Presentaciones con IA: ¿Qué hacer para que la cura no empeore la enfermedad?

Por: Comité de IA y Educación Médica de AIpocrates

La escena es ya un estándar en la educación superior contemporánea: un estudiante recibe la tarea de exponer un capítulo complejo de fisiología o farmacología clínica. Hace una década, este encargo desencadenaba un proceso analítico demandante: desde el filtrado crítico de abstracts hasta la lectura profunda y la jerarquización.

Hoy, este proceso toma menos de tres minutos. El alumno introduce el o los documentos de lectura en una herramienta de IA Generativa (IAG) como Notebook LM y, con un clic, obtiene un conjunto de diapositivas estéticamente impecable, estructurado y listo para proyectar, sin dejar de mencionar las modalidades de «investigación profunda» de los LLM que reemplazan a la búsqueda organizada y el proceso de priorizacion de los artículos a analizar.

A primera vista, esto parece un triunfo del acceso democrático a la tecnología y de la productividad académica. Sin embargo, encierra una crisis silenciosa que amenaza el corazón de la formación profesional.

La premisa de este análisis es sencilla pero devastadora: el verdadero problema de las presentaciones generadas por IA no es tecnológico, sino pedagógico. La automatización no está fallando en la creación del producto final; está eliminando precisamente los procesos cognitivos críticos que justificaban asignar presentaciones a los estudiantes.

Nuestra preocupación evoluciona de como hacer slides con IA diseñadas según los principios instruccionales para una carga cognitiva adecuada para la audiencia, a presentaciones estéticas sin un proceso cognitivo humano que les respalde.

El verdadero «para qué» de las presentaciones

Para comprender el sentido de esta pérdida, conviene recordar la verdadera finalidad o el porqué los educadores asignan la tarea de realizar las exposiciones en la educación universitaria. La justificación no debería residir en la producción del archivo final (.pptx) ni en verificar cuánto pudo recordar o explicar el estudiante, sino en aprovechar los beneficios del aprendizaje entre pares o Peer Assisted Learning (PAL).

En una revisión sistemática de la literatura médica publicada en la última década, Tanveer y colaboradores (2023) demostraron que, el estudiante al asumir el rol de “estudiante-tutor” o educador, éste alcanza mejores resultados de aprendizaje en cuatro dominios fundamentales del marco de competencias médicas:

Aprendizaje disciplinar profundo (62% de los estudios): El esfuerzo de preparar contenido debería obligar al estudiante a asimilar la materia a nivel de transferencia conceptual, no de mera memorización.
Conocimiento pedagógico y de retroalimentación (49%): Desarrolla la capacidad de estructurar explicaciones claras y formular respuestas a las dificultades de sus compañeros.
Habilidades genéricas (38%): Consolida competencias transversales de comunicación clínica, liderazgo y trabajo en equipo.
Desarrollo personal (31%): Aumenta la confianza del estudiante y mitiga el síndrome del impostor, facilitando la formación de su identidad profesional.

Aunque estos dominios pueden quedar fuera de la mira de muchos docentes en sus rúbricas evaluativas, esta ganancia cognitiva no ocurre de manera automática. Burgess, McGregor y Mellis (2014) señalan en su revisión sistemática que el valor formativo de estas intervenciones depende estrictamente de un andamiaje bien estructurado: preparación explícita, supervisión docente y el entrenamiento en habilidades de facilitación. Al respecto, revisiones complementarias del aprendizaje asistido por pares subrayan que el valor real emerge de la preparación reflexiva de la actividad de enseñanza, y no del simple hecho de pararse frente a un grupo a hablar.

Entonces, cuando un estudiante delega acríticamente la creación de sus diapositivas a la IA generativa, transfiere al algoritmo el esfuerzo mental de sintetizar, organizar y dar sentido a la información. Se conserva la apariencia del ejercicio (el estudiante de pie frente a sus compañeros con láminas atractivas), pero se extirpa el núcleo que generaba el aprendizaje: «enseñar es aprender dos veces». En ese escenario, el estudiante ya no enseña, sino que se limita a leer en voz alta un guión producido por una máquina.

La psicología del aprendizaje multimedia: El punto de quiebre de la automatización

Incluso si aceptamos la automatización del diseño, cabe preguntarnos: ¿son pedagógicamente efectivas las diapositivas generadas por IA? La psicología cognitiva ofrece una respuesta escéptica.

La Teoría Cognitiva del Aprendizaje Multimedial (CTML), actualizada recientemente por Richard Mayer (2024), sostiene que los seres humanos poseen una capacidad de memoria de trabajo severamente limitada y procesan la información a través de canales duales (visual y auditivo). Para que ocurra un aprendizaje significativo, la instrucción debe diseñarse bajo tres metas instruccionales claras Pinto, Izquierdo y Rico, 2025.

1. Minimizar el procesamiento extraño (Carga Cognitiva Irrelevante)

De acuerdo con los principios clásicos de Fiorella y Mayer (2021), la atención del aprendiz se sobrecarga fácilmente ante un mal diseño. Tres principios fundamentales son vulnerados con frecuencia por las herramientas de IA generativa (LLM) genéricas:

Principio de Coherencia: La IA suele introducir elementos decorativos irrelevantes para «embellecer» la diapositiva, distrayendo la atención del concepto nuclear.
Principio de Redundancia: Se muestra un gráfico satura la capacidad visual del estudiante, interfiriendo con el procesamiento del lenguaje oral.
Principio de Señalización: Se aprende mejor cuando se añaden claves visuales que destacan la información esencial.

2. Gestionar el procesamiento esencial (Carga Cognitiva Intrínseca)

En su revisión sistemática sobre carga cognitiva en entornos multimedia, Mutlu-Bayraktar, Cosgun y Altan (2019) concluyen que el diseño multimedia impacta de manera directa y cuantificable la retención y transferencia de conocimiento. La IA acelera la producción de presentaciones; sin embargo, el estudiante sin un andamiaje mental sólido tampoco formula solicitudes adecuadas ni evalúa críticamente el resultado, el resultado son slides densas que saturan la memoria de trabajo. Según la teoría de la carga cognitiva (Sweller, 1988), esto aumenta la carga extrínseca y reduce la germinal, limitando la construcción de esquemas significativos.

A diferencia del andamiaje de Vygotsky, que ofrece apoyos temporales para guiar al aprendiz hacia la autonomía, la IA entrega productos acabados sin calibrar el nivel de expertise. El reto pedagógico es usar la IA como recurso de andamiaje crítico: enseñar al estudiante a solicitar, seleccionar y simplificar, de modo que la tecnología complemente —y no reemplace— la construcción cognitiva.

3. Fomentar el Procesamiento Generativo (Carga Germana)

Mayer (2024) destaca que el aprendizaje profundo en la preparación de la presentación exige que el estudiante realice activamente el esfuerzo de integrar la información visual y verbal con sus conocimientos previos. Al automatizar la producción de las analogías, las transiciones y los esquemas lógicos, la IA priva al expositor de realizar este procesamiento, entregándole un producto masticado que no requiere esfuerzo reflexivo para ser expuesto.

El factor IA: El dilema del «espejismo» visual

Frente a esta situación, la reacción instintiva de algunas instituciones educativas es asumir que los materiales creados con IA son técnicamente deficientes o fácilmente identificables. Esta postura ignora la sofisticación del software actual.

En una investigación de frontera, Leinonen, Zhang y Hellas (2026) evaluaron la percepción de estudiantes universitarios respecto a diapositivas generadas por herramientas de IA y asistentes de codificación avanzados (como Cursor y Claude Code), frente a las creadas minuciosamente por profesores con amplia experiencia docente. Los resultados son reveladores:

Equivalencia de calidad: Los estudiantes evaluaron la calidad de las diapositivas generadas por IA al mismo nivel que las diapositivas creadas por expertos humanos.
Incapacidad de detección: En pruebas de doble ciego, los estudiantes no lograron identificar con fiabilidad el origen (humano o artificial) de los materiales proyectados.
El sesgo de atribución negativa: Se detectó una correlación negativa significativa entre la puntuación de calidad y la sospecha de uso de IA. Si una diapositiva se percibía como deficiente, los estudiantes asumían que procedía de una IA; si era excelente, asumían que la autoría era humana.

La paradoja es profunda: las diapositivas generadas por IA no son malas; de hecho, son visualmente tan convincentes que superan los filtros técnicos del alumno. Y es precisamente esta pulcritud estética la que consolida el espejismo pedagógico: la presentación luce impecable, el flujo es lógico, las imágenes son nítidas, pero ningún cerebro humano realizó el esfuerzo de síntesis necesario para consolidar ese conocimiento. El entregable conserva la apariencia del rigor académico, mientras que el valor educativo real de realizar una presentación ha sido completamente eliminado del proceso.

Como concluye la revisión sistemática de Ogunleye y colaboradores (2024) sobre el uso de la IA generativa en la educación superior, nos enfrentamos a una preocupante brecha de adaptación. Disponemos de herramientas de automatización mucho más rápidas que nuestros marcos pedagógicos e instruccionales; sin embargo, seguimos diseñando y evaluando tareas académicas pensadas para un entorno de escasez analógica, en un mundo marcado por la sobreabundancia algorítmica.

Conclusiones para rediseñar el aula en la era de la IA

La evidencia científica integrada en este análisis nos obliga a formular una pregunta urgente para decanos, directores de currículo y docentes: ¿Tiene sentido seguir evaluando el aprendizaje de un estudiante mediante un producto final que un algoritmo puede resolver en segundos con calidad profesional?

Si el aprendizaje real de la técnica expositiva reside en el proceso de construcción (búsqueda, selección, organización e integración activa de representaciones visuales y verbales) y no en el archivo de diapositivas terminado, el uso de la IA generativa vacía de valor formativo las exposiciones tradicionales.

Propuestas de rediseño pedagógico basado en evidencia

Formato Tradicional (Obsoleto)	Alternativa para la Era de la IA	Principio Pedagógico Fundacional
Entregable de diapositivas final (.pptx) como indicador de asimilación de un tema científico.	Evaluación del proceso de andamiaje cognitivo: Defensa de mapas conceptuales interactivos o manuales, estructuración de analogías visuales inéditas o debates socráticos en vivo.	Procesamiento Generativo (Mayer, 2024): Asegura que el cerebro del estudiante realice el esfuerzo metabólico y cognitivo de integrar la información.
Exposiciones largas con diapositivas leídas o memorizadas mecánicamente.	Sesiones estructuradas de micro-enseñanza guiada (PAL): Explicación de mecanismos fisiopatológicos complejos mediante pizarras interactivas o dibujo en vivo.	Preparación explícita del tutor (Burgess et al., 2014): Desplaza el foco de la estética digital hacia la competencia pedagógica y la destreza discursiva real del alumno.
Evaluación basada en la estética visual o el orden superficial de la presentación del alumno.	Evaluación de la edición y curaduría de la IA: El estudiante genera el material con IA, pero debe justificar científicamente la exclusión de elementos extraños y la reducción de carga cognitiva.	Reducción de procesamiento extraño (Fiorella & Mayer, 2021): Transforma al estudiante de un consumidor pasivo a un curador experto con criterio cognitivo.

La era de la IA exige a los profesores una transición exigente pero indispensable: transformar la manera de evaluar, replantear los resultados de aprendizaje esperados y revisar las metodologías de enseñanza. Es necesario dejar de valorar únicamente el producto visual de las presentaciones y comenzar a evaluar el esfuerzo cognitivo, la síntesis analítica y la capacidad real de transferencia conceptual de los profesionales del mañana.Los alumnos, por su parte, requieren una autorreflexión sobre cómo la ley del menor esfuerzo puede derivar en un colapso reflexivo: la pérdida del análisis y la síntesis que sostienen el aprendizaje significativo. Esta renuncia puede manifestarse como abdicación cognitiva (renuncia voluntaria a la crítica), atrofia del pensamiento crítico (debilitamiento progresivo de la función reflexiva) o rendición intelectual (entrega pasiva al algoritmo sin evaluación). Todas estas metáforas advierten que, sin un proceso reflexivo, el estudiante sustituye la construcción activa del conocimiento por la comodidad de la automatización.

Referencias bibliográficas

Burgess, A., McGregor, D., & Mellis, C. (2014). Medical students as peer tutors: a systematic review. BMC Medical Education, 14, 115. https://doi.org/10.1186/1472-6920-14-115
Fiorella, L., & Mayer, R. E. (2021). Principles for Reducing Extraneous Processing in Multimedia Learning: Coherence, Signaling, Redundancy, Spatial Contiguity, and Temporal Contiguity Principles. En R. E. Mayer & L. Fiorella (Eds.), The Cambridge Handbook of Multimedia Learning (3ra ed., pp. 185–198). Cambridge University Press. https://doi.org/10.1017/9781108894333.019
Izquierdo, L. M., Pinto L., & Rico A. (2025). Muerte por PowerPoint – 6 hallazgos para reflexionar. AIpocrates. https://aipocrates.blog/2025/11/16/muerte-por-powerpoint-6-hallazgos-para-reflexionar/
Leinonen, J., Zhang, L., & Hellas, A. (2026). AI-Generated Slides: Are They Good? Can Students Tell?. En Proceedings of Western Canada Conference on Computing Education 2026 (WCCCE 2026). ACM, New York, NY, USA, 7 páginas. https://doi.org/XXXXXXX.XXXXXXX
Mayer, R. E. (2024). The Past, Present, and Future of the Cognitive Theory of Multimedia Learning. Educational Psychology Review, 36(8). https://doi.org/10.1007/s10648-023-09842-1
Mutlu-Bayraktar, D., Cosgun, V., & Altan, T. (2019). Cognitive load in multimedia learning environments: A systematic review. Computers & Education, 141, 103618. https://doi.org/10.1016/j.compedu.2019.103618
Ogunleye, B., Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A Systematic Review of Generative AI for Teaching and Learning Practice. Education Sciences, 14(6), 636. https://doi.org/10.3390/educsci14060636
Tanveer, M. A., Mildestvedt, T., Skjærseth, I. G., Arntzen, H. H., Kvernenes, E. M., Bonnevier, A., & Stenfors, T. (2023). Peer Teaching in Undergraduate Medical Education: What are the Learning Outputs for the Student-Teachers? A Systematic Review. Advances in Medical Education and Practice, 14, 723–739. https://doi.org/10.2147/AMEP.S401766