Cuando escribir deja de probar que pensamos
Más allá de la burocracia evaluativa: el desafío de hacer visible el pensamiento crítico y la metacognición ante la irrupción de la inteligencia artificial
Resumen
Una extrañeza ante un formulario de declaración de uso de inteligencia artificial (IA) es el punto de partida de este artículo. La imagen resulta al mismo tiempo cómica y reveladora: el académico contemporáneo obligado a consignar qué herramienta de IA utilizó, en qué secciones y con qué propósito, en un régimen de transparencia que ninguna tecnología anterior llegó a generar. ¿Qué hay en los modelos de lenguaje de gran escala que merece un trato tan diferente?
El artículo no responde esa pregunta con una defensa ni con una condena. La responde interrogando el síntoma: la exigencia de declaración revela menos una amenaza nueva que una fragilidad antigua. Durante décadas, la academia operó sobre una equivalencia tácita y nunca del todo examinada —texto producido equivale a pensamiento realizado— que la inteligencia artificial no destruyó sino que volvió insostenible. El principal instrumento de evaluación que la escuela y la academia han utilizado durante generaciones queda expuesto como lo que siempre fue: una aproximación conveniente, no una prueba.
Una cierta perplejidad
Acababa de finalizar la redacción de un artículo para una revista académica y había llegado el momento de revisar las instrucciones para publicación. No sin cierta perplejidad, advertí que una vieja bête noire, el plagio, había sido desplazada por otra de porte más ominoso. En efecto, no son infrecuentes hoy pedidos que demandan datos técnicos de las herramientas de inteligencia artificial empleadas, las secciones del texto en que se lo hizo, el propósito y alcance de cada uso y, como si ello fuera poco, una declaración de responsabilidad humana por la veracidad, la fiabilidad y la originalidad de los contenidos.
Con el pensamiento a mitad de camino entre la diversión y el sarcasmo, imaginé por un momento a un estudiante universitario de fines del siglo XV quien, al presentar un trabajo ante la Academia, debía declarar bajo juramento, y apercibimiento de quién sabe qué penas considerables en caso de perjurio, si había leído libros, cuáles, con qué fin, y en qué medida lo que presentaba como propio no era en realidad amalgama de pensamientos ajenos, encerrados entre los caracteres de madera o metal de la entonces escandalosa imprenta.
La perplejidad, la diversión y el sarcasmo no son, sin embargo, puntos de llegada. Los vivo como síntomas. Y como todo síntoma, pienso merecen ser interrogados.
Una asimetría que pide explicación
El primer síntoma que merece atención es precisamente la novedad histórica. A lo largo de siglos de educación formal, creación intelectual y diseminación de conocimiento, las instituciones académicas incorporaron sucesivamente herramientas que transformaron de manera radical las condiciones del trabajo intelectual: la imprenta, la máquina de calcular, la calculadora electrónica, el procesador de textos, la Internet, el corrector automático, el traductor en línea, el gestor de referencias bibliográficas… Ninguna de ellas generó un régimen de declaración obligatoria. Nadie debió consignar en el encabezado de su tesis que había utilizado una calculadora Hewlett-Packard para resolver las ecuaciones del tercer capítulo, ni aclarar que ciertas formulaciones habían sido inicialmente redactadas en inglés y luego traducidas con auxilio de software. El conocimiento producido era juzgado por sus méritos; las herramientas empleadas para producirlo eran, en el mejor de los casos, motivo de curiosidad metodológica, no de juicio moral.
¿Qué ocurre entonces con los modelos de lenguaje de gran escala —los llamados LLMs, o más coloquialmente, las IAs generativas— para que merezcan un trato tan diferente? La respuesta habitual es que se trata de herramientas cualitativamente distintas, capaces de generar texto autónomamente y por tanto de suplantar al autor. Hallo la respuesta parcialmente correcta, pero insuficiente. Y esa insuficiencia es precisamente lo que estimo vale la pena explorar.
La herramienta que cruzó una línea
Hay una diferencia real entre la calculadora y un LLM, y no sería honesto negarlo. La calculadora amplifica una capacidad humana concreta, el cálculo numérico, y devuelve un resultado que nadie confundiría con una elaboración intelectual propia. De igual modo, la Internet amplifica el acceso a la información, pero seleccionar, leer, comprender e integrar esa información sigue siendo una tarea inequívocamente humana, visible en sus rastros y citable en sus fuentes. El procesador de textos agiliza la escritura, pero no escribe.
Un LLM hace algo estructuralmente diferente: genera texto argumentativo, produce síntesis, construye razonamientos, formula conclusiones. Y lo hace en una prosa que, al menos en la superficie, es indistinguible de la prosa humana. La pregunta que surge no es metodológica —¿qué herramienta usaste?— sino, si se quiere, ontológica: ¿quién pensó esto?
Es esta pregunta la que perturba a las instituciones académicas. Y es comprensible que lo haga. Pero lo que resulta menos comprensible, y más revelador, es la índole de la contestación que han elegido: el formulario de declaración. Porque el formulario no responde a la pregunta ontológica; la esquiva. Saber que un autor usó un LLM en la sección de revisión bibliográfica no dice nada sobre si comprendió lo que el LLM produjo, si lo evaluó críticamente, si lo integró con juicio propio o si simplemente lo transcribió con algunos retoques. La declaración registra el uso de una herramienta; no dice nada sobre la calidad del pensamiento que medió entre la herramienta y el texto final.
Lo que la IA rompió y lo que ya estaba roto
Es aquí donde el síntoma se vuelve más interesante. Porque la pregunta que los LLMs instalan con premura —si el texto evidencia pensamiento real— no es una pregunta nueva. Es una pregunta que la academia debería haberse hecho desde siempre y que quizá en buena medida evitó hacerse ante la incomodidad que entrañaba.
Durante décadas, gran parte de la evaluación académica operó sobre una equivalencia implícita, nunca del todo declarada pero omnipresente en la práctica: texto producido = pensamiento realizado.
Un estudiante que entregaba un ensayo formalmente correcto, bien estructurado, con citas pertinentes y conclusiones coherentes, era considerado un estudiante que había comprendido, reflexionado e integrado conocimiento. La escritura era la prueba del pensamiento. No porque esa equivalencia fuera epistemológicamente sólida, sino porque era operativamente conveniente: permitía evaluar a escala, con criterios relativamente objetivos, en tiempos razonables.
Esa equivalencia no ha sido destruida por los LLMs: ha sido exteriorizada por ellos. Un modelo de lenguaje hoy puede producir un ensayo formalmente excelente sobre Kant, sobre el cambio climático o sobre la Revolución Francesa sin que medie comprensión alguna, sin juicio crítico, sin posicionamiento argumental, sin la más mínima elaboración personal. El texto existe; el pensamiento, no necesariamente. Y de pronto, la academia descubre que su principal instrumento de evaluación —la escritura— puede ser ejecutado sin que ocurra el proceso que se suponía certificaba.
La incomodidad es comprensible. Pero la IA no introdujo esa fragilidad en el sistema; preexistía y la heredó de él. En ese sentido, los LLMs funcionan menos como una amenaza externa que como un analizador institucional: un dispositivo que, al presentarse en el sistema, pone de manifiesto sus supuestos ocultos y sus puntos de quiebre.
Y no es el único supuesto que desnuda. La aparición de la IA generativa ilumina de paso otras fragilidades que el sistema prefería no examinar: la obsesión por la originalidad individual en un mundo donde el conocimiento es, y siempre fue, profundamente acumulativo y colaborativo; la crisis de la autoría entendida como acto solitario, cuando en realidad toda producción intelectual es deudora de una red de lecturas, conversaciones e influencias que raramente se declaran con la misma escrupulosidad que se exige ahora para el uso de IA; y la falsa dicotomía entre los pensamientos «humano» y «artificial», cuando el pensamiento humano ha sido siempre pensamiento mediado. Desde el lenguaje mismo —que no inventamos sino que heredamos y que moldea lo que podemos pensar— hasta el papel, la biblioteca, el índice analítico o el motor de búsqueda, pensar ha sido siempre pensar con algo. La IA es el último eslabón de esa larga cadena, no su ruptura inaugural.
El estudiante que declara y el docente que no se pregunta
Hay una escena que vale la pena imaginar con cierto detalle. Un estudiante universitario completa un trabajo con ayuda parcial de un LLM. Redacta su declaración de uso con la diligencia requerida: especifica el modelo utilizado, las secciones involucradas, el propósito de cada consulta. Entrega el trabajo. El docente lo lee, lo evalúa, le asigna una calificación. Nadie, en ningún momento de ese proceso, se pregunta qué ocurrió cognitivamente entre el estudiante y la herramienta que declaró haber usado. Si seleccionó críticamente entre las respuestas del modelo o aceptó la primera que se le ofrecía. Si identificó los sesgos o las simplificaciones del texto generado. Si advirtió cuándo el LLM ofrecía un producto plausible pero equivocado. Si el argumento final sigue siendo, en algún sentido sustantivo, suyo.
La declaración cumplió su función burocrática. La pregunta importante quedó sin formular.
Esto no es una crítica al estudiante ni al docente en particular. Es una observación sobre lo que el sistema eligió preguntar y lo que eligió no preguntar. Y esa elección no es cándida: encierra una desconfianza estructural hacia el estudiante que merece ser examinada. La academia asume, casi por defecto, que el uso de IA por parte del estudiante es sospechoso mientras que su uso institucional —en plataformas de gestión, en sistemas de evaluación automatizada, en flujos editoriales— es simplemente eficiencia administrativa. El mismo instrumento, aplicado asimétricamente según quién lo emplee. No es la primera vez que esto ocurre: durante décadas, la calculadora fue prohibida en exámenes escolares mientras los departamentos de contabilidad de las mismas instituciones la usaban sin restricción alguna. El control de las herramientas cognitivas ha sido siempre, también, una forma de administrar el poder sobre quién produce conocimiento válido y en qué condiciones.
Reconocer esto no equivale a sostener que cualquier uso de cualquier herramienta sea igualmente legítimo en cualquier contexto. Equivale, más modestamente, a advertir que la línea entre regulación pedagógica y desconfianza sistemática es más delgada de lo que los formularios de declaración sugieren.
Y más delgada todavía cuando se advierte que rediseñar las condiciones de evaluación es más costoso, más lento y más incómodo que añadir un ítem al instructivo de publicación. La declaración de uso es, entre otras cosas, la respuesta de menor esfuerzo institucional a una pregunta que exigiría un esfuerzo considerablemente mayor.
Lo que debería importar: la metacognición como evidencia
Si la escritura ya no es prueba suficiente de pensamiento, ¿qué lo es? La respuesta no es sencilla, pero hay una dirección que merece atención: la metacognición, entendida como la capacidad de dar cuenta de los propios procesos de pensamiento.
No se trata de una idea nueva en pedagogía. Desde hace décadas se sabe que aprender a aprender —reflexionar sobre cómo se piensa, no solo sobre qué se piensa— es una de las capacidades más duraderamente valiosas que la educación puede cultivar. Lo que la llegada de la IA generativa hace es conferirle imprescindibilidad renovada a esa idea. Un estudiante que puede explicar por qué aceptó una formulación del LLM y rechazó otra, qué encontró débil en el argumento generado, qué supuestos identificó como cuestionables, qué parte del razonamiento final considera genuinamente suya y por qué, está demostrando algo que ningún modelo de lenguaje puede demostrar por él: supervisión cognitiva, juicio, posicionamiento intelectual propio.
La pregunta evaluativa deja de ser entonces «¿usaste IA?» y pasa a ser «¿qué hiciste cognitivamente con lo que la IA produjo?». Esa es una pregunta mucho más difícil de responder con un formulario. Es también una pregunta mucho más interesante, y mucho más cercana a lo que la educación debería estar evaluando desde siempre.
Conviene, sin embargo, no idealizar esta propuesta. La metacognición como criterio evaluativo enfrenta tensiones reales. La primera es la subjetividad: un estudiante puede describir su proceso de pensamiento de manera elocuente sin que esa descripción refleje una comprensión genuina. El riesgo de reemplazar un formulario por otro, igualmente ritual e igualmente vacío, no es menor. La segunda es la escala: evaluar la dimensión metacognitiva de un trabajo requiere tiempo, atención y criterio que los sistemas masivos raramente están dispuestos a invertir. No es una objeción para abandonar la idea; es una advertencia contra su adopción irreflexiva como solución universal. Las ideas pedagógicas más valiosas suelen ser también las más difíciles de poner en práctica sin desfigurarlas.
Esta reorientación pide, además, algo que los sistemas institucionales raramente se permiten: humildad retrospectiva. El docente que asume seriamente la pregunta metacognitiva debe estar dispuesto a preguntarse también sobre su propia práctica evaluativa anterior. Sobre qué evaluaba realmente cuando pedía un ensayo de tres mil palabras con bibliografía anotada. Sobre si había diseñado condiciones que hicieran visible el pensamiento, o condiciones que hicieran visible la escritura competente. La IA obliga al docente a mirarse como diseñador de evaluación, y ese mirar no siempre es cómodo.
La paradoja institucional
Hay una última ironía que creo merece ser señalada, aunque sea al pasar y con la sonrisa que merece. Las mismas instituciones académicas que exigen declaraciones detalladas de uso de IA incorporan activamente modelos de lenguaje en sus plataformas de gestión, en sus sistemas de detección de plagio —sí, los mismos que ahora ocupan un segundo plano detrás de la nueva bête noire— y en sus propios flujos de trabajo editoriales y administrativos. Algunas revistas científicas utilizan LLMs para hacer evaluaciones previas de manuscritos, tanto como algunas universidades los usan para generar retroalimentación automatizada a estudiantes.
La asimetría es notable: la IA es una amenaza cuando la usa el estudiante; es una herramienta de gestión eficiente cuando la usa la institución. No es necesario desarrollar demasiado este punto. Se sostiene solo.
El síntoma y lo que revela
Vuelvo al punto de partida: la perplejidad ante el formulario de declaración, la imagen del estudiante medieval jurando sobre los libros que leyó, el sarcasmo que busca su fundamento.
Lo que ese sarcasmo señalaba, sin que yo lo hubiera articulado todavía en mi fuero íntimo, es que la exigencia de declarar el uso de IA tiene más de síntoma que de solución. Que es la respuesta de un sistema que percibe una amenaza a su capacidad de certificar el pensamiento, pero que en lugar de revisar los fundamentos de esa certificación, suma una capa burocrática que simula control sin producirlo.
No digo que la transparencia sobre el uso de herramientas sea un valor menor. No lo es y tiene su lugar. Pero si la declaración de uso de IA se convierte en el centro de la respuesta institucional, es probable que estemos mirando el dedo en lugar de la luna.
La cuestión que la IA generativa introduce en el corazón de la educación no es ni tecnológica ni normativa: es epistemológica. ¿Cómo hacemos visible el pensamiento humano cuando la producción de texto ya no lo garantiza? Esa pregunta exige algo más que un formulario. Demanda repensar qué se evalúa, cómo se evalúa y, sobre todo, por qué.
Tal vez la IA no puso en crisis la autoría académica. Quizás puso en crisis nuestra comodidad al asumir que un buen texto era prueba suficiente de buen pensamiento. Si es así, la tarea que no puede aguardar no es detectar inteligencia artificial. Es hallar las condiciones en las que la inteligencia humana se vuelve visible, y rediseñar a partir de ello.
Y tal vez estemos contestes en que esta tarea —rediseñar la evaluación para hacer visible el pensamiento— no puede delegarse en ningún modelo de lenguaje. Pero tampoco puede posponerse: la IA ya está aquí, y con ella, la urgencia de repensar qué significa aprender en el siglo XXI.
