Profesora Catedrática Distinguida del Departamento de Estudios Educacionales Directora del Centro de Educación y Formación para la Empleabilidad. The Ohio State University. Columbus, Ohio, USA
Palabras clave: RED, Inteligencia artificial, grandes modelos lingüísticos, chatbots, agentes de IA
La “inteligencia artificial” parece estar hoy en todas partes: en el marketing, en los medios de comunicación y en la etiqueta, cada vez más omnipresente, de “impulsado por IA”, aplicada a herramientas tan diversas como filtros de correo no deseado, editores de fotografía, sistemas de recomendación, chatbots o grandes modelos lingüísticos. Sin embargo, esta expansión del término no es solo un exceso lingüístico, tiene consecuencias reales y, en educación, dichas consecuencias se amplifican.
Introducir sin suficiente claridad conceptual el término “inteligencia artificial” en contextos de aprendizaje, puede llevarnos a formar de manera inadecuada al alumnado al que, precisamente, pedimos que utilice estas herramientas de forma responsable. Si el profesorado debe orientar al alumnado en el uso seguro, ético y eficaz de estos sistemas, resulta indispensable debatir con honestidad qué es la inteligencia artificial y, de forma igualmente importante, qué no es.
El problema no es únicamente técnico, también es pedagógico, ético y conceptual. Cuando describimos una herramienta como “inteligente”, sugerimos implícitamente que puede comprender, juzgar, enseñar o incluso ejercer algún tipo de autoridad pedagógica. Cada una de estas atribuciones resulta discutible, los sistemas actualmente denominados “inteligentes” no piensan, no comprenden ni poseen intencionalidad. Operan mediante el reconocimiento estadístico de patrones a partir de datos generados por seres humanos. Esta distinción es esencial para evitar que el lenguaje oculte dónde se produce realmente el trabajo cognitivo.
La inteligencia humana como punto de partida, no como resultado
El término inteligencia deriva del latín intelligentia, vinculado a intelligere, que significa comprender o percibir. Desde su origen, el concepto remite a la capacidad de discernir, establecer relaciones e interpretar significados. Históricamente, no se aplicaba a herramientas o mecanismos, sino a seres conscientes y dotados de razón. Por ello, cuando trasladamos este término a sistemas computacionales, no realizamos un gesto lingüístico neutral. Importamos siglos de significado filosófico a tecnologías que no poseen conciencia, experiencia vivida ni juicio propio.
Pierre Lévy ha señalado que la llamada inteligencia artificial no debe entenderse como una inteligencia autónoma, sino como una forma de movilización de la memoria colectiva. En sus términos, la IA neuronal “sintetiza y moviliza la memoria común acumulada a lo largo de los siglos” y, lejos de ser autónoma, “extiende y amplifica una inteligencia colectiva estigmérgica” (Lévy, 2025, p.13). Desde esta perspectiva, la inteligencia humana no es el producto de estas herramientas, sino la condición previa para su uso significativo. Cuanto más rica sea la base de conocimientos del aprendiz, más productiva podrá ser su interacción con los sistemas computacionales.
Esta idea se alinea con la crítica de Hubert Dreyfus (1992) a la inteligencia computacional. Para Dreyfus, la inteligencia humana es encarnada: emerge de la experiencia vivida, de la presencia física y de la comprensión situada del mundo. Las máquinas pueden procesar reglas, patrones y regularidades estadísticas, pero carecen de la comprensión intuitiva y contextual que caracteriza a la experiencia humana. Del mismo modo, Kate Crawford (2021) recuerda que estos sistemas tampoco son plenamente “artificiales”, puesto que dependen de infraestructuras materiales, recursos naturales, datos producidos por personas y trabajo humano frecuentemente invisible.
El riesgo de hablar de “co-inteligencia”
En los últimos años se han popularizado expresiones como “co-inteligencia” o “co-creación” para describir la relación entre humanos y sistemas de IA. Aunque estas formulaciones resultan atractivas, también pueden ser problemáticas. El prefijo “co-” sugiere simetría, colaboración equivalente o agencia compartida. Sin embargo, la inteligencia humana y el procesamiento realizado por sistemas computacionales no son equivalentes.
Los seres humanos aportan experiencia encarnada, juicio ético, emoción, responsabilidad, conciencia e intencionalidad. Los sistemas computacionales aportan reconocimiento estadístico de patrones. Pueden generar textos, imágenes, respuestas o recomendaciones, pero no originan significado por sí mismos. El significado sigue siendo producido, interpretado y evaluado por seres humanos.
Sherry Turkle (2026) ha advertido sobre un riesgo similar al analizar lo que denomina “intimidad artificial”. Los sistemas conversacionales pueden simular empatía sin experimentarla, y las personas pueden atribuirles comprensión cuando esta no existe. En educación, esta confusión puede tener consecuencias importantes: podemos terminar otorgando autoridad pedagógica a sistemas que no comprenden al alumnado, no interpretan su contexto vital y no asumen responsabilidad por sus respuestas.
No toda IA es generativa
Otra fuente frecuente de confusión es la tendencia a usar el término inteligencia artificial como si fuera sinónimo de herramientas como ChatGPT. Sin embargo, no todos los sistemas de IA generan contenido. Durante décadas, muchas tecnologías educativas han utilizado formas de IA discriminativa, orientadas a clasificar, predecir, recomendar o seleccionar entre opciones ya existentes. Los sistemas de tutoría inteligente, las plataformas de aprendizaje adaptativo, las herramientas de calificación automatizada o los modelos de predicción del éxito estudiantil son ejemplos de tecnologías diseñadas principalmente para apoyar decisiones.
La IA generativa funciona de manera diferente, no se limita a clasificar información o recomendar una acción, sino que produce nuevos resultados a partir de patrones aprendidos en grandes conjuntos de datos. Herramientas como ChatGPT, Claude o Gemini pueden generar texto, imágenes, código, explicaciones, ejemplos y otros contenidos en respuesta a una indicación. En educación, este cambio modifica la naturaleza de la interacción: el sistema deja de parecerse únicamente a una herramienta de apoyo a la toma de decisiones y se aproxima más a un sistema generativo capaz de ayudar a redactar, revisar, simular, explicar y crear materiales.
Esta diferencia importa, la IA discriminativa apoya decisiones y la IA generativa apoya procesos de creación. Confundir ambas categorías puede llevarnos a formular preguntas inadecuadas, sobrestimar lo que un sistema puede hacer o pasar por alto los momentos en los que el juicio humano resulta imprescindible.
Fuente de la imagen: Pixabay
LLM, chatbots y agentes: términos que no son equivalentes
Una vez que la IA generativa entra en la conversación, aparecen otro término, grandes modelos lingüísticos o LLM, por sus siglas en inglés. Un LLM es un tipo específico de IA generativa diseñado para trabajar con el lenguaje. Está entrenado con grandes colecciones de textos y predice secuencias probables de palabras. Dicho de manera sencilla, funciona como un motor avanzado de completado textual. Esta explicación no disminuye su potencia, pero ayuda a situarla correctamente.
También conviene distinguir entre chatbots y agentes de IA. Un chatbot es, ante todo, una interfaz conversacional que se define por la manera en la que las personas interactúan con el sistema, generalmente mediante texto o voz. Sin embargo, un agente de IA se define, no tanto, por cómo se comunica y más por lo que puede hacer: recibir objetivos, utilizar herramientas, completar múltiples pasos, mantener memoria y adaptar sus resultados durante el proceso.
En educación, esta diferencia es relevante. Un chatbot puede responder a la pregunta “¿cómo puedo diseñar esta lección?”, mientras que un agente de IA puede ir más allá y elaborar materiales didácticos, generar evaluaciones, organizar documentos o preparar resúmenes. A medida que estos sistemas parecen más capaces de actuar, la necesidad de precisión conceptual se vuelve más urgente.
Hacia una terminología más honesta
Si el lenguaje configura la comprensión, reconsiderar la terminología se convierte en una exigencia ética. En lugar de preguntarnos únicamente “¿cómo enseñamos con inteligencia artificial?”, podríamos preguntarnos “¿cómo enseñamos al alumnado a relacionarse críticamente con sistemas de reconocimiento estadístico de patrones?”.
Algunos términos alternativos pueden ayudarnos a pensar con mayor precisión: “Interfaz de memoria colectiva” subraya que estos sistemas proporcionan acceso al conocimiento humano acumulado, sin generar inteligencia propia; “Amplificador cognitivo” destaca su capacidad de ampliar procesos humanos sin sustituirlos; “Asistente de conocimiento” sitúa la agencia en el aprendiz, no en la herramienta y “Herramienta de apoyo al pensamiento” recuerda que estos sistemas pueden apoyar la reflexión, pero no deben reemplazarla.
Ninguno de estos términos resuelve por completo un debate tan complejo. Sin embargo, todos apuntan en una dirección necesaria: describir mejor qué son estas herramientas, qué hacen, qué no hacen y qué tipo de responsabilidad humana sigue siendo imprescindible en su uso educativo.
El objetivo no es disminuir el valor de las tecnologías genéricamente llamadas “inteligentes”, de hecho, son herramientas eficaces, poderosas y valiosas. El objetivo es describirlas con precisión y rigor, de una manera que preserve la agencia, la responsabilidad y la comprensión humanas.
La terminología que elijamos no debería atribuir a estos sistemas un estatus que no poseen. Debería aclarar su función, reconocer sus límites y reafirmar aquello que ningún sistema computacional puede sustituir: el ser humano vivo, pensante y sensible que se sitúa en el centro de todo acto significativo de aprendizaje.
Referencias
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
Dreyfus, H. L. (1992). What computers still cannot do: A critique of artificial reason (Rev. ed.). MIT Press.
Lévy, P. (2025). Simbolismo, cultura digital e inteligencia artificial. Revista de Educación a Distancia (RED), 25(81). https://doi.org/10.6018/red.630211
Turkle, S. (2026). Artificial intimacy: Who we become when we talk to machines. Little, Brown and Company.
Artículo original en Revista de educación a distancia RED:
Correia, A. P. (2026). Repensar la inteligencia: una reconsideración crítica del concepto de “inteligencia artificial”. Revista de Educación a Distancia, 26 (84). http://dx.doi.org/10.6018/red.718961
Cómo citar esta entrada:
Correia, Ana Paula. (2026). Repensar la inteligencia: por qué necesitamos hablar con más precisión de la “inteligencia artificial” en educación. Aula Magna 2.0 [Blog]. https://cuedespyd.hypotheses.org/22421
OpenEdition le sugiere que cite este post de la siguiente manera:
Aula Magna 2.0 (3 de julio de 2026). Repensar la inteligencia: por qué necesitamos hablar con más precisión de la “inteligencia artificial” en educación. Aula Magna 2.0. Recuperado 13 de agosto de 2026 de https://doi.org/10.58079/16iuj