Educación en tiempos de desamparo: conocimiento, institución y respuesta pública en la era de la IA

Abstract

This theoretical-interpretive essay analyzes the impact of generative artificial intelligence on the Latin American educational ecosystem. The central hypothesis argues that generative AI is being incorporated into education as a redistribution of cognitive mediation, an operation qualitatively distinct from the broadening of access to knowledge that the internet introduced. To name the gap between the speed of transformation of the digital ecosystem and the institutional pace of response, the essay proposes the analytical category of desamparo (institutional defenselessness), complemented by the notion of economy of effort. The argument is organized around four reconfigurations that operate as dimensions of the phenomenon: the teacher, the student, the educational institution, and the State. The bibliographic selection combines recent academic literature on AI in education, regional reports from international organizations, and two documented institutional cases (UNAM and Plan Ceibal). The conclusions identify three lines for future research and four dimensions of public policy requiring priority attention. The essay articulates two complementary plans, one infrastructural and one epistemic, to analyze how algorithmic standardization places tension on the cultural plurality and knowledge diversity historically sustained in Latin America and the Caribbean.

Resumo

Este ensaio teórico-interpretativo analisa o impacto da Inteligência Artificial Generativa no ecossistema educacional latino-americano. A hipótese central sustenta que a IA generativa se incorpora à educação como uma redistribuição da mediação cognitiva, uma operação qualitativamente distinta da ampliação do acesso ao conhecimento inaugurada pela internet. Para nomear a defasagem entre a velocidade de transformação do ecossistema digital e a velocidade institucional de resposta, o ensaio propõe a categoria analítica de desamparo, complementada pela noção de economia do esforço. O argumento organiza-se em torno de quatro reconfigurações que operam como dimensões do fenômeno: o docente, o estudante, a instituição educacional e o Estado. A seleção bibliográfica combina literatura acadêmica recente sobre IA na educação, relatórios regionais de organismos internacionais e dois casos institucionais documentados. As conclusões identificam três linhas de pesquisa futura e quatro dimensões de política pública que requerem atenção prioritária. O ensaio articula dois planos complementares, um infraestrutural e outro epistêmico, para analisar como a padronização algorítmica tensiona a pluralidade cultural e de saberes historicamente sustentada na América Latina e no Caribe.

Introducción

La educación funciona, en gran medida, como un artefacto de continuidad: una arquitectura social que organiza el tránsito entre generaciones, traduce saberes en currículos, estabiliza criterios de evaluación, distribuye credenciales y sostiene una cierta idea de futuro. Esa promesa convive desde siempre con conflictos, desigualdades y disputas culturales. En el presente, sin embargo, aparece una alteración más íntima en su sistema operativo. La convergencia de tecnologías digitales transformativas, con la inteligencia artificial generativa como capa especialmente visible, empieza a tensar de manera simultánea la figura del docente, el sentido del aprendizaje para los estudiantes, el rol de las instituciones y la capacidad del Estado para gestionar el cambio. La apuesta de este ensayo se instala en el momento en que el debate deja de ser sobre herramientas y se vuelve sobre convivencia, legitimidad y pertenencia.

Una distinción analítica organiza esta lectura. Internet, en sus décadas previas, había redistribuido el acceso al conocimiento: amplió la disponibilidad, abarató la distribución y alteró la geografía de las fuentes. La inteligencia artificial generativa opera en otra capa. Además de redistribuir información, automatiza la producción de respuestas plausibles, comprimiendo el tiempo entre pregunta y resultado al punto de afectar los procesos de evaluación, monitoreo y comprensión que sostienen el aprendizaje. Con esa compresión también se reordenan los pactos de confianza sobre la autoría, comprensión y legitimidad. En esa diferencia se sostiene la hipótesis central del ensayo: la IA generativa se incorpora al ecosistema educativo como redistribución de la mediación cognitiva, una operación cualitativamente distinta a la mera ampliación del acceso a herramientas. 

Estudios recientes documentan ese desplazamiento. Fan et al. (2024) describen cómo el uso de IA generativa en procesos de escritura activa lo que denominan metacognitive laziness: una reducción de los procesos de evaluación y monitoreo cognitivo aun cuando los productos finales mejoran. Selwyn (2024) advierte sobre los límites estructurales de la IA en educación cuando se la concibe como herramienta de sustitución, sin atender a las condiciones de mediación deliberada que requiere. El régimen mismo de validación del conocimiento es lo que entra en discusión.

Una palabra nombra esta condición: desamparo. La palabra evoca su sentido común: quedarse sin abrigo, sin un marco que sostiene, sin alguien que responda cuando algo se rompe. El ensayo recupera esa resonancia y la traduce como categoría analítica. Como categoría, el desamparo nombra una condición colectiva que emerge cuando la velocidad de transformación del ecosistema digital supera la velocidad institucional para interpretar, deliberar y responder con garantías. Se manifiesta como decisiones relevantes tomadas bajo marcos incompletos, capacidades desiguales para adaptarse, responsabilidades difusas y una distribución de riesgos que raramente se vuelve explícita. La educación vuelve esa condición particularmente visible porque el aula, sea presencial o mediada por plataformas, sigue siendo uno de los pocos espacios donde se espera que la sociedad acuerde, aunque sea provisionalmente, qué significa comprender, qué significa saber, qué significa “hacer bien” algo. Categorías afines como brecha digital, retraso institucional o agencia docente abordan dimensiones particulares de este fenómeno. El desamparo intenta articularlas como expresiones de un mismo desfase entre velocidad técnica y capacidad institucional para deliberar.

El escenario regional dota al concepto de relevancia material. Una encuesta del Digital Education Council e Instituto para el Futuro de la Educación con 22941 estudiantes y 7319 docentes de 29 instituciones de educación superior en América Latina muestra que el 92% del estudiantado y el 79% del profesorado usan herramientas de IA de manera regular, cifras que superan los promedios globales registrados en encuestas previas del mismo Consejo (86% en estudiantes en 2024 y 61% en docentes en 2025). El 67% del estudiantado utiliza estas herramientas con frecuencia diaria o semanal. Esa misma encuesta documenta tres tensiones simultáneas: el 65% de los estudiantes teme que la IA vuelva el aprendizaje superficial y desaliente el pensamiento crítico y la creatividad; el 88% del profesorado reporta un uso mínimo a moderado, lo que evidencia adopción cautelosa más que integración profunda; y una mayoría del estudiantado no percibe la integración institucional de la IA como eficaz (Digital Education Council, 2026).

La calidad del uso parece contrastar este panorama. En una encuesta a 593 estudiantes de formación docente uruguayos, el uso de IA generativa resultó escaso a moderado, mayoritariamente extractivo, poco utilizado para tareas de evaluación o desarrollo de competencias, y estadísticamente no explicable por variables académicas o personales (Umpiérrez Oroño, Pérez Rodríguez & Cabrera Borges, 2025). A esto se suma el contexto institucional regional: solo el 19% de los países de América Latina y el Caribe cuenta con una Estrategia Nacional de Inteligencia Artificial, frente al 65% en Europa (UNESCO IESALC, 2024), sobre brechas de competencias digitales profundas y heterogéneas por territorio y nivel socioeconómico (Herrera, Huepe & Trucco, 2025). Las cifras describen una capa del fenómeno. La otra, más difícil de cuantificar, es la estandarización de respuestas que tensiona la pluralidad de saberes cultivada históricamente en la región. El desfase entre adopción cotidiana, capacidad de respuesta sistémica y diversidad epistémica es lo que el concepto de desamparo intenta capturar.

Este es un ensayo teórico-interpretativo. Trabaja sobre cuatro reconfiguraciones que operan como dimensiones del fenómeno: el docente, el estudiante, la institución educativa y el Estado. El criterio de inclusión responde a la cadena clásica de legitimación educativa (docente como mediador, institución como marco de validación, Estado como garante de estándares) y al sujeto que la atraviesa. Las cuatro reconfiguraciones se abordan como nodos relacionales del mismo fenómeno, con foco en las dependencias entre ellas. La selección bibliográfica se concentra en literatura académica reciente sobre IA en educación, reportes de organismos internacionales (UNESCO, OCDE, UNICEF, CEPAL) y documentos de política pública regional.

El alcance del ensayo está delimitado. No realiza análisis empírico propio, sino que trabaja con literatura secundaria y reportes regionales, y sus afirmaciones se sostienen en el cruce entre esa evidencia y la observación analítica. Las direcciones de respuesta que se ofrecen al cierre tienen carácter interpretativo y propositivo, y requieren validación empírica situada en contextos institucionales específicos. Su propósito final es abrir un marco común desde el cual la respuesta pública y pedagógica pueda construirse colectivamente, dejando las decisiones específicas de política a la deliberación situada.

El recorrido organiza el argumento en torno a las cuatro reconfiguraciones, enlazadas por el ecosistema digital que las atraviesa. La ambición del ensayo se concentra en nombrar el desamparo con precisión, describir sus mecanismos, y delinear un horizonte de respuesta que evite convertir la transición en más desigualdad, más obsolescencia educativa y una pérdida silenciosa de pluralidad cultural.

Cambio de paradigma y ecología del conocimiento

Hablar de “cambio de paradigma” en educación suele sonar a fórmula. En este ensayo la expresión apunta a algo más preciso: una transformación en la manera en que el conocimiento circula, se valida y se incorpora a la vida social. La educación queda inmersa en un entorno donde el acceso, la producción y la organización del conocimiento están crecientemente mediados por infraestructuras digitales, plataformas y servicios de IA. Esa mediación configura condiciones de posibilidad. Define qué se vuelve inmediato, qué se vuelve costoso, qué aparece como verificable, qué queda invisible. También instala dependencias de conectividad, dispositivos, servicios de nube y productos cerrados que operan como puertas de entrada a la experiencia educativa.

La noción de ecología del conocimiento ayuda a nombrar ese entorno sin reducirlo a sus herramientas. Una ecología incluye relaciones, flujos, reglas formales e informales, formas de atención y de autoridad. Los cambios en un componente reordenan el resto. En este ensayo, la ecología del conocimiento opera en dos planos complementarios: 

• Infraestructural: el ecosistema de plataformas, servicios y modelos que median la circulación del saber bajo lógicas que no son estrictamente pedagógicas (van Dijck, Poell & de Waal, 2018). Williamson, Macgilchrist y Potter (2023) reúnen este debate bajo los términos de IA, automatización y datafication, y advierten que en este ecosistema se redefinen prácticas básicas como la evaluación, el seguimiento de estudiantes y la asignación de recursos. 
• Epistémico. La región sostiene una pluralidad histórica de saberes (pedagogías latinoamericanas propias, debates regionales sobre desarrollo y educación popular, tradiciones académicas locales, conocimientos comunitarios e indígenas) que tienden a quedar subrepresentados cuando la producción de respuestas se estandariza desde corpus globales. Sousa Santos (2009) llama a este efecto monocultura del saber, una jerarquía que reconoce como válido un solo tipo de conocimiento y desplaza al resto.

Ambos planos se cruzan en el aula, manifestando lo que en este ensayo se denomina “desamparo”. La infraestructura técnica define qué herramientas están disponibles, cómo se accede a ellas y bajo qué reglas. La capa epistémica define qué tipo de respuestas esas herramientas devuelven, qué fuentes consideran legítimas y qué saberes quedan fuera del corpus que entrenan a sus modelos. Un estudiante latinoamericano que consulta una IA generativa sobre Paulo Freire recibirá una respuesta articulada y rica; si consulta sobre debates pedagógicos locales menos canónicos (educación rural en su provincia, experiencias de educación intercultural, autores regionales fuera del circuito de traducción al inglés), la respuesta tenderá a ser más genérica, más superficial o directamente errónea. El estudiante no siempre tiene cómo distinguir entre los dos casos, y la diferencia queda invisibilizada en el flujo de uso. Ese cruce entre disponibilidad técnica y desigualdad epistémica se manifiesta en el aula a través de dos niveles que operan de manera distinta.

El apoyo automatizado es la asistencia concreta para producir tareas cognitivas: redactar, corregir, resumir, traducir, proponer esquemas, generar ejemplos. Se adopta con rapidez porque alivia fricciones inmediatas. La mediación automatizada opera como capa de fondo. La presencia constante de ese apoyo reordena prácticas de legitimación y de confianza. Reconfigura preguntas que antes parecían estables: qué cuenta como trabajo, qué cuenta como aprendizaje, qué se reconoce como autoría, cómo se sostiene la evaluación, qué espera la institución del docente, qué entiende el estudiante por saber. El apoyo se incorpora como herramienta visible. La mediación se instala como clima, modifica acuerdos tácitos y produce efectos culturales. Esta distinción conecta con la tesis central del ensayo. Si la IA generativa redistribuye la mediación cognitiva, lo hace a través de la transición del primer nivel al segundo. Lo que comienza como apoyo puntual se sedimenta como reordenamiento de los pactos de confianza que sostienen el aprendizaje.

El desplazamiento tiene una dimensión económica y otra estructural que suelen quedar fuera de la conversación pedagógica. El capitalismo de plataforma nombra modelos de negocio que capturan valor mediante infraestructuras digitales que coordinan servicios, concentran capacidades y se vuelven puntos de paso casi inevitables (Srnicek, 2017). Cuando la educación se apoya en esa intermediación, las decisiones sobre qué herramientas se usan dejan de ser solo pedagógicas y se vuelven decisiones de adquisición institucional con efectos curriculares. La responsabilidad se desplaza por la cadena de intermediación cuando hay fallas, sesgos o exclusiones. En América Latina y el Caribe estas tensiones se amplifican por brechas persistentes de acceso, uso y competencias digitales, distribuidas de forma desigual por territorio, nivel socioeconómico y trayectoria educativa (Herrera, Huepe & Trucco, 2025). La desigualdad opera en varios niveles simultáneos: estabilidad del acceso, acompañamiento disponible, tiempo para estudiar, alfabetización digital crítica, capacidad de convertir una herramienta en aprendizaje. La dimensión epistémica añade una tensión adicional, la región sostiene tradiciones de conocimiento situadas que tienden a quedar subrepresentadas cuando la producción de respuestas se estandariza globalmente. La ecología del conocimiento queda doblemente tensionada, en su infraestructura material y en su diversidad cultural.

En este punto reaparece el desamparo:prácticas que cambian rápido, marcos institucionales que tardan en recomponerse, una conversación pública que oscila entre entusiasmo instrumental y alarma moral. En el medio se abren zonas grises, como ser docentes que improvisan acuerdos para sostener la evaluación de estudiantes que exploran el apoyo automatizado sin lenguaje común para delimitar uso legítimo y simulación, o instituciones que incorporan herramientas mientras mantienen procesos diseñados para otra economía del conocimiento. Las guías internacionales han insistido en que la adopción de IA en la educación requiere criterios explícitos de agencia humana, equidad, transparencia y protección de derechos, precisamente por el desfase entre despliegue tecnológico y capacidad institucional para gobernarlo (UNESCO, 2023). Ese desfase requiere una traducción a prácticas concretas: una formación docente sostenida, reglas coherentes, rediseño de la evaluación, marcos de responsabilidad y una conversación institucional capaz de sostener matices. La siguiente sección entra en el primer punto de esa traducción: la figura docente, donde la mediación humana y la mediación automatizada negocian su convivencia cotidiana.

Reconfiguración del docente: agencia, criterio y desgaste institucional

La figura del docente concentra una parte central del desamparo contemporáneo. En el aula, la IA generativa llega como práctica antes que como política. La incorporan estudiantes en su flujo de trabajo, colegas que experimentan para sostener planificación o corrección, instituciones que ensayan respuestas parciales. En ese movimiento, el docente se convierte en el primer punto de fricción donde se negocia qué es legítimo, qué es valioso y qué merece confianza. Los datos regionales muestran la magnitud del fenómeno. El 79% del profesorado latinoamericano en educación superior ya usa IA en su enseñanza. La profundidad de esa adopción, sin embargo, sigue siendo limitada: el 88% reporta un uso mínimo a moderado, lo que evidencia una integración aún superficial. Solo el 30% del profesorado siente que su institución ofrece recursos suficientes para desarrollar alfabetización en IA (Digital Education Council, 2026). El docente adopta, pero adopta solo.

La reconfiguración funciona como un desplazamiento de pesos dentro del oficio. La posesión de contenido pierde centralidad como fundamento automático de autoridad, y ganan visibilidad capacidades que habían estado presentes con un reconocimiento desigual: diseñar criterios, sostener preguntas que obliguen a justificar, acompañar procesos, leer contextos, cultivar una ética de aprendizaje. La IA vuelve visible la diferencia entre producir resultados y comprender, y esa visibilidad empuja al docente hacia un trabajo más explícito de mediación, sostener el sentido de lo que se aprende y por qué se aprende. Selwyn, Ljungqvist y Sonesson (2025) describen este desplazamiento como “trabajo en torno a las fragilidades educativas” de la IA generativa (traducción propia de work around the educational frailties of generative AI tools). A partir de entrevistas con 57 docentes de Suecia y Australia, los autores documentan el trabajo invisible de revisar, reparar y a veces rehacer completamente productos generados por IA, una labor que las narrativas industriales y de política pública sobre eficiencia tienden a borrar.

El apoyo automatizado impacta  con fuerza. Si redactar, resumir o estructurar un texto resulta accesible en segundos, la tarea docente enfrenta una paradoja cotidiana: el producto presentado puede tener apariencia sólida y la comprensión que lo sostiene puede ser frágil. El docente termina interpretando señales ambiguas, distinguiendo entre ayuda legítima, sustitución y simulación. La trampa rara vez es un acto consciente. Aparece como hábito cultural en formación, un modo de avanzar en un sistema que sigue midiendo resultados visibles cuando las condiciones de producción cambiaron. Fan et al. (2024) confirman este desfase en términos cognitivos medibles. Documentan que el uso de IA generativa en procesos de escritura produce un efecto doble: los productos finales mejoran y, al mismo tiempo, se reducen los procesos de evaluación y monitoreo metacognitivo en estudiantes universitarios. El profesorado lo percibe. El 78% del profesorado regional expresa preocupación alta por la capacidad de sus estudiantes para evaluar críticamente los resultados generados por IA, y el 76% se preocupa por la dependencia excesiva (datos del mismo reporte regional).

A medida que ese apoyo se normaliza, la mediación automatizada se instala como clima. Su efecto excede el aula y atraviesa expectativas sobre la productividad docente, la estandarización de materiales, el ritmo de retroalimentación, o la presión por actualizarse. Esa mediación reordena la pregunta por la profesionalidad. Qué significa ser competente cuando parte del trabajo intelectual puede tercerizarse a un sistema. Qué se entiende por buen docente cuando se cruzan exigencias institucionales de rapidez, cobertura curricular y evidencia con demandas contextuales de juicio, acompañamiento y criterio. El docente termina sosteniendo esta tensión sin respaldo institucional uniforme, en un entorno donde la discusión pública suele desviarse hacia detección y control de uso indebido. El desamparo se hace visible en ese desplazamiento: se piden garantías a quien no tiene infraestructura, tiempo ni marco compartido para producirlas.

Aquí aparece el concepto de agencia docente. Priestley, Biesta y Robinson (2015) lo definen como un fenómeno ecológico antes que individual: la agencia se logra en función de la calidad de la relación que el docente puede establecer con su entorno material, cultural y estructural. La UNESCO (2025) retoma este enfoque y lo plantea como condición para que la IA preserve la autonomía pedagógica y el criterio profesional. Desde esta perspectiva, la agencia docente se sostiene en condiciones materiales y organizacionales: formación continua, tiempo, apoyo entre pares, claridad institucional sobre criterios, y marcos de responsabilidad que distribuyen el costo del cambio en lugar de concentrarlo en la figura del docente. Cuando esas condiciones faltan, la agencia se reduce a un trabajo emocional adicional. Cada docente reinventa reglas, calibra criterios con sus estudiantes, sostiene la profundidad en un entorno que empuja a la velocidad. El desgaste se acumula como costo individualizado de una transición sistémica.

Un ejemplo que ilustra una respuesta institucional sostenida es el Plan Ceibal en Uruguay En 2024, 613 docentes se formaron específicamente en IA a través de cursos individuales, módulos de postítulo y trayectos de formación docente. En 2025, el programa Pensamiento Computacional e Inteligencia Artificial alcanzó a 4.100 docentes y 95.000 estudiantes, con cobertura del 95% de escuelas públicas urbanas y 65% de rurales (ANEP-Ceibal, 2025). El laboratorio EduIA, primero en la región dedicado a IA aplicada a educación, articula la formación con desarrollo de herramientas pedagógicas como la integración de IA en la plataforma CREA. El caso muestra que la agencia docente requiere un ecosistema institucional sostenido. La situación regional es heterogénea: según UNESCO IESALC (2024), la mayoría de los países opera sin marcos nacionales que estructuren la formación docente en IA, lo que vuelve al caso uruguayo una excepción más que un patrón regional.

La siguiente sección sigue la cadena pedagógica hacia el otro lado del vínculo: el estudiante, donde el conocimiento se presenta como flujo mediado, abundante y disponible, y donde se renegocia el sentido mismo de estudiar.

Reconfiguración del estudiante: economía del esfuerzo y formación del criterio

Si el docente ocupa la primera línea de fricción, el estudiante habita un terreno distinto. Allí el conocimiento se presenta como flujo abundante y disponible, modulable mediante consultas iterativas a sistemas de IA generativa, accesible casi siempre desde un dispositivo móvil. Según la encuesta del Digital Education Council (2026) con 22.941 estudiantes de 29 instituciones de educación superior en América Latina, el 92% ya utiliza herramientas de IA, una cifra que supera el promedio global del 86% registrado en encuestas previas del mismo Consejo. El 67% lo hace de forma diaria o semanal, y el 84% accede mayoritariamente desde un smartphone. La generación que hoy estudia construye su relación con el conocimiento en este entorno desde el comienzo, en condiciones donde el aprendizaje está atravesado por sistemas de mediación automatizada.

Los usos predominantes describen un patrón consistente. La búsqueda de información encabeza el repertorio (65% del estudiantado), seguida por la generación de ideas y borradores (61%), la ayuda en la redacción (47%), el resumen de documentos (42%) y la compañía durante el aprendizaje (31%). ChatGPT concentra el 88% del uso, con Google Gemini en segundo lugar muy por detrás. Los números muestran adopción masiva y orientación predominantemente extractiva del uso. En el estudio cuantitativo de Umpiérrez Oroño, Pérez Rodríguez y Cabrera Borges (2025) con 593 estudiantes de formación docente uruguayos, el uso de IA aparece como “incipiente y con fines enfocados en el consumo más que de creación o producción”. Los hallazgos sugieren que el apoyo automatizado opera, en la mayoría de los casos observados, como atajo cognitivo más que como herramienta de exploración indagatoria. El plano epistémico añade un matiz, cuando un estudiante latinoamericano consulta sobre temas con producción regional minoritaria en los corpus globales, la respuesta tenderá a ser más genérica o errónea, sin que el sistema le advierta sobre esa asimetría. Esta preocupación coincide con Mora-Reyes, Drewyor y Reyes-Angulo (2025), quienes advierten que los modelos generales pueden presentar menor expresividad cultural ante contextos latinoamericanos subrepresentados.

Aquí emerge una tensión que define la reconfiguración del estudiante: la economía del esfuerzo. La expresión se propone aquí como categoría analítica, en diálogo con la literatura sobre cognitive offloading y carga cognitiva, para nombrar específicamente cómo la IA generativa reordena el cálculo cotidiano que el estudiante hace entre esfuerzo invertido y resultado obtenido. Estudiar siempre implicó administrar tiempo, energía y atención frente a tareas que exigían esfuerzo cognitivo sostenido. La IA generativa altera esa ecuación al volver accesibles operaciones que antes requerían trabajo prolongado: resumir un texto extenso, estructurar un argumento, generar un primer borrador, traducir conceptos a otro registro. La pregunta pedagógica de fondo es qué se desplaza cuando se optimiza esa ecuación. La evidencia experimental ofrece una primera aproximación al fenómeno. Fan et al. (2024) realizaron un estudio de laboratorio con asignación aleatoria en el que comparan a aprendices con apoyo de ChatGPT frente a otros con apoyo de un experto humano y de herramientas de tipo checklist. El grupo con ChatGPT obtuvo mejores puntajes en el ensayo de corto plazo. Las ganancias de conocimiento y transferencia, en cambio, no mostraron diferencias significativas, y los procesos de aprendizaje autorregulado se modificaron. Los autores acuñan el término metacognitive laziness (pereza metacognitiva) para describir un patrón en el que la herramienta absorbe operaciones de evaluación, monitoreo y corrección que antes el aprendiz hacía. El hallazgo es un primer indicio empírico, en un entorno controlado, que pide replicación y cuyo alcance externo aún se está construyendo. La conexión con el aula latinoamericana cotidiana no es lineal, aunque el patrón observado en laboratorio coincide con el uso extractivo que documentan los estudios regionales de adopción.

El propio estudiantado percibe esta tensión. El 65% expresa preocupación por que la IA vuelva el aprendizaje demasiado superficial y desaliente el pensamiento crítico y la creatividad (Digital Education Council, 2026). La conciencia coexiste con el uso intensivo. Una mayoría de estudiantes percibe que algo se pierde y, al mismo tiempo, el incentivo inmediato (tiempo, claridad, fluidez) tiende a pesar más que la inversión a futuro en una capacidad propia. Esta brecha entre conciencia declarada y comportamiento es uno de los rostros característicos del desamparo a este nivel. Surge en gran parte por falta de marco compartido: sin acuerdos pedagógicos explícitos sobre qué usos amplían el aprendizaje y cuáles lo sustituyen, cada estudiante navega esa decisión por su cuenta, en condiciones que la favorecen poco.

A medida que el apoyo automatizado se vuelve un hábito, la mediación automatizada reconfigura preguntas más profundas sobre qué significa producir un texto cuando las partes del proceso pueden delegarse, qué significa aprender cuando el resultado puede separarse del trayecto, qué significa la autoría en un trabajo donde la herramienta intervino en cada etapa. Estas preguntas aparecen en la práctica cotidiana cuando un estudiante entrega un trabajo y no puede explicar con claridad lo que escribió, o cuando un equipo docente intenta evaluar la comprensión a partir de productos que ya no permiten inferirla con facilidad. La integridad académica entra aquí como cuestión central. El 61% del estudiantado, según el mismo reporte regional, expresa preocupación porque el uso indebido de IA por parte de sus pares cree ventajas injustas y socave el valor de su educación. La preocupación atraviesa al estudiantado mismo, además de a las instituciones. El desamparo se manifiesta también en la falta de marcos institucionales legibles. Solo el 8% del estudiantado declara estar plenamente informado sobre las directrices de IA de su institución y considerar que esas directrices son exhaustivas (datos del mismo reporte). El estudiante experimenta la transición con marcos institucionales fragmentados y con escasa claridad sobre qué se le exigirá mañana cuando hoy adopta una herramienta que el sistema todavía no termina de procesar.

A esto se suma una capa estructural específica de la región. Las brechas de competencias digitales son profundas y heterogéneas, distribuidas por territorio, nivel socioeconómico y trayectoria educativa (Herrera, Huepe & Trucco, 2025). Esas desigualdades estructurales significan que la economía del esfuerzo opera de manera desigual entre estudiantes. Quienes cuentan con alfabetización digital crítica, hogares con conectividad estable y trayectorias educativas que valoran la indagación pueden convertir el apoyo automatizado en plataforma de aprendizaje más profundo. Quienes carecen de esas condiciones tienden a usar la herramienta como sustituto. La desigualdad regional anterior se reproduce y amplifica en la capa de mediación cognitiva.

La reconfiguración del estudiante depende menos del uso o no uso de IA y más de las condiciones que rodean ese uso. La siguiente sección entra en el actor que tendría que articular esa respuesta: la institución educativa, donde procesos y traducción definen cuánto del desamparo se contiene y cuánto se traslada.

La institución educativa: procesos, traducción y desfase temporal

La institución educativa ocupa un lugar específico en la cadena del desamparo. Es la instancia donde la práctica cotidiana del aula y la orientación general del Estado tendrían que encontrarse en marcos operativos legibles. Cuando esa traducción falla, el costo se distribuye hacia los actores menos protegidos del sistema. Las instituciones no son entes monolíticos. Articulan equipos directivos, áreas pedagógicas, oficinas de tecnología, comités de evaluación, sindicatos docentes, asociaciones estudiantiles. Esa pluralidad interna explica parte del desfase temporal entre la velocidad con que la IA generativa ingresa a las prácticas y la velocidad con que las instituciones producen respuestas articuladas.

El desfase es perceptible en la experiencia de quienes habitan las instituciones. Según la encuesta del Digital Education Council (2026), aplicada a 22.941 estudiantes y 7.319 docentes en 29 instituciones de educación superior latinoamericanas, solo el 30% del estudiantado siente que su institución integra la IA de forma eficaz, y apenas el 8% se declara plenamente informado sobre las directrices institucionales y considera que esas directrices son exhaustivas. En el lado docente, el 5% reporta el mismo nivel de información y conformidad con las directrices vigentes. Cabe recordar que estos datos provienen de instituciones que voluntariamente participaron en la encuesta, lo que sugiere una población predispuesta al diálogo sobre IA. Aun así, la percepción es coherente: el marco institucional, donde existe, no llega o no convence con la profundidad suficiente. La adopción ocurre, los procesos institucionales se quedan atrás.

Una observación de la literatura crítica sobre digitalización educativa es que las instituciones, frente a presiones aceleradas, tienden a responder primero con instrumentos formales: comités de IA, lineamientos generales, capacitaciones puntuales, declaraciones de principios (Williamson & Hogan, 2020; Selwyn, 2024). Estos procesos no carecen de valor. Marcan un movimiento, abren una conversación, generan documentación de respaldo. La pregunta más fina es si esa producción procesal funciona como traducción operativa o como respuesta formal sin correlato práctico. La traducción operativa exige tres operaciones simultáneas que pocas instituciones pueden sostener al mismo tiempo: reescribir criterios de evaluación, formar al cuerpo docente en juicio pedagógico sobre IA y construir mecanismos de participación con estudiantes. Determinar dónde está cada institución requiere observación empírica situada, no inferencia desde indicadores agregados.

Dos casos regionales documentados ilustran trayectorias distintas. La Universidad Nacional Autónoma de México (UNAM) publicó en 2025 un estudio realizado entre octubre y noviembre de 2024 con 2.069 docentes y 4.725 estudiantes de bachillerato, licenciatura y posgrado (Benavides-Lara et al., 2025). Los autores advierten una limitación metodológica relevante: el muestreo no fue probabilístico, por lo que los resultados describen la población encuestada sin pretender representatividad estadística. Dentro de esos límites, el estudio documenta adopción amplia de IA generativa en el profesorado (83% bachillerato, 73% posgrado, 70% licenciatura) y un hallazgo más fino: solo entre el 5% y el 14% del profesorado usuario la emplea en planificación, comunicación con estudiantes o evaluación, lo que sugiere que la adopción declarada convive con una integración aún limitada en actividades pedagógicas estructurales. Sobre esa base diagnóstica, la institución publicó recomendaciones para el uso educativo de la IA generativa y organizó jornadas abiertas a la comunidad universitaria.

El segundo caso es la incorporación de PowerBuddy en la plataforma CREA del Plan Ceibal, lanzada en junio de 2025 para asistir a docentes en la generación de contenidos pedagógicos. Según información publicada por Ceibal (2025), en la primera semana de disponibilidad 2.000 docentes utilizaron la herramienta, sobre un colectivo donde el 80% emplea CREA habitualmente. PowerBuddy fue desarrollado por PowerSchool, empresa estadounidense que también provee la plataforma CREA, y fue adquirido por Ceibal mediante una licencia anual para cada docente. El caso ilustra una vía posible para incorporar IA generativa en infraestructura educativa pública y muestra una característica del modelo: la provisión técnica depende de un proveedor privado internacional, situación común en sistemas educativos regionales que conecta con la discusión sobre capitalismo de plataforma desarrollada en la sección de marco conceptual.

A la dimensión interna se suma la externa. Las instituciones operan en ecosistemas donde proveedores privados ofrecen herramientas con condiciones de servicio diseñadas para mercados globales, donde las reglas de uso de datos personales no siempre coinciden con la legislación nacional, y donde las decisiones de actualización del modelo pueden alterar el comportamiento de una herramienta sin aviso previo a la institución. Williamson y Hogan (2020) documentan cómo la pandemia consolidó la presencia del sector privado en la educación pública a través de infraestructuras tecnológicas, generando nuevas formas de dependencia institucional. La UNESCO (2026), al lanzar el Observatorio sobre IA en Educación para América Latina y el Caribe, plantea que la integración de IA requiere marcos de gobernanza, capacidades institucionales, criterios éticos y evidencia contextualizada, dimensiones que pocas instituciones latinoamericanas tienen instaladas en simultáneo.

La evaluación aparece como campo donde el desamparo institucional se vuelve más visible. El 52% del profesorado regional encuestado identifica la necesidad de cambios significativos en los métodos actuales de evaluación, y un 17% adicional señala la necesidad de una renovación urgente y completa (Digital Education Council, 2026). Las instituciones que se concentran en detección y control reproducen una lógica de verificación que la tecnología vuelve cada vez menos efectiva. Las que rediseñan evaluación articulando alfabetización en IA, criterios de proceso y supervisión humana abren caminos más sostenibles, también más exigentes en recursos y tiempo. La asimetría entre ambas trayectorias requiere estudios comparativos sistemáticos que actualmente son escasos en la región. A esto se suma la dimensión participativa: el 63% del estudiantado encuestado espera participar en decisiones institucionales sobre IA, mientras solo el 34% percibe que su voz es consultada (según el mismo reporte). La distancia entre expectativa de participación y práctica institucional consultiva constituye un área abierta para investigación empírica situada.

El desamparo institucional se materializa en tres frentes simultáneos: marcos institucionales que la comunidad universitaria percibe como poco legibles, una dependencia de infraestructuras tecnológicas cuyos términos exceden la capacidad de auditoría institucional, y un rezago en la incorporación de voces estudiantiles a la gobernanza. La siguiente sección entra en el actor que tendría que enmarcar y habilitar respuestas institucionales coordinadas: el Estado, donde gobernanza, derechos y soberanía digital definen el horizonte regulatorio dentro del cual las instituciones operan.

El Estado: gobernanza, derechos y horizonte regulatorio

El Estado es la instancia que tendría que producir el marco bajo el cual los actores anteriores operan. Cuando la IA generativa irrumpe en aulas, escritorios docentes y plataformas institucionales sin que existan reglas nacionales, la responsabilidad de interpretar, decidir y proteger derechos queda fragmentada entre ministerios y poderes legislativos que avanzan a ritmos distintos. El desamparo, a este nivel, se materializa como ausencia o demora de respuestas estatales coherentes.

La asimetría regional es marcada. Según UNESCO IESALC (2024), sólo el 19% de los países de América Latina y el Caribe cuenta con una Estrategia Nacional de Inteligencia Artificial, frente al 65% en Europa. El dato describe la disponibilidad formal de marcos, sin capturar las diferencias de calidad, vigencia y capacidad de implementación entre los países que sí los tienen. Tres trayectorias regionales recientes permiten ilustrar el espectro.

• Chile publicó en mayo de 2024 la actualización de su Política Nacional de Inteligencia Artificial, formalizada por decreto supremo del Ministerio de Ciencia, Tecnología, Conocimiento e Innovación, con vigencia hasta 2031. La política se acompaña de un Plan de Acción que contempla 177 iniciativas coordinadas por 14 ministerios y se construyó mediante un proceso participativo con más de 300 personas en seis regiones del país (Ministerio de Ciencia, Tecnología, Conocimiento e Innovación de Chile, 2024). 
• Brasil ofrece una trayectoria distinta. El Proyecto de Ley 2338/2023, conocido como Marco Legal de IA, fue aprobado por el Senado Federal el 10 de diciembre de 2024 y remitido a la Cámara de Diputados en marzo de 2025, donde aguarda parecer del relator (Senado Federal, 2024). Su tramitación se vio afectada por un vicio de iniciativa que el Poder Ejecutivo intentó corregir en diciembre de 2025 (Ministério da Gestão e da Inovação em Serviços Públicos, 2025). El PL adopta una clasificación basada en riesgo inspirada en el AI Act europeo, y su demora ilustra la complejidad de articular respuestas legislativas en sistemas políticos con múltiples instancias deliberativas. 
• Uruguay muestra una tercera vía, sin política nacional formal de IA pero con presencia estatal sostenida a través de la articulación entre Plan Ceibal, Ministerio de Educación y Cultura, ANEP y Presidencia, como se desarrolló en la sección anterior. El caso uruguayo muestra que la acción estatal en IA educativa puede expresarse en instituciones operativas sin un marco normativo de alto nivel.

Las tres trayectorias operan sobre marcos preexistentes de protección de datos personales (LGPD en Brasil desde 2018, Ley 21.719 en Chile aprobada en 2024 con vigencia en 2026, Ley 18.331 en Uruguay desde 2008), que ofrecen una base jurídica para abordar dimensiones de la IA generativa sin haber sido diseñados específicamente para sus desafíos. Estos marcos preexistentes operan dentro de un debate conceptual más amplio sobre el rol del Estado frente a la IA, organizado en torno a tres ejes que definen el horizonte regulatorio dentro del cual operan los actores educativos:

1. El primer eje es la gobernanza algorítmica, definida por Grimmelikhuijsen y Meijer (2022) como el uso de algoritmos de aprendizaje automático en procesos gubernamentales que incluyen toma de decisiones, prestación de servicios y diseño de políticas, lo que demanda mecanismos específicos de transparencia, auditabilidad y rendición de cuentas. 
2. El segundo es la soberanía digital, entendida como la capacidad de un Estado o región de definir reglas sobre infraestructuras críticas, flujos de datos transfronterizos y dependencia tecnológica. En el caso latinoamericano, el debate adquiere materialidad concreta: la región alberga menos del 5% de la capacidad mundial de centros de datos, con concentración alta de la infraestructura de nube en un grupo reducido de proveedores globales. La CEPAL y el Centro Nacional de Inteligencia Artificial de Chile, en el Índice Latinoamericano de Inteligencia Artificial 2024, evaluaron 19 países de la región y agruparon a Chile, Brasil y Uruguay como pioneros. El mismo informe advierte que la mayoría de las estrategias nacionales de IA carecen de financiamiento suficiente y de mecanismos de aplicación claros (CEPAL & CENIA, 2024). 
3. El tercer concepto es el de derechos digitales, formalizado en el ámbito internacional por la Observación General No. 25 del Comité de los Derechos del Niño de Naciones Unidas (2021), que establece cómo los Estados parte deben implementar la Convención sobre los Derechos del Niño en relación con el entorno digital, incluyendo privacidad, no discriminación, acceso equitativo y participación significativa de niñas, niños y adolescentes en decisiones que los afectan.

Los tres conceptos convergen con particular intensidad en el campo educativo. La decisión de incorporar IA en aulas y plataformas involucra simultáneamente la auditabilidad de los sistemas (gobernanza algorítmica), la dependencia de proveedores con sede fuera de la región (soberanía digital) y la protección de datos de estudiantes, muchos de ellos menores de edad cuya tutela jurídica internacional está específicamente establecida (derechos digitales). El sistema educativo público concentra estas tensiones porque opera con una población mayoritariamente protegida por el régimen internacional de derechos del niño, en infraestructuras provistas por actores comerciales sujetos a marcos regulatorios de otros países.El desamparo estatal opera así en una capa donde la lentitud institucional propia de la deliberación democrática se encuentra con la velocidad acelerada del cambio tecnológico. La conclusión retoma este desfase en el marco general del ensayo.

Conclusión: el desamparo como zona de deliberación

El ensayo propuso una hipótesis y un marco interpretativo:

• La hipótesis: la IA generativa redistribuye la mediación cognitiva, una operación cualitativamente distinta a la ampliación del acceso al conocimiento que internet inauguró. 
• El marco: el desamparo como categoría que nombra el desfase entre la velocidad de transformación del ecosistema digital y la velocidad institucional para interpretar, deliberar y responder con garantías.

Junto al desamparo, el ensayo propuso la economía del esfuerzo como categoría analítica complementaria para nombrar cómo la IA generativa reordena el cálculo cotidiano entre esfuerzo cognitivo invertido y resultado obtenido. Cuatro reconfiguraciones permiten observar el desfase en su materialidad cotidiana: la figura docente que negocia el cambio en condiciones desiguales de respaldo, el estudiantado que reconoce la pérdida cognitiva mientras optimiza por la economía del esfuerzo, la institución educativa que produce procesos formales con grados variables de traducción operativa, y el Estado que opera bajo la lentitud propia de la deliberación democrática frente a tecnologías que cambian de versión sin aviso.

El alcance de este ensayo está delimitado. Trabajó con literatura secundaria, reportes regionales recientes y dos casos institucionales documentados (la encuesta institucional de la UNAM y el ecosistema Plan Ceibal en Uruguay). No realizó análisis empírico propio. Las observaciones sobre el carácter del desamparo se ofrecen como propuestas interpretativas que requieren validación en contextos institucionales situados. Esa misma limitación marca tres líneas de investigación que el campo necesita desarrollar: estudios empíricos comparativos sobre rediseño de evaluación en instituciones que han adoptado IA, investigación sobre la distancia entre expectativas de participación estudiantil y prácticas institucionales consultivas, y análisis de cómo la estandarización algorítmica afecta la representación de saberes regionales en respuestas generativas, una dimensión epistémica que el ensayo planteó y que requiere investigación específica.

Para la política pública, el ensayo no ofrece recomendaciones cerradas. Sí señala que ciertas dimensiones merecen atención prioritaria: formación docente sostenida con condiciones materiales que excedan los formatos de capacitación puntual, marcos de evaluación que articulen alfabetización en IA con criterios de proceso, mecanismos de participación estudiantil en decisiones sobre adopción de herramientas, y marcos regulatorios que integren los tres ejes (gobernanza algorítmica, soberanía digital, derechos digitales) con atención específica a la condición de minoridad de buena parte de la población educativa. La forma concreta de cada respuesta queda librada a la deliberación situada en cada contexto institucional y nacional.

La transición en curso se juega en la infraestructura, en la pedagogía y también en qué saberes quedan reconocidos cuando la producción de respuestas se estandariza desde corpus globales. La región sostiene una pluralidad cultural y epistémica que precede al fenómeno discutido y que, en ausencia de respuesta consciente, podría diluirse silenciosamente como efecto colateral de la adopción acelerada. Pensar el desamparo es también pensar qué se hace para que esa pluralidad no se vuelva la víctima invisible de la transición digital en educación.