Inteligencia híbrida: retos y límites de la automatización con inteligencia artificial

Abstract

Conferencia plenaria invitada de 0,5 horas de duración, impartida en las I Jornadas Internacionales sobre Utilización de Recursos Tecnológicos y Técnicas de Inteligencia Artificial Aplicadas a la Neuropsicología y la Neurología: Retos y Oportunidades, celebradas en la Escuela Politécnica Superior de la Universidad de Burgos el 17 de julio de 2026. Se plantea una idea central: el futuro de la inteligencia artificial en la educación no debería orientarse a sustituir a docentes y estudiantes, sino a construir sistemas de inteligencia híbrida en los que las capacidades humanas y artificiales se complementen. Frente al mito de una automatización total, se propone pasar de una visión de reemplazo a otra de ampliación. La IA puede asumir tareas repetitivas, analizar grandes volúmenes de datos o generar contenidos, mientras que las personas mantienen el propósito, el juicio crítico, la creatividad, la empatía y la responsabilidad en la toma de decisiones. La inteligencia híbrida se define como la capacidad de alcanzar objetivos complejos combinando inteligencia humana y artificial, con resultados superiores a los que cada una obtendría por separado. Esta colaboración exige distribuir adecuadamente el control. El modelo de seis niveles de automatización muestra un continuo que abarca desde la actuación exclusiva del profesorado hasta la automatización total. En educación, la automatización condicional se presenta como el punto de equilibrio más razonable: la tecnología puede actuar con cierta autonomía, pero el ser humano conserva la supervisión y puede recuperar el control en cualquier momento. Este enfoque también amplía el significado del aprendizaje híbrido. Ya no se trata únicamente de combinar presencialidad y formación en línea, sino de integrar espacios, IA, datos y responsabilidad. Los datos pueden provenir de plataformas educativas, de trabajos del alumnado y de señales multimodales. Sin embargo, más datos no significan necesariamente un mejor aprendizaje. Las evidencias directas, como las interacciones y los productos elaborados, deben tener prioridad frente a señales biométricas o conductuales, cuyo uso puede introducir vigilancia, errores de interpretación, sesgos y riesgos para la privacidad. La adopción de la IA debe ajustarse al impacto de cada actividad. En tareas de bajo riesgo puede servir como apoyo responsable para generar borradores, ejemplos o retroalimentación inicial. En situaciones de colaboración guiada debe existir trazabilidad, revisión crítica y aportación humana significativa. Cuando la IA interviene en la evaluación, la acreditación o en decisiones sensibles, son necesarias evidencias de autoría, auditorías, revisión humana y controles reforzados. Cuanto mayor sea el impacto, mayor debe ser el rigor documental. Se advierte también sobre tres problemas frecuentes: la desconexión entre los modelos y la realidad pedagógica, la fragilidad metodológica de algunas investigaciones y la falta de confianza causada por sistemas opacos. Por ello, la alfabetización en IA no puede reducirse al manejo instrumental. Requiere verificar los resultados, reconocer sesgos, comprender los límites, declarar el uso de las herramientas y mantener la agencia humana. La propuesta final combina principios éticos, herramientas controladas por el profesorado y escenarios de adopción gradual. La tecnología debe adaptarse a la pedagogía, y no al contrario. El objetivo es avanzar hacia una IA educativa con más humanidad, más evidencia y más responsabilidad.

Este resumen se ha generado con ChatGPT 5.6 Sol (inteligencia media) el 14 de julio de 2026, tomando como fuente la presentación para la conferencia y, posteriormente, ha sido revisado y corregido por el autor.