La enseñanza de la economía enfrenta el reto de articular de manera efectiva los fundamentos teóricos con la evidencia empírica y los fenómenos observables. Este trabajo presenta una propuesta pedagógica innovadora que integra aprendizaje activo, análisis empírico e inteligencia artificial (IA). Mediante la plataforma FRED® (Federal Reserve Economic Data), los estudiantes acceden a información macroeconómica en tiempo real y desarrollan competencias aplicadas en la selección de indicadores, construcción de representaciones gráficas personalizadas y evaluación de patrones económicos. En este contexto, ChatGPT actúa como asistente cognitivo fundamental en la minería de datos, el diseño de visualizaciones y el análisis e interpretación de ciclos y tendencias, contribuyendo a una mejor comprensión de la dinámica económica. La metodología combina evaluaciones diagnósticas, ejercicios prácticos y estrategias de aula invertida que estimulan la participación activa. Actividades como la aplicación del filtro de Hodrick–Prescott al análisis de los ciclos económicos y la incorporación de contrastes de causalidad asistidos por IA fortalecen las habilidades analíticas y comunicativas, permitiendo examinar interdependencias entre economías nacionales o bloques regionales. Finalmente, el uso de técnicas de narrativa de datos consolida el aprendizaje y promueve la comunicación efectiva de relaciones económicas complejas. En conjunto, este enfoque fomenta el aprendizaje autónomo y ofrece un modelo replicable para la integración de tecnologías digitales en la enseñanza universitaria de la economía.

Este trabajo explora cómo la inteligencia artificial (IA) puede apoyar el diseño e implementación de juegos de aula orientados a la enseñanza de la economía austriaca en cursos universitarios de Historia del Pensamiento Económico y Microeconomía. La innovación pedagógica se articula en torno a cuatro juegos asistidos por IA —The Broken Knowledge Chain, The Comparative Advantage Game, The Entrepreneurial Discovery Market y The Prisoner’s Dilemma— que materializan los conceptos fundamentales de la Escuela Austriaca: los límites del conocimiento y la distorsión de la información (Hayek), las ganancias del intercambio y la especialización voluntaria, el proceso de descubrimiento emprendedor (Kirzner, Schumpeter) y la cooperación estratégica basada en la confianza. La IA se utiliza tanto en la fase creativa —generando escenarios, roles y narrativas adaptativas— como en la fase de evaluación, analizando las reflexiones de los estudiantes y su comprensión conceptual. Los resultados preliminares muestran que los juegos generados con IA aumentan la participación, el razonamiento crítico y la comprensión intuitiva de los procesos de coordinación descentralizada. Se concluye que la combinación de la pedagogía austriaca con la capacidad generativa de la IA ofrece un marco poderoso para la revolución pedagógica en economía y finanzas, que transforma el aula en un espacio de descubrimiento activo.

La inteligencia artificial (IA) ha revolucionado las finanzas cuantitativas, disciplina que combina métodos matemáticos, estadísticos y computacionales para analizar y optimizar los mercados financieros. Su finalidad es transformar datos financieros —precios, tasas de interés, volatilidades— en modelos predictivos que permitan decisiones de inversión más precisas, gestión eficiente del riesgo y valoración óptima de instrumentos. Desde los años cincuenta, con los primeros modelos de aprendizaje automático y simulaciones estocásticas, la IA ha pasado de enfoques lineales a algoritmos capaces de identificar patrones no lineales y dinámicos. En las décadas de 1980 y 1990, las redes neuronales y los modelos de series temporales incrementaron la capacidad predictiva. Posteriormente, el desarrollo del Machine Learning y, más recientemente, del Deep Learning, amplió el análisis de grandes volúmenes de datos financieros y mejoró la detección de patrones complejos. Hoy, la IA se aplica a la gestión automatizada de carteras, el trading algorítmico, la detección de fraudes, la optimización del riesgo y la predicción de comportamientos de mercado. Los modelos de lenguaje natural permiten analizar noticias, informes y redes sociales para anticipar tendencias, mientras que el aprendizaje por refuerzo (Reinforcement Learning) posibilita estrategias de inversión adaptativas. Los profesionales de este ámbito, conocidos como quants, trabajan en banca de inversión, fondos de cobertura (Hedge Funds), aseguradoras y fintechs, desarrollando las herramientas mencionadas. Incorporar la formación en IA aplicada a las finanzas cuantitativas en la universidad es esencial para preparar a los futuros profesionales en un entorno cada vez más automatizado y basado en datos. Tal formación potenciaría la innovación, la investigación aplicada y la excelencia institucional, posicionando a la universidad como referente en la educación del futuro. Inteligencia artificial aplicada a las finanzas

La Inteligencia Artificial (IA) está transformando de manera profunda la enseñanza universitaria, especialmente en titulaciones como Economía y Finanzas, donde la interpretación de datos, la toma de decisiones y la resolución de problemas complejos son competencias esenciales. Esta comunicación presenta una experiencia de innovación docente que integra el uso de herramientas de IA generativas con los principios de la Economía Conductual, con el objetivo de personalizar el aprendizaje, aumentar la motivación del alumnado y fomentar un aprendizaje activo y autónomo. Las herramientas de IA generativas permiten adaptar automáticamente los contenidos, ejemplos y actividades al nivel y características de cada estudiante. A partir del análisis de su rendimiento y respuestas, la IA puede ofrecer explicaciones alternativas, ejercicios con distintos grados de dificultad o estudios de caso personalizados, proporcionando retroalimentación inmediata. Este enfoque posibilita que cada alumno avance a su propio ritmo y refuerce los conceptos en los que presenta mayores dificultades, favoreciendo una experiencia de aprendizaje más flexible, inclusiva y efectiva. Simultáneamente, la Economía Conductual se emplea como marco complementario para diseñar estrategias que incrementen la participación y la constancia. Mediante nudges educativos, como recordatorios, mensajes de refuerzo o metas visuales, se promueven hábitos de estudio sostenibles y se reduce la procrastinación. La IA actúa como soporte dinámico de estas intervenciones, ajustando su intensidad y tipo en función del comportamiento del estudiante. La experiencia se desarrolla con estudiantes del Grado, organizados en grupos control y experimental. Los datos se recogerán mediante cuestionarios de satisfacción y motivación, y se analizarán junto con las calificaciones finales a través de la metodología PLS-SEM. En conjunto, esta propuesta demuestra que la integración de IA y Economía Conductual puede impulsar una auténtica transformación pedagógica, orientada hacia un aprendizaje más personalizado, motivador y centrado en el bienestar del estudiante.