¿Qué hace bueno un trabajo de un estudiante y qué parte de eso puede mejorar la inteligencia artificial? Un experimento aleatorizado con 1.053 estudiantes de primer curso en la Universidad Bocconi halló que GPT-4o ayudó a obtener notas significativamente mejores en un trabajo de empresa.
Pero el hallazgo más interesante del estudio no es la subida de nota. El experimento dejó al descubierto qué premia realmente el baremo de corrección, y ahí hay algo incómodo.
Esta guía desglosa el experimento, el hallazgo y lo que no se demostró.
1. Cómo se montó el experimento
En noviembre de 2025, 13 grupos de una asignatura introductoria de dirección de empresas se repartieron al azar en cuatro condiciones:
- Control: sin intervención
- Lección de razonamiento causal: una formación breve
- Acceso a GPT-4o
- Ambas cosas
La tarea: redactar recomendaciones de marketing para la tienda de productos de la universidad, en un máximo de 180 palabras. La lección trataba la lógica causal coherente, la falsabilidad y cómo una acción propuesta puede conducir al resultado deseado.
2. Por qué este experimento se distingue
La mayoría de las afirmaciones sobre el efecto de la IA en la educación son observacionales: "las notas subieron", "los trabajos cambiaron". La observación no muestra la causa: las notas pudieron subir por otro motivo.
Este estudio pertenece a otra categoría: es un experimento aleatorizado. Los grupos de una misma asignatura se repartieron por sorteo en cuatro condiciones, de modo que la diferencia entre ellos procede del diseño y no de que los estudiantes se eligieran a sí mismos. Es el único método que permite sostener una afirmación causal.
El segundo punto de rigor está en la corrección: la nota principal la pusieron correctores humanos que no sabían a qué grupo pertenecía cada texto. La evaluación ciega elimina el efecto de "lo he corregido distinto porque sabía que había IA".
El tercero es la escala: 1.053 estudiantes es una cifra grande para un experimento de aula de este tipo.
Esos tres elementos bastan para tomarse en serio el hallazgo. Pero el mismo rigor aclara también sus límites: como se ve en el apartado seis, ni siquiera un experimento bien diseñado demuestra más de lo que midió. Y lo que aquí se midió es la nota de este trabajo.
3. Qué hizo GPT-4o con las notas
Los estudiantes con GPT-4o obtuvieron casi un punto entero más en una escala de 1 a 5. Sus respuestas contenían de media unas dos ideas más, eran más coherentes lógicamente y se acercaban más a las recomendaciones de tres expertos en la materia.
Incluso tras controlar la calidad argumentativa, el número de ideas, su diversidad y las propiedades del texto, quedaba una ventaja medible de GPT-4o. Los autores la atribuyen a una mayor calidad de contenido, no a que el estudiante supiera más.
4. La lección no subió la nota pero cambió el pensamiento
La lección de razonamiento causal no elevó las puntuaciones tradicionales. De hecho, los trabajos de ese grupo puntuaron de media algo peor.
Pero esos mismos estudiantes:
- Explicaban con más frecuencia por qué debía funcionar la acción propuesta,
- Señalaban más a menudo en qué condiciones podría fallar,
- Generaban ideas más diversas, distintas de las de sus compañeros.
Combinar la lección con GPT-4o no añadió ninguna mejora extra a las notas tradicionales. En los indicadores de razonamiento causal ambas se complementaron, y la mayor diversidad de ideas del grupo con lección se mantuvo.
5. El hallazgo de fondo: qué castiga el baremo
Esta es la parte más importante del estudio. Al mirar qué rasgos se asociaban con la nota aparecen dos listas.
Subían la nota: más ideas, argumentos más coherentes, mayor diversidad de ideas dentro de una misma respuesta.
Bajaban la nota: mayor falsabilidad, explicaciones más detalladas de cómo funcionarían las acciones propuestas, mayor divergencia respecto a las ideas de los demás.
Dicho de otro modo: quien escribe "esta recomendación falla en estas condiciones" puntúa menos que quien no lo escribe. La originalidad no se penalizaba en todos los casos, pero en este trabajo la nota tradicional premiaba sobre todo respuestas bien estructuradas que se mantenían dentro del espacio de solución esperado.
La conclusión de los autores es clara: si la diversidad y la originalidad deben contar, hay que incorporarlas explícitamente a los criterios de corrección.
Y de ahí se sigue la frase clave: los sistemas actuales de calificación miden pulcritud, estructura y exhaustividad, pero no aprendizaje ni comprensión. Eso es lo que vuelve tan fácil usar la IA para copiar: el modelo ya hace muy bien todo lo que el baremo premia.
6. Lo que el estudio no demuestra
No conviene saltarse esta parte, porque acota seriamente el resultado.
No hubo examen posterior. Nunca se pidió a los estudiantes que demostraran qué habían entendido o retenido sin ChatGPT. Los autores reconocen expresamente que sigue sin estar claro si la ventaja vino del conocimiento realmente adquirido o solo reflejaba un mejor resultado con ayuda. El estudio muestra una mejor nota en este trabajo, no un mejor aprendizaje.
El alcance es estrecho. Una sola universidad, estudiantes de primer curso, una tarea de marketing acotada. La aleatorización se hizo entre 13 grupos de clase y no individualmente entre los 1.053 estudiantes.
Hay conflicto de intereses. La nota principal la pusieron correctores humanos que desconocían el grupo de cada texto, y eso es sólido. Pero medidas adicionales como el razonamiento causal y la diversidad de ideas se evaluaron con modelos de OpenAI y Anthropic. Y más importante: OpenAI proporciona la tecnología estudiada y participó en la investigación. Varios autores trabajan en OpenAI o trabajaban allí durante el estudio.
7. Qué queda cuando se retira la IA
Otros estudios responden a esa pregunta y el panorama es más sombrío. La investigación disponible sugiere con claridad que lo decisivo no es si el estudiante usa IA, sino si la herramienta apoya su propio pensamiento o lo sustituye. Cuando lo sustituye, el estudiante sale perdiendo.
- Un estudio sobre más de 500.000 notas universitarias estadounidenses: tras la aparición de ChatGPT, las notas altas subieron sobre todo en asignaturas de escritura y programación con mucha carga de trabajo en casa.
- Experimentos controlados: al retirar la IA, los participantes rindieron peor que un grupo de control. La caída fue más pronunciada entre quienes usaban GPT sobre todo para obtener respuestas directas.
- Un estudio de 30 meses con más de 26.000 estudiantes en China: los deberes salían mejor y más rápido con IA, pero las notas de examen bajaron. En pruebas de acceso posteriores, los resultados fueron entre un 18 y un 24 por ciento inferiores a largo plazo.
El detalle más instructivo de ese último estudio: los estudiantes que dedicaban a los deberes aproximadamente el mismo tiempo que quienes no usaban IA, pese a tener acceso, no mostraron caídas comparables. El daño no lo causa la herramienta, sino dedicar a otra cosa el tiempo que ahorra.
8. Qué puede hacer el docente
La consecuencia práctica no es prohibir, sino el baremo. La recomendación de los autores es directa: si la diversidad y la originalidad deben contar, hay que escribirlas en los criterios de corrección. Eso puede hacerse sin cambiar el trabajo en sí.
En concreto, tres criterios adicionales parecen útiles. Falsabilidad: puntuar la respuesta a "¿en qué condiciones falla tu recomendación?" premia justo donde la salida del modelo es más débil. Mecanismo: preguntar "¿cómo produce esta acción el resultado?" mide el vínculo entre las ideas y no su cantidad. Divergencia: si apartarse del resto de la clase se premia en lugar de penalizarse, una herramienta que converge hacia la media pierde ventaja.
Lo que comparten los tres: ninguno mide aquello en lo que el modelo es bueno y todos exigen el pensamiento propio del estudiante. Y los tres pueden añadirse a los trabajos existentes.
9. Para el estudiante
El hallazgo del estudio de 30 meses en China es aquí la guía más práctica: el daño no lo causa la herramienta, sino dedicar a otra cosa el tiempo que ahorra. Quienes siguieron dedicando las mismas horas no mostraron caídas.
La pregunta, por tanto, no es "¿debo usarla?" sino "¿qué hago con el tiempo que gano?". La diferencia entre pedirle un borrador y luego pensarlo, o entregar su salida tal cual, no se ve en la nota sino en el examen siguiente.
Qué vigilar
La misma discusión llega a todas partes: los modelos son los mismos y los trabajos son los mismos. Tres cosas la decidirán.
Primera, el propio baremo. El hallazgo más sólido del estudio no trata de la IA sino de la corrección: un sistema que mide pulcritud queda indefenso ante una herramienta buena produciendo pulcritud. Prohibir la herramienta sin cambiar la medida no resuelve el problema, lo esconde.
Segunda, el tipo de prueba. La pregunta para cada nueva afirmación: ¿se midió algo después de retirar la IA? Si no, ese estudio midió producto, no aprendizaje.
Tercera, quién mide. En un estudio donde la empresa que suministra la tecnología participó en la investigación, conviene fijarse en cómo se enmarca el resultado. De hecho OpenAI presenta estos hallazgos sobre todo como un problema de los sistemas de calificación, que es la lectura menos incómoda para su propio producto.