¿Qué deberían aprender los estudiantes para carreras en las que la IA es habitual?

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Un estudiante pregunta por qué debería aprender a hacer algo que un chatbot ya hace. Un consejo asesor del programa dice que los empleadores quieren titulados que sepan usar la IA en el trabajo. Su programa tiene que satisfacer a ambos, y ninguno de los dos ha dicho qué debería saber hacer el titulado sin ayuda.

Respuesta breve para dar a un colega: enseñe la tarea profesional completa y no el manejo de la herramienta, y evalúe tanto el producto apoyado como la capacidad independiente del estudiante. La evidencia respalda entender la preparación como conocimiento disciplinar más juicio más verificación más transferencia, y no respalda ninguna lista de destrezas como garantía de empleo. Una encuesta a 500 docentes universitarios estadounidenses contrastada con un panel de empleadores encontró que los dos grupos coincidían en la importancia de exactamente una de 26 destrezas relacionadas con la IA, fijar expectativas realistas para el trabajo aumentado con IA; los docentes ponderaban el uso crítico y responsable mientras los empleadores ponderaban el flujo de trabajo, la automatización y el trabajo conjunto entre humanos e IA (Fried, 2026). Son prioridades declaradas, no evidencia de contratación. El hallazgo más nítido para un plan de estudios está en otro sitio: en una encuesta a 455 estudiantes de último curso, la alfabetización en IA alcanzó la empleabilidad percibida sobre todo elevando la adaptabilidad profesional, con un efecto indirecto de β = 0,173 junto a un β directo de 0,447 (Hendrawan y Lestari, 2026). La adaptabilidad es una capacidad que se puede enseñar. Un consejo sobre herramientas no lo es.

La versión breve

1. Escriba la capacidad como una afirmación sobre lo que un titulado puede hacer sin ayuda, y después añada al lado la versión con apoyo.

2. Enseñe la tarea completa en seis partes: enmarcar, saber, delegar, verificar, comunicar y adaptarse.

3. Evalúe el producto y el juicio por separado, y haga la comprobación independiente proporcionada.

4. Mantenga la práctica independiente donde esté haciendo un trabajo, y explique por qué en el programa.

5. Distinga los resultados inmediatos de los posteriores cuando evalúe el programa.

6. Trate la ansiedad profesional como una preocupación real y respóndala con investigación, no con predicciones.

Qué destacan los empleadores y qué destacan los docentes

El informe de Ithaka S+R pidió a 500 docentes de carreras de cuatro años en Estados Unidos que valoraran 26 destrezas de un marco que abarca siete categorías, y comparó sus valoraciones con un panel de empleadores encuestado por los autores del marco. El desacuerdo es sistemático y no aleatorio: los docentes situaron en lo más alto los límites de la IA, la atribución y la responsabilidad humana, mientras los empleadores valoraron más el diseño de flujos de trabajo, la automatización y el trabajo conjunto entre humanos e IA.

Hay dos lecturas tentadoras de esa brecha y las dos son erróneas. La primera es que los docentes van por detrás del mercado laboral. La segunda es que los empleadores quieren obediencia. Una lectura más útil es que cada grupo describe una mitad distinta del mismo trabajo, y un titulado que solo sabe hacer una mitad está mal preparado para ambas. Un estudiante que no sabe explicar por qué un resultado es erróneo no sirve a un empleador que confía en el flujo de trabajo; un estudiante que solo sabe criticar la salida de la IA no sirve a un empleador que necesita la tarea terminada.

Los límites de esta evidencia importan. Son prioridades declaradas en encuestas, y el informe no muestra que ningún plan de estudios produzca mejores contrataciones, mejor rendimiento ni mejores salarios. Lo que sí le da es una razón defendible para preguntarse si sus estudiantes practican alguna vez completar y comprobar un flujo de trabajo apoyado por IA, en lugar de hablar de ello.

Enseñe una tarea profesional completa

La pregunta curricular que vale la pena escribir es: ¿qué tendría que hacer, explicar y verificar un principiante capaz en esta situación? Después construya la tarea en seis partes.

Enmarque el problema. Identifique el objetivo, el destinatario, las restricciones, la evidencia disponible y el coste de equivocarse. Un estudiante que no reconoce una petición mal especificada la pasará a un modelo y aceptará lo que vuelva.

Aporte conocimiento disciplinar. Los estudiantes necesitan comprensión suficiente para inspeccionar el resultado: interpretar un caso, estimar una respuesta plausible, detectar una comparación engañosa, ver qué falta. Defina ese umbral explícitamente en lugar de tratar toda práctica independiente como un requisito heredado.

Delegue de forma deliberada. Decida qué pasos puede asistir la IA y cuáles necesitan trabajo independiente o autorización profesional, y sepa dar la razón. Redactar una formulación rutinaria y decidir qué debe decir un registro consecuente son responsabilidades distintas con rendiciones de cuentas distintas.

Verifique contra la evidencia. Compruebe cálculos, afirmaciones, fuentes, supuestos y el cumplimiento del requisito. Enseñe a los estudiantes a registrar cómo resolvió la comprobación la cuestión. Preguntar al mismo modelo si está seguro no resuelve nada, un punto que desarrolla directamente la práctica de verificación.

Comunique y colabore. Explique la decisión a un colega, cliente o supervisor: qué cambió, qué sigue siendo incierto, cuándo tiene que intervenir otra persona. El trabajo apoyado por IA sigue teniendo un destinatario y una cadena de responsabilidad.

Adáptese y transfiera. Repita una tarea comparable con otra herramienta o una restricción nueva, y después pregunte qué siguió siendo útil y qué tuvo que cambiar. Esto es lo que hace observable la adaptabilidad en lugar de dejarla como un adjetivo en un perfil de egreso.

Incorpórelo al trabajo de curso existente

Son adaptaciones de los temas de investigación, no intervenciones de empleabilidad probadas.

Composición y comunicación empresarial: haga que los estudiantes critiquen y revisen una respuesta redactada por IA a la queja de un cliente. La evidencia de capacidad es nombrar las promesas sin respaldo, explicar las decisiones de destinatario y defender la redacción final.

Un curso cuantitativo puede hacer lo mismo con una estimación producida por IA para un problema de planificación realista, donde los estudiantes construyan su propia estimación, declaren los supuestos y prueben la plausibilidad.

Para un curso de hoja de cálculo o de computación, entregue una fórmula generada y datos sintéticos, y después pida casos de prueba, una explicación de las referencias y una condición de fallo.

Profesiones de la salud: los estudiantes evalúan una explicación generada para un caso ficticio contra fuentes aprobadas, nombran sus limitaciones y dicen cuándo tiene que decidir un profesional cualificado.

La exploración profesional tiene su propia versión: comparar la composición de tareas de dos ocupaciones con información ocupacional creíble y después planificar un paso concreto de desarrollo de destrezas o de búsqueda de ayuda.

Para la modalidad asíncrona, pida un intento inicial, un registro breve de verificación y una nota de dos frases sobre una decisión consecuente. En un laboratorio o un seminario, la explicación puede ocurrir en la conversación. Use materiales sintéticos o autorizados siempre que la alternativa sean datos confidenciales de trabajo o de estudiantes.

Evalúe el rendimiento con apoyo y la comprensión individual

Un artefacto pulido le dice qué se produjo en las condiciones permitidas. No le dice qué sabe hacer el estudiante. Añada una comprobación independiente proporcionada: explicar una decisión, reparar un error, adaptar el trabajo a una condición cambiada o realizar sin ayuda una subtarea fundamental.

Elija esos requisitos porque respaldan una capacidad declarada, y diga qué mide cada evaluación. Los estudiantes aceptan la práctica independiente cuando está conectada con aquello para lo que se les prepara; «lo necesitarás algún día» hace menos trabajo que mostrar cómo el cálculo es lo que les permite detectar más tarde una estimación errónea.

El lado del apoyo tiene su propio riesgo. Shojaei et al. (2026) encontraron que el uso de IA generativa se asociaba positivamente con la dependencia de la IA generativa, y la dependencia negativamente con el pensamiento crítico y con la empleabilidad en su modelo de encuesta. Es una asociación y no una afirmación causal, y apunta a la pregunta de diseño: un curso que solo evalúa rendimiento apoyado puede estar entrenando la dependencia que denuncia.

Para la revisión del programa, separe las medidas. El rendimiento en el curso, la alfabetización en IA demostrada, la evaluación del supervisor de prácticas, la situación laboral y la calidad del empleo son resultados distintos con horizontes temporales distintos, y una sola intervención no puede establecerlos todos. La página sobre la evidencia de alfabetización en IA es el inventario honesto de lo que respaldan de verdad los estudios de intervención.

Aborde la ansiedad profesional sin prometer certeza

Los estudiantes llegan con miedos reales, y la literatura de encuestas sobre ellos es una descripción de los miedos y no un pronóstico del mercado laboral. Duan et al. (2026) encontraron que la ansiedad ante la IA predecía directa y negativamente las decisiones profesionales, lo que es un hallazgo sobre la parálisis decisoria y no sobre el empleo. El panorama del bienestar cubre la evidencia más amplia.

Lo que ayuda es la investigación a la escala en que un estudiante puede actuar: qué tareas contiene de verdad este puesto, cómo es una semana, qué tendría que saber hacer, quién puede decírmelo. Los servicios de carrera, los antiguos alumnos y el personal de inserción laboral tienen esa información. Una demostración de herramienta, la impresión de un docente o la presentación de un proveedor no son un pronóstico del mercado laboral, y presentar uno como pronóstico es cómo los programas pierden credibilidad ante estudiantes que después comprueban.

Lo que le van a responder

«Los estudiantes solo necesitan escribir mejores prompts». El prompt es una cláusula de una de las seis partes. Una petición bien especificada no aporta el conocimiento necesario para reconocer un mal resultado, y los empleadores del panel de Ithaka tampoco situaban primero el arte de escribir prompts.

«Si los lugares de trabajo permiten la IA, el trabajo de curso debería permitirla». Un curso también construye la capacidad que hace posible el uso responsable. Diga cuál de las dos está evaluando en cada tarea, y la objeción se convierte en una pregunta de diseño y no en una contradicción.

«Las herramientas cambian demasiado rápido para enseñar nada de esto». Enseñe las operaciones específicas de cada herramienta donde ayuden y evalúe las prácticas duraderas: enmarcar, comprobar, probar, documentar, comunicar, escalar. La evidencia anterior trata de esas prácticas, y nada de ella depende de qué modelo esté vigente.

«Un curso de alfabetización en IA mejorará sus perspectivas laborales». El resultado de mediación es la cautela aquí. La alfabetización en IA alcanzó la empleabilidad percibida de forma directa y a través de la adaptabilidad, y la empleabilidad percibida no es una oferta de trabajo, una valoración de desempeño ni un salario. El diseño de encuesta no puede descartar que los estudiantes seguros de sí mismos se puntúen más alto en todo.

Qué hacer esta semana

1. Elija una tarea a la que se enfrentarán de verdad los titulados de su programa y escriba sus seis partes en cinco líneas.

2. Marque qué partes mide realmente la evaluación actual y cuáles da por supuestas.

3. Añada una comprobación independiente a un trabajo existente: una decisión explicada, un error reparado o una subtarea hecha sin ayuda.

4. Diga a los estudiantes para qué capacidad es esa comprobación, en las instrucciones del trabajo.

5. Compruebe si alguna tarea del curso evalúa solo rendimiento apoyado, y decida si eso es deliberado.

Adónde ir después

Desarrollo y preparación profesional es la página de concepto sobre empleabilidad, adaptabilidad y evidencia del mundo laboral, y Alfabetización en IA cubre qué significa la alfabetización más allá del manejo de herramientas. Para incorporarla a un curso concreto, consulte incorporar la alfabetización en IA y qué competencias necesita el profesorado.

Para el diseño de evaluación que hace distinguibles el rendimiento apoyado y el independiente, consulte rediseñar la evaluación en la era de la IA y la calificación con IA. Para cómo evitar que el apoyo se convierta en dependencia, consulte reducir la dependencia excesiva.