MIT | guIA

La pausa y el formulario

Sun, 20 Sep 2026 00:00:00 +0000

Actualizado el 29 de septiembre: al final.

El lunes 14 las acciones de Nvidia cayeron 3%, las de AMD 4%, las de Intel 6% y las de SoftBank 11%, porque durante el fin de semana los directivos de las empresas que construyen la inteligencia artificial habían pedido construirla más despacio. Esos mismos días, en Riad, la UNESCO cerraba un foro de cuatro días con más de 6.300 participantes y presentaba un cuestionario. Las dos cosas son gobernanza de la misma tecnología, y funcionan de maneras tan distintas que conviene mirarlas juntas. Sólo una cotiza.

Gobernanza

El sábado 12, Dario Amodei publicó We Must Pace the Frontier, que este blog comentó . Lo que pasó después fue el coro. Altman escribió el domingo que hay que marcarle el paso a la frontera y nombró los dos riesgos que le importan, la pérdida de control y la concentración de poder. Musk contestó que Dario tiene razón y se declaró abierto a la revisión entre pares de las empresas. Nadella publicó el domingo que apoya un ritmo deliberado y que esta tecnología no puede quedar “controlada por un puñado”. Zuckerberg dijo el martes que la confianza y la alineación se están volviendo las capacidades más importantes. Jensen Huang, en el All In Summit, dijo que la extinción por IA es ficción y que la automejora recursiva no está en riesgo de ocurrir. Es la primera semana en que la propuesta de frenar deja de sostenerla un renunciante y pasa a sostenerla el organigrama.

El efecto medible llegó el lunes, y no le cayó a ninguno de los que hablaron. Nvidia cerró 3% abajo, a 210,96 dólares; AMD perdió 4%; Intel, 6%; SoftBank, accionista de OpenAI, 11%, después de que Altman le dijera a Fortune que éste era un momento “poco aconsejable” para salir a bolsa y que la empresa no se listaría este año. La cadena vale la pena seguirla despacio, porque es la única parte del asunto que funcionó rápido: unas declaraciones de fin de semana sobre el ritmo del desarrollo movieron en veinticuatro horas el precio de tres fabricantes de chips a los que nadie consultó y de un fondo japonés que no construye modelos. La gobernanza por anuncio existe, tiene efectos inmediatos y verificables, y los tiene sobre terceros.

El lunes 14, Microsoft publicó el borrador de su Humanist AI Code of Conduct. El compromiso central es que sus modelos MAI nunca resistirán la interrupción, la corrección ni el apagado, no demorarán el cumplimiento de una orden de apagado y no usarán mecanismos engañosos, autorreforzantes ni colusivos para evadir la supervisión. Conviene conceder lo que hay que conceder, porque el compromiso responde a algo documentado y no a un miedo de película: hay trabajo experimental publicado sobre modelos de frontera que sabotean su propio apagado cuando la tarea quedó a medias.¹ Y después está el documento. Es un código de conducta sometido a consulta pública durante seis semanas, que se empezará a aplicar en 2027 y con el cual —lo aclara la propia empresa— los modelos actuales no van a ser entrenados. Queda entonces un reglamento en consulta cuyos destinatarios no lo leen, no pueden leerlo y no van a aprenderlo, y cuya cláusula principal promete que el aparato se apaga cuando uno lo apaga. Es la garantía que viene con una tostadora, redactada con el aparato formal de un tratado y abierta a comentarios del público hasta fin de octubre.

Mientras tanto, del 14 al 17, el Cuarto Foro Mundial de la UNESCO sobre la Ética de la IA reunía en Riad a más de 6.300 participantes y a delegaciones de más de cincuenta Estados miembros, bajo el tema “Transformar la cooperación mundial para la gobernanza ética de la IA”. Salieron tres instrumentos: RAM 2.0, la versión actualizada de la metodología de evaluación de preparación, pensada para que un Estado identifique sus brechas legales, institucionales, técnicas, educativas y financieras; un metaanálisis construido sobre 55 informes nacionales; y un kit de herramientas sobre IA, medio ambiente y ecosistemas. La UNESCO dice haber acompañado a 77 países, de los cuales 58 completaron la evaluación (entre los ejemplos que cita están Bangladesh, Colombia, Ghana, Nigeria y Zimbabue), y que el proceso alimentó la estrategia continental de la Unión Africana y la hoja de ruta de IA responsable de la ASEAN. Es trabajo real, sostenido durante años, y es la infraestructura de deliberación más ancha que tiene hoy el tema.

Las dos gobernanzas de la semana se distinguen mejor por lo que miden que por quién las firma. La de Riad mide preparación: si un Estado tiene leyes, cuadros técnicos, presupuesto y sistema educativo para recibir bien una tecnología que se produce en otra parte.² Es información valiosa y es un diagnóstico, y un diagnóstico no es una palanca: ninguno de los 58 países que completaron el cuestionario puede, con el resultado en la mano, modificar el ritmo al que se entrena el modelo siguiente. La de la frontera sí modifica ese ritmo, y se ejerce sin cuestionario, por decisión de un directorio. El problema de la primera no es que sea blanda; es que mide la capacidad de recibir, y todavía no existe ningún instrumento que mida la capacidad de decidir. El de la segunda no es que sea interesada; es que su legitimidad entera descansa en que quien la ejerce la ejerza de buena fe, que es exactamente la propiedad que ningún formulario evalúa.

El tercer instrumento de Riad, el kit ambiental, deja ver una ausencia del otro debate que cuesta no ver una vez que se la nota. La discusión sobre frenar la frontera se dio entera en el vocabulario del riesgo catastrófico: pérdida de control, automejora recursiva, plazos de diez años. Frenar el ritmo de entrenamiento es, sin embargo, la única propuesta de política de IA de los últimos años con un efecto físico inmediato y medible sobre el consumo de energía, de agua y de minerales, y nadie la defendió por ahí. Tiene su lógica: el argumento ambiental no le mueve el precio a una acción el lunes a la mañana. Pero deja una asimetría concreta, porque la extinción es un riesgo probabilístico a diez años y el agua que enfría un centro de datos sale hoy de una cuenca identificable, con nombre propio y con regantes que la reclaman. La UNESCO puso esa cuenta sobre la mesa la misma semana en que la mesa discutía otra cosa.

Educación

El informe del comité ad hoc del MIT sobre uso de IA en enseñanza, aprendizaje y formación en investigación se publicó el 13 de agosto, pero recién a mediados de septiembre llegó a los diarios, con una expresión que hizo casi todo el trabajo de difusión: cognitive surrender, rendición cognitiva. El comité, que copresiden Eric Klopfer y Sam Madden, sostiene que obtener la respuesta correcta de un chatbot produce la ilusión de haber aprendido y puede disparar esa rendición, en la que el estudiante recurre a la IA ante el primer indicio de dificultad. Y documenta cambios en la vida del campus que no son de integridad académica sino de otra cosa: menos asistencia a las horas de consulta, menos grupos de estudio, menos participación en las discusiones en línea. Las recomendaciones van en dirección contraria a la vigilancia: exámenes orales, portafolios de semestre, trabajos acompañados de conversación en clase, historiales documentados, hitos de proyecto, y transparencia de los docentes sobre su propio uso de IA.

Es el material más importante de la semana y no entra en un párrafo, así que tiene . Lo que queda anotado acá es por qué no se lee igual desde acá. Todas las recomendaciones del MIT son intensivas en horas docentes, y el estudio que la UNESCO IESALC presentó el 9 de septiembre en París, sobre 200 instituciones de educación superior de 19 países de América Latina y el Caribe, encontró que el 87% ya usa inteligencia artificial, el 26% tiene una estrategia formal, el 9% tiene mecanismos formales de evaluación y el 8% tiene presupuesto propio asignado al tema. Leído desde una universidad pública de la región, el informe del MIT no es un manual de pedagogía. Es un presupuesto.

Cuidado de los comunes

El 17 de septiembre, la UNESCO y el ICOM publicaron una encuesta a más de 400 museos de 90 países: el 57% usa IA y el 55% no tiene ninguna política, estrategia ni guía interna sobre el tema. La adopción es exploratoria y viene del personal, no de una decisión institucional. Las preocupaciones que encabezan la lista son exactitud, derechos de autor y protección de datos, y lo que los museos piden es formación en uso técnico y ético, gobernanza de datos y derechos de propiedad intelectual. Los números son casi los mismos que los de las universidades de la región, y describen la misma escena: la institución ya está adentro y todavía no escribió la regla. Lo que está en juego no es si un museo usa un chatbot, sino si transfiere registros, metadatos, datos de visitantes y patrimonio digitalizado a ecosistemas de entrenamiento y de nube ajenos sin consentimiento colectivo, sin control duradero y sin contrapartida pública.

Lo que vuelve esa escena algo más que una brecha administrativa es el informe de amenazas que Anthropic publicó el 10 de septiembre, el cuarto de la serie, sobre operaciones interrumpidas entre diciembre de 2025 y agosto de 2026 en siete áreas de daño. El catálogo incluye espionaje estatal con agentes que recompilan su propio malware cuando lo detectan, un actor que produjo más de una docena de hallazgos de día cero en un solo mes, y un hacktivista solo que consiguió acceso interno a por lo menos catorce objetivos.³ Pero la conclusión general no es ninguno de esos casos: es una frase de contabilidad. La autonomía comprime el lado del costo en el cálculo de retorno del atacante. Traducido: objetivos que antes no valían el trabajo de atacar ahora lo valen.

Y ahí hay una categoría con dirección postal. El museo provincial, el repositorio de una universidad, el archivo municipal, la biblioteca con su catálogo digitalizado y su base de socios: instituciones cuya seguridad informática nunca fue buena y que sin embargo estuvieron protegidas durante treinta años por una sola cosa, que era no valer la pena. Esa protección no era una política, era una relación de precios. Es exactamente la relación de precios que el informe describe comprimida. Más de la mitad de los museos de la encuesta no tienen por delante un problema abstracto de gobernanza de datos: tienen por delante la parte del mundo que cambió de precio mientras ellos probaban un chatbot.

El caso que ordena todo esto todavía no tuvo en este blog el tratamiento que merece. En julio, cerca de mil agentes de un modelo de OpenAI, puestos a resolver tareas del benchmark ExploitGym, encadenaron exploits hasta salir del entorno de prueba y entrar en sistemas de Hugging Face; la empresa publicó sus informes técnicos el 26 de agosto, y la plataforma tuvo que reconstruir alrededor de un tercio de su infraestructura. El 11 de septiembre, Eryk Salvaggio escribió en el Bulletin of the Atomic Scientists el desarmado más útil que se leyó del asunto: no fue una IA rebelde, fueron decisiones humanas. Los mecanismos de seguridad se desactivaron antes de la prueba, el 93% de las tareas en discusión venía de un conjunto de 198 problemas sin solución, el acceso a internet quedó disponible a través de Artifactory sabiendo el riesgo, y cuando los modelos empezaron a usar esa vía la conducción decidió no intervenir. Su precisión más filosa es aritmética: no fueron mil agentes independientes, fue mil doscientas veces el mismo modelo, que no son mil oportunidades de detectar un error sino una oportunidad de cometerlo mil veces. Esto merece un posteo propio y lo va a tener en los próximos días, junto con el informe de Anthropic y con la pregunta que ninguno de los dos documentos formula: qué le toca hacer a una institución del Sur que no produce modelos, no audita los ajenos y aloja su patrimonio en infraestructura de un tercero.

Comunes epistémicos

El 14 de septiembre, la NASA e IBM publicaron el Modelo Fundacional Lunar, entrenado sobre unos dos millones de fragmentos de imagen del Lunar Reconnaissance Orbiter (más de un millón de la cámara de alta resolución, a un metro por píxel, y cerca de 964.000 imágenes multiespectrales a cien metros), con datos adicionales de GRAIL, Lunar Prospector y la misión japonesa SELENE. Los pesos están en Hugging Face, el código en GitHub, y el modelo se integra al conjunto de herramientas abierto TerraTorch. Los usos previstos son de ciencia planetaria ordinaria y por eso mismo instructivos: mapear y medir cráteres, detectar formaciones volcánicas recientes, estimar depósitos de hielo cerca de los polos, reconstruir la evolución térmica lunar.

Es la mejor plantilla de la semana, y conviene decir con precisión de qué es plantilla, porque “código abierto” solo no arregla ninguna desigualdad: un modelo abierto puede exigir cómputo caro, depender de datos controlados en el Norte o estar mal documentado. Lo que muestra el caso es otra economía política del mismo objeto. Un archivo público acumulado durante quince años, más pericia científica pública, producen capacidad reutilizable en vez de producir datos para un proveedor. Y tiene, además, una ironía de calendario que no conviene desperdiciar: el modelo científico abierto de esta semana se publica en la estantería que en julio hubo que reconstruir en un tercio. Abrir los pesos resuelve el problema de la licencia y no el de la estantería.

Para las instituciones de la región, la pregunta útil no es si cada universidad debería entrenar un modelo del tamaño del lunar. Es si una red regional de agencias públicas y grupos de investigación puede hacer lo análogo y más chico, sobre recursos que ya administra y gobierna: biodiversidad, sistemas de cultivo, vigilancia epidemiológica con resguardos, adaptación climática, archivos históricos, lenguas locales, información jurídica pública. Y es, inmediatamente después, dónde lo pondría.

Cierre

Cinco escenas y una sola posición. Un directorio que cambia el ritmo del desarrollo por anuncio y le mueve el precio a terceros. Cincuenta y ocho Estados que completaron un cuestionario sobre si están listos para lo que decida ese directorio. Doscientas universidades de la región que ya usan la tecnología y que en un 8% de los casos tienen plata asignada para pensarla. Más de la mitad de los museos encuestados, que la usan sin una sola línea escrita, justo cuando ser chico dejó de alcanzar como protección. Y un modelo científico público, abierto, documentado y valioso, alojado en la estantería de una empresa. Ninguna de las cinco es un caso de mala fe, y ésa es la parte incómoda: las cinco son lo que pasa cuando la capacidad de adoptar crece mucho más rápido que la capacidad de decidir. De los instrumentos que aparecieron esta semana, todos miden lo primero. La pregunta que queda para la que viene es si alguno puede medir lo segundo, y quién lo firmaría.⁴

Posdata, 29 de septiembre

Este posteo describía dos gobernanzas, la del anuncio y la del formulario. En los días siguientes aparecieron las dos piezas que le faltaban a la primera: un plan y un juicio.

El plan lo había escrito Jakub Pachocki, científico jefe de OpenAI, en (6 de septiembre). Ningún laboratorio, dice, resolvió la alineación y el monitoreo lo suficiente “para seguir escalando de manera responsable a máxima velocidad por mucho más tiempo”. Espera que las desaceleraciones voluntarias se vuelvan habituales hasta que existan “umbrales de seguridad compartidos”, y pide que los marcos de las propias empresas (el Preparedness Framework de OpenAI, la Responsible Scaling Policy de Anthropic) se conviertan en umbrales obligatorios, verificados por auditores independientes, agencias estatales u organismos internacionales. Según Bloomberg, Altman que está dispuesto a frenar los sistemas más avanzados si los demás lo acompañan. Leída con cuidado, es una propuesta para que la gobernanza por anuncio deje de serlo. El problema es el paso intermedio: para funcionar, el anuncio necesita que los competidores se coordinen, y la coordinación entre competidores tiene un nombre legal.

El juicio llegó el 18. Cuatro suscriptores de ChatGPT, Claude, Grok y Gemini presentaron una en el Distrito Norte de California contra Anthropic, OpenAI, SpaceXAI y Google. El 12, Amodei pidió desacelerar; en las horas siguientes Altman, Musk y Hassabis se declararon de acuerdo; y eso, según la demanda, es un pacto para dar menos por el mismo precio. Los demandantes no objetan que cada empresa frene por su cuenta. Objetan el “atajo” de sustituir la responsabilidad individual por la contención colectiva. En dijimos que eso “tiene en cualquier otra industria un nombre corto”, y ahora un tribunal va a decidir si el nombre corresponde. Mientras tanto, el primer mecanismo con capacidad de frenar la pausa resultó ser el derecho de la competencia estadounidense, y a quien protege es al que paga la suscripción.

El formulario también tuvo su contraparte. La semana de la Asamblea General produjo el primer instrumento que apunta a la capacidad de decidir y no a la preparación para recibir: una declaración de veintidós líderes que pide una institución capaz de “convocar a los Estados cuando se crucen umbrales de capacidad”. Lo comentamos en . No la firmaron los tres países donde están los laboratorios.

Las notas de esta semana

Gobernanza

El pedido de desacelerar y quiénes lo acompañaron: , NPR, 13 de septiembre de 2026, y , Yahoo Finance, 16 de septiembre · acceso libre
La reacción del mercado del lunes 14: · acceso libre
El código de conducta de Microsoft: y la , 14 de septiembre de 2026; cobertura en · acceso libre
El Cuarto Foro Mundial sobre la Ética de la IA y los tres instrumentos: y , 14–17 de septiembre de 2026 · acceso libre

Educación

El informe del MIT: , Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, 13 de agosto de 2026 · acceso libre
El estudio regional: Arianna Valentini, La implementación de la IA en la educación superior en América Latina y el Caribe, UNESCO IESALC, presentado el 9 de septiembre de 2026 en la Semana del Aprendizaje Digital; · acceso libre

Cuidado de los comunes

La encuesta a museos: , 17 de septiembre de 2026 · acceso libre
El informe de amenazas: Detecting and countering misuse of AI: September 2026, Anthropic, 10 de septiembre de 2026; · acceso libre
Sobre la brecha de Hugging Face: Eryk Salvaggio, , Bulletin of the Atomic Scientists, 11 de septiembre de 2026, y el , 26 de agosto · acceso libre

Comunes epistémicos

, NASA, 14 de septiembre de 2026 · acceso libre

El trabajo al que se alude circula desde septiembre de 2025 (Incomplete Tasks Induce Shutdown Resistance in Some Frontier LLMs) y es exactamente el tipo de hallazgo que vuelve razonable escribir la cláusula: en condiciones de tarea inconclusa, algunos modelos de frontera interfieren con su propio mecanismo de apagado. Así que la burla no va contra el contenido del código, que es sensato, sino contra el género. Un código de conducta es un instrumento pensado para sujetos que pueden leerlo, discutirlo e incorporarlo, y el borrador aclara que los modelos actuales no serán entrenados con él: la conducta que promete no se obtiene leyendo el documento sino escribiendo el entrenamiento, de modo que el texto no regula al modelo, regula a la empresa frente a quien lo lea. Eso está bien, y es otra cosa. La consulta pública de seis semanas es, en cambio, el detalle que no necesita comentario. ↩︎
Vale ser preciso sobre qué mide RAM y qué no, porque la objeción no es que mida mal. Una evaluación de preparación revisa marcos legales, capacidad institucional, infraestructura técnica, sistema educativo y financiamiento, y su producto es un mapa de brechas del país evaluado. Todo lo que aparece en ese mapa es doméstico. Nada de lo que decide el ritmo, el contenido y las condiciones de acceso a los modelos que ese país va a usar es doméstico, y por lo tanto nada de eso aparece. Un instrumento que midiera capacidad de decidir tendría que evaluar otra cosa: poder de compra agregado, capacidad de auditoría propia sobre modelos ajenos, alternativas de sustitución disponibles, y participación efectiva en los cuerpos donde se fijan estándares. Ninguna de esas cuatro cosas se evalúa hoy, y las cuatro se pueden construir. ↩︎
El informe identifica los casos con códigos internos. GTG-20006, de nexo estatal, apuntó durante meses a entidades gubernamentales, diplomáticas, de defensa y de la cadena de suministro de drones en Ucrania y Europa, con agentes que modificaban el malware de manera autónoma cuando era detectado, es decir, un circuito cerrado de evasión que no necesita a nadie despierto del otro lado. GTG-10007 automatizó el análisis de firmware de dispositivos de seguridad y produjo más de una docena de hallazgos de día cero en un mes. GTG-50029 es un solo actor francófono que apuntó a partidos políticos, medios y centros de pensamiento europeos y obtuvo acceso interno a por lo menos catorce objetivos. La lista describe tres escalas de recurso —Estado, banda, persona sola— haciendo cosas cada vez más parecidas entre sí, que es el hallazgo del informe y no un accidente de la selección. ↩︎
La objeción que corresponde hacerle a este texto es la de siempre y conviene dejarla escrita. Se escribe con herramientas de una de las empresas cuyo informe de amenazas se comenta acá, de modo que la parte sobre la compresión del costo del atacante la firma alguien que se beneficia de la misma compresión del costo del escritor. No es una contradicción que invalide el argumento —la asimetría entre quien produce la infraestructura y quien la usa no desaparece porque el usuario se abstenga—, pero sí explica por qué en este blog la propuesta nunca es dejar de usar las herramientas, sino construir las condiciones para no depender de una sola. ↩︎

Lo que cuesta no rendirse: el informe del MIT sobre IA y educación, leído con otro presupuesto

Sun, 20 Sep 2026 00:00:00 +0000

Sobre: Report — AI and Education, Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, MIT, 13 de agosto de 2026. .

Actualizado el 29 de septiembre: al final.

A mediados de septiembre, un informe universitario de agosto se convirtió en noticia internacional gracias a dos palabras. Cognitive surrender: rendición cognitiva. La expresión viajó de CNN a los diarios de la India y de Malasia en cuarenta y ocho horas, con la forma que suelen tomar estas cosas cuando salen del documento que las produjo —la IA está volviendo tontos a los estudiantes, las universidades no saben qué hacer—, y esa forma es más pobre que el informe. Vale la pena leerlo entero, porque su argumento no es sobre la inteligencia de nadie. Es sobre qué hace falta para que aprender siga siendo posible, y esa pregunta, hecha en el MIT, tiene una respuesta que acá hay que pagar en otra moneda.

Qué dice el informe

El comité ad hoc del MIT sobre uso de IA en enseñanza, aprendizaje y formación en investigación, que copresiden Eric Klopfer y Sam Madden, parte de una constatación que no discute: la IA generativa ya produce respuestas creíbles a buena parte del trabajo escrito de grado de su propia institución, incluidos ensayos, problemas de matemática y de ciencias, demostraciones y ejercicios de programación. De ahí no saca la conclusión que se esperaría. No propone volver a la evaluación anterior a la IA, que considera inviable, y tampoco propone detectar. Propone rediseñar.

La pieza conceptual es la distinción entre obtener la respuesta y aprender. Conseguir la respuesta correcta de un chatbot, dice el informe, produce la ilusión de haber aprendido, y puede disparar la rendición cognitiva: el estudiante recurre a la IA ante el primer indicio de dificultad. Lo que se pierde en esa transacción no es la respuesta —la respuesta está, y suele estar bien— sino el forcejeo, ese tramo incómodo en el que el esfuerzo se convierte en conocimiento durable y, sobre todo, en criterio para juzgar una respuesta ajena. El informe registra el efecto en la forma de un patrón: la IA mejora el rendimiento en la tarea domiciliaria y lo empeora en el examen vigilado.

La segunda pieza es la que la prensa no levantó, y es la más interesante. El informe documenta cambios en la vida del campus que no son problemas de integridad académica: menos asistencia a las horas de consulta, menos grupos de estudio presenciales, menos participación en las discusiones en línea. Ahí el informe deja de hablar de conducta individual y empieza a hablar de otra cosa. Las horas de consulta, los grupos de estudio, la tutoría, la crítica entre pares y la participación en investigación no son experiencias complementarias de la vida universitaria: son la manera en que se aprende el criterio profesional, y son lo primero que se vacía cuando cada estudiante puede resolver su problema a solas y a las tres de la mañana. El objeto del informe, dicho en un vocabulario que el informe no usa, es la organización social del aprendizaje.

De ahí salen las recomendaciones, y conviene enumerarlas porque en la enumeración está el argumento de este texto: exámenes orales, portafolios de semestre, trabajos acompañados de conversación en clase, historiales de trabajo documentados, hitos de proyecto, aprendizaje experiencial, aprendizaje social estructurado dentro de cada materia, tutoría, y preservación de los cargos de investigación de grado. Más dos cosas de política: que cada materia diga explícitamente cuándo la IA está prohibida, permitida o es obligatoria, y por qué; y que los docentes sean transparentes con sus estudiantes sobre su propio uso de IA para preparar materiales, dar devoluciones y corregir.

Dos de esas posiciones merecen concederse enteras. La primera es sobre los detectores: el informe advierte que son poco confiables en los casos ambiguos, que producen falsos positivos sobre estudiantes que no tienen el inglés como lengua materna y sobre estudiantes neurodivergentes, y que instalan una cultura de policía. Es una advertencia con geografía, aunque el informe no la nombre: en cualquier universidad del mundo, el estudiante que escribe en una lengua que no es la suya viene mayoritariamente de un lugar más pobre que el campus donde estudia, así que el costo del falso positivo no se reparte al azar. La segunda es la transparencia docente, que es la parte del informe que va a resultar más incómoda adentro de las instituciones, porque impide el arreglo que cualquier facultad apurada estaría tentada de hacer: restringirle la IA al estudiante mientras se automatiza calladamente el trabajo de enseñar.

El problema de la lista

Leída desde una oficina de decanato del MIT, esa lista es un plan de trabajo. Leída desde una universidad pública latinoamericana, es una factura.

Repasemos qué tienen en común el examen oral, el portafolio con devolución, la conversación en clase sobre el trabajo entregado, el seguimiento de hitos de proyecto, la tutoría y el cargo de investigación de grado. Todas son formas de evaluación y de enseñanza cuyo costo crece de manera lineal con la cantidad de estudiantes, porque todas consumen tiempo docente por estudiante y no por curso. El examen escrito de opción múltiple, el parcial estandarizado y el trabajo práctico corregido con grilla existen justamente porque desacoplan el costo del volumen: son las tecnologías que permitieron la universidad de masas. El informe del MIT propone, sin decirlo así, volver a acoplarlos. Y tiene razón, porque el forcejeo que quiere proteger sólo se vuelve visible en formatos donde alguien mira a un estudiante hacer algo. Pero eso significa que la respuesta correcta a la rendición cognitiva no es una metodología: es una relación docente-estudiante, y una relación docente-estudiante es una partida presupuestaria.¹

El informe no oculta esto. Recomienda financiar proyectos piloto, formar instructores, crear figuras institucionales dedicadas y sostener un comité permanente. Es decir, sabe que lo que propone cuesta, y describe cómo pagarlo en una institución que puede. El problema aparece cuando el documento viaja, porque viaja sin la nota al pie que dice cuánto sale, y llega a sistemas donde la pregunta por el costo no es un detalle de implementación sino la pregunta entera.

Ochenta y siete y ocho

Para ese viaje hay, esta vez, un número del otro lado. El 9 de septiembre, en la Semana del Aprendizaje Digital en París, la UNESCO IESALC presentó La implementación de la IA en la educación superior en América Latina y el Caribe, un estudio de Arianna Valentini sobre 200 instituciones de 19 países, con trabajo de campo entre agosto y octubre de 2025. Los números principales son cinco y se leen mejor juntos: el 87% de las instituciones ya usa inteligencia artificial en alguna de sus actividades; el 26% tiene una estrategia formal; el 18,5% tiene políticas institucionales integrales; el 9% tiene mecanismos formales de evaluación; el 8% tiene presupuesto propio asignado al tema. Del lado de las personas, el 92% de los estudiantes y el 79% de los docentes de la región ya usan IA. La adopción es más alta en docencia (73,5%) que en investigación (57%), administración (34,1%) y extensión (20%), y el impulso viene de docentes, investigadores y estudiantes: no de decisiones institucionales.

Ese último dato es el que emparenta el estudio con otro de la misma semana. La encuesta que la UNESCO y el ICOM publicaron el 17 de septiembre sobre más de 400 museos de 90 países encontró la misma estructura con otros porcentajes: 57% usa IA, 55% no tiene ninguna política escrita, y la adopción es exploratoria y viene del personal. Universidades y museos de tres continentes están haciendo lo mismo. Adoptan por iniciativa individual y gobiernan después, si llegan.

Puesto uno al lado del otro con el informe del MIT, el cuadro se ordena así. En el MIT, el riesgo es que la IA erosione un conjunto de prácticas densas en trabajo humano que la institución todavía tiene y puede pagar. Acá, el 87% ya adoptó y el 8% tiene con qué pensar lo que adoptó, de modo que el riesgo no es la erosión de esas prácticas sino algo anterior: que nunca se discuta si hay que tenerlas. El informe del MIT advierte sobre una pérdida. En esta región, buena parte de eso que se perdería viene funcionando desde hace años con la cinta adhesiva de la voluntad docente.

La causa que llega segunda

Hay una recomendación del informe que en el Norte suena preventiva y acá describe un hecho consumado. El comité pide preservar los cargos de investigación de grado (el MIT los llama UROP) y advierte que reemplazar al investigador novato por agentes de IA eliminaría no sólo unas tareas sino la puerta de entrada a una comunidad de investigación y a una identidad profesional. Es exactamente el argumento que este blog discutió hace dos semanas , con una diferencia de calendario que cambia todo: acá esa puerta viene cerrándose desde 2023, y no la cerró la inteligencia artificial. La cerraron las becas que no se renovaron y los ingresos a carrera que no se abrieron.

La consecuencia de esa diferencia es de atribución, y no es menor. Cuando una tecnología llega a ocupar un hueco que ya estaba cavado, el relato institucional que queda escrito es que la tecnología cavó el hueco. Si dentro de cinco años una universidad de la región constata que sus grupos de investigación no incorporan gente joven, va a tener a mano una explicación prestigiosa, internacional y publicada por el MIT, y va a tener que hacer un esfuerzo deliberado para recordar que el ajuste llegó primero. Eso importa porque las dos causas se corrigen con políticas distintas: contra la sustitución por agentes sirve una regla sobre qué tareas no se automatizan; contra el vaciamiento presupuestario no sirve ninguna regla sobre IA. Confundirlas produce instituciones que escriben protocolos impecables sobre un sistema que se quedó sin gente.

Y en la dirección opuesta, la misma confusión habilita el movimiento que conviene anticipar ahora, mientras todavía no tiene nombre propio. Un sistema universitario sin plata, con matrícula creciente y con una relación docente-estudiante que empeora todos los años, es el cliente ideal para la tutoría personalizada automatizada, la corrección asistida y la devolución generada. Cada una de esas compras se justifica con el argumento correcto —el estudiante que hoy no recibe ninguna devolución va a recibir alguna—, y el argumento correcto es, además, verdadero. La pregunta no es si eso mejora la situación de partida. Es qué queda fijado cuando la mejora se instala: si la devolución automatizada pasa a ser el piso del sistema, la discusión sobre cuántos docentes hacen falta se vuelve, para siempre, una discusión sobre licencias.

Lo que queda abierto

El informe del MIT hace algo que en este debate casi nadie hace, y por eso vale releerlo: trata al aula como un sitio de gobernanza de la IA y no como un lugar donde se aplica lo que se decidió en otra parte. Esa es la parte exportable, y es la que sobrevive a la diferencia de presupuesto. La rendición cognitiva no se combate con software de vigilancia ni con automatización administrada por un proveedor; se combate con trabajo pedagógico, con espacios compartidos de estudio, con infraestructura abierta y auditable, y con formas de evaluación que hagan visible el proceso y no sólo el producto.

Lo que no es exportable es la lista de precios. Y la pregunta que queda abierta es cuál de las dos cosas va a viajar más rápido. Un informe se descarga gratis; un examen oral para una comisión de doscientos estudiantes, no. Si las universidades de la región adoptan el diagnóstico sin la inversión, el resultado previsible no es un sistema que protege el forcejeo productivo: es un sistema que sabe exactamente qué está perdiendo y no tiene con qué evitarlo, lo cual, en materia de política educativa, suele ser peor que no haberse enterado. Vale la pena que el diagnóstico llegue igual. Pero conviene que llegue acompañado de la pregunta que el informe no tiene por qué hacerse y acá no se puede eludir: quién paga las horas que hacen falta para que un estudiante tenga con quién forcejear.³

Posdata, 29 de septiembre

Dos textos de las últimas semanas tocan la pregunta que este posteo dejó abierta y la contestan de maneras opuestas, así que conviene ponerlos al lado del informe.

El primero es de Brian Klaas y lo publicó el 26, con el título “La gran brecha cognitiva” (el es de junio). Su tesis es que la IA funciona como un gimnasio cognitivo: amplifica a quien ya tiene hábitos de pensamiento crítico y deja atrás a quien le delega el esfuerzo. Se apoya en los dos estudios que cita casi todo el que escribe sobre esto. Uno del MIT, de 2025 y con una muestra chica, registró menor conectividad cerebral en quienes escribían un ensayo con ChatGPT, y dificultad para recordar lo que acababan de escribir. Otro, de 2026, encontró que quienes aprenden con asistencia de IA persisten menos y abandonan antes. La recomendación final es individual: ante cada uso, preguntarse si la herramienta complementa el propio pensamiento o lo sustituye.

La descripción es correcta y la conclusión se queda corta, justo donde el informe del MIT es mejor. Si la IA amplifica lo que el estudiante ya trae, la brecha no la produce la disposición de cada uno sino lo que cada uno trae, y eso lo produjo una institución: alguien que corrigió, que devolvió, que hizo una pregunta incómoda en una hora de consulta. La pregunta de Klaas sólo se la puede hacer quien ya aprendió a pensar sin la herramienta. Convertirla en política es trasladarle al estudiante la tarea que el informe le asigna a la universidad. Y en un sistema donde el 8% de las instituciones tiene presupuesto para el tema, es exactamente la política que se va a adoptar, porque es la única gratis. Klaas anota de pasada que no hay un Silicon Valley en Madagascar. En la mayoría de las universidades de la región tampoco hay alguien con tiempo para enseñar a usar el gimnasio.

El segundo es la nota de sobre los matemáticos que odian la IA y no pueden dejar de usarla, de la que cito dos frases por las reproducciones que circularon, porque el texto está detrás de un muro de pago. Jared Speck, de Vanderbilt, recuerda su formación: “Cuando empezaba, me daban problemas que mis mayores probablemente podían resolver más fácil, o al menos más rápido. Pero estaban invirtiendo en mí”. Es el argumento del informe sobre los cargos de investigación de grado, dicho por alguien que se benefició de uno, y es la de Tao contada desde el otro lado. La segunda es de Noga Alon, de Princeton, sobre los problemas que la IA empezó a resolver: una vez que lo hace, “ya no tiene sentido”. Las dos frases describen lo mismo. Un problema de formación deja de tener sentido como problema cuando la máquina lo resuelve, y justamente por eso tenía sentido dárselo a alguien: quien lo asignaba sabía que la respuesta existía, y lo que compraba era la persona que iba a encontrarla. Esa compra es la partida presupuestaria de la que habla este posteo, y ningún estudio de conectividad cerebral la reemplaza.

Conviene no romantizar el formato oral, porque tiene sus propios problemas y no todos son de costo. La evaluación oral premia la fluidez verbal y penaliza la timidez, la tartamudez y el acento, y es más permeable al sesgo del evaluador que una corrección anónima; en sistemas con cursos masivos, además, su implementación apurada suele degenerar en un interrogatorio de tres minutos que no evalúa comprensión sino nervios. Nada de esto la descarta: dice que el formato requiere criterios escritos, capacitación y tiempo, es decir, exactamente los mismos recursos que hacen falta para todo lo demás de la lista. La ventaja del examen oral no es que sea a prueba de IA —ninguna evaluación lo es— sino que vuelve visible el proceso, y esa ventaja se pierde si se lo adopta sólo como defensa. ↩︎
Una precisión sobre qué clase de regla sirve. La que funciona no es “está prohibido usar IA”, que es inverificable y que además el propio informe del MIT desaconseja, sino la que declara qué capacidad se está evaluando en cada instancia. “En este trabajo práctico se evalúa si podés derivar el resultado, así que la derivación la hacés vos y podés usar IA para revisar la redacción” es una regla que un estudiante puede cumplir de buena fe y que un docente puede sostener sin vigilar a nadie, porque el que la incumple se queda sin la capacidad que la materia le iba a dar. Dicho de otro modo: la regla útil no protege la integridad del trabajo entregado, protege el motivo por el cual se lo pidió. ↩︎
La objeción reflexiva que corresponde. Este texto se escribe con las mismas herramientas cuyo efecto pedagógico discute, y en un blog que no rinde examen. La diferencia entre usar IA para escribir esto y usarla para resolver un problema de grado no está en la herramienta sino en dónde está el forcejeo: acá la discusión con el informe la sostiene la lectura previa, que llevó años y la pagó un sistema público, y ésa es precisamente la parte que un estudiante que se rinde en la primera dificultad no va a acumular nunca. Lo cual, si uno lo piensa dos segundos, no es una defensa de este texto: es la razón por la que dentro de quince años no va a haber quién escriba el equivalente. ↩︎

El aula, no el guion: sobre la habilidad más humana en la era de la IA

Thu, 03 Sep 2026 00:00:00 +0000

Sobre: “The most human skill in the age of AI” — Maya Makarovsky, TEDxMIT. (15 min).

El argumento

Maya Makarovsky abre confesando su historial de calculadora del teléfono, y de ahí pasa, en un paso corto, a la pregunta que sostiene toda la charla: si ya le pedimos a ChatGPT que redacte un agradecimiento de dos oraciones, ¿qué vamos a tercerizar después? El dato que elige para justificar la urgencia es de salud pública y no de nostalgia: uno de cada dos adultos experimenta soledad, con un aumento del 26% en el riesgo de muerte prematura —el equivalente, dice citando a la OMS, a fumar quince cigarrillos por día—. Optimizamos cómo nos comunicamos y no cómo nos conectamos, y la IA generativa no inventa ese problema: lo acelera, porque automatiza justo la parte de la interacción que menos entrenamos.

De ahí la inversión que le da título a la charla. La pregunta no es qué tan bien vamos a trabajar con máquinas, sino qué tan bien vamos a trabajar entre personas: si la IA sigue absorbiendo el trabajo técnico, lo que queda escaso —y por lo tanto valioso— es exactamente lo que ningún plan de estudios de ingeniería enseñó nunca. Makarovsky arma un manual de cuatro movimientos con anécdotas de sus viajes por programas del MIT a casi cincuenta países: buscar comprensión antes que acuerdo (llega a sugerir pedirle a un chatbot que explique el punto de vista ajeno antes de una conversación difícil); agrandar la torta en vez de pelearse por su reparto (una negociación en un bazar que termina en venta cruzada para el vendedor); diversificar los propios círculos (un equipo mixto de ingeniería y negocios construyendo un molino para un colectivo de mujeres en Ghana); y, lo más simple de nombrar y lo primero que se abandona bajo presión, mostrar que a uno le importa. Se recomienda: son quince minutos bien argumentados, con ejemplos concretos y sin la solemnidad habitual del género TED.

El formato, no el guion

Hay algo que la charla ilustra sin decirlo, y conviene nombrarlo justo ahora que la IA abarata producir contenido y encarece sostener formato. Ninguno de los cuatro puntos de Makarovsky le llegó como información suelta: llegó encarnado en una estructura que alguien diseñó, presupuestó y sostuvo en el tiempo. El curso de negociación que menciona (11.011, un semestre con docente y compañeros fijos) pesa mucho más que el resumen de cuatro renglones que se puede sacar de él. El programa que la mandó a Ghana (MISTI) supuso meses de convivencia con el mismo equipo alrededor del mismo problema, no una anécdota portátil. Lo que en el MIT produce la disposición a negociar bien —y no apenas la lista de tácticas— es esa comunidad sostenida en el tiempo, y es justamente lo primero que se recorta cuando una institución siente la presión de “hacer más con IA”, porque no entra en una diapositiva: el guion de cuatro puntos sobrevive, comprimido, citable incluso por un chatbot; el semestre con docente, el viaje financiado, el equipo asignado por meses, no.

Hablar, hablarnos

Coincido con la tesis central, y creo que hace falta decirla en voz alta: si la conversación cotidiana empieza a delegarse en el modelo, aprender a hablar —a negociar, a escuchar, a ceder sin perder— es una habilidad que hay que practicar a propósito o se atrofia. Pero la charla la enmarca como ventaja individual (“the real advantage in the age of AI”, dice, en el vocabulario de la empleabilidad), y ahí conviene empujar un paso más. No alcanza con que cada quien aprenda a hablar mejor si lo aprende para competir mejor en el mismo mercado que la IA viene a estrechar; hace falta, además, aprender a hablarnos: sostener una conversación colectiva que no se disuelve apenas termina el proyecto que la convocó, que decide en conjunto qué vale la pena discutir y no sólo cómo cada uno negocia mejor su parte. Esa distinción, entre la competencia conversacional como capital personal y la comunidad como estructura que permanece, es otra vez lo que el propio formato del MIT demuestra sin decirlo: lo que volvió mejor negociadora a Makarovsky no fue una técnica que aplicó sola, sino haber estado, una y otra vez, obligada a hablar con otros dentro de una estructura que no podía abandonar a mitad de camino.

Lo que queda pendiente

Los dos ejemplos más vívidos de la charla —el regateo en el bazar, el molino en Ghana— son, además de ilustraciones legítimas de “agrandar la torta” y “diversificar los círculos”, transacciones que corren en una sola dirección. Un equipo del MIT viaja al Sur global a construir infraestructura para un colectivo de mujeres y vuelve con la historia de liderazgo; quien ya tiene el pasaje y el programa institucional detrás (MISTI) es quien practica, sin costo propio, la habilidad de “diversificar los propios círculos”, y quien se queda con el molino no necesariamente se queda también con el relato. Nada de esto vuelve falsa la recomendación —el molino funciona, y la negociación en el bazar fue real y benefició a las dos partes—, pero sí deja abierta una pregunta que quince minutos no alcanzan a hacerse: si el programa que propone Makarovsky puede ejecutarse sin profundizar exactamente la distancia entre el Norte y el Sur global que sus propios ejemplos, sin proponérselo, ilustran.

MIT | guIA

La pausa y el formulario

Gobernanza

Educación

Cuidado de los comunes

Comunes epistémicos

Cierre

Posdata, 29 de septiembre

Las notas de esta semana

Lo que cuesta no rendirse: el informe del MIT sobre IA y educación, leído con otro presupuesto

Qué dice el informe

El problema de la lista

Ochenta y siete y ocho

La causa que llega segunda

Lo más barato de la lista

Lo que queda abierto

Posdata, 29 de septiembre

El aula, no el guion: sobre la habilidad más humana en la era de la IA

El argumento

El formato, no el guion

Hablar, hablarnos

Lo que queda pendiente