Richard Borcherds, profesor de matemáticas en UC Berkeley y medalla Fields, ha dejado de corregir los deberes de sus alumnos por el uso masivo de IA. Vio que muchos sacaban la nota máxima una y otra vez con ayuda de la IA y concluyó que no tiene sentido pagar a correctores para revisar si los ejercicios están bien. Lo ha contado en una entrevista con The Daily Californian, el periódico de estudiantes de la universidad.
La pieza se publicó el 23 de octubre y este fin de semana ha llegado a la portada de Hacker News, con 154 puntos y 237 comentarios. El debate no es sobre un profesor concreto: es sobre qué sentido tienen los deberes cuando cualquier alumno tiene una IA que los resuelve.
Puntos clave
- Quién: Richard Borcherds, catedrático de matemáticas en UC Berkeley y medalla Fields, el premio más alto de las matemáticas.
- Qué ha cambiado: ya no corrige si los deberes están bien. Pone nota solo por entregarlos, y él mismo admite que "no es un sistema muy bueno", pero hoy no tiene alternativa.
- Por qué: muchos alumnos usaban IA y sacaban la nota máxima de forma sistemática. Corregir el acierto había dejado de medir nada.
- La universidad: Berkeley ha probado detectores de IA como Turnitin y Rumi y ha concluido que no son lo bastante fiables para usarlos en todo el campus.
¿Por qué un profesor de Berkeley ha dejado de corregir deberes?
Porque la nota de los deberes ya no dice quién ha entendido la materia. Si medio grupo entrega los ejercicios perfectos gracias a una IA, la nota refleja quién tiene acceso a la herramienta, no quién sabe matemáticas.
Hasta ahora, en Berkeley como en muchas universidades de EEUU, los profesores pagan a correctores (los llamados *readers*) para revisar los deberes semanales. Borcherds dice que ese dinero ya no tiene sentido si lo que se corrige es, en buena parte, trabajo de una máquina. Su solución provisional es puntuar la entrega: si el alumno la hace, suma. Si no, no.
Él mismo reconoce que el arreglo es pobre. Pero el problema de fondo no lo ha creado él: el uso de IA en los deberes es, en sus palabras, inevitable.
El contexto: la IA ya hace matemáticas de nivel investigador
La entrevista llega en un momento muy concreto para las matemáticas. En septiembre OpenAI anunció que un sistema interno de agentes había resuelto el problema de existencia y suavidad de Navier-Stokes, uno de los siete problemas del milenio del Clay Mathematics Institute. Lo contamos en detalle en cómo lo hizo con 10.000 agentes en 88 horas. El resultado sigue sin verificación independiente y el Instituto Clay no lo da por resuelto.
Desde entonces OpenAI dice haber resuelto más de 100 problemas abiertos y ha creado un consejo de matemáticos para gestionar cómo se publican. Y una parte de la comunidad ha reaccionado en contra: 25 matemáticos de primer nivel, con Terence Tao a la cabeza, firmaron una carta abierta contra la forma en que los laboratorios anuncian estos resultados.
Borcherds no está en el bando de los que niegan el avance. Su frase más citada de la entrevista va en la dirección contraria: "Si la IA sigue mejorando al ritmo actual, en unos años no habrá nada que un matemático humano pueda hacer que la IA no haga mejor".
Qué les dice a sus alumnos
Aquí la entrevista se pone incómoda. Borcherds cuenta que ya no sabe si animar a los estudiantes a meterse en matemáticas. Hace cinco años, ser matemático parecía una de las profesiones más a salvo de la IA. Hoy no lo tiene claro.
"No tengo ni idea de qué aconsejar. Incluso le pregunté a ChatGPT esta misma pregunta, y ChatGPT dijo que tampoco tenía ni idea de lo que iba a pasar", explica.
Tampoco espera un cambio rápido en la universidad. Habla de mucha "inercia" en el sistema académico y no le sorprendería que el departamento de matemáticas siguiera igual un par de años, con IA o sin ella. Pone como ejemplo las revistas científicas en papel, que siguen imprimiéndose aunque llevan dos décadas siendo, según él, "completamente inútiles".
Y lo compara con otros cambios de época: los telares dejaron sin trabajo al tejido a mano y los coches a los caballos. "Es la primera vez que pasa algo así en matemáticas", dice.
Qué hace Berkeley con la IA en clase
La universidad no tiene una norma única. El Senado Académico pide a cada profesor que explique en el programa de su asignatura qué uso de IA permite, según contó al periódico Anne Marie Richard, vicerrectora adjunta de grado y responsable de tecnología académica. A partir de ahí, cada profesor decide, y las políticas cambian mucho según el curso y la materia.
Para ayudar, el campus mantiene un portal interno (el AI Hub) con herramientas, formación y una base de ejemplos de cláusulas sobre IA que los profesores pueden copiar en sus programas.
Lo que no hay es un detector oficial. Berkeley probó varios, entre ellos Turnitin y Rumi, y decidió que no son lo bastante fiables para estandarizarlos. Es la misma conclusión a la que han llegado muchas universidades: un detector que se equivoca acusa a alumnos que no han hecho trampa, y eso es peor que no tener detector.
Lo que pasa en Berkeley va a pasar en las empresas
Para quien no trabaja en una universidad, la lección es directa. Cuando una tarea la puede hacer una IA, el resultado de esa tarea deja de servir para saber si alguien domina el tema.
Le pasa al profesor con los deberes y le pasa a una empresa con muchas de sus pruebas. La prueba técnica que se manda a casa en un proceso de selección, el informe que un junior entrega para demostrar que sabe analizar unas ventas, el caso práctico de unas oposiciones. Si la IA lo resuelve igual de bien, el entregable ya no separa al que sabe del que no.
La salida que se está viendo en educación es mover la evaluación a donde la IA no llega: exámenes presenciales, defensa oral del trabajo, preguntar el porqué de cada paso. En una empresa equivale a dejar de evaluar el documento y evaluar la conversación sobre el documento. Qué harías distinto, por qué has elegido este dato y no otro, qué falla en este análisis.
Por qué importa
Para una empresa española que ya usa Claude, ChatGPT o Gemini, el caso de Borcherds es un aviso sobre cómo mide a su gente. Si los objetivos de un equipo se miden por volumen de entregables (informes, propuestas, presentaciones), la IA va a inflar esos números sin que cambie lo que el equipo sabe hacer.
Lo práctico es revisar qué se evalúa hoy en selección, en formación interna y en las revisiones de desempeño, y separar dos cosas: lo que la IA puede producir y el criterio para saber si lo producido está bien. Lo primero ya no distingue a nadie. Lo segundo es justo lo que un profesor de Berkeley con una medalla Fields no sabe cómo seguir midiendo en sus deberes, y por eso ha dejado de corregirlos.
Fuente original: dailycal.org
Relacionado
