Competencias transversales para fortalecer el juicio técnico
MANIFIESTO POR LA TRANSFORMACIÓN UNIVERSISTARIA EN UN CONTEXTO DE CAMBIO
Director del Centro de Liderazgo y Tecnología.
Francisco J. Bonet García. Profesor Titular Universidad de Córdoba.
Formar ingenieros cuando la IA también nos da respuestas
La inteligencia artificial ha entrado en la universidad con más rapidez que nuestra capacidad de adaptar la formación. Los estudiantes ya la usan para estudiar, resolver dudas, programar, redactar informes, preparar presentaciones, traducir textos o revisar ejercicios. Paralélamente, los profesionales la incorporan cada vez más en tareas de análisis, documentación, exploración de alternativas y apoyo a la toma de decisiones.
Este cambio no es menor. No es semejante a ninguno de los que hasta la fecha haya vivido la academia. Afecta a la forma de aprender y también a la forma de trabajar. Hasta hace poco, muchas tareas que realizaban los estudiantes y los técnicos servían como evidencia indirecta de comprensión y conocimiento. Quien redactaba un informe, programaba una rutina, explicaba un concepto o resolvía un problema mostraba, al menos en parte, que había recorrido un proceso intelectual propio. Hoy esa relación se ha vuelto menos evidente. Detrás de cada texto subyace la duda de la comprensión de quien lo ha redactado. Una herramienta puede producir una respuesta razonable, bien escrita y técnicamente verosímil sin que el estudiante haya integrado del todo el razonamiento qué la sostiene.
Por eso, la pregunta importante no es solo cómo enseñar a usar la inteligencia artificial a estudiantes y profesores. Esa pregunta es necesaria, pero insuficiente. La cuestión de fondo es qué tipo de ingeniero queremos formar cuando una parte creciente del trabajo técnico puede quedar mediada por sistemas capaces de generar respuestas, cálculos, textos, código y propuestas de diseño. La respuesta está que en si las herramientas de las que disponemos son más potentes y facilitan la generación de soluciones, consecuentemente la necesidad de criterio por parte del usuario aumenta; esto plantea la necesida de adaptar la manera de formar a nuestros estudiantes en la academia. La inteligencia artificial puede ampliar la capacidad operativa del ingeniero, pero no sustituye su juicio técnico. Puede ayudar a producir alternativas, ordenar información o acelerar tareas. Pero no garantiza que el problema esté bien formulado, que los datos sean adecuados, que el modelo usado sea pertinente, que las hipótesis sean razonables o que las consecuencias hayan sido comprendidas.
En la era de la inteligencia artifical, las competencias transversales constituyen un recurso que crucial para la formación de los ingenieros. Durante años se han presentado como un complemento de la formación técnica, algo conveniente, incluso necesario, pero situado en los márgenes del currículo. La comunicación, el pensamiento crítico, el trabajo en equipo, la ética, el aprendizaje autónomo o el liderazgo aparecían a menudo como capacidades añadidas a una base técnica considerada central. Durante años, estas competencias se han presentado como un complemento a la formación técnica situado en los márgenes del currículo.
Sin embargo, en el contexto actual, las competencias transversales pasan a formar parte del núcleo de la competencia profesional ya que permiten desenvolverse en contextos complejos, la capacidad analítica, distinguir patrones de causas, comunicar incertidumbres y asumir la responsabilidad de una decisión técnica.
No se trata de enfrentar técnica y competencias transversales. No es la lucha de Platón contra las máquinas. Se trata de reconocer que el juicio técnico se construye precisamente en la relación entre ambas. Un ingeniero no aporta valor sólo porque sabe calcular, aporta valor porque sabe qué debe calcular, por qué, con qué supuestos, con qué límites, para quién y con qué consecuencias.
Qué cambia con los LLMs en el aprendizaje y en el trabajo técnico
Cuando hablamos de IA, nos referimos concretamente a los LLMs nos referimos a modelos de inteligencia artificial entrenados con grandes volúmenes de texto y capaces de generar lenguaje, código, explicaciones, resúmenes o propuestas a partir de una instrucción. Su potencia está en que convierten el lenguaje natural en una interfaz de trabajo técnico. Los modelos de lenguaje (LLMs) han cambiado la relación con muchas tareas universitarias. Pueden explicar un concepto, resumir un texto, generar una estructura, mejorar una redacción, traducir un documento, escribir código, detectar errores o proponer alternativas. Esta capacidad puede ser muy útil. Bien utilizada, puede ayudar a aprender mejor, a contrastar enfoques y a trabajar con más agilidad.
Pero también introduce una dificultad nueva: el estudiante puede producir resultados antes de comprender. Puede obtener una explicación clara sin haber construido aún la estructura mental que le permite juzgar si esa explicación es correcta. Puede entregar un texto ordenado sin haber madurado el razonamiento. Puede apoyarse en una solución que funciona en apariencia, aunque no conozca bien sus supuestos, sus límites o su dominio de validez. Esta situación reta los rudimentos más básicos del aprendizaje.
Este riesgo no afecta solo a los estudiantes, también afecta a los profesionales fuera de la academia y a los docentes. La inteligencia artificial puede ayudar a revisar y crear normativa, generar informes, preparar presentaciones, analizar bases de datos o escribir código para modelos técnicos, pero su salida no es equiparable a una decisión profesional. Una respuesta puede estar bien formulada y, aun así, ser incompleta, errónea o poco adecuada para el contexto. La práctica profesional consiste en intervenir sobre la realidad con una intención. Una infraestructura, una planta industrial, un puerto, una red de transporte, un sistema energético o una solución hidráulica no son respuestas escritas. Son decisiones que modifican el territorio, consumen recursos, condicionan el futuro y afectan a personas, ecosistemas y economías.
Por eso, la ingeniería necesita algo más que capacidad para reconocer patrones. También necesita comprender mecanismos, necesidades sociales, relaciones de causa y efecto, efectos indirectos y posibles consecuencias. No basta con saber que dos variables se mueven juntas. Hay que preguntarse si una influye sobre la otra, si existe una tercera variable que explica ambas o si la relación observada desaparecería al cambiar las condiciones del sistema.
Un ejemplo de ello es la distinción entre observar e intervenir. Una cosa es preguntar qué suele ocurrir cuando vemos cierto patrón en los datos. Otra distinta es preguntar qué ocurrirá si modificamos una variable, cambiamos una regla de operación, introducimos una nueva tecnología o alteramos una política de mantenimiento. La primera pregunta puede apoyarse en asociaciones observadas, y está en el terreno de juego de un modelo de LLM. La segunda exige un razonamiento causal y una inferencia asociada, que aún se encuentra el terreno de juego del expertise humano.
Los LLMs pueden ayudarnos a formular hipótesis y a explorar explicaciones, pero una explicación plausible no es necesariamente una explicación válida. La calidad del lenguaje puede ocultar la debilidad del razonamiento. Una explicación válida debe ser técnicamente plausible y estar adecuadamente conectada con la realidad del problema abordado. Y esta conexión con lo local es, por ahora, un santuario humano. De ahí que la formación de ingenieros deba reforzar la capacidad de verificación. No solo verificar un cálculo. También verificar una fuente, una hipótesis, una relación causal, un supuesto de diseño, una simplificación de modelo o una recomendación generada por una herramienta. En la era de la IA, aprender a preguntar será tan importante como aprender a responder. Y aprender a revisar será tan importante como aprender a producir.
De las competencias transversales al juicio técnico
En ingeniería, las competencias transversales son aquellas capacidades que permiten convertir el conocimiento técnico en actuación profesional responsable. Desde marcos como ABET (Accreditation Board for Engineering and Technology), no se entienden como un añadido externo a la formación técnica, sino como resultados esenciales del aprendizaje: formular y resolver problemas complejos, diseñar soluciones considerando salud, seguridad, bienestar, factores sociales, ambientales y económicos, comunicarse con públicos diversos, actuar con responsabilidad ética, trabajar en equipos, analizar e interpretar datos, usar juicio de ingeniería y aprender de forma continua. Desde la lógica de proyectos de ingeniería, el PMI (Project Management Institute) las vincula con una combinación de formas de trabajo, habilidades relacionales y comprensión del contexto organizativo y estratégico. En conjunto, estas competencias permiten que el ingeniero no solo aplique métodos, sino que formule problemas, coordine personas, tome decisiones informadas, comunique consecuencias y mantenga el sentido profesional de su intervención.
Hablar de competencias transversales en ingeniería obliga a revisar una separación que hemos heredado sin discutirla lo suficiente. Por un lado situamos las competencias técnicas y por otro, las llamadas competencias blandas o transversales. Esa forma de nombrarlas ya condiciona la mirada. Lo técnico aparece como lo duro, lo central, lo verificable y lo transversal queda asociado a lo complementario, lo relacional o lo menos exigente.
La práctica profesional nos muestra otra realidad. Un ingeniero necesita conocimiento técnico sólido, pero también necesita formular problemas, trabajar con información incompleta, comunicarse con personas de perfiles distintos, coordinar decisiones, entender restricciones institucionales, interpretar impactos y actuar con responsabilidad. Estas capacidades son centrales y forman parte del ejercicio profesional. Negar su importancia y relegar su aprendizaje a etapas post-universidad, implica asumir que los egresados entran al mercado laboral con menos calle que Venecia.
La inteligencia artificial hace más visible esta realidad. Si una herramienta puede generar una primera solución, el valor del ingeniero se desplaza hacia el modo en que esa solución se plantea, se revisa, se adapta y se justifica. El juicio técnico aparece entonces como una capacidad integradora, no es una intuición vaga ni una opinión. Es la capacidad de combinar conocimiento, experiencia, evidencia, contexto, incertidumbre y responsabilidad para tomar una decisión defendible.
Ese juicio técnico se manifiesta en preguntas concretas. ¿Qué problema estamos intentando resolver?. ¿Qué datos tenemos y cuáles faltan?. ¿Qué modelo estamos utilizando?. ¿Qué hipótesis quedan ocultas?. ¿Qué riesgos no aparecen en el cálcul?. ¿Qué consecuencias puede tener la decisión?. ¿Qué incertidumbre estamos dispuestos a aceptar?. ¿Qué opción resulta más robusta si el contexto cambia?.
Por su parte, las competencias transversales hacen operativo el juicio técnico en situaciones reales. Así, la comunicación permite explicar una decisión y sus límites. El pensamiento crítico permite no aceptar una salida automática por su apariencia verosimil. La ética permite situar la decisión dentro de un marco de responsabilidad. La colaboración permite integrar perspectivas distintas. La capacidad de aprendizaje permite actualizarse cuando cambian las herramientas, los datos o los problemas.
Por todo ello, la formación de ingenieros debería asumir la integración algunas competencias claves de manera más explícita en cooperación con la IA. No se trata de añadir una asignatura aislada de habilidades profesionales al final del plan de estudios, y no se trata de que el deseo de innovacion docente de algunos profesores y que este tenga un impacto limitado en algunos estudiantes. Se trata de incorporar estas competencias transversales en las actividades técnicas, en los proyectos académicos, en los laboratorios, en los trabajos de análisis, en las defensas orales y, especialmente en la evaluación.
Un estudiante que usa inteligencia artificial para resolver un problema técnico debería poder explicar el camino seguido. Debería identificar qué parte de la respuesta procede de la herramienta, qué parte ha revisado, en qué fuentes se fundamenta, qué supuestos ha aceptado y qué comprobaciones ha realizado. Ese proceso es más importante que la mera entrega final. Porque ahí se ve si hay comprensión o solo producción.
En la era de la inteligencia artificial, el reto formativo no es proteger las tareas que ha hecho un ingeniero tradicionalmente, como si nada hubiera cambiado. El reto es diseñar aprendizajes que obliguen a pensar mejor para poder aportar valor añadido. La IA puede formar parte del proceso, pero no debería ocupar el lugar del criterio. La formación debe ayudar al estudiante a usar herramientas más potentes sin delegar en ellas ni la comprensión profunda, ni aquello que define su responsabilidad profesional o su capacidad de contribuir al mundo.
Llegados a este punto, qué ¿competencias prioritarias son necesarias para fortalecer el juicio técnico?
Formular problemas antes de resolverlos
La primera competencia es formular problemas. Parece obvia, pero no lo es. Buena parte de la formación en ingeniería ha trabajado con problemas ya cerrados. Se ofrece un enunciado, se dan los datos necesarios y se pide una solución. Ese tipo de ejercicio es útil para aprender métodos, pero no reproduce la complejidad de la práctica profesional, y ahora es resoluble desde un modelo LLM u otra proximación desde la IA.
En la realidad, los problemas llegan mezclados. Son difícilmente formulables, dependen de situaciones locales y son profundamente multifactoriales. Hay síntomas, restricciones, intereses, datos incompletos, urgencias, inercias institucionales y conflictos de interpretación. Antes de resolver, hay que entender qué está ocurriendo. Y antes de elegir una herramienta, hay que saber qué pregunta merece ser formulada. La inteligencia artificial responde mejor o peor según la calidad de la pregunta. Pero no decide por sí sola qué problema es relevante. Puede ayudar a ordenar información, explorar perspectivas o generar hipótesis. Aun así, la responsabilidad de formular el problema sigue siendo humana y profesional.
Formular bien exige distinguir entre el síntoma y la causa probable, entre el problema técnico y el problema organizativo, entre la restricción real y la restricción heredada. También exige reconocer la escala adecuada. A veces el problema no está en el componente que falla, sino en el sistema que lo fuerza. A veces la solución local agrava el problema general. A veces el dato disponible no responde a la pregunta que importa. Por eso, formar ingenieros implica enseñar a construir buenos enunciados, no solo a resolverlos. Un buen enunciado identifica variables, límites, actores, criterios de decisión e incertidumbres. También reconoce qué se sabe y qué falta por saber.
Analizar con más recursos sin perder el control del razonamiento
La segunda competencia es la capacidad analítica, entendida como la aptitud para descomponer un problema, seleccionar métodos adecuados, organizar datos, construir modelos, programar o adaptar herramientas, visualizar resultados, comparar alternativas y extraer conclusiones defendibles desde el juicio técnico.
Esta competencia tiene varios componentes. El primero es delimitar bien el objeto de análisis. Antes de aplicar una técnica hay que saber qué se quiere comprender, qué variables importan, qué escala resulta adecuada y qué información falta. El segundo es elegir el método con criterio. Un mismo problema puede abordarse mediante una combinación de enfoques metodológicos. El tercero es convertir el método en un procedimiento trazable, lo cual implica trabajar con datos, código, modelos, hipótesis y verificaciones de forma que otra persona pueda entender cómo se ha llegado al resultado. El cuarto es interpretar la salida del LLM. Un resultado numérico, un gráfico o una simulación solo adquieren valor cuando se conectan con el problema técnico que les da sentido.
La IA puede generar algunas limitaciones en el aprendizaje de esta competencia. Si la IA entra demasiado pronto en el proceso de razonamiento, el estudiante puede recibir una orientación sin haber entendido por qué ese camino era adecuado. También puede adoptar técnicas por disponibilidad, no por pertinencia. La IA, como herramienta acelera el proceso cognitivo, pero la comprensión puede debilitarse si el estudiante no reconstruye el razonamiento.
Bien integrada, la IA también puede potenciar esta competencia. Puede ayudar a explorar métodos desconocidos, comparar enfoques o revisar los límites de una técnica. También puede facilitar el aprendizaje autónomo cuando el estudiante pide explicaciones sucesivas, solicita ejemplos, contrasta alternativas y vuelve sobre el resultado para comprobarlo. Desde aquí reforzamos la comprensión.
La clave del fortalecimiento de la capacidad analítica está en mantener el control del razonamiento por parte del estudiante. La IA puede acompañar el análisis, pero el estudiante debe justificar por qué elige un método, qué datos utiliza, qué supuestos acepta, qué comprobaciones realiza y qué confianza merece la conclusión. Analizar con más recursos significa disponer de más caminos para comprender mejor un problema y elegir, con más fundamento, el modo de abordarlo.
Distinguir datos, patrones y causas
La segunda competencia es distinguir datos, patrones y causas. Esta distinción será cada vez más importante en una ingeniería apoyada en datos, sensores, modelos predictivos e inteligencia artificial. Los datos muestran observaciones de la realidad. Los patrones muestran regularidades en el tiempo y/o en el espacio. Las causas explican por qué algo cambia cuando intervenimos sobre otra cosa. O por qué cambia en el tiempo y/o en el espacio. Confundir estos niveles puede llevar a decisiones equivocadas.
Por ello, en ingeniería no basta con saber que dos variables están asociadas a través de su medida, pues puede que una cause la otra, que ambas respondan a una tercera, que la relación solo aparezca en un contexto determinado o que sea un artefacto de los datos. En resumen,los patrones explícitos no tienen por qué ser reales ni responder a una relación causal correcta.
Distinguir entre datos, patrones y causas es especialmente importante cuando se trabaja con herramientas de IA. Un modelo puede detectar patrones muy útiles para predecir. Pero predecir no es siempre comprender, y comprender no es siempre decidir. La decisión técnica suele exigir algo más. Exige preguntarse qué pasará si actuamos. Además, la capacidad de identificar patrones de las IA reside en los datos con los que ha sido entrenada. Y esos datos de la realidad fueron tomados en un mundo menos cambiante que el actual. Debemos de formar a los ingenieros para que sean capaces de inferir nuevos patrones a partir de datos con mucha incertidumbre.
Incorporar pensamiento causal significa enseñar al estudiante a reconocer el tipo de pregunta que está haciendo. Una pregunta descriptiva pide saber qué ocurre. Una pregunta predictiva pide anticipar qué puede ocurrir. Una pregunta causal pide entender qué cambia cuando modificamos una condición.
La IA hace esta competencia más necesaria por dos razones. La primera es un riesgo puesto que muchas herramientas de IA pueden generar explicaciones convincentes a partir de patrones observados, aunque eso no garantiza que hayan identificado una relación causal. Pueden ordenar bien la información, encontrar asociaciones útiles o construir una narración plausible, aunque el mecanismo que conecta unas variables con otras sea débil, incompleto o directamente equivocado. En ese caso, el estudiante puede confundir fluidez explicativa con comprensión causal.
La segunda razón es una oportunidad. Bien utilizada, la IA puede ayudar a entrenar esta competencia. Puede servir para comparar hipótesis, pedir explicaciones alternativas, detectar variables omitidas, explorar posibles factores de confusión o formular preguntas del tipo qué pasaría si cambiamos esta condición. También puede ayudar a que el estudiante contraste una explicación inicial con otros escenarios y revise si el razonamiento se sostiene. El valor formativo no está en aceptar la respuesta generada por un modelo de lenguaje generativo, sino en usarla como material de trabajo para pensar mejor.Así, en la era de la IA, no bastará con pedir respuestas, sino que habrá que aprender a interrogar las respuestas, revisar sus supuestos y comprobar si explican realmente el comportamiento del sistema.
Razonar sobre intervenciones
La ingeniería interviene sobre sistemas reales. Cambiar un diseño, ampliar una infraestructura, modificar una operación, introducir un material, alterar una norma de mantenimiento o reorganizar una red son formas de intervención. Por eso, una competencia clave es razonar sobre lo que ocurre cuando hacemos algo. Esta capacidad va más allá de describir el estado actual del sistema. No está asociado a interpolar en lo ya conocido. También va más allá de extrapolar tendencias. Supone anticipar efectos directos e indirectos, cambios de comportamiento, respuestas adaptativas y consecuencias no previstas.
En este punto, la inteligencia artificial puede ayudar a explorar escenarios, pero no sustituye el conocimiento del sistema. Un LLM puede proponer alternativas. Puede ayudar a organizar argumentos. Puede incluso sugerir variables relevantes, pero el ingeniero debe evaluar si esas relaciones tienen sentido físico, técnico, económico, ambiental o institucional. En definitiva, si tienen sentido humano.
Preguntas como -“¿qué pasará si hacemos esto?”- debería estar más presente en la formación. Necesitamos que los estudiantes ahonden en la transcendencia que subyacen bajo preguntas del tipo -“¿Qué ocurre si cambiamos una regla de operación?”-, ¿Qué ocurre si aumentamos una capacidad?”-, -“¿Qué ocurre si se modifica una condición climática?”-, -“¿Qué ocurre si automatizamos una decisión?”- o -“¿Qué ocurre si trasladamos una solución de un contexto a otro?”-.
Estas preguntas obligan a integrar técnica, contexto y responsabilidad, y a explicitar supuesto ya que una decisión técnica defendible no se apoya solo en el resultado final, sino en la claridad del razonamiento que lleva hasta ella.
Imaginar escenarios alternativos
La cuarta competencia es imaginar escenarios alternativos. En ingeniería, esta capacidad aparece al analizar fallos, revisar decisiones, evaluar riesgos o aprender de la experiencia. No basta con saber qué pasó. Hay que preguntarse qué habría ocurrido si se hubiera actuado de otra manera. Esta forma de razonamiento es exigente. Obliga a comparar el mundo observado con un mundo posible. Qué habría pasado si el mantenimiento se hubiera hecho antes. Qué habría pasado si el diseño hubiera considerado una solicitación distinta. Qué habría pasado si la información hubiera llegado a tiempo. Qué habría pasado si se hubiera elegido una solución más flexible.
Imaginar escenarios alternativos, tiene una dimensión técnica y una dimensión ética: técnica, porque ayuda a aprender de los sistemas y mejorar diseños futuros y ética, porque permite asumir responsabilidades y evitar que los fallos se conviertan en simples accidentes inevitables. Esta es la base de la gestión del riesgo.
La formación puede trabajar esta capacidad mediante estudios de caso. Fallos de infraestructuras, decisiones urbanas, problemas ambientales, errores de operación, conflictos entre sistemas o impactos no previstos. El objetivo sería comprender cadenas causales, supuestos débiles y alternativas posibles. La inteligencia artificial puede ser útil para explorar estos escenarios, pero el valor formativo está más allá de generar una lista de posibilidades, se halla en que el estudiante aprenda a valorar cuáles son plausibles, cuáles son relevantes y cuáles ayudan realmente a comprender el problema.
Manejar incertidumbre sin fingir precisión
La quinta competencia es manejar incertidumbre. La ingeniería ha tenido siempre una relación estrecha con el riesgo, la seguridad y los márgenes de diseño. Pero los problemas actuales obligan a tratar la incertidumbre con más añadiendo nuevos ingradientes. Hay incertidumbre porque los datos son incompletos o simplifican la realidad. También la hay porque los sistemas cambian, porque hay variables que no conocemos bien y porque algunos fenómenos no se comportan como antes. Hay incertidumbre porque existen efectos extremos de los que tenemos menos informaición, porque hay respuestas no lineales y cambios de régimen de comportamiento.
En este contexto, fingir precisión o certidumbre es peligroso. También lo es asumir desde la ingeniería una seguridad que los datos no son capaces de sostener. Los LLMs pueden reforzar este problema, porque tienden a producir respuestas que validan su realidad conocida y aparentemente son concluyentes. Por eso, el estudiante debe aprender a expresar grados de confianza, límites de validez, sensibilidad de resultados y condiciones de uso.
Manejar incertidumbre significa decidir mejor, distinguir entre lo que se sabe, lo que se estima, lo que se supone y lo que se ignora. Significa diseñar soluciones robustas cuando no podemos predecirlo todo y comunicar con claridad el riesgo sin obviar la complejidad que subyace tras los problemas que abordamos.
Esta competencia debería estar presente en ejercicios en clase, proyectos académicos y evaluaciones de asignaturas. No se busaca sólo dotar al estudiantes de formación probabilista sino inocular la incertidumbre como cultura profesional. Un buen ingeniero no es quien promete certeza donde no la hay. Es quien sabe actuar con prudencia, rigor y responsabilidad cuando la información es parcial. Es asumir el fallo como una opción aceptable en el diseño y la explotación y saber justificar a la sociedad por qué.
Pensar en sistemas y por escalas
La sexta competencia es pensar en sistemas y por escalas. Los problemas de ingeniería rara vez se limitan a una pieza aislada. Una infraestructura se relaciona con movilidad, energía, agua, territorio, economía, normativa, usuarios y ecosistemas, del mismo modo que una decisión técnica puede generar efectos fuera del ámbito en el que se tomó. Pensar por sistemas implica reconocer interdependencias, ver bucles de refuerzo y de equilibrio, identificar efectos, retardados y entender que una solución puede desplazar el problema a otro lugar. Pensar por es escalas también implica reconocer que lo que funciona en una escala espacial o temporal puede no funcionar en otra.
Pensar por escalas temporales implica distinguir lo rápido y lo lento. Un fallo operativo puede aparecer en minutos, pero estar preparado por decisiones tomadas durante años. Un cambio tecnológico puede implantarse con rapidez, pero sus efectos sobre hábitos, mantenimiento, costes o impactos ambientales pueden desplegarse lentamente. Un dato local puede ser correcto y, aun así, no explicar la dinámica del conjunto.
Igualmente, la realidad consta de subsistemas que están anidados en el espacio mediante una jerarquía. Igual que un árbol se integra en una comunidad y esta en un bosque, un puerto se integra en un municipio y este en una comarca, etc. Comprender las relaciones entre las distintas escalas es fundamental para entender la dinámica del conjunto. Y, sobre todo, para intervenir en dicha realidad.
La inteligencia artificial puede ayudar a explorar relaciones espacio temporales, resumir información y generar relaciones preliminares, pero el mapa del sistema no debe delegarse sin revisión. El estudiante debe aprender a construi, discutir, contrastar y modificar el mapa a medida que aparece nueva información. Esta competencia ayuda a evitar una trampa frecuente en ingeniería, donde se resuelve bien una parte del problema y, al mismo tiempo, se deterioran las condiciones que hacen funcionar al sistema completo. Son decisiones que mejoran un indicador mientras deterioran el sistema que lo sostiene. La IA puede agrabar o mitigar el efecto de nuestra formación disciplinar en la manera parcial de observar los sistemas complejos.
Comunicar, deliberar y asumir responsabilidad
La séptima competencia es comunicar, deliberar y asumir responsabilidad. El juicio técnico no termina cuando se obtiene un resultado, pues hay que explicarlo, hay que defenderlo y hay que hacerlo comprensible para otros técnicos, responsables públicos, empresas, usuarios y ciudadanía. La comunicación técnica no es solo escribir con corrección, es también explicar el sentido de una decisión, sus supuestos, sus límites y sus consecuencias. Es adaptar el lenguaje sin deformar el contenido. Es hacer visible la incertidumbre sin generar confusión. Es mostrar las alternativas y los criterios que llevan a recomendar una opción.
La deliberación también forma parte de la ingeniería, pues muchas decisiones técnicas se toman en contextos donde existen intereses legítimos y valores en tensión entre las partes implicadas, vinculada al coste, a la seguridad, la sostenibilidad, equidad, funcionalidad, plazo, mantenimiento y aceptación social. Todos estos vectores no siempre apuntan en la misma dirección. Adicionalmente, la IA no tiene los recursos para introducir el principo de idoneidad, propio de los humanos. La deliberación es la integración de todo lo anterior.
La comunicación no debe estar orientada a ser escuchado, sino hacia la escucha. La ingeniería debe desprenderse de la idea de que sólo en ella reside la solución. Debe ser una herramienta para alentar el autoconocimiento de personas, organizaciones y sectores. La comunicación se ha de poner al servicio de la escucha de los actores sociales y de gobernanza para entender, comprender y acompañar a otros de una manera consciente. La inteligencia artificial puede ayudar a preparar documentos, ordenar argumentos o simular posiciones, pero no reemplaza la responsabilidad del proceso comunicativo. El ingeniero debe tener habilidades y herramientas para escuchar, explicar, negociar criterios y reconocer consecuencias.
Finalmente, asumir responsabilidad significa comprender que una solución técnica no es solo una respuesta a un problema, sino una intervención en el mundo, pues afecta a recursos, personas, territorios y generaciones futuras. Hemos educado en la transformación del mundo y ahora nuestro compromiso debe ser la conservación de este. La formación de ingenieros debe hacer visible esta dimensión desde el principio, no como un añadido final, sino como parte del oficio.
Apuntadas las competencias claves, cabe preguntarse ¿Qué debe cambiar en las formaciones universitarias de grado, máster y doctorado?
Grado. Aprender a pensar con ayuda, pero sin delegar la comprensión
En grado, el objetivo principal debe ser formar criterio básico. El estudiante necesita aprender fundamentos, métodos, lenguaje técnico y hábitos de razonamiento. La inteligencia artificial puede ayudar en ese proceso, pero también puede debilitarlo si se usa como sustituto de la comprensión.
Por eso, en los primeros cursos conviene proteger algunas capacidades esenciales, como la intuición físico-matemática, el sentido de escala o el razonamiento dimensional. Asociado a lo anterior, cultivar el cálculo básico, la escritura propia, la lectura crítica y la capacidad para explicar con palabras sencillas lo que se está haciendo. Para ello, la expresión creativa y las habilidades plásticas son fundamentales.
El uso de IA en grado debería orientarse a aprender mejor, no a producir más rápido. Menos contenidos, menos carga calificativa, más evaluación continua que llevan a más aprendizaje profundo. La IA puede servir para contrastar explicaciones, generar ejemplos, revisar errores o comparar procedimientos, pero el estudiante debe ser capaz de reconstruir el razonamiento sin depender de la herramienta. Los LLMs pueden ser el copiloto o el entrenador que acompaña al estudiante en su tarea de aprender.
Una buena práctica sería pedir siempre trazabilidad, poniendo el foco en qué se ha preguntado, qué respuesta se ha recibido, qué parte se ha aceptado, qué parte se ha corregido o qué comprobaciones se han hecho. Este ejercicio convierte el uso de IA en una oportunidad para desarrollar pensamiento crítico.
También es importante trabajar con errores generados por la propia IA. Dar al estudiante una respuesta aparentemente correcta y pedirle que la revise puede ser una actividad muy formativa. Le obliga a mirar con criterio, detectar supuestos y comprobar resultados. También puede ser empoderante para el estudiante porque encuentra errores en una herramienta que considera infalible.
Máster. Integrar IA en problemas abiertos de carácter profesional
En máster los problemas deberían parecerse más a los de la práctica profesional, dirigiéndose a casos abiertos, datos incompletos, restricciones múltiples, incertidumbre, impactos ambientales, costes, plazos, mantenimiento y decisiones multicriterio. Este enfoque no es exclusivo del máster, pero sí con más foco en ello que en el grado.
La IA puede incorporarse aquí como herramienta de exploración. Puede ayudar a generar alternativas, revisar literatura técnica, comparar enfoques, estructurar informes o preparar simulaciones, y a la vez el estudiante debe justificar el proceso. No basta con presentar una solución, pues el aprendizaje reside en la capacidad de explicar por qué esa solución es pertinente.
A nivel de máster, las competencias transversales deben integrarse con mayor intensidad. Se ha de buscar formular problemas, trabajar por escenarios, evaluar riesgos, comunicar incertidumbres y defender decisiones deben formar parte de proyectos técnicos reales o verosímiles. Los estudiantes necesitan conectar con la realidad a través de los retos vigentes a los que se enfrenta la sociedad. El máster es también un buen espacio para trabajar con pensamiento sistémico y causal. Un proyecto puede pedir al estudiante que identifique variables relevantes, relaciones entre ellas, posibles factores de confusión, efectos indirectos y supuestos críticos. Este ejercicio ayuda a pasar de una solución técnica aislada, sin contexto, a una decisión profesional razonada.
La IA no debería aparecer como un atajo académico, sino como una herramienta dentro de un proceso de análisis, validación y decisión. El Trabajo Fin Máster debe de ser la máxima presión de este enfoque.
Doctorado. Preservar agencia intelectual e integridad científica
En doctorado, el reto es distinto. La IA puede ayudar en muchas tareas. Revisión bibliográfica, síntesis de textos, programación, análisis exploratorio, traducción, mejora de estilo o preparación de materiales. Todo eso puede ser útil, pero el doctorado exige algo más profundo, pues exige formular una pregunta original, construir una hipótesis, diseñar una metodología, interpretar resultados y hacer una contribución propia al conocimiento. Es ahí donde aparece el riesgo principal, en el que la IA facilite tanto la producción de texto y síntesis que se diluya la autoría intelectual, la aportacion genuina del doctorando.
El doctorando debe mantener la arquitectura de su investigación, debe saber qué pregunta está haciendo, por qué importa, qué método es adecuado, qué supuestos sostiene el análisis y qué límites tiene la evidencia. Necesita un contexto donde su trabajo de valor y contribuya a un cambio. La IA puede acompañar, pero no debe ocupar el lugar de esa responsabilidad de conexión con el propósito de la investigación.
El pensamiento causal y complejo puede tener aquí un valor especial; ayuda a formular hipótesis, identificar variables, reconocer factores condicionantes, distinguir mecanismos y justificar estrategias metodológicas. El doctorando requiere de sentir la soledad en el proceso de razonamiento para facilitar la integración profunda de conceptos abstractos y concretos. También ayuda a no confundir una disertación o artículo bien escrito con una contribución científica de valor.
Durante el doctorado, la competencia clave es conservar la dirección intelectual del trabajo. La IA puede ayudar en tareas de búsqueda, análisis, programación o redacción, pero la pregunta de investigación, la hipótesis, el método, la interpretación de los resultados y la contribución final deben seguir siendo responsabilidad del doctorando.
Consecuencias para la docencia y la evaluación
La respuesta educativa a la inteligencia artificial no debería limitarse a prohibirla ni a aceptarla sin condiciones. Ambas opciones son pobres. Prohibirla puede desconectar la formación de la realidad profesional y aceptarla sin rediseñar el proceso de aprendizaje y la evaluación puede vaciar de sentido la actividad académica. El camino más fértil para integrarla es rediseñar el aprendizaje para que el uso de IA exija más criterio. Esto implica cambiar algunas prácticas docentes y, sobre todo, revisar qué y cómo lo evaluamos.
La primera línea de trabajo es fomentar la trazabilidad de su uso. Cuando un estudiante use IA, debería poder documentar el proceso. No hace falta convertirlo en una burocracia pesada, sólo basta con pedir claridad sobre las preguntas formuladas, las respuestas obtenidas, las decisiones tomadas y las comprobaciones realizadas. Si esto se realiza en un contexto de debate en el aula, de un modo experiencial, se refuerza el espíritu crítico colectivo.
La segunda línea es evaluar el proceso de aprendizaje, no solo el producto final. Un informe puede estar bien redactado y ser débil desde el punto de vista técnico. Una solución puede parecer elegante y apoyarse en supuestos equivocados. Por eso conviene evaluar razonamiento, criterios, justificación, validación y defensa.
La tercera línea es incorporar auditorías de respuestas generadas por IA. Esta actividad puede ser muy útil. El profesor entrega una solución con errores sutiles, omisiones o supuestos discutibles. El estudiante debe revisarla, corregirla y explicar qué ha detectado. Así se entrena una competencia esencial para el futuro profesional.
La cuarta línea es reforzar la oralidad., dado que la defensa oral, el debate, la escucha entre pares, permite comprobar comprensión de una forma que el texto escrito ya no lo garantiza por sí solo. Explicar en directo una decisión, responder preguntas y justificar supuestos ayuda a distinguir entre producción y comprensión.
La quinta línea es trabajar con mapas de sistema y diagramas causales sencillos. Buscamos introducir la síntesis y la concrección en la exposición, y con los diagramas cognitivos son herramientas para hacer visibles relaciones, supuestos e incertidumbres. Estos artefactos visuales nos ayudan a ordenar el pensamiento y a discutir mejor las decisiones.
La sexta línea es plantear problemas abiertos, problemas en los que falten datos, existan restricciones múltiples y haya que tomar decisiones razonadas. Este tipo de tareas se parece más a la ingeniería real y hace menos útil el uso mecánico de una herramienta.
Todo esto exige también acompañar al profesorado. La IA no solo cambia el trabajo del estudiante , también cambia el diseño de asignaturas, prácticas, proyectos y evaluaciones. No basta con pedir a los estudiantes que usen bien las herramientas, también debemos crear contextos formativos donde usarlas bien tenga sentido. Las aulas son claves. Para lograr que este cambio sea posible nuestros espacios docentes han de ser ágoras inspiradoras para la interconéxión, la cocreación y el aprendizaje. El aula debe de volver a recuperar el protagonismo que necesita para reforzar el sentido del papel de la universidad en la sociedad, y para ello deben de estar dotadas de los recursos necesarios digitales y de mobiliario.
Buscando la conclusión de este manifiesto, queremos proponer que la formacion de los ingenieros en la era de la inteligencia artificial busque formar profesionales capaces de mantener el juicio técnico cuando las herramientas se vuelven más potentes, más opacas y más persuasivas. Para ello debemos elogiar la lentitud del aprendizaje, de la generación del conociemiento y de su transferencia, con el fin de desarrollar habilidades cognitivas rápidas, intuitivas y emocionales, necesitamos apoyarnos en un sistema que cuida el pensamiento lento, deliberativo y lógico, y la IA puede ser un gran aliado para su desarrollo o lo contrario. La IA puede redactar, programar, comparar, resumir y proponer. Puede ayudar a puede ser más precisa y puede liberar tiempo de tareas repetitivas y abrir posibilidades nuevas para el aprendizaje y la práctica profesional. La IA tiene como misión liberar tiempo de calidad para las interacciones humanas.
El papel del ingeniero debe residir en saber qué problema merece atención mediante la interaccion con otros. Debe comprender el sistema sobre el que actúa y debe distinguir patrones de causas. Nuestros estudiantes deben aprender a decidir bajo incertidumbre y saber comunicar límites y consecuencias. No pueden delegar esta responsabilidad a la concatenación de modelos IA, a agentes. Nuestros estudiantes deben entender y gestionar las emociones que subyacen detrás de la toma decisiones y tienen que tener habilidades para reconocer cuándo una respuesta es insuficiente, inoportuna o no pertinente aunque esté bien escrita. Debe asumir que toda decisión técnica es también una intervención sobre la realidad.
Por lo anterior, las competencias transversales deben ocupar un lugar más claro en la formación. No como un adorno humanista de la técnica, sino como una condición para ejercerla bien. En la era de la inteligencia artificial, fortalecer el juicio técnico será una de las tareas centrales de las escuelas de ingeniería.