El 3 de septiembre, la empresa estadounidense de inteligencia artificial (IA) OpenAI lanzó un nuevo modelo a gran escala: GPT-6 Astra (en adelante, «Astra»). Según las descripciones oficiales, este modelo integra capacidades como el razonamiento, la programación, el manejo de sistemas informáticos, la investigación y la creación de documentos, centrándose en la resolución de problemas complejos que requieren múltiples pasos. Su lanzamiento ha vuelto a poner sobre la mesa una cuestión largamente debatida: ¿ha llegado ya la era de la Inteligencia Artificial General (AGI)?.
Para la mayoría de las personas, las especificaciones técnicas de los modelos a gran escala probablemente no sean la principal preocupación. El interés se centra más en qué diferencia a esta nueva IA, qué nos permite lograr y cómo transformará nuestra forma de aprender, trabajar y vivir.
Estas preguntas cobran especial relevancia en el ámbito de la educación superior. Completar una carrera universitaria lleva años y, durante la estancia del estudiante en la universidad, la IA puede experimentar transformaciones significativas. ¿A qué tipo de entorno laboral se enfrentarán al graduarse los estudiantes que ingresan hoy?. Si las máquinas se vuelven cada vez más capaces de procesar conocimientos y ejecutar tareas, ¿qué competencias deberían fomentar las universidades en sus alumnos?
La AGI aún no es una realidad confirmada, pero la transformación educativa ya ha comenzado.
Para muchos, ChatGPT se percibe como un interlocutor con un vasto caudal de conocimientos. Astra, sin embargo, marca un cambio de rumbo: se pasa de la mera acción de «responder preguntas» a la de «participar activamente en el trabajo».
Según las especificaciones oficiales, Astra puede integrar materiales y herramientas proporcionados por el usuario para ejecutar tareas secuenciales a través de diversas aplicaciones de software y páginas web, ajustando su enfoque según las necesidades cambiantes. Esto implica que, en un entorno impulsado por la IA, las formas de asistencia que antes estaban fragmentadas en distintas etapas de un proceso se están interconectando cada vez más. Los usuarios pueden asignar a la IA un objetivo que requiera un flujo de trabajo de varios pasos, en lugar de limitarse a solicitar una respuesta única y aislada.
Pensemos, por ejemplo, en la preparación de una clase magistral. Un profesor podría facilitar el tema, el perfil de la audiencia, los documentos de referencia y las limitaciones de tiempo, y luego pedir a Astra que ayude a organizar los materiales, comparar puntos de vista, elaborar un esquema y recopilar el contenido para crear apuntes o una presentación. Este enfoque consolida múltiples etapas de trabajo —que antes requerían cambios constantes de contexto— en una tarea única y unificada. Además, al presentar a Astra, la empresa destaca no solo su capacidad para generar resultados, sino también su aptitud para revisar dichos resultados y continuar trabajando a partir de la retroalimentación del usuario.
Bajo esta perspectiva, el valor de Astra reside en su capacidad para ofrecer asistencia inteligente a más personas a lo largo de diversas etapas de su trabajo. Esto conlleva una posible reducción de las barreras técnicas entre las ideas de una persona y su materialización real.
¿Significa esto, entonces, la llegada de la era de la AGI (Inteligencia Artificial General)?.
Para responder a esto, primero es preciso comprender el significado de «General» en el término «Inteligencia Artificial General» (AGI). Este concepto implica que las capacidades de la IA pueden trascender tareas específicas y aplicarse a diversos campos y contextos.
En el pasado, los sistemas de IA conocidos poseían fortalezas especializadas propias. Un programa que destacaba en juegos de mesa no necesariamente podía analizar una novela; una herramienta experta en traducción no necesariamente podía ayudar a diseñar experimentos. La AGI, en cambio, se refiere a un sistema capaz de aplicar conocimientos a una amplia gama de tareas: aprender, comprender y idear soluciones incluso ante problemas desconocidos.
Los modelos avanzados actuales pueden gestionar una variedad creciente de tareas, lo que alimenta grandes expectativas en torno a la AGI. No obstante, persiste el debate sobre si estos sistemas cumplen realmente con los criterios de la AGI. Factores como la fiabilidad ante situaciones inéditas, la consistencia en la calidad durante periodos prolongados de funcionamiento y la capacidad para corregir errores de manera eficaz influyen en nuestra evaluación.
En consecuencia, basándonos en la información oficial verificable actualmente, no podemos afirmar categóricamente que Astra haya alcanzado la AGI. Sin embargo, la AGI no debe concebirse simplemente como una máquina omnisciente e infalible que aparece de repente un buen día. El surgimiento de una era tecnológica suele ser un proceso gradual, caracterizado por mejoras incrementales en las capacidades y por la evolución de los patrones de uso entre el público.
Sin embargo, cuando el debate se traslada al ámbito universitario y de la educación superior, es preciso hacer una distinción fundamental: confirmar la existencia de la AGI es una cuestión distinta a determinar si la educación superior necesita transformarse.
Una universidad no pierde todo su valor simplemente porque se lance un nuevo modelo, ni podemos asumir que los métodos de enseñanza actuales siguen siendo viables solo porque el estatus de la AGI sigue siendo objeto de debate. Mientras los estudiantes puedan utilizar la IA para completar tareas que antes requerían un esfuerzo independiente, y mientras el mundo profesional comience a exigir la colaboración con estos sistemas, las universidades deben replantearse sus objetivos educativos y sus planes de estudio.
A mi juicio, el mayor riesgo para la educación superior es permitir que el debate sobre la «madurez tecnológica» se convierta en una excusa para retrasar las medidas educativas necesarias. El futuro no siempre llega en una fecha concreta y claramente definida; más bien, se integra gradualmente en la vida cotidiana de la universidad, ya sea a través de un trabajo estudiantil, la preparación de una clase por parte del profesor o la organización de datos por parte de un investigador.
Cuanto más fácil resulta obtener respuestas, más deben priorizar las universidades el desarrollo de habilidades.
El 28 de julio de este año publiqué un artículo en esta columna titulado «Prohibir la IA en el aula es el verdadero riesgo para la educación», en el que analizaba cómo las universidades pueden ayudar a los estudiantes a comprender y utilizar la IA. Los avances recientes —como los demostrados por Astra— han llevado la cuestión un paso más allá: cuando la IA es capaz de gestionar tareas más complejas, ¿cómo deben determinar las universidades lo que los estudiantes han aprendido realmente?.
En el pasado, cuando los docentes veían un ensayo bien argumentado o un informe exhaustivamente analizado, solían concluir que el estudiante dominaba los conocimientos pertinentes. Hoy en día, sin embargo, ese mismo resultado puede reflejar una combinación del esfuerzo del estudiante y la asistencia de la máquina, o incluso ocultar lagunas en la comprensión del alumno. Ya no es posible equiparar sin más la calidad del trabajo con la competencia real del estudiante.
Esto no significa, no obstante, que los resultados de la colaboración entre humanos e IA carezcan de valor. La capacidad de definir una tarea con claridad, comparar diferentes enfoques, corregir errores del sistema y generar resultados fiables es, precisamente, el tipo de habilidad que merece la pena cultivar. El desafío reside en determinar si los estudiantes son capaces de explicar los principios subyacentes, responder a preguntas de seguimiento y emitir nuevos juicios cuando cambian las condiciones.
En otras palabras, la educación debe evaluar no solo hasta dónde pueden llegar los estudiantes con la ayuda de herramientas, sino también si han desarrollado las capacidades fundamentales que impulsan su progreso.
Desde una perspectiva positiva, una IA cada vez más potente ofrece nuevas oportunidades para la enseñanza. Los estudiantes de una misma clase poseen distintos niveles de conocimientos, ritmos de comprensión y dificultades específicas, lo que dificulta que los docentes repitan las explicaciones para todos por igual. Sin embargo, una tutoría basada en IA bien diseñada puede explicar conceptos desde diversos ángulos, plantear preguntas de seguimiento basadas en las respuestas de los alumnos y ofrecer práctica adicional a aquellos estudiantes que quizás sean demasiado tímidos para hacer preguntas en clase.
El papel del docente también evolucionará. Al contar con mayor ayuda para las explicaciones repetitivas y la preparación de materiales, los profesores podrán dedicar más energía a observar cómo piensan los alumnos, identificar problemas que suelen pasar por alto, facilitar debates complejos y ofrecer orientación específica. El tiempo ahorrado gracias a la tecnología debería reinvertirse en los estudiantes, en lugar de servir de pretexto para aumentar el tamaño de las clases o la carga de trabajo.
No obstante, las instituciones educativas no deben reducir la formación en los fundamentos a consecuencia de ello. Difícilmente puede juzgar si una interpretación se aleja del texto original alguien que no conoce la obra literaria; del mismo modo, quien carece de una base matemática podría no detectar errores en una respuesta. El juicio crítico requiere una base de conocimientos. Si se prescinde de la lectura, la práctica y el razonamiento independiente, el acto de «revisar los resultados de la IA» puede acabar reduciéndose a confiar simplemente en una expresión fluida.
Los métodos de evaluación también deben adaptarse en consecuencia. Algunas tareas permiten aprovechar al máximo la IA, evaluando cómo los estudiantes organizan la colaboración y verifican los resultados; otras etapas requieren debates presenciales, redacción independiente o práctica directa para confirmar que los alumnos realmente dominan las habilidades necesarias. Queda una pregunta más crítica: tras un tiempo y con un contexto diferente, ¿son capaces los estudiantes de expresar sus ideas con claridad y realizar las tareas?.
Las instituciones también deben plantearse seriamente si los estudiantes reciben comentarios que realmente aborden sus procesos de pensamiento tras entregar sus trabajos. Si los alumnos delegan la redacción en la IA mientras los profesores delegan la evaluación en ella, el intercambio se limita a textos cada vez más pulidos, sin que ninguna de las partes se implique realmente en las ideas de la otra; tal enseñanza, por muy eficiente que sea, difícilmente cumple la misión de la educación.
El valor fundamental de la educación universitaria reside en el crecimiento del estudiante. Los docentes deben distinguir cuidadosamente entre utilizar máquinas para ayudar a los alumnos a completar tareas y utilizarlas para ayudarles a crecer a través del proceso de realización de dichas tareas.
La tecnología altera la lógica operativa de las universidades.
Resulta claramente insuficiente considerar el impacto de herramientas como Astra únicamente en términos de una preparación de clases más rápida o de la mayor dificultad para calificar las tareas. Las capacidades que estas herramientas fomentan podrían influir también en la forma de realizar investigaciones, en el desarrollo de los jóvenes y en cómo las universidades demuestran su valor.
En primer lugar, más personas podrían tener la oportunidad de participar en actividades de investigación. Para los docentes que no cuentan con grandes equipos, la organización inicial de materiales multilingües, la codificación y el procesamiento de datos suelen plantear obstáculos para poner en marcha proyectos. A medida que la asistencia para estas etapas se vuelve más accesible, los equipos más pequeños pueden intentar abordar problemas de mayor complejidad. Además, al reducirse las barreras lingüísticas y de comunicación colaborativa, las universidades que poseen recursos locales únicos pueden participar más fácilmente en colaboraciones internacionales.
Sin embargo, el hecho de que realizar investigaciones sea más sencillo no garantiza un aumento en la investigación de valor. Si bien la IA puede ayudar a organizar materiales rápidamente, las preguntas verdaderamente significativas siguen requiriendo que los investigadores las descubran. Si las universidades continúan evaluando al profesorado principalmente por el volumen de publicaciones, las ganancias de eficiencia derivadas de la tecnología podrían desperdiciarse en una proliferación de temas similares y argumentos repetitivos. Las universidades deben garantizar que la investigación basada en fuentes primarias, la argumentación rigurosa y la indagación a largo plazo reciban el reconocimiento adecuado.
En segundo lugar, es necesario rediseñar la trayectoria mediante la cual los jóvenes se convierten en expertos. Tareas que parecen aptas para ser delegadas a las máquinas —como recopilar información, verificar citas, redactar manuscritos y depurar código— son a menudo los mismos procesos a través de los cuales los individuos desarrollan su criterio profesional. Aquellas etapas que a los docentes experimentados pueden resultarles tediosas son, precisamente, donde los principiantes adquieren una experiencia esencial.
Si el futuro exige expertos capaces únicamente de revisar resultados generados por IA, sin ofrecer a los jóvenes suficientes oportunidades de práctica, ¿de dónde surgirá la próxima generación de expertos?. Este es un riesgo que merece ser considerado desde ahora. Las universidades y los empleadores deben colaborar para incentivar a los estudiantes a completar primero las etapas esenciales de forma independiente antes de utilizar la IA para ampliar la tarea, demostrando así sus propias decisiones a través de la práctica. Aunque los estudiantes pueden recibir mayor apoyo para su desarrollo, la experiencia auténtica sigue siendo indispensable.
Asimismo, la equidad educativa podría verse comprometida, dando lugar a nuevas disparidades. Algunos estudiantes podrían acceder a sistemas superiores y recibir orientación detallada de sus instructores, mientras que otros —aunque también utilicen IA— dependerían principalmente de respuestas generadas automáticamente. A primera vista, todos disponen de herramientas similares; sin embargo, las experiencias educativas sustantivas que obtienen pueden diferir enormemente. Por ello, las universidades no solo deben proporcionar una infraestructura tecnológica adecuada, sino también salvaguardar la interacción genuina entre docente y estudiante. Es crucial evitar un escenario en el que «los estudiantes con mayores recursos disfruten de un acceso exclusivo al apoyo combinado de IA y profesor, mientras que los estudiantes con menos recursos reciban únicamente respuestas de máquinas».
Por último, las universidades deben preservar su capacidad de juicio y toma de decisiones. Basar la enseñanza, la investigación y la administración en plataformas inteligentes implica mucho más que la simple adquisición de software; conlleva considerar aspectos como el uso de datos, la sostenibilidad de los servicios y la relación costo-beneficio. Si bien la IA puede facilitar procesos como la admisión, la ayuda financiera y la evaluación del profesorado, las universidades deben seguir fundamentando sus decisiones y asumiendo la responsabilidad de las mismas.
Desde esta perspectiva, las cuestiones más relevantes sobre el desarrollo de sistemas inteligentes no giran en torno al volumen de servicios contratados o cursos lanzados, sino a las capacidades específicas que se fomentan en docentes y estudiantes, así como a los desafíos educativos que estas inversiones permiten abordar eficazmente.
En resumen, aunque sigue abierto el debate sobre si «Astra» representa la materialización de la Inteligencia Artificial General (IAG), es innegable que la forma en que la IA se integra en el trabajo intelectual y en la vida cotidiana está cambiando; una transformación a la que la educación superior debe responder con criterio y reflexión. Las universidades pueden comenzar implementando cursos específicos y tareas basadas en situaciones reales, organizando pruebas piloto con el profesorado, observando el aprendizaje de los estudiantes y comparando la eficacia de distintos enfoques antes de ajustar gradualmente sus métodos pedagógicos y de evaluación. Al combinar un espíritu entusiasta de exploración con la paciencia necesaria para ejercer un juicio sensato sobre las nuevas tecnologías, podremos convertir las nuevas posibilidades en un auténtico progreso educativo.
La universidad del futuro no solo debe mostrar a los estudiantes cómo cambia el mundo, sino también dotarlos de la capacidad para participar en ese cambio. A medida que las máquinas asumen tareas que antes realizaban los seres humanos, las universidades adquieren una mayor responsabilidad: ayudar a cada individuo a convertirse en alguien capaz de comprender el mundo, tomar decisiones fundamentadas y contribuir al bienestar de los demás. Este es el objetivo último que debemos defender en nuestros debates sobre la IAG y la educación superior.
