El efecto del uso de chatbots de IA en las aulas

Fernando Schapachnik y Andrea P. Goldin
En este documento los autores abordan un fenómeno urgente: el dañino efecto para el aprendizaje que está provocando en las aulas la presencia de un cierto tipo de inteligencia artificial, los chatbots del estilo de ChatGPT. La evidencia científica muestra que, lejos de favorecer el aprendizaje, lo perjudican: disminuyen nuestra capacidad de pensar. Y este problema se da en el momento en que más necesitamos una escolaridad que la refuerce, porque transitamos una época en la cual todo tipo de pseudociencias, terraplanismo, noticias falsas e ideas tóxicas –algunas que pensábamos perimidas– resurgen con fuerza. Para analizar esta situación, repasan qué significa aprender desde el punto de vista neurocientífico, por qué estos chatbots son tan tentadores y qué dicen los estudios rigurosos que los han analizado desde el punto de vista cognitivo. Sobre el final, también realizan algunas propuestas y ejemplos virtuosos sobre la manera en la que la inteligencia artificial sí puede vincularse con la escuela.
PUBLICADO 13 octubre 2026

Este texto es una versión ampliada de otro publicado por los mismos autores en el Boletín de la Biblioteca del Congreso de la Nación, número 139. Una versión reducida de este documento fue publicada con la firma de un amplio colectivo de investigadores e investigadoras, educadores y educadoras en la plataforma Medium.

El pensamiento crítico sostiene nuestra capacidad de entender el mundo. Es como un músculo que a veces da pereza ejercitar, y es por eso que una de las misiones de la educación es brindarnos las herramientas para vencer esa inercia. Estamos en un momento histórico en el que esto es más importante que nunca porque frecuentemente afloran ciertas ideas tóxicas, propias de etapas pasadas, perjudiciales para quien las adopta y para la sociedad toda, que vuelven a difundirse. Ideas que se expresan con formulaciones simples, categóricas y, usualmente, con fuerte carga emocional, pero que no resisten un razonamiento informado. Y, para desarmarlas, tenemos que ser capaces de hacer ese razonamiento. Esa capacidad de razonar como mecanismo de defensa de la sociedad es fundamental, porque nada indica que las ideas tóxicas vayan a disminuir. Más bien, lo contrario.

Sostener el rol de la escuela como lugar de ejercicio del pensamiento puede ser nuestra principal esperanza como sociedad. Promoverlo y practicarlo en el aula es también garantizar el derecho a una formación plena como seres humanos y como individuos participantes de una sociedad. Hoy en día es una urgencia superlativa, y la entrada de la Inteligencia Artificial en las aulas lo está poniendo en jaque.

 Coincidentemente con esta situación apremiante, a fines de 2022 la humanidad se sorprendió con la entrada en escena de los chatbots de IA: ChatGPT primero, y luego una serie de productos de similares características. Ahorrémonos su descripción, todos los conocemos. Pero sí hagamos una aclaración terminológica importante: estos chatbots, sustentados en una tecnología llamada Large Language Models (LLMs) son solo una forma de la IA. Hay muchas otras, con usos en la producción, en la medicina, en el transporte, etc. que no son susceptibles de las críticas que haremos a continuación (dicho sea de paso, y que tampoco tienen un impacto ambiental tan alto como los LLMs).

Ante esta irrupción y su rapidísima llegada a las aulas, el mundo educativo tuvo una actitud receptiva por un lado, y resignada por el otro. Receptiva, porque no quiso caer en el rechazo a lo novedoso, porque quiso salir de un lugar tal vez más conservador, porque se atrevió a salir de su zona de confort. Resignada, porque consideró que era imposible de frenar. Como una ola que lo invadía todo. Señalamos aquí una disidencia: saludablemente hemos decidimos no claudicar ante la ludopatía infantil y la invasión “imparable” de las apuestas, o incluso del celular, en el aula. Si una batalla es posible, la otra necesariamente también, ya que sus vectores, impulsores, mecanismos, etc., son similares.

Esa actitud receptiva de docentes y autoridades llevó al florecimiento de un ecosistema de productos y propuestas escolares donde, bajo la esperanza de que el uso de esta tecnología mejore los aprendizajes y las experiencias áulicas, se comenzó a fomentar que los estudiantes utilicen LLMs para realizar tareas escolares. Urge discontinuarlo como práctica educativa recomendada.

Para entender por qué esto es así debemos comprender primero cómo funciona nuestra cabeza.

Qué es aprender, una visión desde la neurociencia

Hagamos un ejercicio: intentemos recordar una serie o película que hayamos visto recientemente o algún capítulo de libro que hayamos leído hace poco. Más aún, intentemos decir, más o menos, la trama. Probemos, incluso enumerar algunas características de los protagonistas o las locaciones. A veces cuesta un poco, pero sin dudas lo logramos. Solo podemos hacerlo exitosamente porque esa información ha sido “guardada” previamente en algún lugar. Ese lugar es nuestro cerebro. De algún modo, además, sabemos cómo buscarla y por eso ahora podemos encontrarla y revivir esas experiencias culturales.

El cerebro es el órgano responsable de incorporar, retener y evocar conocimientos, percepciones, conceptos y emociones. No solo tenemos guardado aquello que pudimos responder en el párrafo previo; también es posible que recordemos dónde o con quién estábamos o cómo nos sentíamos. Es posible, incluso, que más tarde recordemos algo que ahora omitimos.

Esto sucede porque las experiencias pueden modificar nuestro cerebro a nivel bioquímico y fisiológico. Es a esos cambios cerebrales, inducidos por las experiencias, a los que llamamos aprendizaje. A nivel cerebral, el aprendizaje académico se da de la misma manera: cuando nos enfrentamos a un contenido de conocimiento que nos resulta lo suficientemente estimulante, desafiante o “incómodo”, pueden comenzar a producirse cambios físicos en nuestro cerebro que deriven en la incorporación de la nueva información.

Pero los aprendizajes no son construídos “desde cero”; por lo general, cada nueva pieza de conocimiento se incorpora a una red preexistente, a un esquema mental que ya existía y que, ahora, con el nuevo agregado, toma una nueva forma (Goldin, 2025b). Las redes son dinámicas y el cerebro se reorganiza constantemente a lo largo de toda la vida. Así, los esquemas representan conocimiento organizado en función de las experiencias vividas y, por ejemplo, estudiantes que ya tienen armados esquemas mentales sobre determinados temas logran incorporar conocimiento nuevo mucho más efectivamente que quienes aún no los armaron.

Ahora bien, como todos sabemos, el hecho de que exista información nueva no implica necesariamente que vaya a ser incorporada. Es necesario activar, simultánea y específicamente, esquemas preexistentes para lograr una efectiva integración del conocimiento. A medida que mejoramos nuestra comprensión del mundo vamos armando esquemas más robustos, más duraderos y que resisten más sólidamente las confrontaciones.

La deconstrucción y reconstrucción de esquemas mentales se sustenta en la modificación de redes neurales. Se llama plasticidad a la capacidad del cerebro de modificarse físicamente por las experiencias que atraviesa la persona. La plasticidad sustenta los aprendizajes académicos porque, en general, lo que busca la escuela es que la información se guarde de un modo más o menos organizado, que permita un uso posterior apropiado tal que cada estudiante vaya pudiendo ir complejizando su contenido de conocimiento y aplicándolo de mejores maneras.

Requerimientos para aprender

A nivel cognitivo, aprender fehacientemente implica fortalecer las redes neurales que sustentan esos aprendizajes. Y la única forma de lograrlo es con práctica sostenida y apropiada. Esta ejercitación debe ser de dificultad progresiva y los desafíos no deben resultar ni demasiado sencillos ni frustrantes; el punto de inicio y la velocidad de progresión dependerán de cada persona y de cómo, y cuánto, haya ejercitado esas habilidades a lo largo de su vida. En líneas generales, es necesario comenzar con conocimientos acotados y operaciones sencillas e ir complejizando a medida que se pueda.

Para aprender requerimos enfrentarnos a actividades conseguibles y desafiantes, pero no frustrantes. Esto es lo que Vygotsky denominó zona proximal. Cualesquiera que sean la edad y la materia, ir paso a paso ayudará a prevenir la sobrecarga cognitiva y permitirá que cada nueva pieza de información se asiente sobre una base sólida de material que ya se ha organizado previamente. Con mayor o menor costo, si la estimulación es apropiada, las redes se irán modificando. Habrá errores, por supuesto: modificaciones desacertadas que, bajo la mirada atenta del educador, podrán ser resueltas. Nada mejor que un error para “hacer tambalear” una estructura mental que creíamos consolidada. El error es imprescindible, es parte del camino a la hora de lograr aprendizajes duraderos y sólidos (Goldin, 2025b). Pero junto con este debe venir el andamiaje para ayudarnos a entender qué era lo incorrecto y, sobre todo, por qué. Si queremos aprehender los aprendizajes, ese acompañamiento fundamental requiere que seamos nosotros quienes hacemos el ejercicio mental de ir razonando paso a paso hasta desandar el “mal camino”. Y eso cuesta y lleva tiempo.

La tentación de los LLMs

Suele ser tentador imaginar a estos sistemas de inteligencia artificial como tutores individuales “ideales”: interactúan 1-a-1, permiten a cada estudiante ir a su propio ritmo e, incluso, es posible que ante el hecho de saberse frente a una máquina, muchas personas se animen a repreguntar un concepto las veces que sea necesario hasta entenderlo; todos estos, aspectos clave a la hora de lograr buenos aprendizajes (Goldin, 2025a).

El hecho de que en muchas ocasiones estas herramientas den buenas respuestas a las tareas que se les encomienda vuelve muy tentador pensarlas como aliadas de los aprendizajes. El tema es el objetivo que tengamos: ¿pretendemos lograr resultados o nos interesa, además, el proceso y lo que nos queda más allá del resultado? El uso indiscriminado de estas herramientas evidencia el trade off entre la exigencia de productividad inmediata (sin necesariamente considerar calidad) y la real construcción de conocimiento. Cuando inclinamos la balanza hacia la productividad en la escuela, tenemos dos problemas. El primero, es que ese no debería ser el objetivo del sistema educativo. No se trata de producir más monografías o hacerlas en menos tiempo. Se trata de transitar procesos que impactan en nuestro cerebro en forma de aprendizajes. El segundo, es que va en detrimento de la construcción apropiada de esquemas mentales que, como vimos previamente, son los que sustentan los aprendizajes reales.

Porque la otra cara de la moneda es que no son menores los desafíos que presentan estos algoritmos a la hora de favorecer el razonamiento y el pensamiento crítico del usuario. Porque lo que ofrecen son las respuestas más utilizadas y las palabras más probables del corpus de conocimiento del cual aprendieron, sin “chequeo” de la veracidad ni autenticidad de dicha información (Gibney, 2024). Así, su funcionamiento trae aparejados varios problemas a la hora de pensarlos como aliados del aprendizaje, porque los algoritmos generativos, como los que sustentan los LLMs, suelen dar todas las respuestas de modo inmediato, sin repreguntas, propuestas de pensamiento activo ni espacios de duda. Por lo tanto, su típico uso escolar de responder alguna pregunta o hacer una monografía no fomenta la creatividad, la metacognición ni la metamemoria, tres características cognitivas fundamentales del aprendizaje. Esto implica que, al menos al día de hoy, los algoritmos generativos no fomentan las pausas para pensar e indagar en el propio contenido de conocimiento, no favorecen la colaboración con otras personas y no dejan prácticamente espacio para los “no sé” ni para los errores; todas estas, instancias imprescindibles a la hora de aprender y aprehender (Goldin, 2025a).

Podría pensarse, entonces, que hay lugar para estas herramientas siempre y cuando no se las utilice para “que hagan la tarea”, si no de una forma más criteriosa. Demos un par de ejemplos sintéticos, con contrapropuestas:

  1. El niño debe buscar información sobre el 25 de mayo, dársela al chatbot, pedirle que asuma el rol de alguno de aquellos patriotas, asumir él el de otro y reproducir una hipotética discusión en la antesala de la Revolución sobre alguna de las tensiones internas, reflejando las distintas posiciones. Es cierto que en ese escenario hay una tarea cognitiva no delegada, pero lo también cierto es que el chatbot es innecesario. Aquí una versión superadora: dos niños leen el material sobre la Revolución de Mayo de manera conjunta, asumen cada uno el rol de un patriota, y de esa manera reproducen la antedicha discusión.
  2. El adolescente no le pide al chatbot que haga la composición, solamente que se la critique para mejorarla. Aquí, una opción superadora: el estudiante escribe la composición y la intercambia con algún compañero. Cada uno debe hacer una crítica constructiva de la del otro y luego usar la devolución obtenida para mejorar la propia.

Pero, ¿no existen otro tipo de desafíos educativos que no puedan adaptarse a este esquema y donde sigamos manteniendo el buen uso de los LLMs? Abordamos esa posibilidad en la próxima sección.

Qué sabemos ahora sobre los LLMs en el aula: nos hacen pensar menos

Antes de abordar la evidencia científica analicemos la idea central que favorece su uso: no se trataría de pedirle al chatbot que resuelva la consigna, sino que nos ayude a resolverla: que busque la información y que nos ayude a procesarla, pero no que haga el trabajo por nosotros. Eso último sería un mal uso al que se le opone un buen uso, que consistiría en crear una serie de bien pensados prompts (esas instrucciones que le damos para expresar lo que queremos que haga) que vamos refinando en base a sus respuestas. En este escenario, el chatbot haría el trabajo pesado, más no el creativo. No invertiríamos recursos cognitivos ni tiempo en la parte tediosa, pudiendo reservarlos a la parte que sí vale la pena y donde se involucra nuestra capacidad humana de análisis y pensamiento.

Este hipotético buen uso es como algunos de esos animales en peligro de extinción que solo pueden sobrevivir en la reserva ecológica, bajo estricta supervisión. Liberados al medio silvestre se los comen los depredadores. Los depredadores en este caso son la urgencia por resolver la tarea, la falta de interés real en ella, la presión por aprobar, la facilidad de los atajos (admitamos la pereza de la que todos padecemos) y el lenguaje engalanado y superficialmente refinado que parece darle una apariencia de solvencia a las respuestas, de complejidad. Y que produce cierta admiración y lejanía: nos quedamos con la sensación de que las propias elaboraciones jamás podrían lograr ese nivel. No olvidemos un depredador más: todo lo que resuelve el chatbot nos ahorra rozamiento: la frustración por la tarea que no sale, la necesidad de terminar para lograr hacer otra cosa, la frase que no aparece, la conexión entre los puntos que no se muestra obvia y, en ocasiones, también la necesidad de interactuar con los demás para pensar. Interactuar con otros, admitámoslo, puede ser incómodo. Sí, transitar las incomodidades del mundo es otro aprendizaje escolar fundamental que los LLMs nos hacen perder.

En este punto podemos pensar que, siempre que el docente tenga claro su objetivo pedagógico, distintas prácticas podrían ser incorporadas a las actividades escolares y aprovechar las características de los LLMs fomentando en el proceso que los estudiantes reconstruyan sus propios esquemas mentales, conecten conceptos y aprendan de los errores que ellos y los sistemas de inteligencia artificial cometan. Por favor no nos confundamos: dejemos de lado la anécdota del estudiante brillante que ya tiene su escolaridad resuelta y se potencia con estas herramientas. Concentrémonos en el estudiante promedio y, ahora que está empezando a aparecer, miremos la evidencia científica que señala que el uso escolar de LLMs deteriora nuestra capacidad de pensar. Vamos a contar cinco ejemplos recientes que ilustran claramente los potenciales peligros para nuestra cognición.

  1. Unos investigadores de Suecia y China (Strömberg y colaboradores, 2026) analizaron 30 meses de datos educativos de más de 26.000 estudiantes chinos de escuela secundaria. Encontraron que si bien quienes usaban chatbots de IA hacían la tarea 30% más rápido y estas tareas se calificaban con notas 18% superiores a los que no usaban IA, a la hora de los exámenes mensuales que esos alumnos deben completar regularmente, sus notas caían 20%, y ese efecto ya se notaba a los 6 meses de empezar a usar IA. El efecto se veía en todas las materias, pero era peor en ciencias sociales, seguidas de ciencias exactas y matemáticas y luego lenguajes extranjeros. Más aún, cuando rindieron exámenes de ingreso al siguiente nivel de la escuela secundaria o a la universidad, reconocidos por su alto nivel de exigencia, sus calificaciones también cayeron, entre un 18 y un 24%.
  2. Otro estudio analizó si la baja en calificaciones se debe a que los LLMs no están tan preparados para asistir pedagógicamente. Así, Bastani y colaboradores (2025), quienes se preguntaron si los LLMs podrían ayudar al aprendizaje de matemáticas en la escuela secundaria. Para estudiarlo diseñaron un experimento del que participaron más de 900 estudiantes, a los que se hacía trabajar en sesiones de 90 minutos que se dividían así: en la primera parte, los docentes explicaban el tema (como lo harían normalmente). En la segunda, los estudiantes debían resolver ejercicios de práctica sobre el tema y, sobre el final, resolver un examen a libro cerrado (sobre el mismo tema). La segunda parte, la de ejercitación individual era la parte central del experimento: en ella, los estudiantes fueron divididos en tres grupos. Unos ejercitaban de la manera tradicional, otros podían usar ChatGPT y el tercer grupo, una versión del chat que estaba personalizada mediante unos prompts previos para comportarse como un tutor: no daba las respuestas de manera directa, sino que daba pistas, como lo haría un buen docente. De hecho, las pistas fueron especialmente diseñadas por el equipo docente. Si bien en la etapa dos, cuando ejercitaban individualmente, tanto el grupo que usó ChatGPT como la versión que simulaba ser un tutor consiguieron mejores puntajes que el grupo que no usó nada (¡48% y 127% de incremento, respectivamente!), cuando pasaron al examen real, a libro cerrado, los resultados cambiaron: el grupo que usó ChatGPT durante la etapa de práctica sacó notas un 17% más bajas que el grupo que no había utilizado ningún LLM. El grupo que utilizó la “versión tutor”, que durante la práctica había tenido resultados tan superiores al grupo control, sacó notas apenas más bajas, aunque sin diferencia significativa. La ventaja que había aportado la versión creada tan trabajosamente, se evaporó.
  3. En el intento por determinar los efectos negativos sobre los aprendizajes, un grupo de investigadores del MIT realizó un estudio pionero (Kosmyna y col., 2025). Dividió a 54 estudiantes universitarios en 3 grupos y se les pidió que escribieran breves monografías en base a ciertas preguntas disparadoras. Un grupo utilizó ChatGPT, el otro solo podía googlear y el tercero, ninguna de las dos alternativas. Al pedirles posteriormente que citaran algo de lo que habían escrito, solo un pequeño porcentaje del grupo que googleó y del que no usó ninguna herramienta externa tuvo problemas en hacerlo, mientras que en el grupo que utilizó el LLM la gran mayoría de los participantes no logró hacer una sola cita correcta de su propio trabajo, realizado solo unos minutos antes.
    Dicho de otra manera, resolvieron la tarea con ChatGPT, pero nada les quedó de lo que escribieron. O sea, al usar el LLM como única herramienta quitando todo el desafío a la tarea, no lograron modificar los esquemas mentales necesarios para poder guardar la información con la que habían estado trabajando. De hecho, el otro resultado principal del estudio muestra cómo el uso de las distintas herramientas modifica la manera en que las redes neurales se conectan: encontraron que la conectividad disminuye cuanto mayor apoyo externo, y menos “pensamiento”, se usa al escribir. Y los autores encontraron también efectos sobre la sensación de propiedad generada por la propia producción escrita: quienes utilizaron LLMs para escribir sus ensayos reconocieron como menos propios esos textos que quienes los escribieron sin apoyarse en ninguna otra herramienta; y se observaron resultados intermedios en quienes escribieron mientras se ayudaban buscando información en Google.
    Como los mismos autores reconocen, podría señalarse el carácter preliminar del estudio, basado en su cantidad de participantes.
  4. El estudio anterior tiene, en efecto, un bajo tamaño muestral y aún no ha sido revisado por pares, pero no es el único que apunta en ese sentido. En otro estudio con más de 10.000 participantes, Melumad y Yun (2025) analizaron producciones escritas hechas con ayuda de LLMs o solamente googleando. Los autores se concentraron en la profundidad de esas producciones, variable que evaluaron por métodos basados en análisis lingüísticos y por apreciaciones tanto de quienes las escribieron como de otros humanos, y encontraron que la utilización de LLMs genera producciones de menor calidad, más superficiales. Además, encontraron que quienes los utilizaron reportaron menor autopercepción de aprendizaje que quienes solamente utilizaron un buscador como apoyo.
  5. El último de nuestra muestra de estudios profundiza en esa dirección. Meincke, Nave y Terwiesch (2025) midieron el nivel de creatividad de una serie de ensayos donde un grupo de participantes podía usar ChatGPT mientras otro grupo, no. Encontraron que en el grupo que utilizó el LLM las producciones individuales fueron, en promedio, más creativas que en el grupo que no lo usó. Podríamos quedarnos con este resultado parcial, que es lo que suele suceder en muchísimas aulas: los ensayos escritos por chatbots sacan muy buenas notas. Pero en el estudio fueron un paso más allá y analizaron todas las producciones en conjunto. Encontraron mayor creatividad colectiva en el grupo que no tuvo ayuda de ChatGPT que en el que sí la tuvo. Las ideas producidas mediante ChatGPT tenían hasta un 94% de similaridad. Es decir, el uso de ChatGPT tendió a homogeneizar el discurso, las palabras y las ideas. E hizo que la producción de ideas sobre un mismo tema, como proceso colectivo, fuera menos rico.

Los resultados aquí contados son consistentes con un fenómeno también documentado en el mundo laboral: cuando usamos herramientas en las que delegamos capacidades fundamentales de pensamiento, perdemos dichas habilidades. A modo de ejemplo citamos otro estudio, de Budzyń y colaboradores (2025), esta vez hecho en adultos profesionales: endoscopistas muy experimentados. Durante tres meses se les permitió usar IA para diagnosticar, pero con una particularidad: un día sí, un día no. Su rendimiento durante los días en que no podían acceder a la herramienta bajó de 28,4% a 22,4%, lo que resultó significativo en términos estadísticos.

Como todo en ciencia, la evidencia se acumula progresivamente, y toma tiempo. Aparecen estudios en un sentido y en otro (por ejemplo, Deng y colaboradores, 2025). Mientras tanto, la recomendación es la cautela. El uso de los LLMs en las aulas atenta contra esa cautela, porque si bien es cierto que la evidencia sobre sus falencias como apoyo a la escolaridad es aún preliminar, no hay evidencia contundente que muestre que los chatbots favorecen el aprendizaje.

Cuándo y cómo usar los LLM, es la cuestión

A nivel de implicancias educativas, el resultado más interesante del trabajo que contamos en el ejemplo 32, realizado por Kosmyna y colaboradores (2025), ha sido el menos difundido. Luego de las tres sesiones de las que ya hablamos, en las que los participantes escribieron sus ensayos, los investigadores agregaron una cuarta instancia en la cual a un subgrupo les intercambiaron los materiales: aquellos que habían estado utilizando un LLM para escribir, ahora deberían arreglárselas solitos con su cerebro. Y viceversa. En cada una de las tres primeras sesiones los participantes habían elegido sobre cuál de 3 temas escribir. Se trataba de temas generales, que permitían incorporar perspectivas propias y amplias sobre “grandes” cuestiones, como la lealtad, la felicidad, el arte, la filantropía, el coraje o la perfección, entre otras. Para hacerlo aún más sencillo, las opciones del tema sobre el cual escribir en la cuarta sesión fueron los tres temas que cada participante ya había elegido en sus sesiones previas.

Resulta que, en su mayoría, los del grupo que originalmente había usado el LLM no pudieron siquiera reconocer el tema general que habían elegido trabajar en las sesiones anteriores. Simplemente no recordaban qué habían hecho en las instancias en las que los “ayudó” el chatbot. En cambio quienes originalmente habían trabajado “solo con su cerebro” sí recordaron perfectamente. Más aún, los resultados de la ejercitación de esas tres primeras sesiones tuvieron efectos en el armado de esquemas mentales a más largo plazo: luego de realizar la tarea en la cuarta sesión, los participantes debían intentar citar alguna parte que hubieran escrito. Casi ninguno de quienes originalmente habían practicado con el chatbot pudo citar algo, a diferencia de casi todos los que practicaron con sus cerebros, que consistentemente recordaron mejor lo que habían escrito, aún después de usar el chatbot.

Podemos interpretar mejor los resultados si trazamos el paralelismo de este estudio con lo que sucede en un aula. Durante el período de clases hay tareas que permiten que los estudiantes pongan en práctica técnicas, ejercicios y conocimientos. Esas prácticas, como vimos, deben demandar desafíos progresivos. Aquellos participantes del grupo que no tuvo asistencia inicial externa debieron armar, desarmar y modificar sus esquemas mentales a medida que escribían los ensayos. Tarea ardua, pero que lograron hacer. Cuando a ellos se les presentó la oportunidad de agregar el uso de un chatbot en la cuarta sesión, lo que hicieron fue utilizarlo como la herramienta que puede ser: para mejorar la prosa, para reformular alguna parte poco clara. Quienes, en cambio, desde el inicio habían delegado su cognición en el LLM, no supieron hacer un buen uso de su cabeza cuando eso fue todo lo que tuvieron.

En suma, lo que este estudio nos muestra es que los LLMs podrían ser aliados a la hora de producir contenido, siempre y cuando sean usados responsablemente, sin delegación y en el momento apropiado.

El problema es que sin una intervención docente adecuada y que calibre exactamente cuándo y cómo incorporarlos, esa utilización se vuelve enemiga del aprendizaje: ¿cómo saber, por ejemplo, cuándo un tema está suficientemente masticado y arraigado como para que pueda ser “pulido” con la ayuda de un chatbot? Más aún, nada indica que lograr de este modo un resultado final de mejor calidad conduzca a aprender el mecanismo para volver a lograrlo en el futuro, por lo que la utilidad real de estos usos en el ámbito escolar no es para nada obvia.

IA que sí

Como dijimos al principio, los LLMs no son el único tipo de IA posible. De hecho, hay muchos otros usos educativos interesantes para la IA. Y varios, cerca nuestro: Vidal y colaboradores (2025), de la UBA, hacen un gran trabajo en el uso de IA para detectar fluidez lectora, con los niños leyendo fragmentos de texto delante de una aplicación. Esto permite no solo agilizar los tiempos, sino homogeneizar resultados que, si fuesen hechos por personas, variarían de acuerdo al evaluador asignado y su nivel de entrenamiento. Existen aplicaciones que ayudan a los docentes con la gestión curricular para alivianar su carga de trabajo, y también varias herramientas, por ejemplo implementaciones provinciales de Sistemas de Alerta Temprana, que utilizan datos como calificaciones o asistencia para predecir situaciones de abandono escolar y poner en funcionamiento dispositivos de retención. Aclaremos, desde ya, que esta lista no pretende ser exhaustiva, sino solo mostrar una serie de ejemplos de los grandes usos que se le pueden dar a estas tecnologías.

A la hora de enseñar, es imprescindible tener en consideración que cada nuevo contenido de conocimiento, teórico o práctico, se incorporará a esquemas mentales preexistentes. Así, son paulatinos y progresivos los cambios fisiológicos requeridos para construir y modificar las redes neurales que sustentan cada conocimiento. Su formación requiere, también, tiempos de “decantación”. El tema es que el tiempo suele ser un bien escaso en educación. Parte de los desafíos que es menester resolver como educadores y formadores de políticas públicas es, justamente, cómo balancear el tiempo escolar y los contenidos curriculares a ser impartidos; y hacerlo atendiendo a las variaciones que existen entre contextos educativos y sistemas de educación diversos. Esto demanda una profunda reflexión conjunta para consensuar cuáles son los objetivos de enseñanza realmente imprescindibles para cada una de las diferentes asignaturas y niveles, de modo tal de poder abarcarlos y abordarlos correcta y eficazmente.

Así como conducir un vehículo no significa saber de mecánica, escribir unos prompts está muy lejos de significar que sabemos de IA. No podemos dejar de señalar un lugar en el que la IA sí debe estar en la escuela: bajo la lupa, como elemento de estudio. Sostenemos que no solo la Inteligencia Artificial, sino la disciplina más amplia que la contiene, las Ciencias de la Computación, deberían formar parte de la currícula. Digámoslo claramente: en el mundo actual es imprescindible entender cómo funciona la tecnología, cómo está hecha, por quiénes, con qué intenciones, con qué potencialidades, con qué ideas científicas. Es nuestra obligación enseñar estos temas y fomentar las discusiones no solo sobre cómo es la tecnología, sino, principalmente, sobre cómo podría ser.

El falso debate sobre la prohibición

La escuela es el lugar donde no repetimos la sociedad que existe, es donde fomentamos la que deseamos que exista. Así preparamos a los alumnos para el afuera, para el mundo laboral y para el futuro. Que no podamos fumar en la escuela no significa que no enseñemos sobre los riesgos del tabaco, sus efectos biológicos o sus interacciones químicas. La misma reflexión vale sobre el uso de herramientas de IA que perjudican los aprendizajes. No es necesario involucrar un chatbot en la jornada escolar para explicar cómo funciona, cómo está construido y a quién beneficia. Algunos países y ciudades, como Noruega o Nueva York, ya tomaron esa decisión. Argentina puede hacerlo también.

Los chatbots de IA en el aula están matando nuestra capacidad para pensar. Estamos a tiempo de evitarlo.

AUTORES

  • Fernando Schapachnik, Profesor Asociado FCEN-UBA, investigador ICC UBA-CONICET.  
  • Andrea P. Goldin, Investigadora CONICET en el Centro de Inteligencia Artificial y Neurociencia, Universidad Torcuato Di Tella.


Bibliografía