📈 economics

Curriculum design in the age of AI

Este artículo modela cómo la disponibilidad de la IA altera el diseño óptimo del currículo, mostrando que, si bien la IA puede acelerar el aprendizaje para los estudiantes de alta competencia cuando complementa el esfuerzo, generalmente obliga a los docentes a distorsionar las secuencias de tareas para incentivar el esfuerzo del estudiante, lo que en última instancia resulta en un desarrollo de habilidades general reducido.

Autores originales: Benjamin Davies

Publicado 2026-07-22

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Benjamin Davies

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando mejorar en algo, como jugar un videojuego o resolver un rompecabezas difícil. Sabes que hay dos formas de abordar un nivel: puedes trabajar intensamente en él por tu cuenta, luchando contra cada obstáculo, o puedes usar un "truco" (cheat code) que resuelve el rompecabezas instantáneamente por ti. En el mundo de la economía y la educación, este es un compromiso clásico. El "trabajo intenso" (grind) es duro, pero construye tus músculos cerebrales (habilidades) para el futuro. El "truco" es fácil y te da una puntuación perfecta ahora mismo, pero deja tus músculos cerebrales débiles. Este artículo, escrito por un economista llamado Benjamin Davies, plantea una pregunta candente para nuestra época: si los estudiantes tienen acceso a un truco súper inteligente (Inteligencia Artificial), ¿cómo deberían los profesores diseñar sus tareas para asegurar que los estudiantes sigan fortaleciéndose?

El artículo utiliza un modelo donde un estudiante se enfrenta a una secuencia de tareas. Puede hacer el trabajo (lo que requiere esfuerzo pero construye habilidad) o entregárselo a una IA (lo que no requiere esfuerzo pero no construye habilidad). El trabajo del profesor es organizar las tareas en un orden específico —un "currículo"— para lograr que el estudiante realice tanto trabajo como sea posible. El artículo explora qué sucede cuando el profesor intenta ser más astuto que la tentación del estudiante de usar la IA. Resulta que la presencia de la IA obliga a los profesores a cambiar el juego por completo, haciendo que, a veces, las tareas iniciales se centren más en tipos específicos de pensamiento para mantener a los estudiantes comprometidos, y otras veces haciendo que la IA realmente ayya a los estudiantes de alta capacidad a aprender más rápido mientras perjudica a los de baja capacidad.

El dilema del truco

Piensa en la educación de un estudiante como una larga campaña de un videojuego. Las "habilidades" son la fuerza y la inteligencia de tu personaje, que crecen solo cuando tú mismo luchas contra los monstruos. El "esfuerzo" es la energía que gastas blandiendo tu espada. En esta historia, la IA es una varita mágica que puede derrotar a cualquier monstruo instantáneamente. Si usas la varita, obtienes el tesoro (la nota) sin blandir la espada, pero tu personaje no se vuelve más fuerte.

El profesor es el diseñador del juego. Su objetivo no es solo darte una puntuación alta; es asegurarse de que tu personaje se convierta en un héroo legendario al final del juego. El artículo pregunta: ¿Cómo debe el diseñador del juego organizar los niveles para que tú elijas blandir tu espada en lugar de usar la varota?

El mundo "sin trucos": Un ascenso fluido

Primero, el artículo analiza un mundo donde el truco no existe (o el estudiante se niega a usarlo). En este escenario de "Primer Mejor Escenario" (First-Best), el profesor diseza un camino perfecto. Los niveles iniciales son simples pero requieren que blandas mucho tu espada (alta "intensidad de esfuerzo"). A medida que te vuelves más fuerte y tu personaje sube de nivel, los niveles posteriores se vuelven más complicados. Requieren que descubras cómo blandir la espada, no solo que la blandas ciegamente (alta "intensidad de habilidad").

La lógica es sencilla: cuando eres débil, necesitas practicar lo básico. Cuando eres fuerte, necesitas aprender estrategia. El artículo demuestra que, sin la IA, el mejor currículo comienza con un trabajo pesado y gradualmente cambia hacia acertijos intelectuales. Esto tiene sentido porque tu fuerza y tu estrategia funcionan mejor juntas; cuanto más fuerte te vuelves, más efectiva es tu estrategia.

El mundo del "Truco": El giro inesperado

Ahora, introduce la IA. De repente, el estudiante tiene una elección: "¿Blando mi espada o simplemente agito la varita?". Si la varita otorga una puntuación perfecta con cero esfuerzo, el estudiante agitará la varita en cada nivel fácil. Si el profesor mantiene el plan del "Primer Mejor Escenario" (niveles fáciles primero), el estudiante simplemente usará la IA, no aprenderá nada y el plan del profesor fallará.

Para solucionar esto, el profesor tiene que "distorsionar" el currículo. Este es el gran descubrimiento del artículo. Para evitar que el estudiante agite la varita en los niveles iniciales, el profesor debe hacer que esos niveles iniciales requieran más "potencia cerebral" (habilidad) de una manera específica. Tienen que hacer que las tareas iniciales requieran que el estudiante identifique los métodos correctos para resolver el problema, en lugar de simplemente aplicar un método dado. Esto obliga al estudiante a entender las reglas del juego para superar el nivel, lo que hace que usar la IA sea menos efectivo porque la IA no puede simplemente ejecutar una rutina preestablecida; el estudiante debe primero decidir qué hacer.

El artículo muestra que esto crea una curva extraña en forma de U para la tarea:

Niveles Iniciales: El profesor hace que requieran más pensamiento estratégico (alta intensidad de habilidad) para obligar al estudiante a identificar el enfoque correcto.
Niveles Intermedios: A medida que el estudiante se vuelve más inteligente, el profesor reduce la complejidad y permite que el estudiante realice más "trabajo intenso" (esfuerzo).
Niveles Finales: Una vez que el estudiante es un profesional, el profesor regresa al plan original: acertijos de estrategia compleja que el estudiante puede resolver por su cuenta.

¿El resultado? El estudiante sigue aprendiendo, pero aprende menos de lo que habría aprendido si la IA no existiera. El profesor tuvo que retorcer el juego tanto para mantener al estudiante honesto que la curva de aprendizaje general se aplana.

La "Varita Mágica" mejora: Alta capacidad vs. Baja capacidad

El artículo va un paso más allá. ¿Qué pasa si la IA se vuelve aún más inteligente? Específicamente, ¿qué pasa si la IA puede utilizarse para acelerar el trabajo real (esfuerzo) una vez que el estudiante ha determinado la estrategia? El artículo encuentra una división sorprendente en cómo esto afecta a los estudiantes.

El estudiante de alta capacidad: Si un estudiante ya es bastante bueno en el juego, una IA más inteligente en realidad le ayuda a aprender más rápido. ¿Por qué? Porque la IA puede acelerar las partes que requieren esfuerzo (como demostrar una serie de lemas en un problema matemático) una vez que el estudiante ha utilizado su habilidad para identificar la estrategia. La IA actúa para aumentar la productividad de su esfuerzo, permitiéndole ganar habilidad más rápidamente.
El estudiante de baja capacidad: Si un estudiante tiene dificultades, una IA más inteligente hace que aprenda más lento. La "súper-varita" es demasiado tentadora. La usan para saltarse el trabajo duro por completo y, como se saltan el trabajo, nunca construyen las habilidades necesarias para mejorar.

Esto sugiere que, a medida que la IA mejora, la brecha entre los estudiantes "listos" y los que tienen "dificultades" podría ampliarse. Los listos usan la herramienta para volar; los que tienen dificultades usan la herramienta para flotar, sin aprender nunca a volar por sí mismos.

La conclusión

El artículo no dice que la IA sea buena o mala; dice que la IA cambia las reglas del juego. Si los profesores siguen diseñando las tareas de la misma manera que lo hacían antes, los estudiantes simplemente usarán la IA para hacer trampa y el aprendizaje se detendrá. Para defenderse, los profesores podrían necesitar hacer que las tareas iniciales se centren más en "mostrar el procedimiento" y en comprender el "porqué", en lugar de solo obtener la respuesta correcta.

El modelo sugiere que si quieres que los estudiantes aprendan, no puedes simplemente darles una lista de tareas. Tienes que diseñar cuidadosamente la dificultad para que usar el "truco" parezca un mal trato. Pero incluso con el mejor diseño, el artículo sugiere que la presencia de la IA hace que sea más difícil para todos alcanzar su máximo potencial, y podría hacer que la diferencia entre un estudiante brillante y uno con dificultades sea aún más dramática. Es un recordatorio de que, en la era de la IA, la forma en que enseñamos podría tener que cambiar tanto como la forma en que aprendemos.

Resumen Técnico: Diseño de Currículos en la Era de la IA

Planteamiento del Problema
El artículo aborda el desafío de diseñar currículos educativos en un entorno donde los estudiantes tienen acceso a Inteligencia Artificial (IA) capaz de delegar las tareas escolares. Si bien la IA puede aumentar la productividad, la evidencia empírica sugiere que puede inhibir el aprendizaje al permitir que los estudiantes "atajen el esfuerzo productivo" esencial para la adquisición de habilidades. El problema central es una dinámica de principal-agente: un profesor con visión de futuro (principal) debe diseñar una secuencia de tareas (currículo) para maximizar el desarrollo de habilidades de un estudiante miope (agente), sabiendo que el estudiante puede elegir entre trabajar (incurriendo en costos de esfuerzo pero construyendo habilidad) o delegar a la IA (incurriendo en cero esfuerzo pero construyendo cero habilidad). El profesor debe equilibrar la dificultad de las tareas para incentivar el esfuerzo, teniendo en cuenta la tentación del estudiante de delegar.

Metodología
El autor desarrolla un modelo dinámico de "aprendizaje mediante la práctica" (learning-by-doing) con diseño de currículo endógeno.

Agentes: Un estudiante miope y un profesor.
Tareas: Una secuencia $t \in \{0, \dots, T-1\}$ .
Producción: Trabajar en una tarea combina esfuerzo ( $x$ ) y habilidad ( $s$ ) para producir un resultado. El esfuerzo es costoso; la habilidad es sin costo. Son insumos complementarios. Las tareas se caracterizan por una intensidad de esfuerzo ( $\eta$ ), donde una $\eta$ baja implica una alta dependencia de la habilidad (identificación de métodos) y una $\eta$ alta implica una alta dependencia del esfuerzo (aplicación de métodos dados).
Delegación: El estudiante puede delegar una tarea a la IA, recibiendo una compensación fija $u$ con cero esfuerzo y cero ganancia de habilidad.
Acumulación de Habilidad: La habilidad aumenta proporcionalmente al esfuerzo ejercido ( $\Delta s = r x$ ) si el estudiante trabaja; de lo contrario, la habilidad permanece estática.
Objetivo: El profesor elige la secuencia de intensidades de esfuerzo $(\eta_t)$ para maximizar la ganancia total de habilidad del estudiante ( $s_T - s_0$ ), sujeto a la restricción de compatibilidad de incentivos (IC) del estudiante: el estudiante trabaja solo si la compensación por trabajar supera la compensación de la delegación.

El análisis procede caracterizando el esfuerzo de mejor respuesta y la compensación del estudiante, luego resolviendo para el currículo óptimo del profesor bajo dos escenarios: el "primer mejor" (first-best, sin amenaza de delegación) y el "segundo mejor" (second-best, con amenaza de delegación). Finalmente, el modelo se extiende para incluir un parámetro de "calidad de la IA" ( $q$ ) que puede complementar el esfuerzo (aumentando el producto marginal del esfuerzo) al mismo tiempo que aumenta la compensación por delegación.

Contribuciones Clave y Resultados

1. Currículo de Primer Mejor (Sin Amenaza de Delegación)
Cuando la compensación por delegación es cero ( $u=0$ ), el estudiante siempre trabaja. El profesor optimiza únicamente para maximizar el esfuerzo.

Resultado (Teorema 1): El currículo óptimo presenta tareas que son gradualmente menos intensivas en esfuerzo y más intensivas en habilidad a lo largo del tiempo.
Mecanismo: Las tareas iniciales son intensivas en esfuerzo para incentivar el esfuerzo cuando el estudiante tiene baja habilidad. A medida que el estudiante acumula habilidad, el profesor cambia hacia tareas intensivas en habilidad. Debido a que el esfuerzo y la habilidad son complementos, una mayor habilidad hace que el esfuerzo sea más productivo; por lo tanto, el profesor reduce la intensidad del esfuerzo para capitalizar esta complementariedad, extrayendo el máximo esfuerzo de un estudiante ahora más capaz.

2. Currículo de Segundo Mejor (Amenaza de Delegación)
Cuando $u > 0$ , el estudiante puede delegar si la compensación por trabajar es insuficiente.

Resultado (Teorema 2): El profesor debe distorsionar el currículo para satisfacer las restricciones de incentivos. La secuencia óptima exhibe intensidades de esfuerzo crecientes y luego decrecientes.
Mecanismo: En las tareas iniciales, el estudiante tiene baja habilidad y baja compensación por trabajar, lo que hace atractiva la delegación. Para prevenir esto, el profesor debe hacer que las tareas iniciales sean más intensivas en habilidad que la prescripción del primer mejor (distorsionando $\eta$ hacia abajo) para elevar la compensación del estudiante por trabajar. A medida que el estudiante gana habilidad, la restricción de delegación se relaja y el currículo transiciona hacia la trayectoria del primer mejor de disminución de la intensidad del esfuerzo.
Implicación: La presencia de la IA conduce a un desarrollo de habilidades general menor en comparación con el caso del primer mejor, porque el profesor debe distorsionar el diseño de las tareas para mantener al estudiante comprometido.

3. Impacto de la Habilidad Inicial y Parámetros

Resultado (Teorema 3): La ganancia total de habilidad es creciente en la habilidad inicial ( $s_0$ ), la productividad ( $\pi$ ) y la tasa de acumulación de habilidad ( $r$ ), pero decreciente en la compensación por delegación ( $u$ ).
Mecanismo: Esto confirma la dinámica de "la habilidad engendra habilidad". Una mayor habilidad inicial reduce la tentación de delegar tempranamente, permitiendo un currículo más cercano al primer mejor, lo que acelera aún más la acumulación de habilidad.

4. La IA como Complemento del Esfuerzo
El modelo se extiende para permitir que la calidad de la IA ( $q$ ) aumente el producto marginal del esfuerzo (complementariedad) mientras también aumenta la compensación por delegación.

Resultado (Teorema la 4): El impacto de la mejora en la calidad de la IA es no monótono y depende del nivel de habilidad del estudiante.
- Estudiantes de Alta Habilidad: A medida que $q$ aumenta, estos estudiantes ganan habilidad más rápido. Su compensación por trabajar aumenta más rápido que su compensación por delegar, lo que los hace más dispuestos a trabajar. El profesor responde aumentando la intensidad del esfuerzo para capitalizar su productividad.
- Estudiantes de Baja Habilidad: A medida que $q$ aumenta, estos estudiantes ganan habilidad más lento. El aumento en la compensación por delegación domina sobre el aumento en el producto marginal del esfuerzo, haciendo que la delegación sea más atractiva. El profesor debe distorsionar el currículo aún más (reduciendo la intensidad del esfuerzo) para incentivar el trabajo, lo que resulta en menor esfuerzo y una acumulación de habilidad más lenta.
Resultado (Sección 5.3): El efecto general de la calidad de la IA sobre la ganancia total de habilidad depende de la longitud del currículo ( $T$ ) y la tasa de acumulación ( $r$ ). En currículos cortos, el efecto negativo en las tareas iniciales (de baja habilidad) puede dominar. En currículos largos, el efecto positivo en las tareas posteriores (de alta habilidad) puede dominar, siempre que el estudiante pueda acumular suficiente habilidad para superar la tentación inicial de delegar.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco teórico para comprender cómo el diseño educativo debe adaptarse a la IA. Argumenta que:

La Distorsión del Currículo es Necesaria: Para prevenir la atrofia de habilidades inducida por la IA, los profesores deben diseñar intencionalmente tareas que sean más intensivas en habilidad (que requieran la identificación de métodos) de lo que serían en un entorno libre de IA. Esto se alinea con las sugerencias empíricas de exigir a los estudiantes "documentar su proceso" y "demostrar comprensión".
Impactos Divergentes: Las mejoras en la calidad de la IA no benefician ni dañan el aprendizaje de manera uniforme. Crean una divergencia donde los estudiantes de alta habilidad aceleran su aprendizaje, mientras que los estudiantes de baja habilidad pueden quedarse más atrás debido al aumento de la tentación de delegar.
Complementariedades Dinámicas: El modelo refuerza la importancia de la inversión temprana en la habilidad. Debido a que la habilidad engendra habilidad, prevenir la delegación temprana es crítico para el desarrollo a largo plazo.
Aplicabilidad Más Amplia: Aunque se centra en la educación, la lógica del modelo respecto a la delegación y el diseño de incentivos es aplicable a otros contextos, como la deslocalización industrial (donde los gobiernos pueden desear incentivar la producción nacional para construir capital humano) o la integridad académica (copiar de compañeros).

El artículo concluye modestamente, señalando que sus supuestos (por ejemplo, estudiantes miope, optimización de un solo estudiante) podrían flexibilizarse en investigaciones futuras para abordar escenarios del mundo real más complejos, como el diseño de currículos para poblaciones de estudiantes heterogéneas.