Alianzas pedagógicas con IA generativa — Wang & Zhang (2026)

Por qué importa este artículo

#

En la conversación cotidiana sobre ChatGPT en el aula universitaria conviven dos miedos muy distintos. Uno es académico: que el estudiante pase a la IA un trabajo y se quede sin pensarlo. Otro es teórico: que la mera disponibilidad de un agente capaz de redactar, sintetizar y resolver desplace el «esfuerzo cognitivo» que la pedagogía considera condición de aprendizaje profundo. Este estudio aborda directamente esa segunda preocupación con datos longitudinales de 912 estudiantes de educación superior en China, Europa y Estados Unidos, y entrega un hallazgo que conviene leer con calma porque obliga a revisar supuestos.

La tesis central es que la relación entre el estudiante y la IA generativa no funciona como un juego de suma cero entre confianza y escrutinio, ni entre eficiencia y profundidad. Cuando la relación se encuadra como alianza pedagógica —corresponsabilidad por un resultado conjunto, agencia compartida, co-construcción de conocimiento— se activan en paralelo dos circuitos cognitivos que la literatura previa solía oponer: la vigilancia cognitiva (evaluación crítica de las salidas de la IA) y la delegación cognitiva o cognitive offloading (reasignación estratégica de tareas a la IA). En los datos del estudio ambos aparecen a la vez y ambos se asocian positivamente con las experiencias de aprendizaje transformador que el estudiantado reporta. Conviene retener desde ya de qué tipo de evidencia se trata: son autorreportes y relaciones entre variables medidas en tres momentos, no un experimento con una prueba de desempeño independiente.

Lo que hicieron y por qué resulta convincente

#

Wang y Zhang combinan cuatro estudios complementarios sobre la misma muestra: modelado de ecuaciones estructurales (PLS-SEM) para probar las hipótesis de mediación y moderación; un análisis de importancia–desempeño (IPMA) para traducir el modelo en prioridades de intervención pedagógica; un análisis cualitativo configuracional difuso (fsQCA) que identifica caminos equifinales hacia el aprendizaje transformador; y entrevistas semiestructuradas con 45 estudiantes para iluminar los mecanismos detrás de los patrones cuantitativos. El diseño es de tres oleadas con dos semanas de separación, lo que reduce el sesgo de método común y ordena temporalmente las mediciones; no convierte las asociaciones en relaciones causales demostradas.

El instrumento se construyó adaptando escalas validadas previamente: vigilancia cognitiva a partir del trabajo sobre desinformación de Pennycook & Rand y el marco Intelligent-TPACK de Çelik; offloading desde Risko & Gilbert y Gilbert et al.; aprendizaje transformador desde la teoría seminal de Mezirow y sus operacionalizaciones recientes en educación de negocios. Las propiedades psicométricas son sólidas (Alfa de Cronbach > 0,70; AVE entre 0,609 y 0,728; HTMT < 0,850).

Los cuatro hallazgos que conviene retener

#

1. La alianza activa simultáneamente vigilancia y delegación

#

Cuando el estudiante percibe a la IA como socio intelectual (no como buscador), siente una responsabilidad compartida por la calidad del resultado. Esa responsabilidad activa el escrutinio crítico —verificar fuentes, contrastar afirmaciones, cuestionar la coherencia interna— al mismo tiempo que legitima la delegación de tareas rutinarias. El partnership funciona como un encuadre relacional que simultáneamente exige más vigilancia y autoriza más delegación. El dato cuantitativo: HGP→CV β=0,360; HGP→CO β=0,371 (ambos p < 0,001).

2. La delegación profunda se asocia con más aprendizaje declarado, no con menos

#

Aquí está el resultado más contraintuitivo del artículo. Contra la expectativa clásica de la teoría del cognitive offloading —que lee la delegación como sustitución del procesamiento interno— el estudio encuentra una relación positiva entre delegación cognitiva y aprendizaje transformador (β=0,372 en China, similar en Europa y Estados Unidos). El análisis configuracional apunta además a un efecto umbral: la asociación aparece cuando la delegación es sostenida y estratégica, no cuando es superficial. Una estudiante de marketing entrevistada lo formula con claridad: «The AI does the divergent thinking; I do the convergent thinking». Es una descripción de cómo dice trabajar, y la interpretación que proponen los autores es que la IA expande el espacio de opciones mientras el estudiante elige, contrasta y construye sentido. Nada de esto mide qué sabría hacer esa estudiante después, sin la herramienta.

3. Buscar eficiencia no aparece reñido con verificar más

#

El estudio examina cómo modula la relación una variable que la mayoría de los docentes tememos: la motivación por la eficiencia (terminar rápido, optimizar esfuerzo). En estos datos, la orientación a la eficiencia refuerza la asociación tanto con la vigilancia como con la delegación dentro del marco de alianza. Las entrevistas sugieren un mecanismo de gestión pragmática del riesgo: quien va con prisa dice verificar más, no menos, porque un error de la IA significa rehacer trabajo. Es una explicación plausible de un patrón observado en esta muestra, no una ley: en otro encuadre, la misma prisa puede llevar a aceptar la primera respuesta.

4. La transformación no es lineal: hay un umbral de profundidad

#

El análisis fsQCA identifica varias configuraciones distintas de variables que conducen al aprendizaje transformador, pero el patrón cualitativo que describen los autores es que el uso casual de la IA —pedir un resumen, corregir gramática, generar un borrador rápido— no aparece asociado con los mecanismos que el estudio identifica. Las configuraciones ligadas al aprendizaje declarado son las de una interacción central, exigente y sostenida en el tiempo. Es un patrón observado en esta muestra, no un umbral demostrado.

Qué sugiere para el diseño de actividades

#

Lo que sigue son propuestas editoriales de este sitio a partir de la lectura del estudio, no decisiones de programa ni cambios adoptados en el currículo de la Universidad de Guadalajara. Conectan con líneas que el propio sitio ya venía desarrollando:

Encuadrar la actividad como alianza, no como uso de herramienta. La diferencia es lingüística pero también estructural: las consignas que dicen «usa ChatGPT para…» invitan al consumo pasivo; las que dicen «trabaja con la IA para…, contrasta con…, justifica por qué su salida responde o no a…» describen una alianza y admiten que el aporte sea válido. Nuestra actividad propuesta de debate socrático con IA como interlocutor está diseñada en ese registro y los hallazgos de Wang y Zhang explican por qué ese encuadre puede funcionar.

Diseñar evaluaciones que premien el proceso de la alianza, no solo el trabajo entregado. Esto refuerza los nuevos marcos expuestos en la nueva era de la evaluación del DEC: si el aprendizaje transformador emerge de la calidad del partnership, la evaluación tiene que mirar precisamente eso — cómo se distribuyeron las tareas, qué decisiones de delegación se tomaron, qué se verificó y por qué.

Trabajar dos capacidades en paralelo. Enseñar a «ser críticos con la IA» deja fuera una segunda decisión que el estudio mide: qué se delega, cuándo, con qué nivel de instrucción y qué se retiene para el juicio humano. Trabajarlas juntas es la lectura que proponemos aquí. La guía de ingeniería de prompts cubre la dimensión técnica; la dimensión metacognitiva —decidir qué delega uno y qué no— está aún subdesarrollada en nuestra formación docente.

Reformular el discurso institucional sobre eficiencia. El miedo a que los estudiantes «tomen atajos» con la IA tiene fundamento, pero en este estudio la orientación a la eficiencia, dentro de un encuadre de alianza, aparece asociada con más verificación y no con menos. Vale la pena comprobar si ese patrón se sostiene en la propia asignatura antes de tratar la prisa como un problema en sí.

Limitaciones y lecturas con cautela

#

Los autores son explícitos: la muestra son estudiantes de negocios usando modelos basados en texto. Los hallazgos pueden no transferirse directamente a contextos de formación clínica, ingenierías intensivas en cálculo, humanidades textuales o educación artística. El IPMA además identifica una asimetría: la vigilancia cognitiva es la variable con mayor importancia en el modelo (0,438) y a la vez registra un desempeño relativamente bajo (56,704). Conviene leer esos dos números con cuidado. La importancia es el peso relativo de esa variable dentro del modelo, no una proporción; y el desempeño es la puntuación media reescalada de 0 a 100 sobre las respuestas que el propio estudiantado dio a los reactivos de vigilancia. No indica qué porcentaje de estudiantes verifica, ni mide una conducta observada: es un promedio de autorreportes. Lo que sugiere es que, en esta muestra, la dimensión que más pesaría intervenir es también una de las que presenta margen de mejora según los autorreportes. El análisis crítico de sesgos del Laboratorio trabaja esa dimensión.

Tampoco hay que confundir el hallazgo con una autorización general. La asociación positiva de la delegación con el aprendizaje declarado se observa, en esta muestra, dentro de un encuadre de alianza, con un uso profundo y junto con vigilancia declarada. Fuera de esas condiciones el estudio no observa esa asociación, que es distinto de haber comprobado que sin ellas no ocurre nada.

Cómo se conecta con la conversación que ya tenemos

#

Este artículo aporta un dato al que el Observatorio puede volver, sobre todo para distinguir en cualquier instrumento el uso instrumental del uso en alianza. Para la formación docente sugiere una pregunta más que un programa: si un taller trabaja «cómo usar ChatGPT», qué quedaría fuera de lo que este estudio mide. No hay aquí una decisión de oferta formativa.

Cita recomendada

#

Wang, S., & Zhang, H. (2026). Pedagogical partnerships with generative AI in higher education: how dual cognitive pathways paradoxically enable transformative learning. International Journal of Educational Technology in Higher Education, 23, artículo 11. https://doi.org/10.1186/s41239-026-00585-x