El dominio de un lenguaje de programación o de una herramienta de inteligencia artificial no garantiza que un profesional pueda resolver un problema tecnológico. Jorge Valenzuela, docente de Procesamiento del Lenguaje Natural y experto en IA de la Universidad Internacional de La Rioja (UNIR), considera que la formación universitaria debe prestar mayor atención a la comprensión de los problemas, la selección de soluciones y su aplicación en las organizaciones.
Para Valenzuela, Ecuador necesita más profesionales graduados en carreras STEM —ciencia, tecnología, ingeniería y matemáticas—, aunque advierte que aumentar el número de titulados no resolverá por sí solo las dificultades para encontrar determinados perfiles tecnológicos.
“Podemos tener más titulados y aun así seguir encontrándonos con dificultades para cubrir determinados perfiles si no revisamos también cómo estamos formando a esos profesionales”, señala.
Desde su experiencia en el sector tecnológico y la docencia, Valenzuela observa que, en ocasiones, se dedica mayor atención a enseñar herramientas o lenguajes de programación que a comprender cuándo utilizarlos y qué problemas permiten resolver.
Esta capacidad tiene aplicaciones en sectores como agricultura, industria, salud y servicios públicos, donde, según el especialista, es posible aprovechar la inteligencia artificial para atender necesidades concretas sin desarrollar grandes modelos tecnológicos.
Conocer una herramienta no significa comprender la tecnología
La inteligencia artificial generativa permite realizar tareas que antes requerían conocimientos especializados. Sin embargo, Valenzuela advierte sobre el riesgo de que los estudiantes aprendan a utilizar estas herramientas sin comprender cómo funcionan o cómo comprobar sus resultados.
“Saber usar herramientas como ChatGPT no equivale a comprender la inteligencia artificial. Son competencias muy distintas”, afirma.
En sus clases de procesamiento del lenguaje natural trabaja con técnicas para analizar textos, identificar entidades y clasificar información. Explica que actualmente estas actividades pueden realizarse mediante modelos de lenguaje, pero obtener una respuesta no demuestra que el usuario comprenda cómo se generó o si es correcta.
Por ello, defiende la enseñanza de programación, algoritmos, estructuras de datos, matemáticas, estadística, arquitectura de computadores y redes. Considera que esta base permite entender las tecnologías actuales y aprender otras que aparezcan posteriormente.
A estos conocimientos propone incorporar inteligencia artificial, ingeniería de datos, computación en la nube, automatización y ciberseguridad, disciplinas que suelen relacionarse dentro de las operaciones empresariales.
También señala la necesidad de enseñar a evaluar los sistemas tecnológicos. En el caso de la IA, los profesionales deben poder medir la calidad de las respuestas, identificar errores y sesgos, y analizar aspectos relacionados con seguridad, privacidad y costos.
La demanda de estas competencias también aparece en el informe Future of Jobs Report 2025, del Foro Económico Mundial, que identifica la inteligencia artificial y los datos, las redes y la ciberseguridad, y la alfabetización tecnológica entre las habilidades con mayor crecimiento previsto hacia 2030.
Acercar la formación a los problemas de las empresas
Valenzuela identifica otra dificultad en el desarrollo de proyectos tecnológicos: encontrar soluciones técnicamente correctas que terminan sin responder a las necesidades del usuario o a la manera de trabajar de una organización.
A su criterio, el enfoque STEAM, que incorpora las artes a la formación en ciencia, tecnología, ingeniería y matemáticas, puede contribuir a desarrollar estas capacidades si permite que los estudiantes trabajen con otras disciplinas desde el inicio de su formación.
Propone proyectos compartidos entre estudiantes de distintas especialidades, con requisitos que no estén completamente definidos desde el comienzo y restricciones de tiempo o presupuesto. Estas condiciones permitirían analizar alternativas, justificar decisiones y aprender a trabajar con profesionales de otras áreas.
También considera necesario revisar cómo se evalúan los proyectos académicos. Además del resultado final, propone valorar por qué se eligió una solución, qué alternativas fueron descartadas y cómo se abordaron los errores.
La colaboración entre universidades y empresas podría contribuir a este aprendizaje. Aunque existen convenios de prácticas, conferencias y proyectos de investigación, Valenzuela observa que muchas iniciativas siguen siendo puntuales.
Entre sus propuestas menciona la participación de empresas en trabajos de titulación, laboratorios de investigación aplicada y asignaturas donde los estudiantes puedan trabajar sobre problemas reales con acompañamiento de profesionales.
No obstante, advierte que la universidad debe conservar su capacidad de investigación y evitar que toda su oferta académica responda exclusivamente a los perfiles que las empresas necesitan contratar en el presente.
La IA y nuevas formas de evaluar el aprendizaje
La velocidad con la que aparecen nuevas tecnologías dificulta mantener actualizados los planes de estudio. Valenzuela considera poco viable modificar las mallas curriculares cada vez que surge una herramienta o una nueva aplicación de inteligencia artificial.
Su propuesta consiste en conservar los fundamentos técnicos e incorporar módulos de especialización, laboratorios actualizables y asignaturas desarrolladas con profesionales de la industria.
Sin embargo, identifica una dificultad más inmediata en la evaluación académica. Las herramientas de IA generativa permiten que un estudiante produzca código, textos o soluciones técnicas en pocos segundos, por lo que la entrega de un trabajo terminado ya no demuestra necesariamente cuánto ha aprendido.
En programación, por ejemplo, propone pedir al estudiante que explique por qué funciona un código, encuentre errores introducidos deliberadamente o modifique una solución y justifique los cambios.
“Estamos dedicando demasiado tiempo a discutir si los estudiantes deben utilizar estas herramientas y no el suficiente a decidir cómo debemos enseñar y evaluar ahora que ya forman parte de nuestra realidad”, sostiene.
Para Valenzuela, estas nuevas formas de evaluación permitirían comprobar la comprensión de los estudiantes y su capacidad para aplicar conocimientos, incluso cuando utilizan inteligencia artificial como herramienta de trabajo.
Desde su experiencia en la industria, señala que al incorporar profesionales también interesa conocer cómo abordan problemas desconocidos, trabajan con otros especialistas y reaccionan cuando los resultados no son los esperados.
Su planteamiento apunta a una formación que combine conocimientos técnicos, experiencia en problemas reales y capacidad de razonamiento, manteniendo el espacio de la universidad para la investigación y el desarrollo de conocimientos que puedan aplicarse en el futuro.
