Resumen

En el Día del Maestro, la unam reflexiona sobre el impacto de la inteligencia artificial generativa (iagen) en la educación superior. Los datos son contundentes: más del 80% del profesorado y el 90% del estudiantado ya utilizan estas herramientas. Lejos de representar una amenaza, la ia invita a repensar cómo se enseña, cómo se evalúa y qué significa aprender. La resistencia docente no depende de la edad, sino de las condiciones institucionales: formación, acceso y guía clara. El verdadero reto es integrar la tecnología con criterio pedagógico —convertir respuestas rápidas en pensamiento reflexivo— sin perder el núcleo irreemplazable de la docencia: formar personas, no solo informarlas. El optimismo prudente que propone el texto apuesta por una universidad que use la inteligencia artificial con más inteligencia humana.
Palabras clave: inteligencia artificial, educación superior, IA generativa, innovación educativa, alfabetización.

Teaching in the Age of Artificial Intelligence: Prudence, Imagination, and Commitment

Abstract

On Teacher’s Day, the National Autonomous University of Mexico (unam) reflects on the impact of generative artificial intelligence (gai) on higher education. The data are compelling: more than 80% of faculty members and 90% of students already use these tools. Far from representing a threat, ai invites us to rethink how teaching, assessment, and learning itself are understood. Faculty resistance does not depend on age, but on institutional conditions such as training, access, and clear guidance. The real challenge lies in integrating technology through sound pedagogical judgment —transforming quick answers into reflective thinking— without losing the irreplaceable core of teaching: educating people, not merely informing them. The text advocates for a cautious optimism and for a university that uses artificial intelligence with greater human intelligence.
Keywords: artificial intelligence, higher education, generative AI, educational innovation, literacy.

---

Cada 15 de mayo, México hace una pausa para reconocer a quienes enseñan. En la Universidad Nacional Autónoma de México, esa pausa tiene un sentido especial. No celebramos sólo una profesión; reconocemos una forma de servicio público que se expresa todos los días en aulas, laboratorios, clínicas, talleres, bibliotecas, seminarios, plataformas digitales y espacios de tutoría. Ser docente de la universidad es dominar un campo de conocimiento, desde luego, pero también abrirle la puerta a otros para que puedan entrar en él, entenderlo, ponerlo en duda, usarlo con responsabilidad y, llegado el momento, transformarlo.

La docencia mira siempre hacia adelante. Quien enseña trabaja con lo que todavía no existe del todo: la comprensión que una estudiante alcanzará mañana, la pregunta que un alumno aún no logra formular, el criterio profesional que alguien ejercerá años después de haber escuchado una explicación, recibido una retroalimentación o vivido una conversación intensa. Enseñar es confiar en que las personas pueden crecer, revisar sus ideas, ampliar su mundo, equivocarse con dignidad y aprender de nuevo. Por eso el Día del Maestro no es una ceremonia de nostalgia. Es una fecha para agradecer, sí, pero también para preguntarnos cómo se enseña en una época que ya no se parece a la de hace apenas unos años.

Créditos: imagen generada mediante OpenAI DALL·E a partir de instrucciones conceptuales elaboradas por el autor.

La pregunta se ha vuelto más apremiante por la irrupción de la inteligencia artificial generativa (iagen). En muy poco tiempo, estas herramientas entraron a la vida académica de una manera que no suele ocurrir con las innovaciones educativas. No esperaron a que termináramos de discutir lineamientos, rediseñar programas o acordar definiciones. Aparecieron en los teléfonos, las computadoras, las tareas, los buscadores, las conversaciones de pasillo y las dudas de profesores y estudiantes. La comunidad universitaria comenzó a usarlas, probarlas, temerles, criticarlas e imaginar posibilidades con ellas casi al mismo tiempo.

Esa mezcla de curiosidad y cautela es comprensible. La inteligencia artificial puede ayudar a crear materiales, ofrecer ejemplos, explorar información, traducir, resumir, ensayar explicaciones, diseñar preguntas, generar casos, producir imágenes o apoyar la retroalimentación. También trae riesgos conocidos: sesgos, respuestas falsas, pérdida de privacidad, dependencia excesiva, uso indebido en tareas escolares, inequidad en el acceso, opacidad técnica y debilitamiento del pensamiento crítico si se usa sin orientación. No hay que escoger entre entusiasmo y preocupación: necesitamos ambas cosas. El entusiasmo sin juicio pedagógico suele terminar en adopciones superficiales; la cautela sin imaginación nos deja inmóviles justo cuando más necesitamos aprender.

Por eso conviene hablar de un optimismo prudente. No de una fe ingenua en la tecnología ni de una defensa automática de todo lo nuevo, sino de una disposición universitaria a mirar la evidencia, reconocer los riesgos, diseñar mejores prácticas y sostener un principio básico: la tecnología debe estar al servicio de la formación humana, no al revés.

Los datos recientes de la unam ofrecen razones para esa postura. En el estudio realizado a finales de 2024 y reportado en 2025 por la Coordinación de Evaluación, Innovación y Desarrollo Educativos (ceide), dependencia de la Secretaría General, participaron 2,069 docentes y 4,725 estudiantes de bachillerato, licenciatura y posgrado. El resultado general fue claro: la inteligencia artificial generativa ya estaba presente en la comunidad universitaria. Entre el profesorado, 83 % en bachillerato, 70 % en licenciatura y 73 % en posgrado reportó haber usado alguna herramienta de iagen. Entre el estudiantado, las cifras fueron todavía más altas: 87 % en bachillerato, 81 % en licenciatura y 88 % en posgrado. Ese hallazgo cambia el punto de partida. La pregunta ya no es si la inteligencia artificial llegará a las aulas universitarias; ya está aquí. La pregunta pertinente es cómo queremos que esté ahí, con qué propósitos, bajo qué criterios y con qué acompañamiento. También nos obliga a reconocer que muchas prácticas ya están ocurriendo antes de que existan acuerdos institucionales suficientemente claros.

El mismo estudio mostró que los primeros usos eran, en buena medida, exploratorios. El profesorado recurría a la iagen sobre todo para obtener información, buscar recursos bibliográficos y, en algunos casos, diseñar actividades de aprendizaje, materiales didácticos e instrumentos de evaluación. El estudiantado la empleaba principalmente para obtener explicaciones de contenidos, buscar información y generar ideas para iniciar tareas. La tecnología entró primero como apoyo para comprender, buscar, organizar y producir. Todavía no se observaba una integración robusta en el currículo ni en la evaluación, pero sí una familiaridad creciente que no puede ignorarse.

Un año después, la encuesta sobre inteligencia artificial en educación superior en América Latina, realizada a fines de 2025 y reportada en 2026 por el Digital Education Council (dec), con participación de la unam, amplió la mirada. A nivel regional reunió más de 30 mil respuestas: 22,941 estudiantes y 7,319 docentes de 29 instituciones de educación superior. La unam aportó 6,398 participantes: 5,509 estudiantes y 889 docentes. En la muestra universitaria, 91.5 % del estudiantado y 75 % del profesorado reportó haber utilizado ia en sus estudios o en su docencia. A nivel regional, 92 % del estudiantado y 79 % del profesorado dijo usarla. Además, los datos regionales mostraron un aumento respecto a estudios globales previos: el uso estudiantil pasó de 86 % en 2024 a 92 % en América Latina en 2026; en el profesorado, de 61 % en 2025 a 79 % en la región.

La tendencia coincide con los resultados de la Encuesta Nacional “Usos y percepciones sobre Inteligencia Artificial Generativa en la Educación Superior en México”, levantada por la Secretaría de Educación Pública en 2025 y presentada en 2026. Esa encuesta reportó que más de nueve de cada diez estudiantes y docentes conocen qué es la inteligencia artificial generativa, y que más de 60 % de la comunidad universitaria la utiliza de forma cotidiana. Con diferencias de contexto y metodología, los estudios apuntan en la misma dirección: la ia generativa dejó de ser una curiosidad marginal y se convirtió en parte del ecosistema académico.

Pero quizá lo más relevante no sea solo cuánto se usa, sino cómo se mira. En la unam, alrededor de siete de cada diez docentes expresan una opinión positiva o muy positiva sobre la ia en la educación. A nivel regional, el porcentaje llega a 72 %. Entre el estudiantado, dos terceras partes en América Latina tienen una opinión positiva o muy positiva; en la unam predomina también una valoración favorable, aunque con más cautela. El futuro imaginado por la comunidad confirma la tendencia: 96.3 % del profesorado de la unam prevé utilizar ia en sus prácticas docentes futuras, mientras que en la región el dato es 94 %. Entre estudiantes de América Latina, 73 % se ve utilizando ia en su trabajo futuro.

Estos datos no resuelven los dilemas, pero ayudan a situarlos. La comunidad no está ante una tecnología pasajera: estamos frente a una condición nueva de la vida académica y profesional. Y dentro de ese panorama hay un hallazgo especialmente valioso para el Día del Maestro: la experiencia docente no parece ser sinónimo de resistencia al cambio. En la encuesta regional del dec, el uso de ia por parte del profesorado no mostró variaciones importantes según los años de experiencia. Quienes tienen más de 20 años de docencia reportaron tasas de uso apenas 7 % inferiores a quienes tienen menos experiencia; en la muestra de la unam, la diferencia fue cercana a 6 %. Las actitudes hacia la ia también fueron bastante consistentes entre los distintos niveles de trayectoria. Este hallazgo importa porque desarma un estereotipo injusto. Con frecuencia se piensa que la innovación educativa depende de la edad, como si las generaciones más jóvenes fueran naturalmente abiertas y las de mayor antigüedad naturalmente reacias. La realidad, como suele ocurrir, es más interesante. Las barreras principales parecen estar menos en la edad y más en las condiciones de apoyo: formación pertinente, acceso a herramientas, tiempo para experimentar, ejemplos pedagógicos, claridad normativa, acompañamiento y espacios donde se pueda probar sin temor al error. Esa es una buena noticia, porque las condiciones institucionales sí pueden modificarse. Una universidad no puede cambiar la fecha de nacimiento de su planta académica, pero sí puede construir mejores entornos para que todas las generaciones docentes aprendan juntas.

Quien ha acompañado procesos de formación docente reconoce este punto casi de inmediato. El problema rara vez es una negativa abstracta a cambiar. Con más frecuencia aparece en preguntas muy concretas: ¿qué herramienta puedo usar sin comprometer datos?, ¿cómo lo explico en mi programa?, ¿qué hago si un estudiante entrega una tarea producida con ia?, ¿cómo evalúo el proceso?, ¿qué ejemplos son pertinentes para mi asignatura? Detrás de esas preguntas no hay resistencia, sino responsabilidad. La innovación educativa no avanza con consignas; avanza cuando esas dudas se toman en serio. El profesorado de la unam no necesita ser convencido de que el mundo está cambiando; lo vive en sus grupos, en sus programas, en las tareas que recibe y en las preguntas que le hacen sus estudiantes. En la muestra universitaria, 76 % anticipa cambios significativos o transformadores en su rol por efecto de la ia. A nivel regional, solo una minoría la percibe como amenaza directa para su empleo. Dicho de otra manera, las y los docentes advierten el cambio, pero lo interpretan como un reto de adaptación profesional, no como la desaparición de su función. La inteligencia artificial puede producir respuestas, pero no forma personas por sí misma. Explica un concepto, pero no conoce la historia de un grupo. Resume un texto, pero no percibe el silencio de una estudiante que no se atreve a preguntar. Crea reactivos de opción múltiple, pero no comprende el horizonte ético de una profesión. Simula diálogo, pero no sustituye el vínculo educativo. Ayuda a escribir, pero no garantiza que alguien aprenda a pensar con rigor, sensibilidad y responsabilidad.

La docencia no se reduce a transmitir información. Si ese hubiera sido su núcleo, las bibliotecas, los buscadores o los videos en línea la habrían reemplazado hace tiempo. Enseñar implica seleccionar lo importante, ordenar lo complejo, mostrar lo que no se ve a primera vista, modelar formas de razonamiento, plantear problemas, acompañar procesos, sostener exigencias justas y construir ambientes donde se pueda aprender con otros. La inteligencia artificial no vuelve menos necesaria esa tarea; en muchos sentidos, la vuelve más visible e importante. Los propios datos muestran que el profesorado no piensa en la ia únicamente como una herramienta para automatizar trabajo. En la encuesta dec, las áreas donde docentes identifican mayor valor son el pensamiento creativo, el pensamiento crítico y la resolución de problemas. En la muestra de la unam, 57.3 % del profesorado señaló el desarrollo del pensamiento creativo, 54.8 % el pensamiento crítico y 46.1 % la resolución de problemas como espacios donde la ia podría ser más útil para el proceso de enseñanza-aprendizaje. Eso abre una posibilidad pedagógica potente. La ia puede usarse para evitar pensar, por supuesto; pero también puede usarse para pensar mejor. La diferencia depende del diseño docente. Pedir a un estudiante que obtenga una explicación inicial de un tema puede ser útil. Pedirle después que contraste esa explicación con fuentes confiables, detecte errores, identifique supuestos, mejore la respuesta, la aplique a un caso situado y reflexione sobre el proceso puede ser formativo. La herramienta es la misma; la actividad no lo es.

Créditos: imagen generada mediante OpenAI DALL·E a partir de instrucciones conceptuales elaboradas por el autor.

En el fondo, la tarea consiste en convertir una tecnología de respuesta rápida en una oportunidad para el pensamiento lento y reflexivo. Esa expresión puede sonar paradójica, pero describe bien el desafío. La ia genera con velocidad; la educación exige pausa, duda, contraste, justificación y diálogo. Si la usamos como atajo, empobrece el aprendizaje. Si la usamos como interlocutor imperfecto, como borrador criticable o como punto de partida para indagar, puede enriquecerlo. Esto exige más trabajo de diseño al inicio, aunque a la larga pueda ahorrar tiempo. También exige aceptar que muchas respuestas no serán definitivas. En algunas asignaturas convendrá permitir el uso abierto de ia; en otras será necesario limitarlo; en otras más, la actividad consistirá precisamente en analizar sus errores. La buena docencia siempre ha sido contextual; la diferencia es que ahora el contexto cambió con mucha rapidez.

Algo parecido ocurre con la evaluación. La ia generativa puso en crisis muchas tareas tradicionales, sobre todo aquellas centradas en productos escritos descontextualizados. La crisis es incómoda, pero no necesariamente negativa. Desde hace años la investigación educativa insiste en evaluar procesos, no sólo resultados; razonamientos, no solo respuestas; decisiones, evidencias, iteraciones y reflexión, no solo productos finales. En la encuesta dec, más de la mitad del profesorado identifica la necesidad de cambios significativos en los métodos actuales de evaluación estudiantil, y 17 % señala la urgencia de una renovación completa. Esto no significa abandonar la escritura, la lectura o el trabajo individual. Al contrario, significa protegerlos mejor. En tiempos de ia, escribir, leer críticamente y argumentar con evidencias importa todavía más. Lo que cambia es que ya no basta pedir un ensayo como si el contexto tecnológico no existiera. Habrá que solicitar borradores, bitácoras, defensas orales, análisis de fuentes, comparación entre versiones, reflexión metacognitiva, solución de problemas situados, proyectos ligados a experiencias reales y declaraciones transparentes sobre el uso de herramientas digitales. El propósito no debe ser perseguir estudiantes, sino formar criterio. Una cultura de sospecha deteriora la relación educativa. Una cultura de integridad, en cambio, requiere reglas claras. El estudiantado necesita saber cuándo puede usar ia, para qué, con qué límites, cómo debe declararlo, qué se evaluará y qué usos son inaceptables. El profesorado necesita respaldo para definir esas reglas de manera pedagógica, ética y viable. La ambigüedad favorece el conflicto; la claridad favorece el aprendizaje.

Ahí tenemos una tarea pendiente. En la encuesta dec, tanto estudiantes como docentes reportan conocimiento limitado de directrices institucionales sobre ia. Una proporción amplia se declara insegura o en desacuerdo cuando se le pregunta si conoce lineamientos o si su institución dispone de directrices exhaustivas. El reto no es menor: la adopción de la tecnología corre más rápido que la construcción de orientaciones compartidas. Aun así, hay motivos para mirar el panorama con confianza. La comunidad no parece pedir una prohibición general; pide guía. El estudiantado identifica como factores importantes para desarrollar habilidades en ia el acceso a herramientas y recursos, directrices claras y oportunidades para interactuar y aprender con ia en el aula. El profesorado señala como principales habilitadores la formación en conocimientos y habilidades de ia, el acceso a herramientas y recursos, y una recopilación de buenas prácticas y casos de uso. En términos sencillos, docentes y estudiantes están pidiendo que la Universidad ejerza su papel formativo.

También es alentador que las preocupaciones sean maduras. El profesorado expresa inquietud por la dependencia excesiva del estudiantado, por su capacidad para evaluar críticamente resultados generados por ia y por los sesgos o la exactitud de la información. En la muestra de la unam, más de ocho de cada diez docentes se muestran preocupados por la dependencia excesiva y por la capacidad estudiantil de evaluar críticamente esos resultados; cerca de tres cuartas partes expresan preocupación por sesgos y exactitud. El estudiantado, por su parte, manifiesta inquietudes sobre aprendizaje superficial, privacidad de datos, integridad académica y equidad en la evaluación. Estas preocupaciones no deberían leerse como rechazo. Una comunidad que se preocupa por la superficialidad del aprendizaje está defendiendo el aprendizaje profundo. Cuando hablamos de sesgos, defendemos justicia epistémica. Cuando hablamos de privacidad, defendemos derechos. Y cuando hablamos de integridad académica, defendemos el valor de los títulos, del esfuerzo y de la formación. La preocupación acompañada de acción no es conservadurismo, es responsabilidad universitaria.

El riesgo no está en que tengamos dudas; el riesgo sería no tenerlas. Quien enseña sabe que ninguna herramienta es neutral en sus efectos educativos. Un pizarrón puede iluminar una idea o servir para copiar mecánicamente información. Un examen puede promover estudio profundo o memorización superficial. Una plataforma digital puede ampliar oportunidades o multiplicar inequidades. La ia no es distinta en ese sentido: su valor dependerá de los fines, los contextos, las reglas, las prácticas y las personas que la usan. Por eso, la conversación sobre ia en educación debe empezar por la pedagogía, no por la herramienta. ¿Qué queremos que aprendan nuestras y nuestros estudiantes? ¿Qué tipo de profesionales, ciudadanos, científicas, humanistas, artistas, docentes, médicos, ingenieras, juristas o investigadores necesita el país? ¿Qué capacidades deben desarrollar en un mundo donde producir información será cada vez más fácil, pero discernir su calidad será más difícil? ¿Qué significa formar criterio cuando las respuestas abundan y la atención escasea?

Una parte de la respuesta pasa por fortalecer la alfabetización en ia. No se trata de aprender unos cuantos trucos para escribir mejores prompts. Saber usar ia implica comprender, al menos en términos generales, cómo funcionan estos sistemas; reconocer sus limitaciones; evaluar críticamente sus resultados; identificar sesgos; proteger datos; usarla con integridad; decidir cuándo no conviene usarla; mantener la centralidad humana; aplicarla en contextos disciplinares; y reflexionar sobre sus efectos sociales, profesionales y éticos. Los estudios muestran que ahí hay una brecha importante. Tanto estudiantes como docentes se ubican en niveles intermedios de alfabetización en ia. En la encuesta dec predominan competencias iniciales o medias en comprensión de la ia y los datos, pensamiento crítico y juicio, uso ético y responsable, centralidad humana y conocimiento del dominio. Más de la mitad del estudiantado y del profesorado reporta dificultades o niveles iniciales para evaluar críticamente contenidos generados por ia. No es motivo para alarmarse, pero sí para actuar. La adopción va más rápido que la comprensión; la Universidad debe ayudar a que la comprensión alcance, oriente y humanice la adopción.

Aquí aparece una oportunidad notable para el profesorado. Las maestras y los maestros no tienen que convertirse en ingenieros de ia para enseñar con responsabilidad en esta nueva etapa. Sí necesitan espacios para comprenderla, probarla, discutirla, adaptarla a sus disciplinas y compartir experiencias. Necesitan formación situada, no recetas genéricas. No se enseña ni se usa igual la ia en filosofía que en química, en clínica que en matemáticas, en arquitectura que en derecho, en artes que en ingeniería, en ciencias sociales que en salud pública. Cada campo tiene formas propias de evidencia, géneros de escritura, criterios de validación, dilemas éticos y estándares de calidad. Por ello, la incorporación de ia debe ser disciplinar y pedagógica antes que tecnológica. En medicina, puede servir para discutir diagnósticos diferenciales simulados, siempre bajo supervisión experta. En derecho, para analizar argumentos y detectar omisiones normativas. En literatura, para comparar estilos, discutir autoría y examinar interpretaciones. En ingeniería, para explorar soluciones y revisar supuestos. En ciencias sociales, para analizar discursos y sesgos. En artes, para problematizar creatividad, autoría y colaboración humano-máquina. En todas las áreas, puede funcionar como objeto de crítica, herramienta de exploración y punto de partida para tareas más exigentes.

La clave es no confundir rapidez con profundidad. Una respuesta inmediata puede abrir una puerta, pero no sustituye el recorrido. La docencia diseña ese recorrido: qué se pide antes de usar ia, qué se permite durante su uso, qué se exige después, cómo se verifica la comprensión, cómo se promueve la reflexión y cómo se evalúa el aprendizaje. El producto generado por ia puede ser un insumo; el aprendizaje está en lo que el estudiante hace con él. En ese sentido, la ia puede ayudarnos a recuperar el valor del proceso. Durante mucho tiempo, muchas prácticas escolares han privilegiado el producto final. Ahora resulta evidente que el producto, por sí sólo, ya no basta como prueba de aprendizaje. Necesitamos volver visible el camino: preguntas formuladas, fuentes consultadas, decisiones tomadas, errores corregidos, razones para aceptar o rechazar una sugerencia y reflexión sobre lo aprendido. Paradójicamente, una tecnología capaz de producir resultados rápidos puede empujarnos a evaluar con más profundidad humana.

También puede ayudarnos a personalizar apoyos sin perder el sentido colectivo del aula. Un estudiante puede pedir explicaciones alternativas, ejemplos adicionales, ejercicios graduados o retroalimentación preliminar. Una docente puede generar casos, variar niveles de dificultad, construir rúbricas, diseñar preguntas o preparar materiales accesibles. Sin embargo, esas posibilidades solo serán educativas si se insertan en una relación pedagógica deliberada. La ia puede ampliar la disponibilidad de ciertos apoyos; la maestra o el maestro les da sentido, pertinencia y dirección.

En la unam, la magnitud y diversidad de nuestra comunidad hacen especialmente relevante esta discusión. Somos una universidad de bachillerato, licenciatura y posgrado; de humanidades, ciencias, artes, tecnologías, salud y ciencias sociales; de escuelas nacionales, facultades, institutos, centros y programas. Esa diversidad impide una respuesta única. Habrá principios comunes y aplicaciones situadas; acuerdos generales y decisiones locales; lineamientos institucionales y libertad académica responsable. El desafío es construir una cultura universitaria de uso crítico, ético y creativo de la ia. Una cultura así no se decreta, se cultiva. Requiere formación continua, comunidades de práctica, investigación educativa, evaluación de experiencias, diálogo con estudiantes, apoyo a docentes, infraestructura, cuidado de datos y mecanismos de actualización. Requiere también reconocer el trabajo adicional que supone enseñar en tiempos de cambio tecnológico. Innovar no es pedir al profesorado que haga más con menos; es crear condiciones para hacer mejor lo que importa. Una cultura de este tipo también requiere conversación pública dentro de la Universidad: no basta con publicar un documento y dar por resuelto el asunto. Los lineamientos deben probarse en el aula, discutirse en cuerpos colegiados, revisarse con estudiantes, contrastarse entre disciplinas y actualizarse conforme cambien las herramientas. En ia, las respuestas cerradas envejecen pronto; los principios bien formulados resisten mejor.

Créditos: imagen generada mediante OpenAI DALL·E a partir de instrucciones conceptuales elaboradas por el autor.

En el Día del Maestro vale la pena decirlo: ninguna transformación educativa seria puede descansar en el voluntarismo individual del profesorado. Las y los docentes han mostrado disposición, curiosidad y apertura; los datos lo confirman. Ahora corresponde fortalecer las condiciones institucionales que permitan pasar de la exploración aislada a una apropiación pedagógica compartida. Eso significa ofrecer formación flexible y pertinente; generar bancos de casos de uso por disciplina; desarrollar orientaciones claras sobre integridad académica; promover criterios para declarar el uso de ia; revisar políticas de privacidad y datos; apoyar el rediseño de la evaluación; facilitar acceso equitativo a herramientas; crear espacios donde el profesorado pueda experimentar sin temor al error; y escuchar de manera sistemática al estudiantado. Una proporción importante de estudiantes quiere participar en las decisiones sobre qué herramientas de ia implementar, aunque no todos perciben que su voz sea considerada. La gobernanza de la ia también puede ser una forma de practicar democracia universitaria.

La esperanza, entonces, no está en la tecnología por sí misma. Está en la capacidad de la Universidad para convertir una disrupción en proyecto educativo; en el profesorado que no renuncia a aprender; y en el estudiantado que pide orientación. Está en la evidencia que nos ayuda a tomar mejores decisiones y en la posibilidad de formar personas capaces de usar herramientas poderosas sin cederles su juicio, ética o responsabilidad. La historia de la educación está llena de tecnologías que parecían destinadas a sustituir la enseñanza: el libro impreso, la radio, la televisión, la computadora, internet, los cursos masivos abiertos en línea, las plataformas digitales. Ninguna eliminó la necesidad de maestras y maestros. Todas, sin embargo, obligaron a redefinir qué significa enseñar bien. La ia generativa quizá sea una de las más desconcertantes, porque produce lenguaje, imágenes y respuestas con una fluidez que antes asociábamos exclusivamente con las personas. Pero precisamente por eso nos recuerda que el centro de la educación no es la información, es la formación.

Celebrar al profesorado en esta época no significa pedirle que compita con las máquinas en velocidad, memoria o producción automática. Significa reconocer aquello que la docencia hace mejor que cualquier sistema: formar juicio, despertar curiosidad, sostener conversaciones difíciles, reconocer trayectorias, construir comunidades de aprendizaje, transmitir amor por el conocimiento y cuidar la dimensión ética de las profesiones. Aprender no es solo obtener respuestas, es transformarse en el proceso. Tal vez la pregunta más importante no sea qué hará la ia con la educación, sino qué hará la educación con la ia. Si la dejamos actuar sin orientación, puede reforzar inercias, desigualdades y superficialidades. Si la prohibimos sin comprenderla, puede desplazarse a prácticas ocultas, sin criterios ni acompañamiento. Pero si la integramos con inteligencia pedagógica, puede ayudarnos a renovar preguntas, rediseñar evaluaciones, ampliar apoyos, fortalecer el pensamiento crítico y preparar mejor a nuestras y nuestros estudiantes para un mundo en transformación.

El optimismo prudente consiste en reconocer que nada de esto ocurrirá automáticamente. También consiste en mirar las señales alentadoras: una comunidad docente abierta al cambio, estudiantes que ya usan la tecnología y piden formación, preocupaciones éticas bien identificadas, evidencia institucional creciente y una Universidad con capacidad histórica para pensar los grandes desafíos de su tiempo. En este 15 de mayo, celebremos a las maestras y los maestros no como guardianes de un pasado inmóvil, sino como constructores de futuros posibles. Celebremos su capacidad de aprender mientras enseñan, de dudar sin paralizarse, de innovar sin abandonar principios y de acompañar a nuevas generaciones en medio de la incertidumbre. La inteligencia artificial cambiará muchas prácticas, pero no cambia la razón profunda de la docencia: ayudar a otros seres humanos a comprender mejor el mundo y a participar en él con conocimiento, imaginación y responsabilidad. La Universidad que queremos no será la que use más inteligencia artificial, sino la que la use con más inteligencia humana. Y en esa tarea, hoy como siempre, las maestras y los maestros son insustituibles.

Referencias

• Benavides-Lara, M. A., Rendón Cazales, V. J., Escalante Rivas, N., Martínez Hernández, A. M. del P., y Sánchez Mendiola, M. (2025, enero-febrero). Presencia y uso de la inteligencia artificial generativa en la Universidad Nacional Autónoma de México. Revista Digital Universitaria, 26(1). https://doi.org/10.22201/ceide.16076079e.2025.26.1.10
• Canal Multimedios Lapi. (2026, 27 de marzo). Seminario de ia generativa en educación – Dr. Melchor Sánchez Mendiola [Video]. YouTube. https://www.youtube.com/live/TGUL3oG5Bx4
• Coordinación de Evaluación, Innovación y Desarrollo Educativos. (2025). La inteligencia artificial generativa (iagen) en el profesorado y estudiantado de la unam: Retos y prospectivas. ceide-Secretaría General, Universidad Nacional Autónoma de México. https://www.ceide.unam.mx/wp-content/uploads/2025/08/IAGen_UNAM_2025.pdf
• Coordinación de Evaluación, Innovación y Desarrollo Educativos. (2026). Estudio dec sobre la inteligencia artificial en la educación superior en América Latina: Análisis de los resultados de la unam [Preprint]. ceide-Secretaría General, Universidad Nacional Autónoma de México.
• Digital Education Council. (2026, January 30). ai in higher education LATAM survey 2026 (EN | ES). https://www.digitaleducationcouncil.com/post/ai-in-higher-education-latam-survey-2026

Este artículo constituye una versión extendida del texto publicado en la Gaceta UNAM (número 5,652) el 14 de mayo de 2026.

En esta ocasión, la Revista Digital Universitaria nos trae una colección de artículos que pueden conjuntarse en una sola palabra: creatividad. Para entender este atributo tan humano vale la pena acercarse al libro The Third Chimpanzee, del científico Jared Diamond, quien caracteriza a nuestra especie como el animal que “se comunica por medio del lenguaje, disfruta del arte, hace herramientas complejas y usa ropa”. Pero ¿qué nos distingue de nuestros parientes más cercanos, los chimpancés? Según varios estudios, la diferencia genética entre nosotros y ellos es muy pequeña (por ejemplo, véase Suntsova y Buzdin, 2020). Diamond explica que esa pequeña diferencia se expresa de manera muy marcada en el comportamiento humano.

Por ejemplo, en el registro fósil está documentado el cambio de locomoción de cuatro patas a dos, así como el caminar erguidos. Este mismo registro muestra también el aumento del tamaño del cerebro, lo que permitió a nuestra especie procesar y almacenar más información. Aunque es frecuente encontrar en excavaciones evidencia del uso de herramientas —una demostración de la respuesta de los primeros seres humanos a la complejidad del mundo—, es difícil identificar los genes que controlan esta capacidad creativa y muchas más.

Como menciono, la creatividad es una característica muy humana que, de acuerdo con los psicólogos Robert Sternberg y Todd Lubart, es “la habilidad de producir trabajo que es novedoso y apropiado” a dos escalas: la individual y la social. Explican en The Concept of Creativity: Prospects and Paradigms que la creatividad no es una característica exclusiva de unas cuantas personas, sino que todas la usamos para resolver problemas cotidianos en casa y en la oficina. Añaden que, a escala social, las aportaciones creativas pueden conducir a nuevos descubrimientos científicos, movimientos artísticos o programas sociales, entre otros.

La creatividad ha sido parte del proceso evolutivo del ser humano ya que, como dicen Anthony Brandt y David Eagleman en The Runaway Species, tenemos la capacidad de “absorber la materia prima de las experiencias y manipularla para hacer algo nuevo”.

En un muestrario de creatividad, este número de la rdu inicia con el artículo “La evolución del sueño: un viaje de dos millones de años”. En él, sus autoras y autores nos hablan del dormir, un comportamiento común en los animales que apenas empieza a entenderse mejor en el proceso evolutivo de los homínidos. En el artículo narran los cambios en el comportamiento humano del sueño y la relevancia de los sueños como “un puente entre la experiencia íntima y el mundo cultural que la rodea”, que casualmente pudo haber desempeñado un papel importante en la formación de la creatividad en nuestra especie.

Desde otra perspectiva sobre el sueño, en “Mientras dormimos: lo que la ciencia descubrió sobre los sueños” se aborda la actividad onírica y las dificultades para investigarla desde la psicología. Sus autoras y autores señalan que los sueños son relevantes para manejar, por ejemplo, la sobrecarga de información diaria o para procesar experiencias traumáticas. Como explican, la fascinación por los sueños no sólo implica el reto creativo de investigar algo tan personal y poco accesible para otras personas, sino que también ha impulsado obras científicas y de entretenimiento al alcance de cualquiera.

En “El problema del huevo o la gallina: un camino hacia las ciencias interdisciplinarias”, sus autoras y autores nos llevan a asomarnos a la complejidad de conocer nuestro origen desde una perspectiva interdisciplinaria entre la biología, la física, las matemáticas y la química. Indudablemente, la curiosidad por responder esta pregunta es una manifestación de la creatividad social que ha dado como resultado nuevas áreas de la ciencia a lo largo de muchas décadas.

Acercándonos más al trabajo científico de campo, en “La vida en las playas rocosas: un ecosistema desafiante” sus autoras y autores describen estos ecosistemas ubicados en la frontera entre el agua y la tierra. A pesar de su importancia para la vida en nuestro planeta, padecen las mismas amenazas que muchos ecosistemas del mundo: contaminación, sobreexplotación de recursos, introducción de especies invasoras y cambio climático. El desarrollo de estrategias para conservar estos ecosistemas dependerá del trabajo creativo que involucre a distintas ramas de la ciencia, a las sociedades que conviven con ellos y al desarrollo económico relacionado con su aprovechamiento.

La contaminación abarca muchos ecosistemas del mundo, entre ellos los urbanos. ¿Cómo combatir este problema de manera sustentable? En “Cianobacterias: un tesoro escondido en la naturaleza” se explora el uso de estructuras que aprovechan estos microorganismos por su capacidad para procesar la luz solar y el dióxido de carbono (CO₂), y así ayudar a purificar el aire en las ciudades. Las soluciones para construir urbes más saludables dependen de grupos creativos en los que convivan distintas perspectivas y donde la naturaleza sea considerada una aliada indiscutible.

Desde una perspectiva molecular, en “Diversidad genética: la caja de herramientas ante las adversidades”, las autoras proponen estrategias de conservación utilizando dos especies muy mexicanas: el pino chimonque (Pinus leiophylla) y el maíz. La manera de hacerlo consiste en conocer más sobre su diversidad genética, que describen como “el componente más básico de la diversidad biológica”. En particular, su propuesta implica conocer el cambio genético de una población para adaptarse al cambio climático y así contar con información útil para aportar soluciones y estrategias de conservación.

En un nivel más cercano a la vida cotidiana, las autoras y autores de “La segunda vida del agua: el arte de reciclar el recurso más esencial” ilustran, con casos de éxito en Brasil, España y México, cómo es posible recuperar el agua para reutilizarla en ciclos industriales textiles. Repensar los procesos industriales depende de ideas creativas que no sólo benefician a la industria, sino también a los cuerpos de agua naturales y al crecimiento económico.

Por su parte, las autoras y autores de “Zeolita clinoptilolita: la piedra que pone a prueba a las bacterias” hablan de su investigación con este mineral de origen volcánico y de su posible utilidad para combatir la resistencia a los antimicrobianos, un grave problema de salud pública mundial. La capacidad creativa conformada por grupos científicos de calidad representa una oportunidad para que México contribuya con propuestas en beneficio de la salud pública global.

En Continuum educativo contamos con cuatro artículos que, sin lugar a duda, vinculan creatividad y educación. En “Escenificar la justicia: teatro y empatía en la formación jurídica”, su autor nos propone utilizar el teatro como “una vía para humanizar el ejercicio del derecho”. A partir de su experiencia, comparte cómo la enseñanza jurídica puede enriquecerse al vincular razón y emociones.

Desde la perspectiva de la educación no formal, las autoras y autores de “Ciencia ciudadana frente al sargazo: aprender desde la orilla del mar” nos hablan de su proyecto en la región caribeña de México para obtener información útil que permita monitorear las arribazones de sargazo. De acuerdo con sus autoras y autores, la ciencia ciudadana tiene el potencial de fomentar redes de colaboración entre ciudadanía y academia para enfrentar problemas ambientales complejos que afectan a todas las personas. Estas colaboraciones transdisciplinarias son decisivas para transitar hacia la sustentabilidad: el proceso creativo implica no sólo atender el problema en sí mismo, sino también transformar la manera en que trabajamos entre grupos académicos y sociales.

Enfrentando el reto de compaginar educación y nuevas tecnologías, en particular las herramientas de inteligencia artificial generativa (iagen), en “Investigación e iagen: de la actualización a la apropiación” sus autoras y autores comparten la experiencia de diseñar y aplicar una actividad práctica para utilizar iagen. El futuro de nuestra relación educativa con esta herramienta todavía es incierto, pero la creatividad desempeñará un papel importante conforme se incorpore a diversas actividades docentes.

En otro artículo que también utiliza iagen, las autoras y autores de “Cuando el álgebra deja de ser jeroglífico: una experiencia con DeepSeek en el aula” enfocan el uso de esta tecnología en la enseñanza del álgebra. La experiencia creativa no sólo enseñó al estudiantado a utilizar la herramienta para resolver problemas específicos, sino que también abrió un espacio para conversar sobre las implicaciones éticas de su uso.

En la sección Universidades, las autoras y autores de “Innovación pedagógica integrando un enfoque descolonial, transdisciplinario y experiencial en México” comparten su experiencia pedagógica para “construir un espacio de enseñanza-aprendizaje intercultural, horizontal, libre y desescolarizado”, en el que las y los participantes dialogaron sobre sus saberes. Esta experiencia contribuye a transformar el aprendizaje desde una perspectiva que incorpora la transdisciplina en el proceso educativo.

En esta ocasión, la sección Caleidoscopio aborda “Sin polinizadores no hay tequila: la historia ecológica del agave” que, junto con una infografía, explica el ciclo de vida de un grupo de plantas emblemáticas de nuestro país, así como de los organismos que interactúan con ellas. La idea es que, al conocer esta complejidad biológica, se pueda proteger mejor a este grupo vegetal. En un ejercicio creativo novedoso, sus autoras y autores diseñan la infografía mediante inteligencia artificial generativa.

En la sección Impresiones, las autoras y autores de “Te prometieron el futuro, pero era Roma otra vez” nos retan a imaginar la vida cotidiana de la Roma de hace dos mil años y compararla con la actualidad. Así demuestran que muchas cosas no han cambiado. Su herramienta narrativa nos lleva a reflexionar, de manera creativa, sobre prácticas culturales que permanecen a lo largo de miles de años, demostrando que nuestra cultura no necesariamente ha evolucionado en todos sus aspectos.

Y para cerrar este número de la rdu, en la sección Itinerante, el Dr. Melchor Sánchez Mendiola aprovecha la celebración del Día de la Maestra y el Maestro para reflexionar sobre inteligencia artificial y docencia en “La docencia ante la inteligencia artificial: prudencia, imaginación y compromiso”. Una dupla que ya demanda de nuestra capacidad creativa como docentes para incorporar esta herramienta, de manera crítica, a la actividad educativa.

Esta colección demuestra que la creatividad sigue siendo un motor esencial de la actividad humana y de sus manifestaciones en la investigación, las artes y la educación. Nuestro reto, como universitarias y universitarios, es permitir que se manifieste libre y responsablemente para construir sociedades más equitativas y responsables con el planeta. Se lo debemos a las generaciones futuras.

Deseamos que nuestras lectoras y lectores disfruten y se sientan inspirados por el contenido de este número. Les invitamos a incorporar una mirada creativa al leer cada artículo y a compartirla mediante sus comentarios.

Fuentes consultadas

• Brandt, A., y Eagleman, D. (2017). The runaway species. Catapult.
• Diamond, J., y Stefoff, R. (2014). The third chimpanzee: On the evolution and future of the human animal. Oneworld Publications.
• Smithsonian Institution. (s. f.). Human origins. Human Origins
• Sternberg, R. J., y Lubart, T. I. (1998). The concept of creativity: Prospects and paradigms. En R. J. Sternberg (Ed.), Handbook of creativity (pp. 3-15). Cambridge University Press.
• Suntsova, M. V., y Buzdin, A. A. (2020). Differences between human and chimpanzee genomes and their implications in gene expression, protein functions and biochemical properties of the two species. BMC Genomics, 21(535). https://doi.org/10.1186/s12864-020-06962-8

Resumen

La diversidad genética es clave para que las poblaciones naturales puedan enfrentar los cambios que los seres humanos hemos causado en nuestro planeta, como son la crisis climática y el cambio de uso de suelo. Hoy en día, es posible evaluar la susceptibilidad de dichas poblaciones ante los efectos de estos disturbios y, con esta información, proponer acciones para su preservación. En este trabajo contamos dos ejemplos de cómo utilizando un nuevo método (la métrica de compensación genómica), junto con el uso de datos climáticos, logramos evaluar el grado de vulnerabilidad de dos especies mexicanas muy importantes, un pino y el maíz (Pinus leiophylla y Zea mays), proponiendo estrategias de conservación que permitan su supervivencia.
Palabras clave: diversidad biológica, diversidad genética, conservación, cambio climático, cambio de uso de suelo.

Genetic diversity: toolbox in the face of adversity

Abstract

Genetic diversity is key for natural populations to cope with the changes that humans have caused on our planet, such as the climate crisis and land use change. Today, it is possible to assess the susceptibility of populations to the effects of these disturbances and, with this information, propose actions for their preservation. In this paper, we present two examples of how, using a new method (the genomic offset), along with climate data, we assessed the degree of vulnerability of two very important Mexican species, a pine and corn (Pinus leiophylla and Zea mays), proposing conservation strategies that will enable their survival.
Keywords: biological diversity, genetic diversity, conservation, climate change, land use change.

---

La importancia de la diversidad biológica y la diversidad genética

La diversidad biológica o biodiversidad se refiere al conjunto total de seres vivos que habitan el planeta, desde las pequeñas bacterias hasta las enormes ballenas. Todos los seres vivos que te puedas imaginar son el resultado de miles de millones de años de evolución, lo cual ha dado forma a la biodiversidad que hoy conocemos.

Tan sólo basta con observar a nuestro alrededor, los insectos que polinizan las flores, las aves que cantan y los grandes árboles que brindan sombra. Toda esa variedad de formas de vida —y las pequeñas diferencias entre los individuos dentro de cada especie— sostienen el equilibrio del planeta.

La diversidad biológica puede dividirse en tres grandes categorías: la diversidad genética, la diversidad de especies y la diversidad de ecosistemas. En este artículo haremos un recorrido por el componente más básico de la diversidad biológica: la diversidad genética, que se refiere a toda aquella variación heredable de cada individuo dentro de una población. Pero ¿cómo se guarda esta variación dentro de los organismos? Se almacena en el genoma, el cual es el conjunto de material genético de los individuos. El genoma a su vez se compone por genes, que son los encargados de portar la información que determina nuestros rasgos. Por su parte, los genes pueden tener distintas variantes, conocidas como alelos.

Los alelos son las versiones alternativas que tiene un gen para un mismo rasgo o carácter. Pensemos en todas las características que tienen las personas que conoces. Algunas tienen ojos verdes y otras marrones, su cabello puede ser lacio o rizado, o incluso algunas son más o menos resistentes a alguna enfermedad. Todos estos rasgos son una expresión de la diversidad genética, es decir, de la variedad de formas (alelos) que existen para los genes en la población. Entre más variables sean las características heredables entre los individuos, —es decir, mayor cantidad de alelos exista para cada característica—, más diversa será una población.

Por esto, la diversidad genética se vuelve fundamental para la supervivencia de las poblaciones, porque proporciona los atributos necesarios para enfrentarse a las siempre cambiantes condiciones del entorno. Imaginemos a la diversidad genética como una caja de herramientas: entre más herramientas tenga una población, más fácil será encontrar la forma de afrontar un nuevo desafío en el ambiente. Ahí es donde radica uno de los aspectos que la hacen tan importante en la adaptación y la supervivencia de las poblaciones y las especies ante los cambios ambientales (ver figura 1).

Desafortunadamente, en la actualidad, conservar la diversidad genética y la biodiversidad en general se ha convertido en un enorme desafío, debido a diversos factores que como seres humanos estamos induciendo.

Figura 1. En esta imagen se muestra un ejemplo de cómo la diversidad genética de una especie de pino permite la adaptación a distintas condiciones de temperatura. Aunque se trata de la misma especie, en la población de mayores altitudes (A), se observa cómo, debido a diferencias genéticas, los individuos tienen las características necesarias para vivir en condiciones con temperaturas más bajas mientras que en (B), a menores altitudes, los individuos presentan características que les permiten vivir en condiciones con temperaturas más altas.
Créditos: ilustración original realizada por Paulette Quintana y Vanessa Izaguirre.

Factores que amenazan la biodiversidad

Hoy en día muchas de las actividades que realizamos han causado un declive en la biodiversidad global. Fenómenos como el acelerado cambio climático y la transformación de las zonas naturales para activades humanas, como la agricultura o vivienda (conocido esto como cambio de uso de suelo) amenazan la supervivencia de las especies reduciendo la cantidad de hábitat que pueden ocupar, así como los recursos disponibles. Esto resulta en un menor número de individuos, es decir, una disminución en el tamaño de las poblaciones y, por consecuencia, una menor cantidad de diversidad genética (ver figura 2).

Figura 2. (A) Ejemplo de cómo las actividades humanas cambian el uso de suelo y ocasionan una reducción en el hábitat de las especies silvestres, disminuyendo la cantidad de individuos y con ello la diversidad genética que contienen. (B) Cada círculo de colores representa las variantes genéticas de cada individuo; se observa que al perderse esas variantes hay una menor cantidad de riqueza genética.
Créditos: ilustración original realizada por Paulette Quintana y Vanessa Izaguirre.

Este decremento en la diversidad genética hace que sea aún más difícil para las poblaciones sobrevivir a los cambios que están ocurriendo en su entorno, ya que cuentan con menos herramientas disponibles para adaptarse a las diferentes condiciones en las que habitan. Por eso, entender si las poblaciones cuentan con suficiente diversidad genética para sobrevivir ante las amenazas es crucial para conservarlas. Pero ¿cómo hacemos esto?

La era de las bases de datos, la bioinformática y la genómica de la conservación

Afortunadamente, en los últimos años se han desarrollado metodologías increíbles para el estudio de la biodiversidad. Con el uso de métodos de análisis bioinformáticos1 podemos identificar cuáles son las poblaciones que albergan una mayor diversidad genética y que, por ende, tienen más herramientas para sobrevivir.

De manera similar ha avanzado nuestro entendimiento del clima. Actualmente contamos con bases de datos que nos permiten conocer las condiciones climáticas en cualquier sitio del planeta y crear modelos para predecir como será el clima en el futuro2 (puedes visitar https://www.worldclim.org para conocer cómo ha cambiado el clima en distintas épocas).

De esta forma, si juntamos la información que tenemos disponible sobre la variación genética de las especies, así como del clima actual y las predicciones del clima futuro, podemos identificar las poblaciones que albergan la diversidad genética necesaria para enfrentarse al cambio climático. Esto se puede obtener con una nueva métrica, la cual conoceremos en la siguiente sección.

El cambio climático y el futuro de las especies

Recientemente, se han desarrollado una serie de métodos que permiten obtener una medida llamada compensación genómica de las poblaciones (genomic offset en inglés). Esta métrica es una manera de medir cuánto tendría que cambiar una población para adaptarse al clima futuro según su riqueza genética: entre menor sea la diversidad genética de las poblaciones, menos herramientas tendrán para adaptarse y por lo tanto menos posibilidades para sobrevivir a las condiciones climáticas del futuro (ver figura 3; Fitzpatrick y Keller, 2015). Por esta razón, el mantener la diversidad genética adaptativa se vuelve clave para el futuro de las poblaciones.

Figura 3. Ejemplo de compensación genómica para estrategias de conservación. En el panel (A) se muestran poblaciones con diferentes valores de compensación genómica, un valor alto (morado), intermedio (beige) y bajo (amarillo). La cantidad de cambio necesario para adaptarse a las condiciones climáticas futuras será mucho mayor en la población con un alto valor de compensación genómica (morada). En (B) se observa que aquellos individuos seleccionados para estrategias de conservación fueron los provenientes de una población que tendrá bajos niveles de compensación genómica y por lo tanto tendrán una mayor probabilidad para adaptarse al cambio ambiental.
Créditos: ilustración original realizada por Paulette Quintana y Vanessa Izaguirre.

Sin embargo, para aquellas poblaciones donde existe un alto valor de compensación genómica, el adaptarse a las nuevas condiciones no será sencillo. Para que las poblaciones logren adaptarse es necesario que se incorporen nuevas variantes genéticas que les permitan sobrevivir. Estas fuentes de variabilidad están dadas principalmente por mutaciones (al surgir cambios al azar en el adn de los organismos creando nuevos alelos, es decir, nuevas variantes de cada gen), eventos de migración, en los que la llegada de individuos desde otros lugares trae nuevos alelos a la población, o por recombinación genética (imaginemos esto como cuando mezclas dos colores para obtener uno nuevo, supongamos el azul y amarillo dando como resultado el color verde. Lo mismo sucede aquí, el material genético de los progenitores se mezcla entre sí, dando como resultado una nueva combinación de genes a los descendientes). Desafortunadamente, estos procesos, en su mayoría, requieren de cientos, sino es que miles o millones de años para que sucedan, lo que ocasiona que las poblaciones no puedan adaptarse a la misma velocidad con la que el clima está cambiando actualmente.

Si consideramos que será muy complicado que muchas especies y poblaciones se adapten por sí solas en el futuro, será necesario proponer estrategias de conservación que aseguren su supervivencia. Estas estrategias se han propuesto como acciones de migración asistida, es decir, realizadas con intervención humana, moviendo a los individuos más susceptibles al cambio climático a sitios más adecuados para su persistencia o, alternativamente, seleccionando individuos que posean las variantes genéticas que les permitan adaptarse a las condiciones climáticas futuras. Estos individuos pueden introducirse y cruzarse con individuos que se encuentran en las poblaciones más vulnerables, lo que puede lograrse ya sea moviendo a los individuos completos o utilizando propágulos,3 como polen o semillas, para imitar la dispersión natural, aumentando de esta forma las posibilidades de persistencia de las especies.

En México se han realizado distintos estudios que utilizan la compensación genómica para la conservación de las especies. A continuación, nos adentraremos en dos casos en los que se han estudiado plantas con las que seguramente te encuentras muy familiarizado: el pino y el maíz.

La compensación genética en acción: dos estudios para la preservación de la biodiversidad

Conservando los bosques templados del estado de Michoacán, México

Muchos hemos ido a una caminata por los bosques templados, rodeados por majestuosas montañas, en medio de enormes pinos, encinos y oyameles, disfrutando de un clima fresco. Si lo has hecho y has puesto atención, seguramente te habrás encontrado con una multitud de plantas y animales, como ardillas y aves posadas sobre las ramas. Asimismo, estos bosques proporcionan innumerables beneficios para el bienestar humano, como la regulación del ciclo del agua y de los ciclos globales de elementos importantísimos para la vida, como el carbono, el nitrógeno y el fósforo, la purificación del aire, entre otros, por lo que conservarlos es de vital importancia.

Ahí es donde empieza nuestra primera historia, en un bosque templado del estado de Michoacán, México, donde un grupo de científicas y científicos, preocupados por la conservación de este increíble ecosistema, se dio a la tarea de recolectar muestras de hojas. Lo que buscan no se ve a simple vista: quieren conocer la diversidad genética escondida en el adn de los árboles, para saber si resistirán el cambio climático en el futuro. Además, este bosque presenta otra gran amenaza: la deforestación para instalar cultivos como el aguacate y otros productos.

Michoacán es el principal productor de aguacate en el mundo, con aproximadamente 1.9 millones de toneladas al año para el 2022, según el Sistema de Información Agroalimentaria y Pesquera (siap, 2023). Desafortunadamente, la expansión de este cultivo ocasiona deforestación, convirtiendo al bosque en pequeños parches intercalados entre los huertos (si te interesa explorar cómo se ha expandido el cultivo de aguacate en la región, estas plataformas te lo muestra en mapas interactivos https://www.dynamicworld.app y ciga, Atlas del Proyecto persea). Aparte de eso, este bosque es también muy susceptible a los cambios de temperatura y precipitación ocasionados por el cambio climático. En otras palabras, enfrenta una doble amenaza: el cambio climático y el cambio de uso de suelo, que ocasionan una disminución en sus poblaciones y, como ya hemos visto, en la diversidad genética.

Para poder llevar a cabo su estudio, las científicas y científicos utilizaron al pino tlacote u ocote chino (Pinus leiophylla), con el objetivo de saber cuáles serán las poblaciones menos vulnerables ante ambas amenazas, y proponer áreas de conservación que permitan que este bosque continue con vida.

¡Y así comenzaron su trabajo! Primero colectaron muestras del pino tlacote por toda la franja aguacatera del estado de Michoacán (ver figura 4). Gracias al análisis de estas muestras obtuvieron los valores de compensación genómica de las poblaciones y, por otra parte, predijeron cuáles serían las áreas en donde seguirá ocurriendo la expansión de los huertos de aguacate para el año 2050. Además, también quisieron saber cómo sería afectada la conectividad entre los parches de bosque, (es decir, qué tan fácil o difícil resulta para los individuos moverse de una población a otra, dependiendo de las condiciones del hábitat). Una alta conectividad evita que las poblaciones queden aisladas y pierdan diversidad genética al no llegar nuevos alelos por migración.

Finalmente, integrando estos tres componentes (métrica de compensación genómica, pronóstico de la expansión futura de los huertos de aguacate y conectividad entre los parches de bosque), las científicas y los científicos encontraron que las poblaciones menos vulnerables serían aquellas ubicadas al este de la franja aguacatera (ver figura 4). Esta área incluye poblaciones que podrían adaptarse bien a los cambios ambientales futuros y que serán menos susceptibles a la extinción por el cambio de uso de suelo, manteniendo la conectividad entre parches. Además, esta zona abarca la Reserva de la Biosfera de la Mariposa Monarca, un sitio que proporciona refugio durante el invierno a las mariposas que migran desde Canadá y Estados Unidos, así como una gran cantidad de servicios ecosistémicos y culturales, por lo que su mantenimiento es clave para la conservación de la biodiversidad y el bienestar humano (Izaguirre-Toriz et al., 2024).

De esta forma las y los investigadores encontraron una manera de proponer estrategias para combatir el daño causado por el cambio climático y el cambio de uso de suelo en los bosques templados de Michoacán, al definir zonas donde será de vital importancia establecer propuestas que frenen la deforestación de estos bosques, dado que albergan poblaciones resistentes a dichos disturbios, ¿te imaginas un día de muertos sin el simbolismo de las mariposas monarcas en nuestro país?

Figura 4. Áreas para la conservación en la franja aguacatera en el estado de Michoacán. (A) Localización del estado de Michoacán, México. (B) Localización de la franja aguacatera dentro del estado de Michoacán. En color verde vemos los fragmentos de bosque en la franja aguacatera, mientras que en negro el área de la Reserva de la Biósfera de la Mariposa Monarca (rbmm). (C) rbmm como área prioritaria para la conservación de Pinus leiophylla. Estás poblaciones tienen menos valores de compensación genómica, menor pérdida de hábitat y una mayor conectividad entre las poblaciones.
Crédito: ilustración original realizada por Paulette Quintana y Vanessa Izaguirre.

Los teosintes al rescate del maíz

El maíz es la base de nuestra alimentación y un gran número de deliciosos platillos no serían posibles si no existiera. ¿Te imaginas una vida sin pozole, tortillas, chalupas, tamales, o unos sabrosos tacos? Bueno, pues todo esto podría suceder debido a los efectos del cambio climático. Desafortunadamente, en los últimos años, los cultivos de maíz se han enfrentado a temperaturas cada vez mayores a las que nuestros maíces no están acostumbrados, poniendo en gran peligro su supervivencia.

Para prevenir esto, un grupo de investigadoras e investigadores en el trabajo realizado por Aguirre-Liguori et al. (2019) decidió buscar soluciones utilizando la métrica de compensación genómica. Para ello, estudiaron a los parientes más cercanos del maíz, los teosintes Zea mays subespecie mexicana que habita en tierras altas y Zea mays subespecie parviglumis, perteneciente a las tierras bajas. Los teosintes, al estar estrechamente emparentados con el maíz, son genéticamente parecidos, y pueden cruzarse e introducir nuevas variantes genéticas adaptativas a los cultivos más susceptibles al cambio climático, favoreciendo su persistencia.

Las y los investigadores encontraron algo fascinante: de acuerdo con sus datos, algunas poblaciones de los teosintes de tierras altas portan variantes genéticas que las hacen más resistentes al aumento de las temperaturas. Estas variantes podrían usarse como una fuente de diversidad genética, al introducirlas en las poblaciones de maíz, rescatándolas ante los efectos del cambio climático, contribuyendo así a su supervivencia y a nuestra seguridad alimentaria.

Fue de este modo que mostraron que este tipo de experimentos entre parientes silvestres y especies domesticadas puede ser un mecanismo muy útil para introducir variabilidad genética a las poblaciones más vulnerables (ver figura 5), evitando la pérdida de tan importante alimento y asegurando nuestras placenteras comidas mexicanas.

Figura 5. (A) Ejemplo de una introducción de diversidad genética adaptativa a partir de especies de teosintes con características específicas. (B) Hay cruzamiento entre poblaciones de teosintes adaptadas y poblaciones susceptibles de maíz. (C) Con ello se obtienen individuos más resistentes a los efectos del cambio climático.
Créditos: ilustración original realizada por Paulette Quintana y Vanessa Izaguirre.

Un manejo responsable hace un mundo más diverso

El uso de los métodos que miden la compensación genómica y la vulnerabilidad al cambio climático es innovador, ya que nos abre la posibilidad de conocer cómo será la respuesta de las poblaciones en el futuro. Esto es importante dado que, con la crisis ambiental que los seres humanos estamos provocando, se ha ocasionado un declive de la biodiversidad a niveles alarmantes, poniendo en peligro la vida de muchas de las especies que conocemos. No olvidemos que como sociedad tenemos una responsabilidad colectiva con el planeta y con todos los seres con los que lo compartimos, por lo que estudiar y conocer la biodiversidad que nos rodea es clave para proponer soluciones y estrategias de conservación.

Si te interesa conocer más sobre el tema, te invitamos a que conozcas nuestro laboratorio Genética de la conservación, iies unam, Campus Morelia, en el que podrás conocer más sobre estos y otros proyectos de conservación que actualmente estamos llevando a cabo, y donde por supuesto podrás involucrarte si así lo deseas.

Agradecimientos

Programa de Apoyo a Proyectos de Investigación e Innovación Tecnológica (papiit), Dirección General de Asuntos del Personal Académico (dgapa), Universidad Nacional Autónoma de México, proyecto IN219223.

Referencias

• Aguirre-Liguori, J. A., Ramírez-Barahona, S., Tiffin, P., y Eguiarte, L. E. (2019). Climate change is predicted to disrupt patterns of local adaptation in wild and cultivated maize. Proceedings of the Royal Society B, 286(1906), 20190486. https://doi.org/10.1098/rspb.2019.0486.
• Laboratorio Universitario de Drones. (2022). Atlas del Proyecto persea. ciga, unam. Recuperado el 8 de septiembre de 2025, de https://tinyurl.com/3twpy9h7.
• Dynamic World – 10m global land cover dataset in Google Earth Engine. (s.f.). Recuperado el 24 de noviembre de 2025 de https://www.dynamicworld.app/.
• Fitzpatrick, M. C., y Keller, S. R. (2015). Ecological genomics meets community-level modelling of biodiversity: Mapping the genomic landscape of current and future environmental adaptation. Ecology Letters, 18(1), 1-16. https://doi.org/10.1111/ele.12376.
• Izaguirre‐Toriz, V., Aguirre‐Liguori, J. A., Latorre‐Cárdenas, M. C., Arima, E. Y., y González‐Rodríguez, A. (2024). Local adaptation of Pinus leiophylla under climate and land use change models in the Avocado Belt of Michoacán. Molecular Ecology, 33(13), e17424. https://doi.org/10.1111/mec.17424.
• Servicio de Información Agroalimentaria y Pesquera. (2023). Panorama Agroalimentario 2023. Recuperado el 12 de julio de 2024 de https://nube.agricultura.gob.mx/panorama_siap/.
• WorldClim. (s.f.). Recuperado el 24 de noviembre de 2025 de https://www.worldclim.org.

Recepción: 2024/10/24. Aceptación: 2026/01/16. Publicación: 2026/05/11.

Resumen

En este artículo se realiza un breve recuento de las fases más importantes en el desarrollo de dos ciencias interdisciplinarias particulares, la química no lineal y la biología matemática, que tienen su punto de partida en el anhelo humano de entender una cuestión fundamental: ¿cuál es nuestro origen? Conoceremos aportaciones de científicos que, de una u otra manera, han contribuido para la aclaración científica de este misterio, además de reiterar la necesidad del trabajo conjunto interdisciplinario de la física, matemáticas y biología para conseguirlo.
Palabras clave: morfógenos, química no lineal, sistemas complejos, biología matemática.

The chicken-and-egg problem: a path to interdisciplinary sciences

Abstract

This article briefly reviews the most important stages in the development of two particular interdisciplinary sciences, nonlinear chemistry and mathematical biology, both of which originate from the human desire to understand a fundamental question: what is our origin? We will learn about important contributions from scientists who, in one way or another, have helped to shed scientific light on this mystery, while also emphasizing the need for collaborative, interdisciplinary work among physics, mathematics, and biology in order to achieve this goal.
Keywords: morphogens, nonlinear chemistry, complex systems, mathematical biology.

---

Introducción

Desde las primeras civilizaciones, ha existido la necesidad de responder la cuestión: ¿de dónde venimos? Una pregunta más sencilla en términos cotidianos encierra el mismo contenido: ¿qué fue primero: el huevo o la gallina? Por siglos, la respuesta fue una paradoja: si primero fue el huevo, ¿qué o quién dio origen al mismo? Y si la respuesta es la gallina, ¿de dónde viene la gallina? Sin embargo, la respuesta no es contundente.

Proponemos un acercamiento a la respuesta a estas preguntas a partir de datos históricos basados en el trabajo interdisciplinario de diferentes áreas de las ciencias exactas como la física, la matemática, la química y la biología. La interdisciplina — intercambio y cooperación entre disciplinas científicas (Morin, 2010; García, 2011 y Llano Arana et. al., 2016)— es el conocimiento científico amalgamado de la necesidad de explicar nuevos comportamientos atípicos en fenómenos estudiados por dichas ciencias exactas, propio de las revoluciones científicas (Tomas Kuhn, 1990).

En este contexto, un comportamiento atípico es la aparente violación de leyes de la termodinámica1 en equilibrio. La primera y segunda leyes de la termodinámica establecen, para sistemas aislados de su entorno, la conservación de energía en el sistema y que la entropía2 no puede disminuir, respectivamente. Más aún, en el contexto de la química, cuando mezclas dos sustancias químicas A y B, éstas interactúan para formar un compuesto C (reacción química), pero si la reacción es reversible, el compuesto C se vuelve reactivo y evoluciona para formar nuevamente las sustancias A y B (reacción química reversible).

Cuando A y B forman el compuesto C la entropía aumenta, pero al evolucionar nuevamente de C hacia A y B, disipando la energía ganada, la entropía disminuye. La entropía aumenta y luego disminuye periódicamente, ¡como si la segunda ley de la termodinámica se violara! Esta aparente violación es, en realidad, la manifestación de comportamientos no lineales en la naturaleza. Además, ocurre cuando los sistemas físicos y químicos se encuentran fuera del equilibrio termodinámico; así sucede, en forma análoga, con los sistemas biológicos o el problema de ¿qué fue primero, el huevo o la gallina?

Protagonistas del cambio de paradigma no lineal y ciencia interdisciplinaria

Este comportamiento no lineal fue abordado por el héroe de la Segunda Guerra Mundial, Alan Mathison Turing (ver figura 1), un matemático suspicaz, que inventó una versión de la primera computadora para descifrar el código de la máquina enigma, y con esto conocer las comunicaciones del enemigo (bbc, 2015; Cuartero, 2012)3. Alan Turing, más allá de descifrar códigos de guerra, también intentó descifrar la mayor de las incógnitas: el origen de las formas vivas. Este genio matemático y criptógrafo postuló los pilares de la biología teórica mediante su trabajo seminal: “La química básica de la morfogénesis” (Turing, 1990).

Figura 1. Alan Mathison Turing (1912-1954), héroe de guerra, científico y matemático inglés, precursor de la biología teórica y considerado padre de las ciencias computacionales.
Créditos: Elliott y Fry, 1951.

Según Turing, el origen del desarrollo de las formas de los seres vivos (morfogénesis) está determinado por reacciones bioquímicas orgánicas4, las cuales generan las condiciones para dar principio a la vida. Para explicar esto, supuso la existencia de sustancias químicas hipotéticas llamados morfógenos, que son mensajeros químicos responsables de organizar células en tejidos y éstos a su vez forman los órganos de un ser viviente (ver figura 2).

Figura 2. Evolución de la vida, los morfógenos interaccionan entre sí formando moléculas complejas a través de reacciones químicas, estas a su vez, forman células, las cuales forman tejidos, que finalmente darán origen a un ser vivo complejo.
Créditos: Lourdes Mariana Guzmán Osorio.

Es decir, que el estado inicial del origen de la vida es una acumulación de sustancias químicas orgánicas que se mezclan —en nuestro caso, estos procesos concatenados desde la unión de átomos hasta la formación de moléculas complejas de adn configuran “el huevo””— y conspiran para formar un organismo de una única célula. Luego, este organismo evoluciona y se vuelve más complejo hasta alcanzar una constitución de muchas células (pluricelular) —“la gallina”—; sin embargo, su evolución es guiada por la química de reacciones bioquímicas. Estas reacciones, a diferencia de las reacciones químicas elementales, deben darse entre reactivos químicos del tipo chon (Carbono, Hidrógeno, Oxígeno y Nitrógeno).

Para mostrar su punto propuso, a partir de una reacción química elemental, un modelo matemático del tipo reacción-difusión. En términos sencillos, el modelo de reacción-difusión es un conjunto de fórmulas matemáticas que describen cómo ciertos patrones —como las manchas en la piel de un animal— se forman en la naturaleza (ver figura 3). La solución de este modelo matemático, la obtuvo por aproximación numérica mediante la computadora que había inventado años antes para descifrar el código de la máquina enigma5.

Figura 3. a) Imagen de la solución numérica propuesta por Turing, donde se puede observar patrones obtenidos similares a las manchas en la piel de vaca. b) Manchas de la piel de vaca. c) Algo semejante se ha podido obtener para las distintas formas de las manchas de la piel en otros animales (Kondo y Asai, 1995).
Créditos: a) Turing, 1990; b) Magnific, s.f., y c) Ehlers, s.f.

Una comprobación indirecta de la hipótesis de Turing sería obtenida por otro científico de desaparecida Unión de Repúblicas Socialistas Soviéticas (urss), Boris Pavlovich Belousov (ver figura 4a). Belousov fue un biofísico dedicado a desentrañar el misterio de las reacciones bioquímicas orgánicas del cuerpo humano (Sagués y Epstein, 2003). Logró reproducir las reacciones del ciclo del ácido cítrico, el cual es el proceso fundamental del ciclo de Krebs —ciclo mediante el cual todas nuestras células obtienen energía para funcionar—.

Figura 4. Retratos de los científicos que contribuyeron, de manera fundamental, para el desarrollo de las leyes de la química y la termodinámica no lineales, y la explicación del origen de la vida como la conocemos. a) Boris Pavlovich Belousov, b) Anatol Markovich Zhabotinsky y c) Illya Prigogine.
Créditos: a) Boris Pavlovich Belousov 2, 1935. b) Sandlaus, 1999. c) Ilya Prigogine 1977c, 197.

La observación de la reproducción de dicha reacción es espectacular: una reacción que cambia de color para regresar, un tiempo después, a su color original, y así sucesivamente hasta alcanzar un solo color. A este tipo de procesos químicos se les conoce como osciladores químicos o reacciones químicas oscilantes. ¿Qué significa que una reacción sea oscilante? En pocas palabras, que cambia de color una y otra vez, como si respirara. Cuando Belousov quiso publicar su descubrimiento, los revisores no lo entendieron, pues, aparentemente, violaba las leyes de la termodinámica.

Décadas después, otro biofísico ruso, Anatol Markovich Zhabotinsky (ver figura 4b), reivindicaría a Belousov al explicar que a las reacciones químicas oscilantes no se les puede aplicar leyes estáticas por ser un proceso dinámico y no lineal (Zhabotinsky, 1991). Por esta razón, el nombre más popular de las reacciones químicas oscilantes es reacción Belousov-Zhabotinsky ó reacción BZ. Posteriormente, este tipo de fenómenos químicos quedaría bien explicado y en 1977 le sería otorgado el premio Nobel de química a Ilya Prigogine (Prigogine, 1978; ver figura 4c) por descubrir las leyes de la termodinámica lejos del equilibrio, que se expresan en estructuras disipativas6.

Estas estructuras disipativas las puedes observar en fenómenos sencillos como un remolino de agua que se mantiene gracias al flujo constante de agua, o fenómenos más complejos como los huracanes en los océanos, que se mantienen por intercambio de calor en flujos de aire y agua. Hasta ahora, estos procesos físicos y químicos fuera de equilibrio refieren a que la química es la base de la vida, es decir, primero es “el huevo”, antes que “la gallina”.

A finales de la década de los noventa, estos conocimientos derivarían en la comprobación química experimental de los morfógenos de Turing. Una reacción química a base de iones7 de cloro y yodo, bajo condiciones de difusión controlad8, produce patrones cuyo comportamiento es llamado inestabilidad inducida por difusión. A esta reacción se le nombra reacción cima —clorito, iodo y ácido malónico— (Castets, Dulos, Boissonade, y de Kepper, 1990) y es la comprobación de la hipótesis de Turing en el área de la química no linea9.

Más aún, los morfógenos de Turing serían encontrados en el área de la biomedicina10 en modelos de ratones, al estudiar la formación del patrón espacial de folículos pilosos. El gen inhibidor DKK genera una sustancia bioquímica activadora (Wnt) de la densidad de los folículos pilosos del roedor, lo que significa la generación o inhibición de nuevos folículos (Sick, Reinker, Jens, y Thomas, 2006). El gen DKK es parte de una familia que produce proteínas inhibidoras de la vía Wnt, regulando la proliferación y el crecimiento celular para el mantenimiento de tejidos como el cuero cabelludo, que tiene folículos pilosos. Mientras que la vía de señalización Wnt es un sistema central de comunicación celular que controla cómo las células crecen, se diferencian y se organizan, para generar los folículos pilosos.

Al mismo tiempo que se desarrollaba la química no lineal, gracias al trabajo seminal de Alan Turing, muchos científicos fueron inspirados para desarrollar nuevas áreas de las ciencias. Hasta este momento, todo el desarrollo previo se basa en la química no lineal orgánica e inorgánica de materia inerte11. En los años setenta aparece el trabajo de James Dickson Murray12, quien puso a prueba la hipótesis de Turing. El resultado de dicha evaluación bajo el tamiz científico derivó en Biología matemática (Murray, 2002), que es una nueva área de la ciencia que reúne los conocimientos científicos de la biología y la matemática para amalgamarlas en una sola. Esta evolución hacia el uso de la matemática como herramienta fundamental para entender y describir procesos más complejos como los biológicos muestra su importancia. Comienza a asomarse “la gallina”.

Una consecuencia del conocimiento científico generado por esta nueva área, es la generalización del modelo matemático propuesto por Turing para explicar el origen de las formas biológicas (Sutherland, 2017). Además, se propone una nueva clasificación de modelos: químicos, mecánicos y mecanoquímicos (Maini, 2004; Morales et al., 2015). En cuanto a los químicos, se encuentran los modelos de reacción-difusión bajo inestabilidad de Turing, que son fáciles de resolver, pero no tienen interpretación biológica directa. ¿Dónde podemos observar fenómenos de reacción-difusión? Piensa en una gota de tinta en la superficie del agua en un recipiente, la tinta se dispersará formando patrones. De los mecánicos, encontramos un nuevo tipo, en el cual se consideran al movimiento, proliferación e interacción de las células con su entorno, los cuales son difíciles de tratar analítica y numéricamente. Finalmente, los mecanoquímicos son una combinación de los modelos anteriores; tienen interpretación biológica y son más fáciles de tratar analítica y numéricamente.

En términos sencillos, el modelo matemático generalizado que describe estos fenómenos depende de dos variables que interactúan y deben ser encontrados sus valores que den solución a las ecuaciones; una de las variables del modelo representa la concentración química13 y la otra la densidad celular14 (Meinhardt, 2012). Como es común en ciencia, la búsqueda de la comprensión de los fenómenos involucra la formulación de distintos modelos, y la elección de los más sencillos para realizar los estudios correspondientes. Así, ya podemos notar la primigenia de “el huevo” antes que “la gallina”.

Actualmente, los modelos mecano-químicos permiten completar la teoría de Turing, así como modelar y simular los procesos biológicos, aportando conocimiento científico a la biología del desarrollo, área de la biología que explica la morfogénesis de los organismos. Por ejemplo, un nuevo modelo mecano-químico que explica la morfogénesis de las manchas en la piel de los animales marinos (Morales et al., 2015) e incluso el vitíligo en humanos (Ochoa-Gutiérrez et al., 2025) revela que Turing iba en el camino correcto, pero no consideró las interacciones físicas entre las células. Esto provoca un proceso de retroalimentación químico-físico —no solamente los morfógenos químicos— entre las diferentes capas de piel, concentraciones químicas y sus diferentes tipos de células, lo cual genera los sorprendentes y bellos diseños en la pigmentación y la piel de los animales vertebrados marinos.

Al mismo tiempo, se ha propuesto una clasificación de procesos que tienden a agregar componentes individuales en estructuras más complejas: autoensamble y autoorganización (Rossi et al., 2008), con el fin de explicar el origen de la vida. Autoensamble se entiende como el proceso en el que componentes (moléculas, partículas, etcétera) se agrupan espontáneamente en una estructura ordenada fuera del equilibrio, guiados por interacciones químicas o físicas. Mientras que la autoorganización se ha redefinido como una combinación de procesos de autoensamblaje y estructuras disipativas (Rossi et al., 2008).

Un ejemplo de una estructura de autoensamble se da en una mezcla de leche entera, colorantes vegetales y jabón, en la que se forman patrones de colores que se organizan espontáneamente por sus interacciones de moléculas de grasa de la leche (hidrofóbicas15) y las moléculas del jabón con agua (hidrofílicas16) (ver video 1).

Video 1. Experimento en el que se ejemplifica el autoensamblaje (Correo del maestro, 2016).

En cuanto a la autoorganización, puedes pensar en las gotas de aceite que se agrupan solas, porque son hidrofóbicas, en tu caldo de pollo o en la sopa. También se puede observar en burbujas de jabón o manchas de aceite en el pavimento donde películas delgadas se autoorganizan en capas con diferentes espesores, lo que produce patrones de colores. La física del autoensamble y las estructuras disipativas también complementa los modelos matemáticos tipo Turing.

En otras palabras, el todo es más que la unión de las partes. Esta idea sustenta la hipótesis de que materia inerte al interaccionar causa un nuevo comportamiento de componentes orgánicos: la vida unicelular y pluricelular17. Nuevos experimentos a partir de sustancias químicas orgánicas inertes, al mezclarse y cambiar su temperatura o pH18 generan estructuras que imitan la vida unicelular como son las micelas19 y membranas fosfolípidas20, que son estructuras autoensambladas. Esto corrobora que la vida se basa en procesos no lineales de la química, es decir, primero es “el huevo” antes que “la gallina”.

Conclusión

Hoy en día la concepción del origen de la vida se encuentra reformulada en la pregunta ¿qué fue primero, el huevo o la gallina? A la civilización humana le ha costado al menos 80 años obtener un acercamiento a una respuesta científica de los morfógenos de Turing: el huevo. En otras palabras, lo que parecía una paradoja del huevo y la gallina empieza a resolverse desde la química: primero fueron las moléculas, luego la vida. En el trayecto para obtener una respuesta, se han generado dos nuevas áreas interdisciplinarias: química no lineal y biología matemática. Y eso sin contar que se han extendido otras áreas científicas: la termodinámica, en la parte de la física fuera de equilibrio, y la biología del desarrollo como biología teórica.

La interdisciplinariedad, pues, se ha convertido en el nuevo paradigma que conduce el desarrollo de la investigación científica. Ahora es necesario atacar los problemas a resolver desde distintas áreas del conocimiento, lo que enriquece y proporciona un nuevo tipo de conocimiento científico interdisciplinario. Quizá, en el futuro, cuando alguien vuelva a preguntar qué fue primero el huevo o la gallina, podremos responder no sólo con ciencia, sino también con una historia de colaboración entre disciplinas. Sin duda, el conocimiento obtenido en estas áreas interdisciplinarias será el punto de partida para la generación de otras nuevas, ¿quizás la ingeniería de tejidos pueda ser aplicada a la producción de órganos artificiales por bioimpresión 3D? Pero eso es otra historia.

Agradecimientos

Vicerrectoría de Investigación y Estudios de Posgrado – buap, id Proyecto: 00094-pvg/2026

Referencias

• bbc. (2015). Alan Turing: Creator of modern computing. Bitesize. https://www.bbc.co.uk/teach/articles/zhwp7nb
• Boris Pavlovich Belousov 2. (1935). [Fotografía]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Boris_Pavlovich_Belousov_2.jpg
• Castets, V., Dulos, E., Boissonade, J., y de Kepper, P. (1990). Experimental evidence of a sustained standing Turing-type nonequilibrium chemical pattern. Physical review letters, 64(24), 2953-2956. https://doi.org/10.1103/PhysRevLett.64.2953
• Correo del Maestro. (2016, 20 de mayo). Tensión superficial – Leche de colores [Video]. YouTube. https://www.youtube.com/watch?v=Q1JIu8aMiyE
• Cuartero, F. (2012, 01 de marzo). El problema de la decidibilidad. Alan M. Turing iii. Hablando de Ciencia. https://tinyurl.com/5fsw4zzd
• Ehlers, M. (s.f.). [Patrón de manchas en los peces]. Pexels. https://www.pexels.com/es-es/foto/naturaleza-colegio-escuela-pez-13191927/
• Elliott y Fry. (1951). Alan Turing [Fotografía]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Alan_Turing_(1951).jpg
• García, R. (2011). Interdisciplinariedad y sistemas complejos. Revista Latinoamericana de metodología de las ciencias Sociales, 1(1), 66-101. https://www.memoria.fahce.unlp.edu.ar/art_revistas/pr.4828/pr.4828.pdf
• Henry Cinemas Oficial. (2015, 23 de febrero). El Código Enigma Trailer Oficial Subtitulado [Video]. YouTube. https://youtu.be/Va7JzWpE97g?si=Cwpr1pI6ETDHPcBd
• Kondo, S., y Asai, R. (1995). A reaction–diffusion wave on the skin of the marine angelfish Pomacanthus. Nature, 376(6543), 765-768. https://doi.org/10.1038/376765a0
• Kuhn, T. S. (2019). La estructura de las revoluciones científicas. Fondo de Cultura Económica.
• Ilya Prigogine 1977c. (1977). [Fotografía]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Ilya_Prigogine_1977c.jpg
• Llano Arana, L., Gutiérrez Escobar, M., Stable Rodríguez, A., Núñez Martínez, M. C., Masó Rivero, R. M., y Rojas Rivero, B. (2016). La interdisciplinariedad: una necesidad contemporánea para favorecer el proceso de enseñanza aprendizaje. Medisur, 14(3), 320-327. http://scielo.sld.cu/pdf/ms/v14n3/ms15314.pdf
• Magnific. (s.f.). Fotografía en primer plano de una vaca y un ternero en un campo verde con valla. https://tinyurl.com/yrsy5pj3
• Maini, P. K. (2004). Using mathematical model to help understand biological pattern formation. Comptes Rendus Biologies, 327(3), 225-234. https://doi.org/10.1016/j.crvi.2003.05.006
• Mansilla, R. (2012). Una breve introducción a la econofísica. Equipo Sirius. https://tinyurl.com/bdzx65rv
• Meinhardt, H. (2012). Turing’s theory of morphogenesis of 1952 and the subsequent discovery of the crucial role of local self-enhancement and long-range inhibition. Interface Focus, 2(4), 407-416. https://doi.org/10.1098/rsfs.2011.0097
• Morales, M. A., Rojas, J. F., Oliveros, J., y Hernández-Santiago, A. A. (2015). A new mechanochemical model: Coupled Ginzburg–Landau and Swift–Hohenberg equations in biological patterns of marine animals. Journal of Theoretical Biology, 368, 37-54. https://doi.org/10.1016/j.jtbi.2014.12.005
• Morin, E. (2010). Sobre la interdisciplinariedad. Publicaciones Icesi.
• Murray, J. D. (2002). Mathematical biology i, An introduction. Springer.
• Ochoa-Gutiérrez, H. O., Montes-Pérez, A., y Morales, M. A. (2025). A new nonlinear model of reaction–diffusion-advection applied to some scar anomalies and cutaneous mosaicism. Mathematics and Computers in Simulation, 240, 612-632. https://doi.org/10.1016/j.matcom.2025.07.029
• Prigogine, I. (1978). Time, structure and fluctuations. Science, 201(4358), 777-785. https://doi.org/10.1126/science.201.4358.777
• QuantumFracture. (2015, 12 de marzo). Las Leyes de la Termodinámica en 5 Minutos [Video]. YouTube. https://www.youtube.com/watch?v=Bvfn6eUhUAc
• Rossi, F., Ristori, S., Rustici, M., Marchettini, N., y Tiezzi, E. (2008). Dynamics of pattern formation in biomimetic systems. Journal of Theoretical Biology, 255(4), 404-412. https://doi.org/10.1016/j.jtbi.2008.08.026
• Sagués, F., y Epstein, I. R. (2003). Nonlinear chemical dynamics. Dalton transactions (7), 1201-1217. https://doi.org/10.1039/b210932h
• Sandlaus. (1999). Anatol-Zhabotinsky 1999 [Fotografía]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Anatol-Zhabotinsky_1999.TIF
• Sick, S., Reinker, S., Jens, T., y Thomas, S. (2006). WNT and DKK determine hair follicle spacing through a reaction-diffusion mechanism. Science, 314(5804), 1447-1450. https://doi.org/10.1126/science.1130088
• Sutherland, J. D. (2017). Opinion: Studies on the origin of life —the end of the beginning. Nature Reviews Chemistry, 1(2), 0012. https://doi.org/10.1038/s41570-016-0012
• Turing, A. M. (1990). The chemical basis of morphogenesis. Bulletin of Mathematical Biology, 52, 153-197. https://doi.org/10.1007/bf02459572
• Zhabotinsky, A. M. (1991). A history of chemical oscillations and waves. Chaos: An Interdisciplinary Journal of Nonlinear Science, 1(4), 379-386. https://doi.org/10.1063/1.165848

Recepción: 2024/10/28. Aceptación: 2026/02/13. Publicación: 2026/05/11.

Resumen

Cada noche, mientras dormimos, el cerebro no descansa: sueña. Los sueños son una forma de actividad cognitiva subjetiva que procesa emociones, memorias y experiencias del día; aunque no siempre los recordemos, eso no indica ningún problema de salud. Este artículo recorre lo que la ciencia sabe sobre los sueños: por qué ocurren, en qué etapas del sueño aparecen —y por qué no es exclusivo de la fase rem—, cómo el estrés y el trauma los intensifican, y qué son los sueños lúcidos. A partir de investigaciones recientes, se exploran también las pesadillas como respuesta al procesamiento emocional y su relación con eventos como la pandemia de covid-19. Un recorrido por uno de los fenómenos más universales y menos comprendidos de la experiencia humana.
Palabras clave: sueños, fases del sueño, sueños lúcidos, pesadillas, salud mental.

While We Sleep: What Science Has Discovered About Dreams

Abstract

Each night, while we sleep, the brain does not rest—it dreams. Dreams are a form of subjective cognitive activity that processes emotions, memories, and daily experiences; although we do not always remember them, this does not indicate any health problem. This article explores what science knows about dreams: why they occur, in which stages of sleep they appear—and why they are not exclusive to rem sleep—how stress and trauma intensify them, and what lucid dreams are. Drawing on recent research, it also examines nightmares as a response to emotional processing and their relationship to events such as the covid-19 pandemic. A journey through one of the universal and least understood phenomena of human experience.
Keywords: dreams, sleep stages, lucid dreaming, nightmares, mental health.

---

Introducción

Los sueños son sucesos cognitivos fascinantes e interesantes que ocurren al dormir. No siempre se recuerdan —y eso no representa ningún problema de salud—. Su duración y su contenido varían incluso dentro de la misma persona, y sólo el ensoñador tiene acceso directo a lo que sueña.

Esa condición íntima plantea un problema para su estudio: no existe una vía directa para investigar los fenómenos oníricos de forma global. Cada individuo accede sólo a sus propios sueños, nunca a los de los demás. Aun así, la imposibilidad de observarlos de manera directa no cancela su estudio. Existen herramientas indirectas —entrevistas, encuestas— que permiten explorar con qué sueñan otras personas. Sin embargo, estos métodos introducen nuevas dificultades: dependen por completo del testimonio del encuestado, que puede ser impreciso por reserva, por fallas de memoria o por otras razones.

Por ello, una de las estrategias más confiables consiste en observar a un individuo mientras duerme y realizarle diversos estudios, como los electroencefalogramas (eeg) y la resonancia magnética funcional (fMRI). Estos permiten conocer la profundidad del sueño, relacionar la actividad onírica con los movimientos corporales e identificar qué partes del cerebro muestran actividad, entre otros aspectos (Scarpelli et al., 2022).

Qué son los sueños y para qué sirven

Una vez reconocidas las dificultades del material onírico, es posible aproximarse a su naturaleza. Los sueños son una actividad cerebral cognitiva y subjetiva que ocurre durante el sueño y que busca imitar la realidad. Se generan en la imaginación; sin embargo, persiste la pregunta: ¿por qué soñamos?, ¿tiene alguna función o se trata de un residuo evolutivo?

La evidencia sugiere que soñar cumple funciones benéficas. Según Scarpelli et al. (2022), los sueños ayudan a procesar el exceso de información mental y emocional acumulada durante el día. A través de la actividad onírica, la mente construye representaciones de la realidad que expresan lo vivido: deseos, fantasías, miedos y otras experiencias. Esta forma de expresión contribuye a la salud mental (Scalabrini et al., 2021).

Cuando la noche procesa lo difícil

Si los sueños procesan estados emocionales, también intervienen en la elaboración de experiencias traumáticas o estresantes. En estos casos, aumentan su frecuencia, vividez, intensidad emocional y facilidad de recuerdo (Scalabrini et al., 2021). Algunos autores, como Scarpelli et al. (2022), interpretan este fenómeno como una desviación de la función general; aun así, conserva el propósito de procesar la sobrecarga diaria.

Estos sueños, asociados con el trauma o el estrés, se conocen como pesadillas. Se distinguen por su carga emocional negativa y por la huella que dejan en el soñador. En la mayoría de los casos, los sueños con emociones intensas —sobre todo negativas— se recuerdan con mayor facilidad y ocurren con más frecuencia que aquellos de tono positivo.

Un ejemplo claro apareció durante la pandemia de covid-19. En ese periodo, muchas personas vivieron estados persistentes de ansiedad. La investigación de Sommantico et al. (2021) mostró que los sueños se volvieron más intensos, frecuentes y vívidos. Además, cuanto más cercanos eran los eventos estresantes, mayor era la presencia de emociones negativas en los sueños.

El mismo estudio señala variaciones según la edad: los adolescentes reportaron sueños más breves y fáciles de recordar, mientras que los adultos presentaron con mayor frecuencia emociones negativas e impresiones sensoriales.

La geografía del descanso: dónde ocurre el sueño

El simple hecho de dormir no garantiza entrar en un estado de ensoñación; para comprenderlo, es necesario revisar las etapas del sueño. Según Fabres y Moya (2021), estas pueden dividirse en sueño rem —del inglés Rapid Eye Movement, o movimiento ocular rápido— y no rem.

El sueño no rem se subdivide en tres fases. La fase N1 corresponde a un estado de somnolencia y agrupa alrededor del 5 % del tiempo de sueño total. La fase N2 se distingue por unas ondas cerebrales denominadas husos de sueño y complejo K; representa entre el 45 y el 55 % del tiempo total del sueño. La fase N3, la más profunda y con mayores propiedades reparadoras para el cuerpo, constituye cerca del 15-20 % del tiempo de sueño total.

La otra etapa, el sueño rem, conforma entre el 20 y el 25 % del tiempo de sueño total. Suele manifestarse entre 60 y 120 minutos después de conciliar el sueño y se caracteriza por una parálisis muscular, una actividad de ondas cerebrales desordenadas y un movimiento ocular rápido de forma horizontal.

Aunque muchos autores consideran el sueño rem como la etapa en que tienen lugar los sueños, Scarpelli et al. (2022) señalan que es posible experimentarlos en ambas fases —rem y no rem—, pues al modificar el criterio de recolección de datos se pueden obtener reportes de sueños durante la fase no rem. Siclari et al. (2017) van más lejos: aunque es más habitual que las personas recuerden haber soñado tras la fase rem, también existen casos en que se reportan sueños en quienes han atravesado únicamente la fase no rem. Estos autores señalan que los sueños se distinguen más por la actividad cerebral en zonas concretas del área cortical posterior del cerebro —a las que denominan hot zones— que por la fase de sueño en que se encuentre la persona. Dicha actividad se caracteriza por un bajo contenido de actividad de baja frecuencia y un alto contenido de actividad de alta frecuencia.

Bajo estos criterios, los sueños en estado no rem son posibles, aunque tienden a ser más fragmentados, basados principalmente en pensamientos y con una baja carga emocional; el sueño rem, en cambio, se caracterizará por sueños más bizarros, vívidos y fantasiosos, con una mayor carga emocional.

Sueños lúcidos: cuando el soñador toma el control

Los sueños son, en términos generales, imágenes y representaciones mentales generadas de manera involuntaria que buscan replicar la realidad. Sin embargo, hay ocasiones en que dejan de ser completamente involuntarios; en esos casos se les conoce como sueños lúcidos.

Los sueños lúcidos implican un grado de consciencia durante la ensoñación: el soñador es capaz de percatarse de que los sucesos que experimenta no son la realidad, sino sólo un sueño, y eso le otorga cierto control sobre lo que ocurre. Quienes los experimentan también desarrollan una mayor capacidad para recordar sus sueños. Por todo ello, el entrenamiento del sueño lúcido resulta de gran utilidad para que una persona logre superar exitosamente una pesadilla (Méndez de la Brena y Schoenmann, 2020).

Lo que aún no sabemos

A lo largo de este texto se han repasado diversos conceptos para comprender los sueños; ahora es posible acercarse a ellos con mayor claridad. Aun así, conviene recordar que los sueños son individuales: la forma en que cada persona los experimenta es única, pues dependen en gran medida de las circunstancias en que cada uno se ha desarrollado. Esto abre interrogantes que la ciencia todavía no ha respondido: ¿con qué sueñan las personas ciegas? ¿Los animales también son capaces de soñar, o los humanos somos los únicos con esa capacidad? Estas preguntas muestran que estamos muy lejos de descifrar la totalidad de lo que significa soñar. Sin embargo, eso no debería desalentar a ningún investigador —ni a ningún lector— interesado en la experiencia onírica; la búsqueda de esas respuestas suele ser, en muchas ocasiones, bastante divertida, sobre todo cuando el tema es tan fascinante como los sueños.

Grandes obras científicas y de entretenimiento han sido igualmente cautivadas por los sueños, y no es de extrañar: se trata de un tema comprensible de manera universal, sin importar la lengua o la cultura. Despierta un interés generalizado porque representa, de modo extraordinario, todo lo que ocurre en nuestra mente —experiencias, memorias, ideas, miedos, deseos y mucho más.

Como nota final, recomendamos a las personas lectoras que sigan ampliando sus conocimientos sobre los sueños como método de comprensión propia, pues a través de ellos expresamos gran parte de lo que sentimos y pensamos. Quien logre aceptarlos y comprenderlos obtendrá un nuevo entendimiento de sí mismo y de quienes lo rodean.

Referencias

• Fabres, L., y Moya, P. (2021). Sueño: conceptos generales y su relación con la calidad de vida. Revista Médica Clínica Las Condes, 32(5), 527-534. https://doi.org/10.1016/j.rmclc.2021.09.001.
• Méndez de la Brena, D. E., y Schoenmann, C. (2020). Lucid dreaming as a method for living otherwise. Sociología y Tecnociencia, 11(1), 125–151. https://revistas.uva.es/index.php/sociotecno/article/view/4922.
• Scalabrini, A., Esposito, R., y Mucci, C. (2021). Dreaming the unrepressed unconscious and beyond: Repression vs dissociation in the oneiric functioning of severe patients. Research in Psychotherapy: Psychopathology, Process and Outcome, 24(2), 111–121. https://doi.org/10.4081/ripppo.2021.545.
• Scarpelli, S., Alfonsi, V., Gorgoni, M., y De Gennaro, L. (2022). What about dreams? State of the art and open questions. Journal Of Sleep Research, 31(4), e13609. https://doi.org/10.1111/jsr.13609.
• Siclari, F., Baird, B., Perogamvros, L., Bernardi, G., LaRocque, J. J., Riedner, B., Boly, M., Postle, B. R., y Tononi, G. (2017). The neural correlates of dreaming. Nature Neuroscience, 20, 872-878. https://doi.org/10.1038/nn.4545.
• Sommantico, M., Iorio, I., Lacatena, M., y Parrello, S. (2021). Dreaming during the covid-19 lockdown: a comparison of Italian adolescents and adults. Research in Psychotherapy: Psychopathology, Process and Outcome, 24(2), 212–223. https://doi.org/10.4081/ripppo.2021.536.

Recepción: 01/11/2024. Aceptación: 23/04/2026. Publicación: 11/05/2026.