Por qué leer este artículo
Cuando la inteligencia se abarata
Cómo la comoditización de la IA redefine la educación y exige nuevos modelos curriculares.
Infraestructura cognitiva de bajo costo
Analiza la caída de costos de IA y su conversión en commodity.
Sabiduría aplicada e inteligencia colectiva
Desarrolla capacidades no automatizables de mayor valor.
Currículo vivo y rizomático
Supera los diseños lineales con modelos dinámicos.
Resumen
La reducción acelerada de los costos de inferencia de sistemas de inteligencia artificial generativa —más de 280 veces en 1,5 años según el Stanford AI Index 2025— configura un proceso de comoditización de capacidades cognitivas mediadas por máquina. Este artículo argumenta que, en dicho escenario, el diferenciador de valor en educación superior deja de residir en el acceso al modelo y se desplaza hacia dos órdenes de capacidad no automatizable: la sabiduría aplicada, entendida como juicio prudente situado en valores, consecuencias y contexto, y la inteligencia colectiva deliberada, como coordinación intencional de memoria, atención y razonamiento entre agentes humanos y artificiales. Se revisa la evidencia empírica sobre comoditización de la IA, la ciencia psicológica de la sabiduría y los hallazgos más recientes sobre colaboración humano-IA. A partir de este diagnóstico se argumenta que los diseños curriculares lineales de educación superior están estructuralmente mal calibrados para desarrollar estas capacidades, y se propone una arquitectura de currículo vivo de base rizomática —anclada en comunidades de aprendizaje peer-to-peer mediadas por Theory of Mind— como respuesta pedagógica pertinente. El artículo integra evidencia de frontera (2023-2026) con el corpus teórico propio del autor, buscando una contribución que sea simultáneamente analítica para la comunidad académica y accionable para diseñadores de experiencias formativas en contextos latinoamericanos.
Palabras clave: inteligencia artificial generativa, comoditización, sabiduría aplicada, inteligencia colectiva, currículo vivo, aprendizaje rizomático, educación superior, diseño curricular dinámico.
Antes de rediseñar tu programa, mídelo. Esta herramienta de autodiagnóstico científico analiza el nivel de riesgo de automatización en tus asignaturas. Descubre en tiempo real si tus evaluaciones fomentan la Sabiduría Aplicada y la Inteligencia Colectiva, o si están listas para ser comoditizadas.
Espejo Curricular MOD. CALIBRACIÓN v1.1
Índice de Comoditización Cognitiva (I_cc)
Calibra el nivel de vulnerabilidad de tu curso frente a infraestructuras de procesamiento de IA que operan a un costo de $0.07 dólares por millón de tokens.
El Dilema del Centauro
Toma el mando del rediseño instruccional de tu asignatura. Cada decisión impacta el equilibrio de tu ecosistema.
Estabilizando la monocultura del código
Cargando escenario...
Plano Arquitectónico de Integración
Sugerencia de despliegue dinámico adaptada a tus métricas y decisiones recopiladas.
Estructura Rizomática
Cargando parámetros...
Evaluación Decisional
Cargando parámetros...
Coordinación Sinergia
Cargando parámetros...
2. Comoditización de la IA: de la maravilla a la infraestructura
En economía, un commodity es un bien o servicio cuyas diferentes fuentes son funcionalmente intercambiables para el comprador. No todos los productos llegan ahí, pero los que lo hacen siguen una trayectoria reconocible: reducción de costos, estandarización, difusión masiva, pérdida de diferenciación por mera posesión. La comoditización no es el fin del valor; es su redistribución.
Hay evidencia sólida de que partes sustantivas de las capacidades de IA están recorriendo ese camino. Los datos del Stanford AI Index 2025 (Maslej et al., 2025) son el indicador más preciso disponible: el costo de hacer lo que antes hacía un sistema de referencia se divide por 280 en 18 meses. El hardware de ML creció en rendimiento un 43% anual (duplicándose cada 1,9 años), y la eficiencia energética aumentó un 40% anual. Los modelos de código abierto —LLaMA, Mistral, Phi— cerraron una brecha de desempeño que hace dos años parecía estructural.
Esto no quiere decir que todos los sistemas de IA sean iguales. Siguen existiendo diferencias importantes entre modelos en tareas específicas, en fiabilidad, en capacidades de razonamiento complejo. Pero desde la perspectiva del usuario —y del diseñador curricular—, las capacidades que más se han difundido son precisamente las que más habían cautivado la imaginación: generar texto coherente, resumir, clasificar, traducir, programar en lenguajes estándar, recomendar a partir de patrones, responder preguntas con contexto. Estas capacidades se están convirtiendo, literalmente, en una utility.
La implicación para la educación superior es de primer orden. Si la capacidad de generar un primer borrador, sintetizar bibliografía, estructurar un argumento o escribir código de nivel intermedio puede delegarse a un sistema de bajo costo, accesible desde cualquier dispositivo conectado, entonces el currículo que valida exactamente esas habilidades como evidencia de competencia está midiendo algo que dejó de ser escaso. Mide acceso a la herramienta, no criterio para usarla.
Este diagnóstico no es pesimista sobre la educación. Es, al contrario, una oportunidad de clarificación: la comoditización de la inteligencia funcional exige que la educación superior se concentre en lo que sigue siendo genuinamente humano y no replicable a 0,07 dólares por millón de tokens.
3. Sabiduría aplicada: el constructo que falta en el currículo
3.1 Sabiduría como ciencia, no como autoayuda
El término “sabiduría” arrastra una carga semántica que lo ha mantenido al margen de los marcos curriculares formales: suena a sentencia filosófica, a atributo de ancianos, a cualidad inmedible. Ese prejuicio tiene consecuencias reales: los currículos de educación superior raras veces formulan explícitamente el desarrollo de la sabiduría como objetivo de formación.
Sin embargo, la psicología empírica lleva más de dos décadas construyendo un corpus sólido y medible. Jeste y Lee (2019) definen la sabiduría como un constructo multidimensional con base neurobiológica que integra: regulación emocional, conducta prosocial y compasión, autorreflexión, aceptación de la divergencia de valores, capacidad de decisión asertiva bajo incertidumbre y apertura a perspectivas múltiples. Thomas et al. (2019) operacionalizaron este constructo en la San Diego Wisdom Scale (SD-WISE), validada en una muestra de 524 adultos entre 25 y 104 años. La versión abreviada (SD-WISE-7) y el Jeste-Thomas Wisdom Index (JTWI) permiten medición breve y confiable (r = 0,92 con la versión completa).
Grossmann et al. (2020) proponen el modelo integrador de “razonamiento sabio” como capacidad de segundo orden: humildad intelectual, reconocimiento de los límites del propio conocimiento, toma de perspectiva, integración de puntos de vista divergentes y búsqueda de compromiso viable. Trabajos más recientes de Grossmann (2024a, 2024b) muestran que estas dimensiones son culturalmente consistentes en doce países de cinco continentes y que el “razonamiento sabio metacognitivo” —la capacidad de regular el propio proceso de juicio— predice mejor los resultados en contextos complejos que la inteligencia general.
Esta distinción importa. La sabiduría no es inteligencia más experiencia; es una capacidad de segundo orden que regula cuándo y cómo aplicar el conocimiento y la inteligencia disponibles, incluyendo la inteligencia artificial.
3.2 Lo que la IA no puede ser: la crítica de Vallor
Shannon Vallor (2024) ofrece la crítica filosófica más precisa disponible sobre la ilusión de sabiduría en los sistemas de IA. En The AI Mirror, Vallor argumenta que la IA es un espejo que refleja el pasado con enorme precisión y velocidad, pero que carece de phrónesis: la sabiduría práctica aristotélica que adapta principios éticos a circunstancias radicalmente nuevas, que actúa con responsabilidad ante consecuencias imprevisibles y que se transforma con la experiencia. El riesgo, advierte Vallor, no es que la IA nos reemplace, sino que nos acostumbremos a delegar el juicio hasta que ya no sepamos ejercerlo.
Esta advertencia conecta con los trabajos de Johnson, Grossmann et al. (2026), quienes argumentan que las debilidades persistentes de los sistemas de IA —falta de robustez fuera de distribución, explicabilidad limitada, dificultad para cooperar en contextos novedosos— no derivan de insuficiencia de datos o potencia computacional, sino de una ausencia funcional de metacognición sabia: la capacidad de reconocer los propios límites, cambiar de estrategia, integrar perspectivas divergentes y adaptar el comportamiento a contextos inéditos. En su propuesta, la “IA sabia” no sería una IA que sabe más, sino una IA que sabe cuándo no sabe y actúa en consecuencia.
Para el argumento curricular, esto tiene una consecuencia directa: si incluso la investigación de frontera sobre IA reconoce que la metacognición sabia sigue siendo el cuello de botella del sistema artificial, entonces el desarrollo de esa capacidad en los estudiantes es la inversión formativa de mayor valor marginal. No como reacción defensiva ante la IA, sino como la competencia que hace posible usarla bien.
3.3 Sabiduría aplicada: definición operativa para el diseño curricular
Para efectos del diseño de experiencias formativas, propongo la siguiente definición operativa de sabiduría aplicada: la capacidad de ejercer juicio prudente en situaciones de alta complejidad o incertidumbre, integrando regulación emocional, consideración de consecuencias para terceros, autorreflexión sobre los propios sesgos, apertura a perspectivas que contradicen la perspectiva propia y responsabilidad ante lo decidido, en contextos donde la acción modifica a otras personas o sistemas.
Esta definición es compatible con las escalas de Jeste, el marco de razonamiento sabio de Grossmann y los requisitos de “supervisión humana significativa” de marcos regulatorios como el EU AI Act (Reglamento UE 2024/1689) y el NIST AI RMF 1.0 (NIST, 2023), que insisten en que la supervisión no es una función meramente técnica, sino ética y contextual. La sabiduría aplicada es, precisamente, lo que hace posible esa supervisión.
Lo que la distingue de otras competencias en el catálogo curricular estándar es su carácter de segundo orden: no opera sobre el contenido, sino sobre el proceso de juzgar. Un estudiante puede conocer perfectamente el derecho laboral vigente y carecer de sabiduría aplicada para juzgar si una cláusula contractual es justa en contexto. Un médico puede dominar los protocolos clínicos y carecer de sabiduría para decidir cuándo el protocolo no aplica. Un docente puede manejar la taxonomía de Bloom y carecer de sabiduría para leer si su estudiante necesita estructura o libertad.
4. Inteligencia colectiva humano-IA: la paradoja como punto de partida
4.1 La evidencia contraintuitiva
Si la sabiduría aplicada es el primer diferenciador individual, la inteligencia colectiva es el segundo diferenciador sistémico. Pero antes de celebrar la “sinergia humano-IA” como solución evidente, conviene mirar la evidencia más reciente con rigor.
Vaccaro, Almaatouq y Malone (2024) publicaron en Nature Human Behaviour el metaanálisis más comprensivo disponible sobre colaboración humano-IA: 106 estudios experimentales, 370 tamaños de efecto, estudios entre 2020 y 2023. El hallazgo central es incómodo: en promedio, las combinaciones humano-IA rindieron significativamente por debajo del mejor de los dos actores por separado. La sinergia existió —y fue estadísticamente significativa— en tareas de creación de contenido. Pero en tareas de decisión compleja, cuando la IA superaba al humano, la intervención humana deterioró el resultado.
Este hallazgo no refuta la tesis de la inteligencia colectiva. La precisa. Lo que los datos muestran es que la sinergia no es automática: depende de diseño, de contexto y, de manera crucial, de las capacidades de coordinación de los agentes involucrados. Una combinación humano-IA sin diseño deliberado no es inteligencia colectiva; es ruido añadido a un proceso que ya funcionaba.
Riedl y Weidmann (2025), en su modelo bayesiano de cuantificación de la sinergia humano-IA, identifican un predictor robusto de la colaboración efectiva: la Theory of Mind —la capacidad de modelar los estados mentales del otro, incluyendo el “otro” artificial— predice el desempeño colaborativo con IA significativamente mejor que la habilidad individual de la persona. Dicho de otro modo: lo que hace que trabajar con IA produzca mejores resultados no es ser más inteligente, sino ser mejor coordinador epistémico.
Esta convergencia —Vaccaro et al. sobre las condiciones de fallo, Riedl & Weidmann sobre las condiciones de éxito— define con precisión el problema pedagógico: no se trata de enseñar a usar IA, sino de desarrollar las capacidades de coordinación que convierten la combinación humano-IA en sinergia real.
4.2 La homogeneización como riesgo sistémico
Un segundo hallazgo de frontera complementa la paradoja anterior desde el ángulo colectivo. Doshi y Hauser (2024) demostraron en Science Advances, mediante un experimento controlado de escritura creativa, que la IA mejora la creatividad individual —especialmente la de los participantes con menor desempeño basal, “nivelando el campo de juego”— pero homogeneiza el conjunto: las historias asistidas por IA fueron significativamente más similares entre sí que las producidas sin asistencia.
Esta tensión —mejor individualmente, más parecido colectivamente— es el costo oculto de la comoditización. Cuando todos tienen acceso al mismo modelo, cuando todos usan el mismo asistente de escritura, el mismo generador de código, el mismo sintetizador de bibliografía, la diversidad cognitiva colectiva —que es la base de la resiliencia y la creatividad sistémica— tiende a reducirse. Kleinberg y Raghavan (2021) habían anticipado este efecto con el concepto de “monocultura algorítmica”: cuando múltiples actores toman decisiones con los mismos algoritmos, los sesgos individuales del sistema se convierten en sesgos sistémicos con impacto de escala.
Para la educación superior, esto tiene implicaciones directas. Un currículo que integra IA sin diseñar deliberadamente la diversidad de perspectivas, la heterogeneidad de enfoques y los procesos de deliberación colectiva no está aprovechando la inteligencia colectiva: está fabricando homogeneidad a escala.
4.3 Las tres funciones de la IA en la inteligencia colectiva
¿Qué significa entonces diseñar bien la inteligencia colectiva humano-IA? Malone y colaboradores (Woolley, Chabris, Pentland, Hashmi & Malone, 2010; Riedl, Kim, Gupta, Malone & Woolley, 2021) ofrecen un marco útil: la inteligencia colectiva de un grupo no correlaciona con la inteligencia máxima ni promedio de sus miembros, sino con la sensibilidad social promedio y la distribución equitativa de turnos conversacionales. La IA puede fortalecer deliberadamente tres funciones en este sistema:
Como memoria colectiva: recuperar, sistematizar y poner en circulación el conocimiento tácito del grupo a escala (aquello que saben los mejores pero no logran transferir). Brynjolfsson, Li y Raymond (2023/2025) documentaron exactamente este efecto en entornos de trabajo: la herramienta de IA difundió las estrategias de los agentes más competentes hacia los menos experimentados, reduciendo la desigualdad de desempeño sin reducir el techo de los mejores.
Como gestora de atención colectiva: filtrar, priorizar y resaltar la información relevante en entornos de sobrecarga, liberando la atención humana para el juicio de alto orden. Este es el caso de uso más inmediato y también el más riesgoso si no hay diseño intencional: la IA que filtra sin criterio explícito puede invisibilizar exactamente la información que contradice el consenso previo del grupo.
Como apoyo al razonamiento colectivo: sintetizar perspectivas diversas, identificar contradicciones, generar alternativas que ningún miembro del grupo habría considerado por separado. Aquí el diseño de los prompts y del proceso colaborativo importa tanto como la calidad del modelo.
El concepto de “Rizomas Centauro mediados por Theory of Mind“ (González Grez, 2026a) operacionaliza estas tres funciones en un marco medible para comunidades de aprendizaje docente peer-to-peer: integra la descomposición bayesiana de Riedl y Weidmann (habilidad individual θ, habilidad colaborativa κ, dificultad de la tarea β) con los cuatro efectos estructurales del aprendizaje entre pares —matching realista, transferencia de conocimiento tácito, reducción de fricción colaborativa y elevación del techo cognitivo colectivo—, y propone cuatro hipótesis operacionalizables que vinculan la calibración de Theory of Mind con la calidad del razonamiento colectivo.
5. El problema curricular: cuando la estructura es el obstáculo
5.1 Lo que el currículo lineal optimiza —y lo que no puede optimizar
Los currículos de educación superior son, en su mayoría, estructuras de transmisión de conocimiento disciplinar organizado en secuencias lógicas: primero los fundamentos, luego las aplicaciones, finalmente la especialización. Esta arquitectura tiene lógica interna: garantiza que los estudiantes cubran los contenidos que los expertos consideran necesarios. El problema es que optimiza exactamente lo que la comoditización de la IA hace menos valioso.
Generar, sintetizar, clasificar y responder preguntas sobre contenidos bien estructurados son precisamente las funciones que los modelos de lenguaje ejecutan a 0,07 dólares por millón de tokens. Un currículo que evalúa la competencia mediante la producción de esos outputs —ensayos, exámenes de contenido, informes estándar, ejercicios de aplicación de fórmulas— está midiendo el acceso a la herramienta, no la capacidad de juicio.
El modelo NDRE (González Grez, 2026b) —Necesidad, Deseo, Rizoma, Evidencia— explicita esta tensión desde el diseño de experiencias formativas: cuando el currículo opera desde la lógica de la necesidad institucional (cubrir contenidos, cumplir descriptores, acreditar competencias para el mercado), produce cumplimiento superficial. Cuando opera desde la lógica del deseo formativo situado —entendido como producción relacional y no como carencia a satisfacer (Deleuze & Guattari, 1983)—, produce apropiación sostenida y capacidad de actualización autónoma. La diferencia no es pedagógica en el sentido estrecho; es arquitectónica.
El contraste entre diseño lineal y diseño exponencial (González Grez, 2025a) añade una dimensión temporal: un currículo de inicio-desarrollo-cierre está diseñado para un entorno donde el conocimiento relevante cambia más despacio que la duración del programa. En un entorno donde los modelos de IA de referencia se renuevan cada 6-12 meses y donde las capacidades comoditizadas cambian de año en año, ese supuesto de estabilidad está fundamentalmente roto. El problema no es que el currículo sea viejo; es que su arquitectura no puede aprender.
5.2 Tres desajustes estructurales
Con base en la evidencia revisada, identifico tres desajustes estructurales entre los currículos universitarios lineales y las capacidades que el contexto exige:
Desajuste 1 — la evaluación mide el producto, no el juicio. Los sistemas de evaluación dominantes en educación superior evalúan la calidad del output: el ensayo, el proyecto, el examen. Pero en un entorno de comoditización de la IA, el output puede ser generado por el modelo y el estudiante puede carecer completamente de la capacidad de juicio que supuestamente demostró. La evaluación auténtica de la sabiduría aplicada no puede hacerse sobre productos finales; requiere trazas del proceso decisional, simulaciones con consecuencias, portafolios de decisiones reales con retroalimentación contextualizada (González Grez, 2025b).
Desajuste 2 — la homogeneidad curricular produce homogeneidad cognitiva. Los currículos con rutas únicas y cohortes homogéneas dificultan la construcción de diversidad de perspectivas como recurso pedagógico deliberado. Si, además, todos los estudiantes usan el mismo asistente de IA para producir sus trabajos, el efecto de homogeneización documentado por Doshi y Hauser (2024) opera a escala institucional. La inteligencia colectiva resiliente necesita diversidad de perspectivas como insumo; el currículo lineal homogéneo la reduce.
Desajuste 3 — la velocidad de actualización es incompatible con el ciclo de diseño curricular. Un proceso formal de rediseño curricular en educación superior puede tomar entre dos y cuatro años, desde el diagnóstico hasta la acreditación y la implementación. Las capacidades de IA más demandadas en el mercado laboral cambian en ciclos de 6-18 meses. Este desfase no se soluciona con diagnósticos más frecuentes ni con microactualizaciones de descriptores; requiere una arquitectura diferente, capaz de reconfigurar componentes sin rediseñar la estructura completa.
5.3 El contexto latinoamericano
En América Latina y el Caribe, estos desajustes se articulan con inequidades estructurales que los amplifican. UNESCO IESALC (2023) identifica conectividad, talento humano y alfabetización en IA como los factores habilitantes más críticos y menos desarrollados de la región. A 2023, solo siete países en el mundo —ninguno de América Latina— habían desarrollado o estaban desarrollando marcos formales de formación docente en IA (Miao & Holmes, en UNESCO IESALC, 2023). Chao-Rebolledo y Rivera-Navarro (2024) documentan que, en México, el conocimiento y uso de herramientas de IA en educación superior sigue siendo heterogéneo y mayoritariamente autónomo: sin formación, sin guía pedagógica, sin diseño institucional.
En este contexto, la propuesta de un currículo vivo de base rizomática no es un lujo de innovación; es una respuesta de pertinencia. La región no puede reproducir el ciclo de inversión masiva en infraestructura tecnológica que caracteriza a los sistemas anglosajones o del Este asiático. Lo que sí puede desarrollar es capital humano en sabiduría aplicada y en inteligencia colectiva peer-to-peer —que son, paradójicamente, las capacidades menos replicables por la IA y más accesibles con inversión pedagógica deliberada.
6. Hacia un currículo vivo: arquitectura, no receta
6.1 Principios de diseño
El currículo vivo (González Grez, 2025c) no es un currículo actualizado: es un currículo que aprende. Su diferencia con el currículo dinámico convencional no es de velocidad sino de arquitectura: en lugar de una secuencia fija con actualizaciones periódicas, propone una estructura de bloques modulares conectados por lógica de competencia observable, con mecanismos explícitos de detección de señales de cambio, revisión participativa y reconfiguración sin rediseño total.
Los principios que lo sustentan son cuatro:
Principio rizomático. Siguiendo a Cormier (2008) y a Deleuze y Guattari (1987), el conocimiento en entornos de alta incertidumbre no crece como un árbol —desde raíces fijas hacia ramas predefinidas—, sino como un rizoma: en múltiples direcciones simultáneas, sin centro fijo, con conexiones imprevistas y regeneración lateral. Un currículo de base rizomática no define una ruta única desde la ignorancia hasta la competencia; define nodos de encuentro donde los aprendices construyen trayectorias propias con andamiaje institucional. La comunidad es el currículo (Cormier, 2008).
Principio de decisión observable. La unidad mínima de evidencia de competencia no es el producto sino la decisión (González Grez, 2025b). Si queremos desarrollar sabiduría aplicada, necesitamos situaciones donde los estudiantes tomen decisiones con consecuencias reales o simuladas de alta fidelidad, donde esas decisiones sean observables y donde la retroalimentación opere sobre el proceso de juicio, no solo sobre la corrección del output. Las evaluaciones basadas en decisionales, simulaciones, juegos serios y análisis de casos reales son las metodologías coherentes con este principio.
Principio de diversidad como recurso. La heterogeneidad —de trayectorias, de perspectivas, de competencias de entrada, de contextos culturales— no es un problema de gestión curricular; es el insumo esencial de la inteligencia colectiva. El diseño curricular vivo debe deliberadamente preservar y aprovechar esa diversidad, en lugar de homogeneizarla hacia el estándar.
Principio de metacognición escalable. La sabiduría aplicada y la capacidad de coordinación para la inteligencia colectiva son capacidades de segundo orden que requieren práctica reflexiva sistemática. Esto no puede delegarse a un módulo de “pensamiento crítico” al margen del contenido disciplinar; debe estar integrado en la forma en que se aprende cualquier contenido.
6.2 Comunidades peer-to-peer como ecosistema de sabiduría
El marco de “Rizomas Centauro mediados por Theory of Mind” (González Grez, 2026a) propone que las comunidades de aprendizaje docente peer-to-peer con mediación de IA son el ecosistema más eficiente para desarrollar simultáneamente sabiduría aplicada e inteligencia colectiva. La razón es que combinan las cuatro condiciones que la evidencia identifica como necesarias para la sinergia humano-IA: diversidad de perspectivas, estructura de coordinación explícita, mediación metacognitiva y práctica reflexiva con retroalimentación sobre el proceso.
Lave y Wenger (1991) establecieron que el aprendizaje auténtico ocurre en la práctica, no antes de ella; Wenger (1998) articuló la comunidad de práctica como la unidad de aprendizaje que preserva el conocimiento tácito y lo hace transferible. Lo que añade el marco rizomático es la dimensión de coordinación epistémica con IA: no cualquier grupo humano usando IA es una comunidad de aprendizaje inteligente colectivamente; lo es cuando hay estructuras explícitas para que la Theory of Mind del grupo se desarrolle junto con la calibración de la interacción con el sistema artificial.
El modelo Tec21 del Tecnológico de Monterrey —con su arquitectura de exploración, enfoque y especialización, y su énfasis en retos con consecuencias reales— es un referente institucional de esta lógica en escala. La investigación de González Grez sobre CD0 (González Grez, 2025d) mostró que las necesidades formativas de los docentes en competencia digital cambiaron cualitativamente entre 2018-2020 y 2023: antes de la pandemia dominaban las necesidades instrumentales; después, las demandas apuntaron hacia colaboración, diseño pedagógico situado y juicio crítico sobre herramientas. Es decir: la comoditización ya había comenzado y los docentes lo percibían antes de que los datos de costos lo confirmaran.
6.3 El papel de la IA en el currículo vivo
En esta arquitectura, la IA no es el objeto de estudio ni la herramienta de productividad: es la infraestructura del ecosistema. Actúa como memoria del grupo (registra y recupera el conocimiento tácito generado en las interacciones), como sintetizador de perspectivas diversas para el razonamiento colectivo, y como generador de escenarios de decisión complejos para la práctica de la sabiduría aplicada.
El modelo HFSI —Hardware, Firmware, Software, Interfaz— (González Grez, 2025e) aporta un marco para entender esta integración sin caer en los dos extremos del debate: ni la IA como sustituto del docente y del proceso cognitivo, ni la IA como mera herramienta instrumental. La IA como “prótesis epistemológica” (González Grez, 2025e) amplía el alcance del procesamiento distribuido sin desplazar la cognición situada. Pero solo cuando hay un diseño intencional que preserva el ejercicio del juicio humano —es decir, cuando hay sabiduría aplicada en el diseño mismo del sistema.
7. Limitaciones y agenda de investigación
Este artículo tiene tres límites que conviene nombrar con la misma precisión con que se ha argumentado la tesis.
Primero, la “comoditización de la IA” opera aquí como metáfora analítica empíricamente sustentada, no como categoría teórica consolidada en la literatura de tecnología educativa. La evidencia económica es sólida (Maslej et al., 2025), pero la traducción de ese fenómeno en implicaciones pedagógicas específicas es inferencia razonada, no hallazgo experimental en contextos educativos.
Segundo, la evidencia sobre colaboración humano-IA (Vaccaro et al., 2024; Riedl & Weidmann, 2025) es mayoritariamente de contextos laborales y experimentales controlados, no de aulas universitarias latinoamericanas. La transferibilidad de los hallazgos requiere validación contextualizada. Riedl y Weidmann (2025), además, es un preprint en revisión a la fecha de este artículo.
Tercero, el currículo vivo de base rizomática es una propuesta de diseño con sustento teórico articulado, pero carece aún de evaluación longitudinal en escala. Los datos del IFE Living Lab del Tecnológico de Monterrey (González Grez et al., 2025d) aportan evidencia de feasibility, pero no de eficacia comparativa sistemática.
La agenda de investigación que se desprende es clara: (1) validar empíricamente qué condiciones de diseño curricular desarrollan sabiduría aplicada medible con instrumentos como el SD-WISE-7 o el marco de razonamiento sabio de Grossmann; (2) estudiar el efecto de las comunidades peer-to-peer mediadas por IA en la calibración de Theory of Mind en docentes latinoamericanos; (3) documentar y analizar los procesos de actualización en currículos vivos reales para identificar los mecanismos que producen resiliencia curricular sin pérdida de rigor.
Eso no se compra. Se construye.
8. Conclusión
La inteligencia artificial generativa está produciendo una redistribución del valor cognitivo sin precedentes en la historia de la educación. No porque reemplace a los humanos, sino porque hace accesible a costo marginal precisamente lo que los currículos universitarios llevan décadas tratando como evidencia de competencia: generar, sintetizar, clasificar, programar, responder.
En ese contexto, la pregunta correcta para las instituciones educativas no es qué política de uso de IA implementar. Es qué capacidades humanas se vuelven más valiosas, más escasas y más urgentes de desarrollar en un mundo donde la inteligencia funcional se compra por suscripción.
Este artículo ha argumentado que hay dos respuestas convergentes y complementarias. La sabiduría aplicada —el juicio prudente situado en valores, consecuencias y contexto, como constructo empíricamente medible y pedagógicamente desarrollable— es el primer diferenciador no replicable. La inteligencia colectiva deliberada —la coordinación intencional de diversidad, memoria y razonamiento entre agentes humanos y artificiales— es el segundo, con la advertencia crítica de que no es automática: requiere diseño y capacidades de coordinación que la educación formal raramente desarrolla.
La propuesta de currículo vivo de base rizomática no es una respuesta tecnológica a un problema tecnológico. Es una respuesta pedagógica a un problema de pertinencia: si lo que la IA hace bien sigue creciendo en velocidad y cayendo en costo, entonces el valor de la educación superior reside, cada vez más, en desarrollar exactamente lo que la IA no puede comprar.
La sabiduría no se alquila por millón de tokens. Y la inteligencia colectiva tampoco surge de poner personas frente a modelos: surge de diseñar, con intención y evidencia, los procesos mediante los cuales las personas y las máquinas aprenden a pensar mejor juntas que por separado.