Creí que les enseñaba a usar inteligencia artificial y dependían de mí

Durante un buen tiempo estuve orgulloso de lo que veía. Mis alumnos entregaban trabajos que se notaban a leguas mejores que los del grupo de junto: mejor redactados, mejor armados, con una hechura que no era la de un chavo de bachillerato improvisando la noche anterior. Yo les había dado las herramientas para llegar ahí, y funcionaban. Durante meses creí que eso era la prueba de que estaba enseñando bien.

Les daba de todo. Prompts ya construidos, instrucciones paso a paso, presentaciones, materiales de apoyo, una ruta pensada para platicar con la inteligencia artificial sin quedarse en la respuesta de una sola línea. Y no fue en una materia con onda tecnológica nada más: lo hice en Cultura Digital con los de primero, en Informática con los de tercero y quinto, en Temas Selectos de Biología y en Ciencias de la Salud con los de quinto. En todas, lo mismo: les entregaba el mapa completo y ellos llegaban a un buen destino.

El problema es que un buen destino no dice cómo llegaron.

El trabajo era de ellos; el razonamiento seguía siendo mío

Me tardé en verlo porque estaba mirando el lugar equivocado: el producto. Los trabajos estaban bien, así que asumí que el aprendizaje también. Hasta que empecé a fijarme en lo que pasaba cuando les quitaba el andamio.

Vi que memorizaban los prompts. Que los guardaban para copiar y pegar. Que dependían de tener a la mano la instrucción exacta. Sabían ejecutar una ruta, pero no construirla. Y en cuanto no tenían el prompt preparado, se quedaban parados, sin saber cómo seguir. Producían algo de calidad sin haber reflexionado gran cosa sobre el camino. El trabajo era de ellos, sí; pero el razonamiento que organizaba ese trabajo seguía siendo mío. Yo había tomado todas las decisiones importantes de antemano y se las había entregado empaquetadas.

Con el tiempo encontré que esa sospecha mía tenía eco en gente que estudia el asunto con método. Un equipo encabezado por Hao-Ping Lee, en un trabajo presentado en la conferencia CHI de 2025, encuestó a más de trescientos trabajadores del conocimiento —adultos con empleo, no adolescentes, conviene aclararlo— sobre tareas reales que hacían con inteligencia artificial. Encontraron algo que me resonó: mientras más confiaba la persona en la capacidad de la máquina, menos esfuerzo crítico declaraba poner de su parte. Y encontraron también algo más fino, que a mí me sirvió para nombrar lo que veía: el pensamiento crítico no desaparece, se muda de lugar. Deja de estar en producir la información y se corre hacia verificarla, integrarla y hacerse responsable de ella. En mis alumnos ese desplazamiento no estaba ocurriendo. La máquina producía, y del otro lado no había nadie verificando ni haciéndose cargo: solo alguien copiando y pegando con buena letra.

Y ahí está la trampa que más me costó admitir: copiar y pegar un buen prompt también es una forma de dependencia, solo que una más elegante. Se ve moderna, se ve productiva, entrega resultados que lucen. Pero por debajo es lo mismo de siempre: el alumno ejecutando una receta que no entiende, sin la menor idea de qué hacer el día que la receta no sirva. Una revisión sistemática reciente de Mohamed Helal y sus colegas, que reunió sesenta y ocho estudios sobre inteligencia artificial generativa y pensamiento crítico, ordena bien este punto: la máquina no fortalece ni debilita el pensamiento por sí sola; el efecto depende de cómo se usa. Entre lo que lo debilita, señalan justamente la dependencia de la respuesta rápida y la aceptación poco crítica de lo que entrega. Y —esto es lo que me desarmó— aclaran que un buen prompt, por sí mismo, no garantiza que haya pensamiento crítico. Yo llevaba meses apostando todo a la calidad de la instrucción, y la instrucción, por buena que fuera, no era la palanca. Yo no estaba formando gente más autónoma. Estaba formando gente muy eficiente para depender de mí.

Cambié lo que enseñaba, no la materia

Cuando esos grupos pasaron de semestre —los de primero a segundo, los de tercero a cuarto, los de quinto a sexto—, decidí cambiarles la metodología a propósito, para comparar. Dejé de centrar la clase en decirles qué escribirle a la inteligencia artificial. Ese ya no era el punto.

Empecé a enseñarles otra cosa, más incómoda y más lenta: a leer con atención lo que la IA les respondía. A preguntarse si de verdad les había contestado lo que pidieron. A reconocer si le entendían o si nomás sonaba bien. A ubicar exactamente qué parte no comprendían. A notar qué información faltaba. A decidir hacia dónde querían llevar la conversación, formular la siguiente pregunta, corregir, profundizar, cambiar el rumbo. En una palabra: a no soltar la dirección del proceso.

La diferencia entre las dos formas de trabajar fue abismal. Lo digo como lo que es: mi valoración de maestro que estuvo ahí, no una medición de laboratorio. No conté puntos ni comparé calificaciones; vi con mis ojos dos maneras de trabajar y una me dejó mucho más tranquilo que la otra. Y lo que más me sacudió es que esa diferencia no dependió de la materia. Apareció igual en la clase de tecnología, en la de biología y en la de salud, con chavos de semestres distintos. Eso me terminó de convencer de que el asunto nunca fue el contenido. Era la manera de enseñarles a relacionarse con la máquina.

No dar el siguiente prompt, aunque lo tuviera en la punta de la lengua

La pieza central del cambio fue meter, en plenaria, un trabajo mayéutico. Socrático, si quieres ponerle nombre elegante: preguntar en lugar de responder.

Cuando la IA soltaba una respuesta, yo tenía en la cabeza el prompt que la mejoraría. Antes se los habría dado sin pensarlo. Ahora me mordía la lengua y, en vez de la instrucción, les devolvía preguntas: ¿Te está dando lo que pediste? ¿Le entiendes? ¿Qué parte no entiendes? ¿Está escrito para alguien de tu edad? ¿Qué información le falta? ¿Te gusta lo que te entregó? ¿Se parece a lo que querías? ¿Hacia dónde quieres llevarlo ahora? ¿Qué tendría que cambiar? ¿Qué le podrías dar tú para que lo haga mejor? ¿Cómo lo conectas con tu comunidad?

No me inventé esa manera de trabajar de la nada, aunque a mí me llegó por el camino de tropezar en el salón. Hay un estudio de Yu-Ren Ho y sus colegas, hecho con estudiantes del área de la salud, que trabajó exactamente así: en lugar de entregar la respuesta correcta, el docente devolvía preguntas para que el estudiante revisara y reconstruyera su propio razonamiento. Los autores lo contrastan con una enseñanza tipo “recetario”, de solo seguir pasos —que es, ni más ni menos, lo que yo había estado haciendo con mis prompts—. Y ponen el dedo en el mecanismo que a mí me interesaba sin saber nombrarlo: el monitoreo metacognitivo, que es una manera técnica de decir que el alumno se ponga a pensar en lo que entiende, en lo que supone y en hasta dónde llega su comprensión. Era su investigación en educación superior, no mi salón de bachillerato; no la tomo como prueba de lo mío, sino como señal de que el mecanismo que yo tanteaba tiene piso.

La gracia no era que ellos contestaran esas preguntas en voz alta para que yo asintiera. La gracia era que convirtieran sus propias respuestas en la siguiente instrucción para la IA. Y aquí hay un matiz que aprendí a cuidar: mis preguntas no eran la instrucción disfrazada. Eran detonadores. Algo parecido encontraron Anjali Singh y su equipo cuando metieron preguntas metacognitivas —esas que te hacen frenar y evaluar si de verdad entendiste— a un grupo de universitarios que buscaban información con inteligencia artificial: los que recibían esas preguntas exploraban más a fondo, hacían consultas de seguimiento más profundas y evaluaban las respuestas en vez de tragárselas enteras. Era una muestra chica y universitaria, así que no la estiro más de lo que da; pero apunta a lo mismo que yo veía en plenaria: la buena pregunta no entrega el pescado, enseña a dudar del anzuelo. El prompt dejaba de ser una receta que yo repartía y se volvía la consecuencia de una reflexión que hacían ellos. Todo el método cabe en cinco verbos: pedir, leer, cuestionar, decidir, refinar. Y el que decide, en esa cadena, tiene que ser el alumno.

Cómo se veía en la práctica

Pongo dos ejemplos, reconstruidos —no son citas al pie de la letra, sino la forma típica en que ocurría.

Un estudiante le pedía a la IA que le explicara un tema y recibía una explicación que no entendía. Antes yo le habría pasado un prompt mejor armado y santo remedio. Ahora lo llevaba a darse cuenta él mismo: que no le entendía, que el lenguaje estaba escrito para alguien con más nivel, que necesitaba pedir la explicación de otra forma. Y entonces llegaba solo a algo como: “explícamelo para un estudiante de quince años que apenas está aprendiendo esto”. Esa nueva petición no salía de memorizar una fórmula. Salía de evaluar lo que había recibido y reconocer qué le faltaba.

El otro caso era hacer un guion para un video. No es lo mismo pedir “dame un guion sobre este tema” que enseñarle al chavo a cargar la petición con lo que importa: que tiene quince años, que va en bachillerato, para qué es el video, qué tema explica, qué videos de TikTok le gustan y qué estructura quiere tomar de ahí, qué lenguaje usaría, para quién es, qué tiene que ver con su comunidad. Y cuando la IA devolvía el guion, no aceptarlo de oquis: revisar si le gustaba, si lo entendía, si sonaba a algo que él diría, si servía para lo que quería, qué parte había que pulir. De ahí salía la siguiente petición —que lo adaptara a una comunidad cañera, que le bajara al lenguaje—, y el guion mejoraba a fuerza de vueltas, no de suerte.

No era que los apoyara de más; era qué metía en ese apoyo

Durante un tiempo saqué la conclusión equivocada: pensé que el error había sido ayudarlos demasiado, y que la solución era soltarlos. Tampoco era eso. El problema no era el apoyo; era lo que ese apoyo llevaba adentro. Mis prompts terminados no eran un andamio: eran la casa ya construida. Traían tomadas, de fábrica, todas las decisiones que ellos debían aprender a tomar.

Me ayudó a ordenarlo una revisión clásica sobre andamiaje educativo, de Janneke van de Pol y sus colegas, que describe tres rasgos de un buen apoyo: que responda a lo que el alumno necesita en el momento, que se vaya retirando conforme el alumno puede más, y que le transfiera poco a poco el control de la tarea. Mis prompts fallaban en los tres: no respondían al momento, venían iguales para todos; no se retiraban, se memorizaban; y no transferían ningún control, se lo quedaban entero. Cambiar los prompts terminados por preguntas era, en el fondo, cambiar el tipo de andamiaje: pasar de uno que decide por el alumno a uno que le va pasando la decisión. No se trataba de quitar la ayuda, sino de que la ayuda dejara de sustituir el juicio.

Y esa parte —dejarlos decidir, equivocarse y corregir— resultó ser justo la que yo les había estado ahorrando. Un documento de la OCDE, de Natalia Kucirkova y Jessica Piotrowski, insiste en cuidar lo que llaman la “lucha productiva”: ese esfuerzo en el que el estudiante explora, elige, se equivoca y aprende de las consecuencias de sus decisiones. Su foco está sobre todo en niñas y niños más chicos, y es un documento para orientar la discusión, no un experimento; pero el aviso aplica igual a mis adolescentes. Cuando yo entregaba el mapa completo, les quitaba justo esa lucha. Les ahorraba el tramo intelectual donde de verdad se aprende, y me quedaba con un producto bonito como recibo de un aprendizaje que no había pasado.

“¿No es más fácil darles el prompt?”

Claro que es más fácil. Es más rápido, se ve más ordenado y los trabajos salen buenos desde el primer día. Por eso caí ahí durante seis meses. Pero esa facilidad tiene un costo que no se ve en el producto y se ve carísimo después: formas a alguien que produce bien mientras tú piensas por él, y que se apaga en cuanto no estás.

Usar la IA como copiloto no significa que la máquina lleve el avión y el alumno vaya de pasajero mirando por la ventanilla. Significa que el alumno decide el destino y corrige el rumbo, y que la máquina ayuda a llegar. Saber usar inteligencia artificial no es, entonces, memorizar la instrucción perfecta. Se parece más a lo que la propia OCDE llama alfabetizarse en IA: poder relacionarse con ella, crear con ella, cuestionarla y gobernarla con criterio. Y eso no cabe en un prompt guardado en las notas del celular.

La autonomía de mis estudiantes no apareció cuando aprendieron mis prompts. Apareció el día que dejaron de necesitarlos. Y no la trajo un mejor prompt: la trajo aprender a leer la respuesta, dudar de ella y decidir qué preguntar después. Enseñarles qué decirle a la inteligencia artificial mejora sus trabajos. Enseñarles a decidir qué preguntarle después es lo que, por fin, empieza a formar su cabeza.

Fuentes

• Helal, M. Y. I., Elgendy, I. A., Albashrawi, M. A., Dwivedi, Y. K., Al-Ahmadi, M. S., & Jeon, I. (2025). The impact of generative AI on critical thinking skills: A systematic review, conceptual framework and future research directions. Information Discovery and Delivery. https://doi.org/10.1108/IDD-05-2025-0125
• Singh, A., Guan, Z., & Rieh, S. Y. (2025). Enhancing Critical Thinking in Generative AI Search with Metacognitive Prompts. arXiv. https://arxiv.org/abs/2505.24014
• Ho, Y. R., Chen, B. Y., & Li, C. M. (2023). Thinking more wisely: using the Socratic method to develop critical thinking skills amongst healthcare students. BMC Medical Education, 23, 173. https://doi.org/10.1186/s12909-023-04134-2
• Kucirkova, N. I., & Piotrowski, J. T. (2026). An Agenda for Student Agency in the AI Era. OECD Guiding Discussion Paper. https://www.oecd.org/content/dam/oecd/en/about/projects/edu/education-2040/global-forum/Natalia%20Kucirkova%20and%20Jessica%20Piotrowski.pdf
• Lee, H. P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3706598.3713778
• Van de Pol, J., Volman, M., & Beishuizen, J. (2010). Scaffolding in Teacher–Student Interaction: A Decade of Research. Educational Psychology Review, 22, 271–296. https://doi.org/10.1007/s10648-010-9127-6
• Schleicher, A. (2026). Designing safe AI systems for education. OECD. https://www.oecd.org/en/blogs/2026/01/designing-safe-ai-systems-for-education.html