IA y educación: qué plantea de verdad el MIT, y qué dice la evidencia sobre aprender con IA

Circula un resumen de dos páginas titulado «Inteligencia artificial y educación: ¿qué plantea el MIT?». Su idea central es sensata: la IA ayuda a aprender cuando acompaña el esfuerzo de quien estudia y estorba cuando lo sustituye. Cita seis publicaciones, sin enlaces y sin una sola cifra.
Como impartimos diplomados de programación con IA, la pregunta nos toca de cerca, así que fuimos a las fuentes. Abrimos las seis publicaciones y, después, los experimentos que miden lo que el resumen solo afirma. Encontramos tres cosas:
- No existe «la postura del MIT». Las seis fuentes son piezas de naturaleza muy distinta: un ensayo de dos autores, dos cartas, una nota de prensa, una entrevista, una propuesta de política pública y una página de recursos para docentes.
- La idea central se sostiene, y los textos originales son más concretos y más exigentes que el resumen.
- La diferencia entre apoyo y sustituto ya está medida. En un experimento con cerca de mil estudiantes, quienes usaron la IA sin restricciones obtuvieron 48% más en la práctica y 17% menos en el examen; con el mismo modelo configurado como tutor, esa caída desapareció.
Qué son en realidad las seis fuentes
| Fuente | Qué es | Fecha | Lo que aporta |
|---|---|---|---|
| AI in Education, MIT Open Learning | Ensayo de 13 páginas de Andrés F. Salazar-Gómez y Sanjay Sarma. «How to Think of AI in Education» es el nombre del archivo, no el título | Julio de 2025 | El argumento de fondo: rediseñar desde la ciencia del aprendizaje |
| AI and education: A watershed moment for MIT | Carta de la presidenta, Sally Kornbluth, y una segunda carta de la canciller, el rector y el presidente del profesorado | 25 de agosto de 2026 | Presentan el informe de un comité del MIT sobre el uso de IA en enseñanza, aprendizaje e investigación |
| Piloto para enseñar IA en todas las disciplinas, MIT News | Nota sobre un taller de una semana del Schwarzman College of Computing | 9 de septiembre de 2026 | Formar docentes: 19 profesores de 7 instituciones |
| Q&A: MIT SHASS and the future of education in the age of AI, MIT News | Entrevista a Agustín Rayo, decano de humanidades, artes y ciencias sociales | 14 de abril de 2026 | Qué educación sigue teniendo valor |
| AI Policy Brief: K-12 Education, MIT RAISE | Propuesta de política pública para el gobierno federal de Estados Unidos, de seis autores | 19 de julio de 2024 | Reglas para la educación básica y media |
| Generative AI, Teaching + Learning Lab | Página índice con ocho enlaces. El contenido está en guías como Generative AI & Your Course | Sin fecha | Recomendaciones prácticas para quien da clase |
Tres precisiones que el resumen no hace. La más antigua de las fuentes es de 2024 y la más reciente de septiembre de 2026: no son una declaración conjunta. La entrevista y la nota de prensa hablan de qué enseñar, no de cómo afecta la IA al aprendizaje. Y las dos cartas remiten a un documento que el resumen no lista: el informe del comité que el MIT formó en enero de 2026, que no revisamos para este artículo y que es la fuente primaria de lo que la institución decidió.
Lo que sí plantean
Las citas son traducción nuestra del inglés.
1. No basta con agregar IA a lo que ya existe. Es la tesis del ensayo de Salazar-Gómez y Sarma: «Atornillar la IA a modelos educativos obsoletos no solo es ineficaz: puede agravar los problemas existentes». Proponen partir de lo que se sabe sobre cómo se aprende: andamiaje, dificultades deseables, aprendizaje activo y metacognición. Y no son ingenuos con la oferta comercial: «muchas de las soluciones de IA que vemos en el mercado tienen, francamente, mucho brillo y poca sustancia».
2. El aula presencial gana importancia. El mismo ensayo la llama «el héroe» del rediseño: el lugar para el acompañamiento, los problemas abiertos y el trabajo en equipo, mientras la transmisión de información ocurre fuera. Su conclusión sobre el control es directa: «las salvaguardas más confiables contra el mal uso de la IA no son algorítmicas, sino humanas».
3. La evaluación se divide en dos. Fuera de clase, evaluaciones formativas y abiertas, con IA permitida. Para calificar, evaluaciones presenciales o supervisadas. El Teaching + Learning Lab añade evaluar el proceso además del producto, con un argumento difícil de rebatir: es mucho más difícil que alguien explique cómo resolvió un problema cuando en realidad no lo resolvió.
4. Cada clase declara su política de uso de IA, visible y razonada desde el primer día. La carta de Kornbluth lo pide junto con volver a enfatizar el aprendizaje práctico, y resume el objetivo así: preparar a los estudiantes para saber «cuándo y cómo usar la IA de forma eficaz, sensata, ética y responsable, y cuándo no usarla en absoluto».
5. No usar detectores de IA. Lo dicen dos fuentes por separado. El documento de RAISE sugiere no confiar en ellos por su alta tasa de falsos positivos, y el Teaching + Learning Lab recomienda «enfáticamente» no usarlos.
6. Ni prohibir ni sustituir docentes. El documento de RAISE rechaza las prohibiciones amplias y también el entusiasmo: «la IA no es un elixir mágico que pueda añadirse a la educación con resultados positivos garantizados», y debe usarse «para mejorar la enseñanza, no para reducir el número de docentes».
7. Lo escaso son los docentes preparados. El piloto del Schwarzman College parte de que material de calidad sobra y lo que falta es profesorado capaz de enseñar IA dentro de su propia disciplina, para que los estudiantes aprendan a cuestionar los modelos y no solo a aplicarlos. Rayo lo lleva más lejos: hacen falta estudiantes que puedan ejecutar tareas y que además tengan «el juicio para determinar qué tareas vale la pena ejecutar».
El estudio del «cerebro con ChatGPT»
El resumen advierte que los riesgos no prueban que la IA reduzca «la actividad cerebral». La frase apunta a un trabajo del MIT Media Lab que no aparece en su lista y que fue noticia en 2025: Your Brain on ChatGPT, de Kosmyna y colaboradores.
Conviene saber qué es. Se trata de un preprint que no ha pasado revisión por pares. Participaron 54 personas que escribieron ensayos con ChatGPT, con un buscador o sin ayuda, mientras se registraba su actividad con electroencefalograma; solo 18 completaron la cuarta sesión. Los autores describen una conectividad más débil en el grupo con ChatGPT y más dificultad para citar el propio ensayo.
Los mismos autores publican una lista de lo que piden no concluir de su trabajo, que incluye «daño», «daño cerebral» y «los LLM hacen que dejes de pensar», y piden tratar los resultados como preliminares. Un comentario crítico de otros investigadores, también sin revisión por pares, estima que la muestra debió ser de unas 159 personas y señala inconsistencias en el reporte.
Es una pista que vale la pena investigar. No es evidencia de que la IA dañe el cerebro, y un artículo que la presente así está diciendo más de lo que dicen sus autores.
Lo que dice la evidencia medida
| Estudio | Diseño | Qué dice | Qué no dice |
|---|---|---|---|
| Bastani et al., PNAS, 2025 | Experimento aleatorizado con cerca de 1 000 estudiantes de bachillerato en Turquía, en matemáticas | Con una interfaz tipo ChatGPT resolvieron 48% mejor la práctica y obtuvieron 17% menos en el examen sin ayuda. Con un tutor con salvaguardas, 127% mejor en la práctica y sin diferencia en el examen | Que el tutor enseñe más que no usar IA: evitó el daño, no superó al grupo de control. Tampoco qué pasa a largo plazo |
| Kestin et al., Scientific Reports, 2025 | Experimento cruzado con 194 estudiantes de física en Harvard | Con un tutor de IA diseñado con principios pedagógicos, la mediana del examen posterior fue 4.5 contra 3.5 en una clase de aprendizaje activo, en 49 minutos contra 60 | Que un chatbot genérico enseñe mejor que un profesor: el tutor llevaba soluciones verificadas y meses de trabajo. Dos lecciones, examen inmediato |
| Shen y Tamkin, Anthropic, 2026 | Experimento aleatorizado con 52 programadores que aprendían una librería nueva. Preprint | Quienes tuvieron asistente de IA obtuvieron 50% en el examen de comprensión contra 67% de quienes no, sin ahorro de tiempo significativo. La mayor brecha fue en depuración | Efectos de largo plazo: es una tarea de una hora |
| Lee et al., Microsoft Research y Carnegie Mellon, CHI, 2025 | Encuesta a 319 trabajadores del conocimiento, con 936 ejemplos de uso | A más confianza en la IA, menos pensamiento crítico reportado; a más confianza en uno mismo, más | Causalidad: los autores lo dicen expresamente. Es autorreporte |
| Roediger y Karpicke, Psychological Science, 2006 | Experimentos de memoria con estudiantes universitarios | Una semana después, quienes se pusieron a prueba recordaban 61% contra 40% de quienes solo releyeron, aunque estos se sentían más seguros | Nada sobre IA: es la base de por qué importa el esfuerzo de recordar |
El experimento de Bastani es el que mejor aísla la pregunta. Los tres grupos siguieron la misma secuencia: repaso del profesor, práctica y examen a libro cerrado. Cambiaba lo que tenían a la mano durante la práctica: el libro, la interfaz abierta o el tutor. Con la interfaz abierta, los estudiantes pedían la solución y la copiaban. El tutor tenía instrucciones de dar pistas mínimas, pedir primero el trabajo del estudiante y no entregar nunca la solución completa, y llevaba escritas por docentes la respuesta correcta y los errores comunes de cada problema.
Hay un detalle más incómodo que la caída de 17%: quienes rindieron peor no percibieron haber aprendido menos. Coincide con el hallazgo de 2006: releer da más seguridad que ponerse a prueba y deja menos memoria. La sensación de avance no es una medida del avance.
El mismo asistente, seis maneras de usarlo
El estudio de Anthropic es el más cercano a lo que hacemos, porque mide a personas que programan. Dentro del grupo con IA, los autores clasificaron cómo la usó cada quien:
| Patrón de uso | Personas | Examen de comprensión |
|---|---|---|
| Generar el código y después pedir que se lo expliquen | 2 | 86% |
| Pedir código con explicación | 3 | 68% |
| Hacer solo preguntas conceptuales y escribir el código por su cuenta | 7 | 65% |
| Delegar todo | 4 | 39% |
| Empezar por su cuenta y terminar delegando | 4 | 35% |
| Depurar pidiéndole a la IA que arregle cada error | 4 | 24% |
Los tres primeros patrones quedaron cerca del 67% del grupo sin IA; los tres últimos, muy por debajo. Son grupos de dos a siete personas y el análisis es observacional: indica dónde mirar, no prueba que el patrón cause el resultado. Pero la dirección coincide con la de Bastani: lo que separa a unos de otros no es usar o no la IA, sino quién hace el trabajo de entender.
Qué hacemos con esto
Para quien aprende a programar:
- Intentar antes de preguntar. El primer intento, aunque falle, es la parte que se retiene.
- Pedir pistas y explicaciones, no soluciones. Es la diferencia entre los dos brazos del experimento de Bastani.
- Depurar por cuenta propia antes de pegar el error en el chat. Es el patrón con el peor resultado del estudio de Anthropic, y la depuración es justo lo que se necesita para revisar código generado.
- Ponerse a prueba sin la herramienta. Si no se puede explicar o reescribir sin ayuda, no se aprendió todavía.
Para quien enseña o diseña un curso:
- Declarar la política de uso de IA de cada actividad y su razón.
- Separar la práctica de la calificación: práctica abierta con IA, evaluación sin ella.
- Evaluar el proceso: pedir el razonamiento, los supuestos y los callejones sin salida.
- No usar detectores de IA.
- Si se ofrece un tutor de IA, diseñarlo: con las soluciones y los errores comunes escritos por quien enseña, y con la instrucción de no entregar la respuesta. En los dos experimentos en que funcionó, los autores describen ese diseño como un trabajo laborioso.
Para una empresa que forma a su gente, la consecuencia es la misma que describimos en La cantera rota: quien termina una tarea con IA no necesariamente aprendió a hacerla, y el criterio para auditar lo que genera la IA sale de haber hecho el trabajo de entender. Lo que eso implica para los planes de estudio lo desarrollamos en Enseñar ingeniería de software cuando la IA programa.
Qué está medido y qué no
| Afirmación | Estado |
|---|---|
| Usar la IA para obtener la respuesta mejora la práctica y empeora el desempeño posterior sin ella | Medido a corto plazo, en matemáticas de bachillerato |
| Un tutor de IA con salvaguardas evita ese daño | Medido en el mismo experimento |
| Un tutor de IA bien diseñado puede superar a una buena clase | Medido en un curso, dos lecciones y con examen inmediato |
| Aprender una herramienta de programación con asistente reduce la comprensión inmediata | Medido en un experimento pequeño, aún sin revisión por pares |
| Quien aprende con IA no nota que aprende menos | Medido en el experimento de Bastani |
| La IA reduce la actividad cerebral o daña el cerebro | No demostrado: un preprint de 54 personas cuyos autores piden no concluirlo |
| Los efectos duran meses o años | No medido: todos los estudios son de corto plazo |
Lo que este artículo no afirma
- No afirma que el MIT tenga una postura única. Son seis documentos de autores, fechas y propósitos distintos, y el propio resumen lo reconoce.
- No afirma que la IA sea mala para aprender. Los mismos experimentos muestran que, diseñada como tutor, no daña y puede ayudar.
- No afirma que los resultados se trasladen a cualquier edad, materia o herramienta. Vienen de matemáticas de bachillerato, física universitaria y una tarea de programación de una hora.
- No revisamos el informe del comité del MIT al que remiten las cartas; lo que decimos de él viene de las cartas que lo presentan.
- No cita las cifras que no pudimos comprobar en la fuente original, aunque circulen mucho.
Fuentes
Publicaciones del MIT, consultadas el 15 de noviembre de 2026:
- Salazar-Gómez y Sarma, AI in Education, MIT Open Learning, julio de 2025 (versión 2, octubre de 2025).
- Kornbluth, AI and education: A watershed moment for MIT, 25 de agosto de 2026; en la misma página, carta de Nobles, Chandrakasan y Levy.
- Diehl, MIT Schwarzman College of Computing launches pilot to help educators teach AI across disciplines, MIT News, 9 de septiembre de 2026.
- Q&A: MIT SHASS and the future of education in the age of AI, MIT News, 14 de abril de 2026.
- DiPaola, Salazar-Gómez, Abelson, Klopfer, Goldston y Breazeal, AI Policy Brief: K-12 Education, MIT RAISE, 19 de julio de 2024.
- MIT Teaching + Learning Lab, Generative AI y Generative AI & Your Course.
Estudios:
- Bastani et al., Generative AI without guardrails can harm learning: Evidence from high school mathematics, PNAS 122(26), e2422633122 (2025). doi:10.1073/pnas.2422633122
- Kestin et al., AI tutoring outperforms in-class active learning, Scientific Reports 15, 17458 (2025). doi:10.1038/s41598-025-97652-6
- Shen y Tamkin, How AI Impacts Skill Formation, arXiv:2601.20245 (2026), preprint.
- Lee et al., The Impact of Generative AI on Critical Thinking, CHI '25. doi:10.1145/3706598.3713778
- Roediger y Karpicke, Test-enhanced learning: Taking memory tests improves long-term retention, Psychological Science 17(3), 249–255 (2006).
- Kosmyna et al., Your Brain on ChatGPT, arXiv:2506.08872 (2025), preprint; limitaciones y preguntas frecuentes de los autores en brainonllm.com.
- Stanković et al., comentario a Kosmyna et al., arXiv:2601.00856, preprint.
- Dixi-Project: La cantera rota y Enseñar ingeniería de software cuando la IA programa (2026).