En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Creatividad: la capacidad de generar ideas, soluciones o artefactos novedosos y valiosos. En la era de la IA, la creatividad es una apuesta educativa central: la IA generativa puede tanto amplificar el trabajo creativo (como compañera de pensamiento divergente) como socavarlo (al homogeneizar la producción y sustituir el proceso generativo).

Preguntas para reflexionar

  • La creatividad se describe a menudo como pensamiento divergente —generar muchas posibilidades— frente al pensamiento convergente, que se estrecha hacia una única respuesta correcta. ¿Dónde se sitúa su propio trabajo o estudio en ese espectro, y con cuál de los dos ayuda más fácilmente la IA?
  • La IA generativa es un motor estadístico: puede proponer muchas opciones, pero tiende a la media. Si mucho estudiantado depende del mismo modelo, ¿qué ocurre con la diversidad de ideas en el conjunto de la clase?
  • Un estudio de «piensa primero, ChatGPT después» encontró que el estudiantado que generaba sus propias ideas antes de la IA no mostraba una mejora inmediata, y sin embargo superaba a todos los demás en una tarea de creatividad posterior sin ayuda. ¿Por qué proteger la fase de pensamiento independiente podría producir un aprendizaje que el uso libre de la IA no produce?
  • Si la IA puede producir un artefacto pulido al instante, ¿cuánto vale realmente el trabajo creativo de quien aprende, y cómo diseñaría una tarea para que el proceso generativo permanezca en el estudiantado?
  • ¿Es «suya» una idea generada con ayuda de la IA? La respuesta que dé puede cambiar si trata la IA como compañera de pensamiento divergente o como algo que sustituye su proceso creativo.

Introducción

La creatividad abarca el extremo del pensamiento divergente del espectro cognitivo —generar múltiples posibilidades—, en contraste con el pensamiento convergente, que llega a una única solución correcta. Los sistemas de IA son especialmente relevantes para la creatividad porque son generadores estadísticos: pueden proponer muchas opciones (apoyando la ideación), pero también tienden a la media, lo que produce la homogeneización a nivel de ideas que se documenta cuando mucho estudiantado depende del mismo modelo.

La creatividad y la IA generativa

  • Amplificación: la IA puede actuar como compañera de pensamiento divergente —generar alternativas en una lluvia de ideas, producir contraargumentos y ofrecer perspectivas que quien aprende quizá no considere. Las configuraciones multiagente con roles especializados pueden restaurar la diversidad de ideas.

  • La modalidad se ajusta a la fase creativa. En un experimento 2 × 2 con 120 estudiantes de arte y diseño, la IA basada en texto durante la divergencia superó a la IA generativa de imágenes en el rendimiento creativo divergente (diferencia de medias 0,823; p ajustada por Holm < 0,001) (Wei y Li (2026)). La ventaja de la generación de imágenes en la convergencia no sobrevivió a la corrección de Holm (p ajustada = 0,052), y ninguna secuencia, incluida la de texto a imagen, superó a las alternativas en el rendimiento creativo final. Las ganancias a nivel de fase no sumaron un producto superior.

  • Riesgo de homogeneización: la asistencia de un solo modelo puede reducir la diversidad de ideas entre el estudiantado, de modo que el mismo modelo produce resultados convergentes. Es una amenaza directa para la creatividad en la educación en escritura y la educación en diseño.

  • La homogeneización es una propiedad del despliegue, no de la asistencia de IA como tal. En un experimento de escritura con 247 participantes, la asistencia con un solo modelo y con dos modelos elevó por igual la calidad de los ensayos (Δ = 0,332 y 0,234 frente al control), pero solo la condición de dos modelos restauró la diversidad de ideas entre participantes hasta la línea base (Kumar et al. (2026)). Los resultados convergentes en cuestión los produce un modelo usado por todo el mundo, de modo que la palanca de diseño es el número y la diferenciación de los asistentes, no la presencia de la IA.

  • Proteger la agencia creativa: mantener el proceso generativo de quien aprende dentro del bucle —rutinas de borrador primero, exigir síntesis original y usar la IA para desafiar en lugar de sustituir— preserva el trabajo creativo que produce aprendizaje duradero.

  • La fricción no es ganancia creativa. Las personas de IA contrarias impulsaron discurso de desafío y reflexión en el 38,2% de los grupos, pero no produjeron ninguna mejora medible del rendimiento creativo, así que patrones de interacción más ricos no son evidencia de creatividad (Jin et al. (2026)).

  • Un mapa del campo en K-12: la IA generativa sobre todo potencia la creatividad y rara vez la mide. Una revisión de alcance guiada por PRISMA de 45 estudios (2017–2025) ordena la literatura de K-12 en cuatro usos —evaluación de la creatividad (4 estudios), cocreatividad entre personas y IA (3), percepciones de los actores implicados (14) y potenciación de la creatividad (34). También muestra lo estrecho que sigue siendo el campo: la narración y la escritura basadas en el lenguaje desplazan a casi todo lo demás, con la música, el trabajo corporeizado y espacial y los estudios centrados en la equidad casi ausentes. Los andamiajes diseñados a propósito que conservaban la autoría (entrada de voz, guiones gráficos, prompts divergentes de «muchas opciones») superaron a las plataformas comerciales, y los modelos LLM puntuaron el pensamiento divergente cerca de los evaluadores humanos. Aun así, la preocupación de los propios autores es la misma homogeneización que sigue la literatura: la reducción de la diversidad lingüística, la convergencia de estilos, los datos de entrenamiento contaminados por IA y la pereza metacognitiva en la escritura conjunta. La resumen con el término de Runco «creatividad artificial»: una producción que parece creativa sin la experiencia humana que hay detrás. La dependencia excesiva reapareció como riesgo tanto en los estudios de percepción como en los de cocreatividad y currículo (Generative artificial intelligence and creativity in K–12 education: A systematic scoping review).

  • La cocreatividad es un efecto de red, no un rasgo individual: Ruhland (2026) se apoya en la teoría del actor-red para modelar la creatividad como propiedad emergente de las redes sociotécnicas —un juego triádico de estabilización, desestabilización y reestabilización entre actores humanos y no humanos—, con los agentes de IA generativa tratados como participantes de la red iguales y constitutivos. En un estudio en el que se codiseñaron avatares pedagógicos en una red creativa, los diseños de los avatares no fueron actos creativos individuales, sino que emergieron de procesos de traducción entre el estudiantado, los investigadores y las herramientas de diseño. TriKoNet enmarca el riesgo de que los avatares de IA ya hechos desplacen la agencia creativa hacia la comodidad inducida por la máquina (la «trampa de la comodidad») y sostiene que coconstituir la estructura de acción de la IA con quienes aprenden preserva la cocreatividad.

  • La colaboración de «pensar primero» sostiene la creatividad independiente: Wong y Qiu (2026) encontraron que el estudiantado que generaba sus propias ideas antes de usar ChatGPT (un protocolo de «piensa primero, ChatGPT después») no mostraba una mejora inmediata en la tarea asistida, pero superaba tanto a un grupo con IA libre como a un grupo solo humano en una tarea de creatividad posterior sin ayuda. Usar ChatGPT libremente producía un rendimiento solo transitorio que se derrumbaba al retirar la asistencia —una forma de dependencia excesiva más que de aprendizaje—, mientras que la cocreación colaborativa orientada a mejorar las ideas propias producía ganancias duraderas en creatividad independiente. Esto ofrece evidencia experimental directa de que proteger la agencia creativa no es solo deseable, sino que es lo que convierte el trabajo asistido por IA en aprendizaje.

  • La fuente percibida del ejemplar, y no su contenido, da forma a la ideación grupal. Ejemplares idénticos generados por ChatGPT y etiquetados como producidos por personas frente a por IA cambiaron la creatividad grupal en un estudio de hiperescaneo con fNIRS de 113 díadas: la atribución humana elevó la unicidad de las ideas durante la estimulación y la sincronía interencefálica en las regiones premotora y motora suplementaria, la atribución a la IA solo aumentó el cambio entre vías de ideación, y ninguno de los dos efectos persistió una vez retirados los ejemplares (Xiaoyong et al. (2026)).

  • La implementación evolutiva, no la capacidad, separa la creatividad asistida por IA de la infancia. En la primera comparación de neuroimagen entre personas menores y adultas cocreando con ChatGPT, el alumnado de 6–7 años y las personas adultas mantuvieron la misma conversación hablada de cinco minutos dentro de un escáner de resonancia magnética. La creatividad medida fuera del escáner no difería entre grupos. Sin embargo, las personas adultas mostraron una conectividad intrarred significativamente más fuerte en las redes de control frontoparietal, de prominencia y de atención dorsal, y una creatividad más alta predijo un acoplamiento frontoparietal–prominencia más fuerte en las personas adultas pero no en la infancia. Quienes firman el estudio lo interpretan como una diferencia en cómo la cognición creativa se implementa durante el diálogo con la IA, no en la capacidad de base. Plantea además una pregunta que los consejos de andamiaje no han tenido que responder: ¿cuándo madura realmente la maquinaria de control que reclama el trabajo creativo asistido por IA? (Horowitz-Kraus et al. (2026))

Un contrapeso procedente de la investigación de posgrado: entre 1.157 estudiantes de posgrado chinos, la dependencia de la IA generativa se asoció positivamente con la creatividad investigadora autodeclarada, mucho más fuertemente para la dependencia funcional y orientada a tareas (β = 0,457) que para la dependencia existencial (β = 0,147), y el pensamiento crítico cargaba aproximadamente el 85,0% de la vía funcional (Yin et al. (2026)).

Una encuesta nacional matiza ese patrón: en 5.764 estudiantes universitarios chinos, la dependencia de la IA se correlacionó negativamente con la creatividad autodeclarada (r = −0,17), con las motivaciones de evasión y sociales cargando vías indirectas negativas y las motivaciones instrumentales y de entretenimiento positivas (Hou et al. (2026)).

  • La corporeización rinde de forma desigual. Un robot físico emparejado con un modelo de alta creatividad elevó significativamente la originalidad frente a la colaboración entre personas y la basada en texto, mientras que las condiciones humanas y basadas en texto conservaron la ventaja en imaginería y voz: una paradoja de la corporeización en la que el robot amplificó la producción de la IA sin mejorar el estilo (Liu y Song (2026)).

  • Reafirmar la creatividad humana en la era de la IA. El auge de la IA generativa desafía a los campos educativos a reafirmar el valor de la creatividad humana. Un marco de narrativa digital basada en proyectos para la educación artística y de diseño se diseñó explícitamente para cultivar capacidades emocionales, culturales y narrativas de las que carece la IA, con el estudiantado produciendo narrativas multimodales a partir del patrimonio cultural local, lo que sitúa la creatividad como la contribución específicamente humana en el aprendizaje integrado con IA.

La creatividad en distintos dominios

La creatividad no es una facultad monolítica única: se realiza de forma distinta en la escritura, el arte visual, la matemática y la computación, y la IA generativa interactúa con el proceso creativo de cada dominio de maneras distintas. Entender esas diferencias importa para diseñar aprendizaje asistido por IA que proteja, en lugar de saltarse, el acto creativo central de cada dominio.

  • Arte visual y diseño: la paradoja de la competencia. Las herramientas de texto a imagen (T2I) comprimen la distancia entre la idea y el artefacto, pero la facilidad no libera sin más la creatividad. En un estudio con estudiantado de arte y diseño (417 encuestados), la competencia creativa predecía con fuerza la intención de usar herramientas T2I —pero también predecía un uso real más contenido y selectivo, ya que el estudiantado negociaba autoría, originalidad y preservación de habilidades frente a la eficiencia (The competence paradox: Negotiating ease, risk, and creative identity in text-to-image generative AI use among art and design students). La facilidad y la disponibilidad inmediata permiten generar resultados rápidos en lugar de una implicación sostenida, así que la herramienta puede convertirse silenciosamente en un atajo que erosiona el flujo de trabajo iterativo del taller que debía acelerar.

  • Matemática: creatividad sin transferencia. Una intervención de aprendizaje basado en la indagación apoyada por IA en matemática de secundaria (estudiantes con una media de 12,79 años) elevó significativamente el rendimiento matemático creativo y las actitudes hacia la matemática, pero no mejoró significativamente la resolución de problemas crítica (Evaluating the impact of AI-supported inquiry-based learning on students' creative mathematical performance, critical problem-solving skills, and attitudes toward mathematics). La creatividad y la resolución convergente de problemas son resultados separables; la indagación asistida por IA puede aumentar la producción creativa mientras las habilidades analíticas transferibles se quedan atrás, lo que refuerza la brecha entre rendimiento y aprendizaje más amplia.

  • Matemática: la creatividad docente se mueve con el conocimiento disciplinar y pedagógico. En un estudio de caso integrado con ocho docentes en ejercicio de distritos rurales y con pocos recursos, un programa guiado por IA generativa de diez módulos interactivos construido sobre el marco 4P de Rhodes implicó al profesorado con la creatividad matemática (CM), el conocimiento del contenido (CC) y el conocimiento pedagógico del contenido (CPC) como formas de razonamiento interconectadas y no como dominios separados (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). La aportación que necesita la discusión sobre medición es la afirmación de los autores de que la CM no se desarrolla con independencia del conocimiento matemático del profesorado y de su conocimiento sobre cómo hacer accesibles las ideas, y que fue el tono no enjuiciador ni evaluativo de la IA lo que hizo que el esfuerzo productivo se sintiera lo bastante seguro como para intentarlo.

  • Computación creativa: la fricción que protege la iteración. Quienes programan de forma creativa como principiantes aprenden entendiendo y ampliando «ejemplos encontrados», que la IA puede andamiar de forma útil o permitir saltarse de forma tentadora. Flowcode, un entorno de computación creativa impulsado por IA, combina un diagrama de flujo de la estructura del código con un chat orientado al aprendizaje y una fricción diseñada deliberadamente —mostrada en dos estudios que orienta el uso de la IA hacia entender y ampliar el código en lugar de hacer vibe coding alrededor de él (Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education). La dificultad productiva es aquí una característica que preserva el bucle generativo de quien aprende.

  • Creación literaria: la unidad entre el tema y el texto. Incipit sostiene que una obra se organiza por premisas declaradas y no por temas, y construye un nivel intermedio —1.455 registros de axiomas que abarcan 149 obras, unidos por 472 relaciones tipadas— en el que quien escribe y revisa una configuración puede cambiar un compromiso organizador, quien lee puede justificar una reconstrucción y quien critica puede comparar dos obras. Su propia auditoría afina el punto de medición anterior: el artefacto registra una única curación, 1.448 de los 1.455 axiomas se asignan a exactamente una obra, y la validación propuesta (cinco evaluadores sobre una muestra de 35 registros) no se ha ejecutado, así que el marco es un programa de investigación y no evidencia sobre el aprendizaje creativo.

  • Un flujo de trabajo de diseño con IA generativa puede reducir la confianza creativa mientras el rendimiento se mantiene. En una comparación de diseño arquitectónico con 36 estudiantes, la generación de imágenes con IA igualó a la búsqueda de precedentes en rendimiento de diseño, carga cognitiva y autoeficacia creativa específica de la tarea, pero la autoeficacia creativa general cayó (DiD = −0,543, IC del 95% [−1,068; −0,017]): el apoyo a la tarea y la confianza en la propia creatividad pueden moverse por separado (Xiao et al. (2026)).

  • La narración visual como puente de la imitación al diseño. En un curso de diseño bioinspirado, 20 estudiantes usaron herramientas de imagen con IA para convertir material biológico de origen en relatos visuales; el análisis de cinco trabajos encontró que la narrativa, y no el acabado de la imagen, era lo que sostenía la idea biológica, y que el estudiantado elegía el estilo visual por su significado (Synthesizing AI in STEAM: Visual Storytelling as a Meaning-Making Connector Between Bio-Inspired Design and Creative Expression).

Poner la creatividad en práctica

El principio de diseño recurrente en todos estos hallazgos es mantener el propio acto generativo de quien aprende dentro del bucle —ya sea producir una idea, iterar un artefacto o ampliar un ejemplo encontrado— y usar la IA como compañera de pensamiento divergente que desafía y expande en lugar de sustituir.

  • Para el profesorado: secuenciar las tareas para que el estudiantado genere sus propias ideas iniciales antes de consultar la IA (un protocolo de «piensa primero, ChatGPT después») y después usar la IA para interrogar, ampliar o hacer de abogado del diablo contra esas ideas. Calificar el proceso y la síntesis original junto con el acabado, para que los atajos que evitan el esfuerzo (resultado T2I de un clic, soluciones de vibe coding) no aporten nada. En arte y diseño, hacer de la autoría y del desarrollo de habilidades el objeto evaluado, y no solo el artefacto.
  • Para desarrolladores y diseñadores: construir herramientas que revelen y recompensen el bucle de iteración —mostrar la estructura (como hace el diagrama de flujo de Flowcode), añadir fricción productiva en el momento de «entregar el primer resultado» y ofrecer alternativas y críticas en lugar de una única respuesta pulida. Cuando la herramienta hace que la siguiente mejor versión no cueste nada, las decisiones creativas de quien aprende deberían seguir siendo las que importan.
  • Para investigadores: tratar la creatividad como específica del dominio y del resultado —medir si las ganancias se transfieren a tareas convergentes o sin ayuda, y no solo si el resultado asistido parece más creativo. La brecha de medición es el problema más agudo del campo: dentro de los 45 estudios de K-12, solo los cuatro estudios de evaluación usaron una medida formal de creatividad, la mayoría de los estudios nunca definió el constructo y el proceso creativo —preparación, incubación, iluminación, verificación— quedó prácticamente sin medir. De ahí que la prescripción de la revisión sea la medición primero: puntuar la creatividad de forma no intrusiva dentro de tareas abiertas mediante diseño centrado en la evidencia y evaluación encubierta, y tratar la autoeficacia creativa como parte del resultado y no como un efecto secundario implícito (Generative artificial intelligence and creativity in K–12 education: A systematic scoping review).

Conexiones

La creatividad se conecta con el pensamiento crítico y con el aprendizaje constructivista. La protegen los mismos andamiajes de reducción del mal uso de la IA que preservan el aprendizaje, y los diseños de evaluación auténtica que recompensan el razonamiento original por encima de los productos pulidos.

Concepciones erróneas

  • «Perturbar al estudiantado produce ganancias creativas.» La fricción no es ganancia creativa. Las personas de IA contrarias impulsaron discurso de desafío y reflexión en el 38,2% de los grupos, pero no produjeron ninguna mejora medible del rendimiento creativo. El discurso cambió y el resultado medido no.
  • «La literatura de K-12 establece que la IA generativa mejora la creatividad.» Una revisión de alcance guiada por PRISMA de 45 estudios (2017–2025) muestra que la IA generativa sobre todo potencia la creatividad y rara vez la mide. El hallazgo dominante del campo es una inferencia a partir de la potenciación percibida, que no es una medición de resultados.
  • «Más dependencia de la IA generativa significa más producción creativa.» Entre 1.157 estudiantes de posgrado chinos, la dependencia de la IA generativa se asoció positivamente con la creatividad investigadora autodeclarada, y la asociación es con el autoinforme, que es la medida más débil disponible del constructo.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.