Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
https://centrocompetencia.com/wp-content/themes/Ceco
La inteligencia artificial generativa (“IA”) ha permitido que cualquiera produzca un texto que parece escrito por alguien que entiende, aunque no lo entienda. Esa ilusión funciona mientras nadie pregunte. En cuanto un tribunal, un profesor o un jefe interrumpe, la diferencia entre haber usado la IA para pensar y haberla usado para evitar pensar se vuelve imposible de ocultar. En el MootComp, esa diferencia siempre sale a la luz, como también sucederá en la vida profesional de sus participantes.
«La línea ética no está en si usas la herramienta, sino en qué parte del proceso la usas.»
En mi columna anterior, analicé cómo la masificación de la IA ha colapsado las métricas de evaluación basadas en conocimiento. El examen de admisión virtual de la Universidad Nacional Autónoma de México (UNAM) lo ilustró con estadística: distribuciones atípicas de calificaciones que delataban el uso masivo de IA. El examen de control presencial aplicado semanas después lo convirtió en evidencia empírica.
Gráfica 1. Desempeño aparente vs verificado en el ingreso a la UNAM, 2026
Fuente: imagen extraída de Milenio.
El dato más revelador no fue la caída generalizada de calificaciones, sino su distribución por carrera. La carrera en derecho en Ciudad Universitaria registró uno de los desplomes más pronunciados: pasó de 105 aciertos en el examen virtual a 65 en el presencial. La ironía es evidente: quienes se preparan para argumentar ante un tribunal fueron precisamente quienes más dependieron de un andamiaje tecnológico que se derrumba en cuanto desaparece la pantalla.
El examen presencial mostró la diferencia entre quienes habían construido criterio propio y quienes habían construido una ilusión de criterio. En la economía de la información, esa diferencia tiene nombre: señal falsa de calidad. Como enseña Akerlof, cuando las señales falsas proliferan, los limones desplazan a las joyas.
Para entender por qué la autorregulación se ha convertido en una ventaja competitiva, conviene regresar a la pirámide del conocimiento (Modelo DIKW) expandida: datos, información, conocimiento y, en la cúspide, comprensión, juicio y sabiduría. La IA ha automatizado con eficiencia creciente los tres estratos inferiores. Buscar jurisprudencia, sintetizar doctrina, redactar un primer borrador: todo eso tiene hoy un costo marginal cercano a cero.
Ilustración 1. Pirámide DIKW expandida
Fuente: elaboración propia con base en la pirámide de conocimiento.
El caso de la UNAM exige una precisión. El examen presencial no midió los estratos superiores de la pirámide; midió lo mismo que el virtual: conocimiento. La única diferencia fue que los aspirantes ya no tenían acceso a la IA. Aun así, los resultados colapsaron. Eso no es solo evidencia de trampa; es evidencia de atrofia: el hábito de pensar sin apoyo externo se debilitó al punto de no sostener ni las tareas más básicas.
La vida profesional no ofrece exámenes de control. Un tribunal no repite la pregunta si el expositor no puede responderla; un cliente no recontrata si el análisis no resiste el escrutinio; un regulador no concede reposición si la teoría del daño se derrumba. En el mundo profesional, la primera oportunidad suele ser la única. Cuando ese momento llega, la IA no estará disponible para salvar al analista que nunca desarrolló criterio propio; o peor, estará disponible, pero sin un juicio que la dirija, solo generará respuestas plausibles sin sustancia.
Lo que permanece escaso, y se vuelve más escaso conforme la IA democratiza los estratos inferiores, es lo que ningún examen estandarizado mide y ningún algoritmo puede sustituir: criterio propio bajo información incompleta, incertidumbre y presión. La automatización no eliminó la escasez; desplazó el cuello de botella hacia la cúspide de la pirámide. El estudiante que delegó su razonamiento a un algoritmo llegará ahí con las manos vacías, y sin segunda oportunidad para remediarlo.
La discusión ética sobre la IA suele plantearse como una dicotomía: usar o no usar. Esa dicotomía es falsa e improductiva. La pregunta relevante no es si el estudiante usa IA, porque ya la está usando, sino qué parte del proceso intelectual le delega. La UNESCO, en su Marco de Competencias en IA para Estudiantes, distingue entre uso instrumental de la IA y desarrollo de una mentalidad crítica y centrada en el ser humano.
Tabla 1. Taxonomía simple del uso de la IA
Fuente: Elaboración propia con base en la UNESCO.
La distinción entre el segundo y el tercer uso no siempre es obvia. Un estudiante puede creer que está usando la IA como herramienta operativa cuando en realidad la está usando como sustituto del juicio y esa confusión no siempre es deshonesta; a veces es genuina. La filosofía moral tiene un nombre para el autoengaño que la facilita: cobardía epistémica. Evitar el esfuerzo de pensar porque existe un atajo disponible. El atajo nunca había sido tan tentador ni tan costoso en términos de desarrollo intelectual.
El criterio para navegar esa zona gris es el test de la tribuna: ¿Podrías defender este argumento, esta conclusión, esta elección metodológica, ante un tribunal de expertos sin acceso a la IA? Si la respuesta es sí, estás en los usos éticos. Si la respuesta es no o si la pregunta incomoda, estás en el tercero. No porque usar la IA sea incorrecto, sino porque el juicio que debería estar detrás del resultado todavía no existe.
Tres preguntas ayudan a diagnosticarlo: (i) ¿tomé yo la decisión sobre qué evidencia incluir y cuál descartar?; (ii) ¿puedo explicar con mis propias palabras por qué este argumento es más sólido que las alternativas?; y, (iii) ¿el resultado de la IA amplió mi análisis o lo reemplazó?
Si las tres respuestas apuntan al uso propio del criterio, la IA está funcionando como apoyo cognitivo o herramienta operativa. Si alguna respuesta revela que el juicio fue delegado, el resultado es un sustituto, independientemente de cuánto trabajo operativo haya implicado producirlo.
La UNESCO ofrece una guía práctica para desarrollar hábitos de uso crítico de la IA, mientras que Epistemic Courage, de Jonathan Ichikawa, aporta una reflexión filosófica sobre la importancia del juicio propio. Ambas obras convergen en una misma idea: distinguir entre usar una herramienta y depender de ella no es una capacidad innata, sino una competencia que se cultiva deliberadamente y cuyos beneficios son mayores cuando se desarrolla desde etapas tempranas.
Los marcos institucionales más sofisticados, como el Reglamento de IA de la Unión Europea, los principios de la OCDE, las políticas corporativas, están diseñados para organizaciones, no para individuos. Regulan sistemas, no decisiones individuales. La decisión que importa, como la que se hace en la noche previa del deadline para la entrega del memorial del MootComp, la toma el estudiante con su propio criterio, no un comité de ética institucional.
Esto coloca a los jóvenes en una posición privilegiada: pueden construir sus hábitos de uso desde cero, sin el costo de recalibración cognitiva que enfrentan los profesionales con más de diez años de práctica. Para ellos, integrar la autorregulación ética puede ser más costoso en comparación con los estudiantes, quienes pueden adoptarla como parte nativa de su identidad profesional.
Higgs y Stornaiuolo documentaron que los estudiantes jóvenes navegan activamente dimensiones éticas y críticas del uso de IA, y reflexionan sobre qué significa ser un ser humano en relación con estas tecnologías. Una reflexión que sus empleadores rara vez tienen tiempo de hacer en el fragor del trabajo profesional.
Además, los estudiantes enfrentan las consecuencias inmediatas del mal uso: detección de plagio, incapacidad de defender un argumento, evidencia de no poder responder preguntas sobre su propio análisis. Esas consecuencias generan incentivos de aprendizaje que ninguna política institucional puede replicar. El MootComp es el laboratorio donde esas consecuencias se simulan con la seriedad del mundo profesional, pero sin sus costos.
El mercado laboral no busca redactores sofisticados, sino analistas que puedan tomar decisiones bajo información incompleta e incertidumbre, y que puedan defender sus conclusiones bajo presión. La academia, como Harvard, tienen políticas internas de uso responsable de IA que exigen a la persona explicar cualquier análisis que presente, independientemente de qué herramientas utilizó. La American Bar Association establece que los abogados que usan IA generativa deben mantener supervisión significativa sobre los resultados y ser capaces de verificar su precisión.
El mercado laboral está incorporando el mismo principio que reveló la UNAM: la calidad aparente de un resultado no es evidencia de comprensión real. Un análisis impecable producido con IA, pero que su autor no puede defender, es exactamente la señal falsa que los empleadores están aprendiendo a detectar. La manera de detectarla es la misma que usa el tribunal del MootComp: preguntar, interrumpir y empujar hasta que el criterio propio, o su ausencia, se vuelva visible.
La gobernanza de la IA es necesaria, pero no resuelve el problema que enfrenta el estudiante: la noche previa del deadline para entregar el memorial. La enseñanza del caso de la UNAM y del MootComp es que la gobernanza más relevante no surge de ninguna institución, sino del propio criterio: la decisión de usar la IA para amplificar su luz intelectual, no para sustituirla.
Emma Godoy tenía razón: los viajes ilustran a los ilustrados. El algoritmo, como el viaje, potencia la capacidad de quien ya posee rigor técnico. Sin embargo, el algoritmo puede hacer algo que el viaje nunca pudo: generar una ilusión perfecta de haber llegado a un destino que nunca se visitó. Distinguir esa ilusión de la real es hoy la competencia más valiosa que un estudiante puede desarrollar. También, es la que ninguna IA puede enseñarle.
Para quienes preparan su participación en el MootComp México 2026, el reto no es prescindir de la IA: es usarla con el criterio que la tribuna exigirá. Cada argumento del memorial, cada elección metodológica, cada conclusión sobre el mercado relevante o la teoría del daño debe poder sostenerse sin red de seguridad algorítmica. La IA puede ayudar a construir el análisis; el juicio para defenderlo solo puede venir de quien lo firmó. Esa es la diferencia entre llegar a la tribuna con criterio propio o con andamiaje prestado, y es una diferencia que el tribunal siempre detecta.
Regístrate de forma gratuita para seguir leyendo este contenido
Contenido exclusivo para los usuarios registrados de CeCo
