Estudiar ha sido durante décadas una apuesta bastante razonable: dedicas años a aprender algo difícil de conseguir por tu cuenta, acreditas que lo sabes y esperas que el mercado pague después por ese conocimiento. La inteligencia artificial ha empezado a meter mano en los dos extremos del acuerdo. Puede enseñarte, explicarte, corregirte y acompañarte mientras aprendes; después entra en la empresa y ejecuta una parte del trabajo para el que te formaste. Si ambas cosas avanzan a la vez, la educación tiene un problema bastante mayor que decidir si permite ChatGPT en clase.
La primera reacción de colegios, universidades y escuelas de negocio fue mirar el examen. Era comprensible. De repente un alumno podía entregar en minutos un ensayo razonable sobre Kant, una estrategia de marketing, un programa en Python o el comentario de un balance. Llegaron los detectores de texto generado, los nuevos reglamentos y esa pequeña guerra académica en la que unos estudiantes intentaban que pareciese suyo lo que había escrito una máquina mientras algunas máquinas intentaban adivinar si aquello lo había escrito otra máquina. Mucha tecnología punta para reconstruir el viejo arte de copiar en un examen.
Mientras la educación vigilaba los deberes, la IA salía del aula y entraba en la oficina. Empezó a redactar informes, escribir código, preparar análisis, buscar información, traducir documentos, diseñar campañas, atender consultas y producir primeras versiones de trabajos que hasta hace poco ocupaban horas de un profesional. Ahí la discusión deja de ser pedagógica en sentido estricto. Afecta a la razón por la que millones de personas estudian.
Buena parte de la educación profesional contemporánea ofrece dos cosas que durante mucho tiempo estuvieron estrechamente unidas: conocimientos difíciles de adquirir y una preparación que mejora las posibilidades de trabajar. La IA está alterando el precio del primero y el contenido del segundo.
La explicación ha perdido buena parte de su escasez
Internet ya había hecho una parte del trabajo. Wikipedia, YouTube, los cursos abiertos, las bibliotecas digitales y miles de repositorios pusieron una cantidad descomunal de información al alcance de cualquiera con conexión. Sin embargo, encontrar información y aprender seguían siendo cosas distintas. Había que seleccionar, ordenar, interpretar y, muchas veces, encontrar a alguien capaz de explicar aquello que se resistía.
Los modelos generativos han entrado justo en esa zona. Una IA puede explicar una regresión lineal, comprobar si la has entendido, cambiar de ejemplo, rebajar el nivel, aumentarlo, preguntarte, corregirte y preparar el ejercicio siguiente a partir de tus errores. Puede mantener la conversación durante horas y adaptar su respuesta a una persona concreta. No siempre lo hace bien, por supuesto. También inventa, simplifica demasiado y puede afirmar una barbaridad con la tranquilidad verbal de quien acaba de consultar la Enciclopedia Británica. Aun con esas limitaciones, ha aparecido algo que antes era caro y difícil de escalar: una forma de tutoría disponible casi en cualquier momento.
El uso entre estudiantes ya es enorme. El AI Index 2026 de Stanford recoge que cuatro de cada cinco estudiantes estadounidenses de secundaria y universidad utilizan inteligencia artificial para tareas académicas. Solo la mitad de los centros de enseñanza media y secundaria incluidos en los datos disponían de políticas sobre su uso, y una minoría de docentes consideraba claras esas normas. Los alumnos han llegado antes que la institución, una tradición bastante asentada cuando aparece una tecnología nueva.
También empieza a acumularse evidencia sobre el aprendizaje. Un ensayo controlado realizado con 194 estudiantes de Física de Harvard comparó una sesión presencial de aprendizaje activo con un tutor de IA diseñado expresamente mediante principios pedagógicos y andamiaje. Los alumnos que utilizaron el tutor aprendieron más en menos tiempo y declararon mayores niveles de implicación y motivación. El estudio se realizó en una asignatura y con un sistema cuidadosamente diseñado; extrapolarlo a toda la educación sería una alegre temeridad. Sí sirve para descartar una comodidad intelectual: la enseñanza personalizada eficaz ya no pertenece en exclusiva a un ser humano situado delante del alumno.
Esto no vuelve inútil el conocimiento. Ocurre casi lo contrario. Cuantas más respuestas puede producir una máquina, más necesita una persona saber lo suficiente para reconocer una respuesta mala. Sin conocimientos propios cuesta comparar fuentes, detectar una incoherencia, formular una buena pregunta o advertir que el modelo acaba de inventarse una referencia. La OCDE sigue colocando las competencias básicas, la capacidad matemática, la comprensión, el pensamiento crítico, la autonomía y la resolución de problemas entre los fundamentos necesarios para desenvolverse en una economía atravesada por la IA.
Lo que se abarata es otra cosa: la transmisión de conocimiento estándar. Y eso toca directamente el bolsillo de una industria que durante años ha llamado metodología a una sucesión de vídeos, PDFs, cuestionarios automáticos y clases por Zoom. A veces el paquete costaba cincuenta euros. A veces cinco mil. El segundo llevaba un logotipo mejor y una diapositiva de bienvenida del director académico.
Una videoteca puede seguir siendo útil. Va a costar bastante más defenderla como principal razón para pagar una matrícula elevada.
El mercado laboral ha empezado a tocar la otra mitad del acuerdo
La educación podría sobrevivir sin demasiados traumas a una IA que enseñase muy bien. Tendría que reorganizarse, reservar a los profesores para tareas de mayor valor y aceptar que explicar el temario ya no merece ocupar la mayor parte del tiempo humano. El asunto se complica cuando la misma tecnología empieza a realizar aquello para lo que el alumno estudia.
Programación, administración, consultoría, marketing, diseño, traducción, análisis financiero, investigación documental, producción audiovisual o atención al cliente contienen tareas que los sistemas actuales ya ejecutan en diferentes grados. La capacidad es irregular. Hay procesos que funcionan de forma sorprendente y otros en los que dejar sola a la máquina continúa siendo una estupenda manera de crear trabajo adicional para un humano. Pero la dirección resulta visible.
Conviene mantener la cabeza fría con el empleo. La Organización Internacional del Trabajo estima que uno de cada cuatro trabajadores del mundo se encuentra en una ocupación con algún grado de exposición a la IA generativa. El 3,3% del empleo mundial entra en la categoría de exposición más alta. La OIT considera actualmente más probable que la mayoría de esos puestos se transformen antes que desaparecer por completo.
La OCDE llega a una conclusión parecida: la IA automatiza ciertas tareas, crea otras y puede aumentar la productividad. Estos efectos conviven. Las profesiones con mayor exposición tampoco son necesariamente las que presentan mayor riesgo de automatización total, porque muchas dependen de capacidades cognitivas, sociales y organizativas difíciles de separar en tareas rutinarias.
Así que todavía no tenemos el fin del trabajo. Tenemos algo bastante más desordenado: profesiones que cambian por partes, empresas que prueban hasta dónde pueden automatizar, puestos que se redefinen, tareas que dejan de justificar una contratación y otras que aparecen. Para una escuela, esperar a que desaparezca una profesión completa antes de reaccionar sería una estrategia curiosa. La transformación puede causar problemas educativos mucho antes.
El junior puede convertirse en el eslabón débil
En agosto de 2026, Erik Brynjolfsson, Bharat Chandar y Ruyu Chen publicaron una revisión de su trabajo sobre empleo e inteligencia artificial utilizando millones de registros de nóminas de ADP en Estados Unidos. No encontraron un desplazamiento masivo del empleo en toda la economía. Encontraron otra cosa. Entre los trabajadores de 22 a 25 años en ocupaciones muy expuestas a la IA, el empleo estaba alrededor de un 19% por debajo del nivel que habría alcanzado si hubiese seguido la evolución de jóvenes de la misma edad en ocupaciones menos expuestas. La diferencia parecía producirse principalmente por menor contratación, y los trabajadores experimentados no mostraban una brecha equivalente.
Los autores son especialmente prudentes. Sus datos describen una asociación, no demuestran cuánto de esa divergencia ha causado la IA. Parte de la diferencia se reduce cuando se controla por educación, existen tendencias anteriores y la muestra de ADP ofrece brechas mayores que algunos indicadores nacionales. Ellos mismos llaman a sus resultados señales tempranas y mantienen abierto el seguimiento. Esa cautela hace el hallazgo bastante más interesante que la enésima predicción sobre millones de empleos que desaparecerán el próximo jueves.
La investigación añade un detalle con consecuencias educativas importantes. El empleo joven ha empeorado especialmente en profesiones apoyadas en conocimiento codificado: información formal, documentada, estandarizada y susceptible de quedar escrita en manuales o almacenada digitalmente. Los profesionales experimentados resisten mejor en trabajos donde pesa el conocimiento tácito, el que se adquiere practicando, observando, tratando con situaciones reales y acumulando oficio.
Eso describe bastante bien una parte de la carrera profesional tradicional. El recién llegado no empezaba resolviendo el asunto más delicado de la empresa. Preparaba informes, recopilaba datos, revisaba documentos, hacía una primera presentación, programaba piezas sencillas, respondía consultas previsibles y acompañaba a personas con experiencia. Se equivocaba en un entorno relativamente controlado. Alguien corregía. Volvía a intentarlo. Con los años aparecía una mezcla de conocimiento, memoria de casos y criterio que ningún temario entrega terminada.
Las empresas han sido enormes instituciones educativas sin matrícula y con nómina.
La IA está demostrando especial habilidad precisamente en muchas de esas tareas iniciales. Puede producir el primer borrador, revisar cientos de páginas, resumir una investigación, generar una primera versión del código o preparar una propuesta preliminar. Para la empresa, sustituir una parte de ese trabajo puede tener sentido económico inmediato. Para el sistema profesional aparece una factura que llegará después: si se contrata a menos principiantes, habrá que averiguar de dónde salen los veteranos dentro de diez años.
Un senior no brota espontáneamente al cumplir treinta y cinco.
Este problema puede cambiar la misión de universidades y escuelas profesionales. Si el mercado ofrece menos puestos donde aprender haciendo tareas de entrada, la educación tendrá que construir experiencias que antes proporcionaba el empleo.
Una escuela tendrá que fabricar experiencia sin convertirla en teatro
La educación lleva muchos años hablando de proyectos, casos prácticos y aprendizaje experiencial. A veces con resultados excelentes. Otras, cambiando el nombre de los deberes y esperando que nadie se diera cuenta. La pérdida de parte del trabajo junior eleva la exigencia. Simular el trabajo ya no puede consistir en entregar al estudiante un caso perfectamente ordenado, con todos los datos disponibles y una respuesta que el profesor conoce desde septiembre.
Roger Schank desarrolló hace décadas el enfoque conocido como Scenario-Centered Curriculum. La idea sitúa al estudiante dentro de una situación profesional simulada: ocupa un papel, recibe una misión, maneja información, resuelve problemas y produce entregables. El profesor se acerca al papel de mentor. La Salle aplicó este planteamiento durante años en programas de dirección, con escenarios empresariales donde el participante debía actuar dentro de una historia y tomar decisiones en condiciones próximas a las de una función profesional.
La IA permite llevar esas simulaciones mucho más lejos. El cliente puede cambiar de opinión. Un competidor puede modificar los precios. Puede aparecer un conflicto interno, una incidencia de seguridad, una regulación nueva o un recorte presupuestario. El estudiante deja de trabajar en un universo académico cortés donde los datos llegan completos y nadie altera el enunciado después de haber empezado.
Eso se parece bastante más a trabajar.
Además, una IA puede interpretar distintos personajes dentro de un escenario, generar nueva información conforme avanzan las decisiones y adaptar la dificultad. El coste de construir experiencias variables baja de forma considerable. El riesgo también es evidente: si el diseño educativo es malo, la IA permite producir una cantidad industrial de mediocridad personalizada.
El profesor conserva un papel difícil de automatizar cuando observa el proceso. Puede detectar un razonamiento pobre escondido detrás de una presentación magnífica, preguntar por qué se descartó una alternativa, añadir contexto profesional, cuestionar supuestos y reconocer esos momentos deliciosos en los que una propuesta es impecable sobre el papel y completamente imposible fuera de él.
Ese profesor tiene bastante más valor que el que dedica noventa minutos a leer la diapositiva que aparece detrás de su cabeza.
El contenido pasa a ser materia prima
Este cambio obliga a revisar una costumbre muy arraigada: organizar la formación alrededor de aquello que hay que explicar. La asignatura parte de un temario, el temario se divide en unidades, las unidades contienen contenidos y al final alguien comprueba cuánto recuerda el estudiante. Es una arquitectura cómoda de administrar y de acreditar. También favorece una extraña enfermedad académica por la que añadir cincuenta páginas al programa parece automáticamente una mejora.
Una formación orientada a capacidades necesita otra lógica. El diseñador empieza por aquello que el estudiante tendrá que ser capaz de hacer. Después prepara situaciones donde tenga que hacerlo, establece qué producto o comportamiento permitirá observarlo y decide cómo se evaluará. Los contenidos entran cuando hacen falta para resolver la tarea.
La diferencia parece pequeña hasta que se aplica en serio.
Saber qué es una estrategia de precios no equivale a fijar precios. Conocer modelos de liderazgo no demuestra que alguien sepa intervenir en un conflicto. Haber estudiado análisis financiero no garantiza que una persona detecte que los números de una inversión son magníficos porque las hipótesis son absurdas. Recitar Scrum tampoco convierte a nadie en alguien capaz de dirigir un proyecto; para eso la industria ya dispone de suficientes reuniones diarias.
El conocimiento conserva todo su peso. Cambia la prueba exigida para afirmar que alguien lo domina.
Criterio, iniciativa y oficio
Este punto suele desembocar en la tradicional lista de “habilidades del futuro”. Liderazgo, creatividad, comunicación, resiliencia, pensamiento crítico. Las palabras sobreviven con una salud admirable a todos los cambios tecnológicos. Podríamos encontrar algunas en una presentación corporativa de 1999 y nadie notaría el viaje temporal.
Hace falta concretar.
El criterio cobra valor porque alguien debe decidir entre respuestas plausibles. Un modelo puede producir cinco estrategias, veinte campañas o tres planes financieros en unos minutos. El trabajo intelectual empieza al juzgar cuál tiene sentido, qué supuesto falla, qué información falta y qué consecuencia estamos dispuestos a aceptar. Eso exige conocimientos. La ignorancia no mejora al conectarla a una IA; simplemente recibe asistencia técnica.
La iniciativa adquiere otro peso. Los sistemas pueden ejecutar instrucciones cada vez más extensas y mantener tareas durante más tiempo. Las personas tendrán que decidir con mayor frecuencia qué merece hacerse, poner algo en marcha y asumir sus consecuencias. Ahí entra el carácter emprendedor, entendido sin reducirlo a fundar una startup. Emprende quien crea una empresa y también quien abre una línea de investigación, reconstruye un departamento, desarrolla un producto, organiza una comunidad o decide resolver un problema que llevaba años esperando dueño.
La capacidad para formular problemas merece también mucha más atención. El sistema educativo se ha especializado en entregar preguntas bien construidas para que el alumno responda. El mundo profesional tiene la mala costumbre de entregar situaciones confusas donde nadie ha redactado todavía la pregunta. Cuanto más barato resulte generar respuestas, más valor tendrá descubrir qué merece ser preguntado.
Después queda el oficio. Negociar, reconocer intereses, convencer, escuchar, interpretar una organización, construir confianza, atender a una persona, cuidar, dirigir un equipo o saber cuándo un cliente que dice “me lo pensaré” acaba de comunicar educadamente que jamás volveremos a verlo. La OCDE incluye precisamente autonomía, resolución de problemas, pensamiento creativo, comunicación, colaboración e inteligencia emocional entre las capacidades complementarias relevantes en entornos donde la IA gana presencia.
Nada de esto significa que todos vayamos a convertirnos en líderes, visionarios y emprendedores. Sería una sociedad agotadora y probablemente insoportable. Seguiremos necesitando médicos, científicos, técnicos, docentes, ingenieros, diseñadores, economistas, especialistas, artesanos y cuidadores. Cada profesión tendrá que averiguar qué parte de su valor reside en ejecutar procedimientos conocidos y cuál depende de conocimiento profundo, contexto, juicio y experiencia.
La educación lleva demasiado tiempo vendiendo empleo
Queda una cuestión todavía mayor. Puede que la inteligencia artificial y la robótica terminen reduciendo de forma sustancial la cantidad de trabajo humano necesaria para producir determinados bienes y servicios. Puede que creen nuevas actividades suficientes para absorber buena parte del desplazamiento. Puede que ambas cosas sucedan a la vez durante décadas. En 2026 nadie dispone de datos capaces de cerrar esa discusión.
Los antecedentes invitan a desconfiar de los profetas. Cada gran ola tecnológica ha producido predicciones sobre el fin del empleo, muchas de ellas equivocadas. También ha destruido oficios, creado otros y modificado por completo ocupaciones que conservaron el mismo nombre. Los datos actuales encajan mejor con una transición desigual que con una desaparición súbita del trabajo.
Aun así, las escuelas deberían pensar en serio qué sucede si el trabajo pierde parte de la centralidad que posee hoy. La educación superior profesional ha estrechado su discurso alrededor de la empleabilidad porque es una promesa sencilla de entender y de vender. Estudia, consigue una cualificación, mejora tu posición profesional, gana más dinero. Un MBA resulta bastante más fácil de comercializar así que prometiendo una vida intelectualmente más interesante.
Educar ha tenido siempre funciones más amplias. Transmitir cultura, formar ciudadanos, desarrollar autonomía, aprender a convivir, investigar, crear, participar en la vida pública, comprender una sociedad y disponer de recursos para orientarse dentro de ella. El mercado laboral ocupó tanto espacio en el discurso educativo que muchas de estas funciones empezaron a parecer ornamentos.
Si el trabajo humano disminuyera de forma significativa, aparecería un problema para el que estamos poco preparados: millones de personas tendrían que construir identidad, reconocimiento, relaciones y propósito con menos ayuda de la profesión. Llevamos siglos preguntando a un desconocido “¿a qué te dedicas?” para saber quién es. Tal vez algún día la pregunta resulte bastante menos informativa.
Eso también pertenece a la educación.
Una sociedad capaz de producir mucho con menos trabajo humano seguirá necesitando decidir qué quiere producir, cómo reparte los beneficios, qué límites impone a las máquinas, quién responde cuando algo falla, qué actividades considera valiosas y qué hacemos con nuestro tiempo. Enseñar a manejar una herramienta de IA cubre una fracción minúscula de ese problema.
El diploma tendrá que explicar mejor qué hay detrás
La IA complica además las formas habituales de evaluar. Un ensayo realizado en casa ya aporta poca información sobre quién construyó cada argumento. Lo mismo ocurre con una presentación, un análisis, un fragmento de código o una campaña. El producto final puede ser excelente mientras la comprensión del alumno resulta bastante modesta.
Prohibir la IA tiene sentido cuando se quiere observar una capacidad concreta sin asistencia. Igual que un estudiante aprende determinadas operaciones antes de utilizar una calculadora. Convertir esa prohibición en regla general resulta poco defendible cuando el profesional utilizará sistemas de IA en cuanto se incorpore a trabajar.
La evaluación puede desplazarse hacia el proceso. Interesa saber qué fuentes eligió una persona, cómo formuló el problema, qué decidió, qué descartó, dónde utilizó IA, qué comprobó, qué error no detectó, cómo respondió a una crítica y qué hizo cuando cambió una condición relevante. Una defensa oral, una simulación o el historial de iteraciones pueden contar bastante más que el aspecto impecable del documento final.
Aquí encajan tecnologías como xAPI. La especificación permite registrar experiencias mediante declaraciones estructuradas que identifican actores, acciones, objetos, resultados y contexto. Es útil para construir trazas de aprendizaje entre diferentes sistemas. No convierte una actividad registrada en una competencia demostrada. Acumular millones de eventos sobre clics, entregas y visualizaciones puede generar una base de datos impresionante y un conocimiento pedagógico bastante mediocre si nadie ha decidido antes qué merece observarse.
Un pasaporte de capacidades tendría sentido si conecta cada capacidad con práctica, evidencia y validación. El título puede seguir existiendo. A su lado debería haber algo que explique qué hizo realmente esa persona para obtenerlo.
Las escuelas que vendían información tendrán que encontrar otro negocio
La inteligencia artificial abarata precisamente las partes de la educación digital que mejor escalaban. Generar contenidos cuesta menos. Preparar ejercicios, traducir materiales, crear ejemplos, elaborar cuestionarios y producir explicaciones también. Una parte del soporte académico básico puede automatizarse. El coste de fabricar otra hora de vídeo con diapositivas nunca fue la parte heroica de la educación y ahora resulta todavía menos defendible cobrar como si lo fuera.
Las actividades difíciles siguen siendo difíciles.
Diseñar un escenario profesional creíble exige conocimiento. Dar buen feedback consume tiempo de personas cualificadas. Evaluar decisiones complejas es caro. Una comunidad valiosa necesita selección, participación y cuidado. Un mentor excelente no escala infinitamente. Exponer al alumno a incertidumbre sin convertir la experiencia en caos requiere diseño. Medir capacidades con rigor puede producir además una desagradable consecuencia para Marketing: descubrir que algunos resultados no son tan espectaculares como el folleto.
Precisamente por eso estas actividades conservarán valor.
Las instituciones que han vivido principalmente de empaquetar información tendrán presión sobre el precio. Las que dependen del profesor como transmisor de contenidos competirán con sistemas disponibles permanentemente. Las que utilicen rankings y notoriedad como sustitutos de evidencia tendrán delante a un consumidor con acceso creciente a información y herramientas de comparación.
Las escuelas capaces de construir práctica, criterio, relaciones, oficio, buena evaluación y experiencias difíciles de reproducir en solitario tendrán algo bastante más sólido que vender.
Ahora les toca examinarse a ellas
La educación no va a desaparecer porque exista una máquina capaz de explicar cálculo o redactar un informe. Tampoco parece razonable preparar ya el funeral del empleo. Hay demasiada historia, demasiadas variables y demasiadas diferencias entre profesiones para tomarse en serio afirmaciones tan cómodas.
Pero el viejo acuerdo se está moviendo. El conocimiento sigue siendo valioso, mientras su explicación se abarata. El empleo continúa siendo central, mientras determinadas tareas se automatizan y algunos trabajadores jóvenes encuentran más dificultades precisamente en ocupaciones muy expuestas. Las capacidades técnicas siguen importando, aunque cada vez conviven más con criterio, iniciativa, conocimiento tácito y capacidad para actuar cuando las instrucciones dejan de servir.
Una escuela puede responder añadiendo un asistente de IA al campus y publicando una nota de prensa. Es la opción barata y probablemente veremos unas cuantas.
La respuesta seria exige revisar qué aprende el alumno, qué hace durante el aprendizaje, con quién trabaja, qué decisiones toma, cuánto se equivoca, quién le corrige y qué pruebas quedan al final. Exige también aceptar que algunos conocimientos pueden aprenderse mejor y mucho más baratos fuera de la institución.
Durante mucho tiempo preguntamos al estudiante si estaba preparado para el mundo laboral.
Ahora empieza a tener sentido hacer la pregunta en la otra dirección: si el trabajo cambia y la inteligencia deja de ser un bien escaso, ¿está la escuela preparada para seguir mereciendo su matrícula?
