Hemos avanzado mucho en cuatro episodios. Comenzamos analizando qué hace que JMP Student Edition sea realmente útil en un contexto de enseñanza antes de que la IA entre en escena. Examinamos cómo la IA puede cambiar el rol del instructor, exploramos qué hacen JMP Assistant y LearnBot en la práctica y luego dedicamos un tiempo a analizar con franqueza los riesgos, en particular, dónde la IA interfiere y cómo establecer medidas de protección en el diseño de los cursos.
Ahora quiero dar un paso atrás y plantear la pregunta más importante: ¿a dónde nos lleva todo esto?
No tengo una bola de cristal. Nadie la tiene. Pero llevo más de 15 años trabajando con profesores universitarios de toda Europa, observando cómo se adaptan —lentamente al principio, luego repentinamente— a nuevas herramientas y nuevas presiones. Y lo que veo ahora es diferente a las transiciones anteriores. No porque la IA sea mágica, sino porque está impulsando un debate que los educadores de estadística están teniendo ahora seriamente: ¿qué es lo que realmente intentamos enseñar?
La cuestión del plan de estudiosesoLa IA nos obliga a responder
Durante décadas, los cursos introductorios de estadística se organizaron en torno a procedimientos. Enseñar la prueba t. Enseñar ANOVA. Enseñar regresión. Tenía sentido. Los estudiantes necesitan comprender qué hacen estos métodos, cuándo se aplican y en qué supuestos se basan. Lo que actualmente está en entredicho no es ese conocimiento en sí, sino la idea de que cubrir los procedimientos es suficiente. La IA puede desenvolverse en el ámbito de los procedimientos; lo que no puede hacer es razonar sobre si se eligió el procedimiento correcto o qué significa realmente el resultado en contexto.
Ahora la IA también puede desenvolverse en el ámbito procedimental. No a la perfección, ni con total fiabilidad, pero lo suficientemente bien como para que el estudiante sienta que su pregunta ha sido respondida. La IA nos obliga a responder una pregunta que hemos pospuesto durante años: ¿qué queremos realmente que aprendan los estudiantes?
Creo que la respuesta es: todo lo que más importa. El pensamiento estadístico. La capacidad de traducir una pregunta del mundo real en un problema de datos. El criterio para determinar si un resultado es fiable. La disciplina para preguntarse "¿esto tiene sentido?" y decirlo en serio.
Aquí se establece un paralelismo importante. Los problemas donde el juicio estadístico humano suele ser más crucial —datos novedosos, situaciones excepcionales, preguntas analíticas realmente complejas sin un modelo establecido— son a menudo donde las herramientas de IA resultan menos fiables. Los modelos de lógica descriptiva (LLM) se entrenan con abundancia de datos, pero pueden tener dificultades con la rareza y la novedad. Las dimensiones exploratorias, creativas e innovadoras del análisis de datos siguen siendo, fundamentalmente, un ámbito humano. Esto no es un premio de consolación, sino el argumento que justifica por qué el pensamiento estadístico aún debe enseñarse, y enseñarse bien.
La profesión está respondiendo,despacio pero en serio
La comunidad de enseñanza de la estadística no ha ignorado este hecho. El Informe Universitario GAISE [13], el marco de referencia más citado para la enseñanza introductoria de la estadística, se encuentra actualmente en proceso de revisión [14], impulsada explícitamente por la llegada de la IA, lo cual es significativo. Esto significa que el campo lo está tratando como un verdadero desafío curricular, y no solo como un problema de gestión del aula.
Vale la pena leer el borrador en vivo, no porque tenga todas las respuestas, sino porque las preguntas que plantea son precisamente las correctas. ¿Qué deberían poder hacer los estudiantes con los datos que la IA no puede hacer por ellos? ¿Qué significa comprender un resultado estadístico en 2026?
He seguido esta revisión con verdadero interés. Si el resultado es un marco que prioriza el razonamiento estadístico, el criterio y la capacidad interpretativa, en lugar de la mera cobertura de procedimientos, brindará a los instructores el respaldo profesional necesario para rediseñar sus cursos de manera que la IA no pueda socavarlos fácilmente.
Lo que queda sin resolver
Quiero ser honesto acerca de los problemas para los que aún no tenemos buenas respuestas. Hay tres preguntas que vale la pena considerar:
Evaluación. Si la IA puede completar la mayoría de las tareas estadísticas tradicionales, ¿cómo sería una evaluación significativa? ¿Examen oral? ¿Evaluación basada en portafolios? ¿Problemas con datos reales sin preparación previa? Estas no son ideas nuevas, pero implementarlas a gran escala en cursos universitarios numerosos es realmente difícil. Nadie tiene una respuesta definitiva.
Neil Selwyn [10][11] plantea una versión más incisiva de esto: al rediseñar la evaluación para adaptarla a la IA, ¿corremos el riesgo de convertir la educación en algo legible para máquinas , optimizado para lo que la IA puede evaluar en lugar de lo que los humanos realmente necesitan aprender? Esta preocupación merece más atención de la que recibe actualmente.
Equidad. El acceso a las herramientas de IA es desigual. Los estudiantes de instituciones con recursos suficientes, buena infraestructura digital y un sólido apoyo docente tendrán experiencias muy diferentes a las de quienes no los tienen. Si el dominio de la IA se convierte en una competencia fundamental para los graduados, debemos ser honestos sobre quiénes están recibiendo la preparación necesaria y quiénes no.
¿Qué significa "bueno"? Aún estamos en una etapa temprana de esta transición, por lo que existen muy pocos ejemplos bien documentados de integración de IA en la enseñanza de la estadística que hayan funcionado de manera inequívoca, donde los estudiantes aprendieron más, razonaron mejor y desarrollaron un juicio analítico más sólido que sin la IA. Creo que esos ejemplos existen. Me gustaría que se documentaran y compartieran más.
| “Los mejores analistas, ingenieros y científicos siempre estarán un paso por delante de las herramientas que utilizan.” |
¿Dónde encaja JMP en esta imagen?
A lo largo de esta serie, he tenido muy presente que no se trata de una promoción de producto. JMP Student Edition es una herramienta, y en mi opinión, una herramienta realmente buena para la enseñanza, pero una herramienta al fin y al cabo. Los argumentos pedagógicos de esta serie se sostienen o se refutan por sus propios méritos, no porque JMP los formule.
Dicho esto, creo que la filosofía de diseño que subyace al enfoque de JMP hacia la IA —herramientas que complementan el razonamiento analítico en lugar de reemplazarlo, que mantienen el flujo de trabajo visual y exploratorio como eje central, que visibilizan el pensamiento en lugar de ocultarlo— va por buen camino. Queda por ver si otras herramientas convergerán en principios similares o si el mercado se inclinará hacia una mayor automatización y una menor transparencia.
De lo que estoy seguro es de que los instructores que comprenden lo que quieren que los estudiantes aprendan y que diseñan sus cursos en función de ese conocimiento, afrontarán bien esta transición, independientemente de las herramientas que utilicen. La pedagogía es lo primero. Las herramientas vienen después.
Un final abierto
Comencé esta serie remontándome a principios de la década de 1990, a una época en la que la IA era un tema de investigación, no una pestaña del navegador, y en la que el razonamiento estadístico debía desarrollarse mediante un verdadero esfuerzo con los datos y la metodología. No siento nostalgia por aquella época. Las herramientas que tenemos ahora son realmente mejores, y los estudiantes de hoy tienen acceso a capacidades analíticas que habrían asombrado a mi director de tesis doctoral.
Pero la advertencia de Advait Sarkar [7] me sigue rondando la cabeza: el riesgo no reside en que la IA sea demasiado poderosa, sino en que dejemos de pensar antes de haber desarrollado el criterio necesario para evaluar sus resultados. Ethan Mollick [9] tiene razón al afirmar que la IA será una co-maestra, una entrenadora, una colaboradora. Y las preocupaciones estructurales que Selwyn [10][11] plantea sobre quién se beneficia de la IA en la educación son cuestiones que todo docente debería plantearse.
Quienes destaquen en el futuro no serán los que sepan realizar un análisis, sino los que puedan examinar los resultados y decir: «No estoy convencido y aquí están las razones». Esa es la habilidad que vale la pena enseñar. Y es precisamente la habilidad que siempre ha sido el objetivo de la enseñanza de la estadística, cuando se imparte correctamente.
Si has utilizado JMP Student Edition, LearnBot o Assistant en tu docencia, ¿qué te ha funcionado? ¿Qué te ha sorprendido? ¿Qué preguntas te siguen rondando la cabeza? Me encantaría que me escribieras directamente a volker.kraft@jmp.com .
| Versiones de software utilizadas en esta serie JMP Student Edition 19.1.3 • Data Analysis Director 4.0 • LearnBot 1.1.1 • JMP Assistant 2.3 |
Referencias
[1] Programa Académico JMP , jmp.com/academic
[2] Edición para estudiantes de JMP , jmp.com/student
[3]Comunidad JMP
[4] Director de análisis de datos (JMP Marketplace) , marketplace.jmp.com
[5]LearnBot (Mercado de JMP) , marketplace.jmp.com
[6] Asistente JMP (Mercado JMP) , marketplace.jmp.com
[7] Advait Sarkar: “Cómo evitar que la IA mate tu pensamiento crítico” , Charla TED, 2025
[8] Amy Bruckman: “Reinventando la enseñanza tras la introducción de la IA” , charla TEDx, 2026
[9] Ethan Mollick: Co-Inteligencia: Vivir y trabajar con IA , Portfolio/Penguin, 2024
[10] Neil Selwyn: ¿Deberían los robots reemplazar a los profesores?, Polity Press, 2019
[11] Neil Selwyn: Sobre los límites de la inteligencia artificial en la educación , 2024
[12] 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
[13]Informe universitario de GAISE (2016)
[14]Revisión del informe universitario GAISE (en curso, 2025)
[15] ¿ Perdido en JMP? Adelgazar para un mejor ajuste , Kraft y Rijpkema, JMP Discovery Summit Europe 2026
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. Se le puede contactar a través de la Comunidad JMP o en LinkedIn .
Episodio 5 de 5 • Fin de la serie
También valoro la atención que se presta a cómo la IA transforma la enseñanza de la estadística, y creo que casi todos coinciden en que el énfasis debe pasar de los procedimientos y métodos a la definición del problema, la comunicación y el uso de los resultados. Esta tendencia existía mucho antes de la IA, a menos que se considere a JMP y otros programas similares como una forma de IA (algo que yo sí hago). Desde mi experiencia —y reconozco que esto es una simplificación excesiva— la habilidad clave que los humanos deben conservar es la limpieza de datos (y ahí es donde JMP destaca). La limpieza de datos requiere conocimiento del tema, comprensión de la variabilidad y muchas habilidades de pensamiento crítico. La IA puede ayudar con la limpieza de datos, pero casi todos los intentos que he visto de automatizarla fracasan. De hecho, son un enfoque erróneo.
Creo que los humanos necesitan comprender los datos con los que trabajan y limpiarlos adecuadamente. Los valores atípicos son solo un ejemplo: a veces son errores, pero a menudo revelan algo importante. Lo mismo ocurre con los datos faltantes. Cualquier intento de automatizar su tratamiento está destinado al fracaso, ya que en algunos contextos un valor atípico indica un error, mientras que en otros representa una variabilidad real. El contexto es fundamental, y es precisamente con lo que la IA tiene más dificultades. JMP es una excelente herramienta para explorar los datos y comprender qué limpieza, transformaciones, filtrado, etc., son apropiados. Esto sienta las bases para que la IA realice tareas que el ser humano o el software que utiliza no pueden llevar a cabo.
Aquí viene la parte que creo que los proveedores de software (incluido JMP) no quieren oír. Estos paquetes completos son útiles, pero algo innecesarios. He descubierto que, una vez que he preparado los datos y tengo una idea de cómo sería un análisis apropiado, la IA es mucho más capaz de realizar el análisis que yo con JMP. Un ejemplo: datos de encuestas ponderadas. JMP no puede realizar inferencias correctas para ponderaciones estratificadas complejas, pero la IA sí. SAS puede, al igual que R o Python. ¿Necesitan los estudiantes aprender estos programas? Algunos sí, dependiendo de su trayectoria profesional, pero muchos (¿la mayoría?) no. No sé cómo realizar correctamente este tipo de análisis, pero he trabajado con IA para hacerlo y he aprendido de ella cómo la ponderación afecta la inferencia, a nivel conceptual. Estoy dispuesto a dejar que la IA realice el análisis detallado (tedioso, para mí).
Creo que esto tiene implicaciones financieras para los proveedores de software. La IA reduce los ingresos que pueden esperar obtener de las suscripciones individuales o grupales. Sin embargo, potencialmente amplía el mercado. Con la IA disponible para casi todos, se verán tentados a depender únicamente de ella para obtener respuestas, pero eso es un error. Si desean un análisis correcto y adecuado, deberán interactuar seriamente con los datos por sí mismos, algo para lo que JMP es excelente. Pero no necesitan tantas herramientas sofisticadas y probablemente no estén dispuestos a pagar tanto por ellas. Creo que apreciarán la capacidad de JMP para ejecutar modelos de árboles potenciados, pero es más probable que el mejor modelo de este tipo provenga de la IA que de JMP.
Me encantaría saber qué opinan los demás al respecto. Está cambiando rápidamente mi forma de pensar y de enseñar, demasiado rápido, pero no tenemos otra opción.
