Prohibir la IA no la sacó del salón: la volvió clandestina

La pregunta llegaba casi siempre igual, en cuanto arrancaba el taller. Un maestro levantaba la mano, medio resignado, y soltaba lo que traía atorado: “¿cómo le hago para que mis alumnos dejen de usar inteligencia artificial en los trabajos?”. Y en cuanto uno lo decía, los demás asentían, porque era la pregunta de todos. La habían formulado de mil maneras —cómo blindo mis actividades, cómo detecto si la usaron, cómo prohíbo el teléfono, cómo hago que vuelvan a trabajar solos—, pero por debajo era la misma: cómo saco a la IA de mi salón.

Yo entendía perfectamente de dónde venía esa pregunta. No llegaban ingenuos. Llegaban porque ya lo habían visto.

Ya sabían que la IA estaba ahí

Antes de pisar el taller, esos maestros ya se habían dado cuenta. Los trabajos les habían cambiado enfrente de los ojos. Ensayos, resúmenes, investigaciones, mapas mentales, textos que antes venían con su buena ración de errores y de pronto llegaban limpios: mejor redactados, mejor estructurados, sin las faltas de ortografía de siempre, con un lenguaje que no era el que ese alumno usaba cuando hablaba en clase. Hasta los mapas y las imágenes, que antes bajaban de internet, ahora aparecían generados. Demasiado pulido todo, demasiado parejo.

Algunos, al principio, hasta se ilusionaron: pensaron que sus estudiantes habían dado un salto de la noche a la mañana. Duró poco. No tardaron en caer en cuenta de que ese salto no era del alumno; era de una herramienta. Por eso llegaban al taller: no a descubrir el origen de los trabajos —eso ya lo sabían—, sino a que alguien les dijera cómo pararlo.

La primera reacción fue prohibir

Y lo primero que habían intentado, casi todos, era prohibir. Nada de teléfonos en el aula. Los trabajos no se hacen con IA. No acepto productos generados. Y de ahí a inventar maneras de cachar el uso, o a diseñar actividades que —creían— la máquina no pudiera resolver. La lógica era de una sencillez tentadora: si el teléfono deja usar la IA, se prohíbe el teléfono; si la IA hace el trabajo, se prohíbe la IA; si el producto huele a generado, se rechaza.

El problema es que no funcionó. Y no funcionó de una manera que conviene mirar de frente, porque es la trampa de todo esto.

Prohibir no quitó la IA; la volvió clandestina

Prohibir no hizo que los estudiantes dejaran de usar inteligencia artificial. Hizo que la usaran donde el maestro no veía. El trabajo se generaba fuera del aula, se copiaba, se le cambiaban unas palabras, y llegaba pulido a la entrega, sin una sola huella del camino. El alumno aprendía a esconder la herramienta, no a prescindir de ella. La prohibición no borró el uso: le apagó la luz. Lo que antes se veía, ahora pasaba en lo oscurito, y un problema que no se ve es más difícil de atender que uno que se ve.

Esto lo digo por lo que me tocaba ver taller tras taller, no como una ley probada. Pero que las prohibiciones tajantes rinden poco no es solo impresión mía: un informe de la agencia australiana que vela por la calidad de la educación superior, coordinado por Jason Lodge, concluye que las prohibiciones generales tienen poco valor práctico —entre otras cosas porque es muy difícil identificar de manera confiable el uso de IA en un trabajo hecho fuera de clase— y que el camino no es perseguir mejor, sino reformar la evaluación.

Y estaba, además, la ilusión del detector. Muchos maestros ponían su fe en alguna herramienta que prometía delatar los textos hechos con IA. Ahí conviene bajar las expectativas: cuando un equipo encabezado por Debora Weber-Wulff probó varios de esos detectores, encontró que fallan una y otra vez, y que basta con retocar un poco el texto para burlarlos. Tratar un detector como prueba es construir una acusación sobre arena. Y una relación de enseñanza que se funda en la vigilancia y la sospecha ya perdió algo más importante que la discusión sobre la herramienta.

Así que, por lo que a mí me tocaba ver en esos talleres, la prohibición conseguía justo lo contrario de lo que buscaba: en lugar de devolverle el trabajo al estudiante, lo empujaba a volverse más hábil para ocultar cómo lo había hecho y cuánto se había apoyado en la herramienta.

Mi respuesta les sonaba al revés

Aquí es donde yo daba una respuesta que, lo confieso, a más de uno le caía como balde de agua fría. Llegaban preguntándome cómo lograr que sus alumnos dejaran de usar la IA, y yo les decía que el camino era el contrario: para que la inteligencia artificial no hiciera todo el trabajo por ellos, los maestros primero tenían que aprender a usarla —y luego enseñársela a sus estudiantes— de manera apropiada.

Se les torcía la cara, y con razón. Sonaba a rendirse. Pero no era eso. La salida no era que los alumnos dejaran de usarla; era que aprendieran a usarla con cabeza: de forma ética, responsable, crítica, dentro de trabajos donde todavía tuvieran que pensar, decidir, construir y demostrar lo que hicieron. No me lo inventé yo solo: la propia UNESCO, en su guía sobre inteligencia artificial generativa en la educación, empuja en esa dirección —usarla con criterio y preservar la agencia de quien aprende, para que el estudiante siga siendo el que decide y responde por su trabajo, no un espectador de lo que la máquina escupe—. Sacar la IA del salón era pelear una guerra perdida. Enseñar a usarla con criterio era, además de más realista, más formativo.

El verdadero problema no era la IA

Porque cuando nos poníamos a desarmar el asunto, aparecía algo incómodo: buena parte del problema no estaba en la herramienta, sino en lo que les seguíamos pidiendo a los alumnos.

Piénsalo. Un resumen. Un ensayo genérico. Una investigación. Un mapa mental. Una exposición. Una actividad escrita, suelta, sin seguimiento. Todos esos productos, tal cual los pedíamos de siempre, la IA los entrega completos en segundos. El estudiante no tiene que hacer más que copiarlos, descargarlos, ajustarles un detalle y presentarlos. No es que los muchachos sean flojos; es que les pusimos enfrente una tarea que la máquina hace sola, y les dimos la máquina. El problema no era nada más que tuvieran acceso a la IA. Era que seguíamos pidiendo productos que la herramienta podía fabricar sin que el alumno tuviera que demostrar que aprendió algo.

Y eso —duro decirlo— no lo arregla ninguna prohibición. Lo arregla rediseñar la tarea. Es, en el fondo, lo mismo que recomendaba aquel informe australiano cuando hablaba de reformar la evaluación: en vez de gastar la energía en detectar, gastarla en ampliar lo que miramos, para que el producto final deje de ser la única evidencia de que hubo aprendizaje.

De la actividad suelta al proyecto por etapas

Lo que trabajábamos en el taller era eso: cambiar la actividad aislada por un proyecto construido a pedazos, por avances, por microproyectos. La idea es sencilla de enunciar y cambia todo: que el trabajo no aparezca terminado de un solo golpe, sino que se arme por etapas que se ven.

Cada etapa pide algo del estudiante: una decisión, un avance parcial, una justificación, una corrección, una contextualización, una explicación de por qué le movió a lo que la IA le devolvió, una liga con lo que hizo antes. El producto final sigue importando, no lo tiro a la basura; pero deja de ser la única evidencia. Porque ahora el maestro puede ver lo que antes no veía: cómo evolucionó el trabajo, qué decidió el alumno, qué modificó, qué rechazó, cómo usó la herramienta, qué parte entendió y cuál tuvo que corregir, cómo amarró cada avance con el resultado. La IA puede entrar en ese proceso —y qué bueno que entre—, pero ya no puede hacerlo entero por debajo de la mesa sin que quede rastro.

Un resumen se entrega de una vez y no dice nada de cómo llegaste. Un proyecto por etapas deja huellas. Y esas huellas le dan al maestro evidencias mucho más ricas para entender cómo trabajó cada quien y para sostener con el alumno una conversación evaluativa mejor fundada.

Lo veía en la práctica: cuando la evaluación deja de mirar solo el producto y empieza a mirar las etapas, la conversación con el alumno cambia por completo. Ya no es “esto lo hiciste tú o lo hizo la máquina”, una pregunta que casi siempre termina en sospecha y que rara vez se puede sostener. Es “explícame por qué elegiste esto y no aquello”, “qué le corregiste a lo que te devolvió la herramienta”, “cómo llegaste de este avance al siguiente”. Y ahí, en esa conversación, el que no entendió lo que entregó se nota solo, sin necesidad de acusarlo de nada; y el que sí trabajó, aunque se haya apoyado en la IA, lo puede defender. La evaluación deja de ser una cacería y vuelve a ser lo que siempre debió: una manera de ver aprender.

Qué significa de verdad “blindar” una actividad

Aquí deshacía yo un malentendido que traían casi todos. “Blindar” no es diseñar una tarea imposible de resolver con inteligencia artificial. Esa carrera está perdida de antemano: la herramienta avanza más rápido que nuestras trampas, y cada actividad “a prueba de IA” dura sin caer lo que tarda alguien en encontrarle la vuelta.

Y no lo digo solo yo. Un trabajo reciente de Kofinas y sus colegas examinó las evaluaciones “auténticas” —esas tareas pegadas a la vida real que se suponían resistentes— y halló que tampoco quedan automáticamente a salvo: una respuesta generada puede resultar convincente incluso para evaluadores con experiencia. La lección es clara: contextualizar la consigna, hacerla más “real”, no basta si toda la evidencia sigue amontonada en el producto final.

Por eso blindar, en el buen sentido, es otra cosa. Es diseñar una actividad donde entregar una respuesta generada no alcance: donde el proceso tenga que verse, donde el alumno deba tomar decisiones, donde haya avances que se puedan verificar, donde el producto dependa de información del contexto que solo él conoce, donde las etapas estén encadenadas y tenga que justificar lo que hizo. No se blinda una actividad escondiéndola de la IA. Se blinda haciendo que el aprendizaje no dependa únicamente del producto final.

Y en el mismo movimiento se resuelve lo de la ética, que a todos preocupaba. La honestidad no se consigue con una advertencia al pie de la hoja que diga “no uses IA”. Esa frase no ha detenido a nadie. La honestidad se diseña desde el principio, metida en la actividad: si el proceso es visible, si hay usos acordados y el alumno tiene que reconocer cómo empleó la herramienta y responder por sus decisiones, usar la IA a escondidas deja de tener chiste, y usarla a la vista —declarándola, revisándola, corrigiéndola— se vuelve lo natural. La ética deja de ser un regaño previo y se vuelve parte del andamiaje de la tarea.

Salían viendo lo contrario de lo que entraron a buscar

Ese era el giro que yo veía ocurrir taller tras taller. Los maestros entraban convencidos de que la IA era el enemigo y de que su tarea era impedirla. Salían entendiendo que el enemigo nunca fue la herramienta, sino seguir diseñando clases que la herramienta resuelve en segundos. Entraban pidiendo un método para detectar a sus alumnos; salían con una manera distinta de enseñarles y de evaluarlos. Entraban buscando cómo prohibir; salían con proyectos, con actividades encadenadas, con otra forma de mirar el proceso y con una postura —ética y pedagógica— sobre para qué sirve la herramienta.

A muchos los descolocaba que la solución fuera exactamente la contraria a la que habían venido a buscar. Querían una forma de retirar la IA, y lo que se llevaban era una forma de devolverle al estudiante las decisiones. Pero cuando lo veían funcionar, entendían el fondo del asunto: para lograr que la inteligencia artificial no hiciera todo por el alumno, primero había que perderle el miedo, aprender a usarla y enseñar a usarla. No se trataba de sacar la herramienta del salón. Se trataba de que, dentro del salón, aun con la IA sobre la mesa, el que siguiera pensando fuera el estudiante.

Fuentes

• Lodge, J. M., Howard, S., Bearman, M., Dawson, P., & colaboradores. (2023). Assessment reform for the age of artificial intelligence. Tertiary Education Quality and Standards Agency (TEQSA). https://www.teqsa.gov.au/sites/default/files/2023-09/assessment-reform-age-artificial-intelligence-discussion-paper.pdf
• Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
• Weber-Wulff, D., et al. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, 26. https://doi.org/10.1007/s40979-023-00146-z
• Kofinas, A. K., et al. (2025). The impact of generative AI on academic integrity of authentic assessments. British Journal of Educational Technology. https://doi.org/10.1111/bjet.13585