Subtítulo: Cómo utilizar la inteligencia artificial para aprender sin delegar la comprensión
Seguro que a más de uno le resultará familiar la siguiente escena.
Terminas de leer un capítulo de un libro, abres una herramienta de inteligencia artificial y le pides que prepare un resumen. En pocos segundos recibes una explicación ordenada, clara y mucho más limpia que las notas que habrías escrito a mano. Después la copias en Obsidian (una herramienta de gestión de notas que se utiliza para gestionar nuestro conocimiento), creas varias tarjetas de repaso (por ejemplo, a través de Anki o Gemini Notebook), añades algunas etiquetas y marcas la sesión de estudio como completada.
La sensación es buena. Has aprovechado el tiempo, has organizado la información y dispones de un material al que podrás volver cuando lo necesites.
Una semana después, alguien te pregunta qué aprendiste.
Lees la pregunta y sabes que la respuesta está en alguna parte. Recuerdas el título del capítulo, algunas palabras importantes y quizá una frase que te llamó la atención. Sin embargo, cuando intentas explicarlo sin abrir tus notas, las ideas no terminan de aparecer. Sabes dónde guardaste la información, pero no puedes reconstruirla con claridad.
Tus apuntes están completos. ¿Tu aprendizaje? quizá no.
Nunca habíamos tenido tantas facilidades para producir materiales de estudio. Podemos resumir un libro, traducir un artículo, generar preguntas, convertir un texto en tarjetas de memoria o diseñar un mapa conceptual en cuestión de minutos. La inteligencia artificial ha reducido de manera extraordinaria el esfuerzo necesario para localizar, ordenar y presentar información.
El problema comienza cuando confundimos esa facilidad con la comprensión.
La sensación de saber
Hay explicaciones que parecen tan claras que, mientras las leemos, sentimos que ya hemos comprendido el tema. Todo encaja. Reconocemos los conceptos, seguimos los ejemplos y anticipamos algunas frases. Esa familiaridad produce una sensación tranquilizadora.
Pero reconocer una explicación cuando la tenemos delante no significa que seamos capaces de reconstruirla cuando desaparece de la pantalla.
Nos ha ocurrido siempre. Subrayábamos un párrafo y sentíamos que habíamos avanzado. Releíamos unos apuntes y nos parecía que dominábamos el contenido porque todo nos resultaba conocido. El día del examen descubríamos que reconocer una idea era bastante más sencillo que explicarla.
La inteligencia artificial no ha creado esta ilusión, aunque puede hacerla mucho más convincente.
Sus respuestas suelen presentarse con una coherencia que facilita la lectura. Los conceptos aparecen ordenados, los ejemplos llegan en el momento adecuado y las dificultades parecen más pequeñas de lo que eran unos minutos antes. Cuando terminamos, podemos creer que el tema está resuelto porque la explicación lo está.
Sin embargo, la explicación pertenece a la herramienta, mientras que el aprendizaje comienza cuando nosotros hacemos algo con ella.
Comprender no consiste únicamente en repetir una definición, implica relacionar una idea con otras que ya conocemos, distinguir cuándo puede aplicarse, detectar sus límites y explicar por qué importa. También exige reconocer aquello que todavía no entendemos, aunque resulte incómodo admitirlo.
Por eso un resumen puede ser un buen punto de partida, pero nunca debería convertirse en la prueba final de que hemos aprendido.
El esfuerzo no desaparece, cambia de lugar
Durante mucho tiempo, estudiar implicaba dedicar muchas horas a tareas que hoy podemos automatizar. Buscar información, copiar fragmentos, ordenar conceptos, preparar esquemas o transformar un texto extenso en unas páginas manejables formaba parte del proceso.
La inteligencia artificial puede encargarse de una parte de ese trabajo.
Eso no debería preocuparnos por sí mismo. Utilizamos herramientas para reducir esfuerzos desde hace siglos. Una calculadora nos permite evitar operaciones repetitivas, un procesador de textos facilita la corrección y la edición, un buscador acorta el tiempo necesario para localizar una fuente.
La tecnología reduce el esfuerzo, está claro, pero ¿qué hacemos con el esfuerzo que queda libre?
Podemos aprovechar ese tiempo para formular mejores preguntas, contrastar argumentos, buscar contraejemplos o poner en práctica aquello que estamos estudiando. También podemos utilizarlo para consumir más información, producir más apuntes y ampliar una colección de conocimientos que nunca llegaremos a integrar.
La inteligencia artificial puede liberarnos de una parte mecánica del estudio. Eso no significa que pueda librarnos de la parte que transforma la información en conocimiento. De hecho, esa parte puede resultar más exigente.
Es más cómodo pedir otra explicación que intentar elaborar una propia. Resulta más sencillo generar diez preguntas que responder una sin ayuda. Es menos incómodo crear tarjetas de memoria que enfrentarse al silencio que aparece cuando cerramos los apuntes y tratamos de recordar.
La IA desplaza el esfuerzo hacia otro lugar, por ello, nuestra responsabilidad consiste en decidir si queremos acompañar ese desplazamiento o utilizar la herramienta para evitarlo.
Qué delegamos cuando pedimos ayuda
Antes de abrir una conversación con una inteligencia artificial, conviene preguntarnos qué estamos dispuestos a delegar.
Podemos pedirle que extraiga las ideas principales de un texto, que adapte una explicación a nuestro nivel o que identifique los conocimientos previos necesarios para comprender un tema. También puede ayudarnos a generar ejemplos, comparar perspectivas y convertir un contenido denso en un primer mapa.
Y está claro, todo eso reduce fricción y facilita la entrada.
Lo que no deberíamos delegar es la decisión sobre qué importa, la relación entre ese conocimiento y nuestra experiencia o el esfuerzo de recuperarlo sin ayuda. Tampoco conviene cederle la interpretación final, porque toda explicación selecciona, prioriza y deja cosas fuera.
Cuando aceptamos una respuesta sin examinarla, no delegamos únicamente una tarea, también delegamos una parte del criterio.
La herramienta puede ayudarnos a diseñar el recorrido, sin embargo, el sentido del aprendizaje sigue siendo responsabilidad nuestra.
Esta distinción parece evidente, pero se vuelve difusa con mucha facilidad. Una respuesta bien redactada puede entrar en nuestro sistema de notas sin haber pasado por una conversación interior. La guardamos porque parece útil, porque suena correcta o porque algún día podríamos necesitarla.
Así crecen muchas bibliotecas digitales. Contienen cientos de ideas interesantes, aunque apenas sabemos cuáles han cambiado realmente nuestra manera de pensar.
Tres maneras de estudiar con inteligencia artificial
No todos los usos de la IA durante el aprendizaje persiguen lo mismo. A mí me ayuda distinguir tres momentos.
El primero consiste en orientarnos.
Cuando comenzamos un tema desconocido, necesitamos una visión general. Queremos saber de qué trata, cuáles son sus conceptos principales y qué conocimientos previos nos faltan. En esta fase, la inteligencia artificial puede ofrecernos un primer mapa y reducir la desorientación inicial.
El segundo momento consiste en explorar.
Una vez que reconocemos el territorio, podemos pedir otras explicaciones, buscar ejemplos y comparar distintas maneras de abordar el mismo asunto. También podemos descubrir conexiones con nuestro trabajo, con experiencias anteriores o con problemas que queremos resolver.
La IA resulta especialmente útil aquí porque podemos conversar con ella, no estamos limitados a una única explicación. Podemos pedirle que cambie el nivel de dificultad, que utilice una analogía distinta o que nos muestre una objeción.
El tercer momento consiste en comprobar.
Y pienso que esta fase es la que con más frecuencia evitamos. Por ello, todo esfuerzo anterior se queda sin dar sus frutos.
Comprobar significa cerrar los apuntes, dejar de pedir respuestas y comenzar a ofrecerlas. Intentamos explicar el tema, resolver un caso o responder una pregunta sin consultar la solución. Entonces aparecen las lagunas que la lectura había ocultado.
Una sesión de estudio puede comenzar orientándonos y continuar explorando. Sin embargo, debería terminar comprobando.
De otro modo, corremos el riesgo de pasar mucho tiempo cerca del conocimiento sin llegar a hacerlo nuestro.
El momento en que dejamos de pedir respuestas
Hay un cambio importante cuando dejamos de utilizar la IA como una máquina que responde y comenzamos a tratarla como una interlocutora que pregunta.
Podemos explicarle aquello que creemos haber aprendido y pedirle que detecte vaguedades, podemos solicitar que no complete inmediatamente nuestras lagunas y que nos dé la oportunidad de intentarlo o también puede presentarnos un caso distinto para comprobar si sabemos transferir la idea.
Un prompt sencillo podría ser este.
> "Voy a explicarte este tema sin mirar mis apuntes. Hazme preguntas como lo haría una persona exigente que quiere comprobar si lo entiendo. Señala las explicaciones vagas, pídeme ejemplos y contraejemplos, y no completes mis lagunas antes de que yo intente responder."
La diferencia parece pequeña, aunque cambia por completo nuestra posición.
Ya no acudimos a la IA para que piense delante de nosotros, le pedimos que nos ayude a observar cómo estamos pensando.
En lugar de recibir una respuesta perfecta, aceptamos mostrar una explicación incompleta, nos exponemos a descubrir que una idea que parecía clara todavía no lo está y justamente esa incomodidad forma parte del aprendizaje.
A veces creemos que estudiar bien consiste en eliminar las dudas, cuando también consiste en hacerlas visibles.
Una duda reconocida nos permite avanzar, mientras que una laguna escondida detrás de unos apuntes impecables puede acompañarnos durante mucho tiempo.
El Método S.E.R. aplicado al aprendizaje
Hace tiempo comencé a llamar Método S.E.R. a mi manera de trabajar, de tomar decisiones y, en buena medida, de enfocar mi vida.
No nació como una metodología diseñada sobre el papel. Surgió a raíz de mi capacitación como coach ontológico, un proceso que supuso para mí una especie de epifanía. Empecé a observar de otra manera los cursos que hacía, los proyectos que iniciaba, las colaboraciones en las que participaba y muchas decisiones que antes tomaba por inercia, entusiasmo o miedo a perder una oportunidad (¡maldito FOMO!).
Desde entonces procuro que aquello en lo que me implico tenga sentido, una estrategia y una realización posible.
El sentido me obliga a preguntarme para qué quiero hacer algo. Qué relación tiene con mis valores, con mi desarrollo profesional o con la vida que quiero construir. No se trata de encontrar una gran misión para cada decisión, sino de comprobar que existe alguna razón que vaya más allá de la acumulación.
Esta pregunta resulta especialmente necesaria cuando hablamos de aprendizaje.
Podemos apuntarnos a un curso porque todo el mundo habla de él, porque tememos quedarnos atrás o porque la promesa del programa parece atractiva. También podemos comenzar un libro, abandonar otro y guardar decenas de artículos sin haber decidido qué queremos obtener de ellos.
Preguntarnos para qué estudiamos algo cambia la relación con el contenido, nos ayuda a elegir, pero también a renunciar.
No todo lo interesante necesita convertirse en una formación y no todo lo que podríamos aprender merece nuestro tiempo ahora.
La estrategia aparece cuando ya sabemos qué sentido tiene ese aprendizaje. Entonces debemos decidir cómo vamos a abordarlo, con qué recursos contamos, qué ritmo podemos sostener y qué pasos necesitamos dar.
La inteligencia artificial puede desempeñar aquí un papel valioso. Puede ayudarnos a diseñar un recorrido, identificar lagunas y proponer ejercicios adecuados a nuestro nivel. También puede adaptar el proceso cuando descubrimos que la dificultad era mayor de lo que imaginábamos.
Pero una estrategia necesita respetar la realidad.
No sirve diseñar un plan de estudio que exige tres horas diarias cuando solo podemos dedicarle treinta minutos. Tampoco ayuda establecer objetivos tan ambiciosos que convierten cada sesión en un recordatorio de lo que no hemos cumplido.
Un objetivo realista no es necesariamente pequeño. Es un objetivo que reconoce desde dónde partimos y nos permite dar un paso que podemos sostener.
A veces utilizamos metas imposibles para protegernos de la acción. Mientras permanezcan fuera de nuestro alcance, siempre podremos decir que todavía no estamos preparados o que las circunstancias no son las adecuadas.
La realización es el momento en que la intención se convierte en una práctica.
Esta dimensión resulta esencial para mí. Si algo no puede traducirse en una acción, termina quedándose en el terreno de las buenas intenciones. Podemos tener un propósito sincero y una estrategia brillante, pero el aprendizaje solo empieza a formar parte de nosotros cuando hacemos algo con él.
Explicarlo, aplicarlo, relacionarlo con una decisión, resolver un problema, escribir una nota propia, enseñárselo a otra persona…
La realización no es necesariamente el resultado final. Comienza con una acción concreta que pone a prueba aquello que creemos haber entendido.
Por eso el Método S.E.R. encaja tan bien con el aprendizaje asistido por inteligencia artificial. El sentido responde a por qué queremos aprender, la estrategia define cómo utilizaremos la herramienta y la realización nos obliga a demostrar que el conocimiento ha salido de la pantalla y empieza a modificar nuestra capacidad para comprender o actuar.
Un sistema de notas no es una segunda mente
Durante los últimos años se ha popularizado la idea de construir una segunda mente (o cerebro) mediante aplicaciones de notas. La expresión resulta atractiva, pues promete un lugar donde guardar conocimientos, establecer conexiones y recuperar información cuando la necesitemos.
Herramientas como Obsidian pueden ayudarnos mucho (llevo 3 años utilizándola a diario). También métodos de notas conectadas como Zettelkasten ofrecen una forma interesante de relacionar ideas y desarrollar pensamiento a lo largo del tiempo.
Sin embargo, una aplicación no se convierte en una segunda mente por acumular información, ya que puede terminar siendo un almacén muy bien organizado.
El número de notas no indica cuánto hemos aprendido, tampoco lo hacen las etiquetas, los enlaces o los mapas visuales. Todos esos elementos pueden ser útiles, pero solo cuando están al servicio de una comprensión que hemos trabajado.
Una nota adquiere valor cuando contiene una idea reconstruida con nuestras palabras, conectada con otros conocimientos y preparada para volver a utilizarse. No es una respuesta copiada y mejor presentada.
Nuestro sistema de notas no debería parecerse a un museo en el que conservamos respuestas, debería ser más parecido a un taller donde las ideas se revisan, se conectan y se ponen a prueba.
La inteligencia artificial puede ayudarnos a ordenar ese taller, puede sugerir conexiones, detectar temas relacionados y transformar una nota extensa en varias piezas más manejables.
Pero si dejamos que también decida siempre la estructura, la relevancia y las relaciones, podemos perder una capacidad importante. Aprender a organizar el conocimiento también forma parte del aprendizaje.
Está claro que la guía resulta útil al principio, pero después tiene que retirarse poco a poco, como los ruedines de una bicicleta cuando estamos aprendiendo a montar en bici.
Si la IA nos marca siempre el camino, podemos aprender a seguir recorridos excelentes sin desarrollar la capacidad de construir los nuestros.
Las tarjetas tampoco aprenden por nosotros
Algo parecido sucede con las tarjetas de memoria.
Herramientas como Anki pueden ayudarnos a recuperar conocimientos y combatir el olvido. La recuperación activa (active recall) es más exigente que la relectura porque nos obliga a buscar la respuesta en nuestra memoria antes de comprobarla.
La IA puede generar decenas de tarjetas en pocos segundos y está claro que esto ahorra tiempo, aunque conviene pensar en qué momento lo hace.
Si crea las tarjetas antes de que hayamos trabajado el contenido, podemos terminar memorizando preguntas seleccionadas por una herramienta sin haber decidido qué ideas resultan importantes.
Por ello, quizá el orden debería ser el contrario.
Primero intentamos comprender, después escribimos una nota propia y finalmente, pedimos ayuda para transformar una parte de ese conocimiento en preguntas de repaso.
La IA se encarga entonces de una tarea mecánica, pero la selección intelectual sigue siendo nuestra.
Esta diferencia puede parecer menor, si bien, separa dos maneras de estudiar. En una consumimos un sistema de aprendizaje generado para nosotros, mientras que en la otra utilizamos la tecnología para sostener un proceso que hemos construido.
La prueba está fuera de los apuntes
Hay una pregunta sencilla que puede cambiar una sesión de estudio.
¿Qué soy capaz de hacer ahora que antes no podía?
Tal vez podamos explicar un concepto durante dos minutos sin consultar una fuente, quizá sepamos aplicarlo a un problema distinto o detectar un error en un ejemplo, o puede que seamos capaces de relacionarlo con una decisión profesional, cuestionar una idea anterior o mantener una conversación más profunda.
El aprendizaje deja (o debe dejar) alguna huella fuera de los apuntes, pero no siempre es una transformación espectacular, a veces consiste en formular una pregunta mejor, reconocer una limitación o comprender por qué una explicación que repetíamos no era suficiente.
La inteligencia artificial puede acompañarnos durante ese proceso, ya que puede ofrecer claridad, reducir fricción y adaptar el recorrido a nuestras necesidades. También puede permitirnos producir una representación convincente del aprendizaje sin que el aprendizaje haya ocurrido.
Ambas posibilidades están presentes cada vez que abrimos una conversación. La diferencia no depende únicamente de la herramienta, depende del papel que decidimos ocupar.
Ante una herramienta como esta podemos limitarnos a recoger el resultado que nos ofrece o utilizarla para desarrollar una capacidad propia. La misma tecnología que nos permite esquivar el esfuerzo también puede dirigirlo hacia las preguntas, conexiones y ejercicios que realmente ayudan a comprender. Incluso un sistema de notas lleno de información pierde valor si ninguna de esas ideas ha pasado por nosotros. A veces, una sola nota escrita después de pensar, dudar y reconstruir lo aprendido contiene más conocimiento que una biblioteca entera de respuestas impecables.
Al terminar una sesión, quizá baste con hacernos tres preguntas.
¿Puedo explicarlo sin consultar la respuesta?
¿Sé aplicarlo en un caso diferente al que he estudiado?
¿Qué parte sigo sin comprender, aunque mis apuntes parezcan completos?
La inteligencia artificial puede multiplicar nuestra capacidad para acceder al conocimiento. También puede multiplicar nuestra capacidad para aparentar que lo hemos adquirido.
La diferencia está en las pruebas que estamos dispuestos a pedirnos.
#InteligenciaArtificial #Aprendizaje #PensamientoCrítico #MétodoSER #Educación
