Por Víctor Manuel Gómez Pérez,Por Víctor Manuel Gómez Pérez, CEO de 4Geeks Academy Europa e Iberoamérica CEO de 4Geeks Academy Europa e Iberoamérica
La conversación sobre inteligencia artificial y educación lleva tiempo centrada en una pregunta que se queda corta: ¿cómo incorporamos la IA al aula?
Las respuestas suelen pasar por introducir una asignatura, organizar talleres sobre herramientas generativas o actualizar algunos contenidos. Son iniciativas que pueden tener sentido, pero no resuelven por sí solas la cuestión de fondo: ¿están preparados nuestros modelos educativos para formar a profesionales que trabajarán en un mercado cuyas necesidades cambian cada vez más rápido?
El problema no es únicamente qué se enseña. También importa cuánto tarda el sistema en actualizar lo que enseña y si prepara a los estudiantes para seguir aprendiendo cuando esos conocimientos dejen de ser suficientes.
Después de años trabajando en proyectos de educación tecnológica, tengo la impresión de que estamos ante algo más profundo que una actualización de los planes de estudio. Estamos ante un problema de ritmo.
El problema no es el contenido. Es el reloj.
Hagamos la cuenta, que es sencilla, pero invita a reflexionar.
Un estudiante que se matricula este curso en un grado de cuatro años termina en 2030. El Future of Jobs Report 2025[1], del Foro Económico Mundial, estima que el 39% de las competencias fundamentales de los trabajadores cambiará entre 2025 y 2030. Eso no significa que el 39% de lo que ese estudiante aprenda vaya a quedar obsoleto. Significa que una parte importante de las competencias que necesitará para trabajar está evolucionando mientras todavía se está formando.
Y esa demora del sistema en reaccionar es solo una parte del problema. La más difícil de resolver es otra: cómo preparar a los estudiantes para un mercado laboral que cambia más rápido de lo que tardan en formarse.
En España, el Real Decreto 822/2021[2] establece que, en los centros universitarios que no cuentan con acreditación institucional, los grados de 240 créditos deben renovar su acreditación en un plazo máximo de seis años, y los de 300 o 360 créditos, en un máximo de ocho. El procedimiento de renovación tiene sus propios plazos, pero ese es solo uno de los pasos: antes hay diseño, aprobación interna y evaluación. El ciclo completo, desde que se plantea una titulación hasta que se gradúa su primera promoción, se mide en años.
Seis años para revisar la acreditación de un grado de 240 créditos. Cuatro años de carrera. Frente a una tecnología cuyas capacidades evolucionan en cuestión de meses.
No hay reforma de temario que cierre por sí sola esa brecha, porque la brecha no está únicamente en el temario. Está en la cadencia. Un sistema diseñado para garantizar la solidez de una titulación durante años cumple una función necesaria. Pero, cuando hablamos de disciplinas como la ingeniería de IA, necesitamos encontrar fórmulas para actualizar los contenidos técnicos con mayor agilidad, sin renunciar al rigor académico.
No es un fallo de las personas que trabajan dentro. Es un reto del propio diseño del sistema.
Enseñar herramientas no es enseñar IA
Aquí viene la segunda ‘trampa’, y esta me preocupa más que la primera porque se disfraza de solución.
Buena parte del sector educativo ha decidido que ‘adaptarse a la IA’ significa enseñar a usar herramientas de IA. Cursos de herramientas. Catálogos de aplicaciones. Clases donde el alumno aprende a pedirle cosas a un chatbot.
Eso es volver a caer en la trampa de la velocidad, solo que con un riesgo añadido. Una herramienta puede tener una vida útil mucho más corta que un plan de estudios. Si construyes un programa alrededor de una aplicación concreta, corres el riesgo de que parte de lo que enseñas pierda vigencia en poco tiempo. Y puedes acabar creyendo que te estás modernizando cuando, en realidad, solo estás incorporando una novedad.
Usar un chatbot no te convierte en profesional de la IA, igual que saber usar Excel no te convierte automáticamente en analista financiero. La inteligencia artificial no es ChatGPT. Es arquitectura, es contexto, es seguridad, es decidir si el problema que tienes delante necesita un modelo o una automatización de treinta líneas que cuesta mucho menos.
Esa decisión no la toma la herramienta. La toma una persona con criterio.
Y el criterio es precisamente lo que no se desarrolla con un taller de veinte horas. El dato que más me llamó la atención del Desajuste de Talento 2026[3] de ManpowerGroup no es solo que el 78% de las empresas tecnológicas españolas tenga dificultades para cubrir sus vacantes. También importa qué competencias les cuesta encontrar: profesionalidad y ética de trabajo (48%), comunicación, colaboración y trabajo en equipo (45%), y pensamiento crítico y resolución de problemas (40%).
Las competencias específicas de IA también aparecen entre las carencias: un 34% de las empresas señala dificultades para encontrar profesionales capaces de utilizar herramientas de IA y un 33% para encontrar especialistas en desarrollo de modelos y aplicaciones de inteligencia artificial. Pero los datos apuntan a algo más amplio: el reto no es únicamente enseñar tecnología, sino formar profesionales capaces de pensar, colaborar y tomar decisiones.
Estamos respondiendo a una carencia de criterio con un catálogo de herramientas. No cuadra.
Qué nos deberíamos replantear
Si el problema es la cadencia y el criterio, hay cuatro cosas que tocar. Ninguna se resuelve simplemente añadiendo un módulo al programa.
Primero: separar los fundamentos de la capa que caduca.
Hay cosas que no envejecen al mismo ritmo que las herramientas: entender cómo funciona un sistema, saber leer código aunque no lo escribas tú, razonar sobre datos o discutir un diseño. Y hay una capa más superficial que cambia constantemente.
El error del modelo tradicional es meterlo todo en el mismo bloque y revisarlo a la misma velocidad: la lenta. El error del modelo que pretende ser moderno es tirar los fundamentos y quedarse solo con la superficie.
Primero aprende a remar; luego te doy el submarino. Sin fundamentos, una herramienta potente solo consigue que puedas equivocarte más rápido.
Segundo: ciclos de revisión de meses, no solo de años.
Esto suena radical, pero es una cuestión de organización. Los contenidos técnicos necesitan mecanismos de revisión continua, especialmente en disciplinas que evolucionan tan rápido como la inteligencia artificial. No significa cambiar un programa entero cada pocos meses, sino distinguir qué partes deben permanecer estables y cuáles necesitan actualizarse con frecuencia.
Cuando separas bien esas dos capas, actualizar los contenidos técnicos deja de ser una gran reforma y pasa a ser una tarea de mantenimiento.
Tercero: evaluar lo que la máquina no hace sola.
Mientras el examen siga midiendo únicamente si el alumno sabe producir un entregable, será cada vez más difícil distinguir lo que ha aprendido de lo que una herramienta puede generar por él.
Eso no significa que los proyectos o los trabajos hayan perdido su valor. Significa que debemos evaluar también si el estudiante sabe decidir qué construir, detectar cuándo un resultado está mal y defender por qué ha elegido un camino y no otro.
Para eso hacen falta nuevas formas de evaluación: explicar decisiones, justificar soluciones, detectar errores y resolver problemas ante situaciones que no se han practicado exactamente igual. No basta con comprobar el resultado. Hay que comprobar el razonamiento que hay detrás.
Cuarto: dejar de vender la carrera como un punto final.
Si las competencias se renuevan cada pocos años, la formación no puede entenderse como un proceso que termina al obtener un título. Tiene que convertirse en una infraestructura de aprendizaje a lo largo de la vida profesional.
Esto exige facilitar itinerarios flexibles, formación continua y mecanismos para que los profesionales puedan actualizarse sin tener que empezar de cero cada vez. También implica una responsabilidad compartida: no podemos trasladar toda la carga al trabajador y esperar que encuentre por su cuenta el tiempo y los recursos para mantenerse al día.
Quien siga entendiendo la educación como un producto cerrado, con unos conocimientos que deberían servir para toda la vida profesional, tendrá que revisar esa idea.
El proceso no te lo puedes saltar
Hay una lectura cómoda de todo esto que conviene desactivar: la de que ahora, con la IA, aprender es más fácil y más rápido.
No necesariamente. En muchos aspectos, es más exigente.
Cuando la ejecución se abarata, lo escaso deja de ser producir y pasa a ser decidir. Y decidir bien requiere exactamente lo que ninguna herramienta te regala: fundamentos, horas de práctica, equivocarte con supervisión y volver a intentarlo.
La tecnología puede acelerar determinadas tareas, pero no sustituye automáticamente el aprendizaje. El proceso no te lo puedes saltar; lo que sí puedes es recorrerlo acompañado y a un ritmo que tenga sentido.
Los programadores no desaparecen sin más: sus funciones y las competencias que necesitan están cambiando. Y lo mismo va a pasar con la educación. No va a desaparecer, pero los modelos que no encuentren la manera de adaptarse tendrán cada vez más dificultades para responder a las necesidades de sus estudiantes.
Así que la pregunta no es cómo metemos la IA en el aula. La pregunta es si estamos dispuestos a cambiar el reloj de las instituciones educativas, aunque eso obligue a revisar inercias y formas de trabajar muy arraigadas. Porque el mercado ya ha cambiado el suyo y no va a esperar a que terminemos el expediente de verificación.
