Permítanme comenzar con una historia breve pero reveladora.
Un estudiante me mostró una vez un análisis de regresión con un formato impecable: resultados claros, valores p correctos, todo parecía perfecto. Solo había un problema: habían interpretado mal el resultado por completo. Cuando le pregunté cómo habían llegado a esa conclusión, la respuesta fue sencilla: «La IA lo dijo».
Ese momento se me quedó grabado. No porque la IA estuviera equivocada (no lo estaba), sino porque el razonamiento se detuvo antes incluso de empezar. El proceso de razonamiento se delegó antes de que el estudiante formulara una sola hipótesis.
Y ese, en resumen, es el verdadero riesgo de la IA en la enseñanza del análisis de datos.
El problema no es la herramienta.,es el flujo de trabajo
Cuando hablamos de los riesgos de la IA en la educación, la conversación suele centrarse en la integridad académica, como el plagio y las tareas automatizadas. Estas son preocupaciones legítimas. Pero para los docentes de estadística, el problema más profundo es cognitivo: ¿qué sucede con el razonamiento del estudiante cuando una herramienta puede generar el análisis, narrar los resultados y sugerir la conclusión, todo antes de que el estudiante haya formulado una pregunta?
En su charla TED de 2025 sobre IA y pensamiento crítico, Advait Sarkar [3] lo denomina convertirse en “gerentes intermedios de nuestros propios pensamientos”, aprobando los resultados de la IA en lugar de generar ideas. Este planteamiento resuena cada vez que veo a un estudiante entregar un informe con una prosa fluida que no puede parafrasear con sus propias palabras. Las palabras están ahí. La comprensión no.
A esto lo llamo la ilusión de competencia : la IA permite a los estudiantes producir análisis y narrativas convincentes sin la comprensión subyacente que les permitiría detectar errores. El resultado parece correcto, pero el razonamiento que lo sustenta puede ser inexistente.
Tres patrones que sigo viendo
- Confianza sin verificación.
Las herramientas de IA tienden a responder con autoridad, incluso cuando no están seguras. Un estudiante pregunta sobre los supuestos del ANOVA y recibe una respuesta que suena plausible. Nadie revisa los gráficos de residuos. En un laboratorio tradicional, un instructor habría dicho: «Bien, pero muéstrame los diagnósticos». Esa fricción era valiosa desde el punto de vista pedagógico. No deberíamos eliminarla.
El gráfico que aparece a continuación ilustra precisamente esto. Una regresión lineal simple aplicada al conjunto de datos de pingüinos (sin tener en cuenta la especie) podría parecer aceptable a primera vista. Sin embargo, el gráfico de residuos muestra una realidad diferente.
Residual by Predicted Plot from a linear regression on the penguin data set, but the pattern signals that the model is missing something. Species, in this case.Gráfico de residuos frente a valores predichos a partir de una regresión lineal sobre el conjunto de datos de pingüinos, pero el patrón indica que al modelo le falta algo. En este caso, la especie.
Lo que se pierde si no se comprueba: un sano escepticismo .
- Informes fluidos, comprensión frágil.
Las explicaciones generadas por IA pueden sonar pulidas y profesionales. Pero si le pides a un estudiante que explique sus resultados con sus propias palabras, las deficiencias se hacen evidentes. He empezado a pedirles a los estudiantes que me expliquen verbalmente el texto generado por la IA. La diferencia entre lo que enviaron y lo que pueden expresar es, a veces, sorprendente.
Lo que se pierde: la verdadera comprensión .
- Saltarse la parte intermedia complicada.
¿Para qué complicarse con la configuración del modelo si la IA puede pasar directamente a la interpretación? Pero es precisamente en esa dificultad donde residen las claves: detectar desequilibrios en los datos, percatarse de una definición de variable errónea y detectar una violación de supuestos antes de que se propague a través del análisis.
Lo que se pierde: aprender haciendo .
| “Si una tarea se puede completar sin entenderla, en realidad nunca puso a prueba la comprensión.” |
Un mejor enfoque: diseñar, no restringir.
Evitar la IA no es la solución. La integración reflexiva sí lo es. Aquí presentamos cuatro estrategias que realmente funcionan en la práctica:
- Introducir la IA en el momento adecuado.
Permita que los estudiantes exploren datos, construyan modelos y formulen hipótesis antes de usar herramientas de IA. De esta manera, la IA se convierte en un complemento para su pensamiento, no en un sustituto. El orden es importante: primero, formen una opinión y luego compárenla con los resultados de la herramienta.
- Haz preguntas que la IA no pueda responder.
En lugar de “interpretar este modelo”, pregunte:
- ¿Qué te sorprendió de los datos?
- ¿Qué harías diferente la próxima vez?
- ¿Por qué es importante esto para la decisión que tenemos entre manos?
Estas preguntas requieren razonamiento personal, no texto generado automáticamente.
- Convierte los errores de la IA en oportunidades de aprendizaje.
La IA comete errores, así que aprovechemos eso. Muéstrales a los estudiantes una sugerencia errónea de la IA y pregúntales: "¿Confiarías en esto? ¿Cómo lo comprobarías?". Cuando los estudiantes aprenden a detectar errores de la IA, desarrollan precisamente las habilidades de evaluación crítica que se transfieren a cualquier otro contexto analítico. La IA se convierte en una herramienta de pensamiento crítico , no en un atajo.
- Sea transparente con respecto a las expectativas.
Los estudiantes generalmente aceptan pautas claras. Usar IA para aprender está bien. Usar IA para reemplazar el pensamiento no lo está. La distinción es importante, y funciona cuando se establece de forma explícita, temprana y constante. Neil Selwyn [4] nos recuerda que la IA en la educación es una elección, no una inevitabilidad. El instructor sigue diseñando el entorno de aprendizaje.
Lo que hacen las propias herramientas de JMP.
Las herramientas de IA de JMP Student Edition incorporan medidas de seguridad. Cada sesión de LearnBot y Assistant incluye un recordatorio explícito: «Contenido generado por IA: evalúe su precisión e idoneidad antes de usarlo». Este recordatorio, utilizado como guía didáctica, refleja a la perfección la actitud crítica que queremos que desarrollen los estudiantes.
Como lo expresó Russ Wolfinger de JMP [6]: la IA complementa, no reemplaza. Las herramientas se diseñan teniendo en cuenta este principio. Que se utilicen de esta manera en el aula depende del instructor.
El panorama general
Neil Selwyn [4][5], cuyo trabajo sobre los límites estructurales de la IA en la educación merece más atención de la que suele recibir, sostiene que la IA en el aula es una elección, no una inevitabilidad. La cuestión no es si usarla o no, sino quién se beneficia de cada uso específico, y si las habilidades fundamentales del razonamiento estadístico se están desarrollando o se están reemplazando silenciosamente.
Un buen análisis de datos no consiste en obtener respuestas rápidamente. Consiste en lidiar con la incertidumbre, cuestionar los resultados, defender las decisiones y, a veces, decir: «Todavía no lo entiendo del todo». Estas son precisamente las habilidades que corren mayor riesgo cuando la IA se encarga de todo antes de que el estudiante haya tenido la oportunidad de reflexionar.
El episodio 5 mira hacia el futuro: ¿cómo será la educación en alfabetización de datos y qué papel desempeñarán herramientas como JMP en ella?
Prueba esto
Toma una tarea que tus alumnos actualmente realizan con la ayuda de la IA. Añade una pregunta que la IA no pueda responder: ¿Qué supuesto de este análisis te preocupa más y por qué? Luego, comparte esas respuestas en clase. Las preocupaciones que señalen los alumnos —y las que pasen por alto— te dirán más sobre su comprensión que el análisis en sí.
Referencias
[1] Programa Académico JMP , jmp.com/academic
[2] Edición para estudiantes de JMP , jmp.com/student
[3] Advait Sarkar: “Cómo evitar que la IA mate tu pensamiento crítico” , Charla TED, 2025
[4] Neil Selwyn: ¿Deberían los robots reemplazar a los profesores?, Polity Press, 2019
[5] Neil Selwyn: Sobre los límites de la inteligencia artificial en la educación , 2024
[6] Russ Wolfinger: Las siete principales maneras en que los científicos e ingenieros deben prepararse para la era impulsada por la IA , documento técnico de JMP
[7]Revisión del informe universitario GAISE (en curso, 2025)
Acerca del autor
Volker Kraft es Embajador Académico Principal (EMEA) en JMP Statistical Discovery (una empresa de SAS), y forma parte del Equipo Académico Global de JMP. Desde 2011, ha apoyado a universidades de toda Europa en la integración de JMP en la docencia y la investigación. Su trayectoria profesional se centra en la investigación de la tecnología del habla, un campo donde el rigor estadístico y el pragmatismo de la ingeniería coexistieron mucho antes de que la IA se popularizara. Puede contactarse con él a través de la Comunidad JMP o en LinkedIn .
Episodio 4 de 5 • Siguiente: ¿Qué sigue? — el futuro de la educación en alfabetización de datos
