Universidad Potemkin: cómo usar la IA sin dejar de aprender
Un 88% de universitarios ya usa IA en sus trabajos, según HEPI (2025). Qué dice la evidencia sobre cómo usar la IA sin dejar de aprender de verdad.
Un 88 % de los estudiantes universitarios británicos utilizó IA generativa en sus trabajos de curso en 2025, frente al 53 % del año anterior, según la encuesta anual del Higher Education Policy Institute (HEPI) publicada en febrero de 2025. El dato confirma que la IA ya es una herramienta de estudio masiva en Europa. La pregunta que divide a las aulas es otra: cuánto de ese uso produce aprendizaje real y cuánto solo lo aparenta. De esa tensión nace la expresión «universidad Potemkin»: campus donde los trabajos se entregan, las notas se mantienen y el conocimiento, en cambio, se evapora.
Para cualquier estudiante en España, la cuestión es directa. Si el título se aprueba con ayuda de la IA pero las competencias no se consolidan, el problema aparecerá después: en la EVAU, en unas oposiciones, en la primera entrevista técnica. La evidencia científica de los últimos dos años empieza a distinguir qué usos de la IA erosionan el aprendizaje y cuáles lo refuerzan. Esa distinción, y no la prohibición, es el debate que ocupa ahora a universidades y desarrolladores.
- El uso de IA generativa en trabajos universitarios pasó del 53 % al 88 % en un año en Reino Unido, según HEPI (2025).
- Un experimento de la Universidad de Pensilvania (2024) halló que el acceso libre a GPT-4 mejoró la práctica un 48 %, pero empeoró el examen final un 17 %.
- Un estudio del MIT Media Lab (2025) observó que el 83 % de quienes redactaron con ChatGPT no podían citar frases de su propio ensayo minutos después.
- OpenAI y Anthropic lanzaron en 2025 modos de estudio que responden con preguntas socráticas en lugar de soluciones directas.
De la aldea de Potemkin al campus universitario
La metáfora procede de las aldeas de fachada que, según la leyenda, el príncipe Grigori Potemkin levantó en 1787 para impresionar a Catalina II. Investigadores del MIT, Harvard y la Universidad de Chicago la recuperaron en 2025 en el paper «Potemkin Understanding in Large Language Models» para describir una comprensión que aparenta solidez sin tenerla.
El trabajo original analizaba modelos de lenguaje: sistemas capaces de definir un concepto correctamente y fallar al aplicarlo. La comunidad educativa adoptó pronto la imagen para el otro lado de la pantalla. Un estudiante que entrega ensayos impecables generados por IA construye su propia fachada: la evaluación certifica un aprendizaje que no se ha producido.
El fenómeno no es marginal. El informe educativo de Anthropic, publicado en abril de 2025 tras analizar más de medio millón de conversaciones de estudiantes con Claude, encontró que casi la mitad eran interacciones «directas»: peticiones de respuestas o textos terminados, con mínima elaboración por parte del alumno. La otra mitad sí mostraba patrones colaborativos, con la IA como interlocutor y no como sustituto.
Lo que dicen los datos: práctica mejor, examen peor
El experimento más citado sobre IA y aprendizaje lo firmó la Universidad de Pensilvania en 2024 con casi mil estudiantes de secundaria en Turquía. Quienes practicaron matemáticas con acceso libre a GPT-4 mejoraron un 48 % en los ejercicios, pero puntuaron un 17 % peor que el grupo de control cuando se les retiró la herramienta en el examen.
El estudio, dirigido por Hamsa Bastani, introdujo un matiz decisivo. Un segundo grupo usó un «tutor GPT» con barreras pedagógicas, que daba pistas en lugar de soluciones. Ese grupo mejoró la práctica un 127 % y no sufrió penalización en el examen. La herramienta no era el problema; el diseño de la interacción, sí.
«Nuestros resultados sugieren que los estudiantes intentan usar GPT-4 como muleta durante las sesiones de práctica y, cuando lo consiguen, rinden peor por sí mismos.»
En la misma línea apunta el MIT Media Lab. Su estudio «Your Brain on ChatGPT» (2025) midió con electroencefalografía la actividad cerebral de universitarios mientras redactaban ensayos. El grupo que escribió con ChatGPT mostró la menor conectividad neuronal de los tres analizados. Y un dato llamativo: el 83 % no pudo citar ninguna frase de su propio texto minutos después de entregarlo.
Ninguno de estos trabajos concluye que la IA impida aprender. Concluyen algo más incómodo: la sensación de dominio que produce delegar es engañosa. Ocurre algo parecido con la verificación de contenidos, donde conviene saber diferenciar una alucinación de IA de un dato real en segundos antes de incorporar nada a los apuntes.
Cómo usar la IA sin dejar de aprender: lo que separa la muleta del andamio
La ciencia del aprendizaje ofrece un criterio operativo: el esfuerzo de recuperación. Según décadas de investigación sobre «dificultades deseables», popularizada por el psicólogo Robert Bjork (UCLA), la memoria se consolida cuando el estudiante genera la respuesta antes de verla. Usar la IA sin dejar de aprender exige preservar ese esfuerzo, no eliminarlo.
Aplicado a herramientas concretas, el criterio distingue dos familias de uso. La primera externaliza el trabajo cognitivo: pedir el ensayo hecho, la solución resuelta, el resumen sin haber leído. La segunda lo amplifica: pedir preguntas de examen, contraargumentos, correcciones sobre un intento propio.
| Uso que erosiona el aprendizaje | Alternativa que lo refuerza |
|---|---|
| Pedir la redacción completa del trabajo | Escribir un borrador propio y pedir crítica argumentada |
| Copiar la solución de un problema | Resolver primero y pedir solo una pista tras atascarse |
| Resumir un texto sin leerlo | Leer, resumir de memoria y pedir a la IA que señale omisiones |
| Memorizar respuestas generadas | Pedir baterías de preguntas para practicar la recuperación activa |
La industria ha empezado a incorporar este principio al producto. OpenAI lanzó en julio de 2025 el «modo estudio» de ChatGPT, que guía con preguntas en lugar de entregar soluciones, y Anthropic hizo lo propio meses antes con el Learning Mode de Claude for Education. Aplicaciones de estudio como Modo Cheto o Quizlet exploran mecánicas similares de práctica activa. El mercado, en definitiva, converge hacia el diseño que el experimento de Pensilvania validó.
Qué significa para estudiantes y universidades españolas
Para el sistema universitario español, la «universidad Potemkin» es sobre todo un problema de evaluación. Según la Digital Education Council (2024), el 86 % de los estudiantes de educación superior ya usa IA en sus estudios, mientras la mayoría de titulaciones mantiene formatos de evaluación diseñados antes de 2022.
Las respuestas institucionales avanzan a ritmos desiguales. La UNESCO recomienda desde 2023 integrar la IA con supervisión pedagógica en lugar de vetarla, y varias universidades españolas han publicado guías de uso que trasladan la responsabilidad al diseño docente: más defensa oral, más examen presencial, más evaluación de proceso y no solo de producto final.
Para el estudiante, la implicación práctica es doble. A corto plazo, quien delega gana tiempo; a medio plazo, compite en exámenes presenciales y procesos selectivos donde la fachada no sirve. Y hay un riesgo añadido: incorporar errores del modelo a los apuntes sin filtro, algo evitable con hábitos básicos de verificación rápida de datos generados por IA. La ventaja competitiva se desplaza hacia quienes aprenden a dirigir la herramienta sin cederle el trabajo cognitivo.
La incógnita ya no es si los estudiantes usarán IA, sino qué medirán los títulos cuando todos la usen. Si la evaluación no distingue entre quien aprende con la máquina y quien se esconde tras ella, la fachada de Potemkin no será del alumno: será del propio sistema. El curso 2026-2027, el primero con modos de estudio integrados de serie en las grandes plataformas, empezará a dar la respuesta sobre si es posible generalizar el uso de la IA sin dejar de aprender.
