El programa vencido: por qué no podemos enseñar en 2026 como enseñamos en 2025 — y lo que 1985 sabía

Cada educador que conozco tiene la carpeta. La de los planes del año pasado — la secuencia que funcionó, las actividades que dieron en el blanco, las experiencias de aprendizaje refinadas año tras año hasta correr como una obra bien ensayada. Y cada año, más o menos por estas fechas, abrimos la carpeta y hacemos la pregunta más tentadora de la educación: ¿podemos simplemente correrla otra vez?

Este año la respuesta honesta es no. No podemos enseñar en 2026 como enseñamos en 2025 — mucho menos como enseñamos en 2015. No podemos entregar el programa de 2025 y esperar que produzca aprendizaje de 2026. No porque todo lo que sabíamos esté de pronto equivocado, sino porque tres cosas que todo plan asume en silencio se movieron a la vez: el contexto en que viven quienes aprenden, quienes aprenden mismos, y las herramientas que llevan en las manos. Un programa es un conjunto de supuestos con un calendario encima. Cuando los supuestos vencen, el calendario es lo único que sigue corriendo.

Déjame ser preciso sobre qué clase de afirmación es esta. No es un hallazgo de investigación; nadie hizo el estudio sobre la vida útil de un programa de curso. Es una posición de diseño, dicha desde la experiencia — el mismo tipo de juicio que hace un arquitecto cuando el suelo bajo un edificio se mueve. Y viene con un giro que me resulta genuinamente esperanzador: parte de lo que necesitamos para 2026 no es nuevo en absoluto. Era práctica corriente en 1985, y la perdimos por el camino.

Tres supuestos, todos vencidos

El contexto cambió. Lo que cuenta como trabajo ordinario — en oficinas, estudios, clínicas, redacciones — fue redibujado mientras nuestros planes dormían en la carpeta. Producir un primer borrador, un resumen, una traducción, una imagen pasable, un fragmento de código que funciona: tareas que eran entregables son ahora puntos de partida. Una experiencia de aprendizaje que entrena a alguien para producir lo que el mundo alrededor ya trata como punto de partida lo está preparando para un lugar de trabajo que cerró.

Quienes aprenden cambiaron. Quien entra al aula este año no descubrió la IA conversacional en tu clase, y no va a pedirte permiso para usarla. La pregunta «¿la usarán?» se resolvió en otra parte, hace tiempo, sin nosotros en la sala. La pregunta viva — la única que todavía nos toca influir — es si van a aprender mientras la usan, y eso se decide casi por completo en cómo está diseñada la actividad que tienen delante.

Las herramientas cambiaron — de naturaleza, no solo de grado. La preocupación de 2015 era el copiar y pegar: texto estático levantado de Internet, idéntico para todos, encontrable por cualquiera. La realidad de 2026 es generativa: quien aprende puede producir hoy, en segundos, un artefacto que nunca antes existió — personalizado, único, verosímil. Lo cual significa algo silenciosamente enorme para cualquiera que diseñe aprendizaje: el entregable dejó de ser evidencia de aprendizaje. Un ensayo limpio, una gráfica que se ve correcta, una presentación pulida — cada uno demuestra que se produjo un artefacto. Ninguno demuestra que quien aprende se encontró con el tema en el camino.

Nada de esto es razón para el pánico, y nada de esto es un argumento para prohibir nada. Es razón para rediseñar. Y el rediseño tiene una brújula mucho más vieja que la Web.

Lo que 1985 sabía

En Los mapas que copiamos conté la historia del maestro de geografía que nos mandaba a copiar de un libro el mapa de las cordilleras del país. No estaba pidiendo cartógrafos. El mapa no le importaba. Lo que estaba haciendo — deliberadamente, tuviera o no el vocabulario para nombrarlo — era hacernos interactuar con el objeto de aprendizaje: los picos, los ríos, dónde queda cada cosa en relación con las demás. El mapa era el medio. La geografía era la lección.

Quédate un momento con esa tarea, porque carga tres decisiones de diseño que fuimos perdiendo en silencio.

Primero, el artefacto nunca fue el punto, y todos lo sabíamos. Nadie nos calificaba por la belleza del mapa; el copiado existía para sostener nuestra atención sobre la cosa que se aprendía, hora tras hora. Segundo, la herramienta estaba declarada y no escandalizaba a nadie. El atlas estaba abierto sobre el pupitre, a plena vista, y nadie lo llamó trampa — porque la tarea estaba diseñada para que usar la herramienta siguiera exigiendo encontrarse con el tema. Tercero, la repetición no era un insulto. Trazar, redibujar, corregir, rotular otra vez: la tarea hacía espacio para las pasadas sin glamour por el material que convierten el conocer de vista en conocimiento.

Y 1985 tenía una segunda tarea, una que a los ojos modernos se ve todavía peor: los cien problemas de álgebra dejados de tarea para el fin de semana. Eso no era falta de creatividad, ni un compromiso con el aburrimiento por repetición ingenua — el argumento largo de lo que ese volumen realmente hacía está en Práctica deliberada a escala. Era la manera del maestro de hacernos involucrarnos con el objeto de aprendizaje — las ecuaciones — por una cantidad significativa de tiempo: el suficiente para aprender. Las respuestas venían impresas al final del libro de todos modos, y al maestro no podían importarle menos. Lo que se esperaba que produjéramos era el razonamiento — trabajar el proceso y escribirlo, paso por paso, hasta que llegar a la respuesta fuera la parte menos interesante de la página. Proceso sobre producto, ya calificado así en 1985.

Una tarea diseñada para que producir la cosa te obligue a seguir mirando la cosa; una herramienta visible en vez de vigilada; tiempo — real, repetido — con el objeto de aprendizaje. Eso era 1985. Cada una de esas decisiones es exactamente lo que 2026 necesita, y cada una se nos cayó en las décadas en que el entregable se volvió fácil.

El principio del rediseño: tiempo con el objeto de aprendizaje

Así que aquí está el principio completo, y no he encontrado pregunta de rediseño que sobreviva sin él: reconstruye cada actividad de aprendizaje para que quien aprende pase tiempo significativo interactuando con el objeto de aprendizaje.

Pasa cualquier actividad de tu carpeta por una sola prueba: mientras el trabajo se hace, ¿dónde vive realmente la atención de quien aprende — en el objeto de aprendizaje, o en el empaque del entregable? En 2015, un ensayo sobre las causas de una guerra forzaba la atención a atravesar la guerra: no podías escribir el ensayo sin pasar por el tema. En 2026, el mismo ensayo puede producirse sin que la atención toque el tema jamás. La actividad no empeoró. Su supuesto central — que hacer el artefacto exige encontrarse con el objeto — venció. La consigna de ensayo de la carpeta de 2025 no es perezosa ni está rota; es simplemente una llave para una cerradura que ya cambiaron.

Una vez que aceptas el principio, cada actividad que rediseñas cae en una de cuatro familias. La mayoría de las instituciones, en mi experiencia, agarra solo la primera y se pregunta por qué quienes aprenden se aburren, o solo la segunda y se pregunta por qué nada se queda. mientras la tercera y la cuarta — donde los propios límites de la máquina hacen el trabajo pedagógico — se quedan sin usar. Este conjunto es el corazón de cómo trabajamos con educadores en el rediseño, y cada familia hace un trabajo que las otras no pueden hacer.

Familia uno: actividades que la IA no puede hacer

No «a prueba de IA» por vigilancia — actividades cuya sustancia está sencillamente fuera del alcance de la máquina, porque ocurren en la sala, en el cuerpo, en el momento. Explicar tu razonamiento en voz alta ante alguien que puede interrumpir y preguntar por qué. Defender una decisión que tomaste y escucharla cuestionada. Construir, medir, cultivar, observar algo físico y registrar lo que de verdad pasó, no lo que debía pasar. Un debate donde la próxima jugada de tu oponente es incognoscible. Ubicar los cinco picos más altos en un mapa mudo, de memoria, con toda herramienta cerrada. Entrevistar a una persona real y salir cambiado por una respuesta que no esperabas.

Estas actividades necesitan casi nada: una sala, una voz, una hoja en blanco. Eso no es una debilidad; es su equidad y su poder. La respuesta hablada y la hoja en blanco son tecnología antiquísima, y todavía hacen lo único que ninguna herramienta generativa puede hacer por quien aprende — revelar, a quien aprende y a todos los presentes, lo que realmente hay en su cabeza. Cuando el artefacto ya no puede demostrar el aprendizaje, en estas actividades es donde vive la prueba.

Familia dos: actividades que requieren IA

La segunda familia es la imagen en el espejo, y es por donde entra la alegría: actividades imposibles — o sin sentido — sin IA. Bien diseñadas, usan la máquina exactamente para lo que es genuinamente buena: producir respuestas personalizadas y únicas, de modo que nunca dos aprendices tengan el mismo artefacto en las manos; permitir que quien aprende intente cosas que antes estaban simplemente fuera de alcance — más ambiciosas, más variadas, más suyas; y hacer el trabajo honestamente emocionante, porque ver tu idea tomar una forma que jamás habrías producido a solas es emocionante, y fingir lo contrario no nos gana nada.

La restricción de diseño que mantiene honesta a esta familia es la misma que usó el maestro del mapa: la consigna debe exigir involucramiento con el objeto de aprendizaje, y una respuesta genérica debe ser insuficiente por diseño. La IA genera; quien aprende audita el resultado contra fuentes, atrapa lo verosímil-pero-falso, lo corrige, e itera hasta que el resultado satisfaga la evidencia — no al modelo. Cada «no, eso está mal, arréglalo» es otra pasada por el tema. La herramienta amplifica lo que quien aprende puede intentar; el diseño garantiza que se encuentre con el tema en el camino.

Familia tres: actividades donde la IA probablemente falla — y quien aprende interviene

Aquí viene la parte que deberíamos decir con una sonrisa: en 2026 todavía tenemos suerte, porque hay muchísimo que la IA hace mal. La tercera familia se construye exactamente sobre esa suerte — actividades apuntadas deliberadamente a lo que la máquina todavía no hace bien, de modo que quien aprende tenga que intervenir: identificar la limitación, abordarla, resolverla, validar el resultado contra algo real, e iterar hasta que el resultado sea realmente bueno. Alucina, no logra representar las cosas adecuadamente, no logra ejecutar con eficacia lo que se le pidió — y cada una de esas fallas es un regalo para quien diseña experiencias de aprendizaje. La debilidad de la máquina se convierte en el trabajo del aprendiz, y ese trabajo es exactamente donde vive el aprendizaje.

Toma la tarea de la selfie del ensayo de los mapas y léela como cacería de fallas: crea una selfie tuya en la cumbre de cada uno de los diez picos más altos del país. No parece difícil a primera vista — un prompt, diez imágenes, listo antes del recreo. Pero ahora exige que cada foto se sostenga: vegetación adecuada a esa altitud, un horizonte correcto, el mar o el valle o la ciudad que de verdad se ve desde allá arriba efectivamente visible abajo, ropa adecuada a la temperatura real de la cumbre real. De pronto diez imágenes fáciles se vuelven diez auditorías — y el auditor tiene que saberse la geografía. La IA hace el renderizado; quien aprende aporta todo aquello que a la IA no se le puede confiar. Esa es la plantilla de toda la familia.

Un catálogo de trabajo de fallas útiles

Estas son las fallas, imprecisiones y limitaciones a las que recurro primero cuando diseño una tarea alrededor de la IA — cada una confiablemente presente hoy, y cada una convertible en trabajo que quien aprende debe hacer en persona. (El catálogo es perecedero por naturaleza: los modelos mejoran, y fallas específicas irán desapareciendo. La jugada de diseño no — encuentra dónde el modelo falla en tu tema este año, y construye la actividad sobre ese punto exacto.)

• Alucinación confiada de hechos. Fechas, nombres, cifras y eventos inventados, entregados con total seguridad. Obliga a verificar contra fuentes que quien aprende debe nombrar — y cada error atrapado contra una fuente es conocimiento del dominio ganado.
• Citas y referencias inventadas. Libros, artículos y estudios que no existen, o que existen y dicen otra cosa. Obliga al viaje al catálogo, la biblioteca o el texto original.
• Aritmética verosímil pero errónea. Cálculos de varios pasos con errores fluidos e intermitentes. Obliga a comprobar a mano — el cálculo como criterio, no como fe.
• Alisar fuentes en conflicto en una sola historia limpia. Donde los relatos discrepan, el modelo los promedia en una «verdad» única y sin fricción. Obliga a leer las fuentes reales lado a lado y arbitrar el desacuerdo.
• Cero conocimiento local o vivo. El modelo nunca estuvo en tu aula, en el colmado de tu barrio ni en la sala de tu entrevistado. Obliga a recolectar información real — precios, mediciones, testimonio — que ningún prompt puede sustituir.
• Relleno estereotipado de vacíos. Lo que el modelo no sabe lo llena con el promedio verosímil — el barrio genérico, la escuela genérica, la familia genérica. Obliga a confrontar el resultado con la realidad que quien aprende sí puede observar.
• Anacronismos y detalle inventado en material histórico. Vestuarios, objetos y escenas que se ven bien y están mal. Obliga a verificar fecha por fecha, imagen por imagen, contra fuentes de época.
• Imágenes geográficamente inverosímiles. Vegetación equivocada para la altitud, nieve en picos tropicales, horizontes y costas imposibles desde ese punto. Obliga a conocer el lugar real lo suficiente para atrapar lo falso — la auditoría de la selfie de arriba.
• Especies, lugares y detalles inventados. Ecosistemas poblados con organismos que no viven ahí, o que no existen. Obliga a verificar especie por especie contra una fuente autorizada.
• Restricciones ignoradas o reinterpretadas. Pide cinco cosas y recibe cuatro, una de ellas cambiada. Obliga a auditar el resultado contra la instrucción misma — leer la propia especificación con suficiente cuidado para hacerla cumplir.
• Inconsistencia entre iteraciones. Detalles que se corren silenciosamente entre versiones — la cara de un personaje, un valor, una premisa. Obliga a quien aprende a sostener el canon de su propio trabajo y defenderlo frente a la herramienta.
• Darle la razón a una premisa falsa. Aliméntale un supuesto equivocado y muchas veces construirá servicialmente encima. Obliga a poner a prueba las afirmaciones en vez de coleccionar confirmaciones — incluyendo sembrar errores deliberados y ver quién los atrapa.

Fíjate en lo que toda entrada tiene en común: la falla no hace nada por sí sola. Se vuelve pedagogía solo cuando la consigna exige que el resultado sobreviva una auditoría que la IA no puede realizar — que es por lo que, en el marco de redacción del Challenge, toda consigna debe declarar su punto de fricción: el lugar donde la IA va a fallar, previsiblemente, antes de que el primer equipo se siente a trabajar. El punto de fricción no es un obstáculo en el plan de clase. Es el plan de clase.

Y un sello de fecha, porque este ensayo tiene que practicar lo que predica: ese catálogo es de 2026. En 2027 habrá que revisitarlo — lo más probable es que muchas de esas fallas hayan sido corregidas, y tendremos que encontrar nuevas maneras de asegurar que la IA se use de modo que quien aprende siga involucrándose con el objeto de aprendizaje, y su creatividad siga desarrollándose. El vencimiento con el que abrió este ensayo aplica también al ensayo.

Familia cuatro: actividades post-IA — procesar el resultado con la IA apagada

La cuarta familia empieza donde termina la generación. La IA ya produjo su texto, su imagen, su plan — y ahora las pantallas se cierran. Lo que sigue es trabajo deliberadamente sin IA sobre el resultado de la IA, porque aquí es donde lo que la máquina produjo se convierte en lo que quien aprende sabe. Sin esta familia, las otras tres gotean: el artefacto se queda en la sesión de chat y nunca pasa a la persona.

Instrucciones específicas que funcionan — todas con la herramienta apagada:

• Imprímelo y anótalo a mano. Cada afirmación recibe una marca: verificada (¿contra qué fuente?), sin verificar, o errónea — con la corrección escrita al margen.
• Ordena tres resultados y defiende el orden. Genera tres respuestas candidatas de antemano; el trabajo post-IA es elegir la mejor y escribir por qué — criterios primero, veredicto después.
• Reescríbelo con tus palabras para una audiencia con nombre. El registro de la IA no es de nadie; traducirlo para tu hermana menor, tu alcalde o tus compañeros obliga a apropiarse de cada idea.
• Reconstruye el razonamiento. Toma la respuesta y trabaja hacia atrás en papel: ¿qué tendría que ser cierto para que esto sea correcto? ¿Qué pasos puedes justificar de verdad, y cuáles estás aceptando por fe?
• Localízalo. El resultado describe el caso genérico; adáptalo, en papel, a tu aula, tu barrio, tus datos — y anota cada punto donde la versión genérica habría fallado.
• Explícalo en voz alta y recibe preguntas. El post-procesamiento más viejo que existe — y el puente de regreso a la familia uno: si no puedes defenderlo sin la herramienta, el trabajo todavía no es tuyo.

Cuatro familias, una prueba: tiempo significativo con el objeto de aprendizaje. La primera familia protege el tiempo; la segunda lo vuelve irresistible; la tercera convierte las debilidades de la máquina en el currículo; la cuarta asegura que lo que la máquina produjo se convierta en lo que quien aprende sabe.

Cómo se ve cuando corre

Esto no es un experimento mental para nosotros. El aiLearning Challenge es este argumento construido como evento, sobre nuestra metodología Smoother, y sus decisiones de diseño se leen como una lista de verificación de todo lo anterior. Las consignas están escritas para que una respuesta genérica de IA sea insuficiente por diseño — una solución que se leería idéntica en cualquier país queda en el fondo de la escala, porque no demuestra contacto con el contexto real. La evaluación pesa el proceso por encima del producto, porque un artefacto hermoso puede esconder un proceso de aprendizaje vacío. La iteración se lee como evidencia en vez de esconderse como vergüenza — el rastro de versiones, los fracasos, las adaptaciones son parte de lo que los jueces miran. Y la puerta final es una defensa en vivo sin IA en la sala: la familia uno, cerrando lo que la familia dos abrió.

Fíjate en cómo el evento recorre las cuatro familias: requiere IA para trabajo ambicioso, creativo y personalizado que ningún participante podría producir a solas (familia dos); sus consignas llevan un punto de fricción declarado donde la IA va a fallar previsiblemente y el equipo debe intervenir y validar (familia tres); las auditorías, el registro de creación y el rastro de versiones son post-procesamiento del resultado de la máquina, propiedad del equipo (familia cuatro); y termina con lo único que la IA no puede hacer — una persona, de pie en una sala, explicando y defendiendo lo que ahora sabe (familia uno). Ninguna de las cuatro funciona sin las otras. Eso no es un compromiso entre entusiasmo y cautela. Es el diseño.

Cambia la carpeta, no todo

No le estoy pidiendo a nadie que queme la carpeta. La mayor parte de lo que hay adentro — las relaciones, el instinto de secuencia, el olfato ganado a pulso sobre dónde se atora quien aprende — es exactamente la pericia que el rediseño necesita. El pedido es más pequeño y más filoso: este año, niégate a correr el plan de 2025 por inercia. Toma las actividades donde, si eres honesto, la atención de quien aprende ya no tiene que pasar por el objeto de aprendizaje — y mueve cada una a una familia: algo que la IA no pueda hacer; algo que requiera IA, diseñado para que la respuesta genérica falle; algo apuntado a una falla donde la IA va a tropezar y quien aprende debe intervenir y validar; o algo post-IA, donde el resultado se procesa, se corrige y se hace propio con la herramienta apagada. Una actividad a la vez es suficiente; la carpeta se compone.

Y esta no es solo una conversación de educadores. Las familias enfrentan los mismos supuestos vencidos en casa, y el mismo argumento se lo hice a madres y padres en Papás Academy: No prepares 2026 como preparaste 2025. La misma tesis, del otro lado de la mesa de la cocina.

La carpeta de 2025 no está equivocada. Está vencida. Y la solución no es tecnología más nueva — es una pregunta más vieja, la que el maestro del mapa respondió en 1985 sin que nadie se la hiciera: ¿de dónde va a salir el tiempo de quien aprende con el objeto de aprendizaje? Diseña cada actividad alrededor de esa respuesta, y el año se cuida solo.

Este ensayo declara mi posición de diseño y mi convicción profesional, como mías — el marco del vencimiento anual y la taxonomía de cuatro familias son juicios desde la práctica, no hallazgos de investigación. La tarea del mapa y la evidencia a su alrededor están expuestas, con fuentes, en Los mapas que copiamos; el diseño del Challenge está documentado en /challenge/. — Carlos Miranda Levy

Cuatro perspectivas