Educación después de ChatGPT: qué merece la pena aprender

ChatGPT permite obtener en segundos resultados que antes exigían horas de trabajo: un ensayo, un análisis, una traducción, un programa o una presentación. Eso cambia la educación porque el trabajo terminado aporta menos información sobre lo que sabe quien lo entrega. Aprender, sin embargo, sigue exigiendo conocimientos, práctica, memoria, corrección y experiencia. Si hoy tuviera que decidir qué aprender para seguir siendo valioso dentro de cinco años, invertiría en una buena base dentro de una disciplina, capacidad para juzgar información y tomar decisiones, mucha práctica con problemas reales y un uso de la inteligencia artificial que amplíe esas capacidades en lugar de evitar el esfuerzo necesario para adquirirlas.

En junio de 2025, un experimento publicado en Proceedings of the National Academy of Sciences puso números a una diferencia que me parece fundamental. Cerca de mil estudiantes de secundaria utilizaron GPT-4 mientras aprendían matemáticas. Los alumnos con acceso a una versión similar a ChatGPT mejoraron un 48 % su rendimiento en los ejercicios de práctica. Cuando después tuvieron que examinarse sin la herramienta, sus notas fueron un 17 % inferiores a las del grupo que había trabajado sin ella.

El mismo experimento probó un segundo tutor basado en GPT-4, diseñado para ofrecer ayuda sin entregar inmediatamente la solución. Los estudiantes también mejoraron mucho durante la práctica y el deterioro posterior prácticamente desapareció. Los autores observaron además que quienes disponían de la versión abierta tendían con mayor frecuencia a pedir y copiar soluciones completas.

El estudio no demuestra que utilizar ChatGPT perjudique siempre el aprendizaje. Demuestra algo bastante más útil: resolver mejor una tarea con ayuda de una IA y aprender a resolverla son resultados distintos.

Un buen trabajo ya no demuestra por sí solo quién sabe hacerlo

Durante mucho tiempo hemos utilizado el resultado de una tarea como indicio de la capacidad necesaria para producirla. Si un alumno entregaba un buen ensayo, era razonable pensar que conocía el tema y sabía escribir. Si resolvía correctamente una serie de problemas, suponíamos que entendía el procedimiento. Si un estudiante de programación entregaba código que funcionaba, el código decía algo sobre su capacidad para programar.

Nunca fue una relación perfecta. Existían trabajos copiados, academias, compañeros generosos, padres que ayudaban demasiado y estudiantes capaces de aprobar un examen para olvidar la materia una semana después. Pero producir una respuesta de cierta calidad solía exigir realizar una parte apreciable del trabajo intelectual.

La inteligencia artificial generativa permite separar con mucha más facilidad el resultado de ese proceso. Una persona puede entregar un texto bien estructurado sin haber construido el argumento, presentar un análisis sin haber examinado los datos o aportar código que funciona sin comprender del todo sus consecuencias.

Esto afecta también al trabajo profesional. Shakked Noy y Whitney Zhang realizaron un experimento con 453 profesionales universitarios a los que encargaron tareas de redacción relacionadas con sus ocupaciones. Quienes pudieron utilizar ChatGPT tardaron, de media, un 40 % menos y sus resultados recibieron valoraciones de calidad un 18 % superiores. Los participantes que partían de niveles más bajos fueron quienes obtuvieron mayores mejoras. El estudio midió productividad inmediata, no la adquisición posterior de conocimientos o capacidades. Puede consultarse en Science.

La diferencia importa para cualquier sistema educativo. Una herramienta puede ayudarme a terminar una tarea y, al mismo tiempo, ahorrarme parte del proceso mediante el que habría aprendido a hacerla.

Ya conocíamos una versión bastante menos sofisticada de este problema. Ver una explicación excelente no garantiza haber aprendido lo explicado. En Iberestudios lo analizamos en La gran ilusión del vídeo grabado: por qué el consumo audiovisual no produce aprendizaje real. Aprender exige trabajar con el conocimiento: recuperarlo, aplicarlo, equivocarse, recibir correcciones y volver a intentarlo.

Con la IA podemos externalizar también parte de esas operaciones. Por eso importa saber qué estamos delegando.

La IA mejora una tarea con más facilidad que el aprendizaje

La evidencia disponible tampoco justifica el extremo contrario: prohibir la inteligencia artificial porque cualquier ayuda perjudica el aprendizaje.

En 2025, investigadores de Harvard publicaron un ensayo controlado con 194 estudiantes de un curso universitario de física. Compararon clases presenciales de aprendizaje activo con un tutor de IA construido específicamente para aquellas lecciones y diseñado siguiendo principios pedagógicos. Los alumnos que utilizaron el tutor obtuvieron mayores ganancias de aprendizaje en las pruebas posteriores y emplearon menos tiempo.

El diseño del experimento importa. El sistema no era un ChatGPT abierto al que cada estudiante pedía lo que quisiera. Los profesores habían preparado el contenido, las instrucciones, la secuencia y las ayudas. El estudio, publicado en Scientific Reports, cubrió dos lecciones de un curso concreto. Sería un error convertirlo en la afirmación de que un tutor automático enseña mejor que un profesor en cualquier materia.

Otro experimento realizado por investigadores de Stanford siguió un planteamiento diferente. Tutor CoPilot no sustituía al tutor humano: le proporcionaba sugerencias durante las sesiones. En el ensayo participaron más de 700 tutores y unos 1.000 estudiantes de comunidades desfavorecidas. Los alumnos atendidos por tutores que podían utilizar el sistema tuvieron cuatro puntos porcentuales más de probabilidades de dominar los temas de matemáticas estudiados. La mejora alcanzó nueve puntos entre los tutores que partían de valoraciones más bajas. El análisis de más de 350.000 mensajes encontró además un aumento de preguntas destinadas a hacer razonar al alumno. Stanford publica la metodología y los resultados del estudio.

La OCDE recoge esta diferencia en su Digital Education Outlook 2026. La investigación emergente apunta a que una IA concebida o utilizada con un propósito pedagógico puede contribuir al aprendizaje, mientras que externalizar tareas a herramientas generales puede mejorar el resultado inmediato sin producir una ganancia equivalente de conocimientos.

Por tanto, medir únicamente cuánto utiliza un alumno la IA aporta poca información. Dos estudiantes pueden pasar una hora con la misma herramienta y realizar actividades cognitivas completamente distintas. Uno puede pedir soluciones y copiarlas. Otro puede intentar resolver el problema, pedir una pista cuando se atasca, comparar su razonamiento con una alternativa y localizar después el error.

Desde fuera, ambos «han utilizado ChatGPT».

Pedagógicamente han hecho cosas muy diferentes.

Sin conocimientos previos es difícil detectar una respuesta mala

La facilidad para consultar información ha alimentado una idea que considero peligrosa: si una máquina puede responder casi cualquier pregunta, almacenar conocimientos en nuestra cabeza habría perdido utilidad.

Para comprobar el límite de esa idea basta con intentar revisar el trabajo de alguien que domina un asunto que nosotros desconocemos.

Una respuesta puede contener una premisa falsa, omitir una variable decisiva, utilizar una fuente inapropiada o aplicar correctamente una regla al caso equivocado. Detectar esos fallos exige disponer de conocimientos con los que comparar lo que estamos leyendo.

La memoria humana tampoco funciona como un simple almacén de datos. Lo que ya sabemos influye en cómo interpretamos la información nueva, en las relaciones que reconocemos y en los problemas que somos capaces de plantear. Un principiante y un experto pueden leer exactamente la misma página y extraer cosas muy distintas de ella.

La investigación sobre aprendizaje lleva décadas mostrando además el valor de recuperar activamente lo aprendido. En los experimentos clásicos de Jeffrey Karpicke y Henry Roediger, practicar la recuperación de información produjo una retención posterior mucho mayor que dedicar ese tiempo únicamente a volver a estudiar el material. El trabajo fue publicado en Science en 2008.

Esto no obliga a memorizar indiscriminadamente fechas, fórmulas y datos que podemos consultar en segundos. Siempre hemos decidido qué merece estar disponible en nuestra memoria y qué resulta razonable buscar cuando lo necesitamos. Las calculadoras, los libros, las bases de datos y los buscadores ya modificaron ese reparto.

La IA vuelve a mover la frontera, pero no elimina la necesidad de una base propia. Quien sabe poco puede obtener una respuesta excelente de una IA. También tiene menos recursos para descubrir cuándo recibe una respuesta mediocre, desactualizada o directamente falsa.

Qué capacidades ganan peso cuando la ejecución se abarata

La IA generativa reduce el tiempo necesario para realizar determinadas partes del trabajo intelectual. Redactar un primer borrador, resumir documentos, proponer alternativas, transformar datos o producir código sencillo puede costar una fracción de lo que costaba hace pocos años.

Ese ahorro modifica el valor relativo de otras capacidades. En medicina, generar un borrador de informe resulta mucho más sencillo que decidir qué síntoma cambia el diagnóstico, qué dato falta o cuándo una recomendación razonable para el paciente medio resulta peligrosa para la persona que está delante.

En programación, producir código es una parte del trabajo. Decidir la arquitectura, comprender dependencias, detectar fallos de seguridad, probar el comportamiento del sistema y saber cuándo el código generado merece confianza exige experiencia técnica.

En periodismo puedo conseguir en segundos un resumen de veinte páginas. Averiguar qué fuente conocía realmente los hechos, quién tiene interés en contar determinada versión, qué documento constituye una prueba y qué afirmación puedo publicar requiere conocimientos del asunto y oficio.

En dirección de empresas, generar una lista de veinte alternativas estratégicas ya tiene un coste ínfimo. Elegir entre ellas cuando faltan datos, existen restricciones de caja y una decisión equivocada afecta a clientes y empleados sigue correspondiendo a una persona.

Cuando hablo de criterio me refiero a esa capacidad para interpretar una situación desde un conocimiento suficiente de la materia, valorar la calidad de la evidencia, entender el contexto, comparar alternativas y decidir bajo incertidumbre.

No puedo separar esa capacidad de la disciplina en la que se ejerce. Un abogado, un médico, un periodista y un ingeniero necesitan criterios distintos porque trabajan con conocimientos, riesgos y responsabilidades distintos.

Qué está cambiando ya en el trabajo

Los estudios laborales más sólidos aconsejan analizar tareas antes que anunciar la desaparición de profesiones enteras.

Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron la introducción de un asistente de IA entre 5.179 agentes de atención al cliente. El acceso a la herramienta aumentó la productividad un 14 % de media. Entre los trabajadores noveles y de menor rendimiento, el incremento fue del 34 %, mientras que el efecto sobre los profesionales más experimentados fue pequeño. El estudio se publicó posteriormente en The Quarterly Journal of Economics.

Un experimento con 758 consultores de Boston Consulting Group encontró una ventaja parecida dentro de determinadas tareas. Los participantes con GPT-4 completaron un 12,2 % más de tareas y trabajaron un 25,1 % más deprisa en un conjunto de actividades para las que el modelo resultaba competente. Los investigadores introdujeron también un problema para el que GPT-4 tendía a equivocarse. En esa tarea, utilizar IA redujo en 19 puntos porcentuales la probabilidad de obtener la respuesta correcta. El artículo apareció en Organization Science en 2026.

La combinación de ambos resultados merece atención. Una herramienta puede hacer que trabajemos mejor durante gran parte de la jornada y seguir necesitando una persona capaz de reconocer aquellas situaciones en las que deja de ser fiable.

La Organización Internacional del Trabajo analizó casi 30.000 tareas para actualizar en 2025 su índice mundial de exposición a la IA generativa. Según sus estimaciones, una cuarta parte de los trabajadores del mundo se encuentra en ocupaciones con algún grado de exposición y el 3,3 % del empleo mundial pertenece al nivel más alto. La propia OIT considera más probable la transformación de los puestos que su desaparición completa, debido a que muchas ocupaciones combinan tareas automatizables con otras que siguen necesitando intervención humana. El informe utiliza exposición potencial por tareas; no mide despidos causados por la IA.

Qué pasa si automatizamos el trabajo con el que aprenden los juniors

Hay una consecuencia menos visible que merece seguimiento. Muchas profesiones han formado a sus expertos encargando inicialmente a los trabajadores jóvenes actividades repetitivas o relativamente sencillas. Revisar documentos, preparar hojas de cálculo, resolver incidencias pequeñas, escribir piezas básicas o programar funciones de menor complejidad servía para producir trabajo y, al mismo tiempo, acumular experiencia. Precisamente esas tareas son candidatas naturales a recibir mucha asistencia de IA.

En agosto de 2026, Erik Brynjolfsson, Bharat Chandar y Ruyu Chen actualizaron un estudio elaborado con millones de registros de nóminas de ADP en Estados Unidos. No encontraron una caída general del empleo asociada a la IA. Sí observaron que el empleo de personas de 22 a 25 años en ocupaciones muy expuestas se situaba un 19 % por debajo de la evolución que habría seguido si hubiese avanzado al mismo ritmo que el de jóvenes comparables en trabajos menos expuestos. La diferencia procedía principalmente de una contratación menor, no de un aumento de despidos.

Los propios investigadores presentan el trabajo como evidencia observacional. Sus datos no permiten concluir que la IA haya destruido un 19 % de los empleos jóvenes ni atribuir toda la divergencia a una única causa.

Aun con esa cautela, el dato plantea un problema educativo para las empresas. Si una organización automatiza precisamente el trabajo con el que un recién llegado aprendía a reconocer patrones, cometer errores y entender el oficio, tendrá que encontrar otra forma de proporcionarle esa experiencia. La mejora de productividad y la formación de futuros expertos pueden entrar en conflicto si solo medimos el resultado inmediato.

Cómo evaluar si un alumno puede generar el trabajo con IA

La evaluación tiene que responder a una pregunta previa: qué queremos averiguar sobre el alumno. Un examen presencial puede comprobar conocimientos que una persona es capaz de recuperar y utilizar sin ayuda. Un proyecto permite observar aplicación, planificación y trabajo prolongado. Una defensa oral aporta información sobre comprensión y autoría. Una tarea realizada con IA puede mostrar si alguien sabe utilizarla, comprobarla y corregirla.

Ninguno de esos formatos acredita por sí solo toda la competencia de una persona.

Formato	Qué permite observar	Qué deja sin aclarar	Qué cambia con la IA
Examen sin recursos	Recuerdo, comprensión y aplicación individual en condiciones controladas.	Cómo trabaja la persona con documentación y herramientas.	Resulta útil para comprobar que existe una base propia.
Examen con recursos	Búsqueda, selección y aplicación de información.	Puede ser difícil separar razonamiento propio y ayuda externa si no se fijan límites.	Hay que especificar qué herramientas están permitidas.
Trabajo escrito	Investigación, argumentación, estructura y escritura.	El documento acabado informa cada vez menos sobre la autoría del proceso.	Conviene observar borradores, fuentes, decisiones y revisiones.
Proyecto	Aplicación, planificación e integración de conocimientos durante un periodo prolongado.	Puede resultar difícil conocer la contribución individual.	El historial de trabajo y la defensa de decisiones adquieren mayor utilidad.
Defensa oral	Comprensión, razonamiento en tiempo real y capacidad para justificar decisiones.	Puede introducir sesgos por ansiedad, expresión oral o discapacidad.	Ayuda a contrastar la comprensión de trabajos realizados con asistencia de IA.
Porfolio	Trayectoria, variedad de trabajos, experiencia y evolución.	Autoría, selección interesada y desigualdad de acceso a buenos proyectos.	Un resultado muy pulido ya no garantiza que el candidato lo haya producido por sí mismo.
Caso práctico	Aplicación del conocimiento, análisis y toma de decisiones.	Un único caso no garantiza el mismo rendimiento en otras situaciones.	Puede evaluarse con y sin IA según la capacidad que se quiera comprobar.
Tarea con IA declarada	Uso de la herramienta, verificación, revisión y capacidad para mejorar sus resultados.	No muestra necesariamente qué podría hacer la persona sin asistencia.	Se acerca a muchas situaciones profesionales actuales.
Crítica de una respuesta generada por IA	Conocimiento de la materia, detección de errores, comprobación de fuentes y juicio.	No mide por sí sola la capacidad de producir una solución completa.	Permite observar directamente si el estudiante sabe supervisar a la herramienta.

Algunas universidades ya han empezado a reorganizar sus evaluaciones siguiendo esta lógica. La Universidad de Sídney introdujo en 2025 un modelo que combina evaluaciones supervisadas, destinadas a acreditar aprendizajes individuales, con otras tareas donde pueden utilizarse las herramientas habituales del entorno profesional, incluida la inteligencia artificial cuando procede.

University College London distingue también entre actividades donde la IA está prohibida, permitida con determinadas condiciones o incorporada deliberadamente al diseño de la evaluación. Sus orientaciones sobre pruebas orales advierten además de problemas prácticos que a veces desaparecen del entusiasmo por estos formatos: carga docente, escalabilidad, ansiedad y accesibilidad.

Una evaluación más rica cuesta tiempo y dinero. Corregir una prueba cerrada para cientos de alumnos es relativamente barato. Escuchar defensas orales, revisar procesos, observar proyectos y proporcionar comentarios individualizados resulta bastante más caro. Cualquier reforma seria tendrá que resolver también esa economía de la enseñanza.

Qué acredita un título y qué conviene demostrar además

Una titulación sigue aportando información. En las profesiones reguladas constituye además un requisito legal. En otros ámbitos permite saber que alguien ha pasado por un programa, ha estudiado una disciplina durante un periodo determinado y ha superado sus evaluaciones.

Pero dos personas que poseen el mismo título pueden saber hacer cosas muy distintas. Esa limitación tampoco nació con ChatGPT.

Proyectos reales, pruebas prácticas, experiencia, contribuciones verificables y una trayectoria profesional permiten observar capacidades que el nombre de una titulación no describe. Es previsible que esas señales convivan cada vez con mayor frecuencia.

Tampoco convertiría el porfolio en el nuevo fetiche de la contratación. Una persona con acceso a buenas prácticas, empresas conocidas, mentores y tiempo libre para desarrollar proyectos parte con una ventaja evidente. La IA añade otra dificultad: ahora resulta barato presentar trabajos extraordinariamente pulidos cuya autoría o grado de participación humana puede ser difícil de reconstruir.

Un empleador puede necesitar combinar varias evidencias: formación previa, prueba práctica, conversación técnica, experiencia y trabajos realizados. La proporción cambiará según la profesión.

Esta convivencia entre títulos, certificaciones, reputación y evidencias prácticas conecta con otro proceso que hemos estudiado en Iberestudios: cómo las nuevas escuelas digitales construyen señales de confianza alrededor de sus programas. Cuantas más credenciales utilizamos para comunicar capacidad, más necesario resulta saber qué acredita realmente cada una.

Qué aprender para seguir siendo valioso dentro de cinco años

Si tuviera que orientar hoy a un estudiante, a un profesional que necesita actualizarse o a unos padres que se preguntan qué educación tendrá sentido para sus hijos, no elegiría una lista de profesiones supuestamente «a prueba de IA». Cinco años son suficientes para que falle casi cualquier lista de ese tipo.

Me concentraría en cuatro capas que pueden aplicarse después a disciplinas muy distintas.

1. Conocimientos de base

Aprendería bien la disciplina en la que quiero trabajar y conservaría una formación general suficiente para entender el mundo que la rodea.

Eso incluye leer y escribir con precisión, razonamiento matemático y estadístico, principios científicos, cultura general y los conocimientos específicos del ámbito profesional elegido.

Cuanto mejor sea una IA encontrando información, menos rentable resulta competir con ella en recordar datos triviales que podemos consultar. Pero interpretar lo encontrado sigue dependiendo de estructuras de conocimiento que tenemos que haber construido previamente.

2. Criterio dentro de una disciplina

Aprendería a evaluar la calidad de una fuente, distinguir correlación y causalidad, reconocer incertidumbre, comparar alternativas y prever consecuencias.

Lo entrenaría dentro de problemas concretos. El pensamiento crítico abstracto sirve de poco si no conozco suficientemente el asunto sobre el que tengo que pensar.

También buscaría profesores y profesionales capaces de explicar por qué una respuesta aparentemente razonable es mediocre. Ese tipo de corrección acelera enormemente la adquisición de criterio.

3. Práctica con problemas reales

Haría proyectos, casos, experimentos y trabajos que puedan salir mal. Intentaría resolver problemas antes de pedir la solución. Compararía mi respuesta con otras mejores. Repetiría después de recibir comentarios.

La práctica deliberada tiene algo poco atractivo para una cultura acostumbrada a la respuesta inmediata: contiene fricción. Hay momentos en los que uno no sabe, se equivoca y tiene que esforzarse.

Eliminar constantemente esa dificultad puede aumentar la velocidad con la que terminamos tareas y reducir las oportunidades de adquirir la capacidad que pretendíamos desarrollar.

4. Uso competente de la inteligencia artificial

Aprendería a trabajar con IA desde el principio, pero no basaría mi formación en dominar el menú o los trucos de una aplicación concreta.

Querría saber describir bien un problema, proporcionar el contexto necesario, dividir tareas complejas, comparar respuestas, comprobar fuentes, verificar cálculos, revisar código y reconocer situaciones en las que la herramienta está ofreciendo una seguridad que no merece.

También aprendería cuándo conviene no utilizarla. Si estoy practicando una capacidad que todavía no poseo, pedir inmediatamente el resultado puede privarme precisamente del ejercicio que necesito.

Las herramientas cambiarán muchas veces durante una vida profesional. Tener una buena base y saber aprender la siguiente probablemente dure bastante más que cualquier colección de trucos para la aplicación de este año.

Qué debería cambiar en la educación después de ChatGPT

La enseñanza tendrá que convivir con dos necesidades que a primera vista parecen contradictorias. Los alumnos deben aprender a trabajar con inteligencia artificial porque formará parte de su entorno profesional. También necesitan actividades en las que tengan que pensar, recordar, escribir, calcular o resolver sin que una máquina haga por ellos el esfuerzo que se pretende entrenar.

Eso significa que habrá exámenes cerrados y tareas abiertas. Habrá proyectos con IA y ejercicios sin ella. Habrá momentos para utilizar una herramienta como copiloto y otros en los que el profesor necesitará comprobar qué sabe hacer el alumno cuando se queda solo.

La calidad de una evaluación dependerá cada vez menos de una guerra imposible para detectar si un texto «parece escrito por ChatGPT» y bastante más de diseñar situaciones que permitan observar conocimiento, proceso, decisiones y capacidad para explicar lo realizado.

También tendremos que revisar cómo se forma a los profesionales jóvenes. Si las empresas utilizan la IA para retirar las tareas con las que tradicionalmente adquirían experiencia, necesitarán crear otros espacios de aprendizaje: supervisión, simulaciones, trabajo progresivamente más complejo, revisión de decisiones y contacto con problemas reales.

Dentro de cinco años espero utilizar sistemas de inteligencia artificial considerablemente mejores que los actuales. Eso no reduce el valor que concedo a saber. Cambia dónde quiero dedicar el esfuerzo de aprendizaje.

Quiero conocer suficientemente mi campo para entender los problemas antes de formularlos a una máquina, reconocer una respuesta defectuosa aunque esté escrita con enorme seguridad y saber cuándo falta una variable que nadie ha mencionado.

Quiero haber practicado decisiones difíciles antes de que las consecuencias sean importantes. Quiero utilizar la IA para explorar más alternativas, trabajar con más información y ejecutar determinadas tareas con mayor rapidez. Y quiero conservar la capacidad para juzgar el resultado que recibo.

La educación tendrá que enseñar ambas cosas: a pensar sin una máquina cuando aprender exige hacerlo y a trabajar con ella cuando utilizarla forma parte de la competencia que queremos adquirir.