¿Cómo enseñar IA? Primero aprender: El renacimiento del juicio humano (2021-2026)

Por: Ledys Izquierdo. Comité de IA y Educación Médica de AIpocrates

En el entorno del cuidado crítico, el intensivista acostumbra a tomar decisiones pensadas en segundos y con un elevado compromiso en la ética de la salud. Alan Turing se preguntó si las máquinas podían pensar, hoy debemos responder como piensan los médicos cuando los algoritmos ya lo hacen por ellos. En el quinto aniversario de AIPOCRATES, aprovechamos esta especie de paradoja para describir y reflexionar sobre la evolución y asimilación de la Inteligencia Artificial (IA) en el pensamiento y aprendizaje de los médicos. 

La evolución del aprendizaje en este quinquenio revela una transformación radical en la economía del conocimiento; en 2021, la educación médica operaba bajo la economía de la escasez, en la que sintetizar una clase exigía al cerebro un esfuerzo metabólico real: el propio ejercicio de enseñar a un par se asociaba a niveles superiores de aprendizaje profundo entre los estudiantes-docentes [Tanveer et al., 2023]. En 2026, en cambio, plataformas como NotebookLM generan productos impecables en segundos; el mayor peligro ético hoy no es únicamente el deskilling (perder habilidades previas), sino el never-skilling [Ke et al., 2026]: la incapacidad primaria de construir mapas cerebrales basales porque la máquina absorbió todo el procesamiento cognitivo.

La llegada de los Grandes Modelos de Lenguaje (LLM) han revelado una verdad incómoda: habitamos un espejismo de suficiencia en el profesorado. Saber usar la IA en la enseñanza médica va mucho más allá de aprender a escribir preguntas al sistema; creer que con eso basta es un error peligroso. Enseñar usando IA sin entender su funcionamiento interno equivale a recetar un medicamento sin conocer su mecanismo de acción, su farmacocinética ni sus efectos adversos.

• Formular peticiones adecuadas a la IA es apenas la superficie. Esta sola habilidad representa una falsa seguridad, porque no capacita para evaluar la calidad de lo que la máquina responde.
• La tecnología avanza a un ritmo tan acelerado que las investigaciones publicadas en revistas médicas sobre un modelo de IA específico suelen quedar obsoletas antes de salir de la imprenta.
• Si los docentes no comprendemos la lógica básica del sistema, correremos el riesgo de dar por verídica información errónea, perpetuar mitos y transmitir conceptos falsos a los estudiantes.

Para enseñar con rigor y proteger la calidad académica, el cuerpo docente debe adquirir una alfabetización técnica mínima sobre cómo procesa la información la IA, asegurando un uso responsable y crítico en la medicina. Sin una Alfabetización Técnica Mínima Obligatoria, los docentes corren el riesgo de reforzar mitologías y dar respuestas falsas a sus alumnos.

Para evitar la mitificación de la tecnología y comprender la lógica de funcionamiento de las herramientas de lenguaje, el docente debe asimilar los componentes centrales que rigen la arquitectura de los modelos basados en esta tecnología. Este núcleo conceptual obligatorio abarca cuatro dimensiones primordiales:

• Tokens y Longitud de Contexto (Procesamiento por piezas): La IA no lee la historia clínica completa como lo haría un médico al revisar un expediente: fragmenta el texto en piezas llamadas tokens para procesarlas matemáticamente. Si la conversación excede esa capacidad de retención, el sistema empieza a ignorar u «olvidar» las instrucciones iniciales, lo que en la práctica clínica se traduce en respuestas incompletas o descontextualizadas frente a un caso complejo.
• Embeddings y Vectores (Mapa de cercanía matemática): La máquina no entiende el significado ni la gramática: ubica los conceptos en un mapa numérico que agrupa palabras que suelen coexistir (por ejemplo, «fiebre» e «infección»). Ese vínculo es estadístico, no clínico, y puede generar asociaciones aparentemente coherentes pero irrelevantes -o peligrosas- si el docente no las somete a juicio experto.
• Alucinaciones (Errores de cálculo en cadena): Que la IA entregue un dato falso no es «imaginación»: es un error en la estimación probabilística que, como en un efecto dominó, se propaga al resto de la respuesta. El riesgo pedagógico no está en el error de la máquina, sino en delegar en el desarrollador la validación de fuentes que le corresponde al clínico.
• Sesgos Críticos: El riesgo pedagógico no radica únicamente en la herramienta, sino en cómo la asumimos. Se deben evitar dos trampas mentales: el sesgo de automatización (confiar a ciegas en el resultado solo por provenir de una computadora) y el cierre prematuro (aceptar la primera respuesta obtenida sin contrastarla con la evidencia médica).

Alfabetización Técnica Mínima Obligatoria en los Docentes.

Es decisivo reiterar que el dominio de los tokens, los embeddings, las alucinaciones y los sesgos cognitivos representa únicamente la base inicial del aprendizaje docente. Puesto que el ámbito de la inteligencia artificial es intrínsecamente complejo y se encuentra en constante evolución, la formación del profesorado debe progresar hacia un horizonte más amplio de competencias avanzadas. Estas limitaciones matemáticas no son un detalle técnico menor: al fragmentar, asociar y a veces inventar información sin criterio clínico, la IA desplaza hacia sí misma el esfuerzo cognitivo que antes forjaba el razonamiento del estudiante, erosionando justamente los procesos mentales que las taxonomías educativas tradicionales fueron diseñadas para desarrollar.

Las taxonomías tradicionales colapsan ante la IA generativa. La Taxonomía de Bloom se ve subvertida porque la IA permite saltarse los niveles base (Recordar/Entender) para simular niveles superiores (Analizar/Evaluar). Esto elimina las Dificultades Deseables, creando una base cognitiva hueca. Debemos desplazar el foco del producto al proceso para proteger la Soberanía Cognitiva.

Dimensión	Evaluación Tradicional (Producto)	Modelo de Soberanía Cognitiva (Proceso)
Foco	Calificar si la respuesta es correcta.	Evaluar la agencia humana y la responsabilidad.
Rol del Estudiante	Consumidor pasivo de información.	Usuario crítico y cocreador activo.
Rol del Docente	Transmisor de información.	Mentor de Juicio Clínico (cuándo confiar o anular).
Riesgo	Plagio o error de concepto.	Descarga cognitiva que atrofia la arquitectura cerebral.

Para garantizar una co-evolución saludable, se puede implementar la Matriz Taxonómica AIPOCRATES, que organiza la interacción en cuatro zonas que constituyen el aprendizaje desde la Zona Humano-Dominante (libres de IA) hasta la Colaboración Supervisada. Más que reglas rígidas o compartimentos estancados, estas zonas conforman un espectro dinámico de delegación cognitiva supervisada, por el que cada estudiante transita de forma progresiva -y no necesariamente lineal- según su nivel de formación y el contexto clínico. El Criterio de Evaluación es la «Huella Humana» donde el docente deja de calificar la respuesta final o el producto terminado. En su lugar, evalúa la edición crítica, la corrección de errores y la justificación reflexiva que el estudiante realiza tras interactuar con la herramienta.

1. Zona Humano-Dominante (AI-Restricted): Foco en la arquitectura mental basal (Zonas Libres de IA).

Objetivo: Forjar la arquitectura mental basal y el razonamiento clínico primario sin apoyos tecnológicos.

Estrategia pedagógica: Desarrollo de competencias a la cabecera del paciente, simulación clínica y redacción manual de casos.

Hito de progreso: Demostrar independencia cognitiva absoluta en la toma de historia clínica y exploración física sin asistencia digital

• Zona Adversarial y de Calibración: Entrenamiento para detectar errores mediante el paradigma «Verificar y Confiar».

Objetivo: Entrenar al estudiante en el paradigma de «Verificar y Confiar», combatiendo la confianza ciega en la tecnología

Estrategia pedagógica: El docente presenta respuestas generadas por IA que contienen sesgos o errores sutiles para que el alumno audite el resultado y detecte las fallas.

Hito de progreso: Alcanzar «calibración metacognitiva», es decir, reconocer los límites exactos de su propio conocimiento y las fronteras técnicas del algoritmo.

3. Zona de Revisión Híbrida: Optimización del binomio clínico-máquina (NEJM AI, 2026). El estudiante actúa como copiloto.

Objetivo: Optimizar la sinergia entre el criterio médico y la velocidad de procesamiento de la máquina.

Estrategia pedagógica: Resolución de casos complejos donde el estudiante usa la IA como borrador inicial, pero debe auditar exhaustivamente la propuesta analítica.

Hito de progreso: Capacidad para estructurar instrucciones avanzadas y argumentar con evidencia científica sólida cuando decide anular (override) una recomendación algorítmica

4. Zona de Colaboración Supervisada: Integración en sistemas de salud reales.

Objetivo: Integrar la IA en el flujo de trabajo asistencial bajo condiciones reales de alta incertidumbre.

Estrategia pedagógica: Acompañamiento en rondas hospitalarias reales, donde se toman decisiones clínicas contrastando el juicio humano con las herramientas analíticas.

Hito de progreso: Obtención de certificaciones que acreditan la confiabilidad del futuro médico para ejercer de forma coordinada y segura junto a la IA.

Conclusión:

La Inteligencia Artificial es un espejo de nuestra excelencia. Si delegamos nuestro pensamiento al algoritmo y nos limitamos a ser usuarios finales acríticos, estamos trazando el camino hacia nuestra propia irrelevancia. Nuestro deber ético es formar profesionales con una Resiliencia Clínica Blindada, capaces de auditar la tecnología para liberar tiempo para lo que la máquina jamás podrá emular: la compasión, la intuición clínica y el encuentro humano sagrado.

¿Cómo estás estructurando actualmente las zonas «libres de IA» en tu práctica docente o clínica para proteger esa autonomía cognitiva basal en los estudiantes?

Bibliografía

• Ke, Y., Jin, L., Ong, J. C. L., et al. (2026). AI-induced never-skilling in medical education. Nature Medicine, 32(5), 110-118.
• Zwaan, L., Rodman, A., & Shimizu, T. (2026). Trust, Scrutiny, or Collaboration? A Performance-Based Framework for Human-AI Interaction in Medicine. NEJM AI, 3(5), e2600354.
• Domínguez-Torres, L. C., & Vega-Peña, N. V. (2023). Las pirámides de la educación médica: una síntesis sobre su conceptualización y utilidad. Revista Colombiana de Obstetricia y Ginecología, 74(2), 163-174.
• McGrath, S. P., Kim, K. K., Johl, K., et al. (2026). AI-PACE: a framework for integrating AI into medical education. npj Digital Medicine (In Press).
• Tanveer, M. A., et al. (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
• 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
• Documento basado en la evidencia y marcos conceptuales del Tanque de Pensamiento AIPOCRATES (2021-2026).