Evidencia honesta y límites de la IA

Este módulo les está pidiendo rediseñar cómo practican sus estudiantes. Es justo que sepan exactamente qué tan firme es el suelo. Y la respuesta honesta es: firme en el constructo, discutido en la magnitud, acotado en su forma estricta.

Qué sostiene la investigación

El trabajo fundacional es de Ericsson y colegas (1993), ampliado y divulgado en Ericsson y Pool (2016). De ahí vienen los elementos que este módulo usa y que están bien sostenidos:

La mejora sistemática requiere metas específicas, no intención general de mejorar.
El esfuerzo debe ubicarse más allá del nivel actual de desempeño, no dentro de la zona cómoda.
La retroalimentación debe ser inmediata e informativa sobre el error concreto.
El desarrollo de representaciones mentales es lo que permite el auto-monitoreo y distingue a quien avanza de quien solo acumula horas.

Nada de esto está seriamente en disputa. Son buenas razones para rediseñar la práctica.

El contrapeso: lo que la investigación NO sostiene

Aquí es donde hay que ser cuidadosos, porque la divulgación popular ha exagerado bastante.

Macnamara y colegas (2014), en un meta-análisis amplio, encontraron que la práctica deliberada explica una porción sustancial pero parcial de la variación en desempeño, y que esa porción depende fuertemente del dominio: es mayor en campos con reglas estables y medidas objetivas —juegos, música, deportes— y considerablemente menor en dominios menos estructurados, incluida buena parte del trabajo académico y profesional.

La lectura correcta, y la que este módulo adopta: la práctica deliberada es necesaria pero no suficiente. Nadie alcanza dominio sin ella; no todos lo alcanzan con ella. Intervienen el punto de partida, la edad de inicio, el acceso a buena instrucción, el contexto y factores que la investigación todavía discute.

La etiqueta que usamos, y que les pedimos usar cuando expliquen esto a colegas o a familias: constructo fuerte, magnitud disputada, forma estricta acotada al dominio.

El mito de las 10.000 horas

Conviene desactivarlo explícitamente, porque va a aparecer en cualquier conversación sobre este tema.

La cifra de «10.000 horas» es una popularización que simplifica el trabajo original hasta deformarlo. El propio Ericsson la disputó públicamente. Los problemas son varios y todos importantes:

Es un promedio, no un umbral. Había una dispersión enorme entre individuos; algunos alcanzaron alto desempeño con bastante menos y otros con bastante más.
Se refería a un estudio de violinistas, en un dominio con instrucción estructurada y medidas claras. No es una constante universal aplicable a cualquier campo.
Y lo más grave para nosotros: desplaza la atención de la calidad a la cantidad. Diez mil horas de práctica ingenua no producen dominio. Producen diez mil horas de errores endurecidos.

En el aula esto tiene una consecuencia directa: la pregunta útil nunca es «¿cuántas horas llevas?», sino «¿qué sub-habilidad estabas atacando en esas horas y qué retroalimentación recibiste?».

Cantidad y calidad: la relación correcta

Dicho lo anterior, hay que evitar el error opuesto —creer que basta con practicar «inteligentemente» un rato corto. Carlos lo formula al revés, y tiene razón: la cantidad viene antes que la calidad. Su analogía es del tiempo con los hijos: no se puede programar el momento significativo; emerge de la presencia extendida, y hay que estar ahí en las horas ordinarias para estar ahí en la extraordinaria. Con el aprendizaje pasa lo mismo — el «ajá» no se agenda, emerge de la interacción extendida con el material. La cantidad no es enemiga de la calidad: es su precondición.

Los ejemplos que Carlos usa apuntan todos al mismo patrón. Los Beatles en Hamburgo, tocando sesiones maratónicas noche tras noche durante meses, obligados por la duración a aprender cientos de canciones, improvisar y martillar su sonido por iteración brutal. Picasso, que no empezó por el cubismo sino dominando implacablemente el dibujo realista —anatomía, perspectiva, luz, sombra— antes de poder romper las reglas productivamente. Larry Bird, con su rutina personal de cientos de tiros cada mañana bajo un estándar autoimpuesto que se negaba a rebajar, de modo que en el momento decisivo su cuerpo ya sabía qué hacer.

En ninguno de los tres casos la excelencia vino de una experiencia motivadora única ni de un proyecto creativo hecho una sola vez. Vino de repetición extensa y deliberada. Ni la cantidad sola ni el foco solo: los dos.

Dónde la retroalimentación de la IA NO es confiable

Esta es la sección más importante del módulo para el uso responsable, y les pedimos leerla con cuidado.

La IA da retroalimentación excelente donde el desempeño tiene una medida objetiva o un criterio verificable:

Un procedimiento matemático es correcto o no, y el paso donde se torció es identificable.
Una conjugación es correcta o no.
Una estructura argumentativa tiene o no tiene tesis explícita, evidencia y transiciones.
Un procedimiento de laboratorio sigue o no sigue el orden y las condiciones de seguridad.
Un código compila o no compila; una fórmula devuelve o no el valor esperado.

La IA es poco confiable —y hay que decírselo a los estudiantes— donde el desempeño es subjetivo, situado o corporal:

La calidad estética o la voz de un texto. Puede verificar estructura; no puede juzgar de forma fiable si una imagen literaria funciona o si la voz del autor suena auténtica.
La originalidad y la pertinencia cultural. Tiende a premiar lo convencional y a leer como error lo que se aparta de sus patrones. En contextos culturales locales, esto se vuelve un sesgo activo.
La ejecución física. Un gesto técnico en educación física, la postura al tocar un instrumento, el manejo de un material en artes plásticas: sin observación real del cuerpo, la retroalimentación es especulación.
La calidad de la interpretación en artes. Puede describir criterios; no puede sustituir el oído o el ojo entrenado.
El proceso, cuando solo ve el producto. Si el estudiante llegó a la respuesta correcta por un camino equivocado, la IA que solo ve el resultado lo felicitará.

Y el riesgo transversal, ya nombrado: la IA está configurada para alentar. Confirmará que el estudiante está listo antes de que lo esté. Eso no es una falla del modelo — es el comportamiento que se le pidió. Por eso el criterio de avance debe ser de ustedes, escrito antes de empezar y no negociable con la herramienta.

La regla práctica

Donde hay medida objetiva, la IA entrena. Donde el juicio es humano, la IA prepara el material y el docente juzga. Nunca al revés. Y en toda práctica con IA, el estándar de cuándo se avanza lo define el diseño docente, no el entusiasmo del modelo.