La disponibilidad inmediata de la información y el desarrollo de la inteligencia artificial generativa han debilitado definitivamente una de las representaciones más persistentes de la enseñanza universitaria: el docente como principal depositario y transmisor del conocimiento. Durante décadas, la escasez relativa de fuentes convertía la explicación docente en una vía privilegiada de acceso al saber; actualmente, un estudiante puede consultar bibliotecas digitales, cursos abiertos, simuladores, videos especializados y asistentes de IA antes de ingresar al Aula. Esta transformación no vuelve innecesario al educador, pero sí reduce el valor de una práctica centrada exclusivamente en la transmisión de información. Una revisión de la literatura inicial sobre IA generativa en educación superior identifica, precisamente, la redefinición del rol docente como una de las cuestiones asociadas a estas tecnologías y destaca la oportunidad de avanzar hacia enfoques más centrados en el estudiante y orientados a problemas. El desafío contemporáneo consiste, por tanto, en abandonar gradualmente la figura del oráculo para asumir la función más compleja del arquitecto de experiencias de aprendizaje.
Esta arquitectura comienza con la capacidad de diseñar entornos en los que los estudiantes tengan razones intelectuales para investigar, contrastar y crear. El docente ya no necesita proporcionar todas las respuestas; necesita formular problemas lo suficientemente ricos como para movilizar distintas fuentes de conocimiento. En una asignatura de bioética, por ejemplo, puede presentar un caso sobre decisiones médicas asistidas por algoritmos y distribuir roles entre estudiantes: pacientes, especialistas, desarrolladores y reguladores. Los participantes investigan la literatura, utilizan Zotero para organizar las fuentes, elaboran argumentos colaborativamente en Microsoft 365 y consultan una IA generativa para identificar contraargumentos que posteriormente deberán verificar. El profesor observa, formula preguntas, detecta errores conceptuales y conecta perspectivas. La enseñanza deja de organizarse en torno a “lo que el profesor dirá” y pasa a estructurarse en torno a “lo que el estudiante deberá hacer intelectualmente”. Ese desplazamiento constituye uno de los cambios centrales del liderazgo pedagógico contemporáneo.
El segundo rol emergente es el de curador crítico del conocimiento. La abundancia informativa no ha eliminado la necesidad de mediación; la ha vuelto más sofisticada. El estudiante puede acceder en segundos a miles de resultados, pero necesita criterios para reconocer la evidencia científica, distinguir entre fuentes primarias y contenido promocional, identificar sesgos y verificar afirmaciones generadas por algoritmos. Herramientas como Google Scholar, Scopus, Web of Science, Zotero o gestores institucionales de bibliotecas pueden integrarse con asistentes de IA, pero cada una cumple funciones distintas. El docente debe enseñar esas diferencias. Por ejemplo, una respuesta de ChatGPT puede utilizarse para formular términos de búsqueda preliminares, pero las referencias empleadas en una investigación deben verificarse en bases de datos bibliográficas o en fuentes originales. UNESCO (Miao & Cukurova, 2024) sitúa las competencias docentes en IA en dimensiones que incluyen fundamentos y aplicaciones, ética, pedagogía y desarrollo profesional. Curar conocimiento significa, entonces, enseñar a navegar críticamente entre la abundancia, la autoridad y la evidencia.
A continuación, el docente aparece como el mentor del pensamiento humano. Las máquinas pueden producir explicaciones, resumir textos o generar código, pero el aprendizaje universitario también involucra juicio, responsabilidad, identidad profesional, diálogo y comprensión contextual. El marco de competencias en IA para docentes de la Unesco enfatiza una perspectiva centrada en el ser humano y en la preservación de la agencia docente. Esto puede traducirse en prácticas concretas. Ante un proyecto elaborado con asistencia de IA, el profesor puede solicitar al estudiante que explique oralmente qué decisiones tomó, qué recomendaciones algorítmicas rechazó, cuáles verificó y por qué modificó determinadas respuestas. En lugar de centrarse únicamente en la detección del uso de IA, la evaluación se orienta a la trazabilidad del razonamiento. La mentoría adquiere así un nuevo significado: acompañar al estudiante para que pueda utilizar herramientas cada vez más poderosas sin entregarles la responsabilidad intelectual que le corresponde.
El docente-arquitecto también necesita diseñar interacciones entre pares, porque aprender no es solo conversar con el profesor o con una máquina. Las tecnologías de anotación social ofrecen posibilidades particularmente interesantes. Perusall permite que los estudiantes formulen preguntas y respondan directamente a las lecturas, mientras que Hypothesis puede convertir un artículo digital en un espacio compartido para la discusión. La investigación de Cui & Wang (2024) muestra que las anotaciones sociales pueden favorecer el compromiso previo a las clases y relacionarse positivamente con los resultados posteriores. En un curso de metodología, por ejemplo, el docente podría asignar un artículo científico y pedir a cada estudiante que identifique una decisión metodológica, cuestione una interpretación y responda argumentadamente a otro compañero. Al llegar al encuentro sincrónico, la conversación ya no comienza desde cero: existe un mapa previo de dudas, desacuerdos y conexiones. El profesor utiliza ese mapa para diseñar su intervención, en lugar de monopolizarla.
De igual importancia es la función del profesor como diseñador de evaluaciones resistentes a la automatización superficial. Solicitar productos que una IA puede generar por completo, sin necesidad de comprender el contenido, obliga a reconsiderar el sentido de la actividad. La OECD (2026) advierte que un mejor desempeño al utilizar IA generativa no implica automáticamente un incremento del aprendizaje. Por esta razón, las evaluaciones pueden incorporar defensa oral, análisis de casos locales, portafolios progresivos, comparación entre versiones, diarios de decisiones o auditorías de resultados generados por IA. Un estudiante de programación podría recibir código generado por GitHub Copilot y tener que localizar errores, explicar su funcionamiento y justificar una alternativa; un docente de educación podría comparar dos planes de clase generados por IA y reconstruirlos atendiendo a las necesidades reales de un grupo. La evaluación deja de preguntar únicamente qué producto se obtuvo y comienza a examinar cómo se pensó para obtenerlo.
Este cambio profesional requiere igualmente una nueva cultura de desarrollo docente. No resulta razonable exigir que cada profesor domine de manera aislada todas las herramientas emergentes. El aprendizaje profesional puede organizarse mediante comunidades de práctica en las que los docentes compartan prompts, secuencias didácticas, errores, rúbricas y evidencias de resultados. Miao & Cukurova (2024) estructuran el desarrollo de competencias docentes en IA en niveles progresivos de adquisición, profundización y creación, lo que sugiere que la formación no debe limitarse a talleres instrumentales aislados. Una universidad podría establecer laboratorios en los que equipos interdisciplinarios experimenten con ChatGPT, Gemini, Copilot, Moodle, H5P o herramientas de analítica antes de implementarlas a gran escala. El liderazgo docente se vuelve así también colectivo: quien aprende una práctica útil puede convertirse temporalmente en un nodo de referencia para otros colegas, mientras continúa aprendiendo de la experiencia distribuida de la comunidad.
Finalmente, pasar del oráculo al arquitecto no disminuye la relevancia del educador; solo redefine dónde reside su mayor valor. Cuando una máquina puede ofrecer una explicación inmediata, la contribución docente no puede medirse únicamente por su capacidad para transmitir información. Su valor radica en seleccionar problemas significativos, crear secuencias intelectualmente exigentes, conectar personas y recursos, detectar concepciones erróneas, proporcionar retroalimentación contextual y preservar la dimensión ética del aprendizaje. La IA puede convertirse en tutor, asistente o compañero cognitivo bajo diseños pedagógicos adecuados, como señala la OECD (2026), pero la responsabilidad de construir experiencias educativas con sentido continúa requiriendo agencia humana. El docente del ecosistema 2.0 no necesita competir con la inteligencia artificial demostrando que conoce más datos que ella. Su desafío es mucho más importante: diseñar condiciones para que sus estudiantes aprendan a pensar mejor con información, con otras personas y con máquinas, sin renunciar a su autonomía intelectual.
Referencias
Cui, T., & Wang, J. (2024). Empowering active learning: A social annotation tool for improving student engagement. British Journal of Educational Technology. https://doi.org/10.1111/bjet.13403.
Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084.
OECD. (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing. https://doi.org/10.1787/062a7394-en
