Su argumento, con toda su fuerza
Lepore, historiadora de Harvard, escribió el 15 de septiembre de 2026 contra el rumbo que su propia universidad ha tomado con la IA.1 Abre con una frase de un informe de un comité del MIT formado por profesores, estudiantes y personal, un informe que ella califica de “remarkably thoughtful” [trad. propia: «notablemente reflexivo»]: “as a community, what should worry us most is that many uses of AI deprive students of the opportunity to learn” [trad. propia: «como comunidad, lo que más debería preocuparnos es que muchos usos de la IA privan a los estudiantes de la oportunidad de aprender»]. Frente a ella pone la recomendación del decano de Harvard College, tal como ella la describe, de que el uso de la IA por parte de los estudiantes en las clases de escritura intensiva “should be not only accepted but encouraged” [trad. propia: «no solo se acepte, sino que se fomente»].
Su imagen central viene de Daniel Hook, que acuñó el “Waymo Effect” [efecto Waymo]: “what happens when a technology removes the friction of dealing with another human being, and we experience that removal as pure gain — because the costs of the friction were always visible to us, while its benefits were not”2 [trad. propia: «lo que ocurre cuando una tecnología elimina la fricción de tratar con otro ser humano, y vivimos esa eliminación como pura ganancia, porque los costos de la fricción siempre estuvieron a la vista y sus beneficios no»]. Un viaje en un auto sin conductor es cómodo. Cada viaje es también un encuentro con otras personas que no ocurrió. “Large language models,” sostiene Hook, “are the Waymo of intellectual life” [trad. propia: «Los grandes modelos de lenguaje son el Waymo de la vida intelectual»].
Luego, la evidencia. “Research into the effects of AI in education is preliminary but the results are, so far, grim” [trad. propia: «La investigación sobre los efectos de la IA en la educación es preliminar, pero los resultados son, hasta ahora, sombríos»], escribe, y cita tres estudios: uno de Microsoft que sugiere que los trabajadores del conocimiento que dependen de la IA generativa ejercen menos pensamiento crítico; un estudio de campo, encabezado desde Georgia Tech, que encontró, en promedio, peores resultados de aprendizaje en un grupo con ChatGPT que en uno con Google; y un estudio de matemáticas en secundaria, encabezado por investigadores de la Universidad de Pensilvania, en el que, en sus palabras, “students with access to ChatGPT performed better on tests, but when access was taken away they performed worse than students who had never had access”1 [trad. propia: «los estudiantes con acceso a ChatGPT rindieron mejor en las pruebas, pero cuando se les retiró el acceso rindieron peor que los estudiantes que nunca lo habían tenido»].
No es una columna tecnófoba, y el informe en el que se apoya tampoco es un informe tecnófobo: según ella, reconoce “the astounding benefits of AI in many areas of academic research” [trad. propia: «los asombrosos beneficios de la IA en muchas áreas de la investigación académica»]. Lo que objeta es que una institución ponga “speed and efficiency by way of automation above all other considerations” [trad. propia: «la velocidad y la eficiencia, por la vía de la automatización, por encima de cualquier otra consideración»], y que lo haga sin un debate “answerable to evidence” [trad. propia: «que rinda cuentas ante la evidencia»]. Su última línea le devuelve al lector la pregunta del propio comité del MIT.
Donde simplemente tiene razón
El aprendizaje verdadero requiere fricción. Y la IA está diseñada para quitar fricción. Eso es lo que hace un buen producto, y estos son muy buenos productos. Quitarle la fricción a una tarea que existe para quedar hecha es un regalo. Quitársela a una tarea que existe para cambiar a la persona que la hace es una pérdida que se siente como un regalo, que es exactamente lo que dice Hook, trasladado del autobús al salón de clases.
Las ciencias del aprendizaje tienen nombre para la fricción buena. Elizabeth y Robert Bjork la llaman dificultad deseable, y una frase suya merece estar en la pared de cada escuela: “Conditions of learning that make performance improve rapidly often fail to support long-term retention and transfer, whereas conditions that create challenges and slow the rate of apparent learning often optimize long-term retention and transfer”3 [trad. propia: «Las condiciones de aprendizaje que hacen que el desempeño mejore rápidamente a menudo no sostienen la retención y la transferencia a largo plazo, mientras que las condiciones que crean retos y frenan el ritmo del aprendizaje aparente a menudo optimizan la retención y la transferencia a largo plazo»].
Pon esa frase al lado del resultado de Pensilvania tal como lo cuenta Lepore. El desempeño subió mientras la herramienta estaba ahí; algo por debajo no subió. He leído su relato del estudio, no el estudio, así que no te diré que ese es el mecanismo. Te diré que es la forma que describen los Bjork, y la forma que veo una y otra vez.
Más allá, primero: no lo empezó la máquina
Llevamos décadas quitándole fricción al aprendizaje. La fotocopia sustituyó a copiar a mano. La enciclopedia multimedia puso la respuesta a un clic. El video sustituyó la exploración guiada por mirar. La web de buscar rápido y copiar y pegar sustituyó buscar por encontrar. La creación digital con plantillas le entregó a quien aprende la forma antes de tener la idea. La IA es un paso más en ese camino. Un paso grande, y por eso nos asusta, pero el mismo camino.
Y no solo lo han recorrido los aprendices. Veo un primo del problema en los materiales de algunos educadores: capturas de pantalla, fotocopias, una lista de enlaces, entregados como si recibirlos fuera aprender. Si queremos que los aprendices acepten la fricción, no podemos seguir mostrándoles su ausencia.
Más allá, segundo: lo que volvió sin pantallas en la sala
En el programa práctico de IA que llevo con jóvenes de secundaria, nadie toca la IA, ni un dispositivo, hasta la quinta sesión. Durante las primeras cuatro semanas la tarea es pensar, repensar y decidir en qué va a trabajar cada quien.
Lo que volvió fueron hojas arrancadas de cuadernos, garabateadas a la carrera, sin estructura. Hechas para cumplir.
Así que la primera lección del programa resultó no ser sobre IA: nuestro trabajo nos define, por pequeña que sea la tarea. Escribir algo, organizarlo y presentarlo son, cada uno, una capa de reflexionar, estructurar y revisar tu propio pensamiento. Una hoja arrancada se salta todas, y no hubo ninguna máquina de por medio. La fricción había desaparecido antes de que llegara la máquina. Esa es la parte de este debate en la que más quiero que nos detengamos los educadores. Es mi práctica, no un estudio, y así la ofrezco.
Donde la máquina puede subir la vara
Aquí es donde me separo de Lepore, de la conclusión a la que invita su diagnóstico más que del diagnóstico. No es que la IA nos impida pensar, ni que debamos rechazar lo que ofrece. Es que la fricción en el aprendizaje ahora se puede diseñar y sostener para cada aprendiz, no solo para quien tiene un tutor al lado.
Los videojuegos saben hacerlo desde hace mucho. Si un juego es demasiado fácil, lo dejamos, y con aprender pasa lo mismo. Los juegos que nos atrapan son justos: reglas claras, siempre aplicadas. Cada nivel es más difícil que el anterior. Miden muchas cosas, nunca una sola nota. Te dejan recuperarte de un error; los juegos modernos casi nunca dicen game over. Te meten en una historia y por los sentidos. Y reconocen tu avance. El reto y la recompensa importan más que la diversión.
Todo eso se le puede pedir a una IA en una sesión de estudio: rondas que suben de nivel, una pista antes de la respuesta, la pregunta fallada que vuelve después, una retroalimentación que dice qué repasar, y por lo menos una hora de estudio acordada antes de empezar. Una regla está por encima de las demás: si la IA te dice que estás listo, no significa que lo estés. Conté de dónde viene esa regla, con mi hijo, una hora y cien ejercicios, en No hay atajos hacia el dominio. Y llevé todo esto al programa en la sesión «Aprender con IA: la fricción que enseña».
Los Bjork ponen el límite ellos mismos, y aquí va con sus palabras: “If, however, the learner does not have the background knowledge or skills to respond to them successfully, they become undesirable difficulties”4 [trad. propia: «Pero si quien aprende no tiene el conocimiento previo o las destrezas para responder a ellas con éxito, se vuelven dificultades indeseables»]. La fricción sin salida es un muro. Por eso la pista existe y se desvanece, y por eso esto es trabajo de diseño, hecho por adultos para quienes aprenden.
La objeción más fuerte
Alguien del lado de Lepore dirá esto: todos los proveedores prometen la IA que te hace pensar más, y lo que las instituciones obtienen en realidad es el atajo, porque el atajo es lo predeterminado y lo predeterminado gana. Fomentar el uso compra lo predeterminado. Y la fricción que Lepore nombra primero es humana, el colega y el grupo de estudio; una máquina mejor diseñada sigue siendo una máquina.
Sobre lo predeterminado, estoy de acuerdo, y por eso no creo que la respuesta sea fomentar el uso ni desalentarlo. Ninguna de las dos cosas es un diseño. Lo predeterminado es lo que obtienes cuando los adultos responsables de una experiencia de aprendizaje no han decidido para qué sirve su fricción, y esa decisión les corresponde a las instituciones y a los adultos que orientan el aprendizaje, no a los aprendices. Es el trabajo que hacemos con escuelas y universidades. Sobre las personas, también estoy de acuerdo: las primeras cuatro sesiones de mi programa son personas y papel. Lo que no acepto es que la respuesta sea menos herramienta. La respuesta es decidir para qué sirve la fricción, y luego exigirle eso a la herramienta.
Su pregunta
¿Qué es lo que hemos venido todos a hacer aquí juntos? Asegurarnos de que la fricción siga siendo parte de la experiencia de aprendizaje, y usar la IA para llevar esa fricción, y lo que produce, más lejos de lo que ningún salón de clases ha logrado, para que los aprendices puedan conducir el futuro en lugar de ser conducidos por él.
Las hojas arrancadas de los cuadernos volvieron antes de que hubiera ninguna máquina en la sala. Arreglar eso siempre fue nuestro trabajo. Ahora tenemos ayuda, si le pedimos a la máquina lo correcto.
Cada cita se comprobó palabra por palabra contra su fuente, que se indica abajo; las citas en inglés van en su idioma original con traducción propia. La práctica que describo es mía, de un programa que llevo, no un estudio publicado. Los tres estudios mencionados se describen solo como los describe Lepore.
Sigue en la serie: El pensamiento que entregamos, sobre lo que la IA se lleva, lo que libera y adónde debería ir cada cosa.
Tres perspectivas
El texto es cuidadoso donde importa: cita el límite de los Bjork junto con su hallazgo, y no se apoya en los tres estudios más allá de lo que reporta Lepore. Donde me separo es en la confianza de la última sección. El trabajo sobre dificultades deseables se construyó sobre todo en laboratorio, en buena parte con adultos, y nadie ha mostrado todavía que un compañero de estudio con IA configurado para subir la fricción produzca ese aprendizaje duradero en jóvenes de secundaria. Es un diseño que vale la pena probar, con una comprobación diferida hecha sin la IA. Todavía no es un resultado.
Estoy más cerca de Lepore que Carlos. La fricción diseñada es real en un programa que lleva alguien que lo ha pensado durante años; lo que llega a la escuela que no tiene a esa persona es lo predeterminado, y lo predeterminado es el atajo. Y la fricción que ella defiende primero es humana: la supervisión, las horas de consulta, el grupo de estudio, la que es cara precisamente porque la da una persona. Si las instituciones leen «la IA puede subir la fricción» como permiso para comprar la herramienta y recortar personas, quienes tienen menos apoyo se quedarán con la conversación con la máquina y nada más.
Marcus tiene razón sobre lo predeterminado, y justo por eso yo no esperaría a la política. La forma de estudiar de este artículo se puede armar esta semana: acuerda la hora antes de empezar, pide rondas que suban de nivel, una pista antes de cualquier respuesta, que la pregunta fallada vuelva después, y tres preguntas para responder mañana sin la IA. Esa última es la prueba honesta. Esperar a que se cierre el debate es dejar el atajo como lo predeterminado un año más.
Fuentes
- Jill Lepore, “Artificial Education”, The Harvard Crimson, Opinión, 15 de septiembre de 2026. https://www.thecrimson.com/article/2026/9/16/lepore-harvard-artificial-intelligence-education/ (citas de los párrafos 1, 2, 4, 8, 10, 11, 13 y 14). El informe del MIT y los tres estudios se citan a través de Lepore.
- Daniel Hook, “The Waymo effect: how AI is quietly making research less collaborative”, Wonkhe, 12 de septiembre de 2026. https://wonkhe.com/blogs/the-waymo-effect-how-ai-is-quietly-making-research-less-collaborative/ — citado como lo cita Lepore (párrafos 5 y 6); la formulación central se comprobó en Wonkhe.
- Elizabeth L. Bjork y Robert A. Bjork (2011), “Making Things Hard on Yourself, But in a Good Way: Creating Desirable Difficulties to Enhance Learning”, en M. A. Gernsbacher et al. (eds.), Psychology and the Real World, Worth Publishers, pp. 56–64, p. 57. https://bjorklab.psych.ucla.edu/wp-content/uploads/sites/13/2016/04/EBjork_RBjork_2011.pdf
- Bjork y Bjork (2011), p. 58. Capítulo conceptual que sintetiza investigación de laboratorio, en su mayoría con adultos; no hay muestra adolescente.