En un aula de una universidad moscovita, una estudiante de quinto año introduce en un chat una solicitud para analizar un caso de marketing apenas media hora antes de la entrega. La red neuronal genera un texto estructurado con ejemplos y referencias bibliográficas. La joven ajusta las expresiones y envía el trabajo.
Un estudio publicado en la revista Frontiers in Education se centró precisamente en este tipo de prácticas. Los autores encuestaron a más de mil estudiantes de diversos países y analizaron de qué manera integran los modelos generativos en su rutina académica diaria. El trabajo no se limita a tendencias abstractas, sino que documenta escenarios concretos: desde la preparación de seminarios hasta la redacción de trabajos de fin de grado.
El proceso funciona de la siguiente manera. El estudiante define la tarea, obtiene un borrador y luego lo contrasta con sus propios apuntes y los materiales de las clases magistrales. El paso fundamental no es el simple copiado, sino la edición y la verificación de los datos. Este ciclo reduce la carga sobre la memoria de trabajo y permite agilizar el paso a la fase de análisis, en lugar de perder tiempo en la búsqueda de información. La analogía es sencilla: la inteligencia artificial actúa como un asistente que organiza los muebles en una habitación, mientras que el estudiante decide dónde dejar el espacio vacío.
Según los datos de la investigación, cerca del 65 % de los encuestados han empleado la IA al menos una vez para tareas académicas. Los efectos positivos se reflejan en una mayor rapidez en la preparación y una mejor comprensión de temas complejos. No obstante, los autores señalan ciertas limitaciones: la muestra estuvo compuesta principalmente por estudiantes de áreas técnicas y económicas, y los datos se recolectaron durante un solo semestre. Aún faltan observaciones a largo plazo sobre cómo evoluciona la profundidad del pensamiento crítico ante el uso regular de estos modelos.
En este punto surge un problema de mayor calado. Cuando una herramienta resulta más accesible que la asesoría de un profesor, se genera una brecha entre quienes saben formular peticiones de forma inteligente y quienes usan la IA para obtener respuestas precocinadas. El sistema de educación superior, fundamentado en la evaluación del trabajo autónomo, empieza a perder el norte sobre qué debe calificarse exactamente: si el resultado final o el proceso para alcanzarlo.
El dilema actual no reside en si se deben permitir o no las redes neuronales, sino en cómo rediseñar las tareas académicas. El objetivo es que estas exijan aquello que la IA aún no puede replicar: una postura personal y la responsabilidad total sobre la elección de los argumentos.
