Me permito copiar literalmente dos fragmentos de este post de Stephen D. Turner (tomado de Daniel Willingham).
Coincide “plenamente” con lo que ahora pienso del tema, que es prácticamente lo mismo que pienso desde 2023. He leído, y probado muchas cosas desde entonces y apenas ha cambiado mi idea inicial. No sé si eso es una prueba de la consistencia de mis “argumentos” o un simple sesgo de confirmación. Yo sigo dándole vueltas al tema, si algún día cambio de opinión, os lo comparto.
“Students should only use AI for things they already know how to do well”
“In the workplace, the product is the thing. The report, the grant proposal, the manuscript, the R package, the Python notebook, the pitch deck, whatever. The product is the thing that matters, and here we all agree to this ideal that the human should be the lead in the driver’s seat, with AI being the associate.
In education, the product doesn’t matter. The product isn’t the point at all. Students produce products, but the product is seldom the point. No one wants to read the papers they write, and the math problems they solve have no practical value. Teachers have them do these tasks because they provide practice in cognitive abilities that we think matter.”
Quizás mi coincidencia no sea tan plena como lo que se dice literalmente. Es cierto que en el trabajo lo que importa es el producto, pero una organización que solo se centra en el producto no aprende. Lo que mejora el producto de mañana es entender cómo llegamos hasta ahí: qué decisiones tomamos, qué descartamos, dónde nos equivocamos y por qué. Eso es aprendizaje organizativo, lo que Argyris y Schön llamaban aprendizaje de doble bucle: no solo corregir el error, sino revisar los supuestos que lo produjeron. No hace falta hacerlo siempre, pero sí con cierta frecuencia, mediante retrospectivas y lecciones aprendidas. Si delegamos en la IA todo el proceso, incluso en tareas que dominamos, corremos el riesgo de que nadie en la organización conserve ese conocimiento tácito. Obtendremos el producto, pero habremos perdido la práctica que nos permitía mejorarlo y, sobre todo, juzgarlo. Por eso me resisto a aceptar que la frontera entre educación y trabajo sea tan nítida como sugiere el post original.
Resulta que mi postura apenas ha cambiado desde 2023, y ahora la estoy extendiendo al mundo laboral criticando el post original. Una opinión que se extende a otros campos suele estar más cerca del sesgo de confirmación que de la evidencia. Siguiendo la lógica de la gestión basada en evidencia (Pfeffer y Sutton, Center for Evidence-Based Management), consideraré estas frases como “proposiciones” o hipótesis, no como verdades confirmadas. Esto implica tres cosas:
- Formularla de manera falsable. Por ejemplo: “los estudiantes que usan IA para tareas que aún no dominan retienen menos a largo plazo que quienes las practican sin ella”. Y para el trabajo: “los equipos que externalizan el proceso a la IA pierden capacidad de mejora continua”.
- Definir de antemano qué evidencia me haría cambiar de opinión, antes de ver los datos.
- Buscar activamente lo que me contradiga: estudios con resultados positivos para novatos usando IA intensivamente, contextos donde la práctica sin apoyo es ineficiente, y críticas a la visión cognitivista de lo que es el aprendizaje. También puedo contrastar mis ideas con alguien que piense lo contrario, o hacer un premortem (imaginar que dentro de un año estoy equivocado y preguntarme por qué).
Referencias relacionadas:
Argyris. (2004). Reflection and Beyond in Research on Organizational Learning. Management Learning, 35, 507.
Visitas: 15
