.svg)
.svg)
ChatGPT puede parecer como una herramienta de aprendizaje. Explica conceptos complejos con claridad. Está disponible en cualquier momento y comparte información en segundos.
Por eso cada vez más profesionales lo utilizan para su trabajo diario. Y muchas organizaciones se preguntan si herramientas como ChatGPT podrían reemplazar parte de sus programas de formación en IA.
La respuesta es no. Y el problema no tiene nada que ver con la calidad de las respuestas.
Bjork y Bjork (2011) introdujeron el concepto de dificultades deseables: el hallazgo, aparentemente contraintuitivo, explica que las condiciones que hacen que aprender se sienta más difícil son precisamente las que desarrollan competencias duraderas. ChatGPT está diseñado para eliminar la dificultad. Ese es el problema.
Hablar sobre código, no es lo mismo que escribir código
Aquí encontramos la brecha más importante. Las conversaciones con ChatGPT son, en el mejor de los casos, lo que Chi y Wylie (2014) clasifican como aprendizaje “activo” dentro de su marco ICAP: el estudiante recibe información y responde a ella. En ocasiones, la interacción se vuelve “constructiva”, cuando la persona genera nuevas ideas. Pero nunca es realmente práctica. Nadie tiene las manos sobre un teclado escribiendo código real, depurando errores reales o creando funcionalidades reales.
Y eso es de gran importancia. Programar es una habilidad procedimental. La teoría ACT-R de Anderson sostiene que el conocimiento procedimental se construye transformando gradualmente el conocimiento declarativo en secuencias de acciones automatizadas mediante la práctica. No puedes aprender a programar simplemente hablando sobre programación, del mismo modo que no puedes aprender a tocar piano hablando sobre música.
La evidencia lo respalda a gran escala. Freeman y colaboradores (2014) realizaron un metaanálisis de 225 estudios y descubrieron que el aprendizaje activo en disciplinas STEM reduce las tasas de fracaso en un 33 % en comparación con la enseñanza basada en clases magistrales.
No es un avance menor. Significa que una tercera parte de los estudiantes que habrían fracasado, ahora logran avanzar simplemente porque dedican más tiempo a hacer y menos tiempo a consumir información.
Una plataforma de formación diseñada específicamente para enseñar pone la práctica en el centro de la experiencia. Los estudiantes pasan más del 80 % de su tiempo escribiendo código, no leyendo sobre él. Desarrollan proyectos que pueden incorporar a su portafolio y que demuestran competencias aplicadas. El resultado es una habilidad demostrable, no un historial de conversación.
La retroalimentación que realmente cambia comportamientos
ChatGPT puede hacer comentarios sobre el código que le compartes. Lo que no puede hacer es observar cómo escribes ese código en tiempo real, identificar patrones en tus errores a lo largo de distintas sesiones o evaluar tu trabajo utilizando una rúbrica estructurada vinculada a objetivos de aprendizaje específicos.
Esa diferencia es fundamental. Hattie y Timperley (2007) encontraron que la retroalimentación es uno de los factores con mayor impacto en el aprendizaje, con un efecto promedio de d = 0,73, pero solo cuando actúa a nivel de la tarea misma y del proceso.
Decirle a alguien que su código está mal aporta poco valor. Explicarle por qué falla la lógica, cómo se relaciona con un patrón de errores que ya ha mostrado anteriormente y qué haría de forma diferente un ingeniero con más experiencia, eso sí cambia comportamientos.
Las plataformas diseñadas específicamente para la formación pueden ofrecer este tipo de retroalimentación de manera automática y a gran escala. La evaluación asistida por IA que analiza estilo, estructura y corrección reproduce el tipo de revisión de código que un desarrollador junior recibiría de un ingeniero con más experiencia. Con una diferencia: no se cansa, no acumula retrasos y no limita el tamaño de los grupos de aprendizaje.
Por qué resulta mejor no dar una respuesta inmediatamente
ChatGPT está optimizado para ayudar. Haces una pregunta y recibes una respuesta. Completa. Inmediata. Siempre. Desde la perspectiva de las ciencias del aprendizaje, esto es exactamente lo contrario de lo que se necesita.
Kapur (2008, 2016) ha dedicado más de una década a estudiar lo que denomina fracaso productivo: el fenómeno por el cual las personas que se enfrentan a un problema antes de recibir instrucción desarrollan una comprensión conceptual más profunda y una capacidad significativamente mayor para transferir ese conocimiento a situaciones nuevas que quienes reciben la explicación primero.
La dificultad no es un defecto. Es el mecanismo. Un tutor de IA diseñado para enseñar no debería dar la respuesta directamente. Debería guiar. Formular preguntas. Dirigir al estudiante de vuelta al problema. Es el método socrático llevado al software, y la evidencia demuestra que funciona.
Las personas que se ven obligadas a generar sus propias soluciones, incluso cuando son imperfectas, desarrollan un conocimiento más flexible, capaz de enfrentarse a la complejidad del mundo real.
ChatGPT hace exactamente lo contrario. Te entrega la respuesta y te priva del trabajo cognitivo que habría permitido que ese aprendizaje perdurara.
Las habilidades genéricas no aplican al trabajo real
Pídele a ChatGPT que te enseñe Python y aprenderás Python de forma genérica. Trabajarás con conjuntos de datos de ejemplo, ejercicios de manual y problemas algorítmicos que tienen poca relación con tu trabajo diario.
Baldwin y Ford (1988) identificaron este problema hace casi cuatro décadas, y sigue siendo uno de los desafíos más persistentes de la formación corporativa. Las habilidades aprendidas en un contexto —especialmente cuando ese contexto es genérico y está desconectado de la realidad— suelen transferirse mal a las tareas que las personas realizan en su trabajo. El contenido debe reflejar el entorno en el que esas habilidades se utilizarán.
Una plataforma diseñada específicamente para enseñar puede generar itinerarios de aprendizaje basados en el contexto de la organización: su stack tecnológico, sus estándares de desarrollo y los problemas que realmente necesita resolver.
Esa es la diferencia entre “haber completado un curso de Python” y “ser capaz de desarrollar y mantener código en producción dentro de nuestro entorno”. Una opción se ve bien en un panel de métricas. La otra genera impacto real.
Una ventana, no cinco
This one is simpler, but the evidence is clear. Using ChatGPT for learning means toggling between a chat window, a code editor, documentation, and whatever content you're trying to learn from. Every switch costs you.
Este punto es más sencillo, pero la evidencia también es clara. Aprender con ChatGPT implica alternar constantemente entre una ventana de chat, un editor de código, documentación y el material que se está estudiando. Cada cambio tiene un costo.
La teoría de la carga cognitiva de Sweller (1988) explica por qué. La memoria de trabajo es limitada. Cuando una persona debe dividir su atención entre múltiples fuentes de información, consume recursos cognitivos en gestionar el proceso de aprendizaje en lugar de destinarlos al aprendizaje mismo. Se trata de una carga cognitiva adicional que no aporta valor y que resta eficacia al proceso.
Integrar el entorno de programación, el contenido formativo y la retroalimentación basada en IA en una única interfaz elimina ese costo. Los estudiantes pueden mantener la concentración. Y sus recursos cognitivos pueden dedicarse a lo que realmente importa: desarrollar habilidades.
Dos herramientas distintas para dos objetivos distintos
ChatGPT es una herramienta extraordinaria para responder preguntas. Fue diseñado para ser útil, y lo es. Pero ser útil y ser eficaz desde el punto de vista pedagógico no son lo mismo. En varios aspectos importantes, incluso son cosas opuestas.
La pregunta para quienes lideran iniciativas de formación y desarrollo no es si la IA tiene un lugar en el desarrollo de capacidades. Lo tiene. La pregunta es si están utilizando una IA diseñada para enseñar o una IA diseñada para responder.
Una desarrolla competencias. La otra crea la ilusión de haberlas desarrollado. Tus equipos merecen una formación que desarrolle habilidades reales.
Referencias
Baldwin, T. T., & Ford, J. K. (1988). Transfer of training: A review and directions for future research. Personnel Psychology, 41(1), 63–105.
https://doi.org/10.1111/j.1744-6570.1988.tb00632.x
Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Eds.), Psychology and the real world (pp. 56–64). Worth Publishers.
https://bjorklab.psych.ucla.edu/wp-content/uploads/sites/13/2016/04/EBjork_RBjork_2011.pdf
Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243.
https://doi.org/10.1080/00461520.2014.965823
Freeman, S., Eddy, S. L., McDonough, M., Smith, M. K., Okoroafor, N., Jordt, H., & Wenderoth, M. P. (2014). Active learning increases student performance in science, engineering, and mathematics. Proceedings of the National Academy of Sciences, 111(23), 8410–8415.
https://www.pnas.org/doi/pdf/10.1073/pnas.1319030111
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112. https://doi.org/10.3102/003465430298487
Kapur, M. (2008). Productive failure. Cognition and Instruction, 26(3), 379–424. https://doi.org/10.1080/07370000802212669
Kapur, M. (2016). Examining productive failure, productive success, and constructive failure as yield for learning outcomes. Instructional Science, 44, 21–46.
https://doi.org/10.1007/s11251-015-9360-z
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1016/0364-0213(88)90023-7
