Por qué el apoyo universitario y la facilidad de uso de la interfaz de IA son ya más importantes que la alfabetización para el inicio de la carrera de los graduados
Un estudio publicado a principios de la segunda mitad de 2026 ha revelado una paradoja inesperada: en la carrera por la competitividad de los graduados universitarios, las universidades no deberían centrarse en ampliar los cursos de inteligencia artificial, sino en la intuitividad de las interfaces y el apoyo sistémico para su uso. Los autores de la Universidad Privada Aplicada de Ammán (Jordania) llevaron a cabo un modelado estructural con una muestra de 211 estudiantes, aplicando el método de Mínimos Cuadrados Parciales (PLS-SEM), una técnica especialmente adecuada para analizar modelos complejos con muestras pequeñas.
A primera vista, los resultados contradicen todo lo que nos ha enseñado el modelo clásico de aceptación de la tecnología (TAM): se esperaría que la utilidad percibida de las herramientas fuera el principal motor de su adopción. La realidad ha sido diferente. Dos factores —el apoyo institucional y la facilidad de uso de las plataformas— predijeron significativamente de forma estadística la transición de los estudiantes de la teoría a la práctica con aplicaciones de IA. Al mismo tiempo, un mejor dominio de los fundamentos de la IA mostró un efecto negativo inesperado: es posible que los estudiantes mejor preparados traten las herramientas con más criticidad, viendo mejor sus limitaciones y riesgos. Y la utilidad percibida no tuvo una influencia estadísticamente significativa, un hecho que es extraño pero elocuente.
La cadena de causalidad es la siguiente: adopción de herramientas de IA → desarrollo de competencias de futuro (Future-Ready Skills) → aumento de la empleabilidad de los graduados. En cada paso, esta conexión ha sido confirmada estadísticamente. Curiosamente, las habilidades de «preparación para el futuro» actúan como un eslabón mediador entre el uso de la IA y los resultados reales en el mercado laboral: transforman las habilidades técnicas en competitividad en el mercado.
La metodología de la investigación —una encuesta transversal con posterior análisis PLS-SEM— tiene tanto ventajas como limitaciones. Las ventajas son obvias: un tamaño de muestra pequeño se maneja más fácilmente con este enfoque, y las variables latentes complejas se modelan de forma más natural. Pero las desventajas son significativas. La falta de datos longitudinales (a largo plazo) y de un grupo de control significa que solo podemos hablar con cautela sobre las relaciones de causa y efecto: son correlaciones respaldadas por la lógica, pero no por un experimento. Además, los autores no detallaron la estratificación de la muestra por especialidades, género, nivel de experiencia previa con IA, lo que dificulta la comprensión de hasta qué punto las conclusiones son transferibles a otros contextos, otros países, otras universidades.
Pero lo principal es el cambio de paradigma. Dos décadas de investigación de los modelos clásicos TAM y UTAUT (Unified Theory of Acceptance and Use of Technology) establecieron que la utilidad percibida y la facilidad de uso son las principales palancas. En 2025–2026, esta jerarquía ha sido reescrita. La utilidad ha retrocedido. La intuitividad y el apoyo han pasado a primer plano.
Esto resuena con otras investigaciones recientes: a medida que el campo de las herramientas de IA madura y se vuelve más accesible, la lógica utilitaria cede ante la pregunta «¿Querré usar esto?» Los factores humanos —confianza, seguridad psicológica, la presencia de un instructor o un entorno de apoyo— empiezan a pesar más que la utilidad bruta.
Para la práctica universitaria, esto significa un giro en la estrategia de inversión. Si antes la palabra «digitalización» significaba la compra de software y la formación en alfabetización, ahora significa el diseño de la experiencia, la cultura y el ecosistema en torno a las herramientas de IA. Las universidades que proporcionan a sus estudiantes plataformas convenientes con un solo clic, la disponibilidad de mentores, ejemplos de aplicación exitosa y confianza psicológica en su uso, ganan. Aquellas que se limitan a conferencias sobre ética de la IA o alfabetización general, corren el riesgo de quedarse atrás en la formación real de personal.
La cuestión del efecto negativo de una alta alfabetización requiere más investigación. Hay varias explicaciones posibles: los estudiantes con conocimientos profundos pueden ser más escépticos, viendo las trampas; pueden preferir el control manual sobre la automatización; o la alfabetización inicial puede estar correlacionada con otras variables (como el perfeccionismo) que ralentizan la adopción. Esto abre la puerta a la siguiente capa de investigación.
El estudio deja sin resolver las cuestiones sobre el impacto a largo plazo en la calidad de la educación: ¿el uso de la IA realmente prepara mejor a los graduados, o solo lo parece? ¿La comodidad de las herramientas de IA conduce a un aprendizaje superficial? ¿Qué ocurre con la desigualdad de acceso: los estudiantes de universidades con recursos limitados obtienen el mismo beneficio? Los riesgos éticos —el uso de los datos de los estudiantes, el sesgo en los modelos de IA— también quedan en la sombra. Replicaciones independientes en muestras más grandes y heterogéneas, intervenciones experimentales (cuando una facultad implementa el apoyo y otra no) y estudios longitudinales ayudarán a aclarar la solidez de estas conclusiones.
La conclusión es obvia: las universidades que se centren en crear un entorno de apoyo e intuitivo para trabajar con IA obtendrán una ventaja significativa en la preparación de graduados competitivos y empleables. Las inversiones en la experiencia del usuario y el apoyo institucional se amortizan mejor que los programas de formación clásicos.
