Pensamiento computacional: aprender a resolver problemas en la era de la inteligencia artificial

Imaginemos que una empresa quiere reducir los retrasos en sus entregas. Puede empezar buscando inmediatamente una nueva herramienta logística o preguntando a una inteligencia artificial qué debería hacer.

Existe otra posibilidad: entender primero el problema.

¿Dónde se producen los retrasos? ¿En la entrada de pedidos, el almacén, la preparación, el transporte o la última milla? ¿Se repiten en determinados días, productos o zonas? ¿Qué variables influyen realmente? ¿Podemos convertir la solución en una serie de reglas que se repita cada vez que aparezcan condiciones similares?

Ese proceso de dividir, analizar, abstraer y ordenar una solución se aproxima mucho a lo que denominamos pensamiento computacional.

Y no exige escribir una sola línea de código.

El término ganó una enorme visibilidad a partir de un artículo publicado en 2006 por la informática Jeannette Wing, entonces profesora de Carnegie Mellon University. Wing defendía que los principios utilizados en ciencias de la computación para abordar problemas podían convertirse en una capacidad útil para cualquier persona, no solo para informáticos.

Dos décadas después, aquella idea ha salido de los departamentos de informática. Está entrando en los currículos escolares, aparece en los marcos europeos de competencias digitales y adquiere un nuevo significado con la expansión de la inteligencia artificial.

Como explicaba Conrad Wolfram en una entrevista con Fundación Innovación Bankinter, la verdadera oportunidad no consiste en competir con los ordenadores realizando manualmente operaciones que ellos ejecutan mejor, sino en aprender a estructurar problemas, utilizar las herramientas disponibles e interpretar críticamente los resultados.

En un mundo lleno de máquinas capaces de calcular, generar y automatizar, saber qué problema resolver y cómo plantearlo puede ser más importante que realizar mecánicamente cada uno de los pasos.

¿Qué es el pensamiento computacional?

El pensamiento computacional es una forma estructurada de abordar problemas mediante conceptos y estrategias procedentes de las ciencias de la computación.

Implica identificar qué queremos resolver, dividir el problema en partes manejables, descubrir regularidades, separar la información importante de la accesoria y construir procedimientos que permitan llegar a una solución.

La clave está en que esa solución puede ser ejecutada por una persona, una máquina o una combinación de ambas.

Por eso, pensamiento computacional no significa literalmente “pensar como un ordenador”. Los ordenadores no deciden por sí solos qué problemas merecen nuestra atención ni qué objetivos queremos alcanzar. Somos las personas quienes formulamos el problema; la tecnología puede ayudarnos después a trabajar sobre él.

Pensamiento computacional y programación no son lo mismo

Esta es probablemente la confusión más frecuente.

Programar consiste en expresar instrucciones en un lenguaje que pueda ejecutar un ordenador. Pensar computacionalmente consiste en formular y estructurar el problema antes de llegar -si es necesario- a esa programación.

Podemos utilizar pensamiento computacional para diseñar un proceso empresarial, organizar una jornada, planificar una ruta de reparto o decidir cómo distribuir pacientes en un hospital sin escribir código.

Del mismo modo, una persona puede aprender determinados comandos de un lenguaje de programación y, sin embargo, tener dificultades para decidir cómo abordar un problema complejo.

El propio currículo español refleja esta distinción. En Educación Primaria se habla de utilizar el pensamiento computacional para organizar datos, descomponer problemas, reconocer patrones, generalizar e interpretar situaciones y crear o modificar algoritmos. La programación aparece como una posible aplicación, pero la competencia es más amplia.

Los cuatro pilares del pensamiento computacional

No existe una única clasificación universal de los componentes del pensamiento computacional. Diferentes marcos incorporan también conceptos como lógica, evaluación, generalización, depuración o trabajo con datos.

Para comprenderlo de manera práctica, sin embargo, podemos organizar el proceso alrededor de cuatro movimientos fundamentales: descomponer, reconocer patrones, abstraer y diseñar algoritmos.

1. Descomposición: convertir un gran problema en problemas pequeños

Un problema complejo resulta mucho menos intimidante cuando dejamos de tratarlo como una única pieza.

La descomposición consiste en dividirlo en partes que puedan entenderse y resolverse separadamente.

Pensemos en algo cotidiano: organizar un viaje. “Organizar las vacaciones” es demasiado amplio. Podemos descomponerlo en transporte, alojamiento, presupuesto, fechas, actividades, documentación y equipaje.

En una empresa ocurre exactamente lo mismo. “Tenemos demasiadas bajas de clientes” puede convertirse en preguntas más específicas: ¿qué clientes se marchan?, ¿en qué momento?, ¿después de qué interacción?, ¿qué producto utilizaban?, ¿habían contactado con atención al cliente?, ¿qué diferencia a quienes permanecen?

La descomposición no resuelve todavía el problema. Lo convierte en algo que podemos empezar a resolver.

2. Reconocimiento de patrones: descubrir qué se repite

Una vez separado el problema en componentes, podemos buscar similitudes.

El reconocimiento de patrones consiste en identificar comportamientos, estructuras o situaciones que aparecen repetidamente.

Una empresa logística puede descubrir que los retrasos se concentran los viernes, en determinados códigos postales o cuando coinciden ciertos tipos de producto.

Un docente puede detectar que los alumnos que tienen dificultades en un problema matemático están cometiendo prácticamente el mismo error conceptual.

Un médico puede observar combinaciones recurrentes de variables clínicas.

Reconocer patrones permite aprovechar lo aprendido anteriormente. Si dos problemas presentan una estructura similar, quizá no necesitemos inventar una solución completamente nueva.

De hecho, nuestra capacidad para detectar regularidades es una de las bases de la ciencia de datos, el aprendizaje automático y muchos sistemas de inteligencia artificial.

3. Abstracción: separar lo importante del ruido

Los problemas reales contienen demasiada información.

La abstracción consiste en decidir qué detalles son importantes para la solución y cuáles podemos ignorar provisionalmente.

Un mapa del metro es un buen ejemplo.

No reproduce fielmente las distancias, curvas, edificios y calles existentes sobre el terreno. Elimina casi toda esa información porque para viajar en metro necesitamos principalmente conocer estaciones, líneas y conexiones.

Ese mapa es útil precisamente porque no representa toda la realidad.

En la empresa, la capacidad de abstraer permite construir indicadores, modelos y procesos. En lugar de seguir individualmente cada una de las miles de operaciones de un negocio, identificamos las variables que mejor describen lo que está sucediendo.

También aquí hay un riesgo: abstraer implica decidir qué dejamos fuera.

Si eliminamos una variable realmente importante, nuestro modelo puede producir una solución elegante pero equivocada.

Por eso la abstracción necesita criterio humano.

4. Diseño de algoritmos: ordenar el camino hacia la solución

Un algoritmo no tiene por qué ser software.

Es una secuencia de instrucciones o reglas que permiten realizar una tarea o resolver un problema.

Una receta es un algoritmo. Un protocolo de emergencia también. El procedimiento que utiliza una empresa para aprobar una devolución puede expresarse como otro.

Diseñar un algoritmo exige ordenar la solución con suficiente claridad como para que pueda repetirse.

Por ejemplo:

Si un pedido supera determinado volumen → comprobar disponibilidad → seleccionar almacén → elegir transporte → verificar plazo → emitir orden.

Cuando un proceso puede describirse de manera suficientemente precisa, aparece además la posibilidad de automatizarlo.

Y aquí encontramos el puente entre pensamiento computacional y transformación digital: primero comprendemos el proceso; después decidimos qué partes tiene sentido delegar en una máquina.

Un ejercicio práctico: aplicar los cuatro pilares a un problema real

Supongamos que un ecommerce está recibiendo cada vez más reclamaciones porque los pedidos llegan tarde.

¿Cómo aplicaríamos pensamiento computacional?

Ahora aparece una quinta actividad, fundamental aunque no forme parte necesariamente de esta síntesis de cuatro pilares: evaluar.

¿Ha funcionado la solución? ¿Han disminuido los retrasos? ¿Hemos provocado otro problema, como aumentar demasiado el coste de transporte?

Si la respuesta es no, corregimos el procedimiento. En informática lo llamaríamos debugging. En una empresa probablemente hablaríamos de mejora continua. La lógica es muy parecida.

Pensamiento computacional en educación: mucho más que enseñar código

El pensamiento computacional está entrando de manera explícita en el sistema educativo español.

En Educación Primaria, el currículo estatal establece dentro de Matemáticas una competencia específica dedicada a utilizar pensamiento computacional mediante organización de datos, descomposición, reconocimiento de patrones, generalización y creación o modificación de algoritmos para modelizar situaciones cotidianas. Incluso en el primer ciclo aparecen actividades relacionadas con describir rutinas mediante pasos ordenados.

En Educación Secundaria Obligatoria, el currículo profundiza en la misma idea. Matemáticas incluye una competencia específica orientada a organizar datos, descomponer problemas, reconocer patrones y crear algoritmos; Tecnología y Digitalización incorpora además un bloque de “Pensamiento computacional, automatización y robótica”.

Y España no constituye una excepción. El Joint Research Centre de la Comisión Europea ha seguido durante años la incorporación del pensamiento computacional a la educación obligatoria. Su revisión europea de 2022 analizó la evolución en 22 Estados miembros de la UE y ocho países no pertenecientes a la Unión, constatando que numerosos sistemas educativos habían revisado sus currículos para incorporar conceptos básicos de informática y desarrollar esta competencia.

Más recientemente, DigComp 3.0, la versión actual del Marco Europeo de Competencias Digitales, incorpora expresamente el “pensamiento computacional y programación”. Lo define alrededor de capacidades como analizar un problema, identificar subproblemas y desarrollar secuencias de instrucciones que permitan a un sistema informático resolver una tarea.

Ejercicios de pensamiento computacional sin ordenador

Un profesor puede pedir a sus alumnos que describan con absoluta precisión las instrucciones necesarias para preparar un bocadillo. Otro puede plantear cómo organizar la biblioteca de la clase, diseñar la ruta más eficiente para visitar diferentes lugares o descomponer las tareas necesarias para organizar una excursión.

El objetivo consiste en practicar preguntas como:

¿Qué sabemos? ¿Qué nos falta? ¿Podemos dividirlo? ¿Existe un patrón? ¿Qué información podemos ignorar? ¿Qué pasos debemos seguir?

Incluso existen recursos educativos específicamente diseñados para trabajar estas habilidades sin ordenador. Barefoot Computing, por ejemplo, ofrece actividades para niños desde edades tempranas basadas en algoritmos, patrones, lógica, abstracción y descomposición.

Para trabajar posteriormente con tecnología, Scratch permite construir historias, animaciones y juegos mediante programación visual por bloques, mientras que Bebras plantea retos internacionales específicamente orientados a informática y pensamiento computacional.

Conrad Wolfram: el problema no es calcular menos, sino pensar más

El pensamiento computacional también obliga a reconsiderar qué significa aprender matemáticas en una sociedad llena de ordenadores.

Conrad Wolfram, fundador de Computer-Based Math y director estratégico de Wolfram Research en Europa, lo explicaba en su conversación con Fundación Innovación Bankinter: utilizar ordenadores debería permitir a los estudiantes trabajar sobre problemas más difíciles y conectados con el mundo real, no simplemente automatizar la misma educación de siempre.

Su planteamiento desplaza el foco: si una máquina puede realizar determinados cálculos mucho más rápidamente que nosotros, el valor educativo puede estar en otras partes del proceso: formular el problema, traducir la realidad a un modelo, decidir qué herramienta utilizar y evaluar si el resultado tiene sentido.

Como explica Wolfram, esto no hace necesariamente más fácil la educación. Puede hacerla intelectualmente más exigente, porque obliga a concentrarse en las decisiones de mayor nivel.

Pensamiento computacional en la empresa: más allá del aula

El pensamiento computacional no termina cuando abandonamos el colegio o la univarsidad. Muchos problemas empresariales pueden abordarse utilizando exactamente la misma lógica.

Una compañía quiere automatizar un proceso administrativo. Antes de comprar software, debe descomponer el flujo actual, identificar qué tareas se repiten, abstraer las variables importantes y formular las reglas que debería seguir el nuevo sistema.

Una cadena de suministro quiere reducir roturas de stock. Necesita separar demanda, inventario, proveedores y transporte; identificar patrones de consumo; seleccionar las variables realmente predictivas; y diseñar reglas de reposición.

Una startup quiere mejorar su embudo comercial. Puede dividirlo en adquisición, cualificación, conversión y retención; buscar patrones entre clientes; identificar las variables con más influencia y sistematizar determinadas acciones.

Pensar computacionalmente no significa convertir una organización en un algoritmo. Significa preguntarse qué partes de un problema pueden estructurarse, cuáles pueden modelizarse, cuáles pueden automatizarse y cuáles siguen necesitando juicio humano.

Esa distinción será especialmente importante conforme aumente la automatización.

Una competencia para el trabajador del futuro

En 2018, Fundación Innovación Bankinter ya incluía el pensamiento computacional entre las destrezas del trabajador del futuro, junto con capacidades como el pensamiento adaptativo, la priorización y la colaboración virtual.

El desarrollo posterior de la inteligencia artificial hace esa intuición todavía más relevante.

El Future of Jobs Report 2025 del World Economic Forum sitúa el pensamiento analítico como la competencia básica más demandada por los empleadores: siete de cada diez organizaciones encuestadas la consideran esencial. Al mismo tiempo, IA y big data, redes y ciberseguridad y alfabetización tecnológica aparecen como las habilidades de crecimiento más rápido.

No son exactamente lo mismo que pensamiento computacional, pero existe una conexión evidente: en organizaciones atravesadas por datos, algoritmos y automatización, aumenta el valor de los profesionales capaces de estructurar problemas, trabajar con modelos y tecnologías y evaluar críticamente los resultados.

Pensamiento computacional e inteligencia artificial: cuanto más potente es la herramienta, mejor debemos formular el problema

La llegada de la IA generativa añade una paradoja: podemos resolver cada vez más tareas sin saber programar, pero eso no hace menos importante el pensamiento computacional. Puede hacerlo más importante.

Cuando utilizamos una inteligencia artificial para un problema complejo necesitamos decidir cuál es realmente el objetivo, proporcionar contexto, dividir tareas demasiado amplias, definir restricciones, comprobar resultados y corregir errores.

Es una lógica muy parecida a la que acabamos de describir.

Por ejemplo, pedir a una IA:

“Mejora mi empresa” es demasiado abstracto.

Podemos descomponer el problema: analiza las causas de abandono de clientes → agrupa los motivos → identifica patrones → prioriza los tres con mayor impacto → plantea intervenciones → define cómo mediríamos su resultado.

La herramienta sigue siendo la misma. Lo que ha cambiado es la calidad con la que hemos estructurado el problema.

En Fundación Innovación Bankinter hemos analizado también cómo determinadas técnicas de IA abordan problemas mediante procesos estructurados en Cadena de pensamiento: cómo la IA descompone un problema complejo.

Pero hay una diferencia fundamental: no deberíamos aspirar simplemente a imitar a una máquina. Nuestra ventaja está también en decidir qué objetivo perseguimos, qué restricciones son aceptables, qué consecuencias puede provocar una solución y cuándo el resultado de una herramienta no tiene sentido.

De ahí que las tendencias educativas en tiempos de IA que estamos siguiendo desde Fundación Innovación Bankinter insistan no solo en utilizar nuevas tecnologías, sino en proteger y reforzar capacidades como pensamiento crítico, creatividad y resolución de problemas.

El pensamiento computacional funciona precisamente como puente entre ambas dimensiones.

Nos enseña a entender qué puede estructurarse para una máquina sin renunciar al criterio necesario para decidir qué debemos pedirle y qué hacemos con su respuesta.

Pensar mejor antes de automatizar

Durante años asociamos alfabetización digital con saber utilizar dispositivos. Después pasó a significar manejar software, buscar información o programar. La siguiente etapa probablemente sea más profunda: entender cómo formular problemas en un mundo donde las máquinas participan activamente en su resolución.

Eso es lo que hace especialmente valioso al pensamiento computacional, ya que pretende proporcionar una estructura mental para enfrentarnos a la complejidad.

Preguntas frecuentes sobre pensamiento computacional

¿Necesito saber programar para aplicar pensamiento computacional?

No. La programación es una forma de llevar determinados procedimientos a un ordenador, pero el pensamiento computacional puede utilizarse sin programar. Descomponer un proyecto, detectar patrones en un proceso empresarial o diseñar instrucciones ordenadas son ejemplos de pensamiento computacional aunque ninguna máquina llegue a ejecutar la solución.

¿A partir de qué edad se puede enseñar?

Puede trabajarse desde edades muy tempranas adaptando las actividades. El currículo español ya introduce sus principios en Educación Primaria, y existen recursos para niños de cuatro a seis años basados en secuencias, patrones, lógica y descomposición. Lo importante es ajustar la complejidad del problema, no empezar necesariamente con código.

¿Qué herramientas existen para practicar pensamiento computacional?

No es imprescindible utilizar una herramienta digital. Puzles, juegos de instrucciones, mapas, clasificación de objetos o problemas de planificación pueden servir para empezar. Entre las opciones digitales, Scratch permite trabajar programación visual y creación de proyectos, mientras que Bebras ofrece retos específicamente diseñados alrededor de informática y pensamiento computacional.

¿Pensamiento computacional y pensamiento lógico son lo mismo?

No exactamente. El pensamiento lógico forma parte del proceso, pero el pensamiento computacional incorpora además estrategias propias de la informática, como descomposición, abstracción, trabajo con datos, reconocimiento de patrones, diseño de algoritmos, automatización y evaluación de soluciones.

¿Para qué sirve el pensamiento computacional en una empresa?

Sirve especialmente para abordar procesos complejos de manera estructurada. Puede ayudar a analizar operaciones, diseñar flujos de trabajo, encontrar patrones en datos, identificar tareas automatizables y convertir una solución en reglas reproducibles. No sustituye la estrategia o el juicio directivo: ayuda a estructurar mejor los problemas sobre los que ambos deben actuar.