Pídele a una IA que te explique el barroco musical y responderá con la soltura de un catedrático. Pídele, justo después, que coloque una síncopa en el compás correcto de un pentagrama, y la misma herramienta empieza a inventar. Con el mismo aplomo, eso sí. Esa es la parte que más debería preocuparnos. Falla con la misma seguridad con la que acierta, sin titubear nunca cuando se equivoca.
Pasa lo mismo fuera de la música. Redacta un contrato mejor que muchos expertos. Traduce un email del alemán sin despeinarse. Y sin embargo, si le pides un plano técnico con las proporciones bien puestas, puede entregarte un coche con las cuatro ruedas en horizontal como si fuera lo más normal del mundo. Resuelve un problema de física con precisión casi perfecta, pero en cuanto ese mismo problema viene acompañado de un diagrama de fuerzas, algo se rompe.
A simple vista, parece que la IA domina unas asignaturas y tropieza en otras. Cierto, pero la explicación de fondo es más fina. El fallo se concentra en un tipo muy concreto de tarea dentro de esa asignatura. Un mismo profesor de música puede pedirle a la IA que le explique el contrapunto (sobresaliente) y que se lo escriba en un pentagrama (suspenso), en la misma conversación, con el mismo modelo. Vamos a entender por qué ocurre esto, usando la música como columna vertebral del argumento, pero parando también en otras asignaturas para que cualquier docente reconozca aquí su propia materia.
La anterior imagen también revela las limitaciones actuales de la IA al generar notación musical, mientras que el texto es correcto. Aunque a simple vista parece una partitura convincente, contiene numerosos errores: comienza con un trazo que no corresponde a ningún símbolo musical válido, carece de armadura y de indicación de compás, no incluye barras de compás ni barra final, las figuras rítmicas no respetan una métrica coherente, las dos voces no mantienen una relación temporal consistente, las plicas y agrupaciones de corcheas incumplen las convenciones de escritura y el espaciado entre notas resulta arbitrario. Para un lector sin formación musical puede parecer correcta, pero para cualquier músico, los errores son evidentes desde la primera figura.
Explicar no es lo mismo que ejecutar
Hay una distinción que conviene fijar ya, porque explica casi todo lo que viene después.
Una cosa es describir cómo funciona el contrapunto. Otra, muy distinta, es construir uno correcto, nota a nota, respetando el movimiento entre voces. Una cosa es reconocer que una tercera mayor existe cuando se la nombras. Otra es colocarla, con exactitud, en el pentagrama y el compás que le has pedido.
Este patrón, explicar bien y ejecutar mal, aparece con una regularidad casi sospechosa en cualquier disciplina que exija precisión simbólica. Y tiene una explicación técnica muy concreta.
Cómo razona en realidad un modelo de lenguaje
Un modelo de lenguaje no trae, de fábrica, una calculadora interna ni un motor de reglas exactas. Lo que hace, en su forma más pura, es predecir la palabra más probable a partir de patrones vistos durante su entrenamiento.
Cuando te dice que un Do sostenido “está cerca” de un Re, no lo sabe por geometría musical. Lo sabe porque esas dos palabras aparecen juntas, una y otra vez, en textos sobre teoría musical. Es asociación de lenguaje, aprendida por pura repetición estadística.
Aquí hay que matizar algo importante, porque los modelos actuales ya no son tan “puros” como hace un par de años. Cuando la tarea lo permite, pueden apoyarse en herramientas externas (ejecutar código, usar una calculadora, invocar un lector óptico) para resolver con precisión lo que su intuición de texto no garantiza. El problema es que, ante un pentagrama, ese atajo casi nunca existe. No hay hoy un “intérprete de partituras” integrado de forma fiable en los asistentes generales. Así que el modelo vuelve a lo que sabe hacer por defecto, adivinar con palabras.
Y adivinar con palabras funciona de maravilla en marketing, donde diez formas distintas de escribir un titular pueden servir todas. Funciona fatal en notación musical, donde un intervalo es una tercera mayor o no lo es. No hay término medio.
Esto, de nuevo, no es exclusivo de la música. Un estudio publicado en julio de 2026, que evaluó al modelo o4-mini de OpenAI resolviendo problemas de física de un manual universitario clásico, el “Fundamentals of Physics” de Halliday y Resnick, encontró algo llamativo. En problemas de texto puro, la precisión alcanzaba el 96%, pero caía al 79% en problemas que exigían interpretar coordinadamente texto e imagen. El modelo entendía la física; lo que fallaba era leer bien el diagrama que la acompañaba.
El rastro digital: por qué unos conocimientos dejan más huella que otros
Un modelo aprende de lo que existe en cantidad y con calidad en su entrenamiento. Y aquí el lenguaje, el código y el marketing juegan con ventaja casi injusta: internet está lleno de ejemplos verificados y corregidos entre pares. Millones de líneas de código revisadas por otros programadores. Décadas de artículos, foros, libros.
La notación musical sí tiene volumen bruto disponible. La plataforma IMSLP por sí sola reúne cientos de miles de partituras de dominio público. Sin embargo, la inmensa mayoría son escaneos o PDFs sin estructura simbólica legible por una máquina, y casi ninguna viene acompañada de un análisis verificado (qué es cada acorde, qué función cumple, dónde hay un error de grabado). Apenas existen conjuntos masivos de partituras en formato simbólico y anotado, del tipo que un modelo necesitaría para aprender el equivalente musical de “esto está bien escrito y esto no”.
En dibujo técnico pasa algo parecido, con una manifestación casi cómica. Un estudio sobre generación de modelos CAD con modelos multimodales, llamado CAD-GPT, documenta que estos sistemas carecen de capacidad de razonamiento espacial y pueden generar, por ejemplo, un coche con las cuatro ruedas puestas en horizontal, o una mesa con las patas sobresaliendo del tablero y colocadas sin ningún criterio.
BenchCAD, un benchmark de 2026 diseñado específicamente para evaluar IA sobre tareas de diseño industrial, confirma que el reconocimiento espacial holístico a partir de una imagen falla sistemáticamente más que la comprensión del propio código CAD. Son dos habilidades distintas. Dominar una no garantiza nada sobre la otra.
En matemáticas hay una variante de este mismo problema que afecta de lleno a cualquier profesor que use IA para corregir. Pedirle a un modelo que resuelva un problema es una cosa, y la hace bien. Pedirle que diagnostique el error concreto de un alumno a partir de su procedimiento escrito a mano, con sus tachones y su lógica particular, es otra muy distinta. Ese diagnóstico fino del error humano lleva décadas siendo un reto de investigación en didáctica, mucho antes de que existiera la IA generativa. Saber la respuesta correcta no implica saber por qué alguien se ha equivocado.
El punto ciego de la multimodalidad
Hay una tercera capa que casi nunca se explica bien, y es quizá la más reveladora de todas.
Combinar visión, símbolo y espacio en una sola tarea es mucho más difícil que resolver cada cosa por separado. Un benchmark reciente llamado MusICA-MetaBench, de investigadores de las universidades Carolina de Praga y Técnica de Brno, sometió a varios modelos a preguntas sobre una misma pieza musical (identificar notas, intervalos, ritmos, acordes), presentada en tres formatos: audio, imagen de la partitura y notación simbólica en texto plano (el sistema ABC, que escribe la música como una cadena de caracteres, sin ningún componente visual). El patrón fue nítido. Los modelos rindieron mejor cuando la música llegaba como texto, peor con la imagen de la partitura, y peor aún con el audio puro. Es la misma jerarquía que ya vimos con la física de Halliday y Resnick, ahora con un escalón intermedio: cuanto más se aleja la tarea del lenguaje puro y más exige percepción visual o auditiva, más cae el rendimiento.
En generación de imagen, este problema ya es notable, pero en vídeo se agrava todavía más, y no es casualidad. Un modelo de vídeo no genera una sola imagen, genera decenas de fotogramas que tienen que mantenerse coherentes entre sí a lo largo del tiempo, lo que en la literatura técnica se llama coherencia espaciotemporal.
Una revisión académica publicada en ACM Computing Surveys (2026) sobre este problema lo resume con claridad: la generación de vídeo exige no solo fotogramas individuales de calidad, sino una coherencia temporal fuerte a lo largo de toda la secuencia, algo mucho más exigente que generar una imagen estática.
El pentagrama del siguiente frame de un vídeo generado por IA es un ejemplo perfecto de por qué la notación musical sale perdiendo en ese reparto de esfuerzo computacional. Es un detalle simbólico diminuto y de baja tolerancia al error dentro de una escena mucho más grande, y el modelo prioriza que la persona, la pizarra y el aula se vean coherentes fotograma a fotograma antes que la posición exacta de cada nota, así que las notas cambian de forma casi aleatoria de un sistema a otro, o incluso dentro del mismo pentagrama.
Cuatro formas de representar el conocimiento
Con todo esto encima de la mesa, proponemos un marco propio, no un hallazgo sacado de ningún paper, para ordenar el fenómeno. Puede ser útil para cualquier docente que quiera anticipar dónde pisa fuerte la IA y dónde conviene desconfiar antes de probar algo nuevo con sus alumnos.
Hay conocimiento lingüístico, el de escribir, traducir, argumentar. Es el terreno de asignaturas como Lengua, Literatura Universal, Idiomas o Historia, donde el resultado se construye casi siempre con palabras. Aquí la IA es extraordinaria, y probablemente lo seguirá siendo mucho tiempo, porque es el terreno para el que estos sistemas fueron diseñados desde su base.
Hay conocimiento procedimental, el de programar, automatizar, usar una hoja de cálculo. Aparece en Tecnología, Informática o en la parte más aplicada de Economía. También rinde muy bien, en parte porque el código es, en el fondo, lenguaje con reglas gramaticales muy estrictas.
Hay conocimiento simbólico estricto, el de la notación musical, las fórmulas químicas, los circuitos, el álgebra. Aparece en Música, Física y Química, y en buena parte de las Matemáticas. Aquí conviene un matiz importante, porque no es toda la asignatura la que falla por igual. Preguntar por la fórmula del ácido sulfúrico o explicar qué es un enlace covalente es una tarea puramente lingüística, un dato que el modelo recupera de memoria, y ahí acierta casi siempre. El problema aparece cuando hay que construir o leer una representación simbólica exacta a partir de datos nuevos, ajustar una reacción química concreta, resolver una estructura de Lewis con sus pares de electrones bien colocados, o interpretar un espectro. Ahí, igual que con el pentagrama, el resultado no puede “sonar razonable”. Tiene que ser exacto, y es donde aparecen las limitaciones más claras.
Y hay conocimiento espacial, el de la perspectiva, la rotación mental, la geometría, el dibujo técnico. Aparece en Dibujo Técnico, Geometría, Tecnología y buena parte de la Educación Plástica. El Visual Reasoning Benchmark, un estudio publicado a comienzos de 2026 que evaluó varios modelos con 701 preguntas reales tomadas de exámenes de Primaria en Zambia e India, encontró algo curioso. Los modelos rinden bien en tareas estáticas, como contar elementos o escalar una figura, pero chocan con un techo claro en tareas dinámicas, como doblar, rotar o reflejar mentalmente una figura. Es la misma jerarquía de dificultad que muestran niños de entre 9 y 12 años enfrentados a los mismos problemas, aunque en los modelos aparece de forma bastante más marcada.
La idea que resume todo esto es la tolerancia al error. En marketing, un mismo mensaje puede escribirse de diez formas y las diez pueden funcionar. En notación musical no hay ese margen. Un intervalo es una tercera mayor o no lo es.
¿Tiene algo que ver el mercado?
Aquí conviene ser prudentes y separar bien lo que sabemos de lo que solo intuimos.
Empecemos por lo que sí sabemos. El ecosistema de evaluación pública de modelos (SWE-bench, MMLU, Humanity’s Last Exam) está construido casi por completo sobre código y razonamiento general. MMLU, de hecho, ya está tan saturado por los modelos punteros que ha dejado de servir para diferenciarlos, y aun así los laboratorios lo siguen citando como escaparate. También está confirmado que la inversión en torno al desarrollo de software con IA es descomunal, con estudios como el de la plataforma Opsera en 2026, que mide su impacto sobre más de 250.000 desarrolladores en decenas de empresas.
Ahora lo que no sabemos, solo intuimos. Que los laboratorios “descuiden” deliberadamente la música o el dibujo técnico por ser mercados pequeños es una hipótesis razonable, apoyada en indicios reales (no existe nada parecido a un “MusicBench” con la repercusión de un SWE-bench), pero sigue siendo una interpretación nuestra, no un hecho demostrado.
A esto se suma un tercer factor, más cultural que económico. Un estudio publicado en LEEME con entrevistas a 36 docentes de conservatorios españoles durante el confinamiento encontró poca convicción de que aquel cambio forzado fuera a modificar nada estructural en su forma de enseñar, y otro publicado en Resonancias (2023) añade un dato de fondo: el 26,9% de esos docentes se formó en el mismo centro donde imparte clase hoy, lo que perpetúa metodologías sin apenas renovación, generación tras generación. No es que rechacen la tecnología porque sí, pero sí que hay un apego a un método heredado que rara vez se cuestiona. Y ese conservadurismo metodológico, más que cualquier postura activa sobre la IA, podría también explicar por qué el sector siente menos urgencia por estas herramientas que otros gremios digitales como el desarrollo de software o el marketing.
Lo que la IA ya hace bien en música, hoy
Después de tanta limitación, sería injusto cerrar en tono derrotista. En 2026 la IA musical ha avanzado mucho en un terreno concreto: la producción sonora.
Suno genera canciones completas con voz e instrumentación a calidad de estudio, y separa la mezcla en pistas individuales. Tiene una función especialmente útil para el aula. Le tarareas una melodía, o le subes el audio de un alumno cantando desafinado, y construye alrededor un arreglo completo. Su función “Cover” va más allá. Coge esa melodía y la reviste con un estilo radicalmente distinto, de balada acústica a orquesta cinematográfica, o a coro polifónico de raíz gospel, manteniendo la melodía original reconocible. Llevado a clase, esto permite que un alumno escuche en minutos cómo sonaría su propia idea musical en cinco estilos distintos, algo que hace poco exigía semanas de arreglo profesional.
Google Lyria, dentro de Gemini, funciona mejor para instrumental y admite una imagen como punto de partida para el ambiente de la pieza. Conviene aclarar a los alumnos que esa imagen inspira el “mood”, no dicta notas concretas.
Moises o LALAL.AI hacen algo distinto: separan una canción real en pistas y detectan automáticamente su tonalidad y su tempo. Muy útil para una clase de armonía o análisis auditivo, porque permite trabajar sobre una canción que los alumnos ya conocen sin depender de que exista partitura oficial de ella.
Y aquí el límite importante, el que conviene explicar antes de que nadie se entusiasme de más. Ni Suno ni Lyria permiten fijar con precisión matemática un tempo o una tonalidad exactos. El prompt orienta, pero el resultado sigue siendo probabilístico. Tampoco existe edición iterativa real sobre lo ya generado, no puedes pedir “mantén todo igual, baja el estribillo medio tono”, hay que regenerar de cero. Y ninguna de estas herramientas exporta al final una partitura fiel y editable.
Para eso sigue haciendo falta un paso más. Herramientas como Songscription o Klangio, que convierten audio en notación y se pulen después a mano en editores como MuseScore o Sibelius. Y aun con las mejoras reales de estos años en cuantización rítmica, ese paso arrastra el mismo problema de siempre. Una interpretación humana real nunca cae exactamente sobre el pulso, y el software tiene que decidir, a veces mal, en qué compás y con qué figura encajar cada nota. El propio equipo de MuseScore ha reconocido públicamente que su arquitectura interna sigue basada en el compás como contenedor rígido, y que flexibilizar eso sigue siendo, hoy, un desarrollo sin resolver.
Una idea final para el aula
La pregunta que de verdad merece hacerse, cada vez que se lleva una IA a clase, tiene poco que ver con si es buena o mala, y mucho con qué tipo de tarea concreta le estás pidiendo en ese momento.
La misma herramienta, en la misma conversación, puede escribir una explicación brillante sobre el contrapunto de Bach y fallar treinta segundos después colocando una nota en un pentagrama. Así funciona, sencillamente, la inteligencia artificial hoy: extraordinaria prediciendo lenguaje, todavía torpe ejecutando con precisión simbólica exacta.
Entender esa frontera es lo que permite usar estas herramientas con criterio en el aula, en vez de con fe ciega o con rechazo automático.