Por qué seguir entrenando el pensamiento matemático en la era de la IA
John Urschel, profesor y ex liniero de la NFL, combina su pasión por los rompecabezas con la reflexión sobre el papel de la IA en la matemática. Tras usar herramientas de IA en dos preprints, insiste en que la comprensión humana y la práctica siguen siendo claves para la educación.
Introducción
El avance de la inteligencia artificial ha cambiado la forma en que resolvemos problemas en muchas disciplinas, incluida la matemática. Pero, ¿significa eso que podemos dejar de formar a las nuevas generaciones en el arte de razonar y resolver problemas por sí mismas? John Urschel, profesor en el Departamento de Matemáticas del MIT y autor de dos preprints recientes en arXiv, ofrece una respuesta matizada: la IA potencia capacidades, pero no sustituye la necesidad de desarrollar músculos matemáticos —esa habilidad para pensar, enmendarse ante la dificultad y comprender profundamente las soluciones.
Quién es John Urschel y por qué importa su perspectiva
Urschel tiene una trayectoria poco convencional: antes de completar su doctorado en MIT (PhD ’21) fue liniero en la NFL con los Baltimore Ravens. Hoy combina su gusto por los rompecabezas y la enseñanza, centrando su labor en formar pensadores cuantitativos capaces de enfrentar problemas complejos. Recientemente publicó dos trabajos sobre problemas clásicos en análisis numérico y teoría de matrices —sobre el factor de crecimiento de matrices aleatorias y el peor comportamiento en eliminación gaussiana— en los que integró la intuición humana con herramientas de inteligencia artificial.
Esa experiencia le permitió apreciar las ventajas de la IA —velocidad, acceso a enormes recursos y capacidad para explorar con rapidez ideas— pero también reafirmó la importancia del entendimiento humano: no basta con obtener una prueba, hay que internalizar cómo y por qué funciona.
Cómo usó IA en sus investigaciones (sin reemplazar al humano)
Urschel describe el uso de IA en sus dos trabajos como una colaboración poderosa. La máquina acelera y sugiere caminos que los humanos tardaríamos mucho más en encontrar; en cierto sentido se comporta como un colaborador con acceso masivo a información y capacidad de cálculo. Sin embargo, la satisfacción profunda que él asocia al proceso creativo y a la resolución de problemas proviene del pensamiento humano independiente.
Lo que subraya es que la IA puede ejecutar ciertos tipos de matemáticas mucho más eficientemente que una persona, pero el valor real del resultado reside cuando el investigador humano entiende la combinación de ideas que la máquina propone y es capaz de comunicar ese entendimiento.
Comprensión vs. dependencia: la tensión educativa
Urschel advierte sobre un doble filo: las tecnologías actuales democratizan el acceso al conocimiento —algo especialmente valioso para personas de orígenes sin tradición académica— pero también pueden disminuir la motivación y la capacidad de pensar por cuenta propia si no se usan correctamente.
Por eso insiste en dos objetivos complementarios en la enseñanza:
- Fortalecer la capacidad de resolver problemas y el pensamiento cuantitativo básico; eso es lo que él llama “entrenar los músculos matemáticos”.
- Enseñar las grandes ideas y herramientas específicas de cada disciplina para que el alumno pueda aplicar ese conocimiento en contextos nuevos.
En suma, la IA debe servir como amplificador del aprendizaje, no como atajo que evite el proceso de comprensión.
El valor del esfuerzo y la conexión presencial
Urschel también defiende la educación residencial y presencial. Argumenta que la experiencia universitaria permite vivir la lucha necesaria para aprender, desarrollar resiliencia cognitiva y aprovechar la colaboración y la mentoría en persona. Estas dimensiones humanas —la interacción directa, el debate en vivo, el compartir frustraciones y descubrimientos— son difíciles de reproducir plenamente con herramientas digitales.
Para él, la combinación de la dificultad productiva (el esfuerzo real por resolver problemas) y la colaboración es central para formar pensadores robustos, capaces de usar la IA con criterio.
Implicaciones prácticas para universidades y responsables en América Latina
Aunque Urschel habla desde MIT, sus ideas tienen relevancia directa para las instituciones latinoamericanas. Algunas implicaciones prácticas:
- Diseñar currículos que integren IA como herramienta de apoyo, no como sustituto. Esto implica tareas evaluadas que requieran razonamiento paso a paso y explicaciones claras del proceso, no solo respuestas finales.
- Promover actividades que fomenten la resolución independiente de problemas (proyectos, seminarios, concursos de problemas) antes de introducir asistentes automatizados en etapas específicas del aprendizaje.
- Mantener espacios presenciales y de mentoría donde los estudiantes puedan experimentar la dificultad productiva y aprender de la interacción directa con docentes y compañeros.
- Formar a profesores para usar IA en su trabajo docente y de investigación sin perder de vista la importancia de la comprensión: saber cuándo y cómo dejar que el estudiante luche por la solución.
Estas recomendaciones no requieren recursos milagrosos; parten de cambios en diseño curricular, metodologías activas y capacitación docente.
Recomendaciones concretas para integrar IA en la enseñanza de la matemática
- Enseñar a los estudiantes a pedirle a una IA no solo una solución, sino una explicación paso a paso y, luego, a validar esa explicación por cuenta propia.
- Evaluar tanto el producto final como el proceso: valorar la argumentación, las pruebas intermedias y la capacidad de identificar errores en soluciones asistidas por IA.
- Fomentar proyectos colaborativos donde la IA actúe como coautor de ideas, pero donde la responsabilidad de la interpretación y comunicación recaiga en los estudiantes.
- Guardar espacios curriculares sin asistencia automatizada para que los estudiantes fortalezcan su independencia intelectual.
Conclusión
La experiencia de John Urschel con la IA en investigación matemática muestra un camino pragmático y humano: aprovechar la potencia de las máquinas para explorar y acelerar descubrimientos, pero preservar y cultivar la comprensión profunda y la capacidad de resolver problemas por cuenta propia. Para América Latina, donde la democratización del acceso a recursos digitales puede ser transformadora, la lección es clara: incorporar IA en la educación, pero mantener intactos los procesos que forjan pensamiento crítico, esfuerzo productivo y conexión humana. Solo así la región podrá formar profesionales capaces de usar la IA con criterio, creatividad y rigor.
Fuente original: MIT News AI