. Este tipo de entidad es lo que las instituciones educativas han sido capaces de ofrecer, en sus mejores momentos, a sus estudiantes. Y es exactamente lo que los agentes de IA no pueden generar por sí mismos.

Una IA puede apoyar una comunidad, mediarla, documentar sus conversaciones, incluso proponer conexiones entre personas. Pero no puede ser la comunidad. La comunidad ocurre entre humanos que se conocen con cuerpo, tiempo e historia compartida. Y su valor crece con el uso: cuanto más hace, más vínculos se generan, más confianza se acumula, más fácil resulta para cualquier miembro encontrar la persona correcta para un reto nuevo. Es un activo acumulativo, no un servicio transaccional.

El problema es que la “comunidad” de una universidad tradicional funciona mal. El estudiante “pertenece” a un curso, a un grupo, a una promoción con los que comparte escasa coordinación real. Cuando la comunidad existe, suele ser un subproducto no diseñado: amistades de pasillo, equipos de trabajo forzosamente agrupados, encuentros fortuitos en cafeterías. Funciona a pesar de la institución, no por ella.

Una “universidad” que se piense desde cero probablemente invierte este principio. La pertenencia es lo primero, y las experiencias de aprendizaje son lo que se va construyendo dentro de la comunidad. El aprendedor no se matricula en un curso; se incorpora a una comunidad y desde dentro entra y sale de experiencias según su propio itinerario. Esto no es un cambio cosmético. Cambia la unidad base del diseño: ya no es la asignatura, ni el curso, ni la carrera. Es la comunidad y su contexto.

Segundo, fricción cognitiva diseñada.

En el post anterior escribí sobre la paradoja de la aceleración y las tecnologías lentas. El argumento, resumido: cuando la IA resuelve cualquier tarea sin esfuerzo, las capacidades cognitivas que se desarrollarían haciendo esa tarea tienden a atrofiarse. Pensamiento crítico, memoria de trabajo, metacognición, hábitos de indagación profunda: todas requieren ejercicio. Y todas están siendo descargadas de forma sistemática a sistemas externos.

El problema no es que la IA exista. El problema es que, dejada a su lógica “natural” (optimizar la eficiencia, eliminar la fricción), la IA entrena a los aprendedores en la dependencia. Una institución educativa que exista en esta era tiene una función que ninguna aplicación de mercado va a asumir: diseñar la fricción que la IA, por su propio diseño, elimina.

Diseñar fricción cognitiva no es un añadido decorativo al currículum. Es, probablemente, la función pedagógica central de una institución educativa contemporánea. Decidir cuándo la persona piensa sola, cuándo escribe a mano, cuándo debate sin moderador, cuándo fracasa sin red. Decidir también cuándo entra la IA, en qué fase, con qué papel — siempre secundario al esfuerzo humano que la precede. Esta decisión de diseño no puede delegarse a una aplicación, porque ninguna aplicación tiene incentivos para introducir esfuerzo donde podría producir comodidad. Solo una institución con una intención pedagógica explícita puede sostener esa secuencia en el tiempo.

La fricción cognitiva diseñada es lo que diferencia una institución educativa de un dispositivo que sirve conocimiento bajo demanda. Y es una función diferencial, precisamente, porque el mercado no la va a producir.

Tercero, producción de conocimiento, no consumo.

Hay una lógica muy antigua, profundamente obsoleta, instalada en el centro de la educación: la de transmisión. Alguien que sabe (profesor, libro, plataforma) transmite a alguien que no sabe (estudiante). La tarea del estudiante es recibir, procesar, retener y reproducir. El aprendizaje se mide por la precisión de esa reproducción.

Este modelo ha sobrevivido durante siglos porque fue el único que escalaba. La información era escasa y cara; tenía sentido optimizar la transmisión como problema central. En un entorno donde la IA puede transmitir mejor cualquier conocimiento, de forma más personalizada y (al menos aparentemente) gratuita, el modelo de transmisión pierde casi todo su sentido educativo. Lo que queda, lo que las máquinas no pueden hacer por ti, es producir conocimiento: poner en juego, crear algo nuevo con lo que otros (y ahora también las IAs) han producido antes.

La producción de conocimiento en contextos educativos es, en sí misma, un tipo específico de aprendizaje: exige identificar una pregunta genuina, investigar, decidir, equivocarse, argumentar, documentar, exponerse al juicio de otros. No es “aplicar” lo aprendido; es aprender haciendo. Lo que los laboratorios de innovación ciudadana, los grupos de investigación bien diseñados y ciertas experiencias pedagógicas (Team Academy, el Aprendizaje Basado en Problemas, Proyectos o Retos —aplicado de forma rigurosa y radical—, los makerspaces) han demostrado durante décadas es que este tipo de aprendizaje produce capacidades muy superiores al aprendizaje receptivo y es, además, intrínsecamente más atractivo para los aprendedores.

Una institución educativa que asume el modelo de producción cambia su propio funcionamiento. La unidad ya no es la asignatura sino el reto. La evaluación ya no es el examen sino la documentación del proceso. El profesor ya no es transmisor sino diseñador e interlocutor. Y la IA entra donde amplifica la producción humana, no donde la sustituye.

Cuarto, acompañamiento humano de trayectoria.

Aprender es atravesar una serie de transformaciones personales. No se aprende solo contenido; se aprende a pensar de formas nuevas, a enfrentar preguntas que cuestionan quién eres, a elegir qué tipo de profesional y qué tipo de persona quieres llegar a ser. Este trabajo de trayectoria que las tradiciones pedagógicas han llamado Bildung (cultivo de uno mismo, desarrollo, formación en un sentido profundo) no es un subproducto del aprendizaje de contenidos. Es, frecuentemente, lo que hace que un aprendizaje sea significativo en lugar de quedarse en la superficie.

Un agente de IA puede ser útil en muchos aspectos del acompañamiento: puede recordar tu historial, ajustar explicaciones a tu contexto, hacer de tutor paciente las veinticuatro horas. Pero hay una forma específica de acompañamiento que no puede dar, y que una persona sí: el reconocimiento. La mirada de otro humano, que ha atravesado procesos similares, que te entiende desde dentro, que te dice algo que necesitas oír precisamente porque viene de alguien que ha pagado el precio de saberlo. Esta forma de acompañamiento es rara incluso en las universidades “buenas” y la mayoría de los estudiantes pasan por instituciones enteras sin recibirla. Pero cuando aparece, suele ser lo que distingue un título de una transformación.

Si una institución educativa tiene algo que ninguna IA puede replicar, es la posibilidad de organizarse en torno a esta función de acompañamiento. No como un servicio secundario (“tutorías”), sino como una función central. Mentores, dinamizadores, tutores de trayectoria, personas que dedican una parte significativa de su tiempo a acompañar procesos, no a dar clases. Este tipo de figura profesional requiere tiempo — el recurso más escaso en las instituciones actuales, paradójicamente consumido por tareas que la IA podría absorber casi por completo.

Compartir

Estas cuatro funciones — comunidad dinámica, fricción cognitiva diseñada, producción de conocimiento, acompañamiento humano — tienen algo en común. Ninguna se parece demasiado a lo que, en el imaginario social dominante, hace una universidad. Las universidades que conocemos están organizadas sobre otras cuatro funciones: matricular, transmitir, evaluar, acreditar. Cuatro funciones que, las cuatro, la IA puede hacer razonablemente bien.

La coincidencia no es anecdótica. Lo que el ejercicio de pensar desde cero revela es que hay un vacío estructural entre lo que las universidades hacen hoy y lo que las volvería genuinamente valiosas. La mayor parte de la infraestructura visible de una universidad (los departamentos, los horarios, los exámenes, los créditos, los grados) está al servicio de funciones que ya no son diferenciales. Y lo que sí es diferencial sucede a pesar de esa infraestructura, no gracias a ella.

Conviene ser preciso aquí: estas cuatro funciones no son nuevas. Son, de hecho, antiquísimas. La comunidad dinámica existía en los colegios medievales, en las academias griegas, en los círculos de aprendizaje de cualquier gremio. La fricción productiva es lo que maestros y maestras han diseñado toda la vida cuando diseñaban bien. La producción de conocimiento es lo que los laboratorios de investigación han hecho siempre. El acompañamiento humano es lo que los mentores han ofrecido desde que alguien ha necesitado ayuda para crecer. Lo que es nuevo no es la función; es el hecho de que, con la IA, estas cuatro funciones se vuelven lo único que justifica una institución educativa, mientras todo lo demás (transmitir contenido, corregir ejercicios, administrar expedientes) lo resuelve mejor la capa de IA que la propia institución integra.

Este reordenamiento no es incremental. Implica organizar una institución educativa alrededor de lo que durante más de un siglo se había empujado a los márgenes. Y exige asumir que la mayoría de la infraestructura heredada — administrativa, pedagógica, profesional — ya no es el núcleo sino la periferia, y que por tanto puede ser reemplazada, automatizada o directamente eliminada.

Este es uno de los hilos del argumento de Universidad Cero, el ejercicio de diseño que estoy documentando abiertamente en universidadcero.org. La pregunta que recorre todo el proyecto es muy simple: si empezáramos de cero hoy, con lo que sabemos sobre aprendizaje y con las capacidades de IA disponibles, ¿qué infraestructura mínima diseñaríamos? Las cuatro funciones de este post son una parte de la respuesta, pero no son la respuesta completa. Alrededor de ellas se plantea una arquitectura de seis capas (tecnología, espacios, metodologías, datos, gobernanza, comunidad) y tres escenarios concretos donde estas ideas se ponen a prueba.

La semana que viene publicaré el concepto completo — la arquitectura completa, los escenarios, las referencias y también las preguntas que todavía no sé responder. Si algo de lo que has leído aquí te ha hecho pensar, te invito a estar atento: es precisamente este tipo de conversación lo que quiero abrir.

Si te ha resultado interesante, compártelo con alguien que trabaje en educación y no se resigne a las inercias institucionales, especialmente si está en posición de empujar un cambio. Y si quieres sumarte a la conversación, escríbeme o déjame un comentario: la construcción en abierto empieza así.

En el post anterior presenté los cinco principios que, desde mi experiencia, me parecen esenciales en el tipo de liderazgo que una organización necesita. El último de ellos era el desapego, y es el que quiero explorar en este post. No empezamos por él por casualidad: si el modelo de Dee Hock que mencionaba allí es correcto y “la mitad” del liderazgo consiste en liderarte a ti mismo, entonces el desapego y la relación con la misión son exactamente la mitad de todo, los cimientos sobre los que se sostiene lo demás.

El desapego es un principio incómodo de abordar porque se confunde con facilidad con sus caricaturas: con la indiferencia, con la distancia emocional, con la frialdad. No es ninguna de esas cosas. Y mi forma de hablar del desapego es a través de experiencias personales que transformaron mi mirada y comprensión de lo que significa.

Suscríbete ahora

Dos conversaciones que cambiaron mi mirada

Hace unos años tuve una conversación breve en la recepción de un hotel de Lisboa. Yo estaba en mitad de un día interminable que había empezado en Barcelona, había seguido en Madrid con reuniones, y terminaba en Lisboa esperando a alguien para otra conversación de trabajo. Me encontré por casualidad con Pedro, un amigo con quien no contaba coincidir allí, y empezamos a charlar. En realidad habló sobre todo él, y en algún momento me lanzó una frase que me acompañó durante meses: “el apego es antagónico con la libertad y el amor”. Podía haber dicho con la libertad o con el amor. Pero no: unió los dos términos en una sola afirmación.

Durante aquellas semanas comprendí que había vivido gran parte de mi vida entendiendo el desapego como una patología encubierta, una forma de distancia que me limitaba. Lo que esa conversación me hizo intuir es que el desapego podía ser exactamente lo contrario: una práctica liberadora.

Unos meses después, durante un viaje a San Francisco, viví el segundo momento, uno que, con variaciones, se ha repetido muchas veces en otros equipos. Trabajaba entonces con un equipo que se enfrentaba a una paradoja recurrente. Tenían ideas brillantes sobre el producto que querían construir, pero cada vez que esas ideas se exponían a los usuarios reales a los que pretendían servir, la realidad contradecía sus convicciones. Y sin embargo, volvían a defender sus propias hipótesis. En una reunión en particular entendí qué estaba pasando. Lo que les impedía ver lo que los usuarios les decían no era falta de inteligencia ni falta de datos. Era apego. Apego a sus propias ideas, a sus propias convicciones, a la imagen que se habían hecho del producto y de sí mismos construyéndolo.

Aquella tarde escribí en mi cuaderno una frase que sigue resumiendo lo esencial de lo que he aprendido desde entonces: el apego a nuestras ideas es la barrera principal que nos impide observar el mundo con objetividad y, a veces, incluso establecer empatía con las personas.

Los muchos apegos

Cuando pienso en el desapego aplicado al trabajo en equipo, me doy cuenta de que el apego adopta muchas formas, y casi ninguna es la que imaginamos a primera vista. Pocos de nosotros nos aferramos conscientemente a los objetos o al dinero. Nos aferramos, sin darnos cuenta, a cosas mucho más sutiles y mucho más difíciles de soltar.

Nos aferramos a nuestras ideas, a nuestras convicciones, a las hipótesis que hemos construido sobre cómo funciona el mundo, y las defendemos incluso cuando la realidad nos dice otra cosa. Nos aferramos al reconocimiento, al hecho de que se nos valore como artífices de lo que hacemos, y vivimos como amenaza cualquier éxito que no pase por nosotros.

Nos aferramos al poder, a la capacidad de decidir, y convertimos cada cuestión en una prueba de nuestra autoridad. Nos aferramos, y quizás este es el apego más difícil de reconocer, a la imagen que tenemos de nosotros mismos, y sacrificamos la verdad para preservar esa imagen.

Todos estos apegos tienen un punto en común: funcionan como una lente que distorsiona lo que vemos. Y un líder que no puede ver la realidad con claridad termina tomando decisiones sobre un mundo que no existe, sobre un equipo imaginado, sobre un proyecto que solo está en su cabeza.

Servir al equipo por encima de uno mismo

Lo que hace al desapego particularmente difícil de practicar, y particularmente valioso cuando se practica, es su condición paradójica. El desapego no es alejarse del equipo ni del proyecto. Es exactamente lo contrario: es lo que te permite servir al equipo y al proyecto por encima de ti mismo.

Sin desapego, cada decisión se convierte en una batalla por tener razón. Con desapego, las decisiones pueden tomarse sobre lo que realmente importa: la misión, el equipo, las personas a las que servimos. El proyecto deja de ser una extensión de tu ego y se convierte en lo que debería ser desde el principio: algo que es más importante que tu versión particular de él.

El desapego permite cambiar de rumbo cuando hace falta, sin vivirlo como un fracaso personal. Permite escuchar de verdad una crítica sin sentirse atacado. Permite reconocer un error sin que se tambalee tu identidad. Y, sobre todo, permite dejar que otras personas del equipo brillen, tomen decisiones y construyan sobre lo que tú has empezado sin que eso te haga sentir menos.

Humildad y silencio

En el post anterior apunté que el desapego no surge del desinterés ni de la distancia emocional, sino de la humildad. Me gustaría detenerme en eso con un poco más de calma, porque creo que hay aún otra capa más profunda. La humildad que hace posible el desapego no es una humildad performativa, de las que se ensayan en los cursos de liderazgo. Es una humildad que solo puede nacer de un tipo particular de conocimiento de uno mismo. Y ese conocimiento exige algo que cada vez escasea más: tiempo en soledad.

Hace años, en un post que escribí sobre la soledad, recogí las palabras de Marciano Durán, que decía, más o menos, que pocas personas en estos tiempos son capaces de estar solas consigo mismas una hora al día, y que la mayoría busca excusas para estar siempre acompañada. La frase era provocadora, y en su momento me interpeló porque me reconocí en quienes buscaban una forma de soledad siempre amortiguada por la presencia de otros: la que se tiene mientras se comparte una actividad en silencio, sin tener que enfrentarse de verdad a uno mismo.

Aprender a estar solo de verdad, sin distracciones ni intermediarios, es el lugar donde se cultiva el tipo de conocimiento de uno mismo del que hablaba Dee Hock. Es donde descubres tus sesgos antes de que te jueguen una mala pasada, donde ves los mecanismos por los que tu ego se disfraza de compromiso, donde identificas qué parte de tus convicciones es pensamiento y cuál es apego. Sin ese trabajo, la humildad es una máscara y el desapego se vuelve imposible.

No un destino, sino una condición

Me resulta importante aclarar que no entiendo el desapego como un destino al que se llega. No es un estado que se alcanza de una vez. Es una práctica, repetida todos los días, que exige estar atento a las formas sutiles con las que el apego se filtra en cada decisión. Lo que diferencia al líder con desapego no es haber resuelto la cuestión, sino haberla hecho parte de su práctica cotidiana.

El desapego tampoco es un fin en sí mismo. Es la condición que permite que la claridad de dirección no se confunda con imposición, que la confianza no se convierta en control encubierto, que la autonomía del equipo sea real y no un permiso que dependa de tu visto bueno. Y, sobre todo, es lo que permite que el cuarto principio, el que afirma que solo importan nuestra misión y el bienestar de las personas, deje de ser una declaración y se convierta en una práctica. Precisamente sobre la misión y el bienestar tratará el próximo post de esta serie.

Este post actualiza y reelabora ”Desapego”, un texto que publiqué en mi blog en enero de 2015. La serie Equipos, en general, recupera y dota de un nuevo contexto a reflexiones que he ido escribiendo a lo largo del tiempo.

Hace unas semanas escribí sobre una intuición con la que llevaba tiempo: que existe una relación inversa entre la velocidad de las tecnologías que usamos para aprender y el tipo de capacidades cognitivas que desarrollamos. La idea, condensada en una frase, era que las capacidades más valiosas para usar bien las tecnologías rápidas —pensamiento crítico, análisis riguroso, documentación estructurada, investigación profunda— se desarrollan paradójicamente a través de tecnologías lentas: los libros, los cuadernos, los diálogos presenciales, ciertos procesos digitales y formatos de documentación que exigen tiempo y atención sostenida.

Desde entonces he seguido profundizando en esa idea, y lo que he encontrado refuerza la intuición pero también la enriquece y, de este modo, la hace más interesante. En este post abordo esa dirección.

La paradoja central es esta: la inteligencia artificial acelera dramáticamente la producción y el procesamiento de información y conocimiento. Un agente puede sintetizar un paper en segundos, generar un borrador en minutos, resolver un problema de programación en un instante. Esta aceleración es real y valiosa; no tendría sentido negarlo. Pero el aprendizaje profundo, el que transforma capacidades y reconfigura cómo una persona piensa y actúa, no se acelera del mismo modo. Aprender a pensar con rigor, a formular preguntas genuinas, a sostener la atención ante un reto complejo o a ejercer juicio ante la incertidumbre requiere tiempo, esfuerzo y, con frecuencia, una lentitud deliberada que se resiste a la lógica de la eficiencia.

El riesgo educativo principal de nuestra época no es la falta de acceso al conocimiento, sino algo más sutil y retador: la atrofia de las capacidades cognitivas necesarias para usar bien el conocimiento accesible. La evidencia empírica es cada vez más clara. Gerlich (2025), en un estudio con 666 participantes, encontró una fuerte correlación positiva entre el uso frecuente de herramientas de IA y la descarga cognitiva —la delegación sistemática de procesos mentales a sistemas externos— y, lo que es más significativo, una correlación negativa considerable entre ese uso y las capacidades de pensamiento crítico. Fan et al. (2024) documentaron lo que llamaron “pereza metacognitiva” en estudiantes universitarios con acceso a IA generativa: una reducción significativa de los procesos de orientación, planificación, monitorización y evaluación que constituyen la base de la autorregulación del aprendizaje. Y Stadler, Bannert y Sailer (2024) confirmaron que los modelos de lenguaje reducen el esfuerzo mental y comprometen la profundidad de la indagación científica en estudiantes.

El mecanismo es consistente en los tres estudios: cuando delegamos sistemáticamente en una herramienta externa las tareas que nos resultan difíciles (como pueden ser la escritura que requiere pensamiento estructurado, el análisis que exige atención sostenida, la argumentación que exige considerar posiciones contrarias), las capacidades que no ejercitamos se debilitan. La IA, diseñada para optimizar la eficiencia, puede acabar optimizando la superficialidad. No porque sea perjudicial en sí misma, sino porque, sin un diseño intencional, tiende a eliminar exactamente el tipo de esfuerzo que produce aprendizaje profundo.Las capacidades cognitivas en juego no son abstractas ni genéricas. Son identificables y concretas: atención sostenida, memoria de trabajo y a largo plazo, hábitos de indagación, evaluación crítica de fuentes, metacognición (la capacidad de monitorizar y regular el propio pensamiento) y creatividad. Estas capacidades no surgen espontáneamente; se desarrollan a través de la exposición repetida y exigente a tareas que requieren esfuerzo, lentitud y fricción productiva. Cuando la tecnología resuelve esas tareas de forma automática, como la IA generativa está diseñada para hacer, la oportunidad de desarrollo se reduce drásticamente.

Y aquí es donde el problema se complica si lo analizamos desde la perspectiva generacional. Cada generación ha recorrido lo que podríamos llamar un “viaje vital” tecnológico diferente: una secuencia particular de entornos tecnológicos que atraviesa a lo largo de su biografía. Los que crecimos con libros, cuadernos y conversaciones cara a cara antes de encontrarnos con internet tuvimos décadas de exposición natural a la fricción cognitiva. La Generación Z (nacida entre 1997 y 2012) creció en un entorno plenamente digital pero sin inmersión en IA durante la infancia. La Generación Alfa (nacida a partir de 2013) se está criando en un mundo donde la IA es omnipresente desde el principio, con una transición mínima o nula desde contextos tecnológicamente más lentos.

La hipótesis es que las generaciones más jóvenes tienen progresivamente menos oportunidades naturales de desarrollar las competencias cognitivas que emergen de la exposición a la lentitud, el esfuerzo y la fricción productiva. Y esas son, paradójicamente, las competencias que necesitan para usar la IA de forma profunda, autónoma y crítica. No es un argumento nostálgico (”todo era mejor antes”) sino un problema de diseño: si la fricción productiva ya no ocurre espontáneamente en el entorno vital de los aprendedores, hay que diseñarla deliberadamente en el entorno educativo. Y cuanto más joven es la generación, más intensiva debe ser esa fricción diseñada.

La respuesta a esta paradoja no es renunciar a la velocidad. Sería absurdo e inútil: la IA no va a desaparecer, y sus capacidades de amplificación son genuinamente transformadoras para quien sabe usarlas de manera profunda. La respuesta es aprender a alternar ritmos. Es lo que he venido llamando “tecnologías lentas para pensar con IA”: prácticas, formatos y experiencias de aprendizaje que introducen deliberadamente fricción cognitiva, lentitud y profundidad en procesos que también incluyen fases rápidas potenciadas por IA.

La idea puede parecer contradictoria a primera vista. ¿Proponer lentitud en plena era de la aceleración? ¿Diseñar fricción cuando toda la industria tecnológica trabaja para eliminarla? No es contradictorio. Es, de hecho, lo que la investigación sobre aprendizaje lleva décadas sugiriendo, mucho antes de que la IA convirtiera la cuestión en urgente.

Robert y Elizabeth Bjork, investigadores en UCLA, llevan desde los años noventa documentando lo que llaman desirable difficulties (dificultades deseables). Su hallazgo fundamental puede parecer contraintuitivo: las condiciones que hacen el aprendizaje más difícil a corto plazo son precisamente las que producen un aprendizaje más duradero y transferible. Espaciar la práctica en lugar de concentrarla. Intercalar temas diferentes en lugar de estudiarlos en bloques. Practicar la recuperación activa de información en lugar de releer. Introducir variabilidad en las condiciones de práctica. Todas estas estrategias ralentizan el avance percibido del estudiante y generan más errores en el momento, pero producen un conocimiento significativamente más robusto a largo plazo.

La implicación para el diseño educativo en la era de la IA es directa y algo incómoda: la mayoría de los tutores de IA actuales están diseñados para optimizar exactamente lo contrario. Retroalimentación instantánea, secuencias personalizadas para máxima eficiencia, eliminación de toda fricción. Desde la perspectiva de los Bjork, esto optimiza la métrica equivocada: la velocidad de avance en lugar de la durabilidad del aprendizaje. No porque la tecnología sea mala, sino porque está diseñada para que el estudiante sienta que avanza rápido, cuando lo que produciría aprendizaje profundo es, muchas veces, sentir que requiere esfuerzo.

Manu Kapur, investigador en ETH Zurich, lleva esta lógica un paso más allá con lo que denomina productive failure (fracaso productivo). Su propuesta, desarrollada desde 2008 y condensada en un libro publicado en 2024, es que el fracaso estratégico antes de recibir instrucción formal produce mejor aprendizaje que recibirla directamente. Los estudiantes que se enfrentan primero a un problema sin orientación previa exploran, intentan, fracasan y documentan lo que intentaron. Solo después reciben la instrucción formal. El fracaso previo no fue un error del proceso; fue el proceso. Porque esa exploración fallida activó esquemas cognitivos, generó conciencia de las propias lagunas y dirigió la atención hacia los aspectos más profundos del problema de una forma que la instrucción directa, por sí sola, no consigue. En este mismo enfoque, llevado al extremo, se basa la metodología Team Academy para aprendizaje en equipo, que tuve la oportunidad de experimentar en mi experiencia con Mondragon Team Academy y Teamlabs.

La conexión con las tecnologías lentas es directa. Si la IA resuelve el problema antes de que el aprendedor tenga oportunidad de fracasar productivamente, se pierde la fase más valiosa del proceso de aprendizaje. No se trata de prohibir la IA, sino de diseñar cuándo entra. La secuencia importa: primero lo lento, después lo rápido. Primero la fricción, después la amplificación. La IA debería entrar después de que la persona haya intentado, fallado y comprendido por qué falló. Su función en esa fase no es dar la respuesta sino ayudar a detectar cuándo el fracaso está siendo productivo (y mantener la fricción) y cuándo se ha convertido en un bloqueo genuino (y entonces sí, intervenir). La diferencia entre un estudiante que explora lateralmente, documenta intentos fallidos y reformula preguntas, y un estudiante que pide repetidamente ayuda directa y busca atajos, es la diferencia entre fricción productiva y frustración estéril. Un agente de IA bien diseñado para acompañar el aprendizaje debería saber distinguirlas y actuar en consecuencia.¿Cómo se traduce esto en la práctica? Algunos ejemplos concretos que estamos explorando.

Escritura manuscrita en fases de exploración. Antes de que una IA genere un borrador, la persona piensa en papel. No porque la IA no pueda hacerlo, sino porque el acto manual de escribir obliga a externalizar el pensamiento a un ritmo que fuerza la claridad. Mueller y Oppenheimer (2014) demostraron que la escritura a mano produce un procesamiento conceptual más profundo y mejor retención a largo plazo que la escritura en teclado: al no poder transcribir literalmente, la mano obliga al cerebro a seleccionar, reformular y comprimir, que son exactamente las operaciones cognitivas que producen comprensión. Es más lento, y ese retardo es lo que produce cognición de mayor calidad. La IA entra después, para amplificar y expandir lo que la persona ya ha pensado por sí misma. La secuencia importa: primero la lentitud, luego la velocidad.

Debates presenciales donde la IA documenta pero no modera. Hay algo que sucede en el encuentro presencial que la mediación digital no captura: la lectura del otro en tiempo real, la necesidad de formular la respuesta en el instante, la presencia del desacuerdo como fuerza generativa. Estos momentos de fricción relacional son donde ocurre la transformación cognitiva más profunda. La IA puede documentar lo que sucede en esos espacios, puede generar síntesis inteligentes después del encuentro, puede formular preguntas provocadoras antes de que ocurra. Pero no debería dominar el momento. Su función es amplificar la riqueza del encuentro humano, no sustituirlo.

Lectura con anotaciones críticas, no resúmenes automáticos. Frente a un texto, la IA puede producir un resumen instantáneamente. Pero la persona que lee anotando sus propias críticas, preguntas y conexiones con conocimiento anterior está aprendiendo a leer críticamente: una capacidad que ningún resumen automático desarrolla. La lentitud de la anotación manual es el espacio donde ocurre ese aprendizaje. La IA puede luego ayudar a sintetizar esas anotaciones en un mapa conceptual más rico que cualquiera que el lector hubiera producido solo, pero solo si hubo primero una lectura genuinamente lenta y crítica sobre la que construir.

“Recetas lentas” como formato de documentación. En los laboratorios de innovación ciudadana con los que he colaborado existe un formato extraordinariamente productivo: la “receta”. No es una documentación ejecutiva sino intencionalmente detallada: captura no solo qué se hizo sino cómo se decidió, dónde hubo errores, qué bifurcaciones se consideraron y por qué. Toma tiempo hacerla, toma tiempo leerla, y esa lentitud es precisamente su valor pedagógico. La reflexión sobre qué documentar y cómo narrarlo es en sí misma un acto de aprendizaje que no se puede delegar. La IA puede convertir una receta lenta en una versión ejecutiva para quien necesite un resumen rápido —y debería hacerlo, porque eso amplía el alcance del conocimiento producido—. Pero la receta original, con toda su lentitud, es el archivo de la inteligencia colectiva del equipo.

Es una lógica de alternancia, no de oposición. Velocidad y lentitud no son enemigas; son fases complementarias de un proceso de aprendizaje bien diseñado. Y la secuencia importa: la evidencia sugiere que en educación la fricción debe venir primero. Las competencias cognitivas fundacionales —la atención sostenida, la memoria de trabajo, los hábitos de indagación y la metacognición— necesitan consolidarse antes de que la amplificación tecnológica tenga sobre qué amplificar. Introducir IA en todos los frentes desde el primer momento, sin secuencia ni estructura, es probablemente contraproducente: produce exactamente la descarga cognitiva y la pereza metacognitiva que la investigación documenta.

Esto requiere un tipo de diseño pedagógico que hoy prácticamente no existe, porque la mayoría de las instituciones educativas o ignoran la IA, y entonces no hay fase rápida, o la adoptan sin estructura, y entonces no hay fase lenta. El punto interesante está exactamente entre ambos extremos: diseñar la secuencia completa, con ambos ritmos, de forma deliberada. Y hacerlo de forma diferenciada, porque una persona de cuarenta años que ha tenido décadas de fricción cognitiva natural necesita un diseño distinto al de un estudiante de dieciocho que ha crecido en un entorno donde la IA resuelve antes de que el problema genere incomodidad.

En el post anterior escribí sobre lo que pasa cuando aplicas el clean-sheet design a la educación: la pregunta de qué diseñarías si pudieras empezar desde cero. Las tecnologías lentas son una de las respuestas más contraintuitivas que emergen de ese ejercicio. Porque si diseñas un sistema educativo desde cero en 2026, con acceso a toda la potencia de la IA generativa, lo primero que descubres es que necesitas diseñar también los momentos donde la IA se calla. Los momentos donde la persona piensa sola, escribe a mano, discute cara a cara, fracasa sin red. No porque la tecnología no pueda estar ahí, sino porque su ausencia deliberada es lo que produce el tipo de pensamiento que luego permite usar la tecnología con criterio.

La paradoja, al final, es simple: para pensar bien con IA, hay que aprender a pensar sin ella. Y eso requiere diseño, no nostalgia.

Estoy documentando este ejercicio de diseño desde cero en universidadcero.org. Más, la semana que viene.

Si te ha resultado interesante, compártelo con alguien que trabaje en educación y no se resigne a las inercias institucionales, especialmente si está en posición de empujar un cambio. Y si quieres sumarte a la conversación, escríbeme: la construcción en abierto empieza así.

En el post inicial de esta serie hablé de algo que rara vez se piensa como esencial: la necesidad de madurez emocional y su reciprocidad dentro de un equipo. La capacidad de participar en conversaciones difíciles sin convertir cada desacuerdo en un drama personal. Ese texto era deliberadamente parcial: abordaba un requisito fundacional, pero no el mapa completo que sí quiero abordar, como introducción, en este post.

He tenido la oportunidad de trabajar en equipos en contextos muy diferentes: universidades, startups, grandes instituciones, laboratorios de innovación, y proyectos con personas adscritas a diferentes organizaciones que se reúnen temporalmente para sacarlos adelante. En todos ellos he vuelto, antes o después, a la misma pregunta: ¿qué liderazgo necesita realmente una organización? No hablo del liderazgo de los manuales de gestión ni del que se enseña en los MBA. Hablo de algo más básico y, paradójicamente, más difícil de encontrar: un liderazgo que genere las condiciones para que las cosas sucedan y el equipo cumpla su misión.

La pregunta incómoda

Cuando uno observa organizaciones desde dentro, no desde la perspectiva del consultor (necesariamente externa) sino desde la trinchera de quien tiene que tomar decisiones reales con consecuencias reales, se da cuenta de que la mayoría de los problemas de equipo no son técnicos. Son de liderazgo. Pero no de falta de liderazgo, sino del tipo de liderazgo: líderes autoritarios que ordenan y mandan pero no construyen visión compartida; líderes complacientes que, bajo una apariencia de flexibilidad y horizontalidad, esconden una ausencia de dirección. Son frecuentes también, y esto me parece lo más revelador, las organizaciones que eligen sistemáticamente a las personas equivocadas para liderar: las que tienen mayor capacidad de persuasión o apariencia de autoridad, no las que tienen un conocimiento profundo del trabajo que se necesita hacer y son capaces de generar verdaderas dinámicas de colaboración.

Lindred Greer y su equipo investigaron este tema en un estudio publicado en el Journal of Applied Psychology. Sus resultados deberían preocuparnos: en el 45% de los casos los líderes de equipos son elegidos por razones ajenas a la competencia, como la edad, la apariencia de dominio o el nivel de poder percibido. Y lo que es peor: cuando los líderes carecen de experiencia técnica en el trabajo real del equipo, «llevan al equipo en una dirección equivocada». Su conclusión es clara: las organizaciones deberían seleccionar líderes basándose en evaluaciones objetivas de competencia, no en carisma ni en capacidad de persuasión.

La pregunta, entonces, no es si necesitamos liderazgo. Es qué tipo de liderazgo necesitamos.

Empezar por uno mismo

Dee Hock, el fundador de Visa, tenía una forma de responder a esta pregunta que me ha acompañado desde que la descubrí. Hock proponía que el liderazgo no es un ejercicio de poder, sino de responsabilidad, y como consecuencia debe distribuirse así: el 50% consiste en liderarte a ti mismo, el 20% en liderar hacia arriba (a quienes tienen autoridad sobre ti), otro 20% en liderar a tus pares, y solo el 10% en liderar a quienes están por debajo de ti en la estructura.

Esta distribución es contraintuitiva. La mayor parte de lo que se enseña sobre liderazgo se centra en ese 10%: cómo gestionar equipos, cómo motivar, cómo delegar. Pero Hock sugiere dos ideas esenciales.

La primera es que antes de pretender liderar a otros necesitas haber hecho un trabajo profundo contigo mismo: tus valores, tus sesgos, tu capacidad de escuchar, tu relación con el ego. Esta idea me resulta especialmente honesta porque contradice la narrativa del líder como alguien que «inspira» a otros desde una posición de certeza. Lo que Hock propone es más incómodo: que el verdadero liderazgo empieza por el reconocimiento de las propias limitaciones.

La segunda es que liderar hacia arriba y hacia los lados, influir a quienes no tienes autoridad formal para dirigir, es más relevante que gestionar a quienes se supone que debes gestionar.

Cinco principios

Con los años he ido construyendo mis propias hipótesis sobre el liderazgo que necesita una organización. Se trata de un conjunto de convicciones construidas desde la experiencia que han ido evolucionando con los diferentes equipos y organizaciones en los que he trabajado, y muchas veces desde las reflexiones sobre los errores cometidos. Las comparto como una filosofía personal, sin pretender que sean un modelo de aplicación general.

Desde mi perspectiva una organización necesita un liderazgo que proporcione y genere:

Claridad y dirección. La capacidad de hacer visible el porqué de lo que hacemos y evitar siempre la microgestión. Cuando las personas entienden el valor de su trabajo dentro de una visión más amplia, no necesitan que nadie les diga exactamente cómo hacerlo; y si precisan apoyo, deben sentir que tienen la capacidad de buscarlo. La claridad libera; la ambigüedad paraliza. Esto no significa tener todas las respuestas. Significa ser honesto sobre hacia dónde vamos y por qué.

Confianza y respeto. Confianza en las personas, en los equipos, en los líderes. Más allá de las declaraciones motivacionales, se debe convertir en una práctica verificable en cada acción y decisión. ¿Confías lo suficiente en tu equipo como para dejarles equivocarse? ¿Respetas su criterio cuando difiere del tuyo? La confianza no se declara; se demuestra. Y cuando se rompe, se reconstruye con hechos, no con discursos.

Autonomía e interdependencia. Las personas necesitan espacio para decidir cómo lograr sus objetivos, incluyendo la capacidad de innovar y asumir riesgos. Pero esa autonomía solo funciona cuando existe interdependencia real, cuando las personas y equipos se autoorganizan pero comprenden que forman parte de algo mayor. La autonomía sin interdependencia es aislamiento, y posiblemente genera incoherencia y desenfoque. La interdependencia sin autonomía es control.

Solo importa nuestra misión y el bienestar de las personas. Significa que cada decisión organizativa, cada reunión, cada proceso, cada estructura, debe justificarse por su contribución a la misión compartida o al bienestar de quienes trabajan en ella. Si no contribuye a ninguna de las dos, es innecesaria y supone una pérdida de energía y recursos. Es un criterio radical de simplificación que obliga a preguntarse constantemente: ¿esto para qué sirve realmente?

Desapego. El principio menos intuitivo y el que menos se enseña. Desapego del resultado concreto, del reconocimiento personal, de la necesidad de tener razón. No es indiferencia: es la capacidad de mantener el foco en lo que importa sin aferrarse a lo accesorio.

El desapego no surge del desinterés ni de la distancia emocional. Surge de la humildad. Una humildad sincera y profunda que permite reconocer que el proyecto, la misión y el equipo son más importantes que tu idea particular de cómo deberían ser las cosas. Sin esa humildad, el desapego es imposible: el ego se disfraza de compromiso y convierte cada decisión en una batalla por tener razón.

El desapego permite tomar decisiones difíciles que el ego bloquearía. Permite cambiar de rumbo sin vivirlo como un fracaso. Permite, en definitiva, liderar sin necesitar que todo suceda exactamente como imaginaste. Quizás por eso es el principio más difícil de practicar y el que más transforma a quien lo adopta.

El recorrido que viene

Estos cinco principios son el mapa de esta serie. Los próximos posts van a ir a las raíces de cada uno de ellos, empezando por el desapego, la misión y el bienestar. Si el modelo de Dee Hock es correcto y la mitad de tu esfuerzo debe enfocarse en liderarte a ti mismo, entonces el desapego y la relación con la misión son exactamente la mitad de todo. Son los cimientos sobre los que se construye lo demás: la confianza, la autonomía, la gobernanza, la organización del equipo. Ese es el recorrido que propongo: de lo personal a lo sistémico, de lo humano a lo tecnológico.

Esta serie nace de una inquietud y un interés de largo plazo que nunca había articulado de forma sistemática. No pretende ser una teoría del liderazgo. Pretende compartir mis hipótesis: lo que he aprendido y lo que sigo aprendiendo sobre cómo construir equipos en los que merezca la pena trabajar.

En ingeniería aeronáutica existe un concepto que me parece extraordinariamente útil fuera de su contexto original: el clean-sheet design (diseño desde cero o desde una hoja en blanco). Es lo que ocurre cuando un equipo de diseño decide no mejorar el avión que ya tiene, sino empezar de cero. No en el sentido de ignorar el conocimiento y experiencia sobre física o aerodinámica acumulados durante un siglo, sino en el sentido de no dejar que la forma del avión anterior determine la forma del siguiente.

La diferencia parece sutil pero es radical. Cuando mejoras lo que ya existe, cada decisión está condicionada por las decisiones anteriores. El fuselaje tiene esa forma porque las alas tienen esa posición, que a su vez depende de unos motores que se eligieron hace veinte años. Puedes optimizar componentes, pero el diseño fundamental está atrapado en su propia historia. El resultado es lo que podríamos definir como innovación cautiva: cambios que parecen significativos sobre el papel pero que, en la práctica, quedan absorbidos por la lógica del sistema heredado.

El clean-sheet design suspende ese campo gravitatorio. No dice “esto no sirve”; dice “vamos a preguntarnos qué haríamos si pudiéramos elegir libremente”. Y el resultado casi nunca es algo completamente diferente de lo anterior. Lo que revela es qué partes del diseño antiguo son realmente funcionales y cuáles son artefactos históricos que persisten por inercia. La distinción es valiosa porque, una vez que sabes qué es inercia y qué es función, puedes transformar lo existente con mucha más precisión.

Este método no es exclusivo de la aeronáutica, obviamente. Está en el origen de la mayoría de las disrupciones que han funcionado.

Tesla no mejoró un coche de combustión añadiéndole un motor eléctrico. Diseñó un coche desde cero asumiendo que el motor sería eléctrico, lo cual cambió todo: la distribución de peso, la arquitectura del chasis, la relación con el software, el modelo de mantenimiento. No es que cada decisión de Tesla haya sido correcta, pero el punto de partida les permitió llegar a soluciones que ningún fabricante tradicional podía alcanzar iterando sobre lo que ya tenía.

Hay un caso que me resulta aún más revelador porque es más reciente y más cercano a lo que me interesa. Un abogado llamado Zack Shapiro describe cómo un bufete pequeño, diseñado desde cero con IA de frontera como componente central (no como herramienta añadida), puede competir con firmas de centenares de abogados. No porque la IA “sustituya” abogados, sino porque cuando diseñas la operación asumiendo desde el inicio que dispones de capacidades de IA, los roles, los procesos, los flujos de trabajo y la propuesta de valor resultan completamente distintos. El equipo es más pequeño, más alineado, y cada persona se concentra en lo que solo un humano puede hacer bien. La clave no es la tecnología; es que el diseño no está atrapado en la forma anterior de hacer las cosas.

La fórmula, si pudiera reducirse a una, sería: mejores personas + mejor tecnología = capacidad multiplicada, pero solo si el diseño no arrastra las inercias del modelo anterior.

Llevo meses pensando en qué pasa cuando aplicamos esta lógica a un campo donde las inercias son particularmente densas: la educación.

Las instituciones educativas (hablo especialmente de la educación superior, pero creo que la lógica es generalizable a otros ámbitos) son máquinas de inercia extraordinarias. No por maldad ni por incompetencia, sino por acumulación. Cada capa de procesos, roles, estructuras y expectativas se ha depositado sobre la anterior durante décadas, a veces siglos. Los departamentos existen porque así se organizó el conocimiento académico a finales del siglo XIX. Los horarios de clase existen porque había que coordinar cuerpos en espacios físicos escasos y optimizar el tiempo de unos pocos profesores impartiendo clases magistrales. Las asignaturas semestrales existen porque alguien decidió que el tiempo se divide así. Los exámenes existen porque había que generar señales de calidad a escala cuando no había otra forma de hacerlo. Las actas, las guías docentes, las comisiones evaluadoras, los sistemas de créditos: todo tiene un origen funcional, pero mucho de ello ha dejado de servir al propósito original.

Y sin embargo, cuando una universidad intenta innovar, lo hace dentro de ese campo gravitatorio. El resultado habitual es añadir una capa de “innovación” (un laboratorio, un programa piloto, una plataforma digital) que convive con todo lo anterior sin transformarlo. La inercia absorbe la novedad. Lo he vivido en varias ocasiones desde dentro.

¿Qué pasaría si nos preguntásemos: si tuviéramos que resolver el problema del aprendizaje hoy, con lo que sabemos sobre cómo aprenden las personas y con las capacidades tecnológicas disponibles, qué diseñaríamos?

No es una pregunta retórica. Es un método.

Hay al menos cuatro cuestiones que cambian cuando haces ese ejercicio mental.

Los procesos legacy desaparecen. Matriculaciones, calificaciones, calendarios rígidos, guías docentes, actas: gran parte de la maquinaria administrativa de una universidad consume una proporción enorme de tiempo y energía sin generar valor de aprendizaje. No digo que no hayan tenido función; pero su forma actual es heredada de una época anterior a la digitalización, anterior a internet, anterior a la IA. Diseñar sin ellos permite, por primera vez, enfocarse en lo que realmente importa: crear las condiciones para que las personas aprendan.

Los roles profesionales se reconfiguran. El modelo del profesor como “persona orquesta” que investiga, cura contenidos, diseña experiencias, produce materiales, imparte clases, evalúa y tutoriza (todo básicamente en solitario) es un modelo que ninguna persona puede desempeñar con excelencia en todas sus dimensiones. Cuando diseñas asumiendo desde el inicio que hay agentes de IA capaces de automatizar el diseño de detalle, la producción de materiales, la personalización de itinerarios y el feedback formativo, lo que queda para el humano es exactamente lo que solo un humano puede hacer bien: facilitar, acompañar, provocar intelectualmente, tomar decisiones de diseño estratégicas. No es una sustitución; es una reconfiguración y aumento de capacidades. Pero esta reconfiguración es prácticamente imposible dentro de las estructuras actuales, donde los roles están codificados en convenios, tradiciones y expectativas que no admiten una reconfiguración tan profunda.

La infraestructura física se libera. En lugar del campus convencional (caro, rígido, subutilizado la mayor parte del tiempo), se puede imaginar una red distribuida de espacios conectados al territorio. Esto no es ciencia ficción: la University of the Highlands and Islands en Escocia opera así, con más de 70 centros embebidos en comunidades existentes. Los laboratorios de innovación ciudadana llevan años demostrando que los espacios más productivos para el aprendizaje son los que están enraizados en su contexto, no los que se construyen como islas.

El equipo pequeño se convierte en una ventaja, no en una limitación. Si diseñas desde cero con IA como infraestructura, un equipo compacto de personas excelentes, profundamente alineadas con el modelo educativo y la experiencia de aprendizaje, puede proporcionar una educación de mayor valor e impacto que una organización legacy con centenares de trabajadores haciendo cosas que ya no necesitan hacerse así.

Pero hay que ser honesto con las limitaciones del ejercicio.

Pensar desde cero no resuelve todo. La legitimidad no se diseña, se construye con tiempo y evidencia. Las redes de confianza que una universidad ha tejido durante décadas no se replican por decreto. Los marcos regulatorios son, por definición, herencia del modelo anterior. Y las personas (las que diseñan, las que facilitan, las que aprenden) no llegan como tabulas rasas: traen expectativas formadas en el sistema que conocen.

Reconocer estos límites no invalida el ejercicio. Lo hace más útil. Porque la paradoja productiva del clean-sheet design aplicado a la educación es esta: la infraestructura que resulta de pensar desde cero no necesita desplegarse en un campo vacío. Puede “instalarse” en organizaciones que ya existen. No es necesario destruir lo existente para beneficiarse de haber pensado sin sus condicionantes. Basta con saber qué construirías si pudieras, para después identificar los caminos más efectivos de transformación dentro de lo que existe.

Esa distinción (entre pensar sin condicionantes y construir en el vacío) es crucial. Y es la que, creo, hace que este método sea operativamente útil, no solo un ejercicio intelectual estimulante.

Llevamos un tiempo tratando de aplicar este enfoque a la educación superior de una forma más sistemática de lo que cabe en un post. Lo que estamos encontrando me parece lo suficientemente interesante como para compartirlo en construcción abierta. Si esta pregunta te resuena, si trabajas en educación (o en formación corporativa, o en desarrollo de talento, o en comunidades de aprendizaje) y sientes que las inercias de lo existente limitan lo que es posible, creo que lo que viene te va a interesar.

Estoy documentando este ejercicio de diseño desde cero en Universidad Cero. Más la semana que viene.

Si te ha resultado interesante, compártelo con alguien que trabaje en educación y no se resigne a las inercias institucionales, especialmente si está en posición de empujar un cambio. Y si quieres sumarte a la conversación, escríbeme: la construcción en abierto empieza así.

Universidad Cero