En una de mis charlas sobre uso de IA generativa para personal investigador salió el tema de cuanta Agua/energía consume el uso de IA generativa. Se comentó que alguien había leído que eran como varios litros de agua por cada imagen generada. A mí eso me pareció desorbitado, pero no tenía ninguna cifra o información que aportar. Se me ocurrían varias formas de estimarlo, aunque fuese de manera muy aproximada. Algunas de ellas eran por el método de “reducción al absurdo”, en otras llegué a barajar la posibilidad de montarme un modelo en local y medir el consumo…
The marginal energy used by a standard prompt from a modern LLM in 2025 is relatively established at this point, from both independent tests and official announcements. It is roughly 0.0003 kWh, the same energy use as 8-10 seconds of streaming Netflix or the equivalent of a Google search in 2008 (interestingly, image creation seems to use a similar amount of energy as a text prompt)1. How much water these models use per prompt is less clear but ranges from a few drops to a fifth of a shot glass (.25mL to 5mL+), depending on the definitions of water use (here is the low water argument and the high water argument).
[…]
It does not take into account the energy needed to train AI models, which is a one-time process that is very energy intensive. We do not know how much energy is used to create a modern model, but it was estimated that training GPT-4 took a little above 500,000 kWh, about 18 hours of a Boeing 737 in flight.
Pensar sin muletas: la importancia del conocimiento ‘inútil’ en un mundo automatizado
He estado escuchando este podcast que os resumo más abajo y la idea que me ha venido a la cabeza (no me preguntéis por qué, son cosas de asociaciones de ideas que van a su bola) es;
Aunque en la vida profesional casi todo el mundo usa calculadoras (u hojas de cálculo), considero muy conveniente aprender “calculo mental” en el colegio y ser solvente con operaciones básicas. No es solo que “amueble” el cerebro. Creo que es esencial para tener algo a lo que siempre me he referido como “idea de la dimensión” y para otras muchas cosas más que son útiles en la vida.
Del mismo modo, no me cabe la menor duda de que en la vida profesional todo el mundo usará IA generativa. Pero considero muy conveniente aprender conocimientos y a hacer cosas que la IA generativa haga incluso mejor que los humanos… no para competir por resultados o eficiencia, simplemente para poder pensar.
Teachlab Presents: The Homework Machine, Episode 1: Buckle Up, Here it Comes”
Ideas Principales
1. Llegada Disruptiva de la IA Generativa
ChatGPT llegó a los espacios educativos en noviembre de 2022 sin invitación institucional. A diferencia de otras tecnologías educativas que las escuelas adoptan planificadamente, la IA generativa “se coló” directamente en manos de los estudiantes a través de sus dispositivos personales.
2. Los centros educativos y los-as docentes han respondido de manera muy heterogénea
3. Impacto en la Dinámica del Aula
Uso de IA para tareas de manera generalizada, creando:
Presión sobre estudiantes honestos-as que se sienten en desventaja
Aceleración artificial del ritmo de clase
Retroalimentación incorrecta para los docentes sobre el aprendizaje real
4. Brecha Entre Promesas y Realidad
Existe una gran diferencia entre las declaraciones optimistas de los desarrolladores de IA y la experiencia caótica que viven realmente educadores y estudiantes.
Utilidad para Profesores Universitarios
Desarrollar políticas claras sobre uso de IA antes de que surjan problemas
Crear espacios de discusión con colegas sobre mejores prácticas
Reconsiderar métodos de evaluación tradicionales que pueden ser fácilmente completados por IA
Incorporar evaluaciones presenciales, orales o procesos reflexivos que demuestren comprensión real
Establecer expectativas claras sobre uso de IA desde el primer día
Enseñar uso adecuado efectivo de IA como herramienta de apoyo, no reemplazo
Adaptar metodologías para aprovechar la IA como recurso educativo
Mantener diálogo con estudiantes sobre desafíos académicos que llevan a usar IA
Explicar por qué ciertos procesos de aprendizaje no deben ser IAgenerativizados
Crear ambiente donde estudiantes se sientan cómodos admitiendo dificultades sin recurrir a IA
Experimentar personalmente con herramientas de IA para entender sus capacidades y limitaciones
Colaborar con colegas para compartir estrategias efectivas
Mantenerse actualizado sobre evolución tecnológica y sus implicaciones educativas
He estado leyendo el artículo de Hestenes et al. (1992) con el objetivo de sacar ideas para el proyecto #PIME_25-26_544 [Investigación acción para el diseño de los materiales, protocolo y análisis de viabilidad de una intervención compleja para analizar el impacto en la mejora del pensamiento crítico y el uso del marco de referencia del triple diamante en la toma de decisiones en grupo]
Hestenes, D., Wells, M., & Swackhamer, G. (1992). Force concept inventory. Physics Teacher, 30(3), 141–158. https://doi.org/10.1119/1.2343497
Al acabar de leerlo, me ha picado la curiosidad de comprobar si mis conocimientos de física newtoniana son robustos o estaban plagados de “concepciones alternativas”. He aprovechado que como anexo está el “force concept inventory” (29 preguntas test para diagnosticar las “missconceptions” sobre física newtoniana).
He obtenido 21 respuestas correctas (un 72%), que teniendo en cuenta que son conceptos básicos de Física, podría parecer un poco escaso. No está tan mal al ompararlo con los resultados que muestran los autores para 1500 estudiantes EEUU (de último curso de bachillerato o de primer curso de universidad -incluyendo a Harvard University-). Al empezar el curso el porcentaje de aciertos está entre el 20% y el 25% en estudiantes “normales” de bachillerato; entre el 25% y el 41% los grupos de “altas capacidades”; y de 34% a 52% en universidad. Al acabar el curso suele estar entre 42% y 78% en bachillerato y 63% a 77% en universidad. De modo que mis conocimientos, tras más de 37 años sin haber recibido ninguna instrucción formal sobre física, están al nivel de cuando acabas física de primero de universidad EEUU.
Pero como el force concept inventory también te indica cuales son las “missconceptions” en función de las respuestas que das, se me ha ocurrido jugar con Claude4-sonnet-reasoning. Con este esté sencillo promtpt que aparece en la imagen me ha dado para estar unos 40 minutos respondiendo a las preguntas que me hacía la plataforma.
Dentro de unos meses (cuando ya haya olvidado que respondí hoy) repetiré la prueba a ver si he consolidado el conocimiento.
Mi modelo de aprendizaje fluctúa entre EPLEDRE (denostado por Ahrens (2020) y muchos promotores de 2ndbrain) y zettlekasten/2ndbrain. En ambos casos, todas las etapas del proceso se pueden hacer íntegramente con IAgen, incluso se pueden hacer muy bien (quizás sin diferencias en resultado respecto a un humano o superando a un humano -por supuesto son imbatibles en tiempo, lo que a un humano le puede costar meses o años, lo tienes en minutos con IAgen-. Pero no aprendo lo mismo consumiendo que creando. Cuando trabajo manualmente, cada fragmento de información debe ser leído varias veces. Una cuando los subrayo, otra cuando lo posiciono en el diagrama de afinidad, otra cuando lo codifico y otra cuando lo tengo agrupado por códigos para escritura productiva. Estos 3-4 impactos (como mínimo) hacen que recuerde las cosa (o al menos aumente la probabilidad de que las recuerde), también me dan 4 oportunidades para conectar esa información con ideas, preguntas o intereses. Si tengo métodos abreviados que me automatizan alguno de estos 4 pasos, ahorro tiempo, pero seguramente perderé aprendizaje (o aprenderé de otra forma que no se si será igual de profunda o más superficial).
Se me ha ocurrido (no se si con acierto o no), que cuando uso IAgen, estoy haciendo un aprendizaje que podría parecerse a la observación, mientras que si lo hago manualmente es “learning by doing”. Esto me da la oportunidad de intuir que puede pasar en mi aprendizaje aprovechando el conocimiento científico que ya existe sobre estos dos tipos de aprendizaje.
El aprendizaje basado en la práctica (learning by doing) y el aprendizaje por observación (observational learning) se han demostrado efectivos para mejorar el aprendizaje. Pero es posible que no se manifiesten los mismos resultados de aprendizaje, o no con la misma intensidad, con uno y otro. Mientras que “aprender haciendo” permite un aprendizaje experiencial profundo y un desarrollo de habilidades prácticas, “aprender observando” puede centrarse más en la cognición y la asimilación de información a través de la reflexión y el pensamiento crítico. Estos métodos activan diferentes sistemas cognitivos. Cuando simplemente observamos a alguien hacer algo, nuestro cerebro activa principalmente las neuronas espejo (ubicadas en áreas frontales y parietales) y las zonas visuales, que nos permiten entender lo que vemos pero sin comprometer completamente nuestros sistemas de control. Sin embargo, cuando ejecutamos esas mismas acciones, la cosa es diferente. Para movimientos físicos se activan intensamente la corteza motora (que controla nuestros músculos), el cerebelo (que coordina los movimientos) y los ganglios basales (que automatizan secuencias), además de áreas sensoriales que procesan el tacto y la posición de nuestro cuerpo. Cuando intentamos una accion mental como resolver problemas, la ejecución activa dispara mucho más intensamente la corteza prefrontal (nuestra “zona ejecutiva” que planifica y toma decisiones), áreas de memoria de trabajo en regiones parietales, y el cíngulo anterior (que monitoriza errores y conflictos) que se podría asociar al procesamiento metacognitivo. Además, durante la observación, la activación cerebral tiende a ser más bilateral y distribuida. Es decir, genera un procesamiento mas general. , mientras que la ejecución fuerza al cerebro a comprometer recursos especializados de cada hemisferio, creando representaciones más específicas y lateralizadas que son más eficientes pero también más especializadas para tipos particulares de tareas.
Un ejemplo, en deporte puedes aprender o interiorizar tácticas o esquemas de juego a partir de visionado de vídeos. Sus ventajas son indudables (hace viable ejercicios que no podrían hacerse en directo por falta de recursos o por condiciones meteorológicas u otras variables de contexto; no agota físicamente, de modo que puedes repetir sesiones sin sobrecargar musculatura; da un punto de vista que es difícil de lograr en el campo; permite parar, pausar, comentar y repetir mucho más flexible que en el campo…). Sin embargo, el impacto en tu forma física es nulo cuando ves un partido y la mejoras cuando juegas uno. De modo que no se aprende lo mismo consumiendo que haciendo.
Esta es mi conclusión, contraría a la de las personas que han escrito este artículo. Para mí, 0.4 puntos de diferencia en una escala de 1 a 7 sobre algo complicado de medir y con mucha subjetividad, me parece que es más bien lo contrario, un nivel de acuerdo excepcional. Tsirkas, K., Chytiri, A. P., & Bouranta, N. (2020). The gap in soft skills perceptions: A dyadic analysis. Education and Training, 62(4), 357–377. https://doi.org/10.1108/ET-03-2019-0060
Luego hay un “temita” que normalmente me desespera un poco y es el de los gráficos falsos (si, vale no son falsos, pero están trucados). Este radar chart es un ejemplo clarísimo. El truco es que no pones el principio y el final de los ejes del gráfico en el nivel mínimo y máximo de la escala respectivamente (que sería un 1 y un 7). Sino que el centro lo pones en un valor arbitrario, por ejemplo, el 4, y el tope de la escala lo pones en 6,5 (otro valor arbitrario). De modo que cada “curva de nivel” ya no representa un punto sino, quizás, 0,2 puntos y entonces las diferencias visuales quedan magnificadas. Por supuesto, si no pones los números el impacto es mayor. Aunque los pongas, el truco sigue funcionando porque el espacio visual impacta más que el hacer una resta entre 5.76 y 5.29 (por ejemplo, para trabajo en equipo). Si queréis engañar o confundir a la audiencia es la mejor forma de hacerlo, pocas personas se darán cuenta del truco y el impacto es ¡Wohw, vaya diferencia más brutal!
Uno de los objetivos de agosto es ir avanzando en mi modelo de “second brain”. Estaba reflexionando sobre el proceos que sigo para extraer la información y he tenido que hacer un alto para aclarar términos.
La literatura (ver referencias) suele identificar diferente cantidad de etapas en el proceso de análisis de contenido, y darle nombres distintos a etapas que tienen muchas cosas en común. Por eso he dedicado toda la mañana integrando la información en una tabla, donde lo relevante es la definición basada en tareas. Que haya estado más o menos acertado en capturar los significados o agrupar los sinónimos creo que es mucho menos relevante.
Term used*
Definition (qué se hace)
Chunk (free coding; open coding; free text; annotation; quotation)
Extraer fragmentos de información; seleccionar la “quotation/annotation” sin añadir ningún “code” es el equivalente a resaltar o subrayar un fragmento de texto (“chunk” en el lenguaje de IAgen). Representan la voz de la persona informante sin interpretación del investigador-a
Open Coding (1st-order concept, initial coding)
Etiquetar los chunks con un código “in-vivo” que identifique el sentido dado sin pervertirlo. Tries to adhere faithfully to informant terms, making little attempt to distill categories. Se hace un parafraseo o resumen del texto libre para que sea manejable y sintetice la esencia del chunk (una frase como mucho)
Focused coding (axial coding, 2nd order themes)
Selección y refinamiento de los códigos para que representen los temas principales de los chunks, sus similitudes y diferencias. Interpretación conceptual de los open coding y decidir como agruparlos bajo temas más abstractos. Emergen nuevos conceptos que ayuden a describir, entender los chunks, o a rellenar gaps entre chunks
Crear una jerarquía o relación entre los focused codes, añadiendo categorías, y creando una integración conceptual a través de las relaciones entre temas y/o conceptos que explica el cómo, el por qué o las causas (que viene siendo una representación gráfica de la teoria)
* incluyo entre paréntesis sinónimos utilizados por diferentes tradiciones
References:
Charmaz, K. (2006). Constructing grounded theory. A practical guide through qualitative analysis. SAGE.
Friese, S. (2017). Translating the Process of Open / Initial Coding In Grounded Theory. http://atlasti.com/2017/07/01/gt/
Glaser, B. G. (2002). Constructivist Grounded Theory? Forum: Qualitative Social Research, 3(3), 1–10.
Goulding, C. (2002). Grounded theory: A practical guide for management, business and market researchers. SAGE.
Locke, K. (2001). Grounded Theory in Management Research. SAGE.
Payne, S. (2007). Grounded theory. In E. Lyons & A. Coyle (Eds.), Analysing Qualitative Data in Psychology (pp. 65–86). SAGE Publications, Ltd. https://doi.org/10.4135/9781446207536.d12
Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2013). Seeking Qualitative Rigor in Inductive Research:Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15–31. https://doi.org/10.1177/1094428112452151
Magnani, G., & Gioia, D. (2023). Using the Gioia Methodology in international business and entrepreneurship research. International Business Review, 32(2), 102097. https://doi.org/10.1016/j.ibusrev.2022.102097
Estas instrucciones han sido creadas en julio de 2025, es probable que en el futuro las pantallas u opciones que se muestren no coincidan con las actuales.
Ausubel, D. P. (2009). Adquisición y retención del conocimiento: Una perspectiva cognitiva. Paidós.
y convertirlo en aprendizaje significativo.
De momento este es el mapa provisional que he dibujado tras hacer una exploración rápida del libro, donde tengo más dudas que antes de haberlo explorado.
Ideas a modo de diario para ir integrando en el futuro:
20250720 me he leído la última parte del capítulo 6, dedicado a “la instrucción” me ha resultado muy denso y complicado (igual que el prólogo). Y a continuación me he leído el apartado 5.1 de Hector Ruiz (2023), también dedicado a la instrucción y me ha resultado mucho más entendible, interesante e infinitamente menos confuso (y creo que se han recogido muchas ideas de Ausuble, no sé cuántas se han quedado fuera). Voy a aguantar un capítulo más de Ausubel, pero si sigue pasándome lo mismo, igual empiezo por Ruiz y cuando acabe de procesarlo, decido si me animo de nuevo con Ausubel. Igual es que necesito el de Ruiz como “organizador previo” o andamiaje para poder facilitarme el aprendizaje profundo de Ausubel (que empiezo a dudar se me aporta algo -respecto a un libro posterior que integra las propuestas de Ausubel y otros muchos- o si es simplemente es innecesariamente farragoso)
Esta es una de esas preguntas que no tienen una única respuesta. Depende de qué sea para ti “aprender” y depende de cómo uses la IA generativa (si la usas de modo congruente con tu concepción de qué es aprendizaje). Por ello, lo importante no es la respuesta que demos, sino el proceso de reflexión que nos lleve a construir, destruir o reconstruir nuestras creencias educativas y a fijar nuestra posición sobre para qué queremos usar la IA generativa, en qué áreas y cómo. A la segunda parte le dedicaré una entrada futura.
Ahora me quiero centrar en saber qué es eso que llamamos aprendizaje de personas adultas en el contexto de la universidad: qué características tiene y cómo se aprende. A partir de ahí, preguntarme: si aprender es esto, ¿qué usos de la IA generativa me permiten aprender y cuáles lo entorpecen?
Dado que existen múltiples formas de entender qué significa aprender en la universidad, he decidido centrarme en tres marcos teóricos específicos. Voy a asumir que tres libros (de Biggs, Ausubel y Ruiz) tienen razón en sus planteamientos y explorar hacia dónde me llevan sus ideas.
He elegido estos tres autores porque los dos primeros son “clásicos” reconocidos en el campo educativo, mientras que el tercero aporta una perspectiva contemporánea. Es posible que entre estos enfoques no haya acuerdo completo, en cuyo caso desarrollaré líneas paralelas de razonamiento. También es posible que alguno (o todos) planteen ideas que posteriormente se demuestren incorrectas. Aun así, considero que este ejercicio es valioso porque me permitirá explorar las implicaciones prácticas de diferentes concepciones del aprendizaje. Si algún día descubro marcos teóricos más correctos, repetiré este proceso de reflexión y comprobaré si me lleva a las mismas conclusiones o a diferentes.
La tarea, que me llevará varios meses, consistirá en leer y analizar el modelo de aprendizaje que plantea cada autor, relacionándolo con el impacto de los posibles usos de la IA generativa en contextos universitarios.
¿Cómo conceptualizas tú el aprendizaje universitario? ¿Crees que la reflexión sobre nuestras creencias educativas debería preceder siempre a la adopción de nuevas tecnologías?
Referencias:
Ausubel, D. P. (2009). Adquisición y retención del conocimiento: Una perspectiva cognitiva. Paidós.
Biggs, J. B., & Tang, C. S. (2011). Teaching for quality learning at university: What the student does (4th edition). McGraw-Hill/Society for Research into Higher Education/Open University Press.
Ruiz Martín, H. (2023). ¿Cómo aprendemos?: Una aproximación científica al aprendizaje y la enseñanza (4a edición: mayo 2023). Graó.
Una reflexión crítica sobre el concepto de Simon Sinek y sus implicaciones en el mundo corporativo
El concepto del “juego infinito”, popularizado por Simon Sinek, ha ganado tracción en círculos de gestión empresarial. La idea es que hay dos tipos de juegos:
Juegos finitos: tienen reglas fijas, jugadores conocidos y un final claro con ganadores y perdedores.
Juegos infinitos: el objetivo no es ganar, sino seguir jugando, evolucionar y perpetuar el juego.
La premisa es: “En el juego infinito, el objetivo principal es seguir jugando”. Pero se me ocurre que esta frase admite, al menos, dos interpretaciones.
La visión positiva: sostenibilidad y crecimiento continuo
[esta es la visión de Simon Sinek] Cuando se aplica correctamente, la mentalidad del juego infinito puede revolucionar cómo gestionamos equipos:
Optimización continua vs. metas estáticas: en lugar de obsesionarse con KPIs trimestrales, se enfoca en la mejora sostenible de procesos
Adaptabilidad: los sistemas se diseñan para evolucionar, no solo para cumplir métricas específicas
Innovación como norma: se fomenta la experimentación constante en lugar de la rigidez procedimental
Desarrollo profesional continuo: su carrera como un viaje de crecimiento, no una carrera hacia un puesto final
Retención a largo plazo: se construye lealtad basada en propósito compartido, no solo en compensación
Cultura de aprendizaje: los “fracasos” se convierten en oportunidades de mejora organizacional
La trampa oculta: cuando “seguir jugando” justifica la mediocridad
Sin embargo, es posible que los conceptos bien intencionados pueden distorsionarse peligrosamente:
Señales de alarma
❌ Reuniones infinitas sin decisiones concretas
❌ Procesos "en revisión permanente" que nunca se optimizan
❌ Proyectos que se extienden indefinidamente sin entregables claros
❌ KPIs que cambian constantemente para evitar responsabilidades
❌ Planes de desarrollo sin métricas ni plazos específicos
❌ Feedback "continuo" que nunca genera acciones correctivas
❌ Cultura del presentismo disfrazada de "compromiso con el proceso"
Propuesa de aplicación práctica para organizaciones
✅ Implementación Efectiva:
Establecer ciclos de mejora con entregables concretos cada x días
Medir tanto el progreso incremental como los resultados finales
Mantener flexibilidad en métodos, pero claridad en objetivos
Crear rutas de desarrollo con hitos medibles pero flexibles
Fomentar el crecimiento continuo dentro de marcos de accountability (rendir cuentas)
Equilibrar estabilidad laboral con expectativas de performance
Cultura del trabajo
❌ Evitar:
Usar “proceso continuo” como excusa para no tomar decisiones difíciles
Confundir actividad constante con progreso real
Cultura del esfuerzo
Sacrificar eficiencia presente por una “visión a largo plazo” mal definida
Promover la retención a cualquier costo, incluso de talento no productivo
Crear programas de capacitación infinitos sin aplicación práctica
Preguntas de reflexión para tu organización
¿Nuestros “juegos infinitos” están generando valor real o solo actividad?
¿Estamos usando la filosofía del crecimiento continuo para evitar decisiones difíciles?
¿Nuestros equipos entienden la diferencia entre mejora constante y trabajo sin propósito?
¿Tenemos métricas que distinguen entre “seguir jugando” productivo vs. improductivo?
Conclusión:
El concepto del juego infinito no es inherentemente bueno o malo – su valor depende de cómo lo implementemos. Nuestra responsabilidad es:
Adoptar la mentalidad de crecimiento continuo sin sacrificar la “rendición de cuentas”
Fomentar la adaptabilidad manteniendo estándares de rendimiento claros
Crear sistemas sostenibles que generen valor añadido, no solo actividad aparente
El verdadero arte del liderazgo está en saber cuándo seguir jugando vale la pena… y cuándo es hora de cambiar las reglas del juego.
¿Cómo está aplicando tu organización el concepto del juego infinito? ¿Has identificado áreas donde esta filosofía podría estar justificando ineficiencias? La clave está en la implementación consciente y la evaluación constante de resultados reales.
