¿Qué futuro para los profesores, en la era de la IA?

2026-07-23T09:00:00+00:00

La pregunta vuelve una y otra vez, tanto en las salas de profesores como en los pasillos: si una IA puede explicar, generar ejercicios, corregir, volver a explicar con paciencia infinita y a las tres de la madrugada, ¿para qué sirve todavía el docente?

Estoy especialmente bien situado para planteármela. Enseño informática en una escuela de ingeniería: algorítmica, programación orientada a objetos, arquitectura de software, ingeniería del software. Es decir, exactamente las materias que la IA generativa trastorna más deprisa. Lo que enseño a mis estudiantes el lunes, un modelo puede producírselo el martes, en tres segundos. Y a mi lado del escritorio no me quedo atrás: me apoyo masivamente en la IA para preparar mis materiales, mis ejercicios, mis enunciados. Voy más rápido, más lejos. Y sin embargo mi carga de trabajo no ha disminuido, y a veces tengo la extraña sensación de haberme convertido en el controlador de calidad de una cadena que gira sin mí.

Y aun así, más vale anunciarlo de entrada: la pregunta no me asusta tanto. Tengo sobre ella una pequeña ventaja, bastante inesperada, de la que pocos de mis colegas disponen, y que revelaré más adelante en este texto. Paciencia.

Quiero, pues, tomarme la pregunta en serio, sin catastrofismo ni negación. Porque las dos respuestas reflejas son falsas. «Nada cambia, la IA no es más que una herramienta más»: falso. Cuando la herramienta hace precisamente lo que constituía el núcleo visible del oficio, algo cambia. «El profesor está condenado»: también falso, pero a condición de entender qué era, en el oficio, realmente el núcleo, y qué no era más que su envoltura.

Lo que la IA se come de verdad</h2>
Seamos lúcidos sobre lo que está desapareciendo: la parte del oficio que consistía en ser un canal de transmisión de información. Explicar una noción, dar un ejemplo, responder a una pregunta factual, producir un material, declinar un ejercicio en diez variantes: en todo eso, un modelo es más rápido, más disponible, a menudo más claro, e infinitamente más paciente.
Hay que tener la honestidad de reconocerlo: una parte de nuestras clases siempre ha sido transmisión de información disfrazada de enseñanza. Esa parte, sí, la IA se la come.
Y hay un síntoma que todo docente reconocerá: el silencio. Antes, los estudiantes hacían preguntas. Era ruidoso, desordenado, a veces completamente fuera de lugar, pero era oro: cada pregunta me decía por dónde iba la promoción, qué se había entendido, qué se resistía. Hoy ya no lo sabemos. El silencio se ha instalado, y no es el silencio de la comprensión. La pregunta no ha desaparecido, ha migrado: ¿para qué arriesgarse a pasar por el tonto de turno delante de cuarenta personas, cuando se puede interrogar a un modelo por la noche, a solas, sin juicio?
Hace poco tuve una demostración de esto que, lo confieso, me irritó bastante. Planteo una pregunta en voz alta a la clase, para lanzar la reflexión. Veo a estudiantes teclearla enseguida en una IA, delante de mis narices. Y unos segundos después, uno de ellos me devuelve la respuesta. O más bien, no: me la lee. El bucle estaba cerrado, y me había convertido, en mi propia aula, en la interfaz de voz de un sistema de preguntas y respuestas. Sin embargo, la pregunta que yo planteaba no estaba ahí para obtener una respuesta: la respuesta ya la conozco. Estaba ahí para hacerlos pensar. Ese es todo el malentendido de la época: optimizaron la obtención de la respuesta, cuando la respuesta nunca fue el objetivo.
Ahí está el verdadero daño. El problema no es que mis estudiantes ya no comprendan. El problema es que yo ya no sé qué es lo que no comprenden. Sus preguntas eran mi sonda, mi instrumento de navegación. Ese instrumento se está desconectando.
Pero un oficio no se reduce a su parte automatizable. El médico no desapareció cuando la enciclopedia médica se volvió accesible para todos. Se recentró. Es exactamente lo que le espera al docente.

¿Y si la máquina reemplazara también al ingeniero?</h2>
Antes de llegar a ese recentrado, hay que afrontar la objeción más radical, la que mis estudiantes no siempre se atreven a formular pero que leo en sus ojos: ¿para qué aprender informática, si el código producido por las máquinas se vuelve mejor que el nuestro? ¿Si mañana la máquina reemplaza no solo al profesor, sino el oficio mismo para el que el profesor prepara?
No voy a despachar la pregunta, porque es seria. El código generado mejora deprisa, y una parte de lo que ocupaba a los desarrolladores de ayer ya está automatizada. Quien afirme saber dónde se detendrá esto miente, en un sentido o en el otro. Pero tres cosas me parecen sólidas.
La primera es histórica. La informática es el oficio que nunca ha dejado de automatizarse a sí mismo. El compilador reemplazó la escritura del ensamblador; las bibliotecas reemplazaron la reescritura perpetua de los mismos algoritmos; los frameworks, los gestores de paquetes, la infraestructura bajo demanda: cada generación de herramientas se comió el trabajo de la anterior. Cada vez, el oficio no desapareció, subió un peldaño en abstracción. La IA generativa es un peldaño más, brutal, pero un peldaño. El centro de gravedad se desplaza de la escritura del código hacia la especificación, la arquitectura, la validación: decir con precisión lo que se quiere, verificar que se ha obtenido, entender por qué cuando no es así.
La segunda es una cuestión de responsabilidad. De un sistema producido por una máquina siempre tendrá que responder alguien. Cuando el software pilota un tren, un respirador o una red eléctrica, «lo escribió la IA» nunca será una defensa admisible, ni ante un juez, ni ante las familias. Y solo se puede asumir la responsabilidad de lo que se es capaz de comprender. Mi trabajo de investigación versa precisamente sobre la explicabilidad de los sistemas automáticos: hacer interpretables y verificables los resultados producidos por algoritmos. Cuanto más producen las máquinas, más crece esa necesidad. El ingeniero del mañana es quizá menos quien escribe el código que quien puede pedirle cuentas al código, cualquiera que sea su procedencia.
La tercera es casi una evidencia que se olvida: una sociedad cuya infraestructura entera reposa sobre sistemas que ya nadie comprende es una sociedad en peligro. Incluso en el escenario extremo en que las máquinas lo escribieran todo, habría que formar a humanos capaces de vigilarlas, de auditarlas, de desconectarlas con criterio. Seguiría siendo informática, y seguirían haciendo falta profesores para enseñarla. No formamos a estudiantes para competir con la máquina en la producción. Los formamos para permanecer por encima de ella en la comprensión.
Así que sí, quizá esté formando a los últimos ingenieros que habrán programado mucho a mano, como se formó a los últimos navegantes que sabían tomar la posición con un sextante. Pero se sigue enseñando navegación, precisamente porque el GPS se avería, se equivoca, o lo engañan. La lección vale para todo lo demás.
Mis colegas no están mejor</h2>
Podría creerse que es un problema de informáticos. Tengo la suerte de disponer de un observatorio más amplio: mi esposa es profesora de inglés, y uno de mis colegas enseña matemáticas. Nuestras tres materias no tienen casi nada en común, salvo lo esencial: cada una afronta, con sus palabras, la misma pregunta. ¿Para qué aprender X, si la máquina hace X?
Para el inglés, la versión es casi más brutal que la mía. La traducción automática es excelente, la traducción de voz en tiempo real llega a los auriculares, y un modelo redacta un essay en un inglés más limpio que el de la mayoría de los alumnos. El ejercicio escrito ya no demuestra nada: una redacción impecable puede salir de un teléfono en diez segundos, y corregir la gramática de un texto que el alumno no ha escrito ya no tiene sentido alguno. Mi esposa ve así su oficio empujado hacia lo que no pasa por la máquina: la conversación en directo, el oral, el acento, la vacilación superada, el atrevimiento de hablar. Porque una lengua no es un contenido que se transfiere, es una capacidad que se encarna. El auricular traducirá el mensaje; nunca hará que sea usted quien habla inglés. Y siempre quedará esa diferencia entre comprender a alguien a través de una máquina y comprenderlo uno mismo: lo segundo se llama un encuentro.
Para las matemáticas, mi colega casi podría mirarnos con la ironía del veterano: su disciplina afronta lo de «la máquina hace X» desde hace medio siglo. La calculadora, los programas de cálculo formal, las aplicaciones que resuelven una ecuación fotografiada: las matemáticas tuvieron cuarenta años de ventaja sobre nuestro problema. Y su respuesta histórica es esclarecedora para todos: nunca se enseñó el cálculo para obtener resultados, se enseñó para estructurar un pensamiento. Nadie necesita a un humano para multiplicar dos números desde 1975; y sin embargo se sigue aprendiendo a hacerlo, porque es al hacerlo como se comprende qué es un número. Pero la IA generativa cruza un umbral que la calculadora nunca cruzó: ya no produce solo el resultado, redacta el razonamiento. La demostración, último bastión, la que probaba que se había pensado, ahora también es generable. Los deberes en casa han muerto, y mi colega lo sabe: su evaluación bascula hacia el directo, la pizarra, el oral, el «muéstrame cómo piensas, aquí, ahora».
Tres materias, tres versiones del mismo seísmo, y, si se mira bien, tres veces la misma respuesta que se dibuja: la producción nunca fue el objetivo. El código, el essay, el cálculo no eran más que huellas; lo que se buscaba era lo que su fabricación construía en una cabeza. Ahora que las huellas son generables, solo queda evaluar, y cultivar, la construcción misma. De ahí esta convergencia notable: en nuestras tres disciplinas, el futuro pasa por el regreso del directo, de lo presencial, del oral, de la persona. No es un repliegue nostálgico. Es un recentrado en el único lugar donde el aprendizaje ha tenido lugar alguna vez.
La tentación de la pereza, o: optimizar, ¿pero para qué?</h2>
Queda un adversario por nombrar, y no es la máquina. Somos nosotros.
Porque seamos honestos: el verdadero motor de todo lo anterior es la pereza. La nuestra, la de los docentes: delegar una tarea más, luego otra, hasta que la relectura se vuelve un ritual y uno se despierta convertido en el controlador de calidad de su propio curso. Conozco esa pendiente, la bajo como todo el mundo. Y la de los estudiantes, que es peor porque es perfectamente racional: ¿para qué pelearse una hora con un problema cuando la respuesta está a un prompt de distancia? Nadie se inflige un esfuerzo que le parece inútil. El drama está precisamente ahí: el esfuerzo parece inútil, porque se ha confundido el producto del aprendizaje con su mecanismo.
Y sin embargo el esfuerzo nunca fue el precio a pagar para aprender. Es el aprendizaje. Pelearse con un problema es exactamente la operación por la cual una noción se instala en una cabeza; la dificultad no es un obstáculo en el camino, es el camino. Por eso nunca se inventó una máquina que hiciera las flexiones por uno: todo el mundo ve de inmediato que sería absurdo, que el objetivo de las flexiones no es que las flexiones estén hechas. Curiosamente, nadie ve el mismo absurdo cuando una máquina hace los ejercicios en lugar del estudiante. Y sin embargo es lo mismo.
Y detrás de la pereza está su coartada respetable: la optimización. Todo nuestro vocabulario actual procede de ella: ganar tiempo, ir más rápido, ser más productivo, más eficiente. Me reconozco en ello, yo mismo he adoptado ese vocabulario: más rápido, más lejos, más profundo. Pero «optimizar» es un verbo transitivo que ha perdido su complemento. Optimizar, sí: ¿pero para qué? La optimización sabe responder a «cómo ir más rápido»; es estructuralmente incapaz de responder a «adónde ir» y «por qué». Mis estudiantes que tecleaban mi pregunta en un modelo habían optimizado perfectamente la obtención de la respuesta. Solo habían olvidado preguntarse si la respuesta era el objetivo. No lo era. Nunca lo es, en educación.
Porque hay actividades que no se optimizan, porque son su propio fin. No se dice de una excursión que es ineficiente porque un helicóptero llegaría más rápido a la cima: el helicóptero no optimiza la excursión, la suprime. No se le pregunta a un músico por qué no escucha más bien el disco, que toca mejor que él. Aprender pertenece a esa familia. Y enseñar también. Se aprende por placer, el de comprender por fin, el de sentir que algo encaja; se enseña por placer, el de mostrar, el de ver iluminarse un rostro. Ese placer no es la recompensa que llega después del trabajo: es lo que hace posible el trabajo, su combustible. Si optimizamos todo lo que es lento, difícil, con roce, no habremos hecho el aprendizaje más eficiente. Habremos optimizado el placer fuera del circuito, y con él el aprendizaje mismo. Ese es, creo, el origen exacto de esa sensación que describía al principio: ir más rápido que nunca, y sin embargo estar menos presente. Optimicé. Y perdí algo por el camino, sin que ninguna métrica me dijera qué.
Es aquí donde revelo la ventaja anunciada al principio, y va a parecer paradójica: soy discapacitado. Vivo con un cuerpo que tiene sus averías, sus lentitudes, sus días malos, y una máquina en la cabeza que compensa sin borrar. Dicho de otro modo, sé, con una certeza que pocos poseen, que nunca estaré optimizado al cien por cien. Ninguna herramienta, ninguna disciplina, ninguna IA me llevará ahí. Y contra todo pronóstico, es una suerte enorme. Ese objetivo que tanta gente persigue hasta agotarse, la versión plenamente eficiente de sí misma, me está vedado de entrada: heme aquí dispensado de la carrera. Cuando el cien por cien es inalcanzable por construcción, uno deja de apuntar a él, y se plantea por fin la única pregunta que vale: ¿qué puedo hacer de bueno con lo que tengo? La discapacidad me regaló de oficio la lucidez que este texto intenta construir por el razonamiento. Y hay algo sabroso en observar a personas perfectamente sanas infligirse voluntariamente una búsqueda de optimización total de la que yo estoy, por naturaleza, exento. Quiero ser el que se mantiene lúcido sobre esto: lo inoptimizable no es un defecto del sistema. Es el lugar donde se vive.
La buena pregunta, para un docente como para un estudiante, no es entonces «¿qué puede hacer la IA en mi lugar?». Es: «¿qué pierdo si dejo de hacerlo yo mismo, y quiero conservarlo?». La pereza siempre responde que no. El placer, en cambio, sabe dónde vive.
Lo que el profesor puede hacer, y la máquina no</h2>
1. Enseñar el juicio, no la producción</h3>
Mis estudiantes pueden ahora generar una arquitectura de software completa con un solo prompt. Muy bien. Pero saber si era la buena, detectar lo plausible pero falso, lo sólido pero inadecuado, lo elegante pero endeble, exige exactamente lo que enseñamos: los fundamentos. Un estudiante que nunca ha escrito una estructura de datos a mano no verá que el modelo acaba de proponerle una mala. El paralelo vale en otros ámbitos: el alumno que nunca ha construido una frase en inglés no verá que la traducción es falsa en el matiz; el que nunca ha redactado una demostración no verá que el razonamiento generado tiene agujeros. Paradoja preciosa: cuanto más gratuita se vuelve la producción, más valor cobra la evaluación de lo producido.
En concreto, esto significa desplazar el centro de gravedad del curso: menos «produzcan esto», más «aquí tienen una producción: ¿qué opinan?». Hacer criticar un código generado, una respuesta de modelo, un texto plausible. El error bien elegido se convierte en el mejor material pedagógico de la época: criticar una producción anónima es infinitamente menos arriesgado que hacer una pregunta, y hace hablar incluso a las promociones más silenciosas.
2. Crear fricción productiva</h3>
Un modelo es complaciente por construcción: da la respuesta. El docente, en cambio, puede negarla. Por eso mismo mi anécdota de hace un rato me irritó: mis preguntas no son peticiones a la espera de respuesta, son resistencias colocadas a propósito en el camino. Plantear la pregunta que incomoda, dejar a un estudiante pelearse justo el tiempo necesario, ni demasiado poco ni demasiado tiempo. En las prácticas es un arte que ejerzo a diario: ver a una pareja bloqueada, saber que podría desbloquearla en diez segundos, y elegir plantear una pregunta en su lugar. El aprendizaje pasa por esa incomodidad dosificada, y dosificarla es un oficio. Quizá sea incluso la definición más corta del oficio: la IA optimiza la comodidad del que pregunta; el profesor optimiza su progreso. Son dos funciones objetivo distintas, y la segunda exige a alguien que no busca satisfacerte.
3. Hacer del curso un acontecimiento colectivo</h3>
La tutoría individualizada es el terreno donde la máquina tiene la ventaja estructural: disponibilidad total, paciencia infinita, adaptación instantánea. Jugarse la supervivencia del oficio en ese terreno es elegir el partido perdido de antemano. Lo que la máquina no proporcionará es el colectivo encarnado: el momento en que toda un aula descubre algo junta, en que la pregunta de uno desbloquea a los otros cinco, en que una demostración que sale mal hace reír a la promoción entera, y le enseña más de lo que el material habría hecho.
Cualquiera que haya asistido a una de mis clases sabe que cultivo ese registro: las fórmulas rituales, los «funcionaba en mi máquina», el pequeño teatro del profesor que se ha quedado sin argumentos. No es decoración. Es lo que hace que una clase sea un lugar donde se está juntos, y no un flujo que se podría ver en acelerado. El futuro de la clase presencial no es la conferencia (esa es reemplazable) sino el acontecimiento: lo que solo vale vivido en conjunto, en directo, con alguien que orquesta.
4. Aprovechar el cerrojo que acaba de saltar</h3>
La IA hace por fin posible lo que siempre fue imposible: la clase a varias velocidades. El cerrojo histórico era simple: un profesor, un ritmo. Imposible explicar tres cosas a tres grupos a la vez; todos padecían la media, los rápidos se aburrían, los frágiles se descolgaban, y el docente hablaba al fantasma estadístico del medio. Lo viví cada año: sesiones calibradas para un estudiante mediano que no existe.
Si la explicación se vuelve autoservicio, el docente ya no necesita estar delante desgranándola. Puede construir itinerarios por niveles (una base obligatoria, extensiones en escalera, un desafío abierto para los que siempre terminan antes) y convertirse en el que circula. Cinco minutos de un docente sentado al lado de un estudiante bloqueado pesan más que treinta minutos de tutor artificial: no porque sean más inteligentes, sino porque son escasos, y porque vienen de alguien a quien le importa.
Mejor aún: la diferenciación puede volverse invisible. En un proyecto colectivo donde cada grupo posee un componente distinto de un sistema común, se pueden distribuir los componentes según los niveles sin anunciarlo nunca. Nadie está en el «grupo de los flojos»: cada uno sostiene una pieza que el conjunto necesita.
5. Seguir siendo el que sabe lo que pasa en las cabezas</h3>
Hay un riesgo real, y hay que nombrarlo: el bucle cerrado. Una IA produce el material, una IA hace el ejercicio, una IA lo evalúa, y ya nadie aprende nada, en un sistema que sin embargo gira a pleno rendimiento. Mi anécdota de la pregunta leída en voz alta es la versión en miniatura: yo mismo era un eslabón de ella. Veo ese bucle dibujarse desde mis dos ventanas a la vez: del lado del profesor, cuando genero mis contenidos; del lado de los estudiantes, cuando sus entregas llevan la huella evidente de la misma herramienta. El papel irreductible del docente es impedir que ese bucle se cierre: seguir siendo el que sabe por dónde va la promoción, qué se ha entendido, qué se resiste, y que ajusta.
Esto supone preservar deliberadamente canales de señal, ahora que los tradicionales se secan: momentos de oral, restituciones en directo, trabajos hechos en presencia, atención puesta en el proceso y ya no solo en el producto final, porque el producto final, ahora, ya no prueba gran cosa. Es, como hemos visto, la conclusión a la que llegan también la profesora de inglés y el profesor de matemáticas, cada uno por su propio camino. Cuando tres disciplinas tan distintas convergen en la misma solución, probablemente sea porque es estructural.
6. Encarnar el entusiasmo</h3>
Por último, lo más importante, y lo menos medible. Cuando me preguntan qué me sigue gustando de este oficio, mi respuesta no ha cambiado: descubrir algo nuevo y tener ganas de mostrárselo a mis estudiantes. Ese placer nunca lo he delegado en la máquina, y me doy cuenta de que ni siquiera se me ocurrió. La pereza de la que hablaba antes está, pues, mejor dirigida de lo que parece: recae sobre lo que era mecanizable, y perdona espontáneamente lo que no lo es. Quizá sea la mejor prueba de que disponemos: lo que uno nunca ha querido delegar es el núcleo del oficio.
Porque lo más precioso que un docente transmite no es una información: la máquina las proporciona mejores, más rápido. Es la prueba viviente de que, tras años de oficio, todavía se puede encontrar maravilloso el propio campo. Un profesor de inglés que ama esa lengua transmite ante todo ese amor; un profesor de matemáticas que encuentra bella una demostración enseña ante todo que una demostración puede ser bella. El entusiasmo de un modelo no cuesta nada, así que no prueba nada. El de un docente le cuesta sus noches, su cansancio, sus años: por eso es contagioso.
Hablo de encarnación con conocimiento de causa. La máquina en mi cabeza, la que mencionaba antes, es una estimulación cerebral profunda que llevo desde 2025: soy, en sentido literal, un humano que funciona con una máquina. Ya he escrito aquí lo que eso cambia en la relación pedagógica. Al menos me ha enseñado una cosa: me ayuda a estar ahí, no me reemplaza. Es una definición bastante buena de lo que la IA debería ser para un docente. Y hay una segunda asimetría, más profunda todavía: una máquina se adapta a ti, pero no espera nada de ti. No se decepciona si abandonas. No le debes nada. La relación pedagógica, en cambio, compromete: alguien ante quien no quieres entregar un trabajo chapucero, alguien que se acordará de ti dentro de dos años. Es precisamente ese compromiso lo que hace aprender.
Conclusión: un recentrado, no una desaparición</h2>
El profesor que está amenazado, ya enseñe código, inglés o matemáticas, no es el que usa la IA, ni siquiera el que le delega mucho. Es aquel cuyo curso no es más que un flujo de contenido, porque un flujo de contenido lo reemplaza una IA mañana por la mañana.
El que permanece, y permanecerá largo tiempo, es el que hace de su aula un lugar donde ocurre algo: donde se juzga, donde se confronta, donde se descubre en conjunto, y donde alguien, un humano cansado, entusiasta y falible, todavía tiene ganas de mostrar algo. Y esto vale incluso en el mundo donde las máquinas escribieran todo el código, tradujeran todas las lenguas y redactaran todas las demostraciones: siempre harán falta humanos que comprendan, por tanto humanos que aprendan, por tanto humanos que enseñen.
La IA nos libera tiempo y hace saltar viejos cerrojos. La cuestión no es saber si el oficio sobrevivirá. Es saber si gastaremos ese tiempo en una tarea más, en nombre de una optimización que no sabe decir hacia qué optimiza, o en el único platillo de la balanza que la máquina no puede llenar: aquel donde se aprende, y donde se enseña, por placer.

Dr Philippe ROUSSILLE, ciborg informático de Aveyron

El tiempo de cerebro disponible en la prépa

1. Saber lo que no se sabe</h3>

El inventario de los frágiles</h4> Para transformar una sesión en programa para la siguiente:</p>

2. Hacerse examinar en khôlle</h3> Es el uso central. La khôlle es el formato que fuerza el recuerdo sin soporte, oralmente, con alguien que no acepta el más o menos.</p>

La khôlle de teoría</h4>

La khôlle de ejercicio</h4>

La khôlle de demostración</h4>

El colleur intransigente</h4> Para dejar de tener miedo a la khôlle, hay que exponerse a algo más duro que la prueba. El colleur más exigente de su liceo es menos exigente que este, y a este pueden cerrarlo con un clic.</p>

El tribunal de oral</h4> El ejercicio es más duro que la khôlle. El tribunal busca el límite, no la validación.</p>

3. Desbloquearse sin que le den a uno la respuesta</h3>

La pregunta única</h4>

El diagnóstico de bloqueo</h4> Cuando ni siquiera se sabe por qué uno se bloquea:</p>

El paso atrás</h4>

4. Trabajar las hipótesis y desconfiar</h3> El concurso está lleno de casi-teoremas: el enunciado que uno cree recordar, verdadero salvo por una hipótesis. La IA también los produce, sin que se le pida. Los ejercicios siguientes entrenan el reflejo que hace falta ante todo lo que escribe.</p>

Los casi-teoremas</h4>

La caza de la hipótesis</h4>

La falsa clase</h4>

El abogado del diablo</h4>

5. Corregir sin producir</h3>

La copia de concurso</h4>

El simulacro cronometrado</h4>

El alumno que hay que corregir</h4> Corregir una copia obliga a saber más que quien la escribió.</p>

6. Explicar para aprender</h3>

El alumno ignorante</h4>

El niño de diez años</h4>

El compañero escéptico</h4>

El físico de los órdenes de magnitud</h4>

7. Mantener: espaciado y entrelazado</h3>

Anki fabricado con la IA</h4>

El recuerdo espaciado sobre los frágiles</h4>

La mezcla de capítulos</h4>

8. Informática</h3> La regla es la misma: el código primero, en papel, luego en el teclado, luego la IA.</p>

El depurador mudo</h4>

La complejidad</h4>

El trazado</h4>

El algoritmo de cabeza</h4>

9. Organizar</h3> Es el único uso en el que la IA produce algo en su lugar: una planificación, no contenido.</p>

Gemini, ChatGPT, Claude y la discapacidad: anatomía de un salvaguarda asimétrico

Resultados</h2>

Dos horas en Baybay: los agentes de IA, más allá del bombo

¿Qué futuro para los profesores, en la era de la IA?

Consejos sobre la utilidad de la discapacidad en la relación pedagógica

La herramienta no se vende

Lo que la IA no es

Formar ingenieros en la era de la IA: usos, límites y responsabilidades

Adopción y usos de la inteligencia artificial generativa

El mapa no es el territorio

¿De qué es ciencia la informática?

El inventario de los frágiles</h4>
Para transformar una sesión en programa para la siguiente:</p>

2. Hacerse examinar en khôlle</h3>
Es el uso central. La khôlle es el formato que fuerza el recuerdo sin soporte, oralmente, con alguien que no acepta el más o menos.</p>

El colleur intransigente</h4>
Para dejar de tener miedo a la khôlle, hay que exponerse a algo más duro que la prueba. El colleur más exigente de su liceo es menos exigente que este, y a este pueden cerrarlo con un clic.</p>

El tribunal de oral</h4>
El ejercicio es más duro que la khôlle. El tribunal busca el límite, no la validación.</p>

El diagnóstico de bloqueo</h4>
Cuando ni siquiera se sabe por qué uno se bloquea:</p>

4. Trabajar las hipótesis y desconfiar</h3>
El concurso está lleno de casi-teoremas: el enunciado que uno cree recordar, verdadero salvo por una hipótesis. La IA también los produce, sin que se le pida. Los ejercicios siguientes entrenan el reflejo que hace falta ante todo lo que escribe.</p>

El alumno que hay que corregir</h4>
Corregir una copia obliga a saber más que quien la escribió.</p>

8. Informática</h3>
La regla es la misma: el código primero, en papel, luego en el teclado, luego la IA.</p>

9. Organizar</h3>
Es el único uso en el que la IA produce algo en su lugar: una planificación, no contenido.</p>