MIT advierte que la IA puede completar de manera creíble casi cualquier tarea de grado

MIT ha pedido importantes cambios educativos tras concluir que la IA ya puede producir trabajos creíbles en casi todas las categorías de tareas de grado.

La advertencia circuló por google news como una historia sobre máquinas que completan ensayos, demostraciones, problemas científicos y ejercicios de programación. Sin embargo, el verdadero conflicto no es entre los estudiantes y el software antiplagio. Es entre un siglo de evaluación basada en resultados y herramientas capaces de fabricar resultados convincentes bajo demanda.

MIT no propone una prohibición de la IA en todo el campus. Su nuevo marco, en cambio, pide a los docentes que reconsideren los objetivos de aprendizaje, rediseñen las evaluaciones, aclaren los usos aceptables y protejan las relaciones humanas que sustentan la educación residencial. Esta postura presiona a todas las universidades que siguen tratando la IA como un problema limitado de integridad académica.

La pregunta central ha cambiado. Las universidades ya no pueden preguntarse únicamente si una respuesta entregada es correcta u original. Deben determinar si el estudiante puede explicarla, defenderla, revisarla y aplicarla.

El informe de MIT sobre educación e IA cuestiona el valor del trabajo terminado

El informe de MIT considera que las tareas pulidas son una evidencia cada vez más débil del aprendizaje.

El 25 de agosto de 2026, la presidenta de MIT, Sally Kornbluth, presentó las conclusiones de un comité ad hoc que examinó la IA en la enseñanza, el aprendizaje y la formación en investigación. MIT creó el comité en enero y le asignó tres tareas iniciales.

El grupo debía evaluar cómo docentes y estudiantes utilizaban la IA. También debía identificar innovaciones en enseñanza y evaluación, y proponer un enfoque institucional para el uso de la IA.

Su análisis final fue más allá. Según MIT, los sistemas actuales pueden producir respuestas razonables para casi cualquier tarea escrita de grado. El trabajo afectado incluye ensayos, problemas matemáticos y científicos, demostraciones y tareas de programación.

Esta afirmación es más amplia que la idea de que ChatGPT redacta ensayos aceptables. Abarca los conjuntos de problemas, los proyectos de programación, los análisis de laboratorio y las explicaciones técnicas. Estos son los productos que las universidades han tratado durante mucho tiempo como evidencia de competencia disciplinaria.

La distinción entre «creíble» y «correcto» importa. MIT no anunció un experimento controlado que demostrara que un modelo dominaba todo su catálogo de grado. El informe se basó en la investigación del comité, aportaciones de la comunidad, encuestas y cambios observados en la enseñanza y el aprendizaje.

Un trabajo creíble aún puede contener errores ocultos. Una demostración generada puede omitir un supuesto necesario. El código puede superar pruebas habituales y fallar en condiciones inusuales. Un ensayo puede sonar coherente sin demostrar una lectura cuidadosa ni un juicio original.

Sin embargo, una tarea no necesita ser impecable para alterar la evaluación. Solo tiene que parecer lo suficientemente buena como para que un docente no pueda atribuir con confianza el razonamiento al estudiante.

Por eso la postura de MIT merece más atención de la que recibió su encuadre en google news. El comité no declara que las máquinas posean una formación universitaria completa. Sostiene que el producto terminado ha perdido gran parte de su valor como prueba del aprendizaje humano.

La presidenta de MIT, Kornbluth, calificó el momento como una «coyuntura decisiva para MIT» y para la educación superior. Su mensaje expuso tres respuestas generales.

En primer lugar, MIT debería crear procesos educativos conscientes de la IA. Estos reconsiderarían lo que los estudiantes necesitan aprender y cómo los docentes pueden verificar ese aprendizaje.

En segundo lugar, el Instituto debería fortalecer a las personas, la comunidad y las experiencias residenciales. Esta recomendación vincula directamente el problema de la IA con la razón por la que los estudiantes se reúnen en un campus físico.

En tercer lugar, MIT debería establecer procesos capaces de cambiar continuamente. Una política fija redactada en torno a una generación de modelos quedará obsoleta rápidamente a medida que surjan nuevas capacidades.

Estas recomendaciones transforman una disputa sobre política tecnológica en un desafío de diseño educativo. Si un docente asigna un problema conocido y califica únicamente su respuesta final, la IA se interpone ahora entre la tarea y la evidencia.

Por ello, el informe pide revisiones en gran parte del currículo de MIT. Apunta hacia exámenes orales, portafolios, demostraciones, trabajo por etapas y conversaciones sobre tareas realizadas fuera de clase.

Ninguno de estos formatos garantiza un aprendizaje auténtico. Sin embargo, en conjunto revelan más del proceso que produjo una respuesta. Un estudiante que entiende una demostración puede explicar por qué es necesario cada paso. Un estudiante que escribió un programa puede diagnosticar un fallo y defender una decisión de diseño.

Este cambio crea la tensión central del artículo. La IA generativa amplía lo que los estudiantes pueden producir, pero debilita la conexión entre lo que entregan y lo que comprenden.

Por qué las tareas universitarias con IA presionan al profesorado

La carga inmediata recae sobre los docentes porque ahora cada tarea necesita tanto un propósito de aprendizaje como una política sobre IA.

Las universidades suelen responder a la nueva tecnología mediante una norma central. MIT adopta un enfoque más descentralizado porque el uso aceptable de la IA varía según la disciplina, la asignatura y el objetivo de aprendizaje.

Una clase de programación podría exigir que los estudiantes escriban código fundamental sin ayuda. Una asignatura posterior podría esperar que supervisen código generado y lo prueben rigurosamente. Un seminario de escritura podría permitir la lluvia de ideas y prohibir la prosa generada.

La orientación de MIT para el otoño de 2026 no impone una única política de aula para todo el Instituto. En su lugar, pide a los docentes que indiquen claramente a los estudiantes cuándo la IA está prohibida, permitida u obligatoria.

Esa flexibilidad respeta las diferencias disciplinarias. También transfiere un importante trabajo de diseño a los miembros del profesorado, los departamentos, los asistentes docentes y los equipos de apoyo académico.

El docente debe decidir primero qué pretende medir la tarea. ¿Es memoria, fluidez procedimental, comprensión conceptual, juicio, capacidad de investigación o comunicación? La respuesta determina qué usos de la IA respaldan el objetivo y cuáles lo eluden.

Después viene la aplicación. Los detectores de IA siguen siendo poco fiables para acusaciones de alto riesgo, especialmente cuando analizan textos editados o trabajos de escritores multilingües. Las herramientas de vigilancia también pueden plantear problemas de privacidad y equidad sin demostrar quién realizó el razonamiento.

Prohibir la IA en trabajos para llevar a casa no elimina esos problemas. Una prohibición es difícil de verificar cuando los estudiantes tienen acceso a chatbots generales, agentes de programación, servicios de reescritura y herramientas integradas en el software cotidiano.

La alternativa es rediseñar la evaluación. Esto podría implicar exigir borradores, historiales de versiones, fuentes anotadas, reflexiones personales, demostraciones o breves defensas orales.

Cada añadido consume tiempo. Un profesor puede calificar un conjunto de problemas estándar de forma asincrónica. Una conversación significativa con cada estudiante exige horarios, espacios, personal y atención.

El problema de escala se vuelve evidente en una asignatura grande. Chris Schaffer, profesor de ingeniería biomédica de Cornell, introdujo defensas orales de 20 minutos después de los conjuntos de problemas escritos. Su clase tenía 70 estudiantes, por lo que los asistentes docentes ayudaron a realizar las sesiones.

Schaffer dijo a Associated Press que los estudiantes no podrían usar IA para evadir un examen oral. Sus docentes dejaron de calificar los conjuntos de problemas escritos y evaluaron las defensas en su lugar.

Este ejemplo ilustra tanto la promesa como el coste de la dirección marcada por MIT. Las preguntas orales pueden revelar si los estudiantes comprenden su trabajo. También reasignan una mano de obra docente escasa, de revisar productos a interactuar con personas.

El cambio puede funcionar bien cuando las instituciones lo respaldan. Sin personal adicional o cargas de trabajo rediseñadas, sin embargo, el profesorado podría simplemente añadir comprobaciones orales a la calificación ya existente.

Ese resultado haría más difícil un trabajo ya exigente. La investigación sobre las directrices institucionales de IA ha advertido que amplias expectativas de revisión de asignaturas pueden crear una pesada carga para el profesorado.

Por tanto, las universidades se enfrentan a una elección operativa. Pueden invertir en grupos más pequeños, asistentes capacitados, espacios de evaluación y apoyo para el diseño de cursos. O pueden emitir directrices ambiciosas que los docentes individuales tengan dificultades para aplicar de manera coherente.

MIT ha comenzado a desarrollar ese apoyo mediante un AI Community Hub para todo el Instituto. Sus actividades anunciadas incluyen asistencia para rediseñar cursos, plantillas de políticas, comunidades de práctica, formación en investigación y coordinación sobre el acceso a la informática.

El centro de enseñanza de IA indica que MIT entiende que la política por sí sola no cambiará las aulas. El profesorado necesita ejemplos probados, tiempo y permiso institucional para sustituir las tareas conocidas.

Los estudiantes también necesitan claridad. Un mosaico de normas no escritas puede dificultar el uso responsable porque la misma actividad puede fomentarse en una clase y tratarse como conducta indebida en otra.

Las políticas claras ayudan a distinguir la ampliación de la sustitución. La ampliación utiliza la IA para desafiar, organizar, poner a prueba o extender el pensamiento de un estudiante. La sustitución pide al sistema que realice el trabajo intelectual que la tarea estaba diseñada para desarrollar.

El límite no siempre es evidente. Un estudiante que pide comentarios sobre un argumento puede profundizar más en él. Un estudiante que solicita un argumento terminado y edita su redacción puede aprender muy poco.

Esta ambigüedad significa que los docentes no pueden resolver el problema con una lista de herramientas prohibidas. Deben definir la actividad humana que los estudiantes siguen siendo responsables de realizar.

El verdadero conflicto es la evaluación frente a la comprensión

La IA ha expuesto una debilidad anterior a los chatbots: las universidades suelen calificar el producto porque observar el proceso de aprendizaje es costoso.

Los cursos tradicionales se basan en indicadores indirectos. Un ensayo representa lectura e interpretación. Una demostración representa razonamiento matemático. Un programa representa descomposición, implementación y pruebas.

Esos indicadores funcionaban porque producir el artefacto normalmente exigía gran parte del pensamiento previsto. La externalización era posible, pero implicaba encontrar a otra persona, comprar el trabajo o copiar de una fuente detectable.

La IA generativa cambia la economía de la sustitución. Un estudiante puede solicitar una respuesta adaptada de inmediato, revisarla mediante conversación y generar versiones alternativas sin contactar a otra persona.

El resultado también puede individualizarse. Esto hace que la comparación habitual de plagio sea menos útil, porque dos estudiantes pueden hacer preguntas similares y recibir textos o código diferentes.

La respuesta central de MIT no consiste en restaurar la antigua escasez de respuestas. Consiste en hacer el aprendizaje más visible mediante la interacción, la iteración y la aplicación.

Las defensas orales son una opción. Un docente puede preguntar por qué un estudiante eligió un método, qué falló durante el desarrollo o cómo cambiaría el resultado bajo un nuevo supuesto.

Los portafolios ofrecen otra vía. Un portafolio muestra el trabajo a lo largo del tiempo, incluidos borradores, comentarios, revisiones y reflexiones. Hace que la trayectoria sea más importante que una entrega pulida.

Los proyectos prácticos pueden conectar el conocimiento con sistemas físicos o condiciones reales. Los estudiantes pueden necesitar configurar equipos, recopilar observaciones, colaborar con compañeros o responder cuando la realidad difiere de un modelo.

La escritura y los exámenes presenciales aún pueden desempeñar un papel. Crean un entorno controlado en el que el desempeño independiente del estudiante se vuelve más visible.

Sin embargo, un regreso completo a las evaluaciones sin acceso a materiales sacrificaría formas útiles de aprendizaje. El trabajo profesional implica con frecuencia herramientas, referencias, colaboración y revisión. Los graduados también deben saber usar la IA sin aceptar ciegamente sus resultados.

Por ello, el enfoque de MIT se parece más a un acuerdo que a una prohibición. Los estudiantes obtienen acceso legítimo a la IA en algunas tareas, mientras que los cursos exigen pruebas más sólidas de comprensión en otros ámbitos.

Ese acuerdo podría generar mejores tareas. Un estudiante podría usar un modelo para producir explicaciones contrapuestas, identificar después sus errores y defender una interpretación preferida. Un programador podría auditar código generado, diseñar pruebas adversariales y documentar cada fallo.

Estas tareas evalúan el criterio, no la mera producción. También se parecen a los lugares de trabajo donde los empleados revisan, dirigen e integran cada vez más material generado por máquinas.

El peligro es que “consciente de la IA” se convierta en una etiqueta para añadir un chatbot a un curso sin cambios. Si el objetivo de aprendizaje y la evaluación siguen siendo idénticos, el acceso a herramientas puede acelerar la finalización sin profundizar la comprensión.

También existe el riesgo de confundir el desempeño bajo interrogación con el aprendizaje en sí mismo. Algunos estudiantes se comunican con seguridad en entornos en vivo, mientras que otros necesitan más tiempo o formatos accesibles. Los exámenes orales deben tener en cuenta la discapacidad, el contexto lingüístico, la ansiedad y distintos estilos de comunicación.

Un sistema de evaluación variado puede reducir ese problema. Los portafolios, demostraciones, reflexiones escritas, entrevistas y trabajo supervisado pueden aportar múltiples formas de evidencia.

El mejor diseño dependerá del campo. Un estudiante de química debe demostrar prácticas seguras de laboratorio. Un historiador debe evaluar fuentes y defender interpretaciones. Un científico informático debe razonar sobre el comportamiento de los sistemas más allá de producir código que compile.

El requisito común es la trazabilidad. Los docentes necesitan evidencia suficiente para conectar el trabajo entregado con las decisiones del estudiante.

Los estudiantes pueden reforzar esa conexión conservando apuntes, rastros de fuentes, borradores, prompts, experimentos y correcciones. Un sistema personal de conocimiento puede ayudar a organizar este proceso, aunque la documentación no puede sustituir la comprensión directa.

Este enfoque también cambia el significado de la integridad académica. La cuestión central pasa a ser menos si una herramienta intervino en el trabajo y más si los estudiantes presentaron trabajo de una máquina como si fuera su propio pensamiento.

Ese estándar es más difícil de reducir a una regla binaria. También se acerca más al verdadero propósito educativo de una tarea.

El titular de Google News sugiere que la IA derrotó los deberes universitarios. El argumento más profundo de MIT es que la educación superior dependía demasiado de los deberes como evidencia desde el principio.

Lo que la advertencia de MIT no demuestra

El informe plantea un problema urgente de evaluación, pero no demuestra que la IA haya dominado todas las materias universitarias.

Las versiones más contundentes de la historia mezclan varias afirmaciones distintas. Producir una respuesta creíble no es lo mismo que llegar a una respuesta correcta. Aprobar una tarea no es lo mismo que comprender una asignatura.

Un sistema de IA puede generar una explicación convincente mientras inventa una cita. Puede resolver un problema estándar, pero fallar cuando cambia el planteamiento. Puede producir código que funciona con entradas comunes mientras oculta defectos de seguridad o fiabilidad.

Los modelos también se benefician de patrones de tareas conocidos. Las universidades reutilizan ejercicios de libros de texto, consignas convencionales de redacción y materiales públicos de cursos. Los datos de entrenamiento y el acceso a la web pueden proporcionar a un modelo una amplia exposición a soluciones relacionadas.

Eso hace que algunos deberes sean más fáciles de automatizar que la disciplina subyacente. Reconocer y reproducir un patrón de demostración conocido es distinto de elegir un enfoque durante una investigación desconocida.

Por tanto, la afirmación del comité de MIT debe interpretarse como una advertencia sobre resultados creíbles, no como una referencia universal de la competencia de las máquinas.

Esa limitación no debilita la preocupación educativa. Por lo general, los docentes no pueden realizar una investigación forense de cada frase o línea de código. Una respuesta plausible puede socavar la evaluación incluso cuando los expertos acabarían detectando sus fallos.

El informe tampoco demuestra que todos los estudiantes estén delegando tareas completas. El uso de la IA abarca una amplia gama de conductas, desde revisar la gramática hasta generar una entrega completa.

Las encuestas nacionales e institucionales encuentran regularmente una alta adopción, pero los porcentajes declarados dependen de las definiciones, las poblaciones y la redacción de las preguntas. El uso de una herramienta por sí solo dice poco sobre si el aprendizaje aumentó o disminuyó.

Una encuesta de Coursera de 2026 incluyó a más de 4.200 estudiantes y docentes de cinco países. Informó de un uso generalizado de la IA, mientras que solo el 26 por ciento de los docentes encuestados afirmó que su institución contaba con una política formal sobre IA.

Estos resultados aportan contexto sectorial, pero proceden de una empresa de aprendizaje en línea con intereses comerciales en la educación habilitada por IA. No deben considerarse una medición neutral de todos los campus.

Un proyecto independiente de EDUCAUSE encuestó a 438 docentes y miembros del personal sobre evaluación. Su existencia demuestra que el rediseño de los cursos es ahora una preocupación de todo el sector, no una reacción aislada de MIT.

La evidencia independiente más sólida procede de cambios observables en el aula. Las universidades están experimentando con evaluaciones orales, redacción supervisada, presentaciones y proyectos por etapas porque los docentes ya no confían únicamente en los trabajos finales.

El giro hacia los exámenes orales incluye enfoques contrastantes. Cornell utiliza interrogación humana después de los conjuntos de problemas. New York University ha probado un agente de voz con IA que pregunta a los estudiantes sobre proyectos grupales.

El experimento de NYU refleja la paradoja a la que se enfrenta la educación superior. Un sistema de IA ayuda a verificar si un estudiante dependió demasiado de otro.

Los estudiantes comunicaron experiencias diversas con ese agente. Algunos encontraron la conversación incómoda o confusa. Esas reacciones muestran por qué la escalabilidad técnica no puede ser la única medida de una buena evaluación.

La interacción humana es fundamental en las recomendaciones de MIT porque la educación implica mentoría, sentido de pertenencia, desafío intelectual y desarrollo de la identidad. Automatizar el examen oral podría mantener la verificación mientras debilita esas relaciones.

La misma preocupación se aplica a la tutoría con IA. Las explicaciones inmediatas y la práctica personalizada pueden apoyar a los estudiantes que dudan en pedir ayuda. También pueden reducir el contacto con docentes y compañeros si las instituciones tratan el software como sustituto del trabajo docente.

Por tanto, el principal adversario de MIT no es la IA en sí. Es un modelo educativo que trata el trabajo terminado como una medida fiable de la comprensión mientras minimiza las costosas interacciones humanas que revelan el aprendizaje.

Ese marco deja espacio para un uso productivo de la IA. Un estudiante puede pedir explicaciones alternativas, preguntas de práctica, comentarios o contraargumentos. El valor depende de si la herramienta genera más pensamiento o lo elimina.

La incertidumbre es considerable. Los investigadores aún necesitan evidencia longitudinal que demuestre cómo distintos patrones de uso de la IA afectan la retención, el razonamiento, la creatividad y el rendimiento posterior.

Las universidades también deben vigilar el acceso desigual. Los estudiantes con herramientas de pago, mejores modelos o habilidades avanzadas para formular prompts pueden recibir una ayuda más sólida que sus compañeros que usan sistemas limitados.

Las reglas claras no eliminarán esa diferencia. Las instituciones quizá deban proporcionar herramientas aprobadas y explicar sus limitaciones si la IA se convierte en infraestructura obligatoria para los cursos.

La privacidad plantea otro asunto no resuelto. Los prompts de los estudiantes pueden contener información personal, investigación no publicada, material protegido por derechos de autor o datos institucionales sensibles. Las políticas de los cursos deben abordar adónde va esa información.

Estos límites justifican una implementación cuidadosa, no la demora. El informe de MIT describe explícitamente el trabajo como ineludible porque las capacidades de la IA y las prácticas de los estudiantes seguirán cambiando mientras las universidades deliberan.

Qué observar cuando termine el ciclo de Google News

La advertencia de MIT solo tendrá consecuencias si las políticas, los presupuestos y los diseños de los cursos cambian después de que el titular pierda vigencia.

La primera señal es si los departamentos publican reglas claras y específicas para cada curso durante el trimestre de otoño de 2026. MIT ha fomentado una orientación explícita, pero no ha impuesto una política uniforme.

Las reglas eficaces deben explicar por qué la IA está permitida o restringida, no limitarse a nombrar herramientas aprobadas. Deben vincular cada límite con un objetivo de aprendizaje y describir cómo los estudiantes deben revelar la asistencia recibida.

La coherencia también importa. Los estudiantes pueden gestionar reglas diferentes entre cursos cuando esas reglas son visibles y tienen un propósito. Las expectativas ocultas crean confusión y debilitan la aplicación de las normas.

Si la mayoría de los cursos adopta políticas claras, la estrategia descentralizada de MIT ganará credibilidad. Si la orientación sigue siendo desigual, el informe habrá identificado un problema sin resolver sus consecuencias cotidianas.

La segunda señal es la escala del rediseño de las evaluaciones. Las universidades deberían seguir cuántos cursos sustituyen o complementan los trabajos realizados en casa con defensas orales, portafolios, demostraciones, trabajo supervisado o entregas por etapas.

La métrica relevante no es el número de talleres sobre IA ofrecidos. Es el número de cursos que cambian qué se considera evidencia.

El Community Hub de MIT ha anunciado apoyo inicial para equipos docentes que revisen tareas y objetivos de aprendizaje. La magnitud, duración y adopción de ese apoyo mostrarán si el rediseño es una inversión central o un proyecto piloto limitado.

Otras universidades ofrecen una comparación temprana. Cornell ha incorporado formación en evaluación oral al apoyo para el profesorado. La University of Pennsylvania ha informado de un mayor uso de evaluaciones orales y presenciales.

Estos experimentos revelarán restricciones prácticas. Los grandes cursos introductorios, el profesorado a tiempo parcial, los requisitos de accesibilidad y el espacio limitado en las aulas pueden dificultar una evaluación intensiva en trabajo humano.

Si las instituciones financian capacidad docente adicional, el modelo centrado en las personas de MIT se volverá más realista. Si dependen del personal existente, el rediseño puede seguir concentrado en cursos pequeños o con buenos recursos.

La tercera señal es la evidencia sobre los resultados de aprendizaje. Las universidades necesitan comparar la retención, la transferencia, el razonamiento y la confianza de los estudiantes entre diferentes patrones de uso de la IA.

Un curso puede volverse más difícil de copiar sin volverse más educativo. Más vigilancia, más exámenes y más ansiedad no producirían automáticamente una comprensión más profunda.

Los investigadores deberían distinguir entre la IA como tutor, la IA como crítico, la IA como asistente de producción y la IA como sustituto. Agrupar esas conductas en una única categoría de “uso de IA” oculta el mecanismo relevante.

Los resultados longitudinales podrían reforzar el juicio de MIT si las evaluaciones ricas en procesos mejoran la capacidad de los estudiantes para explicar y aplicar conocimientos. Podrían debilitarlo si los cursos rediseñados añaden trabajo sin mejorar el aprendizaje.

El futuro de la educación presencial puede depender de esos hallazgos. Si la entrega de contenidos y la retroalimentación rutinaria se abaratan, las universidades deberán justificar el valor de los campus mediante las relaciones, los laboratorios, la colaboración, la mentoría y la vida intelectual compartida.

El lenguaje de MIT apunta directamente hacia esa defensa. Su liderazgo quiere una educación impartida por humanos y para humanos, utilizando la IA cuando mejore la capacidad humana.

Es una postura más exigente que la prohibición o la adopción sin restricciones. Exige que los docentes hagan explícito el propósito de cada tarea. Exige que los estudiantes sigan siendo responsables de su criterio incluso cuando las máquinas ayuden a producir el resultado.

También exige que los líderes universitarios financien el contacto humano en lugar de tratar la IA como un atajo hacia clases más grandes y menores costes docentes.

La historia original de Google News acertó al destacar la amplitud de las tareas universitarias afectadas por la IA. Sin embargo, la afirmación sobre las tareas es solo el hecho inicial.

La historia de fondo es que las universidades ya no pueden equiparar una entrega creíble con una persona formada. Deben observar el razonamiento, crear oportunidades para la lucha intelectual y enseñar a los estudiantes cuándo delegar se convierte en una forma de borrarse a sí mismos.

Los estudiantes y trabajadores del conocimiento ya pueden aplicar la misma prueba. Cuando la IA produzca una respuesta, preserva las fuentes, los supuestos, los borradores y las correcciones que hacen que el razonamiento sea tuyo. Después, pregúntate si puedes defender el resultado sin la herramienta.

Ese hábito importa más allá de la universidad. Los empleadores también necesitarán pruebas de que los trabajadores comprenden los resultados generados con asistencia de máquinas, especialmente cuando las decisiones afectan a clientes, la seguridad, el dinero o la confianza pública. Cuando pase el ciclo de noticias de Google, ¿rediseñarán las instituciones el aprendizaje en torno a esa responsabilidad o seguirán calificando productos en los que ya no confían?