Cuando la IA hace las tareas pero no hay aprendizaje real

Hay una conversación sobre IA en educación que me interesa bastante menos que el problema real que tengo delante cada semana.

No me preocupa debatir si la IA es buena o mala en abstracto. Me preocupa detectar cuándo un alumno aparentemente produce mucho, pero en realidad no está construyendo ninguna comprensión sólida.

Lo estoy viendo tanto en grado medio como en grado superior.

Y precisamente por eso lo planteo como diagnóstico docente, no como un discurso anti-IA. El problema no es que exista una herramienta potente. El problema es qué pasa cuando se usa para entregar antes de haber entendido.

El patrón que se repite#

Las tareas entregadas parecen de 9 o de 10, pero cuando llega el examen aparecen notas de 2 o de 3.

No es un caso aislado ni una intuición difusa. Empieza a ser un patrón observable en distintos grupos, niveles y módulos: entregas limpias, respuestas razonables, una sintaxis sorprendentemente correcta y, después, una incapacidad clara para sostener ese mismo nivel cuando el alumno tiene que explicar, adaptar o reconstruir la solución por sí mismo.

Ese desfase no es una anécdota: es una señal bastante fiable de que hay un problema de aprendizaje real y también de autoría.

Cuando la producción escrita o el código parecen impecables pero el razonamiento oral, la transferencia y la resolución autónoma se desploman, el indicador ya no es solo académico. Es metodológico. Algo en la forma de trabajar está sustituyendo el aprendizaje en lugar de apoyarlo.

El diagnóstico correcto no es moral, es pedagógico#

Sería muy fácil reducir esto a una conclusión superficial: “la IA hace trampas”. Pero eso no explica nada útil. Tampoco ayuda a rediseñar tareas, revisar criterios o enseñar mejores hábitos.

La pregunta relevante es otra: ¿qué tipo de evidencias estoy pidiendo para saber si ese trabajo es realmente del alumno y si el proceso le está dejando aprendizaje transferible?

Si la única señal de éxito es una entrega final pulida, la herramienta puede ocultar el vacío. Si además pides decisiones intermedias, justificación, revisión y defensa de lo entregado, el maquillaje aguanta mucho menos.

Qué conclusión saco por ahora#

La conclusión no es prohibir la IA, sino exigir criterio, método de trabajo y evidencias de comprensión.

Eso implica cambiar cómo planteamos parte de las actividades, cómo evaluamos y qué señales aceptamos como prueba suficiente de aprendizaje. También implica enseñar explícitamente que usar IA no equivale a entender la respuesta que devuelve.

La solución concreta que quiero implantar el año que viene merece otro artículo; aquí me interesa cerrar bien el diagnóstico.

Porque antes de hablar de soluciones hay que aceptar el problema con claridad: una tarea brillante no demuestra nada si el conocimiento desaparece en cuanto quitamos el apoyo externo.