El ensayo siempre fue un sustituto. La IA solo lo hizo evidente.

A fines de 2022, OpenAI lanzó ChatGPT al público. En cuestión de semanas, algo incómodo quedó claro: buena parte de lo que habíamos llamado "escritura estudiantil" podía ser producida, al instante y con fluidez, por una máquina.

La reacción inmediata en la educación superior fue previsible: prohibición, memorandos de política, herramientas de detección. Pero bajo esa respuesta superficial había una pregunta más inquietante:

Si la IA puede generar un ensayo aprobatorio en segundos, ¿qué estábamos evaluando exactamente todo este tiempo?

El Ensayo Nunca Fue la Cosa en Sí

El ensayo académico tradicional no era una medida directa del pensamiento. Era un sustituto del pensamiento: un proxy que suponía que, si un estudiante lograba producir un argumento estructurado, debía haber realizado el trabajo cognitivo necesario para generarlo.

Ese supuesto siempre fue frágil.

El estudiantes aprendió pronto que el éxito en la escritura de ensayos no requería una idea original. Requería reconocimiento de patrones: la estructura de cinco párrafos, el tono académico apropiado, el uso estratégico de fuentes, las frases de transición que señalaban coherencia hubiera o no coherencia real.

Esto no es una crítica a los estudiantes. Es la descripción de una conducta racional frente a los incentivos. Cuando una tarea premia la estructura por encima de la sustancia, los estudiantes optimizan la estructura. Cuando una rúbrica enfatiza claridad, organización y formato de citas, los estudiantes aprenden a entregar esas características con eficiencia.

Con el tiempo, el sustituto se convirtió en la meta.

Dejamos de preguntar: ¿pensó el estudiante? Empezamos a preguntar: ¿se parece el ensayo a pensamiento?

Durante años, esa distinción fue fácil de ignorar. Luego la IA la volvió imposible de ignorar.

Lo Que la IA Realmente Cambió

La llegada de la IA generativa no introdujo un problema nuevo. Quitó fricción a uno antiguo.

Antes de la IA, producir un ensayo aceptable exigía tiempo, esfuerzo y al menos una mínima dedicación. Un estudiante debía reunir fuentes, armar oraciones y mantener la coherencia a lo largo de los párrafos. Incluso cuando el pensamiento era superficial, el proceso imponía cierto costo cognitivo.

La IA eliminó ese costo.

Hoy un estudiante puede generar en segundos un ensayo estructurado, gramaticalmente correcto y lleno de citas. No un ensayo brillante ni profundamente original, pero sí uno que a menudo resulta indistinguible, en la superficie, de la entrega mediana en muchos cursos.

Por eso el profesorado relata una experiencia constante: sospecha del uso de IA, pero no puede probarlo. La redacción es genérica, pero no está equivocada. Pulida, pero curiosamente vacía. Competente, pero intercambiable.

El problema no es que la IA produzca trabajo excepcional. El problema es que produce un trabajo que se ve exactamente como lo que hemos estado premiando.

Ese es el hallazgo más incómodo. No que los estudiantes usen IA, sino que la IA pueda satisfacer nuestras tareas con tanta facilidad. Si una máquina puede completar la tarea de forma convincente, debemos preguntarnos si la tarea alguna vez midió lo que creíamos que medía.

Contexto de investigación. Estudios citados en Academically Adrift (Arum y Roksa, 2011) encontraron que el 45% de los estudiantes no mostró una mejora significativa en pensamiento crítico, razonamiento complejo o habilidades de escritura durante los dos primeros años de universidad.¹ La IA no creó esa brecha. Hizo imposible ignorarla.

Por Qué la Detección Es la Solución Equivocada

Como respuesta, las instituciones implementaron herramientas de detección de IA. El razonamiento era sencillo: si los estudiantes usan IA, hay que identificarlos.

El enfoque se derrumbó rápidamente al examinarse.

Investigaciones de Stanford HAI y otros grupos han planteado serias dudas sobre la confiabilidad de estas herramientas. Los falsos positivos son comunes. Las personas cuya lengua materna no es el inglés son señaladas de manera desproporcionada. La escritura académica formal y estructurada, justamente el estilo que la educación superior enseña a producir, puede parecerse tanto al texto generado por IA que activa las alertas.²

Los sistemas de detección corren el riesgo de penalizar a los estudiantes que más se esfuerzan por cumplir las expectativas académicas.

Más fundamentalmente, la detección malinterpreta el problema. Aun si el uso de IA pudiera identificarse a la perfección (no puede), seguiríamos enfrentando la misma pregunta incómoda: ¿por qué la escritura generada por IA satisface nuestras tareas con tanta facilidad?

Si la respuesta es "porque nuestras tareas premian la apariencia de pensamiento y no el pensamiento mismo", la solución no es la vigilancia. La solución es el diseño.

La detección es una solución de control para un problema de diseño. Ambas cosas no son intercambiables.

Cómo Son las Tareas Cuando el Pensamiento Es Visible

Rediseñar para hacer visible el pensamiento no es algo nuevo. Muchos enfoques que dificultan los atajos intelectuales existen desde hace décadas. Lo que ha hecho la IA es aumentar su urgencia.

El hilo común de los rediseños eficaces: trasladan la evaluación de lo que se produjo a cómo se desarrolló.

Borradores por etapas con requisitos de revisión. Un único documento entregado revela casi nada sobre cómo se produjo. Exigir borradores, memorandos de revisión anotados y cambios documentados crea un registro del pensamiento. Los estudiantes que se saltan el proceso no pueden falsear un historial de revisión creíble. Más importante aún, quienes se comprometen genuinamente con la revisión aprenden algo en el camino.

Consignas personalizadas y específicas al contexto. Mientras más dependa una tarea de información compartida y de acceso público, más fácil es delegarla. Las tareas que exigen apoyarse en discusiones propias del curso, conjuntos de datos únicos, observaciones personales o eventos documentados localmente son más difíciles de replicar de forma genérica. La especificidad no es una contramedida para cerrar una brecha. Es mejor pedagogía, con o sin IA.

Componentes de defensa oral. Quienes pueden escribir con coherencia sobre un tema no necesariamente pueden conversar sobre él con fluidez y capacidad de respuesta en tiempo real. Breves componentes orales, ya sean sesiones estructuradas de preguntas y respuestas o revisiones informales, muestran si los estudiantes pueden trabajar con las ideas que entregaron por escrito. No es un mecanismo de vigilancia. Es una imagen más completa de la comprensión.

Componentes de reflexión sobre el proceso. Pedir a los estudiantes que analicen su propio pensamiento, que describan qué cambió entre borradores y por qué, o que identifiquen dónde se modificó su razonamiento convierte la tarea en un ejercicio metacognitivo. Este tipo de reflexión no se delega con facilidad porque requiere un compromiso real con el trabajo.

Consignas que exigen una postura. La IA sobresale al resumir información existente y presentar múltiples perspectivas con aparente equilibrio. Es menos confiable al generar y defender una posición específica y discutible en un contexto concreto. Las tareas que empujan a los estudiantes a tomar posición, y no solo a recorrer un tema, generan mayor exigencia cognitiva.

Ethan Mollick, quien ha escrito extensamente sobre la IA y la pedagogía, plantea el cambio así: diseñar tareas que revelen el proceso y no solo el producto.³ La meta no es hacer las tareas a prueba de IA. La meta es hacerlas ricas en aprendizaje: el tipo de trabajo que no se puede completar sin desarrollar la habilidad que se supone que se está desarrollando.

Estos enfoques no son igualmente fáciles de implementar a gran escala. Los cursos masivos, los departamentos con pocos recursos y las cargas docentes pesadas imponen restricciones reales. Eso no es excusa para postergar el rediseño indefinidamente. Es un argumento para empezar con una sola tarea este semestre, un cambio a la vez.

La Pregunta Que Siempre Estuvo Ahí

La conversación sobre la IA en la educación superior se ha centrado sobre todo en lo que los estudiantes hacen mal.

Un enfoque más productivo es preguntarse qué hemos dado por sentado sin suficiente escrutinio.

El ensayo llegó a dominar la educación superior por razones comprensibles. Es flexible. Se adapta a todas las disciplinas. Está profundamente arraigado en la cultura académica. Cuando está bien diseñado, puede evaluar genuinamente el razonamiento y la argumentación.

Pero esas mismas cualidades lo hicieron vulnerable. Cuando un instrumento de evaluación es cómodo y está culturalmente afianzado, es fácil dejar de preguntarse si funciona. Confundimos familiaridad con validez.

Si una máquina puede completar una tarea de manera convincente, la pregunta no es si debemos prohibir la máquina. La pregunta es si la tarea alguna vez midió lo que creíamos que medía.

Escribir sigue importando. La capacidad de construir un argumento, trabajar con la evidencia y comunicarse con claridad sigue siendo central en la educación superior y en la mayoría de los campos profesionales. La IA no elimina la necesidad de esas habilidades. En todo caso, eleva el listón de lo que cuenta como escritura significativa.

Lo que sí significa es que el ensayo tiene que ganarse su lugar en el currículo como no ha tenido que hacerlo en décadas. Una alineación más clara entre la tarea y el objetivo de aprendizaje. Mayor énfasis en el proceso y la interacción. Un diseño más intencional de las consignas y de los criterios de evaluación.

Las personas que ya empezaron a rediseñar sus tareas, que han probado nuevos enfoques en el aula y saben qué funciona en sus contextos disciplinares, poseen el conocimiento más útil en esta conversación. Ese es justamente el tipo de material probado y adaptado que avanza más rápido cuando circula.

Si usted tiene tareas que valga la pena compartir, o busca enfoques rediseñados para adaptar, el catálogo es un buen lugar para comenzar.