Salvatore Mosaico · 2026
Nota del autor
Las escenas de clase no son transcripciones, sino simulaciones para mostrar cómo una idea didáctica se convierte en diálogo, descubrimiento, error y argumentación.
Índice
- 1. La pregunta que la inteligencia artificial plantea a la escuela
- 2. Conocer no es solo obtener una respuesta
- 3. Las competencias matemáticas centrales
- 4. Lección simulada 1: gallinas y conejos
- 5. Lección simulada 2: x² − y² = 15
- 6. Lección simulada 3: las doce monedas
- 7. Lección simulada 4: conjeturas y contraejemplos
- 8. Lección simulada 5: interrogar y controlar la IA
- 9. Cómo cambian ejercicios, tareas y evaluaciones
- 10. El nuevo papel docente
- 11. Un taller posible de cinco encuentros
- 12. Conclusión: no menos matemáticas, sino más auténticas
1. La pregunta que la inteligencia artificial plantea a la escuela
He visto a una inteligencia artificial resolver ecuaciones, problemas de geometría, sucesiones, lógica e incluso acertijos cuya dificultad no es calcular, sino encontrar la idea. Surge una pregunta inevitable y provocadora: si una máquina hace todo esto, ¿qué debemos enseñar para que los estudiantes no se vuelvan incapaces de pensar sin ella?
La respuesta no es rechazar la tecnología ni rendirse. Prohibir la IA como un accidente pasajero es educar para un mundo que ya no existe. Entregarle toda actividad es renunciar a lo que forman las matemáticas: atención, autonomía, abstracción, gusto por la prueba y hábito de no creer la primera respuesta plausible.
Las calculadoras no hicieron inútiles los números. Desplazaron la frontera entre lo que convenía ejecutar a mano y comprender. La IA desplaza algo más profundo: también automatiza parte del lenguaje que explica el cálculo. La escuela no puede limitarse a añadir una herramienta a la vieja lección; debe redefinir el desempeño matemático.
La tesis de este ensayo es sencilla: mantener técnicas y automatismos básicos, pero evaluar sobre todo elegir, representar, comprobar, argumentar y generalizar. La respuesta final sigue siendo necesaria, sin monopolizar el aprendizaje.
En el siglo XX se premió a menudo encontrar respuestas. En la época de la IA habrá que enseñar también a formular buenas preguntas, juzgar respuestas y construir razonamientos defendibles ante otros.
2. Conocer no es solo obtener una respuesta
Un estudiante fotografía una ecuación y obtiene en segundos el resultado correcto. ¿Qué posee? Una salida, no necesariamente conocimiento. Este aparece al explicar transformaciones legítimas, reconocer condiciones de existencia, prever órdenes de magnitud, detectar contradicciones y transferir el método.
Distinguimos cinco niveles: ejecutar un procedimiento conocido; comprender por qué funciona; elegir el adecuado; controlar hipótesis y resultado; crear, modificando, generalizando o inventando un contraejemplo.
La IA suele ser fuerte en el primero y ayuda en los otros, pero la responsabilidad epistémica —decidir por qué una respuesta merece confianza— debe seguir en la persona. Así evitamos creer falsa toda respuesta automática o verdadera toda respuesta bien redactada.
El cálculo manual conserva una función, como entrenamiento dirigido y no ritual punitivo. Tablas, fracciones, equivalencias, transformaciones algebraicas básicas y agilidad mental revelan estructuras que de otro modo quedarían opacas. Sin vocabulario matemático interior no se controla la herramienta exterior.
El criterio no es «manual o automático», sino qué parte de la actividad madura el pensamiento que deseamos formar.
3. Las competencias matemáticas centrales
Una enseñanza actual puede organizarse en ocho prácticas ya presentes en la mejor tradición educativa, ahora más urgentes.
1. Partir de problemas. Una fórmula que responde a una necesidad tiene sentido; como orden que imitar se delega pronto a la máquina.
2. Construir representaciones. Dibujos, esquemas, palabras, tablas de casos, gráficos y ecuaciones no decoran: muestran de distintas formas un mismo objeto. Traducir entre ellas es una competencia sólida.
3. Comparar estrategias. Dos soluciones correctas no son didácticamente equivalentes: una puede ser general y otra intuitiva; una rápida y otra transparente.
4. Estimar antes de calcular. La estimación crea una expectativa para comprobar el resultado exacto y combate la confianza ciega.
5. Argumentar. «¿Por qué?» debe ser habitual. No siempre se exige prueba formal, pero sí una razón adecuada a la edad.
6. Buscar contraejemplos. Los primeros casos hacen plausibles muchas afirmaciones. Buscar el que las rompe enseña hipótesis y diferencia entre evidencia y prueba.
7. Modelizar. Pasar de la realidad a las matemáticas exige elegir qué contar, ignorar y relacionar. Después hay que devolver el modelo a la realidad y criticarlo.
8. Usar IA de forma declarada y verificable. Explicar qué se pidió, recibió, comprobó y modificó. No se trata de descubrir quién usó la herramienta, sino de mostrar el trabajo intelectual posterior.
4. Lección simulada 1: gallinas y conejos
Problema: en un corral hay 35 animales, gallinas y conejos, y 94 patas. ¿Cuántos de cada clase?
El método escolar introduce dos incógnitas y un sistema. Es correcto, pero en últimos cursos de primaria o primeros de secundaria puede esconder la idea bajo la notación. Empecemos con un experimento mental.
ESCENA DE CLASE — DEL RELATO AL MODELO
Docente: Imaginemos que todos son gallinas. ¿Cuántas patas?
Alumna: Setenta, dos por animal.
Docente: Observamos 94. ¿Cuántas faltan por explicar?
Clase: Veinticuatro.
Docente: Al convertir una gallina imaginaria en conejo, ¿cuántas añadimos?
Alumno: Dos. Entonces 24÷2=12 conejos.
Docente: ¿Y gallinas?
Clase: 35−12=23.
Lo decisivo no es dividir, sino la hipótesis «todos gallinas», que crea una referencia. Las 24 patas excedentes son información: cada conejo aporta dos más.
El álgebra puede emerger sin imponerse. Si p son gallinas y c conejos, p+c=35 y 2p+4c=94. Restando dos veces la primera relación de la segunda: 2c=24. El sistema es escritura compacta del mismo razonamiento, no un ritual misterioso.
Variaciones: ¿40 animales? ¿95 patas? Lo último es imposible porque la suma de pares es par. Una propiedad permite juzgar el enunciado antes de calcular.
Evaluamos no solo 12 y 23, sino por qué partir de 70, dividir por 2 y comprobar 12×4+23×2=94.
5. Lección simulada 2: x² − y² = 15
Encontrar todas las parejas enteras (x,y) con x²−y²=15 distingue manipular símbolos de ver una estructura.
ESCENA DE CLASE — UNA TRANSFORMACIÓN QUE ABRE EL PROBLEMA
Docente: Podríamos probar muchos valores. ¿Reconocéis la forma?
Estudiante: Diferencia de cuadrados: x²−y²=(x−y)(x+y).
Docente: ¿Qué sabemos de los factores?
Estudiante: Son divisores enteros de 15 cuyo producto es 15.
Clase: 1 y 15; 3 y 5; también los órdenes inversos y las parejas negativas.
Con x−y=1 y x+y=15 obtenemos sumando x=8 y restando y=7. Con 3 y 5 resultan x=4, y=1. Invertir factores cambia el signo de y; negar ambos cambia los de x e y. Las ocho soluciones son (8,7), (8,−7), (−8,7), (−8,−7), (4,1), (4,−1), (−4,1), (−4,−1).
Los factores tienen igual paridad porque suman 2x y difieren en 2y. Como 15 es impar, todas sus parejas tienen factores impares y producen enteros. Con u=x−y, v=x+y: x=(u+v)/2, y=(v−u)/2. Las parejas ordenadas de divisores agotan los casos y prueban que la lista está completa.
Cambiar el dominio cambia el problema. En enteros hay finitas soluciones; en reales, una hipérbola con infinitas. «¿Qué números se permiten?» determina la naturaleza de la respuesta.
La IA enumera parejas rápidamente; el estudiante debe justificar que no faltan. Todas exige prueba de exhaustividad, no ejemplos acumulados.
6. Lección simulada 3: las doce monedas
Doce monedas parecen idénticas; una pesa distinto, sin saber si más o menos. Hay que identificarla con tres pesadas en una balanza de dos platillos.
Antes del ingenioso procedimiento completo conviene preguntar cuánta información da una pesada: tres resultados, izquierda más pesada, equilibrio o derecha más pesada.
Tres pesadas distinguen como máximo 3³=27 secuencias. Hay 24 casos: cada moneda puede ser pesada o ligera. 27≥24 no descarta el éxito, pero no demuestra por sí solo que exista una estrategia realizable. Dos pesadas dan 3²=9 y no bastan.
ESCENA DE CLASE — ESTRATEGIA ANTES QUE MOVIMIENTOS
Docente: Si peso seis contra seis y se inclina, ¿qué sabemos?
Alumno: Puede ser cualquiera de las doce; no sabemos cuál ni en qué sentido.
Docente: ¿Repartimos bien los casos?
Clase: No. Cuatro contra cuatro deja grupos manejables y, si hay desequilibrio, monedas normales entre las apartadas.
La idea anticipa la teoría de la información: una buena pregunta divide equilibradamente las posibilidades. Comprendemos por qué unos primeros movimientos son pobres y otros útiles, en vez de memorizar un truco.
La IA puede generar o verificar el árbol. El alumnado formula el invariante: tras cada pesada deben quedar pocos casos suficientes para distinguirlos con las restantes. Si quedan más de nueve tras la primera, dos no bastan. La cota es necesaria; cada rama debe además realizarse con pesadas válidas.
Una evaluación puede comparar tres primeras pesadas sin exigir todo el algoritmo. Seis contra seis deja doce explicaciones por desequilibrio, más de nueve. Cuatro contra cuatro deja ocho casos en cada resultado. Hay que justificar la elección informativamente.
7. Lección simulada 4: conjeturas y contraejemplos
Una fórmula produce muchos primos al principio y conjeturamos que siempre lo hará. Pero «funcionó cien veces» no significa «para todo natural». La IA permite miles de cálculos: por eso importa distinguir verificación numérica y demostración.
ESCENA DE CLASE — ROMPER UNA REGLA SEDUCTORA
Docente: n²+n+41 da muchos primos para n=0,1,2,… ¿Proclamamos una ley?
Estudiante: Parece cierta en los casos probados.
Docente: Probad un valor relacionado con 41.
Alumno: n=41 da 41²+41+41=41×43, no primo.
Docente: Un contraejemplo derriba una afirmación universal.
Tres columnas conceptuales, incluso sin tabla: calcular produce casos; conjeturar formula una regla sugerida; demostrar establece que vale en todos los casos admitidos. Un contraejemplo basta para demostrar falsa una regla universal.
El error es material didáctico, no una mancha que borrar. ¿Primer paso injustificado? ¿Hipótesis ausente? ¿Sigue siendo cierto en una clase menor?
Fuera de las matemáticas, muchos datos apoyan previsiones sin probar necesidad lógica. Distinguirlo ayuda a leer estadísticas, gráficos y afirmaciones algorítmicas con lucidez.
8. Lección simulada 5: interrogar y controlar la IA
El uso más pobre es pedir una solución y copiarla. El más rico convierte la respuesta automática en objeto de análisis.
ESCENA DE CLASE — LA IA A EXAMEN
Consigna: resolver 2ˣ+x=5 y evaluar una respuesta simulada que afirma x=2 porque 2²+2=6.
Primera observación: sustituir 2 demuestra inmediatamente que no es solución.
Segunda: f(x)=2ˣ+x−5 es estrictamente creciente porque crecen 2ˣ y x. Puede haber como máximo una solución real.
Búsqueda: f(1)=−2, f(2)=1. Por continuidad existe una solución entre 1 y 2; por crecimiento estricto es única. Se puede aproximar numéricamente.
Pregunta final: ¿qué parte está demostrada exactamente y cuál aproximada?
Se pueden asignar roles: un grupo pide, otro comprueba cada paso, otro busca alternativa y otro modifica datos para probar el método. El trabajo final separa aportación de la herramienta y decisiones del alumnado.
Incluso una respuesta correcta admite crítica: ¿teorema demasiado avanzado, caso excluido oculto, notación innecesaria? Corrección y calidad no son iguales. Una buena solución es correcta, completa, comprensible y proporcionada al problema y público.
Mejorar peticiones también enseña: dos métodos, condiciones explícitas, error plausible que detectar, solo una pista, problema parecido pero distinto. Formular la petición es metacognición: saber qué ayuda se necesita.
9. Cómo cambian ejercicios, tareas y evaluaciones
Si la tarea sigue siendo una serie de ejercicios estándar idénticos, cuesta saber quién aprendió. No se responde aumentando vigilancia, sino haciendo visible el proceso.
Cuatro momentos: predicción sin herramientas, solución quizá asistida, comprobación independiente y reflexión. ¿Qué método y por qué? ¿Paso más débil? ¿Cómo asegurar que no faltan soluciones? ¿Qué cambia al modificar un dato?
Una evaluación mixta conserva una parte breve sin herramientas para fundamentos y otra con herramientas declaradas, centrada en calidad del juicio, no velocidad.
EJEMPLO DE EVALUACIÓN AUTÉNTICA
Parte A — Fundamentos: ejecutar y explicar dos transformaciones esenciales sin herramientas.
Parte B — Elección: resolver por método aritmético, algebraico o gráfico justificándolo.
Parte C — Crítica: localizar el primer error de una respuesta automática y corregir solo lo dependiente de él.
Parte D — Transferencia: cambiar un dato para que no haya solución o haya varias, justificando.
Parte E — Transparencia: declarar herramientas y controles personales.
También cambia la valoración. Una rúbrica pondera comprensión del texto e hipótesis, estrategia, corrección, argumentación y control, capacidad de revisión. Un error aritmético no borra el razonamiento válido; un número correcto sin justificar no recibe automáticamente la nota máxima.
Un oral breve cobra valor: «¿por qué este paso?», «¿qué prevés si duplico el dato?», «da un caso que no funcione». Quien entiende se adapta; quien copia pierde el hilo al cambiar el problema.
10. El nuevo papel docente
Una máquina que explica no hace menos importante al docente. Menos central como distribuidor exclusivo de procedimientos, es más importante como director de experiencias cognitivas. Elige problemas fértiles, escucha estrategias incompletas, decide cuándo no intervenir, relaciona ideas y establece criterios de validez.
Una buena pregunta suele valer más que una larga explicación: «¿qué sabes?», «¿puedes representarlo?», «¿qué caso sencillo probarías?», «¿cómo refutarías tu idea?», «¿dónde usas la hipótesis?». Ofrece apoyo sin quitarle el problema al estudiante.
La IA aligera preparación: variantes, adaptación lingüística, ejemplos y soluciones defectuosas. La relevancia didáctica sigue dependiendo del grupo, errores observados, tiempo y conocimientos reales.
Hay que proteger la equidad: no todos tienen iguales herramientas, conexión o capacidad de preguntar. Lo esencial debe ser accesible en la escuela; reglas explícitas; datos personales no deben ser el precio de aprender.
Las referencias internacionales citadas defienden un enfoque humano y responsable: privacidad, edad, inclusión, transparencia y juicio educativo insustituible. La IA no es oráculo ni simple enemigo, sino un entorno nuevo para educar.
11. Un taller posible de cinco encuentros
No hace falta rehacer el programa: se puede empezar con un pequeño taller integrado en las clases.
Primer encuentro — Respuesta plausible. Tres soluciones: correcta, con error de cálculo y con hipótesis ilegítima. Encontrar el primer punto que merece o pierde confianza.
Segundo — Muchos métodos, un problema. Gallinas y conejos por dibujo, patas excedentes, tabla de intentos y sistema. Comparar accesibilidad, rapidez y generalidad.
Tercero — Del ejemplo a la prueba. Probar una fórmula con hoja de cálculo o IA, buscar un contraejemplo y distinguir conjetura y demostración.
Cuarto — Información y estrategia. Con monedas, balanza simulada o preguntas de tres resultados, diseñar decisiones que repartan bien los casos.
Quinto — La IA revisora y acusada. Cada grupo propone un problema, obtiene una respuesta automática, anota, corrige y presenta un veredicto razonado. Importa sobre todo la calidad de los controles.
Al terminar, un breve «diario del pensamiento»: ¿qué preveía?, ¿dónde cambié de opinión?, ¿qué control me convenció?, ¿qué repetiría sin ayuda? Hace observable el aprendizaje sin burocracia.
12. Conclusión: no menos matemáticas, sino más auténticas
El temor a que la IA nos haga menos inteligentes tiene una verdad condicional: ocurrirá si evitamos con ella todo esfuerzo cognitivo. No es destino inevitable. Una tecnología de respuestas puede obligarnos a valorar preguntas, pruebas, controles y discusión de métodos.
Hay que seguir aprendiendo a calcular: sin bases, cualquier control es frágil. Pero sobre todo cuándo calcular, qué representa el cálculo, sus condiciones y cómo reconocer resultados absurdos. Pasar del problema concreto al modelo y volver; distinguir ejemplo y prueba, frase convincente y argumento correcto.
La escuela no compite en ejercicios por minuto. Forma personas que se orienten entre respuestas abundantes y pregunten: «¿Por qué funciona? ¿Siempre? ¿En qué condiciones? ¿Puedo comprobarlo de otra forma?».
La IA no marca el final de la educación matemática, sino quizá de su versión demasiado mecánica. Aprovecharlo devuelve al corazón de la disciplina: no cálculo como obediencia, sino razonamiento como libertad.
La pregunta decisiva no es si obtienen respuestas sin nosotros, sino si reconocen una buena respuesta, la defienden con razones y tienen valor para rechazarla cuando es incorrecta.
Referencias esenciales
- G. Pólya, How to Solve It, Princeton University Press — Comprender, planificar, ejecutar y revisar.
- H. Freudenthal, Mathematics as an Educational Task — Actividad humana y reinvención guiada.
- A. H. Schoenfeld, Mathematical Problem Solving — Estrategias, control metacognitivo y creencias.
- UNESCO, Guidance for Generative AI in Education and Research (2023) — Uso humano, seguro, equitativo y significativo de la IA.
- European Commission, Ethical Guidelines on the Use of Artificial Intelligence and Data in Teaching and Learning for Educators (2022) — Transparencia, responsabilidad, inclusión y protección de datos.
- National Council of Teachers of Mathematics: problem solving, reasoning, representation and communication — Problemas, razonamiento, representación y comunicación matemática.
Texto concebido para publicación en línea. Se permiten citas breves indicando autor y título.