La intel·ligència artificial ha millorat els treballs acadèmics. Però també està generant una paradoxa incòmoda: com més perfectes són els resultats, menys clar és qui ha pensat realment. I això té conseqüències directes en el talent que arriba a les empreses.
A Catalunya, la UOC —juntament amb la UB, la UAB, la UPF i la UdG— ha actualitzat el darrer any les seves guies internes sobre l'ús d'intel·ligència artificial en treballs acadèmics. Diverses d'aquestes institucions han incorporat declaracions d'autoria obligatòries, noves pautes d'avaluació, advertiments específics per a TFG i TFM i recomanacions per a docents sobre com integrar o detectar IA generativa. Estudis internacionals com els de Pew Research Center o Turnitin situen l'ús d'aquestes eines entre el 70% i el 85% a escala global, una tendència que les universitats catalanes confirmen en les seves anàlisis internes, tot i que sense publicar xifres oficials. No és un gest aïllat: és una adaptació en marxa que ja està reconfigurant la fiabilitat del senyal acadèmic que reben les empreses.
Corregir treballs de fi de màster sempre ha estat exigent. Avui comença a ser desconcertant. Els casos pràctics pugen de nivell, les notes també. Els treballs són més complets, més tècnics i més polits. A simple vista, semblaria que els universitaris estan més ben preparats que mai. Tanmateix, una pregunta pesa cada vegada més a la taula de la comunitat acadèmica: qui ha fet realment el treball?
En una mateixa aula conviuen tres realitats: qui ha treballat el cas, qui ha fet servir la intel·ligència artificial com a suport i qui ha delegat pràcticament tot el procés. Des de fora, tots semblen igual de brillants.
En una mateixa aula conviuen tres realitats: qui ha treballat el cas, qui ha usat la intel·ligència artificial com a suport i qui ha delegat pràcticament tot el procés
Durant anys, escriure bé era un senyal de comprensió. Avui ja no. Les eines d'IA generen textos impecables en segons. El Pew Research Center alertava el 2024 de l'augment de l'ús d'IA entre estudiants, i Nature ha assenyalat errors i referències inexistents en continguts generats. No parlem d'una moda: parlem d'un canvi estructural.
La qüestió ja no és si els estudiants utilitzen IA, sinó quin tipus d'aprenentatge estan construint amb ella.
Durant dècades, aprendre significava esforç, repetició i acumulació. Tenia sentit en un món on el coneixement era escàs. Avui és abundant, immediat i automatitzable. Ja no n'hi ha prou amb ordenar, estructurar o respondre correctament. Això ja ho fa la màquina. El valor es desplaça cap a una altra competència: pensar de manera diferent. No lineal, sinó lateral.
Avui el coneixement és abundant, immediat i automatitzable. Ja no n'hi ha prou amb ordenar, estructurar o respondre correctament
El canvi profund no és tecnològic, és funcional. La universitat no està per perseguir dreceres; està per desenvolupar pensament. Però l'expansió de la IA obliga a dedicar una part creixent del temps a verificar l'autenticitat de l'aprenentatge. Ja no s'avalua només contingut, estructura i argumentació. També cal comprovar si les fonts existeixen, detectar incoherències, identificar patrons automàtics i reconstruir el raonament de l'estudiant. La universitat passa d'impulsar coneixement a custodiar-lo. I en aquest trànsit perd capacitat per fomentar el que és essencial: el pensament propi.
La paradoxa és evident: els treballs milloren, però el senyal d'aprenentatge es debilita. I apareix un efecte col·lateral incòmode: qui no utilitza IA pot quedar en desavantatge. No perquè sàpiga menys, sinó perquè el seu resultat és menys perfecte. Estem premiant l'acabat sense saber si hi ha pensament al darrere.
Un exemple ho il·lustra. 101 - 102 = 1. Incorrecte. Ara bé, amb un sol moviment pot convertir-lo en un càlcul correcte. No es tracta de calcular millor, sinó de mirar el problema des d'un altre angle. La solució apareix més endavant.
Durant dècades, el sistema educatiu ha premiat el pensament lineal: ordenar, estructurar, respondre. Exactament, el que avui fa —i cada vegada millor— la intel·ligència artificial. Estem avaluant com a diferencial allò que la màquina ja domina. Mentrestant, el valor humà es desplaça cap al pensament lateral: qüestionar el problema, connectar idees no evidents, formular noves preguntes, moure's en l'ambigüitat. Un tipus de pensament més difícil d'avaluar i que, en molts casos, penalitza la nota.
La presentació oral no avalua el que s'ha escrit; avalua el que s'ha après
La diferència real apareix en la presentació oral del TFM. Aquí no hi ha estructura que maquilli ni redacció que sostingui. Tampoc IA que respongui en temps real. Només queda el pensament. I aleshores es veu qui entén, qui connecta, qui respon amb criteri i qui s'adapta a noves preguntes. També es veu el contrari: respostes vagues, dificultat per aprofundir, incapacitat per sortir del guió. No per manca d'intel·ligència, sinó per manca de procés. La presentació oral no avalua el que s'ha escrit; avalua el que s'ha après.
Mentre l'educació continua afinant el pensament lineal, el mercat ja ha girat. En ecosistemes d'innovació com el 22@ de Barcelona —on conviuen empreses tecnològiques, startups i consultores— aquesta tensió comença a ser una conversa recurrent: perfils amb expedients brillants que no sempre traslladen aquest rendiment al raonament en entrevistes o entorns no estructurats. Google, Apple, Tesla o IDEO busquen perfils capaços de pensar diferent, no només d'executar bé. Valoren la capacitat d'abordar problemes oberts, replantejar reptes i decidir en entorns incerts. En un món on la intel·ligència artificial genera respostes en segons, el que és escàs ja no és la resposta. És la pregunta.
En un món on la intel·ligència artificial genera respostes en segons, el que és escàs ja no és la resposta. És la pregunta
El World Economic Forum ho confirma: pensament crític, creativitat i capacitat analítica seran competències clau en els pròxims anys. Totes exigeixen sortir del pensament lineal.
La solució a l'exercici anterior és simple: elevar el 2. 101 - 10² = 1. És a dir, 101 - 100 = 1. Però el que és rellevant no és la solució, sinó el que desvela: no era un problema de càlcul, sinó d'enfocament.
El debat no és si els estudiants fan servir IA. Això ja és un fet. El repte és adaptar el sistema educatiu a les competències que realment demanda el mercat. Durant dècades, el valor va ser acumular coneixement. Avui és interpretar-lo, qüestionar-lo, connectar-lo i decidir. En pensar. I no de forma lineal, sinó lateral.
La universitat no està fallant. Està responent a un model que ja no existeix. El mercat, en canvi, ja ha canviat. Si no ajustem què avaluem i què entenem per aprendre, seguirem formant talent per al passat mentre el futur exigeix una altra cosa.
Si no ajustem què avaluem i què entenem per aprendre, continuarem formant talent per al passat mentre el futur exigeix una altra cosa
La intel·ligència artificial no està substituint el talent. Està redefinint què significa tenir-lo.