Oct/25 En esta ocasión, Vargas Cano, consultor de Tecnología Educativa, muestra cómo la inteligencia artificial puede estructurar modelos pedagógicos universitarios si se integra éticamente, potenciando pensamiento crítico, creatividad y equidad. https://edutechiacol.odoo.com/
La transformación digital ha reconfigurado profundamente los procesos educativos, y la educación superior se encuentra en un punto de inflexión donde la inteligencia artificial (IA) emerge no solo como una herramienta auxiliar, sino como un posible eje estructurante de nuevos modelos pedagógicos. Antes de explorar esta posibilidad, es esencial delimitar qué se entiende por “modelo pedagógico” y cuáles son sus fundamentos teóricos y prácticos.
Un modelo pedagógico puede definirse como un marco organizado que integra teorías del aprendizaje, principios curriculares, estrategias didácticas y formas de evaluación en torno a una visión coherente del conocimiento, del estudiante y del rol del docente. Como señala Biggs (2003), un modelo pedagógico efectivo debe alinear intencionalmente los objetivos de aprendizaje, las actividades de enseñanza y los métodos de evaluación —lo que él denomina “alineamiento constructivo”. De manera similar, Shulman (1987) enfatiza que la pedagogía universitaria no puede reducirse a la transmisión de contenidos, sino que debe considerar el “conocimiento pedagógico del contenido”, es decir, la capacidad del docente para transformar su disciplina en experiencias significativas para los estudiantes.
A lo largo del siglo XX y principios del XXI, los modelos pedagógicos universitarios han evolucionado desde enfoques transmisivos hacia paradigmas centrados en el aprendizaje activo. El constructivismo social de Vygotsky, el aprendizaje basado en problemas (Barrows, 1986), el enfoque por competencias (Pellegrino & Hilton, 2012) y el aprendizaje autorregulado (Zimmerman, 2002) han redefinido el rol del estudiante como agente activo en la construcción de su conocimiento. Estos modelos comparten una premisa fundamental, la cual es fundamental y no debe ser menospreciada: el aprendizaje es un proceso contextualizado, interactivo y profundamente humano.
En América Latina, y particularmente en Colombia, esta evolución ha estado marcada por esfuerzos institucionales y académicos por articular la innovación pedagógica con los desafíos sociales y culturales propios de la región. Instituciones como la Universidad de los Andes, la Universidad Nacional de Colombia y la Pontificia Universidad Javeriana han liderado procesos de renovación curricular basados en competencias, aprendizaje experiencial y enfoques interdisciplinarios. El Ministerio de Educación Nacional (2017), a través del Marco Nacional de Cualificaciones, ha impulsado un enfoque por competencias que busca alinear la formación universitaria con las demandas del desarrollo sostenible y la equidad social. Además, investigadores como Ramírez (2020), del Centro de Estudios en Educación Superior de la Universidad de Antioquia, han destacado la importancia de modelos pedagógicos que incorporen la interculturalidad, la sostenibilidad y la responsabilidad social como ejes transversales —una perspectiva profundamente latinoamericana que enriquece los debates globales sobre la educación del siglo XXI.
En este escenario, la pregunta central es si la inteligencia artificial puede trascender su función instrumental y convertirse en el núcleo de un nuevo modelo pedagógico universitario. La respuesta apunta a distinguir entre usar la IA y centrar un modelo en ella. Hoy en día, la IA ya se emplea ampliamente en la educación superior: sistemas adaptativos personalizan rutas de aprendizaje; chatbots ofrecen soporte académico 24/7; algoritmos analizan patrones de deserción o bajo rendimiento; y modelos de lenguaje generativo asisten en la retroalimentación de ensayos. Estas aplicaciones, aunque valiosas, operan dentro de modelos pedagógicos preexistentes.
Centrar un modelo en la IA implica algo más profundo: repensar los fundamentos epistemológicos y éticos de la enseñanza universitaria a la luz de las capacidades y límites de los sistemas inteligentes. ¿Qué significa “aprender” cuando una IA puede sintetizar literatura, resolver ecuaciones diferenciales o simular debates filosóficos en segundos? ¿Qué competencias deben priorizarse cuando el acceso al conocimiento ya no es un cuello de botella, sino su discernimiento crítico? Autores como Buckingham (2019) y Williamson (2017) advierten que la lógica algorítmica tiende a privilegiar la eficiencia sobre la reflexión, la cuantificación sobre la cualidad y la predicción sobre la creatividad. Un modelo pedagógico genuino debe resistir estas tendencias tecnicistas.
No obstante, también existen propuestas que buscan una integración más equilibrada. Luckin et al. (2016), en su informe Intelligence Unleashed, proponen un “ecosistema de aprendizaje aumentado”, donde la IA actúa como compañero cognitivo que libera al estudiante y al docente de tareas repetitivas, permitiéndoles concentrarse en el pensamiento crítico, la ética y la innovación. En Colombia, esta visión comienza a materializarse en iniciativas como el Laboratorio de Innovación Educativa de la Universidad de los Andes, que explora el uso pedagógico de la IA en cursos de humanidades y ciencias sociales, o el proyecto “Aprendizaje Autónomo con Apoyo de IA” de la Universidad EAFIT, que combina tutoría humana con retroalimentación algorítmica para fortalecer la autorregulación del aprendizaje. Asimismo, la Red de Innovación Educativa de las Universidades Colombianas (RIEUC), promovida por el Consejo Nacional de Educación Superior (CESU), ha comenzado a generar lineamientos éticos y pedagógicos para la incorporación responsable de la IA en los currículos.
Recomendaciones para universidades latinoamericanas
Con base en estas experiencias, se proponen las siguientes recomendaciones prácticas para instituciones de educación superior en la región:
1º Formar docentes en alfabetización algorítmica y ética de la IA, no solo en el uso técnico de herramientas, sino en su análisis crítico desde una perspectiva pedagógica.
2º Diseñar currículos híbridos que integren la IA como recurso transversal, especialmente en disciplinas no técnicas, para fomentar el pensamiento crítico
sobre su impacto social.
3º Establecer comités de ética educativa en IA que supervisen la implementación de sistemas algorítmicos, garantizando transparencia, equidad y protección de datos.
4º Promover alianzas regionales —como la RIEUC— para compartir buenas prácticas, desarrollar plataformas locales y evitar la dependencia tecnológica de actores extrarregionales.
5º Evaluar el impacto pedagógico de la IA mediante investigación-acción, priorizando indicadores cualitativos (participación, reflexión, creatividad) junto con los cuantitativos.
Estas acciones permitirían que la IA se incorpore no como una imposición externa, sino como un aliado en la construcción de una educación superior más inclusiva,
crítica y contextualizada.
Dicho lo anterior, es posible diseñar, construir e incorporar un modelo pedagógico universitario centrado en la inteligencia artificial, pero solo si se entiende a la IA
como un medio para potenciar —no reemplazar— las capacidades humanas esenciales: el juicio ético, la empatía, la creatividad y el pensamiento crítico. El reto no es tecnológico, sino pedagógico y filosófico: definir qué tipo de seres humanos queremos formar en la era algorítmica. La universidad del futuro, especialmente en América Latina, no se medirá por su capacidad de adoptar IA, sino por su sabiduría para integrarla en un proyecto educativo profundamente humano, crítico y comprometido con la transformación social.
Referencias
Barrows, H. S. (1986). A taxonomy of problem-based learning methods. Medical Education, 20(6), 481–486. https://doi.org/10.1111/j.1365-2923.1986.tb00784.x
Biggs, J. (2003). Teaching for quality learning at university (2nd ed.). Society for Research into Higher Education & Open University Press.
Buckingham, D. (2019). The rise of the “datafied” child: Rethinking children’s rights in the digital age. En E. L. Marshman & S. R. Pacheco (Eds.), Children and media: A global perspective (pp. 23–38). Peter Lang.
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
Ministerio de Educación Nacional [MEN]. (2017). Marco Nacional de Cualificaciones – Colombia. https://www.mineducacion.gov.co
Pellegrino, J. W., & Hilton, M. L. (Eds.). (2012). Education for life and work: Developing transferable knowledge and skills in the 21st century. National Academies Press. https://doi.org/10.17226/13398
Ramírez, D. M. (2020). Educación superior y responsabilidad social: Hacia modelos pedagógicos contextualizados en América Latina. Revista Colombiana de Educación, 79, 145–168. https://doi.org/10.17227/rce.num79-10245
Shulman, L. S. (1987). Knowledge and teaching: Foundations of the new reform. Harvard Educational Review, 57(1), 1–23. https://doi.org/10.17763/haer.57.1.j463w79r56455411
Williamson, B. (2017). Big data in education: The digital future of learning, policy and practice. SAGE Publications.
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_24
