El juicio no se delega · 5 de 12

Es fácil creer que una buena clase es la que se sigue sin esfuerzo, que un buen material es el que se entiende a la primera y que un alumno que avanza con fluidez va aprendiendo bien. Es lo que sentimos al explicar y es lo que ellos sienten al estudiar, y por eso resulta tan difícil desconfiar de esa sensación. En 1992, dos psicólogos de la Universidad de California en Los Ángeles, Robert y Elizabeth Bjork, formularon lo contrario dentro de un marco al que llamaron Nueva Teoría del Desuso, y llevan desde entonces reuniendo evidencia a favor: las condiciones que hacen el aprendizaje más fácil y más fluido a corto plazo suelen producir peor retención y peor transferencia a largo plazo (1).

No es que el esfuerzo sea bueno por serlo. Es algo bastante más incómodo, y es que ciertas dificultades no acompañan al aprendizaje, lo constituyen. Quien las retira no ahorra trabajo. Cancela el efecto de aprender.

Lo que la fluidez esconde

La aportación de los Bjork consiste en distinguir dos fuerzas dentro de un mismo recuerdo. La fuerza de almacenamiento indica lo bien aprendido que está algo, es decir, hasta qué punto está conectado con lo demás que sabemos; la fuerza de recuperación indica lo fácil que resulta acceder a ello ahora mismo, con las pistas de que disponemos ahora. Lo verdaderamente nuevo de su teoría no es la distinción, que ellos mismos atribuyen a autores anteriores, sino cómo interactúan las dos fuerzas: cuanto mayor es la facilidad de acceso actual, menor es la ganancia de aprendizaje que produce volver a estudiar o volver a recuperar. Olvidar un poco, por tanto, puede favorecer el aprendizaje. Por eso funcionan el espaciado y la variación, que empeoran el rendimiento visible mientras mejoran lo que realmente se aprende (1).

De ahí se sigue el hallazgo que más interpela a un claustro, y que los Bjork sitúan en el terreno de la metamemoria. Si interpretamos el rendimiento de hoy como medida del aprendizaje, no solo nos equivocamos al juzgar si ha habido aprendizaje: acabamos, además, «prefiriendo peores condiciones de aprendizaje frente a mejores». La preferencia es de los estudiantes y también es nuestra. Douglas Rohrer, que investigó el espaciado en clases reales de matemáticas, encontró apoyo sólido para intercalar los problemas en lugar de agruparlos por tipos, y observó al mismo tiempo que la mayoría de los cuadernos de ejercicios y de las tareas de aula hacen justo lo contrario. Junto a Marissa Hartwig apunta la razón probable, que es la misma que la serie nombró en el segundo post con otro protagonista: la práctica agrupada produce una ilusión de dominio difícil de vencer (1).

Todo esto es anterior a la inteligencia artificial generativa. Y es que el problema no lo ha creado la máquina, lo ha vuelto imposible de ignorar. Alejandro Espeso-García, de la Universidad Católica de Murcia, describe el mecanismo con precisión en su revisión sobre potenciación y externalización cognitiva: al entregar el resultado sin el coste previo del esfuerzo, la IA generativa produce un estado de eficiencia ilusoria, y a fuerza de allanar la curva de aprendizaje puede privar al estudiante del «gimnasio cognitivo» donde se desarrolla el pensamiento crítico. Él lo llama paradoja de la eficiencia (2).

No toda dificultad enseña

Llegados aquí conviene frenar, porque este argumento se degrada con mucha facilidad. Los propios Bjork insisten en que la palabra importante de la expresión «dificultad deseable» es deseable, y en que existe un repertorio amplio de dificultades que son indeseables durante la instrucción y para siempre. El criterio que separa unas de otras es concreto y no tiene nada de moral: una dificultad es deseable cuando dispara procesos de codificación y recuperación que sostienen el aprendizaje, y deja de serlo en cuanto el alumno no tiene el conocimiento previo o la destreza necesarios para responderla con éxito. El nivel óptimo de dificultad, por tanto, no es una propiedad de la tarea, sino una relación entre la tarea y quien la hace (1).

Nicola Hodges y Keith Lohse, en el mismo monográfico, proponen tres criterios para reconocerlas por adelantado, y son los tres que puede aplicar un departamento en una reunión: que la dificultad sea relevante para la tarea; que sea nueva, es decir, que no sea algo que el alumno ya está haciendo; y que resulte superable por él (1).

El aviso vale doble cuando entra la IA, y hay un dato pequeño que lo ilustra bien. En un instituto alemán, según recogen José Antonio Bowen y C. Edward Watson en Teaching with AI, un profesor enseñó a sus alumnos los fallos de las herramientas de IA y les permitió usarlas en los exámenes. Ninguno se apoyó solo en la máquina, y varios ampliaron por su cuenta con búsquedas adicionales. Los que rindieron peor fueron los que llegaban con menos seguridad en el contenido o en el razonamiento, porque adoptaron el texto generado sin criticarlo (3). Es la misma idea que formulan desde la evaluación Amaia Arroyo Sagasta, doctora en Comunicación y Educación y profesora en Mondragon Unibertsitatea, y Carlos Magro Mazo, coordinador del programa educativo de la Institución Libre de Enseñanza, en el Informe ODITE 2026: el aprendizaje depende de una base sólida de conocimientos previos y «requiere siempre superar una fricción» (4). Quitarle la fricción a quien ya domina el contenido le hace ganar tiempo. Quitársela a quien no lo domina le impide adquirirlo.

Melissa Knabe y Haley Vlach señalan, en ese mismo monográfico, que el espaciado es uno de los fenómenos más estudiados del aprendizaje y, aun así, apenas se ha investigado en el aprendizaje escolar de los niños. Predicen, además, que las diferencias individuales en atención, memoria, conocimiento previo y metamemoria, todas ellas en desarrollo rápido y a ritmos distintos, determinarán qué niño se beneficia y cuál no (1). La conclusión honesta es que tenemos un principio muy robusto y un mapa incompleto de su aplicación por edades. Lo que ya se apuntó en el artículo anterior sobre la maduración de las funciones ejecutivas en la adolescencia refuerza esa cautela, no la sustituye.

Qué dificultad protege cada tarea

Bowen y Watson recogen una distinción del biólogo matemático David Krakauer que ordena todo lo anterior. Hay artefactos cognitivos complementarios y artefactos cognitivos competitivos. Los números arábigos o el ábaco son complementarios porque amplifican nuestras capacidades y las dejan amplificadas incluso cuando el artefacto ya no está delante; el GPS y la calculadora son competitivos, porque cuando desaparecen no somos mejores en la tarea original y a menudo somos peores. Y los autores añaden lo único honesto que se puede decir hoy, que no está nada claro cuál de los dos tipos será la inteligencia artificial (3).

Nada garantiza que sea una cosa o la otra, porque no lo decide la herramienta. Lo decide el diseño de la tarea. En el artículo anterior quedó fijado el criterio de secuencia, que la IA se utilice después del primer esfuerzo y nunca en su lugar. La pregunta que queda es la difícil, y es cuál es exactamente el esfuerzo que hay que proteger en cada tarea concreta.

Luis Miguel Iglesias Albarrán, profesor de Matemáticas y director del IES San Antonio de Bollullos Par del Condado, propone en el Informe ODITE 2026 una respuesta que cabe en una hoja y funciona en cualquier materia. La llama huella de pensamiento y consta de cuatro momentos: un intento inicial propio, que busca autenticidad y no corrección; un contraste con recursos o con la propia IA, para pedir alternativas o detectar incoherencias, que es contrastar y no copiar; una verificación de lo afirmado, que él sitúa como el núcleo del aprendizaje; y una mejora final con una nota breve sobre qué se cambió y qué se aprendió al verificar. Su formulación del porqué es la mejor del capítulo: el atajo no deja huella (5).

El diseño de la interacción también cuenta. Las plantillas que ofrecen Bowen y Watson para convertir un modelo en tutor incluyen una instrucción explícita, que la IA no haga el trabajo, que pregunte en lugar de reescribir y que dé explicaciones y ejemplos solo después de que el alumno lo haya intentado. David Malan, responsable del curso de introducción a la informática de Harvard, resume en una frase por qué hace falta esa instrucción: las herramientas actuales son «demasiado serviciales» (3). Y en el mismo libro está el aviso que cierra el argumento: reconocer el trabajo bien hecho se aprende normalmente haciendo trabajo mediocre y mejorándolo poco a poco, así que la pregunta pendiente es cómo aprenderá lo básico un alumnado al que la máquina le resuelve todas las tareas de entrada (3).

Qué hacer con esto

En el aula. Rediseñar una tarea habitual, una sola, con los cuatro momentos de la huella de pensamiento. Iglesias la concreta por materias: en Matemáticas, planteamiento inicial, estrategia alternativa, comprobación y explicación breve; en Ciencias, hipótesis, contraste, verificación y redacción final; en Sociales, contraste de fuentes y verificación de afirmaciones; en Lengua, borrador propio, revisión asistida justificando los cambios, comprobación de coherencia y versión final argumentada (5).

En el aula. El Marco de competencias sobre IA de la OCDE y la Unión Europea, publicado en 2026, describe un ámbito entero dedicado a esto y lo enuncia así: «repartir el trabajo de forma deliberada entre las personas y la IA». Entre sus actividades hay una que sirve desde primaria: los alumnos se colocan en cuatro rincones del aula rotulados «Solo IA», «Con ayuda de IA», «Solo humanos» y «No lo sé», según cómo crean que debe resolverse una tarea cotidiana, y después defienden su elección ante quienes eligieron distinto, con permiso para cambiarse de rincón si les convencen. La versión avanzada es exactamente el ejercicio de este artículo: descomponer los pasos de un trabajo escrito, elegir el tema, buscar evidencias, ordenar los argumentos, redactar, revisar, y decidir en cuáles puede ayudar la IA y en cuáles hace falta el propio razonamiento (6).

Para el equipo directivo. Un acuerdo de departamento con dos preguntas por tarea: cuál es el proceso cognitivo que esa tarea enseña, y si queda huella de ese proceso. Si la primera no se puede responder en una frase, el problema no es la IA. Iglesias propone empezar por un decálogo de centro y una sola unidad piloto, sin planes grandilocuentes (5). Y conviene tener presente la advertencia de Arroyo y Magro: esto no depende de la buena voluntad de cada docente, sino de decisiones culturales, curriculares y sistémicas, y mientras la calificación siga ocupando el centro, la evaluación del proceso seguirá viviendo en los márgenes (4).

Bowen y Watson lo resumen en una frase que ya no admite discusión: «todas las tareas son ya tareas con IA» (3). La única decisión que queda es cuál de ellas protege algo.

Para seguir pensando

De las tareas del próximo trimestre, ¿sabría decir en una frase cuál es la dificultad que cada una enseña? Y si en alguna no se puede decir, ¿por qué se sigue pidiendo esa tarea?

Glosario

• Dificultad deseable. Obstáculo introducido a propósito en el aprendizaje que empeora el rendimiento inmediato y mejora la retención y la transferencia a largo plazo. Espaciar el estudio, intercalar tipos de problema o recuperar de memoria son ejemplos.
• Dificultad indeseable. Obstáculo que solo entorpece, porque el alumno no dispone del conocimiento previo o la destreza necesarios para superarlo. La misma tarea puede ser una cosa o la otra según quién la haga.
• Fuerza de almacenamiento y fuerza de recuperación. Las dos propiedades de un recuerdo según la teoría de los Bjork. La primera es lo bien aprendido que está algo; la segunda, lo fácil que resulta acceder a ello en este momento. Solo la segunda se ve.
• Transferencia. Capacidad de aplicar lo aprendido a una situación distinta de aquella en la que se aprendió. Junto con la retención a largo plazo, es lo que las dificultades deseables mejoran.
• Artefacto cognitivo complementario y competitivo. Distinción de David Krakauer. El complementario aumenta nuestras capacidades y las deja aumentadas cuando ya no está, como los números arábigos; el competitivo hace la tarea por nosotros y nos deja peores en ella, como el GPS.
• Huella de pensamiento. Requisito añadido a una tarea para que quede evidencia de las decisiones y revisiones del alumno: intento propio, contraste, verificación y mejora explicada. El foco pasa de si se usó la IA a cómo se trabajó.

Referencias

1. Bjork, R. A., y Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475-479.
2. Espeso-García, A. (2025). Inteligencia artificial generativa: entre la potenciación y la externalización cognitiva. Cultura, Ciencia y Deporte, 20(66).
3. Bowen, J. A., y Watson, C. E. (2024). Teaching with AI: A Practical Guide to a New Era of Human Learning. Johns Hopkins University Press.
4. Arroyo Sagasta, A., y Magro Mazo, C. (2026). Cuando evaluar es aprender. Evaluación auténtica para una educación centrada en el alumnado. En J. M. Muñoz, N. Lorenzo, X. Suñé, M. À. Prats y C. López (coords.), Informe ODITE 2026: Claves para una nueva educación. ODITE, Asociación Espiral, Educación y Tecnología.
5. Iglesias Albarrán, L. M. (2026). IA y aprendizaje. Del producto final al proceso. En Informe ODITE 2026: Claves para una nueva educación. ODITE, Asociación Espiral, Educación y Tecnología.
6. OCDE y Unión Europea (2026). Cómo preparar a los alumnos para la era de la IA: Marco de competencias sobre IA para la educación primaria y secundaria. OECD Publishing. Ámbito «Gestionar la IA».