La geología vota: Un mar cretácico sigue influyendo en Alabama

A veces, el pasado más remoto deja huellas inesperadas en el presente. Un ejemplo asombroso se encuentra en Alabama (EE. UU.), donde una antigua línea costera de hace 100 millones de años sigue influyendo en cómo votan sus habitantes hoy. Durante el Cretácico, gran parte del sur estadounidense estaba cubierto por un mar interior. Al retirarse, dejó tras de sí una franja de tierra oscura y fértil: la Black Belt (“Franja Negra”). Ese suelo excepcionalmente rico se convirtió en el corazón de la agricultura del algodón en el siglo XIX.

El mapa de 1860 muestra cómo las zonas más fértiles coincidían con la mayor concentración de población esclavizada. El algodón generaba enormes beneficios, pero dependía de la mano de obra forzada de los afroamericanos. Así, un fenómeno geológico antiguo dio origen a una estructura económica y social profundamente desigual.

Cuando la esclavitud fue abolida, muchos descendientes de las personas esclavizadas permanecieron en la Black Belt. Más de un siglo después, el mapa de la población afroamericana en 2010 muestra que esas comunidades siguen concentradas en la misma región. Las oportunidades económicas, el acceso a la educación y las infraestructuras siguen siendo desiguales, reflejando una persistencia estructural que conecta el pasado con el presente.

El sexto mapa, el de las elecciones de 2020, completa el círculo: los condados con mayoría afroamericana (la Black Belt) votan mayoritariamente demócrata, mientras que el resto del estado se inclina hacia el Partido Republicano. El color del suelo marca el color del voto.

La geología, la historia y la política se alinean en una cadena sorprendente: Mar prehistórico → Suelos fértiles → Algodón → Esclavitud → Demografía afroamericana → Patrón electoral actual. Así, un paisaje modelado por un mar cretácico sigue determinando, de forma indirecta, la geografía política de Alabama.

De los mares fósiles al voto moderno: la prehistoria que aún decide elecciones. Este caso es una lección fascinante para la educación: muestra cómo los procesos naturales pueden influir en la historia humana, y cómo las decisiones políticas del presente están enraizadas en la tierra que pisamos. La geología, la economía y la memoria colectiva se entrelazan en una misma historia: el eco largo de la Tierra en la sociedad.

Conclusión: La larga sombra de la causalidad. La historia del Black Belt de Alabama es un poderoso recordatorio de que las divisiones y alianzas del presente a menudo tienen raíces que se hunden mucho más profundo de lo que imaginamos. El viaje desde el plancton del Cretácico hasta la urna del siglo XXI es un ejemplo asombroso de causalidad a largo plazo, una cadena ininterrumpida de consecuencias que abarca la geología, la biología, la economía, la sociología y la política.


Este caso de estudio ilumina varios conceptos profundos. Ilustra la dependencia de la trayectoria (path dependency), la idea de que los acontecimientos y las condiciones iniciales —en este caso, la ubicación de un suelo fértil— pueden establecer una trayectoria para una sociedad que es extraordinariamente difícil de alterar. También ofrece una visión matizada del determinismo ambiental. La geología no decretó la esclavitud, pero creó presiones y oportunidades que una sociedad humana, con sus propias tecnologías y jerarquías, explotó de una manera particular. El suelo no hizo inevitable la esclavitud, pero sí hizo que una economía basada en la esclavitud fuera devastadoramente exitosa y rentable en ese lugar específico.


En última instancia, la franja azul de Alabama es un testimonio del pasado vivo. Demuestra que la historia no es un telón de fondo estático, sino una fuerza activa y moldeadora que sigue influyendo en el presente. La geografía política de un estado moderno es incomprensible sin entender su geología, su suelo y la historia profunda y a menudo dolorosa que se ha escrito sobre esa tierra. En el Black Belt, el pasado no solo se recuerda; se vota en cada elección.

Playlab.ai para humanizar la Inteligencia Artificial en educación

Ante la irrupción de la Inteligencia Artificial y su respuesta educativa ajustada, ni de sumisión total ni de negación absoluta, necesitábamos un pedagogía innovadora, ética y colaborativa. Eso es Playlab.ai: cuando docentes, alumnado y tecnólogos se convierten en creadores de inteligencia artificial educativa. Hemos descubierto esta prometedora iniciativa tras una llamada de Egoitz Etxeandia, que tras una exitosa y premiada carrera docente actualmente es difusor, autor y promotor del enfoque PlayLab aplicado al contexto escolar. 

Egoitz Etxeandia es un docente vasco especialista en economía, emprendimiento y educación, con formación diversa que incluye estudios en administración y dirección de empresas, experiencia profesional en el diseño mecánico y en el ámbito de la Cámara de Comercio en Ecuador, y posterior dedicación a la docencia en su institución de origen, la Lauaxeta IkastolaEntre los premios que ha recibido destacan el reconocimiento como Docente Emprendedor del Año (2021) otorgado por la Fundación Junior Achievement junto con la Dirección General de Digitalización e Inteligencia Artificial del Ministerio de Asuntos Económicos y Transformación Digital de España, así como el Premio Nacional de Miniempresa Joven del Año por 'Sleep Tile'.

Egoitz Etxeandia como emprendedor educativo (fundador de AIEDUTECH) ha defendido una visión de la alfabetización en IA centrada en el empoderamiento del profesorado y en la creación de herramientas educativas adaptadas al aula. Colaborador en entidades como Teach For All, donde lidera la comunidad global de STEAM, ha plasmado esas ideas en el artículo PlayLab: IA para mejorar la educación primaria (revista Graó, 2024), además de participar como ponente y formador en foros sobre STEAM (posts) y AI (posts) en educación. En suma, su papel en relación con PlayLab ha sido el de adaptar, interpretar y promover el modelo desde una perspectiva hispanohablante y práctica, impulsando la idea de que los docentes pasen de usuarios a diseñadores de soluciones IA para sus contextos.

Tras 3 años liderando un proyecto de investigación para Teach For All y Harvard, se ha unido al proyecto non-profit americana  Playlab, como responsable de Europa. Creada en el seno del MIT en 2023 por Yusuf Ahmad e Ian Serlin. Gracias al apoyo financiero de la Gates Foundation, la Chan Zuckerberg Foundation, la Schwab Foundation, Google... han formado un grupo de ingenieros y expertos educativos de primer nivel.

Su principal objetivo es dotar a educadores, estudiantes y organizaciones educativas del “poder” de crear herramientas de IA de una forma sencilla (sin tener conocimiento técnico) en un entorno seguro que prioriza la protección de datos. En apenas 18 meses han generado una comunidad de 60.000 creadores, 600.000 usuarios y más de 1.000 organizaciones creando herramientas.

En Estados Unidos, los estados de NY, Chicago y Texas han apostado por Playlab para toda la red pública de secundaria. A nivel universitario, las universidades de Stanford, Berkeley y los Community Colleges de California. En España, desde septiembre han comenzado a contactar con partners potenciales y ya tenemos acuerdos con el Gobierno de Navarra, ESADE, la Universidad del País Vasco, la Fundación Secretariado Gitano, HETEL,...

En Europa, han cerrado acuerdos con Digitall Charity (Reino Unido), en conversaciones con ESC (Francia), Fobizz (Alemania)... A nivel global, acuerda con el Gobierno de Ghana para formar a 63.000 educadores de secundaria que diseñarán 48 herramientas y darán acceso a la plataforma a 1.500.000 estudiantes.

En tiempos en que la inteligencia artificial se abre paso en todos los ámbitos del conocimiento, la educación vive un dilema crucial: ¿usamos la IA como una herramienta de apoyo o dejamos que sustituya la creatividad docente? En ese cruce de caminos surge Playlab.ai, una plataforma que propone un modelo distinto: enseñar a los educadores a crear su propia inteligencia artificial.

Más que una aplicación tecnológica, Playlab es un laboratorio pedagógico global donde profesores, estudiantes y tecnólogos diseñan juntos herramientas de IA para transformar el aprendizaje.

Playlab.ai: un laboratorio para jugar, aprender y crear. Es una organización sin ánimo de lucro dedicada a democratizar la inteligencia artificial educativa. Su nombre, mezcla de Play (jugar) y Lab (laboratorio), define su esencia: un espacio para experimentar, construir y compartir IA desde la educación.

A diferencia de las plataformas cerradas, Playlab propone una inteligencia artificial abierta, ética y colaborativa. Los docentes no solo aprenden a usar la IA, sino a crear sus propias aplicaciones adaptadas a su contexto, sin necesidad de programar.

Entre sus principios destacan: Accesibilidad y participación: cualquier educador puede diseñar y compartir apps. Ética y transparencia: promueve el uso responsable y la reflexión crítica sobre los sesgos. Aprendizaje activo: la IA no se “consume”, se explora. Colaboración global: cada app puede modificarse y mejorar en comunidad. De este modo, Playlab.ai transforma la IA en una herramienta pedagógica viva, nacida de la inteligencia colectiva.

Cómo funciona: del taller al aula: Aprender haciendo. Playlab.ai ofrece talleres, laboratorios y comunidades de aprendizaje (PLCs) en colaboración con instituciones como Relay Graduate School of Education y ISTEEn ellos, los profesores aprenden de manera práctica a diseñar, probar y mejorar sus propias aplicaciones de IA.

El objetivo no es sólo dominar la tecnología, sino repensar la enseñanza desde la creatividad digital. Como explica Yusuf Ahmad, uno de sus promotores: No se trata de enseñar a usar una máquina, sino de enseñar a pensar con ella.”

Crear sin programar. La plataforma cuenta con un asistente guiado, el AI Assisted Builder, que ayuda a construir una app educativa paso a paso: define su lógica, los prompts, las respuestas y la interacción. Además, el Playlab Assistant ofrece sugerencias, genera contenidos o corrige errores.

La función “remix” permite adaptar proyectos creados por otros docentes, personalizándolos según la materia o el idioma. Así, una app sobre historia puede transformarse en otra sobre literatura o ciencias, multiplicando las posibilidades creativas.

Una red de alianzas globales. Playlab.ai ha establecido acuerdos con organizaciones que impulsan la IA responsable en la educación. Entre ellas, Amazon Future Engineer, que facilita el acceso gratuito a su software en escuelas de Estados Unidos.

En Europa, destacan experiencias como la Red Stream AI de Navarra, donde docentes adaptan las herramientas de Playlab a proyectos escolares locales. La plataforma también participa en congresos internacionales como ISTE, y ofrece un entorno abierto para investigadores interesados en medir el impacto educativo de la IA. Este modelo basado en colaboración y transparencia refuerza la confianza en la tecnología y promueve una educación digital más humanista.

Fortalezas. Empodera al profesorado: les permite pasar de usuarios a diseñadores. Favorece el aprendizaje activo y contextualizado. Fomenta una cultura ética y colaborativa. Ofrece una alternativa no comercial a la IA educativa.

Desafíos. Requiere formación continua y acompañamiento técnico. Precisa sistemas sólidos de privacidad y calidad de datos. Depende de alianzas institucionales para garantizar sostenibilidad.

Aun así, el impacto formativo y creativo que propone Playlab apunta hacia una nueva forma de entender la innovación educativa: no como sustitución del docente, sino como expansión de su potencial.

El proyecto Playlab.ai encarna una tendencia educativa emergente y muy necesaria: pasar del consumo tecnológico a la creación tecnológicaEn lugar de adoptar la IA de forma pasiva, propone aprender, diseñar y pensar con ella, situando al docente en el centro de la transformación. Así, la inteligencia artificial se convierte en una excusa para recuperar la dimensión más humana de la educación: la experimentación, el diálogo y la creatividad compartida. La IA no reemplaza al maestro que inspira; amplifica su capacidad de imaginar”, resume uno de los lemas del proyecto.
Documentación sobre PlayLab.ai: PDF en español.  PDF euskaraz.

George Dantzig: Resolvió lo imposible y optimizó el futuro

George Dantzig: El Hombre que Resolvió los Problemas Inabordables y Creó la Programación Lineal. En la historia de la ciencia, a veces, los avances más revolucionarios nacen de la casualidad, de un error afortunado que cambia el curso del conocimiento. Su anécdota más célebre, de cómo por un error al no asistir a clase hizo su primer descubrimiento, se recrea en la película "El indomable Will Hunting".

Un hecho real en la vida de Dantzig dio origen a una famosa leyenda en 1939, cuando era un estudiante en la Universidad de California, Berkeley. Al comienzo de una clase a la que Dantzig llegó con retraso, el profesor Jerzy Neyman escribió en la pizarra dos ejemplos famosos de problemas estadísticos aún no resueltos. Al llegar Dantzig a clase, pensó que los dos problemas eran tarea para casa y los anotó en su cuaderno. 

De acuerdo con Dantzig, los problemas «le parecieron ser un poco más difíciles de lo normal», pero unos pocos días después obtuvo soluciones completas para ambos, aún creyendo que estos eran tareas que debía entregar.​ Seis semanas después, Dantzig recibió la visita del profesor Neyman, quien muy emocionado había preparado una de las soluciones de Dantzig para ser publicadas en una revista matemática. Años después otro investigador, Abraham Wald, publicó un artículo en el que llegaba a la conclusión del segundo problema, y en el cual incluyó a Dantzig como coautor.

La historia de George Bernard Dantzig (1914-2005) tiene uno de esos momentos legendarios, pero su legado va mucho más allá de una anécdota. Dantzig no solo resolvió problemas que su profesor creía irresolubles, sino que desarrolló una de las herramientas matemáticas más poderosas del siglo XX: la programación lineal y el algoritmo símplex, un método que literalmente transformó la industria, la economía y la logística moderna.

George Dantzig nació en Portland, Oregón, en el seno de una familia con un profundo arraigo intelectual. Su padre, Tobias Dantzig, fue un reconocido matemático e historiador de las ciencias, y su madre, Anja Ourisson, una lingüista especializada en lenguas eslavas. Este ambiente familiar cultivó desde joven su afinidad por los números y la lógica.

Tras licenciarse en matemáticas y física en la Universidad de Maryland en 1936, y obtener un máster en matemáticas en la Universidad de Michigan, Dantzig se trasladó a la Universidad de California, Berkeley, para realizar su doctorado bajo la supervisión de uno de los estadísticos más importantes de la época, Jerzy Neyman.

Aquí es donde su vida toma un giro de guion de película. Un día de 1939, Dantzig llegó tarde a una clase de estadística de Neyman y encontró dos problemas escritos en la pizarra. Asumiendo que eran la tarea para casa, los copió y se los llevó. Días después, se los entregó a su profesor, pidiendo disculpas por el retraso, ya que le habían parecido "un poco más difíciles de lo normal". Unas semanas más tarde, un Neyman emocionado fue a buscarlo a su casa a primera hora de la mañana. Los dos problemas que Dantzig había resuelto no eran deberes; eran dos famosos problemas estadísticos sin resolver que habían desconcertado a los matemáticos durante años. Este increíble logro le sirvió como tesis doctoral.

Aunque esta anécdota cimentó su fama, su contribución más trascendental estaba por llegar. Durante la Segunda Guerra Mundial, Dantzig trabajó para la Fuerza Aérea de los Estados Unidos en la Oficina de Control Estadístico. Allí se enfrentó a problemas logísticos de una escala monumental: ¿cómo asignar de la manera más eficiente los recursos (aviones, combustible, personal) para maximizar el éxito de las misiones? Estos problemas, conocidos como "problemas de asignación", carecían de un método sistemático para su resolución.

Fue esta experiencia la que sembró la semilla de su mayor creación. Después de la guerra, mientras trabajaba como asesor matemático para el Pentágono, desarrolló el marco de la programación lineal para modelar estos complejos problemas de optimización y, en 1947, concibió el algoritmo símplex, el primer y más famoso método para resolverlos. El resto, como se suele decir, es historia. Pasó gran parte de su carrera académica en la Universidad de Stanford, donde fue profesor de Investigación de Operaciones y Ciencias de la Computación, consolidando su legado hasta su fallecimiento en 2005.

Para entender la magnitud del trabajo de Dantzig, es crucial comprender qué es la programación lineal. En esencia, es una técnica matemática para encontrar la mejor solución posible (un máximo o un mínimo) de un problema que puede ser descrito mediante un conjunto de relaciones lineales.

Imagina que eres el gerente de una fábrica que produce dos tipos de productos. Cada producto requiere una cantidad diferente de recursos (mano de obra, materia prima, tiempo de máquina) y genera un beneficio distinto. Tienes una cantidad limitada de cada recurso. La pregunta es: ¿cuántas unidades de cada producto debes fabricar para maximizar tu beneficio total sin exceder tus recursos?

Este es un problema clásico de programación lineal. George Dantzig proporcionó dos cosas fundamentales: 1º El Modelo: Un lenguaje formal (ecuaciones y desigualdades lineales) para traducir este tipo de problemas del mundo real a un formato matemático. El objetivo es optimizar una función objetivo (ej. maximizar el beneficio) sujeta a una serie de restricciones (ej. los recursos limitados). 2º La Solución (El Algoritmo Símplex): Un procedimiento paso a paso, increíblemente eficiente, para encontrar la solución óptima. El algoritmo navega de manera inteligente por los vértices de una región geométrica (un poliedro) definida por las restricciones, buscando sistemáticamente el vértice que ofrece el mejor valor para la función objetivo.

La publicación de su trabajo, especialmente en su libro seminal "Linear Programming and Extensions" (1963), desató una revolución silenciosa. De repente, problemas que antes requerían una intuición experta o conjeturas arriesgadas podían resolverse de forma sistemática y óptima.

Las aplicaciones se extendieron como la pólvora en: Logística y Transporte: Diseño de rutas de distribución para minimizar costes y tiempos de entrega. Finanzas: Creación de carteras de inversión para maximizar el retorno con un riesgo determinado. Producción Industrial: Planificación de la producción para maximizar la eficiencia y minimizar el desperdicio. Telecomunicaciones: Asignación óptima del ancho de banda en redes de comunicación. Energía: Gestión de la producción y distribución de energía en redes eléctricas.

El algoritmo símplex fue considerado uno de los 10 algoritmos más importantes del siglo XX por la revista Computing in Science & EngineeringLa contribución de George Dantzig no es meramente académica; es uno de los pilares sobre los que se sostiene la eficiencia de nuestra civilización tecnológica. Su trabajo inauguró el campo de la investigación de operaciones y sentó las bases para el desarrollo de la optimización matemática, un área indispensable en la era del Big Data y la inteligencia artificial.

Si bien con el tiempo han surgido otros algoritmos para la programación lineal (como los métodos de punto interior), el algoritmo símplex sigue siendo una herramienta fundamental, ampliamente estudiada y utilizada por su robustez y eficacia en una gran variedad de problemas prácticos.

George Dantzig recibió numerosos honores a lo largo de su vida, incluyendo la Medalla Nacional de la Ciencia en 1975, el máximo galardón científico de Estados Unidos, y el prestigioso Premio John von Neumann de Teoría en 1974. Sin embargo, muchos en la comunidad científica consideran que su ausencia entre los galardonados con el Premio Nobel de Economía es una de las grandes omisiones de la Academia Sueca, dado que su impacto en la economía aplicada es, sin duda, comparable al de muchos laureados.

Su legado es el de un pensador pragmático y brillante que supo construir un puente entre la abstracción matemática y los problemas más acuciantes del mundo real. George Dantzig nos enseñó que, con las herramientas adecuadas, la complejidad puede ser ordenada y que siempre existe una manera óptima de hacer las cosas. Nos dio un método para encontrarla.