PISA 2025 ha vuelto a poner sobre la mesa la lectura, la atención, la perseverancia y el esfuerzo. El diagnóstico merece ser tomado en serio. La cuestión es qué hacemos con él: recuperar sin más una escuela anterior o preguntarnos qué elementos de aquella escuela producían realmente aprendizaje, qué otros nunca funcionaron suficientemente bien y qué posibilidades tenemos hoy para diseñar algo mejor.
**
Los resultados de PISA 2025 no son cómodos. En España, el rendimiento en lectura vuelve a descender respecto a 2022 y se sitúa entre los niveles más bajos registrados por nuestro país. Solo el 68 % de los estudiantes de quince años alcanza al menos el nivel 2 de competencia lectora y apenas un 2 % llega a los niveles superiores; además, desde 2015 la proporción de alumnos que no alcanza ese mínimo ha aumentado quince puntos porcentuales.
Era inevitable que reaparecieran inmediatamente algunas conversaciones conocidas: las pantallas, los móviles, la pérdida de atención, la inteligencia artificial, una escuela que quizá ha intentado eliminar demasiadas dificultades y unos alumnos cada vez menos dispuestos a sostener el esfuerzo cuando una tarea exige tiempo.
No creo que debamos responder a todo eso con condescendencia ni reducirlo a nostalgia. Hay razones suficientes para tomarnos en serio la conversación sobre lectura, memoria, conocimiento, perseverancia y capacidad para permanecer ante un problema cuando la solución no aparece inmediatamente. PISA detecta, de hecho, un aumento muy significativo de las respuestas rápidas e incorrectas en lectura entre 2018 y 2025 y un deterioro de distintos indicadores relacionados con esfuerzo y persistencia.
Lo que no tengo tan claro es que del diagnóstico se deduzca automáticamente la solución.
Si la respuesta a PISA es simplemente «que vuelvan a esforzarse», nos falta media pregunta.
La otra mitad es bastante más importante:
Esfuerzo, ¿para aprender qué?
Porque el problema no se resuelve haciendo que las tareas vuelvan a costar más. Se resuelve consiguiendo que el esfuerzo se concentre precisamente allí donde produce aprendizaje.
Y, para mí, eso obliga a tomar tres decisiones, en ese orden: definir mejor qué queremos que aprenda el alumno; diseñar actividades que obliguen realmente a realizar las operaciones cognitivas necesarias para conseguirlo; y mejorar nuestra capacidad para acompañar y observar lo que le ocurre a cada alumno durante ese proceso.
La IA puede tener un papel importante en la tercera. Pero si las dos primeras no están resueltas, probablemente solo nos ayudará a hacer más deprisa algo que ya estaba mal diseñado.
1. Antes de pedir esfuerzo, hay que saber para qué lo queremos
Durante mucho tiempo hemos diseñado muchas tareas empezando por el producto: un trabajo sobre el cambio climático, una presentación sobre la Revolución francesa, un writing sobre las redes sociales, treinta ejercicios de una determinada operación. Sabemos qué queremos recibir, pero no siempre formulamos con la misma precisión qué queremos que el alumno sea capaz de hacer cuando termine.
Una de las preguntas que atraviesa Evaluar lo que importa. Enseñanza y aprendizaje en tiempos de IA es precisamente esta:
¿Qué tiene que saber hacer este alumno al final que no sabía hacer antes?
No qué tiene que entregar. Qué tiene que saber hacer.
La diferencia parece pequeña, pero cambia lo que diseñamos después. «Conocer la fotosíntesis» describe un contenido demasiado amplio. «Explicar por qué una planta privada de luz deja de producir glucosa utilizando el proceso de fotosíntesis como argumento» describe una operación que el alumno debe ser capaz de realizar.
Cuando el propósito está bien formulado, podemos decidir qué necesita recuperar de la memoria, qué tendrá que relacionar, dónde deberá tomar una decisión, qué error tendrá que ser capaz de detectar o qué tendrá que demostrar finalmente por sí mismo.
Y entonces podemos hablar de esfuerzo con algo más de precisión.
2. No todo esfuerzo enseña
Uno de los riesgos del debate actual es colocar dificultad, esfuerzo y aprendizaje en la misma línea, como si aumentar una de esas variables hiciera crecer automáticamente las otras.
No funciona así.
Un alumno puede trabajar durante horas y aprender muy poco. Puede repetir mecánicamente un procedimiento que ya domina, permanecer bloqueado ante una tarea para la que aún no dispone de conocimientos suficientes o dedicar más energía al formato de una presentación que a comprender aquello sobre lo que está hablando.
Todo eso cuesta. Pero que cueste no lo convierte en aprendizaje.
Por eso me resulta útil hablar de fricción cognitiva. Hay una dificultad que obliga a recuperar algo de la memoria, relacionar conceptos, interpretar, comparar alternativas, tomar una decisión, equivocarse, comprobar y revisar. Esa dificultad tiene valor porque la actividad mental que exige forma parte del aprendizaje.
Y hay otra dificultad que simplemente consume atención, tiempo y energía sin producir demasiado a cambio.
El buen diseño pedagógico no debería aspirar ni a eliminar toda dificultad ni a recuperarla indiscriminadamente. Debería intentar retirar la fricción que no enseña y proteger la que obliga a pensar.
Ese matiz me parece especialmente importante después de PISA. Defender la lectura sostenida, la memoria, la práctica o la perseverancia no significa defender cualquier forma de esfuerzo, del mismo modo que cuestionar tareas mecánicas no significa querer una escuela en la que nada cueste.
La pregunta relevante no es cuánto ha trabajado el alumno.
Es qué estaba haciendo mentalmente mientras trabajaba.
Y la inteligencia artificial hace que esa pregunta sea todavía más urgente, porque puede eliminar casi cualquier fricción. Si no hemos decidido previamente cuál necesitábamos conservar, podemos eliminar también aquello que hacía posible el aprendizaje.
3. Diseñar bien tampoco resuelve un problema que siempre hemos tenido
Supongamos que ya hemos definido con precisión el aprendizaje y hemos diseñado una actividad que concentra el esfuerzo donde realmente importa.
Todavía queda una dificultad que la escuela tradicional nunca resolvió especialmente bien.
Los alumnos no se bloquean todos en el mismo momento, no cometen el mismo error ni necesitan la misma ayuda. Un profesor puede conocer muy bien a treinta estudiantes, observarlos, variar una explicación y proporcionar apoyos diferentes, pero no puede sentarse al lado de los treinta justamente cuando cada uno necesita una intervención distinta.
No es una carencia del profesor. Es un problema de escala.
Benjamin Bloom formuló en 1984 su conocido problema de los dos sigma a partir de estudios en los que la tutoría individual produjo resultados muy superiores a la enseñanza grupal convencional. El promedio observado bajo tutoría se situaba aproximadamente dos desviaciones estándar por encima del grupo de control. Bloom planteó precisamente el problema de cómo conseguir, en condiciones educativas viables y a escala, parte de esos beneficios sin disponer de un tutor individual para cada alumno. Conviene no convertir hoy el tamaño exacto de aquel efecto en una ley universal, pero la pregunta sigue siendo extraordinariamente vigente.
¿Cómo podemos acercarnos a una atención más personalizada sin necesitar treinta profesores dentro del aula?
Y aquí sí creo que la IA abre una posibilidad nueva.
No colocando al alumno delante de un chatbot generalista para que obtenga respuestas. Eso puede ser simplemente una forma muy eficaz de eliminar la fricción que necesitábamos conservar.
Lo interesante aparece cuando el profesor diseña previamente cómo debe producirse ese acompañamiento.
Un tutor socrático puede preguntar antes de responder, pedir que el alumno justifique una decisión, detectar dónde empieza un error y proporcionar ayudas graduadas según el bloqueo. Puede ofrecer una pista sin resolver el problema, confirmar que una línea de razonamiento va en buena dirección sin terminarla o devolver una pregunta cuando todavía existe margen para que el alumno avance por sí mismo.
Pero para que eso tenga valor pedagógico necesita algo anterior: conocer el propósito de aprendizaje, el contexto de esa clase, los materiales trabajados y los límites que el profesor ha establecido. Sin ese diseño previo, dejamos de hablar de una extensión del docente y volvemos a tener simplemente un chatbot con algunas restricciones.
Y hay una segunda posibilidad que me interesa incluso más.
Mientras acompaña al alumno, ese sistema puede hacer visible parte del proceso para el profesor.
No solo qué respuesta obtuvo, sino dónde se bloqueó, qué ayuda necesitó, qué concepto manejaba con autonomía, qué error repitió o en qué momento fue capaz de continuar solo. El docente deja entonces de recibir únicamente treinta productos finales y empieza a disponer de información sobre treinta procesos de aprendizaje.
Ese cambio me parece mucho más importante que tener un chatbot disponible las veinticuatro horas.
La IA puede ayudar al alumno, pero también puede ampliar la capacidad del profesor para saber qué les está ocurriendo a todos.
En PAU English AI Lab estoy intentando llevar precisamente esa lógica a un contexto real: no construir una máquina que haga writings, sino explorar hasta qué punto un tutor diseñado con criterios pedagógicos puede acompañar el proceso sin sustituirlo y devolver después información útil al docente. El interés no está en la plataforma concreta. Está en comprobar que este modelo de acompañamiento empieza a ser posible.
PISA no admite respuestas sencillas sobre la IA
Los propios resultados de PISA 2025 aconsejan prudencia. En España, el 54 % de los estudiantes declara utilizar chatbots de IA para ayudarle a aprender al menos una vez por semana, frente al 46 % de media de la OCDE.
Pero los patrones de rendimiento en ciencias cambian según para qué se utiliza la IA y bajo qué condiciones. Los no usuarios suelen rendir mejor que los usuarios cuando se analizan algunas tareas escolares concretas; sin embargo, quienes utilizan IA semanalmente con el propósito más general de «ayudarme a aprender» presentan resultados similares a los no usuarios una vez considerado el perfil socioeconómico. Y los estudiantes que utilizan IA con frecuencia y aprenden en el centro a evaluar críticamente la calidad de sus respuestas obtienen resultados ligeramente mejores que los usuarios infrecuentes y los no usuarios. La propia OCDE insiste en que estas relaciones son asociaciones y no permiten establecer causalidad.
Eso debería bastar para desconfiar de dos afirmaciones igualmente cómodas: que la IA está destruyendo el aprendizaje o que la IA va a resolver sus problemas.
La pregunta «¿usan IA?» empieza a quedarse demasiado pequeña.
Importa mucho más saber para qué la utilizan, qué parte del pensamiento sigue siendo responsabilidad del alumno y qué diseño pedagógico existe alrededor de ese uso.
Una IA que resume el texto que el alumno necesitaba leer puede eliminar precisamente la dificultad que queríamos conservar. La misma tecnología, diseñada para pedirle primero que identifique la tesis, contraste interpretaciones y justifique cuál considera más sólida, desempeña un papel completamente diferente.
La herramienta puede ser la misma.
Lo que cambia es el diseño.
Recuperar lo que hace aprender
PISA debería servirnos para volver a mirar algunas cosas sin complejos: la lectura sostenida, la atención, el conocimiento, la memoria, la práctica, la perseverancia, las expectativas altas y la aceptación de que comprender algo difícil requiere tiempo.
No porque pertenezcan a una escuela anterior, sino porque seguimos teniendo buenas razones para pensar que hacen aprender.
Pero reconocerlo no nos obliga a recuperar también aquello que nunca funcionó suficientemente bien: tareas mecánicas convertidas en virtud por las horas que consumían, dificultad sin propósito, productos que confundíamos con aprendizaje o un modelo de acompañamiento necesariamente limitado por la imposibilidad material de atender individualmente a treinta alumnos a la vez.
Por eso, ante los resultados de PISA, prefiero hacerme tres preguntas antes que elegir entre nostalgia y entusiasmo tecnológico:
¿Qué quiero que este alumno sepa hacer al terminar que no sabe hacer ahora?
¿Qué tendrá que hacer mentalmente para aprenderlo y qué dificultad necesito conservar?
¿Qué ayuda necesitará para avanzar sin que nadie piense por él y cómo puedo saber qué está ocurriendo durante el proceso?
La primera define el aprendizaje. La segunda obliga a diseñarlo. La tercera reconoce una limitación que siempre hemos tenido y abre un espacio en el que la tecnología puede aportar algo verdaderamente nuevo.
Quizá de eso debería tratar la conversación después de PISA.
No necesitamos recuperar la escuela de antes. Necesitamos recuperar lo que hacía aprender, mejorar lo que nunca resolvimos suficientemente bien y utilizar lo nuevo cuando realmente nos permita hacerlo mejor.
Fuentes y referencias
- OECD (2026). PISA 2025 Results (Volume I): Future-Ready Students. PISA, OECD Publishing, Paris. Informe principal de PISA 2025, publicado el 8 de septiembre de 2026. DOI: 10.1787/73451bc5-en. Consultar el informe completo PISA 2025
- OECD (2026). PISA 2025 Results (Volume I): Spain. Nota específica de España con resultados, tendencias y datos sobre utilización de IA por el alumnado. Consultar la nota PISA 2025 de España
- Bloom, B. S. (1984). “The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring”. Educational Researcher, 13(6), 4–16. DOI: 10.3102/0013189X013006004. Consultar el artículo original de Bloom
- OECD (2026). “PISA findings on artificial intelligence use, reading skills and learning”. Andreas Schleicher, 8 de septiembre de 2026. La OCDE destaca que las competencias lectoras y críticas resultan especialmente importantes en la era de la IA y que enseñar a evaluar las respuestas generadas puede formar parte de la solución. Consultar la reflexión de Andreas Schleicher
- Torres, J. (2026). Evaluar lo que importa. Enseñanza y aprendizaje en tiempos de IA. Consultar el libro en Amazon