El 8 de octubre de 2026, MIT News publicó un ensayo de Sasha Rakhlin, director del Centro de Estadística y Ciencia de Datos del MIT y profesor distinguido en Datos, Sistemas y Sociedad, que sintetiza las discusiones recientes sobre cómo la IA está transformando el mundo académico. Según el ensayo, los sistemas de IA han alcanzado hitos que habrían parecido improbables hace unos años, incluido un rendimiento de nivel medalla de oro en la Olimpiada Internacional de Matemáticas y una solución propuesta recientemente a un problema del Premio del Milenio. El argumento central de Rakhlin es que las universidades ahora necesitan repensar cómo organizan la investigación, forman a los estudiantes y asignan créditos, porque el trabajo académico rutinario que antes servía como campo de entrenamiento es cada vez más algo que las máquinas pueden hacer. El ensayo también señala una atención institucional más amplia sobre esta cuestión, incluido un informe del MIT sobre IA y educación publicado este verano.

Para los estudiantes, el ensayo plantea una pregunta incómoda: si la IA puede redactar, resolver y resumir, ¿qué se supone exactamente que debes aprender? La respuesta práctica que se propone aquí no es evitar la IA, sino cambiar tu manera de pensar sobre qué partes de tu trabajo de curso delegas en ella.

La distinción clave del ensayo es entre la fricción innecesaria y el trabajo a través del cual se desarrolla la experiencia. La fricción innecesaria es el esfuerzo que no aporta ningún aprendizaje: formatear citas a mano cuando una herramienta puede hacerlo con precisión, volver a teclear datos que ya existen en un archivo legible por máquina, buscar en las estanterías de la biblioteca un artículo disponible en línea. La práctica formativa es el esfuerzo que desarrolla capacidades: lidiar con un enunciado de problema hasta que sea preciso, comprobar si un resultado realmente se sostiene, reconstruir un argumento para ver si sobrevive al escrutinio. Ambas se sienten como trabajo. Solo una de ellas te hace mejor.

La dificultad es que la IA desvanece esta distinción desde el lado del estudiante. Cuando una herramienta puede hacer cualquier cosa que pidas, cada tarea parece igual de delegable. La fricción que te saltas en un caso es genuinamente innecesaria; la fricción que te saltas en otro era el punto central de la tarea. A menudo no puedes distinguir cuál es cuál hasta que la brecha de habilidades aparece más adelante: en un examen, una entrevista de trabajo o un proyecto de investigación donde el resultado de la IA está erróneo con total seguridad y nadie en la sala puede darse cuenta.

Por eso, el método que se sugiere aquí es decidir deliberadamente, antes de comenzar una tarea, qué pasos te reservarás. El ensayo menciona cuatro capacidades que los estudiantes deben aprender: formular problemas, auditar los resultados de los modelos, reproducir resultados y defender sus decisiones. Tratarlas como una lista de verificación te da una forma concreta de proteger tu propio desarrollo.

Formular el problema es donde ocurre la mayor parte del pensamiento, y es el paso más tentador de delegar. Pedirle a una IA que «escriba algo sobre política climática» produce un resultado genérico porque el problema era genérico. La disciplina de acotar un tema vago en una pregunta específica y respondible —qué población, qué marco temporal, qué contaría como evidencia— es una habilidad que se transfiere a todas partes, y también es el paso que determina si todo lo posterior vale la pena. Resérvate este. Escribe tu propio enunciado del problema antes de consultar cualquier herramienta, y luego usa la herramienta para someterlo a prueba.

Auditar los resultados generados por la IA significa tratar la respuesta de la herramienta como una afirmación en borrador, no como un hecho. Los sistemas de IA pueden producir trabajos fluidos y bien estructurados que contienen citas fabricadas, errores estadísticos sutiles o lecturas erróneas y seguras de una fuente. La habilidad profesional no es evitar tales herramientas; es verificarlas. Elige una afirmación del resultado y rastrea su origen. Comprueba si el artículo citado realmente dice lo que la herramienta dice que dice. Este hábito —la verificación escéptica de los resultados de las máquinas— se está convirtiendo rápidamente en una expectativa básica en el trabajo intelectual, y el trabajo de curso es el lugar más barato para construirla.

Reproducir resultados es el núcleo tradicional de la formación investigadora, y sigue siéndolo. Si un cálculo, un script de código o un análisis experimental produce un resultado clave, ejecútalo tú mismo en lugar de aceptar el resumen. Volver a derivar un resultado a mano, aunque sea una sola vez, te enseña dónde viven los supuestos y dónde es frágil el resultado: un conocimiento que nunca aparece en el resultado pulido. Cuando la IA produce una demostración, un pipeline de limpieza de datos o un modelo, la pregunta «¿puedo obtener esta misma respuesta a partir de los datos brutos?» es la diferencia entre comprender y delegar.

Defender tus decisiones significa poder explicar, con tus propias palabras, por qué adoptaste un enfoque y no otro: por qué este método, esta muestra, este umbral. Si no puedes articular el razonamiento detrás de tu trabajo, has entregado una respuesta sin hacerte dueño de ella. Una prueba práctica antes de entregar cualquier tarea asistida por IA: ¿podrías responder preguntas de seguimiento sobre tus decisiones sin tener la herramienta abierta? Si no, has delegado la parte que se examina, tanto en clase como en las carreras profesionales.

Nada de esto significa hacerlo todo manualmente. La división sensata del trabajo es delegar lo mecánico y conservar el juicio: deja que las herramientas se encarguen del formato, la búsqueda y el trabajo tedioso de los primeros borradores, mientras tú retienes el enunciado del problema, la verificación, la reproducción y la justificación. Una regla práctica útil: si un paso te enseñaría algo que necesitarías en un examen o en un entorno profesional donde debes responder por el resultado, resérvalo; si solo te costaría tiempo, delégalo.

Dos advertencias. Primera: sigue la política de IA de tu instructor; los cursos difieren en lo que está permitido, y el método anterior opera dentro de las reglas que te apliquen, no a su alrededor. Segunda: este es un consejo de aprendizaje práctico inspirado en los argumentos del ensayo, no un método oficial del MIT ni una intervención probada; las afirmaciones del ensayo sobre los hitos de la IA se atribuyen al ensayo y no se verifican de forma independiente aquí.

El punto más amplio del ensayo es que las instituciones están repensando qué debería certificar el trabajo de curso a medida que avanzan las capacidades de la IA. Los estudiantes pueden participar en esa reevaluación desde su lado. Las habilidades duraderas son las que sobreviven a las herramientas: saber qué pregunta vale la pena hacer, saber cuándo una respuesta es errónea, saber cómo comprobarla y poder respaldar el resultado.

Para tu próxima tarea asistida por IA, prueba esto: elige un paso rutinario que la herramienta haría normalmente y hazlo tú primero: vuelve a derivar un resultado clave, reejecuta un cálculo o comprueba un resultado contra la fuente original. Luego escribe una frase sobre lo que aprendiste que la herramienta no te dijo.

Resumen en chino

El 8 de octubre de 2026, MIT News publicó un artículo de Sasha Rakhlin, director del Centro de Estadística y Ciencia de Datos, que explora cómo la IA está transformando la investigación académica, la enseñanza y el reconocimiento de créditos. El artículo propone que los estudiantes deben aprender a plantear problemas, auditar los resultados de la IA, reproducir resultados y defender sus propias decisiones. Basándose en ello, este texto ofrece consejos prácticos: distinguir entre la «fricción innecesaria» y la «práctica que desarrolla capacidades», y conservar activamente los pasos clave en las tareas asistidas por IA: derivar primero por uno mismo el resultado clave, reejecutar un cálculo o verificar un resultado, y luego escribir una frase sobre lo que aprendiste que la herramienta no te dijo. Cumple la política de uso de IA de tu curso.