I Jornada Abierta IAGen en la UPM. Reflexiones previas para la jornada .
Rafael Molina Sánchez. Profesor Titular Universidad Politécnica de Madrid. Director del Centro de Liderazgo y Tecnología.
El papa León XIII, a finales del siglo XIX, escribió una de sus encíclicas más influyentes, Rerum novarum, considerada la primera encíclica social de la Iglesia católica. Era una respuesta a la primera revolución industrial y a la explotación del hombre por el hombre en un periodo en el que el desarrollo industrial forzó los límites de la justicia social. La Iglesia, como otras instituciones que manejan el cambio con cautela y no suelen adelantarse a los retos, suele abordarlos cuando ya son un hecho ineludible. Partiendo de esta premisa, León XIV arranca su pontificado con la encíclica Magnifica Humanitas, una encíclica que reacciona frente a la cuarta y quinta revolución industrial, y que aborda el impacto de la IA, la democracia, la ética y la conciencia, invitando a que el ser humano esté en el centro.
A diferencia de la Iglesia, la Academia ha representado históricamente la anticipación y la mirada a largo plazo. En el caso de la IA, no está siendo así, pues hasta la Iglesia se le ha adelantado a la hora de formular sus reservas y propuestas. En su conjunto, la universidad pública española se está viendo sobrepasada por la IA, como el resto de la sociedad, y merece la pena reflexionar sobre cuáles son las disfunciones asociadas a esta tecnología, así como sus síntomas, para ser capaces de abordar uno de los mayores retos a los que se ha enfrentado la universidad en los últimos cien años: qué papel tiene la Academia en la gestión del conocimiento.
La universidad ha sido tradicionalmente un espacio que ha atesorado la información y el conocimiento. La capacidad de transmitirlo recaía en el profesorado que, desde su visión disciplinar y su libertad de cátedra, decidía cómo hacerlo llegar a sus estudiantes. Con el desarrollo incremental de la literatura científico-técnica desde los años veinte hasta los años 2000, el conocimiento empezó a divulgarse en textos que servían de base para los profesores que impartían docencia en las aulas. A partir de la primera década de este siglo se sientan las bases del momento actual. Con la digitalización de fondos científico-técnicos y con la publicación electrónica de revistas científicas se crea la base de conocimiento que actualmente sirve como base para el entrenamiento para los modelos de lenguaje generativos, o LLMs. En menos de seis años, los docentes hemos pasado de ser los principales interlocutores entre el conocimiento y los estudiantes a disponer de IA-Gerativa que actúa como gestor del conocimiento y de asistente para la creación de contenido; todo ello en la palma de la mano y 24/7. Podemos decir que, sin duda alguna, la inteligencia artificial ha entrado en la universidad con más rapidez que nuestra capacidad para entender el impacto de esta tecnología y adaptar nuestro papel como docentes en esta nueva era.
La pérdida de valor del docente como mero transmisor de conocimiento, evidenciada de forma sobresaliente por la IA generativa, ya la puso de manifiesto el Proceso de Bolonia. En el año 1999, hace 27 años, este plan quiso unificar y modernizar los sistemas universitarios en Europa mediante la incorporación de un enfoque práctico, basado en competencias y no solo en contenidos, y mediante la evaluación continua o progresiva. En la universidad española se ha ido soslayando su implantación, y las ingenierías han sido uno de los sectores académicos que menos adaptación ha tenido a este modelo. El conocimiento y la evaluación de los contenidos han seguido siendo el foco principal de los docentes.
No nos tiene que sorprender esta resistencia, pues la carrera de un docente en España se basa en sus méritos individuales como investigador. Su capacitación como docente, es decir, sus competencias y habilidades para desarrollar el aprendizaje en el estudiante, no ha sido el foco de su selección ni de su formación permanente obligatoria. Esto hace que, como docentes y desde la incompetencia inconsciente, no siempre valoremos la sobresaliente importancia que tienen las competencias transversales, ni las desarrollemos o las fomentemos entre nuestros estudiantes.
¿Qué le pasa a un docente cuando se ve retado por la IA generativa? ¿Qué pasa cuando los conocimientos están disponibles para ser consultados mediante modelos de lenguaje? ¿Qué pasa cuando la estrategia de evaluación se basa en trabajos y exámenes escritos? La respuesta a estas preguntas nos la dan los estudiantes en las aulas. La IA cambia las reglas del juego en la relación entre estudiante y docente. La lección magistral, los contenidos de las asignaturas y sus temarios pierden valor frente a la experiencia de aprendizaje, pues los modelos de lenguaje natural han cambiado la relación de la comunidad universitaria con muchas tareas de aprendizaje y evaluación. Lamentablemente, el foco de atención mayoritario de los docentes a corto plazo se está centrando en el control del uso de la IA y en buscar estrategias para que no impacte en el modelo de evaluación tradicional: exámenes y trabajos de clase. Este enfoque, comprensible, no resuelve los dos retos principales: gestionar el divorcio entre el estudiante y el aula y gestionar el impacto que la IA generativa tiene en su capacidad de aprendizaje.
El estudiante es el protagonista de nuestro sistema educativo y progresivamente ha ido abandonando el aula, pues percibe que no le es útil. Pero, ¿para qué es útil estar en clase?. Cuando escuchamos la voz de los estudiantes entendemos que, desde que entran en la universidad, van cultivando la percepción de que su paso por el grado y el máster es una sucesión de pruebas que los llevan a la acreditación o habilitación profesional. Con ello hemos conseguido que la universidad sea un espacio de escolarización. Cada asignatura es una prueba que hay que les aleja del mercado profesional. Esto incrementa la percepción disfuncional de que lo que sucede en el aula solo está al servicio de aprobar la asignatura. Cuando las actividades del aula se centran en la transmisión de conocimiento disciplinar, en contenidos, esta sensación se refuerza en el estudiante y aparece el absentismo o la presencialidad, entendida como el acto de estar en clase sin participar realmente en ella. El aula es un lugar clave donde debe suceder la experiencia de aprendizaje, donde se desarrollan habilidades y se integran competencias y conocimientos clave para facilitar una formación consistente a lo largo de la vida. Para lograrlo, la dimensión emocional del aprendizaje es fundamental. La motivación intrínseca de un estudiante hacia el aprendizaje, la curiosidad, el interés que le despierte la materia y el deseo de hacerlo junto con sus compañeros son claves para dar sentido a estar en un aula. La IA generativa, para muchos de nosotros, es una nueva herramienta que permite activar el interés del estudiante por estar en el aula, siempre que se utilice como una herramienta que amplifique su capacidad para conectar conocimiento y reforzar sus competencias transversales.
De un modo natural surge el segundo de los retos principales planteados: modular el impacto de la IA generativa en las habilidades de aprendizaje, en la capacidad memorística del estudiante y en su capacidad para conectar contenidos del programa de estudios. Mediante el uso de los LLMs se puede obtener una explicación clara sin haber construido aún la estructura mental que permite juzgar si esa explicación es correcta. Es decir, el estudiante puede producir resultados antes de comprender. En el año 2025, Kosmyna, Hauptmann y otros autores publicaron el preprint “Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task”, donde estudian las consecuencias neurales y conductuales del uso de LLMs en tareas de escritura. Sus resultados sugieren que el uso de estos modelos puede reducir la implicación cognitiva y afectar a la capacidad de retención de información. Es un ejemplo relevante del posible impacto cognitivo del uso de esta herramienta, aunque debe interpretarse con prudencia y no como una conclusión general sobre todos los usos educativos de la IA.
Si esto es importante, a mi juicio, más importante es entender cuál será el papel de los estudiantes en la sociedad del futuro, donde estas herramientas tendrán un desarrollo exponencial. Marcos de acreditación de calidad de programas universitarios de ingeniería, computación, tecnología y ciencias aplicadas, como ABET, exponen que las competencias transversales son aquellas capacidades que habilitan al profesional para poner en valor el conocimiento técnico adquirido. 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.
En la era de la inteligencia artificial, el reto formativo no es proteger los contenidos y métodos de evaluación tradicionales, ni las funciones profesionales que ha realizado tradicionalmente un ingeniero, como si nada hubiera cambiado. El reto es diseñar clases, experiencias de aprendizaje y nuevos temarios que obliguen a pensar, sentir y actuar mejor para poder aportar valor añadido. La IA puede formar parte del proceso de aprendizaje y debe ser una herramienta integrada en una nueva metodología docente. 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 debería desarrollar el docente en un aula donde se convive con la IA?
Competencias para ser acompañado por la IA
La primera competencia que debería desarrollar el docente en el aula es enseñar a formular problemas antes de resolverlos. Esta idea, que puede parecer evidente, no siempre está presente en la práctica docente. Durante años hemos enseñado a los estudiantes a aplicar métodos, modelos, fórmulas y procedimientos, pero no siempre les hemos entrenado con la misma intensidad para identificar qué problema merece ser abordado, qué pregunta está mal planteada o qué parte de la realidad estamos dejando fuera cuando convertimos una situación compleja en un ejercicio académico. En un contexto en el que la IA generativa puede producir respuestas con enorme rapidez, el valor diferencial del aprendizaje no estará tanto en resolver lo que ya está formulado, sino en saber construir buenos enunciados, distinguir síntomas de causas y decidir qué merece ser pensado.
La segunda competencia tiene que ver con analizar con LLMs sin perder el control del razonamiento. La IA_Generativa permite explorar métodos, organizar información, comparar alternativas, sintetizar documentos y abrir caminos de análisis que antes requerían mucho más tiempo. Esto es una oportunidad extraordinaria, pero también un riesgo. El estudiante puede sentirse acompañado por una herramienta que razona aparentemente con solvencia, pero puede dejar de hacerse responsable de la comprensión y de la justificación técnica de lo que está haciendo. Por eso, el aula debe enseñar a utilizar la IA como apoyo analítico, no como sustituto del criterio. El estudiante debe aprender a preguntar mejor, contrastar respuestas, detectar errores, pedir explicaciones alternativas y, sobre todo, saber cuándo una respuesta es útil, cuándo es insuficiente y cuándo simplemente parece convincente.
La tercera competencia es abrazar la incompetencia consciente. Aprender exige reconocer que uno no sabe, activar la humildad y la curiosidad. Sin esa incomodidad inicial no hay aprendizaje profundo, sino sólo consumo de respuestas. La IA generativa puede reducir esa incomodidad porque ofrece explicaciones inmediatas, resúmenes limpios y soluciones aparentemente ordenadas. Sin embargo, esa facilidad puede ocultar una debilidad importante: el estudiante puede avanzar sin haber atravesado el esfuerzo de leer, escuchar y comprender. En este punto, el docente tiene una función esencial, la cual es ayudar al estudiante a permanecer el tiempo suficiente en la incertidumbre, a tolerar la dificultad y a convertir el no saber en una posición fértil, no en una amenaza a evitar.
La cuarta competencia consiste en distinguir datos, patrones y causas. Este punto es especialmente relevante en una época dominada por modelos capaces de detectar regularidades y producir predicciones. Una cosa es observar que dos fenómenos aparecen juntos, otra distinta es identificar un patrón, y otra mucho más exigente es comprender una relación causal. La IA puede ayudarnos a encontrar asociaciones, resumir tendencias o anticipar comportamientos probables, pero no garantiza por sí misma comprensión causal. En la formación universitaria, y especialmente en ingeniería, esta distinción es crucial, pues no basta con saber que algo ocurre con frecuencia, hay que entender por qué ocurre, bajo qué condiciones se reproduce y qué consecuencias tendría intervenir sobre ello.
De ahí surge una quinta competencia: razonar sobre intervenciones. La ingeniería no se limita a describir la realidad, sino que la modifica. Diseñar una infraestructura, cambiar una operación, introducir una tecnología, alterar una regla de funcionamiento o modificar una variable de un sistema supone intervenir sobre el mundo. El estudiante debe aprender a preguntarse qué ocurre cuando cambia una condición, qué efectos directos e indirectos se producen y qué consecuencias pueden aparecer más allá de la intención inicial. En este sentido, la IA puede ser útil para explorar escenarios, pero debemos trabajar con el estudiante la capacidad de desarrollar su juicio sobre la intervención, pues sigue siendo una responsabilidad humana, técnica y ética.
La sexta competencia es imaginar escenarios alternativos. Aprender no consiste solo en analizar lo que ha sucedido, sino también en preguntarse qué habría ocurrido si se hubiera actuado de otra manera. Esta capacidad contrafactual es básica para aprender de los fallos, de los riesgos y de las decisiones pasadas. Permite no quedarse en la descripción de los hechos y obliga a pensar en posibilidades, restricciones y consecuencias. En el aula, esto implica trabajar con casos, dilemas, errores reales, decisiones incompletas y situaciones abiertas. La IA puede ayudar a construir escenarios, pero el estudiante debe aprender a valorar su plausibilidad y a no confundir un análisis con una comprensión rigurosa.
La séptima competencia es manejar la incertidumbre sin fingir precisión. Esta es una de las grandes debilidades de nuestra cultura académica y profesional. Con frecuencia premiamos respuestas exactas incluso cuando el problema real no permite tanta exactitud. El uso de códigos y normativas de cálculo son ejemplo de ello, pues suponen una simplificacion determinista de la realidad. La IA generativa agrava esta dificultad porque tiende a producir respuestas formuladas con seguridad, aunque no siempre estén justificadas con la misma solidez. Por eso, el estudiante debe aprender a distinguir lo que sabe, lo que estima, lo que supone y lo que ignora. Debe aprender a comunicar límites, márgenes de error, hipótesis y niveles de confianza. En muchos casos, una buena decisión profesional no será la que elimine la incertidumbre, sino la que sea capaz de actuar conscientemente dentro de ella.
La octava competencia es pensar en sistemas y por escalas. Muchos de los problemas actuales no se comprenden bien si se analizan como hechos aislados. Tienen interdependencias, efectos retardados, impactos acumulativos y consecuencias que se desplazan entre escalas temporales, espaciales, técnicas, sociales y ambientales. Una decisión aparentemente local puede tener efectos sobre una organización, un territorio, una comunidad o una cadena de valor completa. La formación universitaria debe ayudar al estudiante a ampliar la mirada, a identificar relaciones entre partes y a comprender que los problemas técnicos rara vez son solo técnicos. En este punto, la IA puede también servir para ampliar el campo de análisis, pero no sustituye la capacidad de integrar, jerarquizar y valorar consecuencias.
Finalmente, una competencia decisiva es comunicar, deliberar y asumir responsabilidad. El conocimiento técnico solo adquiere valor social cuando puede ser explicado, discutido y puesto al servicio de decisiones compartidas. Un ingeniero debe saber comunicar con claridad, escuchar a otros actores, integrar valores en tensión y comprender que toda solución técnica interviene sobre la realidad. La IA puede ayudar a redactar, sintetizar o preparar argumentos, pero no puede asumir por nosotros la responsabilidad de decidir, justificar y responder ante las consecuencias de nuestras acciones. En este sentido, la formación universitaria no debe limitarse a producir profesionales técnicamente competentes, sino personas capaces de actuar con criterio en contextos complejos.
Estas competencias no son un añadido ornamental al currículo ni una capa blanda que se incorpora cuando ya se ha enseñado “lo importante”: los contenidos del temario. Son, precisamente, las capacidades que permiten que el conocimiento técnico siga teniendo sentido en una época en la que la información es abundante, las respuestas son inmediatas y la producción automática de contenidos forma parte del paisaje cotidiano. La IA generativa nos obliga a reconocer algo que Bolonia ya había anticipado y que la universidad no siempre quiso asumir con profundidad: formar no es solo transmitir conocimiento, sino crear las condiciones para que el estudiante aprenda a pensar, a decidir y a actuar con responsabilidad.
Por eso, la pregunta sobre qué competencias debe desarrollar el docente en el aula no puede separarse de otra pregunta más incómoda: ¿qué tipo de docentes necesitamos ser para que esas competencias aparezcan?. No basta con cambiar herramientas, incorporar actividades con IA o rediseñar evaluaciones. Hace falta revisar nuestra propia posición en el aula. El docente ya no puede limitarse a ser la fuente principal de información ni el vigilante de la autenticidad de los trabajos. Debe convertirse en diseñador de experiencias de aprendizaje, acompañante del razonamiento, provocador de buenas preguntas y garante de una exigencia intelectual que la IA, por sí sola, no puede proporcionar.
Quizá este sea el verdadero cambio de época. La IA generativa no elimina la necesidad del docente. Lo que elimina es la comodidad de un modelo docente basado casi exclusivamente en explicar contenidos y examinar su reproducción. Nos obliga a volver a lo esencial. que es ayudar a que el estudiante construya criterio, comprenda lo que hace, reconozca sus límites y sea capaz de intervenir sobre el mundo de una manera consciente. En ese terreno, la universidad no pierde sentido. Al contrario, puede recuperar una parte importante del sentido que nunca debió abandonar.
Consecuencias de la IA para la docencia y la evaluación
Como se ha manifestado, la respuesta educativa a la inteligencia artificial no debería limitarse a aceptarla sin condiciones ni, por supuesto, a prohibirla. Ambas opciones son pobres de solemnidad. 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, como se ha propuesto, el modelo de aprendizaje para que el uso de la IA propicie más criterio a nuestros docentes y estudiantes. Esto implica cambiar algunas prácticas docentes, mejorar nuestras competencias y habilidades para acompañar a otros y, sobre todo, revisar qué evaluamos y cómo lo evaluamos.
La primera línea de trabajo propuesta comienza por fomentar la trazabilidad de su uso. Cuando un estudiante use IA, debería poder documentar el proceso y declarar su uso sin pudor, sin vergüenza. No hace falta convertirlo en una burocracia pesada, 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 y se convierte el uso de la herramienta en una oportunidad para aprender cómo se razona, no sólo para producir un resultado.
La segunda línea es evaluar el proceso de aprendizaje, no solo el producto final. Un trabajo, un informe o un TFG / TFM puede estar bien redactado y ser débil desde el punto de vista técnico. Una solución puede parecer bien formulada y apoyarse en supuestos equivocados. Por eso conviene evaluar razonamiento, criterios, justificación, validación y defensa. La pregunta ya no puede ser únicamente si el resultado final es correcto, sino cómo se ha llegado a él, qué decisiones se han tomado durante el camino y qué grado de comprensión demuestra el estudiante cuando debe explicar y sostener lo que presenta.
La tercera línea es incorporar auditorías de respuestas generadas por IA. Esta actividad puede ser muy útil. El profesor alentar a interactuar con la IA para analizar las soluciones que propone, identificar 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, es decir no aceptar sin más una respuesta técnicamente verosímil, sino someterla a contraste, identificar sus debilidades y reconstruirla con criterio propio. En un entorno profesional en el que la IA estará cada vez más presente, saber auditar respuestas será tan importante como saber producirlas.
La cuarta línea es reforzar la oralidad. La defensa oral, el debate y la escucha entre pares permiten comprobar la comprensión de una forma que el texto escrito ya no garantiza por sí solo. Explicar en directo una decisión, responder preguntas y justificar supuestos ayuda a distinguir entre producción y comprensión. La comunicación oral devuelve al aula dimensiones que la universidad no debería perder, tales como la presencia, la argumentación, la interacción humana y la posibilidad de comprobar si detrás de una respuesta hay realmente pensamiento.
La quinta línea es trabajar con mapas de sistema y diagramas causales sencillos. Buscamos introducir síntesis y concreción en la exposición, y los diagramas cognitivos son herramientas útiles para hacer visibles relaciones, supuestos e incertidumbres. Estos artefactos visuales ayudan a ordenar el pensamiento y a discutir mejor las decisiones. Obligan al estudiante a explicitar cómo entiende el problema, qué variables considera relevantes, qué relaciones identifica y dónde aparecen las dudas razonadas. En este sentido, no son solo recursos gráficos, sino instrumentos para pensar mejor.
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 problemas se parece más a la realidad profesional que muchos ejercicios académicos cerrados. En la práctica, los ingenieros rara vez trabajan con información completa, objetivos perfectamente alineados y soluciones únicas. Trabajan con incertidumbre, con restricciones económicas, técnicas, ambientales, sociales e institucionales, y con la necesidad de justificar decisiones razonables en contextos imperfectos. La IA puede ayudar a explorar alternativas, pero el estudiante debe aprender a formular hipótesis, seleccionar criterios, reconocer los límites de los argumentos y defender una propuesta sin esconder la complejidad del problema.
Estas líneas de trabajo tienen una consecuencia directa sobre la evaluación. Evaluar en la era de la IA generativa no puede consistir sólo en detectar si un estudiante ha usado o no una herramienta. Ese enfoque, aunque comprensible, es insuficiente. La evaluación debe desplazarse hacia aquello que la IA no puede acreditar por el estudiante: la comprensión, el criterio, la capacidad de justificar, la responsabilidad sobre las decisiones y la integración del conocimiento en situaciones concretas. Si el estudiante puede producir un texto formalmente correcto sin comprenderlo, entonces el texto ya no puede ser la única evidencia de aprendizaje.
Esto no significa abandonar los trabajos escritos ni los exámenes, sino rediseñarlos. Un trabajo escrito puede seguir teniendo valor si incorpora trazabilidad, defensa, revisión crítica, contraste de fuentes, decisiones metodológicas y reflexión sobre el propio proceso. Un examen puede seguir siendo útil si no se limita a reproducir contenidos, sino que obliga a interpretar, relacionar, decidir y explicar. La clave no está en sustituir unas herramientas por otras, sino en alinear la evaluación con las competencias que realmente queremos desarrollar* Evaluar no es comprobar si el estudiante ha entregado algo correcto, sino si ha aprendido algo. Y aprender no es solo disponer de información o producir una respuesta formalmente aceptable. Aprender implica construir una estructura mental que permita comprender, juzgar, intervenir y responder de las consecuencias. Si la evaluación no mide eso, la IA no habrá creado el problema, pero sí lo habrá dejado al descubierto que no lo hacemos bien.
Conclusiones de esta larga reflexión
Platón, reconocido como uno de los grandes escritores de la historia, temió que la escritura empobreciera la memoria. Consideraba que el lenguaje escrito era un artefacto limitante para el crecimiento humano. Ahora nosotros tememos que la IA empobrezca el aprendizaje. La analogía no es perfecta, pero sí útil para explicar que en ambos casos, la cuestión no es prohibir la herramienta, sino retar las bases del modelo de aprendizaje. Sin la aparición de la IA ya era necesario hacer cambios en el modelo de enseñanza y aprendizaje, tal y como el Plan Bolonia nos lo mostró. La IA no inaugura todos los problemas, pero los acelera, los hace visibles y nos deja con menos margen para seguir aplazando una transformación pendiente.
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 estudiantes, qué tipo de ingenieros, queremos formar. Modelos educativos de referencia internacional plantean que la respuesta educativa a la IA no debería limitarse a incorporar herramientas digitales ni a competir con ellas. El horizonte que apunta Finlandia en su visión Basic Education 2045: For Life es más profundo, y propone desplazar el centro de gravedad desde la acumulación de información hacia la formación de personas capaces de vivir con sentido, convivir democráticamente y actuar responsablemente en un planeta vulnerable. En ese marco, la IA no sustituye al aprendizaje humano, sino que debe ponerse al servicio de una educación más personalizada, más inclusiva y más humana.
En la era de la inteligencia artificial, las competencias transversales constituyen un recurso 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. 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, sostener 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, pues 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. La formación técnica aporta rigor, método, conocimiento disciplinar y capacidad de intervención. Las competencias transversales permiten orientar ese conocimiento, ponerlo en contexto, discutirlo con otros, reconocer sus límites y decidir con responsabilidad. Separarlas empobrece la educación. Integrarlas puede devolver a la universidad una función que la IA no puede sustituir, la de formar a personas capaces de pensar técnicamente sin dejar de pensar humanamente.
Quizá por eso la IA generativa no debería entenderse sólo como una amenaza para la docencia y la evaluación, sino como una ocasión exigente para revisar qué entendemos por aprender y enseñar. Si la máquina puede producir respuestas, el aula debe formar a estudiantes que formulen mejores preguntas. Si puede redactar textos solventes, la evaluación debe comprobar comprensión, criterio y habilidades adquiridas. Si la IA-Generativa puede simular razonamientos, la universidad debe enseñar a distinguir entre lo que aparentemente es pensamiento y lo que es pensamiento verdadero. En todo lo anterior se juega una parte importante del futuro de la educación superior.
La respuesta, por tanto, no puede ser nostalgia del aula tradicional ni fascinación acrítica por la herramienta. Creo que la respuesta tiene que ser más valiente. Necesitamos una universidad capaz de incorporar la IA sin abdicar de su función formativa, una docencia que use la tecnología para elevar el aprendizaje y una evaluación que mida aquello que realmente importa.