La edad no es un bug: el etarismo y la discriminación por la edad

Imaginemos a dos profesores frente a una herramienta de inteligencia artificial. Uno tiene 28 años; el otro, 68. El primero comprende casi de inmediato la interfaz, escribe instrucciones con soltura y, en pocos minutos, obtiene varios resultados. El segundo tarda más. Lee con detenimiento las respuestas, revisa una referencia, compara dos argumentos y finalmente formula una pregunta que modifica por completo el ejercicio:

«¿Cómo sabemos que esto es verdad?».

Sería fácil convertir esta escena en una defensa sentimental de la experiencia frente a la velocidad. También sería un error. Hay profesores jóvenes con una extraordinaria capacidad crítica y académicos mayores cuya trayectoria no necesariamente se traduce en sabiduría. Lo interesante de esta situación imaginaria es otra cosa: revela nuestra tendencia a confundir la habilidad para operar una tecnología con la inteligencia necesaria para utilizarla. Una pertenece al ámbito de la destreza instrumental; la otra exige conocimientos, capacidad de interpretación, juicio y responsabilidad. Ambas son importantes, pero no son intercambiables.

La llegada de la inteligencia artificial generativa ha vuelto especialmente visible esta confusión. Fascinados por la rapidez de las respuestas, podemos terminar atribuyendo mayor valor a quienes dominan las herramientas más recientes que a quienes poseen conocimientos capaces de evaluar sus resultados. En una institución educativa, semejante inversión de prioridades resulta paradójica. La universidad existe para producir, cuestionar y transmitir conocimiento, no simplemente para adaptarse a la última interfaz.

Detrás de este problema aparece una forma de discriminación tan normalizada que rara vez necesita presentarse como tal: el edadismo, es decir, el conjunto de estereotipos, prejuicios y prácticas discriminatorias asociados con la edad. La Organización Mundial de la Salud (OMS, 2021) advierte que sus efectos atraviesan las oportunidades laborales, la participación social y el bienestar de las personas. En el ámbito universitario, puede manifestarse de manera particularmente discreta: un profesor deja de recibir invitaciones para participar en proyectos innovadores, una académica experimentada no es considerada para dirigir una iniciativa digital o una institución presupone que capacitar a alguien mayor constituye una inversión menos rentable.

No hace falta que alguien diga «eres demasiado viejo». Basta con dejar de imaginarlo formando parte del futuro.

Cuando se duda de la experiencia.

Durante buena parte de la vida profesional, acumular experiencia representa una ventaja. Buscamos especialistas con trayectoria, médicos que hayan enfrentado casos difíciles, investigadores capaces de distinguir un hallazgo relevante de una moda pasajera y docentes que comprendan las complejidades del aprendizaje. Sin embargo, algo extraño comienza a ocurrir cuando esa experiencia alcanza cierta edad: lo que antes era una credencial de autoridad puede transformarse, casi imperceptiblemente, en una señal de posible obsolescencia.

La cultura tecnológica contribuye a esta contradicción porque ha convertido la novedad en un valor casi incuestionable. Los dispositivos se actualizan, las aplicaciones sustituyen sus versiones anteriores y los mercados anuncian permanentemente la llegada de una nueva generación. Nada de esto es necesariamente negativo. El problema aparece cuando trasladamos la lógica de los productos a la valoración de las personas, como si una trayectoria profesional pudiera dejar de ser pertinente del mismo modo en que un teléfono pierde compatibilidad con su sistema operativo.

Podríamos llamar a este fenómeno, metafóricamente, la curva social del consumo: una manera de observar cómo ciertas narrativas económicas y culturales asocian la juventud con la promesa, la madurez con la productividad y las edades posteriores con el retiro progresivo de la relevancia. No se trata de una ley económica demostrada ni de una descripción universal del mercado, sino de una hipótesis crítica sobre nuestras representaciones sociales. Resulta revelador, por ejemplo, que una persona de 35 años pueda ser presentada como talento emergente, mientras otra de 60, con décadas de contribuciones por delante, comience a ser descrita exclusivamente en términos de legado.

La investigación ofrece motivos para desconfiar de estas simplificaciones. Ng y Feldman (2012) examinaron 418 estudios que reunían información de más de 208,000 participantes y evaluaron seis estereotipos habituales sobre los trabajadores mayores. Cinco de ellos no encontraron respaldo consistente en la evidencia acumulada. El único estereotipo que mostró una relación relativamente estable fue una menor disposición o participación en ciertas actividades de capacitación y desarrollo profesional. Pero aquí es indispensable distinguir dos cosas que suelen confundirse: participar menos en cursos no demuestra tener menos capacidad para aprender.

Las personas toman decisiones sobre su formación a partir de oportunidades, expectativas laborales, incentivos y experiencias previas. Si una organización deja de ofrecer proyectos relevantes a los trabajadores mayores, o les comunica que sus posibilidades de desarrollo son limitadas, no debería sorprenderle que algunos reduzcan su inversión en capacitación. El prejuicio puede terminar contribuyendo a producir el comportamiento que después utiliza para justificarse.

La Organización para la Cooperación y el Desarrollo Económicos (OCDE, 2020) plantea una perspectiva distinta: las organizaciones pueden beneficiarse de equipos multigeneracionales en los que la experiencia acumulada y las competencias de trabajadores de diferentes edades se complementen. La exclusión de profesionales experimentados, por tanto, no constituye solamente un problema de justicia o dignidad; también puede representar una pérdida de conocimiento y capacidad organizacional.

En la universidad, esa pérdida resulta especialmente delicada. Un profesor con treinta años de trayectoria no posee únicamente información sobre su disciplina. También puede haber desarrollado criterios para interpretar situaciones complejas, reconocer errores recurrentes, identificar preguntas relevantes y comprender qué necesita un estudiante cuando todavía no sabe formularlo. Nada de ello garantiza que sea un buen docente; su desempeño debe evaluarse como el de cualquier otro académico. Pero tampoco resulta razonable considerar prescindibles esas capacidades simplemente porque su titular ha cumplido cierta edad.

La ciencia no respalda una fecha de caducidad intelectual

Una defensa seria de la docencia sénior no necesita negar los cambios asociados con el envejecimiento. Existen funciones cognitivas que, en promedio, pueden experimentar modificaciones con el paso de los años, particularmente algunas relacionadas con la velocidad de procesamiento y determinados mecanismos de memoria. Ignorar esa realidad sería tan poco riguroso como utilizarla para declarar que una persona mayor es incapaz de aprender.

La cuestión central es que la inteligencia humana no constituye una sola capacidad que asciende hasta determinada edad y después desciende uniformemente. Hartshorne y Germine (2015), al analizar datos de decenas de miles de participantes, encontraron que distintas habilidades cognitivas alcanzan sus mejores niveles en momentos diferentes de la vida. Algunas muestran ventajas más tempranas; otras se mantienen o alcanzan sus puntos más altos durante etapas posteriores de la adultez. Envejecer, desde esta perspectiva, implica transformaciones diversas, no una pérdida simultánea y homogénea de todas las facultades intelectuales.

A ello se suma la evidencia sobre el aprendizaje de nuevas actividades en edades avanzadas. Park y colaboradores (2014) estudiaron los efectos de la participación sostenida de adultos mayores en tareas novedosas y cognitivamente exigentes, como la fotografía digital. Encontraron mejoras en determinadas medidas de memoria, un resultado que apoya la importancia de mantener experiencias de aprendizaje complejas a lo largo de la vida. El estudio no demuestra, por sí mismo, que cualquier persona mayor pueda dominar cualquier tecnología con idéntica facilidad, pero sí cuestiona la idea de que el aprendizaje significativo pertenece exclusivamente a la juventud.

Las investigaciones sobre adopción tecnológica permiten precisar todavía más el problema. Czaja y colaboradores (2006) identificaron relaciones entre el uso de la tecnología y variables como la experiencia previa, las actitudes y la ansiedad ante las computadoras. Vaportzis, Giatsi Clausen y Gow (2017), por su parte, encontraron en un estudio cualitativo con adultos mayores sin experiencia previa con tabletas que existía disposición a aprender, aunque también preocupaciones relacionadas con el apoyo disponible y la claridad de las instrucciones.

Estos hallazgos proceden de contextos y tecnologías diferentes de la IA generativa actual; no sería correcto trasladar automáticamente sus resultados a todas las universidades. Sin embargo, sí permiten cuestionar un supuesto frecuente en los programas de transformación digital: creer que basta con ofrecer la misma capacitación a todos para garantizar igualdad de oportunidades.

Una institución verdaderamente innovadora tendría que reconocer que sus profesores llegan al aprendizaje tecnológico desde trayectorias distintas. Algunos dominan herramientas digitales desde hace décadas; otros apenas comienzan a explorar determinados entornos. Algunos necesitan comprender primero los principios de funcionamiento de la IA; otros requieren discutir sus límites epistemológicos o éticos. La respuesta no debería ser clasificar a las personas por generación, sino diseñar experiencias de formación pertinentes, graduales y vinculadas con su práctica académica.

Además, utilizar inteligencia artificial en la docencia no consiste solamente en saber escribir instrucciones para obtener respuestas. Supone comprobar información, detectar referencias inexistentes, proteger datos, identificar sesgos, decidir cuándo una actividad favorece el aprendizaje y cuándo simplemente sustituye el esfuerzo intelectual del estudiante. El marco de competencias de IA para docentes desarrollado por Miao y Cukurova (2024) para la UNESCO reconoce precisamente la importancia de articular conocimientos técnicos, criterios pedagógicos y valores orientados al ser humano.

La paradoja resulta evidente: algunas de las capacidades que se vuelven especialmente necesarias en un entorno saturado de respuestas automáticas —discernimiento, interpretación, conocimiento disciplinar y juicio pedagógico— pueden desarrollarse a lo largo de trayectorias profesionales extensas. Eso no convierte automáticamente a los profesores mayores en mejores usuarios de IA. Significa que su experiencia podría representar una ventaja valiosa si las instituciones les permiten combinarla con nuevas competencias.

La inteligencia artificial también puede aprender nuestros prejuicios

Hasta aquí, el problema parecería limitarse a decisiones humanas: quién recibe una oportunidad, quién accede a capacitación o quién es considerado suficientemente actualizado para dirigir un proyecto. Pero la inteligencia artificial introduce una dimensión adicional. Los prejuicios pueden incorporarse a procesos automatizados y adquirir la apariencia de resultados técnicos objetivos.

Supongamos que una universidad utiliza un sistema algorítmico para analizar candidaturas académicas. Sus responsables podrían no introducir jamás una instrucción explícita que favorezca a profesionales jóvenes. Sin embargo, si los datos utilizados reflejan décadas de contrataciones o promociones desiguales, el sistema podría reproducir patrones históricos. Variables como la fecha de titulación, determinadas trayectorias profesionales o las herramientas mencionadas en un currículum podrían funcionar como indicadores indirectos de edad. Que una decisión sea calculada por una máquina no significa que esté libre de las valoraciones humanas que alimentaron su diseño.

Este riesgo no debe confundirse con la afirmación de que todas las herramientas de selección académica discriminan por edad; semejante generalización carecería de fundamento. Lo que sí existe es evidencia de problemas de representación. Park y colaboradores (2021) examinaron 92 conjuntos de datos faciales utilizados en investigación sobre inteligencia artificial y encontraron una importante subrepresentación de adultos mayores. Su trabajo se refiere específicamente a ese tipo de bases de datos, no a sistemas universitarios de contratación, pero ilustra un principio relevante: una tecnología desarrollada a partir de información insuficientemente representativa puede funcionar de manera desigual para distintos grupos.

La OMS (2022) ha advertido sobre los riesgos del edadismo en sistemas de inteligencia artificial aplicados a la salud. Aunque ese documento se concentra en otro sector, su preocupación por la representación, el diseño y la supervisión resulta pertinente para reflexionar sobre cualquier uso institucional de tecnologías capaces de influir en oportunidades y decisiones relevantes.

El asunto adquiere particular importancia en México, donde la brecha digital entre edades continúa siendo significativa, aunque su evolución demuestra que no es inmutable. De acuerdo con la Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares correspondiente a 2025, el 78.8 % de las personas entre 55 y 64 años utilizaba internet, al igual que el 57.8 % de quienes tenían entre 65 y 74 años y el 30.3 % de las personas de 75 años o más. Una década antes, en 2015, las proporciones de esos mismos grupos eran de 25.0 %, 11.2 % y 3.0 %, respectivamente (INEGI, 2026).

Los datos merecen una lectura cuidadosa. No miden capacidades cognitivas, dominio de IA generativa ni competencias pedagógicas, y tampoco describen específicamente a los profesores universitarios. Lo que muestran es algo distinto y extraordinariamente importante: la participación tecnológica de los grupos de mayor edad puede transformarse de forma sustancial en periodos relativamente breves. Aquello que en una época parece una barrera generacional permanente puede cambiar cuando evolucionan las condiciones de acceso, utilidad y aprendizaje.

La pregunta institucional, entonces, debería modificarse. En lugar de preguntar por qué los docentes mayores no adoptan las tecnologías al ritmo de sus colegas jóvenes, convendría investigar qué condiciones favorecen o dificultan esa adopción y cómo pueden ofrecerse oportunidades de desarrollo a toda la comunidad académica.

Porque una universidad que utiliza la edad como explicación suficiente de una diferencia tecnológica corre el riesgo de dejar de investigar el problema precisamente cuando debería comprenderlo mejor.

La universidad del futuro no necesita una generación dominante

El debate sobre inteligencia artificial suele presentarse mediante oposiciones demasiado cómodas: tradición contra innovación, experiencia contra juventud, profesores contra máquinas. Todas simplifican un fenómeno mucho más interesante. La transformación tecnológica de la educación no requiere que una generación sustituya a otra, sino que capacidades diferentes puedan encontrarse, discutirse y fortalecerse mutuamente.

Pensemos en una profesora de 63 años que ha dedicado buena parte de su carrera a dirigir investigaciones y formar estudiantes. Conoce las dificultades de su disciplina, identifica argumentos débiles y distingue entre un trabajo bien documentado y otro que solamente parece convincente. Junto a ella trabaja un profesor de 29 años que domina herramientas de automatización, modelos generativos y entornos digitales de colaboración. El segundo puede ayudar a la primera a explorar posibilidades tecnológicas que quizá todavía desconoce. Ella puede mostrarle cómo formular problemas relevantes, reconocer limitaciones metodológicas y evitar que la fascinación por la herramienta sustituya la exigencia académica.

La relación adquiere valor cuando el aprendizaje circula en ambas direcciones. No se trata de un joven enseñándole computación a una persona mayor que supuestamente quedó rezagada, ni de un académico experimentado impartiendo lecciones de sabiduría a quien todavía no ha vivido lo suficiente. Se trata de reconocer que ninguna generación posee todas las respuestas y que las competencias no se distribuyen de manera uniforme según el año de nacimiento.

Las investigaciones y recomendaciones internacionales respaldan la importancia de construir entornos de colaboración entre edades. La OMS (2021) identifica el contacto intergeneracional como una estrategia relevante contra el edadismo, mientras que la OCDE (2020) destaca las oportunidades de complementariedad dentro de equipos multigeneracionales. Trasladadas a la educación superior, estas perspectivas sugieren una vía más productiva que la simple actualización instrumental: desarrollar comunidades académicas capaces de combinar distintas experiencias profesionales, habilidades digitales y formas de comprender la enseñanza.

Para ello, las universidades deberían revisar al menos cuatro aspectos de su transformación tecnológica. El primero es garantizar formación continua accesible, organizada alrededor de necesidades docentes concretas y no únicamente de catálogos de aplicaciones. El segundo consiste en establecer espacios de mentoría recíproca, donde académicos de distintas edades colaboren en proyectos reales. El tercero exige evaluar a los profesores mediante competencias, resultados y calidad pedagógica, evitando utilizar la edad como sustituto de una evaluación individual. El cuarto implica revisar los sistemas tecnológicos que intervienen en decisiones importantes, para identificar posibles efectos discriminatorios y asegurar supervisión humana.

Estas medidas no suponen mantener indefinidamente a cualquier profesor al margen de su desempeño ni negar su derecho a retirarse. La dignidad laboral también incluye la posibilidad de concluir una trayectoria profesional en condiciones justas. Lo que debe cuestionarse es que una institución decida, de manera explícita o implícita, que determinada edad reduce por sí misma el derecho a aprender, participar o desarrollar nuevos proyectos.

Las orientaciones de la UNESCO (2021) y de Miao y Holmes (2023) insisten en que el uso educativo de la inteligencia artificial debe responder a principios de inclusión, dignidad y centralidad humana. Esto significa que una universidad no demuestra su modernidad por el número de licencias de IA que adquiere o por la velocidad con la que incorpora plataformas, sino también por su capacidad para garantizar que las personas puedan apropiarse críticamente de esas herramientas.

En una institución comprometida con la formación integral, ese principio tiene una consecuencia especialmente importante: el profesor no es únicamente un usuario al que debe capacitarse para que el sistema funcione. Es un profesional cuya experiencia puede contribuir a decidir qué sistema merece utilizarse, con qué propósitos y bajo qué límites.

El verdadero problema de obsolescencia

Durante mucho tiempo, enseñar significó también administrar un recurso relativamente escaso: el acceso al conocimiento. El profesor había estudiado aquello que sus alumnos apenas comenzaban a conocer y organizaba los contenidos necesarios para introducirlos en una disciplina. Esa función no ha desaparecido, pero la inteligencia artificial está modificando radicalmente el entorno en que se desarrolla. Hoy es posible producir en segundos explicaciones, resúmenes, simulaciones y materiales que antes exigían horas de trabajo.

Si reducimos la tarea docente a la transmisión de información, es comprensible que una parte de ella parezca vulnerable a la automatización. Pero semejante conclusión revelaría, antes que nada, una definición insuficiente de la enseñanza. Educar no consiste solamente en entregar respuestas correctas; implica construir las condiciones para que otra persona aprenda a formular preguntas, reconocer evidencias, enfrentar contradicciones y asumir las consecuencias de sus decisiones.

Esa dimensión adquiere todavía más relevancia cuando una máquina puede elaborar argumentos persuasivos sin garantizar su veracidad. El estudiante no necesita únicamente saber utilizar la herramienta. Necesita comprender cuándo desconfiar de ella, cómo contrastar sus resultados y por qué una respuesta técnicamente convincente puede ser intelectualmente equivocada o éticamente inaceptable.

Un buen maestro hace precisamente eso: enseña a desconfiar de las certezas fáciles. Puede hacerlo a los 30 años o a los 70. La edad no garantiza esa virtud, como tampoco la cancela. Pero una trayectoria extensa de investigación, enseñanza y confrontación con problemas reales puede aportar recursos para ejercerla.

Aquí encontramos el verdadero giro de esta discusión. Tal vez llevamos años formulando la pregunta equivocada. Nos preocupamos por determinar si los profesores mayores podrán adaptarse a la inteligencia artificial, cuando también deberíamos preguntarnos si nuestras universidades serán capaces de adaptarse a una realidad en la que la experiencia humana necesita dialogar con sistemas cada vez más poderosos.

La primera pregunta coloca bajo sospecha al individuo. La segunda examina la inteligencia de la institución.

Y la diferencia importa. Una universidad que considera obsoleto a un docente por su edad puede estar confundiendo la innovación con la sustitución. Puede renovar equipos, contratar sistemas sofisticados y adoptar un vocabulario futurista, mientras pierde conocimientos, relaciones pedagógicas y capacidades de juicio que tardaron décadas en construirse. Ningún sistema informático debería quedar exento de actualización; tampoco ningún académico de las exigencias de su profesión. Pero actualizar conocimientos no equivale a desechar a las personas.

Quizá la pregunta decisiva ya no sea si un profesor de 60 o 70 años tiene lugar en la universidad del futuro, sino qué clase de futuro universitario estamos construyendo si no somos capaces de encontrar un lugar para su experiencia.

En tecnología, llamamos bug a un error del sistema. La edad no es uno de ellos. Envejecer forma parte de la condición humana, y seguir aprendiendo constituye una de sus posibilidades más extraordinarias.

El verdadero bug aparece cuando una institución diseñada para preservar, cuestionar y transmitir conocimiento empieza a tratar como un defecto a quienes han dedicado su vida a construirlo.

Y ese error, a diferencia de la edad, sí deberíamos corregirlo.

Referencias

Czaja, S. J., Charness, N., Fisk, A. D., Hertzog, C., Nair, S. N., Rogers, W. A., & Sharit, J. (2006). Factors predicting the use of technology: Findings from the Center for Research and Education on Aging and Technology Enhancement (CREATE). Psychology and Aging, 21(2), 333–352. https://doi.org/10.1037/0882-7974.21.2.333

Hartshorne, J. K., & Germine, L. T. (2015). When does cognitive functioning peak? The asynchronous rise and fall of different cognitive abilities across the life span. Psychological Science, 26(4), 433–443. https://doi.org/10.1177/0956797614567339

Instituto Nacional de Estadística y Geografía. (2026). Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares (ENDUTIH) 2025: Reporte de resultados 19/26. https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2026/endutih/ENDUTIH_25_RR.pdf

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391104

Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

Ng, T. W. H., & Feldman, D. C. (2012). Evaluating six common stereotypes about older workers with meta-analytical data. Personnel Psychology, 65(4), 821–858. https://doi.org/10.1111/peps.12003

Organisation for Economic Co-operation and Development. (2020). Promoting an age-inclusive workforce: Living, learning and earning longer. OECD Publishing. https://doi.org/10.1787/59752153-en

Organización Mundial de la Salud. (2021). Global report on ageism. World Health Organization. https://www.who.int/publications/i/item/9789240016866

Organización Mundial de la Salud. (2022). Ageism in artificial intelligence for health. World Health Organization. https://www.who.int/publications/i/item/9789240040793

Park, D. C., Lodi-Smith, J., Drew, L., Haber, S., Hebrank, A., Bischof, G. N., & Aamodt, W. (2014). The impact of sustained engagement on cognitive function in older adults: The Synapse Project. Psychological Science, 25(1), 103–112. https://doi.org/10.1177/0956797613499592

Park, J. S., Bernstein, M. S., Brewer, R. N., Kamar, E., & Morris, M. R. (2021). Understanding the representation and representativeness of age in AI data sets. En Proceedings of the 2021 AAAI/ACM Conference on AI, Ethics, and Society. Association for Computing Machinery. https://arxiv.org/abs/2103.09058

UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. https://www.unesco.org/es/legal-affairs/recommendation-ethics-artificial-intelligence

Vaportzis, E., Giatsi Clausen, M., & Gow, A. J. (2017). Older adults perceptions of technology and barriers to interacting with tablet computers: A focus group study. Frontiers in Psychology, 8, Article 1687. https://doi.org/10.3389/fpsyg.2017.01687