Educación | guIA

Mollick en el aula: una mirada crítica y agencial

Wed, 26 Aug 2026 00:00:00 +0000

El mapa práctico: de la prohibición al compromiso

Ethan Mollick —profesor en Wharton, autor de Co-Intelligence— es hoy la referencia obligada de quien piensa la IA generativa en el aula desde una posición pragmática: ni pánico ni entusiasmo ciego, sino experimentación deliberada. Su punto de partida es sencillo y a la vez incómodo: la IA ya puede resolver la mayoría de las tareas escolares tradicionales mejor que un estudiante promedio, y los detectores de “texto generado por IA” no funcionan de manera confiable. Prohibir no es una política, es una ficción que delega en el estudiante toda la responsabilidad de un problema estructural.

De ahí un puñado de ideas que conviene tener a mano:

Los siete roles de la IA en el aula (con Lilach Mollick): tutora, coach, mentora, compañera de equipo, herramienta, simuladora, “alumna” (el estudiante le enseña a la IA para verificar su propia comprensión). Cada rol tiene un beneficio pedagógico específico y un riesgo específico —la IA como tutora, por ejemplo, puede contradecirse o dar una base de conocimiento pareja pero errónea. El aporte no es “usar o no usar IA”, sino nombrar en qué carácter se la invita a la tarea.
Rediseño de la evaluación: más instancias en clase y de bajo riesgo, foco en el proceso (borradores, notas, defensas orales) por sobre el producto final, tareas ancladas en lo local y lo discutido en clase —lo que un modelo no puede replicar tan fácilmente—, y transparencia obligatoria sobre qué se usó y para qué.
El aula invertida: la IA como tutora disponible y paciente fuera del horario de clase, y el tiempo presencial reservado para lo que de verdad requiere estar en el mismo lugar —debate, trabajo colaborativo, corrección en el momento.
Habilidades durables: en vez de enseñar ingeniería de prompts (que envejece rápido), cultivar criterio, una voz propia, conocimiento de dominio para poder auditar lo que la IA devuelve, y agencia: la pregunta que importa no es qué le va a hacer la IA a la educación, sino qué elegimos hacer nosotros con ella.

Ese último punto —agencia— es la bisagra hacia lo que sigue.

Una mirada crítica y agencial

El marco de Mollick es el más útil que existe hoy para el aula concreta, y por eso vale la pena adoptarlo. Pero adoptarlo sin más también arriesga quedarse en el nivel del aula, como si la pregunta se cerrara ahí. Vale la pena estirarlo con dos movimientos.

De la agencia individual a la capacidad institucional. Mollick usa “agencia” en un sentido básicamente individual: el docente o el estudiante que decide, tarea por tarea, cómo invitar a la IA. Es un punto de partida necesario, pero insuficiente si se lo aísla —es el riesgo de explicar un problema estructural apelando solo a la decisión de una persona (la “falacia micro-macro”). Pensado con Sen y Nussbaum, lo que habría que preguntar de cada uso de IA en el aula no es solo “¿mejora la nota o ahorra tiempo?” sino ¿qué libertades reales expande o contrae? Un tutor de IA disponible 24/7 puede ampliar la capacidad de aprender de quien no tiene acceso a apoyo pedagógico fuera de clase —o puede, si el modelo cuesta 20 dólares al mes y la institución no lo subsidia, convertirse en una ventaja más para quien ya la tenía. La agencia de Mollick es necesaria pero tiene que completarse con esta pregunta institucional, no quedar como una virtud puramente individual.

La perspectiva del Sur Global, que el marco de Mollick no contempla. Los “10 dólares al mes” o la recomendación de “usar el modelo de punta durante diez horas” son gestos triviales para quien escribe desde Filadelfia y mucho menos triviales para una escuela pública en el conurbano o en el altiplano. Tres tensiones concretas:

Colonialidad de datos y dependencia infraestructural. Los tutores de IA que se instalan en las aulas del Sur Global son, en su enorme mayoría, productos de un puñado de empresas del Norte, entrenados mayoritariamente en inglés y sobre corpus que no reflejan los contextos, los ejemplos ni las variedades del español o el portugués que se hablan acá. Adoptar el marco de los “siete roles” sin preguntar quién diseñó al tutor, con qué datos y bajo qué costo (energético, económico, de privacidad de los propios estudiantes) es repetir, en miniatura, el mismo patrón de extracción y dependencia que atraviesa a la IA en general.
Comunes epistémicos y su cercamiento. La respuesta institucional más sólida no es “prohibir o suscribirse”, sino invertir en alternativas abiertas —modelos y herramientas educativas que las universidades y los Estados de la región puedan auditar, adaptar y sostener sin depender de una API extranjera que puede subir de precio o cambiar de términos de uso sin aviso. La pregunta de política pública no es solamente pedagógica.
Gobernanza adaptativa, no bandos. Ni la prohibición centralizada ni el “que cada docente resuelva solo” funcionan. Mollick mismo llega a una conclusión parecida a nivel de cátedra (categorías explícitas de uso permitido/limitado/prohibido, comunicadas con claridad); trasladado a nivel de sistema educativo, eso pide políticas públicas construidas con participación docente, no bajadas de arriba ni libradas al mercado.

Sensibilidad farmacológica, no resolución prematura

Conviene resistir dos tentaciones simétricas: el pánico (“la IA arruina el pensamiento crítico”) y el entusiasmo acrítico (“por fin cada estudiante tiene un tutor personal”). Siguiendo a Stiegler, la IA en el aula es un pharmakon: la misma herramienta que puede ampliar el acceso a la explicación personalizada puede también profundizar la dependencia de infraestructura ajena. Sostener esa ambivalencia —y no clausurarla con un sí o un no definitivo— es, paradójicamente, la posición más rigurosa. Adoptar los siete roles de Mollick como caja de herramientas concreta, sí; adoptarlos como si resolvieran solos la pregunta de a quién sirve la IA en la educación del Sur Global, no.

Lo que sigue es la contraparte operativa de todo esto: no qué habría que pensar sobre la IA en el aula, sino qué se escribe efectivamente en el programa de una materia el lunes a la mañana.

Sugerencias de lectura

Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio.

Mollick, E. y Mollick, L. (2023). .

UNESCO (2023). .

EDUCAUSE (2024). .

Seguir por Política institucional (v0.1)

Política de IA para el aula: modelo de programa y guía institucional (v0.1)

Wed, 26 Aug 2026 00:00:00 +0000

Nota

Esta es una primera versión (v0.1): un punto de partida pensado para adaptarse cátedra por cátedra e institución por institución, no un texto cerrado. Combina el pragmatismo de aula de Mollick con la ética centrada en las personas de UNESCO y el marco de gobernanza institucional de EDUCAUSE.

La entrada anterior de este capítulo discute qué significa pensar la IA en el aula con agencia y mirada crítica. Esta es su contraparte operativa: un texto que un docente puede pegar directamente en el programa de su materia, y una nota de orientación para pensar la política a nivel de cátedra o de institución.

Recuadro para el programa (listo para pegar)

Uso de IA en esta materia. El uso de inteligencia artificial se organiza en tres categorías —permitida, limitada o prohibida— y cada actividad o trabajo práctico va a indicar cuál aplica.

Cuando la IA está permitida o limitada, quien la usa debe declararlo, verificar lo que produce y sigue siendo el único responsable de la exactitud, la integridad y la versión final de su trabajo.

La IA no puede usarse nunca para inventar fuentes, datos, citas o resultados, ni para subir información confidencial, personal o institucionalmente sensible a sistemas no aprobados.

Nota de orientación docente

Por qué tres categorías y no un sí o un no

Una prohibición general es, en la práctica, inaplicable e imposible de verificar; un “todo vale” sin condiciones vacía de sentido a buena parte de la evaluación. Definir explícitamente qué está permitido, qué está limitado a ciertas etapas y qué está prohibido —y decirlo en cada consigna, no solo una vez al principio de la cursada— es lo que en la práctica evita ambas salidas fáciles.

IA permitida: para lo que apunta a explorar, recibir devolución, hacer una lluvia de ideas, planificar, traducir o practicar. Quien la usa igual tiene que verificar lo que obtiene y declarar el uso si fue significativo.
IA limitada: se puede usar solo en las etapas o para los fines que la consigna nombra explícitamente (por ejemplo, para armar un primer esquema, pero no para redactar el análisis). Todo lo que no esté nombrado, no está permitido.
IA prohibida: para instancias pensadas para evaluar razonamiento sin asistencia, desempeño en clase, explicación oral, lectura de fuentes, o cualquier tarea que involucre información protegida o confidencial.

Redacción a nivel de consigna

Cada trabajo práctico debería nombrar su categoría y, si es “limitada”, decir en una o dos frases qué exactamente está permitido. Por ejemplo:

“IA limitada: podés usarla para pensar posibles preguntas de investigación y para revisar la redacción, pero no para generar el análisis ni las referencias.”

Esto reduce la ambigüedad más habitual —"¿esto lo puedo hacer con IA o no?"— y hace que el criterio sea consistente entre comisiones y docentes de una misma materia.

Declaración de uso

Alcanza con una frase breve al final del trabajo:

“Usé una IA para hacer una lluvia de ideas y para revisar la redacción; verifiqué el resultado contra la bibliografía de la materia y edité la versión final. Los errores que queden son míos.”

Diseño de la evaluación

Dado que buena parte de las tareas domiciliarias tradicionales puede resolverlas hoy una IA, conviene correr algo de peso hacia evidencia de proceso y de desempeño: borradores comentados, defensa oral breve, producción en clase, bitácoras de proceso, y consignas ancladas en discusiones puntuales de la cursada que un modelo no puede reconstruir sin haber estado en el aula.

Privacidad y ética

Advertir explícitamente: no subir datos personales, información de otros estudiantes, material de investigación sin publicar, ni documentos internos a sistemas que no hayan sido aprobados por la cátedra o la institución. Este punto es especialmente sensible en materias de método, prácticas y trabajos de campo.

Plantilla corta para la cátedra

IA permitida: podés usarla para generar ideas, practicar y revisar; declará el uso significativo y verificá lo que te devuelve.
IA limitada: solo para lo que esta consigna nombra explícitamente; cualquier otro uso no está permitido.
IA prohibida: no la uses para este trabajo, porque evalúa tu razonamiento sin asistencia o porque hay información protegida en juego.

De la cátedra a la institución

Un recuadro de programa resuelve el problema a nivel de una materia. Una política institucional —lo que en rigor haría falta para que esto deje de depender de la buena voluntad de cada docente— necesita además:

Un vocabulario compartido entre cátedras y departamentos, para que la misma expresión (“IA limitada”) signifique lo mismo en toda la carrera.
Plataformas aprobadas y criterios claros de protección de datos, coordinados con quien gestione infraestructura y privacidad en la institución —no cada cátedra negociando por su cuenta con un proveedor.
Desarrollo docente, no solo una circular: espacio para que cada cátedra adapte las tres categorías a su disciplina.
Equidad de acceso explícita: si la política asume una suscripción paga o un dispositivo propio, tiene que prever también una alternativa para quien no los tiene.

Este último punto conecta con lo discutido en la entrada anterior de este capítulo: una política institucional que no pregunta quién puede pagar el acceso, y con qué infraestructura, resuelve el problema del aula individual pero reproduce la asimetría a escala de la institución entera.

Una política declara qué se puede hacer; no muestra qué se hizo. La entrada siguiente reseña una propuesta técnica para cubrir esa distancia —dejar registro verificable de cada intervención del modelo— y lo que le cuesta.

Sugerencias de lectura

Mollick, E. y Mollick, L. (2023). .

UNESCO (2023). .

EDUCAUSE (2024). .

Seguir por Blockchain y trazabilidad de IA

Blockchain para auditar al tutor de IA: una propuesta técnica de trazabilidad

Sat, 29 Aug 2026 00:00:00 +0000

El problema: un tutor que no rinde cuentas

Xiao, Huang, Huang, Ren y Li parten de un diagnóstico ya familiar en este capítulo: los sistemas basados en LLM que hoy tutelan, evalúan o generan contenido en el aula heredan las limitaciones del modelo que los sostiene —alucinaciones, validación insuficiente del conocimiento de dominio, resultados inconsistentes— y esas fallas pueden traducirse directamente en peores aprendizajes. Su pregunta no es si conviene usar un LLM en educación superior online, sino qué pasa después de un error: quién puede rastrearlo, demostrarlo y hacerse responsable.

La propuesta: un libro de registro que nadie puede alterar

La solución que proponen combina dos piezas. Por un lado, servicios basados en LLM que ofrecen la interfaz educativa inteligente —tutoría personalizada, generación de contenido, evaluación automatizada—. Por otro, una blockchain de consorcio (permissioned, no pública) que actúa como libro de registro seguro e inalterable de todo lo que importa auditar: datos del proceso de aprendizaje, credenciales académicas y los resultados producidos por el LLM. El resultado es un rastro completo y auditable que permite atribuir responsabilidad cuando una deficiencia educativa se origina en un error del modelo, sin depender de que alguien lo reporte por su cuenta.

Cómo dialoga con el resto del capítulo

Esta propuesta técnica funciona como contraparte de infraestructura de algo que la entrada anterior de este capítulo resuelve por norma: la declaración de uso le pide al estudiante que diga qué hizo con la IA y se responsabilice por el resultado; acá se propone que el sistema mismo deje un rastro inalterable, sin depender de la buena fe de quien declara. Son respuestas complementarias al mismo problema —cómo sostener la responsabilidad cuando media una IA— desde dos niveles distintos: la norma de cátedra y la infraestructura técnica.

Pero conviene leerla con la misma cautela que aplicamos al marco de Mollick. Una blockchain de consorcio no es gratis: supone coordinar infraestructura entre instituciones, nodos que alguien tiene que operar y mantener, y una gobernanza del consorcio que decide quién entra y quién queda afuera —las mismas preguntas de costo y de acceso que ya aparecieron al hablar de colonialidad de datos y comunes epistémicos. Y hay una tensión que el paper no discute: registrar de manera inmutable el “proceso de aprendizaje” de cada estudiante, error incluido, es también construir un historial permanente de sus tanteos y equivocaciones. Auditar al modelo no debería significar dejar de lado la privacidad de quien aprende.

Toda la propuesta supone una institución capaz de sostener una infraestructura así: de decidirla, financiarla y gobernarla. La entrada siguiente revisa la evidencia global sobre esa capacidad, y el panorama es bastante menos alentador que el diseño técnico.

Sugerencias de lectura

Xiao, F., Huang, J., Huang, J.-X., Ren, H. y Li, L. (2026). Integrating LLM with consortium blockchain for personalized and verifiable online education in higher education. International Journal of Educational Technology in Higher Education, 23(1), Artículo 42.

Seguir por Gobernanza anticipatoria: una revisión global

Gobernanza anticipatoria para la IA en la universidad: qué dice la evidencia global

Sat, 29 Aug 2026 00:00:00 +0000

El objeto: cómo se gobierna la IA en la universidad, no solo el aula

Las dos entradas anteriores de este capítulo miran la IA desde la cátedra —qué hacer con un LLM en una clase concreta, cómo redactar una política de programa—. Baroudi cambia de escala: una revisión exploratoria (scoping review) de 19 fuentes académicas y de literatura gris (2020–2025) sobre cómo las instituciones de educación superior están gobernando, o intentando gobernar, la transformación que trae la IA a nivel organizacional y de sistema.

El hallazgo: gobernanza anticipatoria, no reactiva

En la literatura relevada, el modelo que se repite es el de “gobernanza anticipatoria” (anticipatory governance): prospectiva (foresight), participación activa de docentes, estudiantes y otros actores, y un cambio en el rol tradicional de liderazgo y de docencia hacia perfiles con alfabetización de datos, inclusivos, colaborativos y orientados a futuro. La idea de fondo es simple pero exige reorganizar la institución: no esperar a que la IA imponga sus consecuencias para después reaccionar, sino anticipar escenarios y construir capacidad institucional antes de que el problema llegue al aula.

La brecha que interesa a este capítulo

Lo más relevante para la línea de este capítulo es la brecha que la revisión encuentra entre la teoría y la implementación: los marcos de gobernanza anticipatoria existen en la literatura, pero chocan con marcos de política débiles y con infraestructura digital limitada, de manera particularmente marcada en el Sur Global —la revisión nombra explícitamente el mundo árabe, el África subsahariana y el sudeste asiático. Es la misma tensión que señalamos al leer a Mollick (agencia individual sin capacidad institucional no alcanza) y la misma que motiva la propuesta de blockchain de la entrada anterior (una infraestructura de trazabilidad que presupone, precisamente, la capacidad institucional que esta revisión encuentra ausente en buena parte del planeta). Tres entradas, tres escalas —cátedra, sistema técnico, sistema de gobierno— para el mismo problema: la brecha entre lo que un marco conceptual permite pensar y lo que una institución concreta puede sostener.

Las tres escalas comparten un supuesto que ninguna se detiene a discutir: que sabemos de qué estamos hablando cuando decimos agencia, autoría o responsabilidad. Mientras la discusión es práctica, el supuesto se banca; en cuanto hay que escribir una regla, se cae. De eso se ocupa el capítulo que sigue.

Sugerencias de lectura

Baroudi, S. (2026). Anticipatory governance and leadership for AI implementation in higher education: A scoping review. International Journal of Educational Technology in Higher Education, 23(1), Artículo 39.

Seguir por Filosofía de la IA