¿Deberían las universidades permitir que los estudiantes utilicen inteligencia artificial generativa en sus trabajos académicos?

Exposición Inicial

La exposición inicial es presentada por el primer orador de ambos equipos (afirmativo y negativo). La estructura del argumento debe ser clara, el lenguaje fluido y la lógica coherente. Debe explicar correctamente la postura de su equipo con profundidad y creatividad. Debe incluir de 3 a 4 puntos principales, y cada punto debe ser convincente.

Exposición Inicial del Equipo Afirmativo

Primer orador afirmativo: Buenas tardes. Hoy no venimos a discutir si la inteligencia artificial generativa existe, porque existe. Tampoco venimos a discutir si los estudiantes ya la usan, porque muchos ya lo hacen. La verdadera pregunta es otra: ¿quiere la universidad formar ciudadanos críticos para un mundo donde estas herramientas ya están presentes, o prefiere fingir que puede levantar un muro de papel alrededor del conocimiento?

Nuestra postura es clara: sí, las universidades deberían permitir que los estudiantes utilicen inteligencia artificial generativa en sus trabajos académicos, siempre que lo hagan de manera regulada, transparente, crítica y pedagógicamente responsable. No defendemos el “todo vale”. No defendemos que la máquina reemplace al estudiante. Defendemos que la universidad enseñe a pensar con la herramienta, no a esconderse de ella.

Para que no haya confusiones, entendemos por “permitir” una autorización institucional con reglas: declarar el uso, citar la herramienta, conservar la responsabilidad humana sobre el contenido, verificar datos y someter el resultado a evaluación crítica. Permitir no es rendirse; es ordenar. Prohibir, en cambio, suele ser la forma más elegante de no hacerse cargo.

Nuestro primer argumento es de realismo formativo. La inteligencia artificial generativa ya no es una rareza tecnológica: es parte de la infraestructura intelectual del presente. Se usa para programar, investigar, traducir, resumir, diseñar, analizar datos, simular escenarios y generar hipótesis. Si la universidad prohíbe de manera general su uso, corre el riesgo de formar profesionales para un mundo que ya no existe. Sería como enseñar a usar solo la máquina de escribir cuando afuera ya hay procesadores de texto, buscadores y bases de datos. No se trata de decir que la IA es buena por sí misma; se trata de reconocer que la competencia profesional del futuro incluirá saber dialogar con estas herramientas, identificar sus límites, corregir sus errores y asumir la responsabilidad por lo que se produce con ellas.

Además, dentro de este primer argumento, hay una razón pedagógica profunda. La IA no tiene por qué ser una máquina que regala respuestas; puede ser una máquina que obliga a hacer mejores preguntas. Cuando un estudiante usa un modelo generativo para explorar un tema, comparar enfoques, generar objeciones, estructurar un borrador o poner a prueba sus propios argumentos, está entrando en una forma nueva de conversación intelectual. La universidad puede aprovechar eso para desplazar el aprendizaje desde la simple entrega de un producto final hacia el proceso: borradores, bitácoras, defensas orales, verificación de fuentes, análisis de sesgos y reflexión sobre el propio uso de la herramienta. En otras palabras, la IA puede obligarnos a evaluar mejor, no peor.

Nuestro segundo argumento es de equidad. Si la universidad prohíbe la IA generativa en abstracto, no elimina su uso: lo vuelve clandestino. Y cuando algo se vuelve clandestino, no desaparece; se distribuye de manera desigual. Quienes tienen mejores recursos, más tiempo, más capital cultural o simplemente más astucia digital seguirán usando estas herramientas, pero sin guía, sin transparencia y sin formación ética. En cambio, una política de permiso regulado puede democratizar el acceso, establecer criterios comunes, ofrecer tutoría y reducir la brecha entre quienes ya saben usar la IA y quienes ni siquiera conocen sus riesgos. También puede beneficiar a estudiantes con discapacidades, a hablantes no nativos, a personas con dificultades de organización textual o a quienes necesitan apoyos adicionales para participar en condiciones más justas. La pregunta no es si la IA genera desigualdades; la pregunta es si la universidad quiere corregirlas con política pública educativa o dejarlas crecer en silencio.

Nuestro tercer argumento es ético. La integridad académica no se protege prohibiendo herramientas; se protege enseñando responsabilidad. Si la universidad permite el uso de IA con declaración explícita, con citas, con límites claros y con rendición de cuentas, convierte la transparencia en norma. Si la prohíbe sin más, incentiva el ocultamiento, el plagio encubierto y la desconfianza generalizada. Es decir, transforma a todos los estudiantes en sospechosos y a todos los trabajos en posibles fraudes. En cambio, cuando el estudiante debe declarar cómo usó la herramienta, qué le pidió, qué corrigió y qué asume como propio, la universidad fortalece una virtud intelectual fundamental: la honestidad sobre el propio proceso de producción del conocimiento.

Nuestro cuarto argumento es de calidad intelectual. La IA generativa puede ser un adversario cómodo, pero también puede ser un socio incómodo. Puede producir textos mediocres, genéricos y predecibles; y precisamente por eso puede servir para que el estudiante aprenda a reconocer la mediocridad, a mejorarla, a refutarla y a superarla. Si la universidad enseña a usarla críticamente, el estudiante no solo recibe respuestas: aprende a auditarlas. Aprende que un modelo puede inventar fuentes, puede reproducir sesgos, puede confundir correlación con causalidad, puede sonar seguro mientras se equivoca. Y ahí aparece una de las tareas más importantes de la educación superior contemporánea: formar criterio. Porque en la era de la abundancia informativa, el problema ya no es acceder al texto; es saber qué hacer con él, cómo verificarlo, cómo contextualizarlo y cómo responder por él.

Sabemos que el equipo negativo dirá que esto abre la puerta al facilismo, a la trampa y a la degradación del pensamiento. Entendemos el temor, pero creemos que confunde la herramienta con la política. Una cosa es permitir el uso responsable, y otra muy distinta es abandonar la exigencia. Nosotros no proponemos que la IA escriba por el estudiante; proponemos que la universidad forme estudiantes capaces de escribir mejor, pensar mejor y decidir mejor incluso cuando usan herramientas poderosas. Si la respuesta institucional es solo prohibir, la universidad no protege el pensamiento: lo aísla.

En resumen, defendemos el permiso regulado porque prepara para la realidad, promueve equidad, fortalece la transparencia y puede mejorar la calidad del aprendizaje. La universidad no debe ser una aduana del pasado ni un museo del texto sin asistencia. Debe ser un laboratorio de criterio, donde el estudiante aprenda a usar las herramientas de su tiempo sin perder la cabeza, la ética ni la voz. Porque el verdadero peligro no es que la máquina escriba; el verdadero peligro es que la universidad, por miedo, renuncie a enseñar a pensar en el mundo real.

Exposición Inicial del Equipo Negativo

Primer orador negativo: Buenas tardes. Nosotros no venimos a defender el atraso, ni a decir que la inteligencia artificial no existe, ni a proponer que la universidad viva de espaldas al siglo XXI. Venimos a defender algo más delicado: que el trabajo académico siga siendo, ante todo, trabajo intelectual del estudiante. Nuestra postura es clara: las universidades no deberían permitir el uso generalizado de inteligencia artificial generativa en los trabajos académicos, porque ese permiso, tal como se plantea normalmente, amenaza la formación, la autoría, la integridad y la misión misma de la educación superior.

Conviene precisar qué estamos discutiendo. No nos oponemos a que la IA sea objeto de estudio, ni a que se enseñe su funcionamiento, ni a que se analicen sus riesgos, ni a que existan tecnologías de apoyo para estudiantes con necesidades específicas. Eso no es prohibir pensar; es pensar con seriedad. Lo que cuestionamos es la autorización general de que el estudiante use sistemas generativos para producir, redactar, resumir, argumentar o simular razonamiento propio en trabajos que están destinados a certificar su aprendizaje. Una cosa es usar una herramienta para acceder, y otra muy distinta es delegar en ella el acto de pensar.

Nuestro primer argumento es formativo. Aprender no es solo entregar un resultado correcto; es atravesar un proceso. Escribir un ensayo, formular una hipótesis, organizar una bibliografía, dudar de una fuente, corregir una frase, descubrir que una idea no funciona: todo eso no es decoración académica. Es el modo en que la mente se forma. La escritura no es solo el envase del pensamiento; es una de sus formas de existir. Cuando el estudiante externaliza la redacción, la síntesis o la argumentación en una IA, no solo ahorra tiempo: se pierde de la fricción cognitiva que produce aprendizaje. Es como si en un gimnasio permitimos que una máquina levante las pesas por nosotros y luego celebramos que el cuerpo salió fortalecido. Puede que el resultado se vea bien por fuera, pero el músculo no trabajó.

La universidad, además, no es una fábrica de productos evaluables. Es una institución que cultiva capacidades: atención, juicio, memoria, responsabilidad, imaginación, rigor. Si convertimos el trabajo académico en una tarea de supervisión de textos generados, corremos el riesgo de formar estudiantes expertos en editar respuestas ajenas, pero débiles en producir pensamiento propio. Y eso no es modernización; es empobrecimiento disfrazado de eficiencia.

Nuestro segundo argumento es de integridad académica. La IA generativa no comprende lo que dice. Produce secuencias plausibles de lenguaje, no conocimiento responsable. Puede sonar brillante mientras inventa fuentes, puede parecer precisa mientras distorsiona datos, puede ofrecer una síntesis elegante mientras borra matices esenciales. El problema no es solo que se equivoque; el problema es que su error suele venir con apariencia de autoridad. Si el estudiante presenta como propio un texto que no puede verificar plenamente, la autoría se vuelve ficticia. Y si la universidad acepta eso, debilita el valor de sus títulos, porque un título no certifica que alguien entregó un documento, sino que alguien adquirió ciertas competencias.

Aquí hay una cuestión ética de fondo: firmar un trabajo académico implica hacerse responsable de su contenido. Pero ¿cómo puede un estudiante hacerse responsable de argumentos que no elaboró, de fuentes que no leyó y de conclusiones que no construyó? La IA puede ayudar a buscar, a traducir, a organizar ideas preliminares o a revisar estilo, pero cuando se convierte en coautora invisible del razonamiento, la responsabilidad se diluye. Y una universidad que diluye la responsabilidad no está innovando; está bajando sus estándares con lenguaje elegante.

Nuestro tercer argumento es de equidad y dependencia. Se suele decir que permitir la IA democratiza el aprendizaje. Nosotros creemos que, sin una regulación muy fina, puede hacer exactamente lo contrario. Los modelos más avanzados suelen ser de pago, cambian con rapidez, dependen de infraestructuras privadas y están diseñados por empresas con intereses propios. Si la universidad normaliza su uso en trabajos académicos, puede crear una nueva carrera de armamentos: quien tenga acceso a mejores modelos, mejores suscripciones o mejores prompts tendrá ventaja. Además, los estudiantes entregan datos, textos, ideas y patrones de escritura a plataformas que no necesariamente responden al interés educativo. La universidad, que debería ser un espacio público de formación, corre el riesgo de tercerizar parte de su pedagogía en corporaciones tecnológicas. Eso no es neutralidad; es dependencia.

También hay un problema de sesgo. Estos sistemas están entrenados con grandes volúmenes de texto, y esos textos contienen jerarquías, estereotipos, exclusiones y visiones del mundo. Si los estudiantes usan la IA como fuente de formulación académica, pueden terminar reproduciendo una voz promedio, homogénea y aparentemente neutra, que en realidad privilegia ciertos estilos, ciertas lenguas y ciertas tradiciones intelectuales. La universidad debería ser un lugar de pluralidad, disidencia y pensamiento situado, no una sala de espera donde todos reciben la misma prosa prefabricada.

Nuestro cuarto argumento es sobre la misión de la universidad. La educación superior no solo transmite información; protege espacios de pensamiento lento, de error productivo, de discusión y de elaboración personal. En una época saturada de automatización, la universidad debería ser uno de los pocos lugares donde todavía se exige pensar sin atajos, porque ahí se forma el criterio. Si permitimos que la IA generativa entre como asistente universal en los trabajos académicos, corremos el riesgo de normalizar la idea de que pensar es opcional siempre que el resultado parezca aceptable. Y eso es grave, porque el pensamiento no es un lujo: es la condición de la libertad intelectual.

Sabemos que el equipo afirmativo dirá que prohibir es inútil, que los estudiantes usarán la IA de todos modos, y que lo mejor es regular. Nosotros respondemos: que algo sea difícil de controlar no significa que debamos autorizarlo. El plagio también existe, y no por eso lo convertimos en política institucional. Las normas no solo sirven para castigar; sirven para declarar qué valoramos. Si la universidad declara que el trabajo académico debe ser principalmente del estudiante, está defendiendo un principio formativo. Si declara que todo vale mientras se declare el uso, puede terminar confundiendo transparencia con rendición.

También se dirá que la IA puede ayudar a estudiantes con dificultades o con menos recursos. Estamos de acuerdo en que la universidad debe ofrecer apoyos, tecnologías accesibles y acompañamiento pedagógico. Pero una cosa es asistir al estudiante para que desarrolle su pensamiento, y otra es reemplazarlo por un generador de texto. La inclusión no se logra rebajando la autoría; se logra garantizando condiciones reales para aprender.

En conclusión, no nos oponemos a la inteligencia artificial; nos oponemos a que la universidad autorice su uso generalizado en trabajos académicos como si fuera una herramienta inocua. No lo es. Puede debilitar el aprendizaje, erosionar la autoría, comprometer la integridad, profundizar desigualdades y transformar la formación intelectual en una tarea de supervisión superficial. La universidad no debe prohibir por miedo, pero tampoco debe permitir por comodidad. Debe enseñar, sí, pero también debe proteger el espacio donde el estudiante aprende a pensar por sí mismo. Porque si la máquina escribe, corrige y argumenta, entonces la pregunta incómoda es esta: ¿qué estamos certificando, el aprendizaje del estudiante o la fluidez del modelo?

Refutación de la Exposición Inicial

Esta parte es realizada por el segundo orador de cada equipo. Su objetivo es refutar el discurso de exposición inicial del equipo contrario, reforzar los argumentos propios, ampliar la línea argumentativa y consolidar la posición de su equipo.

Refutación del Equipo Afirmativo

Refutación del discurso del primer orador del equipo negativo.

La prohibición no protege el pensamiento: lo deja sin defensa

Segundo orador afirmativo: Buenas tardes. El primer orador del equipo negativo ha construido una defensa elegante, pero parte de una confusión profunda: cree que proteger el aprendizaje equivale a proteger al estudiante de toda mediación tecnológica. Nosotros sostenemos lo contrario: la universidad protege el aprendizaje cuando enseña a usar críticamente las mediaciones que ya forman parte de la vida intelectual, profesional y social.

El equipo negativo nos dice que escribir es una forma de pensar. Estamos de acuerdo. Pero de esa verdad no se sigue que todo uso de inteligencia artificial destruya el pensamiento. Lo que destruye el pensamiento no es la herramienta, sino la delegación irresponsable. Y precisamente por eso nuestra postura no es “usen IA sin límites”, sino “usen IA con declaración, con verificación, con responsabilidad humana y con evaluación del proceso”. La diferencia no es menor: ellos responden con una muralla; nosotros respondemos con una pedagogía.

Su primer argumento afirma que la IA elimina la fricción cognitiva. Aquí hay una analogía que merece ser corregida. El equipo negativo compara la IA con una máquina que levanta pesas por el estudiante en el gimnasio. Pero esa analogía solo funciona si imaginamos un uso pasivo, clandestino y sin diseño pedagógico. En cambio, si la universidad regula el uso, la IA puede funcionar como un sparring intelectual: plantea borradores que el estudiante debe corregir, ofrece objeciones que debe responder, genera ejemplos que debe verificar, propone estructuras que debe evaluar. Eso no elimina la fricción; puede multiplicarla. Lo que desaparece con la prohibición no es el esfuerzo, sino la oportunidad de enseñar a esforzarse con las herramientas del presente.

Además, el equipo negativo asume que el aprendizaje auténtico ocurre únicamente cuando el estudiante produce todo desde cero, sin asistencia. Esa visión es nostálgica, no formativa. La universidad ya permite diccionarios, correctores, calculadoras, software estadístico, traductores, gestores bibliográficos, tutorías, revisiones de pares y comentarios docentes. Nadie serio sostiene que un trabajo académico es puro porque nadie ayudó. La autoría académica nunca ha sido soledad absoluta; ha sido responsabilidad trazable. Lo que cambia con la IA generativa no es la existencia de asistencia, sino el grado de automatización. Y cuando una tecnología aumenta su poder, la respuesta educativa no puede ser simplemente apagar la luz.

Su segundo argumento ataca la autoría. Dicen: si la IA no comprende, el estudiante no puede hacerse responsable de lo que firma. Pero esa objeción confunde comprensión de la herramienta con responsabilidad sobre el resultado. Un estudiante puede usar un software estadístico sin conocer cada línea de código, siempre que comprenda el método, interprete los datos y responda por las conclusiones. Del mismo modo, puede usar IA generativa si declara cómo la usó, si verifica las afirmaciones, si corrige los errores, si identifica sesgos y si defiende oralmente sus decisiones. La autoría responsable no exige que el estudiante haya fabricado cada palabra en soledad; exige que pueda responder por el contenido que presenta.

En cambio, la prohibición generalizada sí produce una autoría ficticia, pero por ocultamiento. Si la IA está prohibida, muchos estudiantes la usarán igual, pero sin declararlo. Entonces el trabajo no será más auténtico; será más opaco. La universidad no sabrá qué parte fue asistida, qué parte fue copiada, qué parte fue verificada y qué parte fue inventada. La prohibición no garantiza pureza; garantiza sospecha. Y una institución educativa que convierte cada entrega en un interrogatorio policial no está fortaleciendo la integridad académica: está degradando la confianza pedagógica.

Su tercer argumento habla de equidad y dependencia. Afirma que los modelos de pago generan ventajas y que la universidad no debe tercerizar su pedagogía en corporaciones tecnológicas. Reconocemos ese riesgo, pero de ello no se deduce la prohibición. Se deduce la regulación institucional. Si la universidad teme desigualdad, puede establecer licencias comunes, puede formar en uso crítico, puede promover modelos abiertos, puede ofrecer alternativas accesibles y puede enseñar que ninguna respuesta automática debe ser aceptada sin juicio. Si prohíbe, no elimina la ventaja del que puede pagar mejores herramientas; solo la vuelve invisible. La clandestinidad siempre beneficia a quien tiene más recursos, más información o más capacidad de disimulo.

También hay aquí una dimensión de inclusión que el equipo negativo minimiza. Para estudiantes con discapacidades, dificultades de escritura, trastornos del aprendizaje, barreras idiomáticas o condiciones que afectan la organización textual, la IA puede funcionar como una tecnología de apoyo. No para pensar por ellos, sino para reducir obstáculos desproporcionados. Una universidad inclusiva no puede tratar igual a quienes parten de condiciones radicalmente desiguales. La justicia educativa no consiste en prohibir apoyos; consiste en regularlos para que amplíen capacidades sin reemplazar la formación.

Su cuarto argumento defiende la misión universitaria: pensamiento lento, error productivo, elaboración personal. Compartimos ese ideal. Pero el pensamiento lento no equivale a pensamiento sin herramientas. Un estudiante puede tardar más en comprender un problema si debe gastar horas en tareas mecánicas que una IA puede ayudar a organizar, y luego usar ese tiempo para profundizar, contrastar fuentes, discutir con el docente o refinar la argumentación. La clave no es si hubo asistencia, sino si la asistencia permitió elevar la calidad del juicio. La universidad no debe formar monjes copistas; debe formar ciudadanos con criterio.

Incluso aceptando la preocupación del equipo negativo, su solución resulta insuficiente. Dicen: enseñemos IA, pero no permitamos usarla en trabajos académicos. Eso es como enseñar educación vial únicamente con fotografías de autos, pero prohibir que el estudiante se siente frente a un volante. La competencia crítica no se forma solo observando la herramienta; se forma usándola bajo supervisión, cometiendo errores, identificando límites y asumiendo responsabilidades. La universidad no puede enseñar a nadar exclusivamente desde la orilla.

Por eso, nuestra refutación central es esta: el equipo negativo confunde protección con aislamiento. Proteger el pensamiento no consiste en encerrarlo en una sala sin herramientas, sino en entrenarlo para que no sea dominado por ellas. Si la universidad prohíbe la IA generativa, no conserva la pureza del aprendizaje; renuncia a gobernar una práctica que ya existe. Si la permite con reglas, con transparencia y con exigencia, convierte esa práctica en objeto de formación.

Nosotros no defendemos la máquina contra el estudiante. Defendemos al estudiante formado para usar la máquina sin ser usado por ella. Porque el verdadero riesgo no es que la inteligencia artificial entre en la universidad; el verdadero riesgo es que la universidad decida no enseñar nada sobre ella.

Refutación del Equipo Negativo

Refutación del discurso del primer y segundo orador del equipo afirmativo.

El permiso regulado no resuelve la delegación del pensamiento

Segundo orador negativo: Buenas tardes. El equipo afirmativo ha intentado presentar su postura como una posición sensata: permitir, pero con reglas; usar, pero con responsabilidad; incorporar, pero con espíritu crítico. La propuesta suena moderada, casi irresistible. Sin embargo, cuando examinamos sus fundamentos, descubrimos que esa moderación retórica no resuelve el problema central: si la universidad autoriza el uso generalizado de IA generativa en trabajos académicos, corre el riesgo de convertir la formación intelectual en supervisión de textos producidos por máquinas.

Al primer orador afirmativo le respondemos lo siguiente: el hecho de que la inteligencia artificial esté presente en el mundo profesional no demuestra que la universidad deba permitir su uso en trabajos destinados a certificar aprendizaje. Esta distinción es esencial. Una cosa es formar para el ejercicio profesional y otra muy distinta es certificar competencias fundamentales. En medicina, un estudiante puede aprender a usar sistemas de apoyo diagnóstico, pero primero debe demostrar razonamiento clínico. En aviación, un piloto puede usar piloto automático, pero primero debe saber volar manualmente. En matemáticas, un investigador puede usar software, pero el estudiante primero debe comprender el procedimiento. La universidad no puede permitir que la herramienta reemplace la competencia que está obligada a certificar.

El equipo afirmativo dice que prohibir sería formar para un mundo que ya no existe. Pero esa frase esconde una trampa. La universidad no debe formar únicamente para el mercado laboral inmediato; debe formar capacidades profundas de juicio, argumentación, análisis y responsabilidad epistémica. Si la universidad se limita a adaptar al estudiante a las herramientas dominantes, pierde su función crítica. No toda innovación debe ser incorporada sin resistencia. A veces, la tarea de la universidad es precisamente crear espacios donde la velocidad tecnológica no decida qué cuenta como pensamiento.

También afirman que la IA puede mejorar la pedagogía si obliga a evaluar procesos: borradores, bitácoras, defensas orales, verificación de fuentes. Reconocemos la intención, pero esa solución depende de condiciones institucionales que no siempre existen. En universidades con grupos numerosos, docentes sobrecargados y sistemas de evaluación estandarizados, el “permiso regulado” puede convertirse rápidamente en un formulario burocrático: el estudiante declara que usó IA, el docente no puede verificar cómo la usó, y la transparencia se transforma en coartada. Declarar no es aprender. Declarar puede ser, simplemente, legalizar la externalización.

Al segundo orador afirmativo, que acaba de refutar nuestra posición inicial, debemos responderle con precisión. Ha dicho que la IA puede aumentar la fricción cognitiva si el estudiante debe formular buenas preguntas, auditar respuestas y corregir resultados. Esa posibilidad existe, pero no es automática. Depende de un diseño pedagógico exigente, de estudiantes dispuestos a trabajar y de instituciones capaces de acompañar cada proceso. Si esas condiciones fueran universales, quizá el riesgo sería menor. Pero la pregunta que discutimos no es cómo sería una universidad ideal, sino qué política conviene adoptar en universidades reales. Y en universidades reales, una autorización general puede producir exactamente lo contrario: menos escritura propia, menos lectura profunda y más dependencia de respuestas prefabricadas.

El segundo orador afirmativo también ha presentado la IA como un “socio incómodo” que puede ayudar al estudiante a reconocer la mediocridad y superarla. Aquí hay una paradoja interesante. Si necesitamos que la máquina produzca textos mediocres para que el estudiante aprenda a corregirlos, estamos admitiendo que la herramienta puede ocupar el lugar del pensamiento inicial. Pero la capacidad de reconocer un buen argumento no se forma solamente corrigiendo textos ajenos; se forma intentando construir argumentos propios, enfrentando la página en blanco, equivocándose, reescribiendo. La crítica es fundamental, pero no puede reemplazar la producción. Un editor excelente que nunca escribe puede tener buen gusto, pero no necesariamente tiene voz. La universidad debe formar voz, no solo gusto.

Además, el equipo afirmativo insiste en que la regulación garantiza transparencia. Pero debemos preguntar: ¿qué certifica esa transparencia? Si un estudiante declara que usó IA para estructurar, redactar o argumentar, la universidad puede saber que hubo asistencia, pero no por ello puede saber que hubo aprendizaje. La integridad académica no consiste únicamente en decir la verdad sobre el uso de herramientas; consiste en asegurar que el trabajo presentado expresa, en medida suficiente, las competencias del estudiante. Si la IA formula la tesis, organiza los argumentos y produce la prosa, la declaración no restaura la autoría intelectual; solo documenta la delegación.

También debemos responder al argumento de equidad. El equipo afirmativo sostiene que permitir con reglas democratiza. Nosotros decimos: depende. Si la universidad no puede garantizar acceso igualitario a modelos confiables, formación crítica, acompañamiento docente y protección de datos, el permiso puede profundizar desigualdades. Los estudiantes con mayor capital cultural sabrán usar mejores prompts, pagar mejores suscripciones, ocultar mejor las huellas y presentar resultados más pulidos. Los estudiantes con menos recursos quedarán más expuestos a modelos gratuitos, respuestas erróneas o usos torpes. La equidad no se logra autorizando una tecnología desigual; se logra construyendo condiciones institucionales para que todos aprendan.

El equipo afirmativo menciona beneficios para estudiantes con discapacidades o dificultades específicas. No negamos esos beneficios. Pero una cosa es autorizar tecnologías de apoyo personalizadas, supervisadas y justificadas, y otra muy distinta es permitir el uso generalizado de IA generativa como asistente universal para cualquier trabajo académico. La inclusión exige ajustes razonables, no una autorización indiscriminada que cambia el estatuto del trabajo académico para todos.

Hay, además, un problema de soberanía pedagógica. Cuando la universidad normaliza la IA generativa en los trabajos estudiantiles, entrega parte de su misión formativa a plataformas privadas cuyos criterios de optimización no son educativos. Estas herramientas están diseñadas para producir fluidez, no necesariamente verdad; plausibilidad, no rigor; satisfacción del usuario, no formación del criterio. La universidad no puede ignorar esa lógica. Si la incorpora sin límites claros, corre el riesgo de confundir aprendizaje con experiencia de usuario.

Finalmente, el equipo afirmativo nos acusa de proteger el pensamiento aislándolo. Nosotros respondemos: no aislamos el pensamiento; protegemos las condiciones en que se forma. No toda herramienta es inocua. Una calculadora puede ayudar en un cálculo sin destruir la comprensión matemática si el estudiante ya posee esa comprensión. Pero la IA generativa produce lenguaje, síntesis, estructura y argumentación. Y el lenguaje no es un simple instrumento externo: es una de las formas fundamentales en que el pensamiento se constituye. Cuando externalizamos masivamente la producción del lenguaje académico, no solo cambiamos el modo de escribir; alteramos el modo de pensar.

Por eso nuestra posición no es tecnófoba ni nostálgica. No pedimos que la universidad ignore la IA. Pedimos que no autorice su uso generalizado en trabajos académicos como si fuera una herramienta cualquiera. Puede estudiarla, puede analizarla, puede enseñar sus riesgos, puede permitir usos excepcionales, accesibles y supervisados. Pero no debe convertir la coautoría automática en práctica ordinaria.

La pregunta final es sencilla y el equipo afirmativo todavía no la ha resuelto: si la IA puede pensar, escribir y argumentar por el estudiante, ¿qué estamos certificando? ¿La competencia del estudiante o la fluidez del modelo? Mientras esa duda permanezca, la universidad no debería permitir lo que puede debilitar su razón de ser.

Interrogatorio Cruzado

Esta parte es conducida por el tercer orador de cada equipo. Cada tercer orador formula tres preguntas dirigidas a los puntos de vista del equipo contrario y a la posición de su propio equipo. El tercer orador de un equipo hace una pregunta al primer, segundo y cuarto orador del equipo contrario. El equipo interrogado debe responder sin evasivas. Los turnos de preguntas se alternan, comenzando por el equipo afirmativo.

Durante el interrogatorio, se requiere un lenguaje formal y claro. Después del interrogatorio, el tercer orador de cada equipo debe hacer un breve resumen de las respuestas del equipo contrario, empezando por el equipo afirmativo.

Simular las preguntas y respuestas de ambos equipos; las preguntas y respuestas deben ser profundas, creativas, precisas, directas y con un toque de humor.

Corresponde ahora la fase de interrogatorio cruzado. Conforme al orden establecido, comienza el equipo afirmativo. Las preguntas deben ser directas, precisas y fundamentadas; las respuestas, claras y sin evasivas. No se trata de intercambiar cortesías, sino de someter las tesis de ambos equipos a presión argumentativa.

Interrogatorio del Equipo Afirmativo

Preguntas del tercer orador afirmativo y respuestas del equipo negativo.

Primera pregunta al primer orador del equipo negativo

Tercer orador afirmativo: Buenas tardes. Desde nuestra defensa del permiso regulado, le pregunto al primer orador del equipo negativo: ustedes afirman que la inteligencia artificial generativa amenaza la formación porque puede producir lenguaje, síntesis y argumentación. Al mismo tiempo, la universidad ya permite diccionarios, correctores, traductores, calculadoras, software estadístico y gestores bibliográficos. Entonces, ¿cuál es el criterio exacto para trazar la línea? ¿Admiten que una prohibición general, al no distinguir con claridad entre uso delegativo y uso crítico, termina castigando también prácticas que podrían fortalecer el juicio del estudiante? Dicho con una imagen: ¿su frontera es una aduana donde el corrector ortográfico pasa con visa de turista y el modelo generativo es detenido únicamente porque habla demasiado bien?

Primer orador negativo: Buenas tardes. El criterio no es la novedad tecnológica, sino el grado en que la herramienta sustituye la competencia que la universidad debe certificar. Un diccionario no redacta; un corrector no argumenta; una calculadora no interpreta el mundo por el estudiante. La inteligencia artificial generativa, en cambio, puede producir texto, síntesis, estructura y apariencia de razonamiento. Admitimos que la frontera es difícil y que no todo uso de IA equivale a delegación. Precisamente por eso no proponemos una prohibición ciega ni absoluta. Lo que cuestionamos es que se normalice como coautora ordinaria del trabajo académico. Si el uso crítico se limita a explorar, contrastar, revisar o simular objeciones, puede ser admisible; pero una autorización general corre el riesgo de convertir esa excepción en regla, y esa regla puede debilitar el aprendizaje.

Segunda pregunta al segundo orador del equipo negativo

Tercer orador afirmativo: Desde nuestra defensa de la transparencia como virtud académica, pregunto al segundo orador del equipo negativo: ustedes sostienen que declarar el uso de IA puede convertirse en una simple coartada. Pero si un estudiante declara haber usado la herramienta, conserva una bitácora de prompts, verifica fuentes, corrige errores, identifica sesgos y defiende oralmente el resultado, ¿siguen considerando que ese trabajo carece de autoría? Si responden que sí, estarían castigando la transparencia; si responden que no, admiten que existe un uso regulable. En otras palabras: ¿la declaración es solo una etiqueta decorativa o puede ser parte de una responsabilidad intelectual real?

Segundo orador negativo: No decimos que ese trabajo carezca automáticamente de autoría. Admitimos que puede existir un uso transparente, responsable y pedagógicamente valioso. El problema es que la declaración, por sí sola, no demuestra aprendizaje. Un estudiante puede declarar que usó IA y, aun así, haber delegado la tesis, la estructura, la argumentación y la voz. La autoría responsable exige que el estudiante pueda explicar, sostener y defender lo presentado. Por eso aceptamos controles como defensas orales, bitácoras, versiones previas y verificación de fuentes. Sin embargo, advertimos que una política general de permiso puede transformar esos controles en trámite. La transparencia es necesaria, pero no basta para certificar pensamiento propio.

Tercera pregunta al cuarto orador del equipo negativo

Tercer orador afirmativo: Desde nuestra preocupación por la equidad, pregunto al cuarto orador del equipo negativo: ustedes alertan sobre dependencia corporativa, modelos de pago y ventajas digitales. ¿Reconocen que una prohibición general, sin alternativas institucionales, puede volver clandestino el uso de IA y beneficiar precisamente a quienes tienen más recursos, más tiempo o más destreza digital? ¿Admiten que prohibir no elimina la desigualdad, sino que puede hacerla menos visible? Porque si la universidad apaga la luz, no por eso desaparecen los muebles; solo aumenta el riesgo de que alguien tropiece en silencio.

Cuarto orador negativo: Reconocemos ese riesgo. Si la universidad prohíbe sin enseñar, sin acompañar y sin ofrecer alternativas, puede generar clandestinidad y desigualdad. No lo negamos. Pero de ese diagnóstico no se sigue que la solución sea autorizar el uso generalizado. La respuesta correcta es fortalecer la formación, garantizar apoyos, regular excepciones, proteger datos y defender la soberanía pedagógica. Admitimos que una mala prohibición puede ser injusta; también advertimos que un mal permiso puede ser igualmente injusto si deja la formación en manos de plataformas privadas y de estudiantes que pueden pagar mejores herramientas. La equidad no se resuelve únicamente permitiendo; se resuelve construyendo condiciones institucionales reales.

Resumen del interrogatorio del equipo afirmativo

Tercer orador afirmativo: Del interrogatorio al equipo negativo se desprenden tres admisiones clave. Primero, reconocen que la frontera entre herramienta legítima e ilegítima no es simple y que no todo uso de inteligencia artificial equivale a delegación. Segundo, admiten que puede existir un uso transparente y responsable cuando hay bitácoras, verificación, defensa oral y responsabilidad del estudiante. Tercero, aceptan que una prohibición mal diseñada puede producir clandestinidad y desigualdad. Estas tres concesiones debilitan la idea de una negativa absoluta y refuerzan nuestra tesis: si el problema no es la herramienta en sí, sino su uso irresponsable, la universidad debe regular, enseñar y evaluar, no prohibir de manera general. La pregunta ya no es si la inteligencia artificial existe, sino si la universidad quiere gobernar su uso o dejarlo en la sombra.

Interrogatorio del Equipo Negativo

Preguntas del tercer orador negativo y respuestas del equipo afirmativo.

Primera pregunta al primer orador del equipo afirmativo

Tercer orador negativo: Buenas tardes. Desde nuestra defensa del trabajo intelectual del estudiante, pregunto al primer orador del equipo afirmativo: ustedes defienden permitir la IA con reglas. Pero ¿puede una universidad real, con cursos masivos, docentes sobrecargados y sistemas de evaluación estandarizados, garantizar que la IA no sustituya el pensamiento del estudiante? ¿Admiten que, sin condiciones institucionales robustas, el permiso regulado puede convertirse en una declaración formal que legaliza la delegación? Es decir: ¿están proponiendo una política educativa o un formulario de descargo?

Primer orador afirmativo: Admitimos que, sin condiciones institucionales, el permiso puede volverse formalista. Por eso nuestra propuesta no es una autorización ciega, sino una política pedagógica con requisitos: declaración, bitácoras, evaluación de proceso, defensas orales cuando corresponda, formación docente y criterios claros de responsabilidad. También admitimos que ninguna universidad puede garantizar un control perfecto, pero la prohibición tampoco lo garantiza. Si el riesgo es la delegación, la respuesta es diseñar mejor la evaluación, no fingir que una prohibición general elimina el problema. Preferimos una transparencia imperfecta pero educable a una clandestinidad eficiente pero opaca.

Segunda pregunta al segundo orador del equipo afirmativo

Tercer orador negativo: Desde nuestra defensa de la fricción cognitiva, pregunto al segundo orador del equipo afirmativo: ustedes presentan la IA como un sparring intelectual. Pero si la máquina produce borradores, objeciones, estructuras y ejemplos, ¿no está entregando precisamente la fricción que forma el pensamiento? ¿Admiten que existe un riesgo real de que el estudiante aprenda a editar respuestas ajenas más que a producir ideas propias? Porque una cosa es corregir un texto y otra muy distinta es haberlo pensado.

Segundo orador afirmativo: Sí, admitimos ese riesgo si el uso es pasivo o está mal diseñado. La inteligencia artificial puede facilitar la ley del mínimo esfuerzo. Pero nuestra postura no consiste en entregar la fricción cognitiva, sino en transformarla. El estudiante debe formular buenas preguntas, auditar respuestas, verificar fuentes, identificar sesgos, corregir errores y responder por el resultado. Un borrador generado no reemplaza el pensamiento si el estudiante lo convierte en objeto de crítica. El riesgo existe, pero la prohibición no lo resuelve; lo esconde. La universidad debe enseñar a pasar de la edición superficial a la responsabilidad intelectual.

Tercera pregunta al cuarto orador del equipo afirmativo

Tercer orador negativo: Desde nuestra preocupación por la equidad, pregunto al cuarto orador del equipo afirmativo: ustedes afirman que permitir regula mejor que prohibir. Pero los modelos más potentes suelen ser de pago, cambian rápido y dependen de empresas privadas. ¿Puede la universidad evitar una carrera de prompts y suscripciones? ¿Admiten que el permiso, sin acceso institucional igualitario, puede beneficiar a quienes tienen mejores herramientas? Porque si la evaluación depende de quién tiene el mejor modelo, la universidad no estaría certificando aprendizaje, sino poder adquisitivo digital.

Cuarto orador afirmativo: Admitimos que, sin política institucional, el permiso puede reproducir desigualdades. Por eso defendemos licencias comunes, modelos abiertos, formación compartida, acompañamiento docente y criterios claros de evaluación. También admitimos que la universidad no puede neutralizar todas las desigualdades del mercado. Pero prohibir no iguala el acceso; solo vuelve invisible la ventaja de quien ya usa la herramienta. La equidad no se logra negando la realidad, sino construyendo condiciones públicas para usarla con justicia. Si la universidad no interviene, la desigualdad no desaparece: se privatiza.

Resumen del interrogatorio del equipo negativo

Tercer orador negativo: Las respuestas del equipo afirmativo muestran tres concesiones importantes. Primero, admiten que el permiso regulado puede volverse burocrático si la universidad no tiene condiciones reales para acompañar cada proceso. Segundo, reconocen que la inteligencia artificial puede reducir la fricción cognitiva y formar estudiantes más hábiles editando respuestas ajenas que produciendo pensamiento propio. Tercero, aceptan que la equidad depende de acceso institucional y que, sin él, el permiso puede beneficiar a quienes tienen mejores recursos. Con esas concesiones, nuestra posición se fortalece: no basta declarar el uso ni confiar en una regulación abstracta. Si la universidad no puede garantizar formación, control, acompañamiento y equidad, autorizar el uso generalizado puede terminar certificando fluidez tecnológica en lugar de aprendizaje real.

Debate Libre

En esta fase, los cuatro oradores de ambos equipos participan alternadamente. Se requiere trabajo en equipo y coordinación entre los miembros. El debate libre comienza con el equipo afirmativo.

Simular los discursos de ambos equipos; los discursos deben ser profundos, creativos, agudos, directos y con humor.

Orador 1 Afirmativo: Comenzamos por el núcleo: la universidad no es un museo de técnicas obsoletas, es un taller de pensamiento vivo. El equipo negativo nos pinta un escenario donde la IA es un atajo mágico que borra el esfuerzo. Pero eso es confundir la herramienta con el uso. Si un estudiante usa IA para generar un borrador, lo audita, lo corrige, lo defiende oralmente y asume la responsabilidad epistémica, no está delegando; está aprendiendo a dialogar con la complejidad contemporánea. Prohibir la IA en trabajos académicos es como prohibir el corrector ortográfico porque tememos que el estudiante olvide cómo se escribe “excepción”. La pregunta no es si la máquina ayuda, sino si nosotros enseñamos a no depender ciegamente de ella.

Orador 1 Negativo: El corrector ortográfico no te sugiere la tesis, no te estructura el argumento ni te inventa citas con cara de seriedad. La IA generativa sí. Y ahí está la grieta: cuando externalizas la arquitectura del pensamiento, no estás dialogando con la complejidad, estás subcontratándola. Ustedes hablan de “auditar y corregir”, pero en la práctica universitaria real, con grupos masivos y rúbricas estandarizadas, esa auditoría se convierte en un trámite. El estudiante declara, pega, ajusta dos comas y entrega. La transparencia no es un escudo contra la delegación; es un formulario que la legaliza. Si certificamos trabajos donde la máquina puso el esqueleto y el estudiante solo la carne, ¿qué estamos graduando? ¿Pensadores o editores de algoritmos?

Orador 2 Afirmativo: Mi compañero negativo confunde “esqueleto” con “cerebro”. La IA puede proponer una estructura, sí, pero una estructura vacía no sobrevive a la evaluación real. Si el docente pide bitácoras de prompts, versiones comparadas y defensa oral, el estudiante que solo “pegó y ajustó” se cae en cinco minutos. La fricción cognitiva no desaparece; se traslada. Antes luchabas contra la página en blanco y la sintaxis torpe; ahora luchas contra la plausibilidad engañosa, los sesgos ocultos y la verificación de fuentes. Eso exige más criterio, no menos. Y si el equipo negativo cree que la prohibición devuelve la fricción, se equivoca: solo la vuelve clandestina. El estudiante no deja de usar IA; solo deja de declararla. Y la opacidad es el peor enemigo del aprendizaje.

Orador 2 Negativo: Trasladar la fricción suena elegante en un seminario de ocho personas con un profesor que tiene tiempo para leer tres versiones de cada ensayo. Pero la universidad pública y masiva no es ese seminario. Es un ecosistema donde la sobrecarga docente es real y la evaluación estandarizada es la norma. En ese contexto, el “permiso regulado” se convierte en una ilusión burocrática. Ustedes piden bitácoras y defensas orales, pero ¿quién las revisa? ¿Con qué tiempo? ¿Con qué criterios homogéneos? Mientras tanto, el estudiante con mejor modelo, mejor prompt y mejor conexión a internet entrega un texto pulido. El que usa la versión gratuita, con límites y alucinaciones, entrega un texto irregular. La equidad no se logra declarando el uso; se logra garantizando que el aprendizaje no dependa de una suscripción. Y eso, en la práctica, el permiso generalizado no resuelve.

Orador 3 Afirmativo: Aquí hay un salto lógico interesante: el equipo negativo asume que la universidad es incapaz de adaptarse, pero al mismo tiempo nos exige que diseñemos políticas perfectas. No pedimos perfección; pedimos dirección. Si la universidad no puede auditar doscientas bitácoras, no por eso debe prohibir; debe muestrear, debe usar rúbricas de proceso, debe integrar la IA en la evaluación formativa. Y sobre la equidad: prohibir no nivela el terreno, lo cubre de niebla. El que tiene recursos usa IA en secreto, paga tutores que la usan por él, o compra textos ya pulidos. La clandestinidad siempre beneficia al que tiene más capital cultural. Regular, en cambio, permite a la universidad ofrecer licencias institucionales, talleres de uso crítico y modelos abiertos. La equidad no es igualdad de herramientas; es igualdad de criterio para cuestionar cualquier herramienta.

Orador 3 Negativo: El criterio no se forja en la niebla, pero tampoco se forja en el asistente automático. Ustedes hablan de “cuestionar la herramienta”, pero si la herramienta ya te dio la respuesta, la pregunta se vuelve retórica. Es como pedirle a un estudiante que cuestione un GPS que ya lo llevó al destino correcto: la tentación de confiar es estructural. Y aquí viene el punto que el equipo afirmativo esquiva: la IA generativa no es un diccionario ni una calculadora. Es un simulador de voz académica. Cuando normalizas su uso en trabajos que deben certificar competencia, cambias el estatuto del título. Dejas de evaluar si el estudiante sabe pensar y empiezas a evaluar si sabe gestionar un prompt. La universidad no es una incubadora de ingenieros de instrucciones; es un espacio donde el pensamiento lento, el error propio y la voz intransferible se convierten en conocimiento. Si permitimos la coautoría automática como norma, vaciamos el sentido del trabajo académico.

Orador 4 Afirmativo: Mi compañero negativo idealiza la “voz intransferible” como si naciera en el vacío. Pero toda voz académica se construye con mediaciones: tutores, pares, bibliografía, correctores, software estadístico. La IA es solo la mediación más reciente. Lo que proponemos no es coautoría automática, es autoría responsable. Si un estudiante usa IA para organizar ideas, pero la tesis, el análisis y la conclusión son suyos, y puede defenderlos sin titubear, el trabajo es legítimo. La prohibición, en cambio, convierte a la universidad en un detective que busca huellas digitales en lugar de un educador que forma juicio. Y sobre el “pensamiento lento”: el pensamiento lento no es pensamiento sin herramientas; es pensamiento con pausa reflexiva. La IA puede ahorrar horas de redacción mecánica para que el estudiante las invierta en contrastar fuentes, debatir con el docente o refinar la argumentación. No estamos acelerando el aprendizaje; estamos redirigiendo el esfuerzo hacia lo que realmente importa: el criterio.

Orador 4 Negativo: Redirigir el esfuerzo suena bien hasta que te das cuenta de que la IA no solo ahorra tiempo; redefine el umbral de lo aceptable. Si el estándar se vuelve “texto fluido, bien estructurado y sin errores evidentes”, la máquina ya lo cumple. Y el estudiante, consciente o inconscientemente, ajusta su esfuerzo a ese umbral. No es que deje de pensar; es que piensa menos porque la herramienta ya le dio lo suficiente para aprobar. Eso no es redirección; es acomodación. Y la acomodación es el enemigo silencioso de la excelencia. La universidad debe ser el último refugio donde el estudiante se enfrente a la dificultad sin atajos institucionales. No por nostalgia, sino por necesidad epistémica: si no aprendes a construir un argumento desde cero, no sabrás cómo desmontar uno cuando te lo presenten como verdad. Permitir el uso generalizado no moderniza la educación; la convierte en un taller de edición donde el autor original es un algoritmo y el estudiante, un corrector de estilo.

Orador 2 Afirmativo (intervención de coordinación): Retomando el hilo: el equipo negativo insiste en que la IA “ya dio lo suficiente para aprobar”. Pero eso es un problema de diseño evaluativo, no de la herramienta. Si la rúbrica premia la fluidez sobre la profundidad, el problema es la rúbrica. Si la evaluación mide producto y no proceso, el problema es la evaluación. Nosotros no defendemos la IA contra la universidad; defendemos una universidad que actualice sus métricas. ¿Prefieren mantener un sistema que mide lo que la IA ya hace mejor, o prefieren medir lo que la IA no puede hacer: responsabilidad, verificación, defensa oral y pensamiento crítico aplicado? La prohibición no arregla una rúbrica obsoleta; solo la esconde.

Orador 3 Negativo (contraataque coordinado): Y nosotros respondemos: actualizar la rúbrica no es suficiente si la herramienta ya ocupa el lugar del pensamiento inicial. Ustedes dicen “midan el proceso”, pero el proceso, una vez asistido por IA, ya no es puramente estudiantil. Es híbrido. Y cuando el híbrido se vuelve la norma, la línea entre “aprender a usar” y “delegar para cumplir” se difumina. No es paranoia; es física cognitiva. Si el cerebro sabe que puede externalizar la síntesis, la estructura y la redacción, lo hará. No por maldad, por eficiencia. Y la eficiencia no es sinónimo de aprendizaje. La universidad debe proteger la ineficiencia productiva: el tiempo que se gasta en equivocarse, en reescribir, en buscar la palabra exacta. Eso no se mide con bitácoras; se vive en la práctica. Y esa práctica se erosiona cuando la herramienta ya te da el 80% del camino.

Orador 4 Afirmativo (cierre de bloque): El 80% del camino no es el destino. Es el andamio. Y el andamio se retira cuando el edificio se sostiene. Si la universidad enseña a usar la IA como andamio, no como cimiento, el estudiante termina construyendo su propio edificio. Si lo prohíbe, el estudiante igual usa el andamio, pero en la oscuridad, sin supervisión, sin corrección. Nosotros no pedimos que la universidad se rinda ante la máquina; pedimos que la universidad tome el timón. Regular, enseñar, evaluar el proceso y exigir responsabilidad no es debilitar el título; es blindarlo contra la obsolescencia. Porque el verdadero riesgo no es que la IA entre al aula. El verdadero riesgo es que el aula decida no enseñar nada sobre ella.

Orador 1 Negativo (cierre de bloque): Y nosotros sostenemos que blindar el título no significa adaptarse a todo lo que llega, sino proteger lo que lo hace valioso. La universidad no es un centro de capacitación tecnológica; es un espacio de formación intelectual. Si permitimos que la IA generativa se convierta en coautora ordinaria del trabajo académico, no estamos modernizando la educación; estamos externalizando su núcleo. El permiso generalizado no es progreso; es una ilusión de control que termina certificando fluidez algorítmica en lugar de pensamiento propio. La universidad debe seguir siendo el lugar donde el estudiante aprende a pensar, no a pedir. Y eso, por más que la tecnología avance, sigue siendo insustituible.

Conclusión Final

Basándose en los puntos de vista del equipo contrario y en su propia postura, cada equipo debe resumir sus argumentos y expresar su posición final.

En la conclusión final, cada equipo recoge el campo de batalla: no se trata de añadir pruebas nuevas, sino de ordenar la lógica del debate, responder a los ataques principales y elevar la discusión hacia el valor que está en juego. Aquí ambas partes deben decir, con claridad, qué tipo de universidad están defendiendo.

Conclusión del Equipo Afirmativo

Orador 4 Afirmativo: Buenas tardes, señores jueces, público y equipo contrario.

Si algo ha quedado claro en este debate es que el equipo afirmativo no defiende una universidad sin reglas, sin esfuerzo ni sin responsabilidad. Defendemos una universidad que no le tenga miedo al presente. La pregunta que nos convoca no es si la inteligencia artificial generativa existe, porque ya existe. La pregunta es si la universidad va a gobernar su uso con criterio pedagógico o va a fingir que no está ahí, mientras los estudiantes la usan en la sombra, sin formación, sin transparencia y sin acompañamiento.

Desde el primer minuto, nuestra postura ha sido precisa: permiso regulado, transparente y pedagógicamente responsable. No pedimos que la IA escriba por el estudiante. Pedimos que la universidad enseñe al estudiante a usar la IA sin que la IA lo use a él. Esa es la diferencia entre una política educativa y una prohibición decorativa.

El equipo negativo ha insistido en que la IA puede debilitar la formación intelectual. En eso tiene razón: puede debilitarla. Pero confunde la herramienta con el uso. Un bisturí puede curar o puede dañar; un corrector ortográfico puede ayudar o puede empobrecer; una calculadora puede liberar pensamiento o puede evitarlo. El problema no es la máquina. El problema es la ausencia de formación crítica. Y una universidad que prohíbe sin enseñar no protege el pensamiento: lo deja desarmado.

Nos han dicho que la IA puede sustituir la fricción cognitiva. Nosotros respondemos: puede sustituirla si el diseño pedagógico es pobre. Pero también puede transformarla. Antes, el estudiante luchaba contra la página en blanco, la sintaxis torpe y la organización confusa. Hoy puede luchar contra la plausibilidad engañosa, los sesgos ocultos, las fuentes inventadas y la mediocridad bien redactada. Eso no es menos exigente. Es más exigente. Y por eso mismo necesita más universidad, no menos universidad.

El negativo ha advertido sobre la transparencia como coartada. Es un riesgo real. Pero una declaración de uso, una bitácora de prompts, una defensa oral, una versión previa y una verificación de fuentes no son un trámite vacío. Son una tecnología de responsabilidad. La transparencia no certifica por sí sola el aprendizaje, pero la opacidad sí destruye la posibilidad de formarlo. Si el estudiante usa IA en secreto, la universidad no aprende nada sobre ese uso. Si lo declara, la universidad puede enseñar, corregir, evaluar y acompañar.

También han hablado de equidad. Nosotros compartimos esa preocupación, pero invertimos la conclusión. Prohibir no nivela el terreno; lo cubre de niebla. El estudiante con recursos, con tiempo, con tutor privado o con acceso a modelos avanzados seguirá usando IA. El estudiante que no tiene esos recursos quedará fuera de una herramienta que ya forma parte del mundo profesional. La equidad no se logra negando la realidad; se logra construyendo condiciones públicas: licencias institucionales, modelos abiertos, formación docente, criterios claros y evaluación de proceso.

El equipo negativo idealiza el pensamiento lento como si fuera pensamiento sin herramientas. Pero el pensamiento lento no es ausencia de instrumentos; es pausa reflexiva. La IA puede ahorrar horas de redacción mecánica para que el estudiante invierta ese tiempo en contrastar fuentes, discutir con el docente, refinar argumentos y asumir responsabilidad epistémica. No estamos acelerando el aprendizaje. Estamos redirigiendo el esfuerzo hacia lo que realmente importa: el criterio.

Como recordaba Ortega y Gasset, “yo soy yo y mi circunstancia”. La circunstancia actual del estudiante universitario incluye motores de búsqueda, redes sociales, software estadístico, traductores automáticos e inteligencia artificial generativa. Una universidad que forma para la realidad no puede negar la realidad. Debe enseñar a habitarla con juicio.

No queremos que el estudiante entregue un ensayo y un prompt como si fueran dos autores. Queremos que entregue un ensayo y pueda responder por él. Que explique por qué cada párrafo es suyo. Que defienda su tesis. Que audite sus fuentes. Que reconozca sus límites. Que no confunda fluidez con verdad. Eso no es debilitar el título universitario; es blindarlo contra la obsolescencia.

Por eso, señores jueces, el equipo afirmativo pide que se vote a favor de una política de permiso regulado, transparente y pedagógicamente responsable. No porque amemos la tecnología, sino porque amamos la educación. No porque queramos que la máquina piense, sino porque queremos que el estudiante aprenda a pensar con herramientas contemporáneas. La universidad no debe ser un búnker contra el futuro. Debe ser un taller donde se aprenda a usar el futuro sin perder el criterio.

Conclusión del Equipo Negativo

Orador 4 Negativo: Buenas tardes, señores jueces, público y equipo contrario.

El equipo negativo no ha defendido una universidad tecnófoba. No estamos en contra de estudiar la inteligencia artificial, analizarla, enseñarla, criticarla o usarla en contextos específicos. Estamos en contra de una autorización generalizada de la IA generativa en trabajos académicos cuando esa autorización puede convertir la evaluación en un trámite, la autoría en una ficción y el aprendizaje en una delegación.

La pregunta central de este debate no es si la IA puede ser útil. Puede serlo. La pregunta es si la universidad debe permitir que, de manera general, los estudiantes usen IA generativa en trabajos académicos cuya función es certificar pensamiento propio. Ahí nuestra respuesta es clara: no, no debería, al menos no como regla general, porque el riesgo formativo es demasiado alto y las condiciones institucionales rara vez son las que el equipo afirmativo imagina.

El afirmativo ha construido una universidad ideal: docentes con tiempo, grupos pequeños, bitácoras revisadas, defensas orales, licencias institucionales, modelos abiertos, evaluación de proceso y estudiantes comprometidos. En esa universidad, quizá su política funcione. Pero el debate no se libra en una universidad perfecta. Se libra en universidades reales, con cursos masivos, docentes sobrecargados, rúbricas estandarizadas, estudiantes presionados por el tiempo y sistemas de evaluación que muchas veces premian el producto final más que el aprendizaje.

En ese contexto, el “permiso regulado” puede convertirse en una ilusión burocrática. Declarar el uso de IA no es lo mismo que demostrar el uso crítico de IA. Un formulario no es un examen. Una etiqueta no es una defensa oral. Una bitácora no es una garantía de pensamiento propio. Si la máquina produce la tesis, organiza la estructura, redacta el texto y simula el razonamiento, la declaración solo documenta la delegación.

Nos han dicho que la IA puede ser un sparring intelectual. Puede serlo, sí. Pero un sparring no es un sustituto. Un sparring te ayuda a entrenar; no pelea la pelea por ti. El problema es que la IA generativa no solo responde preguntas: puede producir respuestas completas, plausibles, fluidas y aparentemente responsables. Y cuando una herramienta entrega el 80% del camino, el estudiante no aprende a construir el 100%. Aprende a aprobar.

El afirmativo ha insistido en que la prohibición genera clandestinidad. Es un riesgo. Pero el permiso generalizado también genera riesgos: dependencia, desigualdad, homogeneización textual, erosión de la autoría y confusión entre competencia del estudiante y fluidez del modelo. La clandestinidad es mala; la coautoría automática normalizada es peor. Porque la clandestinidad puede corregirse con formación; la normalización puede vaciar el sentido del trabajo académico.

También han hablado de equidad. Nosotros compartimos esa preocupación, pero no llegamos a la misma conclusión. La equidad no se logra permitiendo que todos usen una herramienta que no todos usan igual. Los modelos más potentes suelen ser de pago, cambian rápido, dependen de empresas privadas y premian la habilidad para escribir prompts. Si la evaluación empieza a depender de quién tiene mejor acceso, mejor conexión, mejor suscripción o mejor entrenamiento digital, la universidad no certifica aprendizaje: certifica poder adquisitivo digital.

La inclusión tampoco justifica un permiso general. Hay estudiantes con dificultades de escritura, barreras idiomáticas, discapacidades o problemas de organización textual. Ellos merecen ajustes razonables, acompañamiento, tutorías, herramientas accesibles y evaluación diferenciada. Pero eso no significa convertir la IA generativa en asistente universal para todos los trabajos académicos. La inclusión se protege con políticas específicas, no con autorizaciones masivas.

El afirmativo ha dicho que la universidad debe adaptarse al mundo profesional. Estamos de acuerdo, pero con una precisión: una cosa es usar herramientas profesionales y otra certificar competencias fundamentales. Antes de que un piloto dependa de un piloto automático, debe demostrar que sabe volar. Antes de que un médico use sistemas de diagnóstico asistido, debe saber examinar, razonar y asumir responsabilidad clínica. Antes de que un estudiante use IA para producir textos académicos, debe demostrar que puede pensar, estructurar, argumentar y escribir con voz propia.

El lenguaje no es solo un instrumento externo. Es una forma en que el pensamiento se construye. Cuando el estudiante enfrenta la página en blanco, cuando se equivoca, cuando reescribe, cuando busca la palabra exacta, está formando criterio. Esa fricción no es un obstáculo para el aprendizaje; es parte del aprendizaje. Si externalizamos masivamente la producción del lenguaje académico, no solo externalizamos una tarea: podemos estar alterando el modo en que el estudiante piensa.

El equipo afirmativo ha dicho que la universidad no debe ser un museo de técnicas obsoletas. Nosotros respondemos: tampoco debe ser una incubadora de ingenieros de instrucciones. La universidad no existe para enseñar a pedir respuestas; existe para enseñar a formular preguntas, sostener argumentos, asumir responsabilidad epistémica y desarrollar una voz intransferible. Si permitimos que la IA generativa se convierta en coautora ordinaria del trabajo académico, el título universitario corre el riesgo de decir, en letra pequeña: “puede contener trazas de algoritmo”.

Por eso, señores jueces, el equipo negativo pide que no se autorice de manera general el uso de inteligencia artificial generativa en trabajos académicos. Sí a estudiarla. Sí a enseñarla. Sí a analizarla. Sí a regularla. Sí a permitir usos excepcionales, supervisados y pedagógicamente justificados. Pero no a normalizar la delegación intelectual.

La universidad debe seguir siendo el último refugio donde el estudiante aprende a pensar sin atajos. No por nostalgia. No por miedo. Sino por necesidad epistémica. Porque quien no aprende a construir un argumento desde cero, difícilmente sabrá desmontar uno cuando se lo presenten como verdad. Y porque el valor de un título universitario no está en la fluidez del texto entregado, sino en la formación del juicio de quien lo defendió.

Por eso, el equipo negativo sostiene su postura: la universidad no debe prohibir la inteligencia artificial, pero tampoco debe convertirla en coautora general del trabajo académico. Debe proteger el pensamiento propio, la autoría responsable y la fricción formativa que hace posible el aprendizaje.