Cerramos ciclos, académicos por lo menos.
Ya había comentado que en una de las experiencias de clase que tuve hace algunos días, presenté a mis estudiantes dos textos: uno escrito por un autor humano — Eric Sadin —, otro generado por un modelo de lenguaje a partir de un prompt. Les pedí que identificaran cuál era cuál.
El de la izquierda es un párrafo del libro más reciente de Eric Sadin. El otro está reconocido en su fuente como elaborado con un modelo de lenguaje. El libro se llama El desierto de nosotros mismos (Caja Negra, 2026)
No hubo consenso.
Al pedirles argumentar sus observaciones, algunos señalaron el guion largo como marca de humanidad. Otros lo leyeron como síntoma de IA — demasiado preciso, demasiado bien colocado. Las metáforas dividieron al grupo: para unos eran prueba de pensamiento original; para otros, exactamente el tipo de ornamento que un modelo produce para simular profundidad. Varios se identificaron con el texto generado: lo hubieran escrito ellos. Otros lo atribuyeron sin vacilar a una persona.
Y la pregunta que emergió no fue la que yo esperaba. No fue “¿cuál es de IA?” sino algo más incómodo: ¿de qué sirve saberlo?
No es la primera vez que esto ocurre en las experiencias que acompaño. La semana pasada cerré un ciclo de la cátedra de innovación educativa con inteligencia artificial, y con mis estudiantes de posgrado observamos dinámicas muy parecidas: la misma dificultad para distinguir, la misma incomodidad ante la indistinción, y una constatación que se repite en cada grupo con el que trabajo — las capacidades humanas están siendo reemplazadas a una velocidad que nuestras respuestas pedagógicas no alcanzan. Es algo que venimos conversando con la nueva vicerrectoría de investigación de la Universidad. En un diálogo reciente, ella desde la ingeniería, yo desde la lingüística y la didáctica, llegamos a un diagnóstico compartido que no “pega” siempre, o que sí lo hace, pero no hay masa crítica para mover más rápido la burocracia curricular: muchos de los esfuerzos pedagógicos que estamos haciendo son paños de agua tibia para el tamaño y la complejidad del problema. Ella está a punto de dictar una capacitación en deep research y le preocupa lo que la ingeniería ya ve con claridad: la aceleración exponencial de las capacidades de estos modelos. A mí me preocupa lo que se ve desde la lingüística y la enseñanza (no solo de la escritura): no la velocidad de la máquina, sino la lentitud con la que estamos pensando qué hacer con lo que esa velocidad le hace al pensamiento humano.
Esa doble preocupación coincide, casi al día, con un artículo que Hua Hsu acaba de publicar en The New Yorker: “What Happens After A.I. Destroys College Writing?” (enlace al artículo). Un estudiante de NYU, al que llama Alex, le confiesa sin ambages: “Any type of writing in life, I use A.I.” Usa Claude para investigación, DeepSeek para razonamiento, Gemini para imágenes. Le pide a Claude que resuma un texto sobre el abolicionista jamaiquino Robert Wedderburn, pero el resumen le resulta largo para los diez minutos que tiene antes de clase: “I said, ‘Turn it into concise bullet points'”. Después los copia a mano en su cuaderno, porque el profesor exige un aula sin pantallas.
Cuando Hsu le pregunta a otro estudiante, Eugene, si lo que hizo su amigo es trampa, la respuesta es una joya de nuestra época: “It’s cheating, but I don’t think it’s, like, cheating. He was just fulfilling requirements, not training to become a literary scholar.”
Es trampa, pero no es, como, trampa. Esa frase debería estar enmarcada en cada facultad de educación del continente.
Lo que Hsu captura no es pereza. Es algo ya diría, que se suma a lo estructural de nuestro tiempo: la IA ha creado un proceso para saltarse las dificultades de completar un título universitario, y lo que antes era un beneficio colateral de perseguir una nota — aprender a hacer algo difícil, quizás apreciar el proceso de aprendizaje — ahora puede evitarse por completo.
Eso me lleva de vuelta a mi aula. Y a la de mis colegas de posgrado. Y a la conversación con la vicerrectoría.
Lo que mis estudiantes — de pregrado y de posgrado —, y lo que yo mismo he percibido en mis prácticas de pensar y escribir y repensar, me han mostrado que no hablamos tanto de incapacidad para distinguir lo humano de lo generado. Es algo más preocupante, seguro: que los criterios con los que intentamos distinguir — riqueza léxica, estructura retórica, uso de figuras — ya no funcionan como marcadores fiables; el modelo escribe bien. A veces escribe mejor que nosotros, o al menos produce textos que parecen mejor escritos, que es una distinción sobre la que vale la pena detenerse. .
Necesitamos más lingüístas reales. Porque parecer bien escrito no es lo mismo que haber pensado bien. Y ahí está el nudo.
En la entrada anterior de esta serie argumenté que el prompt es una forma de escritura de segundo orden: escritura cuyo objeto no es un texto sino las condiciones de posibilidad de un texto. Que para escribir un buen prompt hay que saber qué se quiere pensar, lo cual ya es pensamiento. Que la máquina amplifica lo que le damos — y que si le damos vaguedad, devuelve vaguedad con buena sintaxis.
Hsu llega, por otra ruta, a un lugar parecido. La pregunta de fondo no es el futuro del ensayo de parcial sino cómo el uso prolongado de la IA va a transformar la manera en que aprendemos a pensar. Y cuando la IA se convierte en el punto medio de la prosa aceptable, la escritura humana empieza a converger hacia la media algorítmica.
Eso es exactamente lo que pude registrar estos días en ambos niveles — pregrado y posgrado, estudiantes de todas las facultades, futuros ingenieros y futuros investigadores. Mis estudiantes no pudieron distinguir los textos porque la distancia entre ambos se ha acortado — no porque la máquina piense mejor, sino porque estamos empezando a escribir como ella. O a no escribir.
¿De qué sirve, entonces, saber si lo escribió una IA?
Sirve si la pregunta no se queda en la detección. Si pasa de “¿quién lo escribió?” a “¿qué le pasó al autor mientras no escribía?” Si entendemos que lo que se pierde cuando delegamos no es un texto — es una transformación cognitiva que solo ocurre en la fricción de escribir. Carlino lleva décadas documentándolo. Hsu acaba de contarlo para el público anglófono. Mis estudiantes lo experimentaron esta semana sin saberlo. Y en el diálogo con la vicerrectoría lo dijimos con otras palabras pero con la misma urgencia: no estamos ante un problema de herramientas. Estamos ante un problema de formación humana.
Los paños de agua tibia no van a alcanzar. Necesitamos repensar, desde la raíz, qué significa enseñar a escribir — y a pensar — cuando la máquina ya escribe.
Quizás la pregunta no es quién escribió esto sino quién dejó de pensar para que esto existiera.
Referencias
Galindo-Cuesta, J. A. (2026). El prompt como objeto de conocimiento [Personalizar no es optimizar III]. Escritura Digital. https://www.escrituradigital.net/personalizar-no-es-optimizar-iii
Hsu, H. (2025). What happens after A.I. destroys college writing? The New Yorker, 7 de julio. https://www.newyorker.com/magazine/2025/07/07/the-end-of-the-english-paper
Sadin, Eric. (2026). El desierto de nosotros mismos. Caja Negra.
Siempre seré Fan de lo que escribes.
Gracias por compartirlo.