Hay una idea que empieza a repetirse con demasiada facilidad en universidades, empresas y conversaciones sobre el futuro del trabajo. La inteligencia artificial no vendrá a reemplazarnos, se dice, sino a trabajar con nosotros. Los seres humanos pondremos la experiencia, la sensibilidad, el conocimiento del contexto y la responsabilidad; las máquinas aportarán velocidad, memoria y una capacidad de procesamiento difícil de igualar. A esa promesa se le ha dado un nombre tranquilizador: cointeligencia.
En este contexto sostengo una tesis que puede resultar incómoda. La cointeligencia no es una relación entre iguales y presentarla como si lo fuera puede impedirnos comprender qué entregamos cuando delegamos parte del trabajo intelectual. Una herramienta puede seleccionar información, organizar argumentos, proponer una decisión y redactar el documento que la justifica. No tendrá que comparecer ante un comité, responder a una comunidad afectada ni hacerse cargo de las consecuencias de un error. La máquina interviene, pero no responde. El prefijo “co” distribuye simbólicamente una responsabilidad que continúa siendo humana.
La ilusión de reciprocidad
Esto no significa regresar a la ficción de una inteligencia individual y autosuficiente. Edwin Hutchins mostró que la cognición se distribuye entre personas, instrumentos, representaciones y entornos. Pensamos con libros, lenguajes, instituciones y tecnologías que modifican aquello que somos capaces de conocer. Esa perspectiva, desarrollada en Cognition in the Wild (https://mitpress.mit.edu/9780262581462/cognition-in-the-wild/), permite reconocer que la inteligencia artificial se incorpora a una historia larga de mediaciones cognitivas. De allí no se sigue que toda distribución del pensamiento sea equivalente ni que cualquier mediación fortalezca nuestra autonomía. Los modelos generativos, además, no se limitan a almacenar información o ejecutar una operación reconocible. Producen lenguaje con apariencia de comprensión, jerarquizan contenidos sin hacer visible todo el proceso y ajustan sus respuestas al interlocutor hasta crear una poderosa sensación de reciprocidad. Su fluidez verbal puede confundirse con autoridad epistémica. La dificultad no reside solamente en que la IA pueda equivocarse, sino en que puede hacerlo de una manera extraordinariamente convincente.
Ethan Mollick, uno de quienes más contribuyó a popularizar la cointeligencia, ha reconocido que el concepto empieza a quedarse corto. Su formulación correspondía al mundo de los chatbots, donde la persona preguntaba, revisaba y corregía mediante intercambios sucesivos. Los nuevos agentes pueden recibir tareas amplias, consultar fuentes y ejecutar procesos completos con mucha menos intervención humana. En “Co-Existence and the End of Co-Intelligence” (https://www.oneusefulthing.org/p/co-existence-and-the-end-of-co-intelligence), Mollick propone hablar de coexistencia. Cuando dejamos de participar en el recorrido y esperamos un producto terminado, ya no estamos pensando necesariamente con la máquina; administramos resultados cuyo proceso apenas conocemos.
Producir no es aprender
La universidad debería advertir esa diferencia con especial lucidez. Su propósito no consiste en producir textos, investigaciones, títulos o indicadores a mayor velocidad, sino en crear condiciones para que el conocimiento pueda construirse, discutirse y transformarse. Sin embargo, buena parte de la conversación institucional sobre inteligencia artificial se ha concentrado en la productividad. Se ofrecen cursos para formular mejores instrucciones, se celebran las horas ahorradas y se presenta la adopción acelerada como evidencia de innovación. Preguntamos cuánto puede hacer la herramienta y con menor frecuencia qué capacidades queremos fortalecer con ella. La evidencia obliga a tomar en serio esa segunda pregunta. El Digital Education Outlook 2026 de la OCDE advierte que la inteligencia artificial generativa puede mejorar el desempeño inmediato sin producir aprendizajes equivalentes, especialmente cuando se utiliza sin una mediación pedagógica que sostenga la actividad cognitiva (https://www.oecd.org/en/publications/oecd-digital-education-outlook-2026_062a7394-en.html). Hacer algo mejor con IA no significa necesariamente haber aprendido a hacerlo mejor. Una universidad puede exhibir productos más sofisticados mientras sus estudiantes pierden capacidad para explicar o defender lo que entregan.
La IA no creó esta fragilidad; la volvió imposible de seguir ocultando. Durante años tratamos ensayos, informes, presentaciones y respuestas correctas como ventanas transparentes hacia el pensamiento. Confundimos el producto con el aprendizaje y ahora nos sorprende que una máquina pueda producir el primero sin garantizar el segundo. Algunas instituciones reaccionan reforzando la vigilancia, como si el desafío consistiera en descubrir quién usó una herramienta y no en revisar la pobreza de tareas predecibles y fácilmente automatizables. Podemos terminar construyendo una universidad que controla más y enseña menos.
La autonomía en juego
El problema tampoco se agota en el aula. Las universidades están trasladando partes importantes de su actividad a infraestructuras privadas que no pueden auditar y cuyas reglas pueden cambiar sin consultarlas. El AI Index Report 2026 de Stanford muestra que, en 2025, la industria produjo más del 90 % de los modelos notables y que la inversión continúa altamente concentrada (https://hai.stanford.edu/ai-index/2026-ai-index-report). Instituciones que defienden su autonomía comienzan a depender de sistemas cuyo diseño, costos y condiciones de acceso son definidos por unas pocas corporaciones. Para América Latina esta discusión tiene una densidad adicional. La promesa de democratización tecnológica puede ocultar una nueva división internacional del trabajo intelectual: otros construyen los modelos, controlan la infraestructura y fijan las condiciones; nosotros entregamos datos, adaptamos los currículos y pagamos por acceder. Quien posee formación sólida, mejores sistemas y capacidad para verificar fuentes puede multiplicar su trabajo. Quien carece de esas condiciones recibe respuestas cada vez más sofisticadas sin contar con mejores recursos para juzgarlas. La IA distribuye capacidad de producción, pero no reparte en igual medida la capacidad de validación.
Por eso resulta insuficiente repetir que el ser humano debe permanecer “en el centro”. Una persona no conserva su centralidad porque escriba la instrucción inicial o firme el documento final. Puede mantener formalmente la decisión y haber perdido la comprensión del proceso que la produjo. UNESCO plantea una diferencia pertinente entre formar operadores de sistemas de inteligencia artificial y formar personas capaces de comprenderlos, cuestionarlos y crear con ellos (https://www.unesco.org/en/articles/ai-operators-or-creators-two-visions-agency-and-learning). La alfabetización en estas tecnologías incluye juicio crítico, responsabilidad y capacidad para decidir cuándo utilizarlas y cuándo no.
He defendido la innovación educativa, la transformación curricular y la necesidad de que la universidad dialogue con los desafíos de su tiempo. Precisamente por eso me resisto a llamar innovación a cualquier adopción tecnológica. Innovar no es incorporar una herramienta porque existe, está de moda o mejora un indicador de productividad. Exige definir qué problema queremos transformar, qué propósito público defendemos y cuáles capacidades no estamos dispuestos a abandonar. También exige reconocer que hay procesos lentos —leer con detenimiento, sostener una duda, escuchar una objeción, equivocarse y volver a empezar— que no son residuos de una educación atrasada, sino lugares donde se forma el criterio.
La cointeligencia solo merece ese nombre cuando la relación con la máquina amplía nuestra capacidad para comprender, cuestionar y decidir. Cuando una persona produce más, pero entiende menos; cuando una institución gana eficiencia mientras pierde soberanía; o cuando la participación humana se reduce a aprobar lo que un sistema opaco recomienda, el “co” deja de nombrar una colaboración y empieza a encubrir una subordinación. La tarea de la universidad no puede limitarse a preparar personas capaces de convivir productivamente con la inteligencia artificial. Tendrá que formar ciudadanos capaces de disputar las condiciones de esa convivencia, reconocer dónde se concentra el poder y responder por las consecuencias de aquello que deciden. Antes de celebrar que pensamos con las máquinas, convendría asegurarnos de que todavía conservamos la libertad, el conocimiento y la voluntad necesarios para contradecirlas.