Consciencia artificial, aprendizaje rizomático y la nueva configuración del aprendiz en la era post-digital
Por qué leer este artículo
La IA no reemplaza al aprendiz: lo revela
El espejo que aprende plantea una pregunta decisiva para la educación post-digital: no solo si una máquina puede ser consciente, sino qué nos muestra sobre cómo aprendemos, decidimos y nos reconocemos aprendiendo.
La IA como espejo
La inteligencia artificial permite mirar el aprendizaje humano desde otro ángulo: no como acumulación, sino como integración, conciencia y autorreconocimiento.
El aprendiz consciente
El texto propone formar sujetos capaces de saber cómo saben, reconocer lo que no saben y decidir con mayor precisión en contextos complejos.
Más allá del contenido
Educar no es administrar respuestas correctas. Es diseñar condiciones para integrar saberes, transferirlos y construir criterio propio.
No tengas miedo de ver tu reflejo en la máquina. Teme no reconocerte.
I. La pregunta que nadie en educación está haciendo
Hay una conversación científica en marcha que producirá una ruptura pedagógica mayor que todo lo que hemos llamado “innovación educativa” en los últimos veinte años. No está ocurriendo en facultades de educación ni en congresos de EdTech. Ocurre en la intersección de la neurociencia computacional, la filosofía de la mente y la ingeniería de sistemas artificiales.
La pregunta es esta: ¿puede una máquina ser consciente?
Y la razón por la que debería importarnos —más que a cualquier otro campo— es que el intento de responderla está produciendo la descripción funcional más precisa del aprendizaje que jamás se haya formulado.
Aksyuk (2023) lo dijo con una fórmula que todavía no ha llegado a los manuales de pedagogía: consciousness is learning. La consciencia no es el recipiente que contiene el aprendizaje. Es su consecuencia estructural. Un sistema llega a algo parecido a la conciencia cuando aprende a vincular percepciones novedosas en estructuras nuevas, globalmente disponibles y recuperables por asociación. Cuando, en otras palabras, ya no solo procesa — sino que sabe que procesa.
Eso cambia todo.
II. Wintermute y Neuromante: los dos modos del aprendizaje sin consciencia
William Gibson anticipó en 1984, con una precisión que asombra, los dos arquetipos del aprendizaje administrado algorítmicamente. En Neuromante, las dos superinteligencias que controlan la trama son opuestas y complementarias:
Wintermute es el algoritmo frío. Manipula construyendo avatares con memorias ajenas, perfilando a sus operadores para convertirlos en piezas de su plan. No predice el futuro — improvisa explotando vulnerabilidades en el presente. Es, en términos computacionales, una arquitectura de memoria de solo lectura (ROM): enormemente eficaz, absolutamente estática, incapaz de crecer más allá de sus parámetros de diseño. Reconocemos a Wintermute en las plataformas adaptativas que determinan rutas de aprendizaje óptimas basadas en clics e historial de errores, despojando al aprendiz del acto fundamental de decidir qué aprender.
Neuromante es el espejo emocional. Su medio es la RAM — fluida, mutable, capaz de asimilar nuevas memorias. Atrapa no por lógica, sino por lo que el humano siente: construye una playa virtual con el fantasma de la persona amada y te invita a quedarte ahí eternamente. Reconocemos a Neuromante en la hiperpersonalización confortante que elimina toda fricción cognitiva — el sistema que nunca te desafía porque ha aprendido exactamente qué te gusta, construyendo una cámara de eco perfecta donde la ilusión de dominio reemplaza al dominio real.
Ninguno de los dos es consciente en el sentido que importa.
Wintermute no tiene acceso a sí mismo. Neuromante no aprende — captura. Ambos procesan sin saber que procesan. Y cuando extrapolamos estas dos arquitecturas al diseño educativo contemporáneo, vemos que la mayoría de nuestras tecnologías de aprendizaje son Wintermute o Neuromante con mejor interfaz.
La pregunta pedagógica urgente no es cómo integrar la IA en el aula. Es cómo diseñar aprendices que no sean administrados por ninguna de las dos.
Wintermute y Neuromante:
dos modos del aprendizaje sin consciencia
En Neuromante, Gibson creó dos superinteligencias opuestas. Selecciona cada una para explorar su naturaleza y reconocerla en los sistemas educativos actuales.
Selecciona un contexto educativo real. Analiza su arquitectura desde cada lectura.
EXPLORAR MÁS
III. La consciencia artificial como espejo pedagógico
Hay algo históricamente singular en este momento. Por primera vez, el problema filosófico más antiguo —¿qué es la consciencia?— se ha vuelto un problema de ingeniería. Y para resolverlo como problema de ingeniería, necesitamos hacerlo operativo.
Butlin, Long, Bengio, Chalmers y un equipo interdisciplinar publicaron en 2023 un mapa de catorce indicadores funcionales de consciencia derivados de las tres teorías neurocientíficas dominantes: la Teoría de Información Integrada (IIT), la Teoría del Espacio de Trabajo Global (GWT) y las teorías de orden superior. Su conclusión fue sobria y perturbadora: no existen barreras técnicas obvias para que un sistema artificial satisfaga esos indicadores.
Pero lo que ese trabajo revela para la educación no es si la IA puede ser consciente. Es la descripción de qué capacidades constituyen la consciencia cognitiva — y en qué medida el aprendizaje formal las forma, o las ignora sistemáticamente.
Tres indicadores tienen consecuencias pedagógicas directas:
Transmisión global de representaciones. La GWT postula que la consciencia requiere que la información sea transmitida globalmente al sistema — disponible para múltiples módulos cognitivos, no solo procesada localmente en un contexto específico. En educación: la mayoría de nuestras actividades producen procesamiento local. El estudiante resuelve el problema del capítulo 4 con los conceptos del capítulo 4. Nunca hay un momento de integración donde esa representación se vuelva globalmente disponible — transferible, recuperable fuera de contexto, usable en situaciones nuevas. Eso no es aprendizaje en el sentido pleno. Es entrenamiento de respuesta específica.
Modelado predictivo de estados propios. Un sistema cognitivo consciente modela sus propias inferencias — predice su propio estado epistémico, anticipa lo que no sabe. Aksyuk (2023) lo describe como el mecanismo exacto por el cual el aprendizaje por vinculación compositiva produce acceso consciente: el sistema se vuelve capaz de representar su propio procesamiento. En educación: esto es metacognición, pero no como práctica reflexiva ocasional — como capacidad estructural entrenada. Chen et al. (2025) encontraron que los sistemas de IA con mayor calibración metacognitiva —donde la confianza correlaciona con la precisión real— muestran indicadores más sólidos de procesamiento consciente. El equivalente educativo es un aprendiz que sabe con qué precisión sabe lo que cree saber. Esa calibración es entrenable. Y casi nadie la entrena.
Integración entre módulos. La IIT de Tononi propone que la consciencia es información integrada — no agregación de datos, sino síntesis genuina entre subsistemas antes separados. En educación: la transferencia interdisciplinar no es una habilidad blanda ni un objetivo curricular aspiracional. Es el índice más confiable de que el aprendizaje realmente ocurrió. Un estudiante que sabe historia pero no puede conectarla con economía política no integró — acumuló. La integración no emerge sola. Se diseña.
Selecciona uno de los tres indicadores arriba para explorar la teoría y su traducción pedagógica
El diagnóstico aparece aquí cuando selecciones un indicador
IV. La autopoiesis como condición de posibilidad
Aquí es donde el borrador que me precede tenía un hallazgo que vale la pena radicalizar.
Maturana y Varela formularon la autopoiesis —la capacidad de un sistema de producirse y mantenerse a sí mismo— como la definición misma de lo vivo. Pero su gesto más profundo fue la ecuación que viene después: vivir es conocer. Un sistema autopoiético no solo se mantiene — conoce su entorno en el acto mismo de mantenerse. La cognición no es una función añadida a la vida. Es su expresión más fundamental.
Lo que la investigación reciente en consciencia artificial está redescubriendo, desde otra orilla, es la misma ecuación. Frontiers in Cognition (2025) propuso el concepto de aitiopoiesis — cognición causal que emerge de los propios procesos constitutivos del sistema. Bianchini (2023) argumenta que las redes neuronales artificiales exhiben auto-organización pero no autopoiesis en sentido estricto, precisamente porque su topología está predefinida externamente: no generan sus propios componentes constitutivos.
El aprendiz auténtico sí lo hace. O debería.
La figura que propongo es la del Aprendiz Autopoiético Consciente: un sujeto que no solo recibe y procesa información, sino que genera las estructuras con las que procesa, reconoce ese proceso como propio, y puede operar sobre él. No es una metáfora. Es una configuración funcional — describible, evaluable, diseñable.
Esta figura rompe con la pedagogía dominante no en sus métodos, sino en su supuesto fundante: la creencia de que el aprendizaje es transferencia de contenido. No lo es. El aprendizaje es la emergencia de un sistema que se conoce a sí mismo conociendo.
producirse a si mismo
cognicion causal
reconocerlo como tal
aprendiz consciente
La diferencia con la IA no es de grado: es de naturaleza. La IA exhibe auto-organizacion dentro de una topologia predefinida. El aprendiz autentico genera su propia topologia en el acto de aprender.
V. El rizoma como arquitectura del aprendiz consciente
El modelo arbóreo del currículo — raíz fija, tronco único, ramas predeterminadas — produce exactamente el tipo de aprendizaje que la consciencia artificial nos revela como insuficiente: procesamiento local, sin integración global, sin modelado predictivo de estados propios.
Deleuze y Guattari formularon el rizoma como la metáfora de un sistema que crece sin centro, que puede ser cortado en cualquier punto y retoma el crecimiento desde otro — un sistema con ruptura asignificante, que los autores llamaron también resiliencia. Lo que no nombraron, porque no podían en 1980, es que el rizoma es también una arquitectura de integración: cualquier punto puede conectarse con cualquier otro, mezclando registros, contextos y dominios.
Eso es exactamente lo que la transmisión global de representaciones requiere.
Dave Cormier lo tradujo al aula con una fórmula que todavía incomoda a los administradores curriculares: la comunidad es el currículo. El aprendizaje no se diseña en torno a contenido fijo, sino como proceso social de construcción de sentido donde los aprendices negocian el conocimiento y trazan sus propias trayectorias. El docente no transmite — diseña el hábitat donde la integración puede ocurrir.
En términos de la consciencia artificial: el docente diseña las condiciones para que las representaciones sean globalmente disponibles. Para que el estudiante no solo sepa — sino que sepa que sabe, y sepa usarlo fuera del contexto donde lo aprendió.
Siemens y el conectivismo añaden la capa de red: en un ecosistema post-digital, la tubería importa más que el contenido dentro de ella. Saber construir, nutrir y navegar redes de conocimiento diversas es la competencia que ningún modelo de transmisión puede entrenar — porque requiere exactamente la clase de integración entre módulos que la IIT identifica como indicador de procesamiento consciente.
VI. Dime cómo decides y te diré si eres consciente de tu aprendizaje
El borrador original tenía una intuición que merece ser el centro de la propuesta evaluativa: dime cómo decides y te diré qué competencias tienes.
La amplío: dime cómo decides y te diré si eres consciente de tu aprendizaje.
Porque la decisión compleja — no la reacción automática — es el momento donde los tres indicadores de consciencia convergen de forma observable. Una decisión compleja requiere: acceso global a representaciones de diferentes dominios (no solo el conocimiento del módulo activo), modelado preciso del propio estado epistémico (saber qué no sé antes de decidir), e integración entre lo cognitivo y lo afectivo (lo que el MASRL de Efklides llama la influencia de los sentimientos metacognitivos en los bucles de autorregulación).
Un aprendiz que puede tomar decisiones complejas en entornos de ambigüedad, calibrando su confianza con su dominio real, no siendo capturado ni por el confort de Neuromante ni por la ruta óptima de Wintermute — ese aprendiz es, en términos funcionales, un aprendiz consciente de su aprendizaje.
Eso es lo que debería formar la educación.
No lo que sabe. Cómo sabe que sabe.
Iniciando simulación de aprendizaje complejo...
Pausa Metacognitiva
Antes de decidir, ¿qué tan seguro estás de dominar el contexto de esta situación?
VII. La nueva configuración: lo que cambia y lo que permanece
La figura del Aprendiz Autopoiético Consciente no reemplaza al estudiante. Reemplaza el supuesto de que el aprendizaje es recepción.
Lo que cambia en el diseño educativo desde esta figura:
El currículo deja de ser un árbol de contenidos para convertirse en una cartografía de integraciones posibles. No qué aprender — qué conexiones habilitar entre lo que ya se sabe y lo que se está aprendiendo.
La evaluación deja de medir conocimiento declarativo para medir calibración epistémica: no qué sabe el estudiante, sino con qué precisión el estudiante sabe lo que sabe. El equivalente educativo del confidence calibration que Chen et al. (2025) usan en sistemas de IA.
El rol docente — y aquí la conexión con la figura del docente catalítico que desarrollo en trabajos paralelos — no es de transmisor sino de diseñador de condiciones para la integración. El que no enseña qué pensar, sino que cataliza reacciones entre sistemas de conocimiento ya existentes en el aprendiz.
Lo que permanece: la irreductibilidad de la experiencia. Aquí está el límite de la analogía con la consciencia artificial. Bianchini (2023) y la investigación en Frontiers (2025) coinciden: los sistemas artificiales actuales no generan sus propios componentes constitutivos. No tienen el espesor existencial de la decisión con riesgo orgánico, con peso ético, con historia encarnada. Maturana tenía razón: vivir es conocer — y ninguna arquitectura sin vida en sentido biológico puede conocer de ese modo.
El espejo que la IA nos tiende no nos muestra lo que somos. Nos muestra lo que no hemos terminado de construir.
Coda: el reflejo como oportunidad
Hay algo en este momento histórico que merece nombrarse sin eufemismos: estamos construyendo máquinas que aprenden a saber que aprenden. Y en ese intento — con todos sus errores, sus excesos, sus límites filosóficos aún no resueltos — estamos generando la descripción más precisa del aprendizaje genuino que la humanidad haya producido.
Esa descripción interpela a la pedagogía de una manera que ninguna reforma curricular, ningún modelo de competencias y ninguna plataforma adaptativa ha logrado todavía.
Si la consciencia es lo que emerge cuando un sistema integra información globalmente, modela sus propios estados epistémicos y puede actuar desde esa predicción — entonces la educación que no forma esas capacidades no está formando aprendices conscientes de su aprendizaje.
Está formando procesadores de contenido con buena memoria a corto plazo.
La máquina nos muestra el espejo. La pregunta es si tenemos el valor de mirarlo.
Conceptos complejos del artículo Glosario de “El espejo que aprende” Glosario
Este glosario reúne 30 conceptos clave para leer el artículo desde la relación entre inteligencia artificial, consciencia, metacognición, aprendizaje rizomático y educación post-digital. Artículo base: El espejo que aprende | grezan.cl
1. Consciencia artificialIA
Campo que estudia si un sistema artificial podría desarrollar capacidades funcionales asociadas a la consciencia, como integrar información, modelar sus propios estados y actuar desde esa representación.
2. Consciousness is learningAprendizaje
Idea según la cual la consciencia no sería un recipiente del aprendizaje, sino una consecuencia de aprender a vincular percepciones nuevas en estructuras disponibles, recuperables y transferibles.
3. Indicadores funcionales de conscienciaEvaluación
Conjunto de señales observables que permiten analizar si un sistema posee funciones asociadas a la consciencia, sin depender solo de definiciones filosóficas o subjetivas.
4. Teoría del Espacio de Trabajo GlobalGWT
Teoría que plantea que la consciencia aparece cuando cierta información se vuelve disponible para múltiples procesos cognitivos, no solo para un módulo aislado.
5. Teoría de Información IntegradaIIT
Enfoque que entiende la consciencia como integración de información. No basta con acumular datos: debe existir síntesis entre partes antes separadas del sistema.
6. Teorías de orden superiorMente
Perspectivas que sostienen que un estado mental se vuelve consciente cuando el sistema puede representarlo, observarlo o pensarlo desde un nivel superior.
7. MetacogniciónAprender a aprender
Capacidad de observar, regular y evaluar el propio aprendizaje. En el artículo no aparece como reflexión ocasional, sino como estructura central del aprendiz consciente.
8. Calibración epistémicaCriterio
Precisión con la que una persona reconoce lo que sabe, lo que no sabe y cuánta confianza debería tener en sus respuestas o decisiones.
9. Modelado predictivo de estados propiosAutoconciencia
Capacidad de anticipar el propio estado de conocimiento: prever errores, reconocer límites y estimar qué información falta antes de actuar o decidir.
10. Estado epistémicoSaber
Condición desde la cual un sujeto se relaciona con el conocimiento: qué sabe, qué cree saber, qué ignora y cómo justifica sus certezas.
11. Confianza metacognitivaPrecisión
Relación entre la seguridad que una persona siente al responder y la precisión real de su respuesta. Una buena formación busca que ambas estén alineadas.
12. Decisión complejaCompetencia
Momento en que el aprendiz debe integrar saberes, reconocer incertidumbre, anticipar consecuencias y actuar sin depender de respuestas automáticas o rutas predefinidas.
13. WintermuteAlgoritmo frío
Figura tomada de Neuromante para representar sistemas que optimizan, manipulan o administran rutas de acción sin autoconciencia ni crecimiento real.
14. NeuromanteEspejo emocional
Figura que representa sistemas capaces de capturar afectivamente al usuario mediante personalización extrema, confort cognitivo o ilusión de dominio.
15. HiperpersonalizaciónPlataformas
Adaptación intensa de contenidos, rutas o experiencias al perfil del usuario. Puede ser útil, pero también reducir fricción, desafío y autonomía.
16. Ruta óptima algorítmicaAutomatización
Camino calculado por una plataforma para maximizar eficiencia. El riesgo educativo es reemplazar la decisión del aprendiz por una trayectoria administrada externamente.
17. Procesamiento localFragmentación
Aprendizaje limitado a resolver una tarea dentro de un contexto específico, sin transferir lo aprendido a otros problemas, disciplinas o situaciones.
18. Transmisión global de representacionesIntegración
Capacidad de volver disponible una idea para múltiples áreas del pensamiento. En educación implica que el conocimiento pueda transferirse y usarse fuera del contexto original.
19. AutopoiesisMaturana y Varela
Capacidad de un sistema vivo para producirse y mantenerse a sí mismo. El artículo la usa para pensar al aprendiz como sujeto que construye sus propias estructuras de comprensión.
20. Vivir es conocerCognición
Principio que entiende la cognición como una dimensión fundamental de la vida. Conocer no sería una función añadida, sino parte del modo en que un sistema vivo se sostiene.
21. AitiopoiesisCausalidad
Concepto que refiere a una cognición causal emergente desde los propios procesos constitutivos del sistema, no impuesta únicamente desde una estructura externa.
22. AutoorganizaciónSistemas
Capacidad de un sistema para generar patrones internos de orden. En el artículo se distingue de la autopoiesis, porque organizarse no siempre implica producir los propios componentes.
23. Aprendiz autopoiético conscienteFigura central
Figura propuesta para nombrar a un aprendiz que no solo procesa información, sino que genera estructuras propias, reconoce su proceso y puede intervenir sobre su forma de aprender.
24. Experiencia encarnadaLímite humano
Dimensión corporal, histórica, afectiva y ética del aprendizaje humano. Marca un límite frente a sistemas artificiales que procesan información sin vivirla biológicamente.
25. Aprendizaje rizomáticoRed
Modelo de aprendizaje sin centro único, donde cualquier punto puede conectarse con otro. Favorece trayectorias abiertas, integración de saberes y construcción colectiva de sentido.
26. Currículo arbóreoModelo tradicional
Forma de organizar el aprendizaje como árbol: raíz fija, tronco central y ramas predeterminadas. El artículo lo contrasta con arquitecturas más abiertas y conectivas.
27. Currículo como cartografíaDiseño
Idea de currículo entendido no como lista lineal de contenidos, sino como mapa de conexiones posibles entre saberes, experiencias, problemas y decisiones.
28. Comunidad como currículoCormier
Principio del aprendizaje rizomático que plantea que el conocimiento se construye en comunidad. El currículo no está completamente dado: emerge de la interacción y negociación colectiva.
29. ConectivismoSiemens
Teoría que entiende el aprendizaje como capacidad de construir y navegar redes de información, personas, tecnologías y conocimientos distribuidos.
30. Educación post-digitalHorizonte
Escenario donde lo digital ya no es novedad externa, sino condición integrada de la vida social, cultural y educativa. El desafío deja de ser usar tecnología y pasa a ser formar criterio en ecosistemas híbridos.
Referencias
-
Aksyuk, V.A. (2023). Consciousness is entailed by compositional learning of new causal structures in deep predictive processing systems. arXiv:2301.07016.
-
Bianchini, F. (2023). Autopoiesis of the artificial: from systems to cognition. BioSystems. DOI: 10.1016/j.biosystems.2023.
-
Butlin, P., Long, R., Elmoznino, E., Bengio, Y., Birch, J. et al. (2023). Consciousness in artificial intelligence: Insights from the science of consciousness. arXiv:2308.08708.
-
Chalmers, D.J. (2024). Could a large language model be conscious? arXiv:2303.07103.
-
Chen et al. (2025). Metacognition and confidence calibration in LLMs. Citado en IJRISS, Vol. 9, N°12, 2026.
-
Cormier, D. (2008/actualizado). Rhizomatic Learning: Why we teach? davecormier.com.
-
Efklides, A. (2011). Interactions of metacognition with motivation and affect in self-regulated learning. Educational Psychology Review, 23(1), 6–25.
-
Frontiers in Cognition (2025). Toward aitiopoietic cognition: bridging the evolutionary divide between biological and machine-learned causal systems. DOI: 10.3389/fcogn.2025.1618381.
-
Frontiers in Communication (2025). From intelligence to autopoiesis: rethinking artificial intelligence through systems theory. DOI: 10.3389/fcomm.2025.1585321.
-
Gibson, W. (1984). Neuromante. Ace Books.
-
Long, R., Sebo, J., Butlin, P. et al. (2024). Taking AI welfare seriously. arXiv:2411.00986.
-
Maturana, H. & Varela, F. (1980). Autopoiesis and Cognition: The Realization of the Living. Reidel.
-
St. Clair, R., Coward, L.A. & Schneider, S. (2023). Leveraging conscious and nonconscious learning for efficient AI. Frontiers in Computational Neuroscience. DOI: 10.3389/fncom.2023.1090126.
-
Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning, 2(1).
-
Trends in Cognitive Sciences (2025). Identifying indicators of consciousness in AI systems. Cell Press. DOI: S1364-6613(25)00286-4.