PRÓLOGO
La educación siempre ha
evolucionado junto con las transformaciones sociales, culturales y tecnológicas
de cada época. Sin embargo, pocas innovaciones recientes han generado
interrogantes tan profundos sobre la enseñanza, el aprendizaje y la profesión
docente como la inteligencia artificial. La posibilidad de interactuar con
sistemas capaces de generar textos, imágenes, explicaciones, análisis,
recomendaciones y soluciones plantea oportunidades que hasta hace pocos años
parecían distantes, pero también obliga a reconsiderar prácticas educativas que
durante décadas se asumieron como relativamente estables.
La inteligencia artificial no
llega a la educación simplemente como una herramienta adicional. Su
incorporación modifica la manera en que se accede a la información, se
construyen contenidos, se desarrollan actividades, se proporciona
retroalimentación y se evalúan determinados aprendizajes. Al mismo tiempo,
cuestiona los límites entre asistencia y dependencia, automatización y
autonomía, innovación y responsabilidad. Frente a este escenario, la profesión
docente adquiere una relevancia renovada.
La expansión de sistemas
inteligentes no disminuye la necesidad del profesor; transforma las
competencias necesarias para ejercer su labor. Cuando obtener información o
generar una respuesta se vuelve cada vez más sencillo, cobran mayor importancia
capacidades como interpretar, contextualizar, contrastar, formular preguntas
relevantes, identificar errores, diseñar experiencias significativas y
acompañar los procesos intelectuales y humanos del estudiante. El docente deja
de ser únicamente quien proporciona conocimiento para convertirse, cada vez con
mayor claridad, en mediador crítico, diseñador de experiencias de aprendizaje,
orientador y garante de que la tecnología conserve un propósito verdaderamente
educativo.
En este contexto surge la obra
Competencias docentes para integrar la Inteligencia Artificial en los procesos
de enseñanza y aprendizaje, concebida desde la necesidad de comprender esta
transformación sin caer en dos posiciones igualmente limitantes: considerar la
inteligencia artificial como una solución automática para los problemas
educativos o rechazarla únicamente por los desafíos que introduce. Entre ambos
extremos existe un espacio de análisis, preparación profesional y toma de
decisiones responsables que constituye precisamente el territorio que este
libro busca recorrer.
Integrar inteligencia artificial
en educación exige mucho más que aprender a utilizar aplicaciones. Supone
comprender sus fundamentos y limitaciones, desarrollar alfabetización digital e
inteligencia artificial, seleccionar herramientas con criterios pedagógicos,
formular instrucciones adecuadas, analizar críticamente los resultados
generados y reconocer cuándo una determinada tecnología realmente mejora una
experiencia de aprendizaje. También implica proteger la privacidad, prevenir
usos discriminatorios, promover la integridad académica y conservar la
responsabilidad humana sobre aquellas decisiones que pueden afectar la
trayectoria educativa de una persona.
Uno de los principales desafíos
de este momento histórico consiste precisamente en evitar que la rapidez de la
innovación tecnológica supere la capacidad de las instituciones y de los
profesionales para reflexionar sobre sus consecuencias. La incorporación
apresurada de herramientas puede generar prácticas superficiales, dependencia
tecnológica o nuevas desigualdades. En cambio, una integración fundamentada
permite utilizar la inteligencia artificial para ampliar oportunidades de
aprendizaje, diversificar recursos, ofrecer apoyos más personalizados y
favorecer procesos de creación, investigación y resolución de problemas.
Por ello, la formación docente
constituye un elemento central. Las competencias necesarias frente a la
inteligencia artificial no pueden adquirirse mediante una capacitación aislada
ni limitarse al dominio técnico de una plataforma. Se requiere aprendizaje
profesional continuo, capacidad de adaptación y disposición para revisar las
propias prácticas conforme evolucionan las tecnologías y la evidencia
educativa. Lo verdaderamente perdurable no será el conocimiento de una
herramienta específica, sino la capacidad de evaluar nuevas tecnologías desde
principios pedagógicos, críticos y éticos.
La inteligencia artificial
también invita a reconsiderar qué significa aprender. Si una máquina puede
producir una respuesta correcta, el desafío educativo se desplaza hacia la
capacidad de comprenderla, comprobarla, utilizarla, cuestionarla y producir conocimiento
a partir de ella. La enseñanza del futuro deberá valorar cada vez más el
razonamiento, la creatividad, la argumentación, la resolución de problemas, la
autonomía y la capacidad de tomar decisiones responsables. En estas
dimensiones, la mediación docente continúa siendo indispensable.
Esta obra parte de una convicción
fundamental: la educación no debe adaptarse pasivamente a la inteligencia
artificial; debe aprender a dirigir su utilización de acuerdo con finalidades
humanas y educativas. La innovación tiene sentido cuando contribuye al
desarrollo integral de las personas y cuando amplía, en lugar de reducir, sus
capacidades para pensar, crear, aprender y participar en la sociedad.
El desafío que se presenta ante
docentes, investigadores, directivos e instituciones educativas no consiste
únicamente en prepararse para utilizar la inteligencia artificial que existe
actualmente. Consiste en desarrollar las capacidades necesarias para responder
responsablemente a tecnologías que continuarán evolucionando. Esto requiere
criterio profesional, pensamiento crítico, apertura hacia la innovación y,
sobre todo, una comprensión clara de que ninguna herramienta debe convertirse
en el propósito último de la educación.
Las páginas que siguen ofrecen
una aproximación a este desafío desde las competencias docentes, el diseño
pedagógico, la evaluación, la ética, la inclusión, la innovación y las
perspectivas futuras de la profesión. Más que proporcionar respuestas definitivas
frente a una tecnología en permanente transformación, esta obra busca aportar
fundamentos que permitan formular mejores preguntas y tomar decisiones
educativas más conscientes.
Porque el verdadero reto de la
inteligencia artificial en educación no será determinar cuánto puede hacer una
máquina, sino decidir qué queremos que siga aprendiendo, desarrollando y
construyendo el ser humano en un mundo donde las máquinas pueden hacer cada vez
más.
-
AGRADECIMIENTOS
· Dra. Annel
Adriana Betancourt Alcocer
A Dios por ser mi guía, a las personas que la vida ha puesto en mi
camino, por inspirarme, y a mis dos hijos, el motor que impulsa mi vida y cada
uno de mis proyectos.
· Dr. Luis
Raúl Chapa Mejía
A Dios, a mi familia, y a quienes, sin saberlo quizás, se convirtieron
en luz en mis días más oscuros. Su ejemplo me sostuvo cuando el paso flaqueaba,
y su exigencia silenciosa me empujó a ser más de lo que creía poder ser.
· Dr. Luis
Alberto Limón Montelongo
A mi madre, Lic. Rosa Ma. Montelongo Villegas, mi apoyo incondicional y
presencia constante en cada etapa de mi vida. Gracias por creer siempre en mí,
acompañar cada proyecto e impulsarme a alcanzar nuevas metas. Mi profunda
gratitud por caminar a mi lado y ser parte esencial de mi historia.
· Mtro. Pável
Medina Macías
A Eliel, por ser, a pesar de su corta edad, un pilar y una inspiración
constante en mi vida. A mi familia, por su amor y apoyo incondicional; y a
todas las personas que han acompañado mi formación, dejando una huella en mi
camino. Y a los amigos que llegaron en el momento justo, cuando más los
necesitaba. A todos, gracias por caminar conmigo y junto a mí.
RESUMEN
La inteligencia artificial (IA)
está transformando de manera progresiva los procesos de enseñanza y
aprendizaje, generando nuevas posibilidades para la planificación didáctica, la
personalización educativa, la creación de recursos, la evaluación, la retroalimentación
y la gestión de información. En este contexto, el desarrollo de competencias
docentes específicas constituye una condición fundamental para garantizar una
integración pedagógica, crítica, ética y responsable de estas tecnologías. La
presente obra analiza las competencias necesarias para que el profesorado pueda
comprender, seleccionar, utilizar y evaluar sistemas de inteligencia artificial
de acuerdo con los objetivos educativos y las características de los
estudiantes.
A lo largo de seis capítulos se
examinan la evolución de la IA y su incorporación en la educación; la
competencia digital docente y la alfabetización en inteligencia artificial; el
diseño de experiencias de enseñanza y aprendizaje mediadas por sistemas inteligentes;
las transformaciones de la evaluación ante la inteligencia artificial
generativa; y los desafíos relacionados con privacidad, protección de datos,
sesgos algorítmicos, integridad académica, inclusión, equidad y autonomía del
estudiante. Asimismo, se analizan la innovación educativa, el desarrollo
profesional, el liderazgo institucional y las tendencias emergentes vinculadas
con agentes de IA, tutores inteligentes, multimodalidad y aprendizaje
adaptativo.
La obra sostiene que la
competencia docente frente a la inteligencia artificial no debe reducirse al
dominio instrumental de herramientas digitales. Requiere integrar conocimientos
tecnológicos y pedagógicos con pensamiento crítico, capacidad de evaluación,
responsabilidad ética, creatividad y aprendizaje profesional continuo. Desde
una perspectiva centrada en el ser humano, se plantea que la IA debe actuar
como recurso de apoyo que amplíe las capacidades docentes y estudiantiles, sin
sustituir el juicio profesional, la autonomía ni la dimensión humana de la
educación.
ABSTRACT
Artificial
intelligence (AI) is progressively transforming teaching and learning
processes, creating new opportunities for instructional planning, personalized
learning, educational resource development, assessment, feedback, and
information management. Within this context, the development of specific
teaching competencies has become a fundamental condition for ensuring the
pedagogical, critical, ethical, and responsible integration of these
technologies. This book examines the competencies teachers need to understand,
select, use, and evaluate artificial intelligence systems in accordance with
educational objectives and learners’ characteristics.
Across
six chapters, the book explores the evolution of AI and its incorporation into
education; teachers’ digital competence and artificial intelligence literacy;
the design of teaching and learning experiences mediated by intelligent
systems; transformations in educational assessment in response to generative
artificial intelligence; and challenges related to privacy, data protection,
algorithmic bias, academic integrity, inclusion, equity, and learner autonomy.
It also examines educational innovation, professional development,
institutional leadership, and emerging trends associated with AI agents,
intelligent tutoring systems, multimodality, and adaptive learning.
The book
argues that teachers’ competence in artificial intelligence should not be
reduced to the instrumental use of digital tools. Rather, it requires the
integration of technological and pedagogical knowledge with critical thinking,
evaluative capacity, ethical responsibility, creativity, and continuous
professional learning. From a human-centered perspective, AI is presented as a
supportive resource capable of enhancing the capacities of teachers and
students without replacing professional judgment, learner autonomy, or the
human dimension of education.
INTRODUCCIÓN
La educación
siempre ha sido, ante todo, un encuentro humano. Detrás de cada aula, de cada
estrategia de enseñanza, de cada pregunta y de cada proceso de evaluación
existe una relación entre personas que buscan comprender, enseñar, aprender y
transformar su realidad. Las tecnologías han acompañado históricamente ese
camino, modificando recursos, ampliando posibilidades y creando nuevas formas
de acceso al conocimiento. Sin embargo, pocas transformaciones recientes han
provocado tantas preguntas, expectativas y desafíos como la incorporación de la
Inteligencia Artificial a los procesos educativos.
En un tiempo
sorprendentemente breve, la Inteligencia Artificial dejó de ser un concepto
asociado exclusivamente con laboratorios, especialistas y sistemas
computacionales complejos para convertirse en una presencia cotidiana. Hoy
puede ayudarnos a organizar información, producir materiales, generar imágenes,
formular preguntas, adaptar contenidos, ofrecer retroalimentación, analizar
datos o acompañar determinados procesos de aprendizaje. Su llegada al ámbito
educativo abre posibilidades que hace algunos años parecían lejanas, pero
también nos obliga a detenernos y preguntarnos qué significa verdaderamente
enseñar y aprender en un mundo donde una máquina puede producir respuestas en
cuestión de segundos.
Este libro
nace precisamente de esas preguntas.
No pretende
presentar a la Inteligencia Artificial como una respuesta automática a los
problemas de la educación, ni asumir que toda innovación tecnológica representa
por sí misma una innovación pedagógica. Tampoco parte del temor de que la
tecnología inevitablemente desplazará al docente. Nuestra mirada se sitúa en
otro lugar: en la posibilidad de comprender la IA, analizarla críticamente y
aprender a incorporarla cuando pueda contribuir de manera auténtica al
aprendizaje, sin perder de vista aquello que constituye el corazón de la
educación: la persona.
Porque
ninguna herramienta conoce a un estudiante como puede llegar a conocerlo un
docente. Ningún algoritmo reemplaza por completo la sensibilidad necesaria para
reconocer una dificultad, acompañar una incertidumbre, despertar una curiosidad
o descubrir el momento preciso en que alguien comienza a comprender. La
Inteligencia Artificial puede procesar información, identificar patrones y
generar alternativas; pero educar continúa implicando acompañar personas,
construir vínculos, formar criterio y asumir responsabilidad por las decisiones
que afectan el desarrollo de otros.
Desde esta
convicción se construye Competencias docentes para integrar la Inteligencia
Artificial en los procesos de enseñanza y aprendizaje. A lo largo de seis
capítulos proponemos un recorrido que avanza desde la comprensión de esta
transformación hasta las preguntas que comienzan a definir el futuro de la
profesión docente.
El Capítulo
1, Inteligencia Artificial y transformación de los procesos educativos,
constituye el punto de partida. En él se analiza la evolución de la IA y su
progresiva incorporación a la educación, así como conceptos fundamentales que
permiten comprender qué ocurre detrás de términos que hoy forman parte del
lenguaje cotidiano. Se exploran las posibilidades de la Inteligencia Artificial
generativa, sus principales aplicaciones educativas, las oportunidades que
ofrece y los riesgos que acompañan su utilización. Pero, sobre todo, se plantea
una primera transformación esencial: el tránsito hacia un docente que no se
limita a transmitir información, sino que actúa como mediador, diseñador de
experiencias, orientador y referente crítico ante un entorno en el que el
acceso al contenido es cada vez más inmediato.
Comprender
esta transformación conduce necesariamente a preguntarnos qué necesita saber y
saber hacer el profesorado. Por ello, el Capítulo 2, Competencias docentes para
la era de la Inteligencia Artificial, se concentra en las capacidades
profesionales que comienzan a resultar indispensables. La alfabetización en IA,
la competencia digital, el pensamiento crítico, la selección y evaluación de
herramientas, la formulación de instrucciones o prompts, la protección
de datos, la dimensión ética y el aprendizaje profesional permanente forman
parte de un perfil docente que continúa evolucionando. Este capítulo propone
superar una visión puramente instrumental: ser competente en Inteligencia
Artificial no significa utilizar muchas herramientas, sino saber decidir cuándo
utilizarlas, para qué hacerlo, cómo verificar sus resultados y cuándo resulta
preferible no emplearlas.
El Capítulo
3, Diseño de experiencias de enseñanza y aprendizaje mediadas por Inteligencia
Artificial, lleva estas competencias al terreno de la práctica educativa. Aquí
la pregunta deja de ser solamente qué puede hacer la IA y se transforma en una
cuestión pedagógica mucho más importante: ¿qué debe hacer el estudiante para
aprender? Se analizan la planificación didáctica, el diseño de actividades con
IA generativa, la personalización del aprendizaje, las metodologías activas, la
utilización de sistemas como tutores, asistentes o colaboradores, la creación
de recursos y las estrategias para favorecer creatividad, pensamiento crítico y
resolución de problemas. La tecnología aparece así no como protagonista de la
experiencia, sino como un recurso cuya presencia debe justificarse por aquello
que aporta al proceso formativo.
Este cambio
inevitablemente alcanza uno de los ámbitos más sensibles de la educación: la
evaluación. El Capítulo 4, Evaluación del aprendizaje en tiempos de
Inteligencia Artificial, analiza cómo debemos reconsiderar las evidencias que
utilizamos para determinar qué sabe y qué puede hacer un estudiante cuando los
sistemas generativos son capaces de producir textos, explicaciones, soluciones
y otros productos académicos. Se examinan las posibilidades de la IA para
apoyar la evaluación y la retroalimentación, pero también sus límites. El
capítulo invita a avanzar desde una mirada centrada únicamente en el producto
final hacia evaluaciones capaces de hacer visible el proceso, la argumentación,
las decisiones, la aplicación del conocimiento y la auténtica contribución
intelectual del estudiante. Evaluar en este nuevo escenario significa también
aprender a distinguir entre asistencia tecnológica y aprendizaje real.
Sin embargo,
integrar Inteligencia Artificial en la educación implica responsabilidades que
van mucho más allá de la eficiencia o la innovación. Por ello, el Capítulo 5,
Ética, inclusión y uso responsable de la Inteligencia Artificial en educación,
coloca en el centro preguntas que ninguna institución ni ningún docente debería
ignorar. Privacidad, protección de datos, sesgos algorítmicos, transparencia,
integridad académica, autoría, equidad, accesibilidad, autonomía y derechos
forman parte de las decisiones cotidianas que acompañan la adopción de estas
tecnologías. Este capítulo plantea que preguntarnos qué puede hacer la IA es
insuficiente; también necesitamos preguntarnos qué debería hacer, en qué
condiciones, con qué límites y en beneficio de quién. La innovación educativa
solo puede considerarse verdadera innovación cuando respeta la dignidad, la
diversidad y las oportunidades de quienes participan en ella.
Finalmente,
el Capítulo 6, Innovación, investigación y futuro de la profesión docente ante
la Inteligencia Artificial, dirige la mirada hacia lo que viene. Se analiza la
IA como posible motor de innovación educativa, la importancia de investigar
rigurosamente sus efectos y el papel que desempeñan las actitudes de docentes y
estudiantes, el liderazgo institucional y el desarrollo profesional. También se
exploran escenarios emergentes vinculados con sistemas más autónomos, agentes
inteligentes, multimodalidad, tutoría avanzada y nuevas formas de colaboración
entre personas y tecnología. Frente a estos cambios, el interrogante relevante
no es si la Inteligencia Artificial terminará sustituyendo al docente, sino qué
clase de docente será necesario formar para una sociedad en la que los sistemas
inteligentes estarán presentes de manera permanente.
Los seis
capítulos mantienen una misma convicción: el futuro de la educación no depende
únicamente de aquello que la tecnología sea capaz de hacer. Dependerá, en gran
medida, de aquello que nosotros decidamos hacer con ella.
La
Inteligencia Artificial puede ayudarnos a producir más rápido, analizar más
información y explorar nuevas posibilidades, pero la educación seguirá
necesitando preguntas que una máquina no puede responder por nosotros: qué vale
la pena aprender, cómo queremos convivir, qué responsabilidades estamos
dispuestos a asumir, qué tipo de profesionales deseamos formar y, finalmente,
qué clase de sociedad queremos construir.
Por eso,
este libro no es una invitación a seguir una tendencia. Es una invitación a
comprender antes de utilizar, reflexionar antes de delegar, evaluar antes de
confiar e innovar sin renunciar a nuestra humanidad.
A docentes,
investigadores, estudiantes, directivos y a todas aquellas personas que han
decidido acercarse a estas páginas, los invitamos a recorrerlas con curiosidad,
pero también con pensamiento crítico; con apertura hacia lo nuevo, pero
conservando la prudencia que exige toda decisión educativa. Esperamos que cada
capítulo genere respuestas, pero, sobre todo, que despierte nuevas preguntas y
contribuya a construir una relación con la Inteligencia Artificial más
consciente, ética y profundamente humana.
Porque quizá
el verdadero desafío de esta época no sea aprender a utilizar máquinas cada vez
más inteligentes, sino asegurarnos de que, mientras avanzamos junto a ellas,
sigamos educando personas capaces de pensar, sentir, decidir, crear y
transformar el mundo con responsabilidad.
CAPÍTULO I.
La incorporación de la
inteligencia artificial (IA) en la educación constituye uno de los procesos de
transformación tecnológica más significativos de las últimas décadas. Su
presencia ha dejado de limitarse a sistemas especializados de análisis, automatización
o predicción para integrarse progresivamente en actividades cotidianas
vinculadas con la planificación docente, la producción de recursos educativos,
la personalización del aprendizaje, la retroalimentación, la evaluación y la
gestión de información. Este proceso se ha intensificado con la expansión de la
inteligencia artificial generativa, cuyas interfaces conversacionales han
facilitado el acceso de docentes y estudiantes a capacidades computacionales
que anteriormente requerían conocimientos técnicos especializados.
La transformación educativa
asociada con la IA, sin embargo, no puede interpretarse únicamente desde la
disponibilidad de nuevas herramientas. La incorporación tecnológica adquiere
verdadero sentido cuando responde a propósitos pedagógicos, se articula con los
objetivos de aprendizaje y está acompañada por criterios profesionales para
valorar la pertinencia, confiabilidad, seguridad y dimensión ética de los
sistemas utilizados. La literatura reciente muestra que las aplicaciones de IA
en educación abarcan el aprendizaje, la enseñanza, la evaluación y la
administración, aunque su aprovechamiento depende de las capacidades de los
actores educativos para integrarlas de manera contextualizada (Chiu et al.,
2023).
En consecuencia, comprender la
transformación de los procesos educativos requiere examinar tanto la evolución
tecnológica como las modificaciones que se producen en las funciones docentes.
La IA puede ampliar las posibilidades de personalización, generación de
contenidos y análisis de información, pero simultáneamente introduce
interrogantes relativos a la privacidad, los sesgos, la fiabilidad de los
resultados, la integridad académica y la autonomía de quienes enseñan y
aprenden. Esta combinación de posibilidades y tensiones justifica una
aproximación en la que la dimensión tecnológica permanezca subordinada a una
perspectiva pedagógica y centrada en las personas.
Aunque la expansión contemporánea de la inteligencia
artificial puede generar la impresión de que se trata de una tecnología
reciente, sus antecedentes se remontan a mediados del siglo XX. El término artificial
intelligence fue acuñado en 1956 y, desde entonces, su significado ha
evolucionado paralelamente al incremento de la capacidad de procesamiento
computacional, la disponibilidad de datos y el desarrollo de nuevos algoritmos.
Una revisión reciente sobre IA en educación superior señala que el concepto ha
cambiado considerablemente desde su formulación inicial, debido a la aparición
de capacidades computacionales cada vez más complejas (Crompton & Burke,
2023).
Las primeras aproximaciones se fundamentaron
principalmente en sistemas basados en reglas, en los que los programadores
definían instrucciones explícitas para que una computadora pudiera resolver
determinados problemas. Más adelante, el desarrollo de sistemas expertos
permitió representar ciertos conocimientos especializados mediante estructuras
lógicas capaces de generar recomendaciones o decisiones dentro de dominios
delimitados. Estas aproximaciones influyeron en las primeras experiencias de IA
educativa, particularmente en sistemas tutoriales que buscaban reproducir
algunos componentes de la interacción entre un tutor y un estudiante.
El crecimiento de la capacidad de almacenamiento y
procesamiento de datos favoreció posteriormente una transición hacia sistemas
que no dependían exclusivamente de reglas introducidas manualmente. El
aprendizaje automático o machine learning permitió desarrollar
algoritmos capaces de identificar regularidades en los datos y mejorar
determinados resultados a partir de ejemplos. En el ámbito educativo, esta
evolución amplió las posibilidades para analizar trayectorias académicas,
identificar patrones de rendimiento, predecir situaciones de riesgo, recomendar
recursos y adaptar experiencias a las características de los estudiantes.
Antes de la expansión de la IA generativa, una parte
importante de la investigación educativa se concentraba precisamente en estas
funciones analíticas y predictivas. Chu et al. (2022), al revisar cincuenta
trabajos altamente citados sobre IA en educación superior, encontraron una
presencia significativa de aplicaciones relacionadas con la elaboración de
perfiles y predicciones, los sistemas de tutoría inteligente y la evaluación.
Asimismo, señalaron que aspectos como el pensamiento de orden superior, la colaboración,
la comunicación y la autoeficacia habían recibido comparativamente menor
atención.
Con el avance del aprendizaje profundo, las redes
neuronales y el procesamiento del lenguaje natural, las aplicaciones comenzaron
a adquirir capacidades más sofisticadas. La IA pudo analizar grandes volúmenes
de texto, imágenes, audio y registros de interacción, generando nuevos
escenarios para la automatización de tareas y el desarrollo de entornos
adaptativos. Este cambio contribuyó a que la IA educativa evolucionara desde
sistemas relativamente especializados hacia un ecosistema más amplio que comprende
analítica del aprendizaje, asistentes virtuales, sistemas de recomendación,
tutores inteligentes, reconocimiento automático, procesamiento del lenguaje y
herramientas de generación de contenidos.
El crecimiento de este campo se refleja también en la
producción científica. Guo et al. (2024) analizaron 6.843 publicaciones
indexadas en Web of Science y Scopus relacionadas con IA y educación entre 2013
y 2023. Sus resultados muestran una expansión acelerada de la investigación y
una presencia especialmente importante de la educación superior, junto con
aplicaciones vinculadas con aprendizaje automático, aprendizaje profundo,
sistemas de recomendación, calificación automatizada, analítica del aprendizaje
y tutoría inteligente.
Un punto de inflexión particularmente relevante se produjo
a partir de 2022 con la difusión pública de sistemas de inteligencia artificial
generativa capaces de mantener conversaciones y producir textos, imágenes,
código y otros tipos de contenido mediante instrucciones expresadas en lenguaje
natural. La aparición de estas interfaces redujo considerablemente la barrera
de acceso, porque el usuario dejó de necesitar conocimientos avanzados de
programación para interactuar con modelos complejos. La UNESCO identifica la
llegada pública de ChatGPT a finales de 2022 como uno de los acontecimientos
que aceleraron la expansión social de la IA generativa y el debate sobre sus
implicaciones para la educación (Miao & Holmes, 2023).
Esta evolución ha modificado también las formas de
incorporación de la IA en la práctica docente. Mientras que los sistemas
anteriores podían operar principalmente en segundo plano —por ejemplo,
identificando patrones de rendimiento—, las herramientas generativas permiten
actualmente una interacción directa mediante lenguaje natural. El profesorado
puede utilizarlas como apoyo para elaborar propuestas de actividades, adaptar
explicaciones, explorar alternativas metodológicas, organizar información o generar
borradores de materiales. En una revisión sistemática centrada en planificación
docente, Chuñir Panjon (2025) identifica como competencias fundamentales
comprender los principios y aplicaciones de la IA, evaluar y seleccionar
herramientas y diseñar actividades que aprovechen sus capacidades para
favorecer la personalización.
La adopción, por tanto, está pasando de una etapa en la
que la IA era predominantemente una tecnología especializada a otra en la que
puede convertirse en un recurso transversal dentro de múltiples tareas
educativas. Esta expansión no significa que los enfoques anteriores hayan
desaparecido. Los sistemas predictivos, la analítica, los tutores inteligentes,
los modelos adaptativos y la IA generativa coexisten y pueden complementarse.
Lo verdaderamente novedoso radica en la amplitud del acceso, la interacción
conversacional y la posibilidad de integrar la generación automática de
contenidos en actividades que hasta hace pocos años dependían casi
exclusivamente del trabajo humano.
La evolución descrita permite observar un tránsito progresivo desde sistemas
especializados y basados en reglas hacia modelos capaces de aprender, generar
contenidos e intervenir en múltiples procesos educativos. La Figura 1 sintetiza
los principales momentos de esta transformación y su progresiva incorporación
en la educación.
Figura 1 Evolución de la Inteligencia Artificial y
su incorporación en la educación
La integración pedagógica de
la inteligencia artificial no exige que todo docente se transforme en
especialista en informática o ciencia de datos. Sí requiere, en cambio, una
alfabetización conceptual suficiente para comprender qué tipo de sistema se está
utilizando, qué puede hacer, qué limitaciones presenta y qué decisiones no
deberían delegarse automáticamente en él. Esta distinción resulta esencial
porque utilizar técnicamente una aplicación no equivale a comprender las
condiciones bajo las cuales produce sus resultados.
En términos generales, la
inteligencia artificial comprende sistemas computacionales diseñados para
desarrollar tareas que implican procesos como identificación de patrones,
predicción, clasificación, procesamiento de lenguaje, generación de contenido o
toma automatizada de decisiones. Dentro de este campo existen distintas
técnicas y familias tecnológicas, por lo que no debe emplearse el término IA
como si todas las herramientas funcionaran de la misma manera.
Uno de los conceptos centrales
es el aprendizaje automático (machine learning), mediante el cual un
sistema emplea datos para mejorar su desempeño en una tarea determinada. Dentro
de este campo se encuentran las redes neuronales artificiales, estructuras
computacionales que permiten procesar relaciones complejas entre grandes cantidades
de información. El avance de estas arquitecturas ha favorecido aplicaciones
relacionadas con procesamiento de imágenes, reconocimiento de patrones,
lenguaje natural y sistemas generativos. La guía de UNESCO sobre IA generativa
presenta estas relaciones conceptuales diferenciando aprendizaje automático,
redes neuronales, transformadores, modelos de lenguaje y sistemas generativos
(Miao & Holmes, 2023).
Tabla 1 Conceptos fundamentales de Inteligencia
Artificial para la práctica docente
|
Concepto
|
Explicación
sintética
|
Relevancia
para el docente
|
|
Inteligencia
artificial (IA)
|
Campo que desarrolla
sistemas capaces de ejecutar tareas asociadas con análisis, predicción,
reconocimiento, generación o toma de decisiones.
|
Permite comprender que
existen múltiples tipos de sistemas y que no toda aplicación de IA cumple la
misma función.
|
|
Algoritmo
|
Conjunto de procedimientos
utilizados por un sistema para procesar información y producir determinados
resultados.
|
Ayuda a reconocer que las
respuestas tecnológicas son producto de reglas y modelos computacionales, no
de una conciencia humana.
|
|
Aprendizaje
automático (machine learning)
|
Enfoque mediante el cual
los sistemas emplean datos para identificar patrones y mejorar su desempeño
en tareas específicas.
|
Es fundamental para
interpretar aplicaciones predictivas, sistemas de recomendación y analítica
educativa.
|
|
Redes
neuronales artificiales
|
Modelos computacionales capaces
de aprender relaciones complejas entre grandes cantidades de datos.
|
Constituyen una base tecnológica
de numerosas aplicaciones contemporáneas de IA.
|
|
Procesamiento
del lenguaje natural
|
Conjunto de técnicas que
permiten analizar, procesar o producir lenguaje humano mediante sistemas
computacionales.
|
Sustenta asistentes
conversacionales, sistemas de escritura, traducción y análisis textual.
|
|
Inteligencia
artificial generativa
|
IA capaz de producir nuevos
contenidos —texto, imagen, audio, video o código— a partir de patrones
aprendidos y de instrucciones del usuario.
|
Permite generar, transformar o
adaptar materiales, pero exige revisión docente de los resultados.
|
|
Modelo
de lenguaje de gran escala (LLM)
|
Modelo entrenado con
grandes cantidades de texto para procesar y generar lenguaje de acuerdo con
patrones estadísticos.
|
Ayuda a comprender el
funcionamiento general de asistentes conversacionales y sus limitaciones.
|
|
Prompt
|
Instrucción, pregunta, contexto
o conjunto de indicaciones proporcionadas a un sistema generativo.
|
La calidad, claridad y
contextualización de las instrucciones influyen en la utilidad de las
respuestas obtenidas.
|
|
Alucinación
o fabricación
|
Producción de información
incorrecta, inexistente o no sustentada presentada con apariencia de
plausibilidad.
|
Obliga a verificar
información, referencias, datos y afirmaciones antes de utilizarlos
pedagógicamente.
|
Fuente.
Elaboración propia a partir de Miao y Holmes (2023) y Miao y Cukurova (2024).
Especial atención merece el
concepto de modelo de lenguaje de gran escala o LLM. Estos modelos son
entrenados con grandes volúmenes de textos para identificar relaciones y
regularidades lingüísticas. Su capacidad para generar respuestas coherentes no
significa que posean comprensión humana del mundo, intencionalidad o
conocimiento infalible. UNESCO advierte que la fluidez de una respuesta
generada no constituye una garantía de exactitud; por ello, las respuestas
deben ser evaluadas a partir del conocimiento disciplinar, la consulta de
fuentes y el juicio crítico del usuario (Miao & Holmes, 2023).
Esta diferencia es
especialmente relevante en educación. Cuando un sistema produce una explicación
bien redactada, el estudiante puede atribuirle una autoridad que no
necesariamente merece. Una afirmación falsa puede presentarse con el mismo tono
de seguridad que una verdadera. Por este motivo, la competencia docente no
puede limitarse a saber formular preguntas a una herramienta; requiere la
capacidad de verificar resultados, detectar inconsistencias, reconocer cuándo
una respuesta supera el ámbito razonable de utilización de la tecnología y
enseñar al estudiante a realizar el mismo proceso.
Otro concepto cada vez más
importante es el de formulación de instrucciones o prompting. La
elaboración de un prompt consiste en proporcionar al sistema información
sobre la tarea que se desea realizar, el contexto, el objetivo, las condiciones
y, cuando corresponda, el formato esperado. UNESCO define la ingeniería de prompts
como el conjunto de procesos y técnicas destinados a formular entradas que
permitan aproximar las respuestas generadas a la intención del usuario (Miao
& Holmes, 2023).
Desde la perspectiva
educativa, un buen prompt no debe entenderse simplemente como una
fórmula para obtener respuestas rápidas. Su mayor valor pedagógico aparece
cuando obliga a precisar objetivos, delimitar condiciones, definir
destinatarios y establecer criterios de calidad. El estudio de German Pimentel
et al. (2025) incluido entre los documentos de referencia evidencia
precisamente que estudiantes de formación docente podían presentar un manejo
técnico básico de herramientas de IA y, al mismo tiempo, dificultades para
formular instrucciones claras, contextualizadas y con intención didáctica.
La alfabetización conceptual
en IA debe permitir, finalmente, comprender una idea transversal a todo este
libro: interactuar con un sistema inteligente no significa delegar en él el
criterio profesional. La tecnología puede procesar información, generar propuestas
y automatizar determinadas operaciones, pero la valoración de la pertinencia
pedagógica, el contexto del estudiante, los objetivos curriculares, las
consecuencias éticas y la calidad final permanece bajo responsabilidad humana.
La inteligencia artificial
generativa introduce una diferencia sustancial frente a muchas aplicaciones
educativas anteriores: además de clasificar, predecir o recomendar, puede
producir contenido en respuesta a instrucciones formuladas mediante lenguaje natural.
Estos contenidos pueden adoptar formatos textuales, visuales, audiovisuales,
sonoros o computacionales. La facilidad de interacción transforma la relación
entre usuario y tecnología, pues el docente y el estudiante pueden desarrollar
procesos iterativos de pregunta, respuesta, corrección, ampliación y
reformulación sin utilizar lenguajes técnicos de programación (Miao &
Holmes, 2023).
En el ámbito de la enseñanza,
esta capacidad abre posibilidades para generar ejemplos, formular preguntas,
adaptar explicaciones a diferentes niveles de complejidad, proponer casos de
estudio, elaborar borradores de actividades, producir escenarios hipotéticos y
transformar información de un formato a otro. El verdadero valor pedagógico,
sin embargo, no reside en producir mayores cantidades de contenido, sino en
utilizar esa capacidad para diversificar las formas de representación,
facilitar la diferenciación y enriquecer las interacciones relacionadas con el
aprendizaje.
Para el estudiante, la IA
generativa puede desempeñar funciones de interlocutor, tutor provisional,
recurso para explorar ideas, apoyo para revisar un razonamiento o mecanismo de
retroalimentación inicial. La literatura temprana sobre ChatGPT identificó
posibilidades como su utilización como asistente del profesor y como tutor
virtual, aunque simultáneamente encontró diferencias importantes en la calidad
de sus respuestas según el campo disciplinar y alertó sobre generación de
información incorrecta y problemas de integridad académica (Lo, 2023).
Estos sistemas también pueden
incorporarse a metodologías activas. En lugar de solicitar al estudiante
únicamente que obtenga una respuesta, el docente puede diseñar actividades en
las que sea necesario comparar una solución generada por IA con fuentes académicas,
detectar errores, contrastar perspectivas, mejorar un argumento, justificar por
qué determinada respuesta resulta insuficiente o reconstruir una propuesta
mediante evidencia. De esta manera, la herramienta deja de funcionar como
proveedor automático de respuestas y se convierte en un objeto de análisis.
Pineda et al. (2024), en una
investigación sobre integración de IA en metodologías activas, encontraron que
docentes participantes incorporaban recursos tecnológicos para elaborar
infografías, cuestionarios, trabajos colaborativos y debates, así como para
facilitar la personalización, la retroalimentación y la organización de
espacios híbridos. Los autores también identificaron que parte de esa
utilización se sustentaba todavía en conocimientos básicos o intermedios, por
lo que los participantes consideraban necesaria una formación formal más
profunda.
La IA generativa también
obliga a reconsiderar el diseño de las actividades. Una tarea cuya única
exigencia sea producir un texto descriptivo genérico puede ser resuelta
parcialmente por una herramienta en pocos segundos. Esto no significa que la
escritura, la investigación o la elaboración de trabajos hayan perdido valor,
sino que resulta necesario diseñar experiencias que hagan visible el proceso
intelectual del estudiante: selección de evidencia, argumentación,
contextualización, aplicación a casos concretos, reflexión metacognitiva,
defensa oral, revisión y toma de decisiones.
La aparición de estos
sistemas, por tanto, no implica necesariamente una reducción de la exigencia
académica. Puede conducir justamente a lo contrario: trasladar el énfasis desde
la reproducción de información hacia actividades que requieran comprensión,
juicio, creatividad, contraste y responsabilidad. En este nuevo escenario, el
desafío pedagógico consiste en determinar qué tareas conviene apoyar con IA,
cuáles deben conservar espacios de desempeño autónomo y cómo evaluar el
aprendizaje cuando la disponibilidad de herramientas generativas es parte
permanente del entorno.
El acelerado desarrollo del
mercado de inteligencia artificial hace inconveniente construir una
clasificación exclusivamente basada en nombres comerciales. Las plataformas
cambian de funciones, condiciones de acceso y modelos con gran rapidez. Para un
libro académico resulta más sostenible organizar las herramientas según las
funciones educativas que pueden desempeñar y utilizar productos concretos
solamente como ejemplos representativos.
Actualmente existen asistentes
conversacionales de propósito general, sistemas diseñados específicamente para
apoyar procesos educativos, herramientas de generación multimedia, aplicaciones
para escritura y procesamiento lingüístico, entornos adaptativos y sistemas de
analítica o evaluación. Entre los asistentes generativos disponibles se
encuentran, por ejemplo, ChatGPT, Gemini, Microsoft Copilot y Claude, mientras
que propuestas como Khanmigo se orientan de manera más específica al apoyo
educativo. La documentación vigente de estos proveedores confirma que las
aplicaciones contemporáneas se están extendiendo hacia planificación,
generación y adaptación de materiales, tutoría, estudio guiado, análisis y
apoyo institucional.
Tabla 2 Principales categorías de herramientas de
IA y posibles aplicaciones educativas
|
Categoría
|
Ejemplos
representativos
|
Aplicaciones
educativas
|
Consideración
pedagógica
|
|
Asistentes
generativos conversacionales
|
ChatGPT, Gemini, Copilot,
Claude
|
Explicaciones, ideación,
planificación, generación y revisión inicial de materiales, diálogo y
análisis de información.
|
Las respuestas requieren
verificación y contextualización; no deben asumirse como fuentes académicas
por sí mismas.
|
|
Tutores
y asistentes educativos
|
Sistemas tutoriales inteligentes
y asistentes como Khanmigo
|
Práctica guiada, preguntas
orientadoras, apoyo personalizado y asistencia al profesorado.
|
El sistema debe favorecer el
razonamiento del estudiante y no sustituir la actividad cognitiva necesaria
para aprender.
|
|
Generación
y diseño de recursos
|
Herramientas con funciones
generativas de texto, imagen, presentación, audio y video
|
Infografías,
representaciones visuales, materiales diferenciados, guiones y recursos
multimedia.
|
La producción debe
responder a objetivos didácticos, criterios de accesibilidad y revisión de
derechos de uso.
|
|
Escritura
y procesamiento lingüístico
|
Asistentes de redacción,
corrección, reformulación y traducción
|
Revisión lingüística, apoyo a la
escritura, adaptación de registro y aprendizaje de idiomas.
|
Debe distinguirse entre
asistencia legítima y sustitución del proceso de elaboración intelectual del
estudiante.
|
|
Sistemas
adaptativos y de recomendación
|
Plataformas de aprendizaje
adaptativo y motores de recomendación
|
Ajuste de actividades,
selección de recursos y diferenciación según desempeño.
|
Las recomendaciones
algorítmicas requieren supervisión docente y no deben etiquetar rígidamente
al estudiante.
|
|
Analítica
y evaluación apoyadas por IA
|
Sistemas de analítica del
aprendizaje, clasificación y retroalimentación automatizada
|
Seguimiento de progreso,
detección de patrones, apoyo a la evaluación y retroalimentación.
|
Los datos deben interpretarse
pedagógicamente y las decisiones de alta relevancia necesitan supervisión
humana.
|
La tabla 2 permite
observar que una misma tecnología puede cumplir funciones distintas según el
diseño pedagógico. Un asistente generativo, por ejemplo, puede utilizarse para
producir directamente la solución de una tarea, pero también para crear tres
respuestas deliberadamente diferentes que el estudiante deba evaluar, para
simular posiciones contrapuestas en un debate o para generar ejemplos que
posteriormente sean corregidos. La calidad de la experiencia depende menos de
la disponibilidad del sistema que de la intención con la que se incorpora.
Chuñir Panjon (2025) sostiene
que la integración de IA en la planificación exige precisamente competencias
para evaluar y seleccionar herramientas adecuadas y para diseñar actividades
que aprovechen sus capacidades de forma contextualizada. Esta premisa evita uno
de los errores frecuentes en los procesos de innovación educativa: asumir que
incorporar una nueva aplicación produce automáticamente innovación pedagógica.
La elección de herramientas
debería considerar, además del potencial funcional, el tipo de información que
será procesada, la edad de los usuarios, los mecanismos de protección de datos,
la accesibilidad, las condiciones de uso, la posibilidad de verificar los
resultados y el nivel de supervisión disponible. En consecuencia, el criterio
central no debería ser qué herramienta es más popular, sino qué solución
resulta pedagógica, ética y técnicamente adecuada para el propósito de
aprendizaje establecido.
La IA ofrece oportunidades
significativas para enriquecer la educación, pero sus posibilidades no deben
analizarse separadamente de las condiciones necesarias para aprovecharlas de
manera responsable. Esta consideración evita tanto una visión excesivamente
optimista, según la cual la tecnología resolvería por sí sola problemas
educativos estructurales, como una interpretación exclusivamente restrictiva
que ignore sus posibles contribuciones.
Una primera oportunidad es la
personalización del aprendizaje. Los sistemas pueden contribuir a ajustar
explicaciones, ejercicios, ejemplos o recursos de acuerdo con determinados
niveles de desempeño y características del estudiante. Esto no equivale a delegar
completamente la personalización en un algoritmo. El conocimiento que posee el
docente sobre el contexto, la historia académica, las necesidades emocionales y
las circunstancias particulares del alumnado continúa siendo indispensable. La
IA puede ampliar la información disponible y facilitar opciones, mientras que
la decisión pedagógica debe conservar una orientación profesional.
Otra posibilidad se relaciona
con la retroalimentación. La generación automatizada de observaciones
preliminares puede reducir el tiempo requerido para algunas tareas repetitivas
y permitir que el docente concentre mayor atención en aspectos complejos del
desempeño. Del mismo modo, la IA puede apoyar la elaboración inicial de
recursos, cuestionarios, ejemplos y estructuras de planificación. Juárez Zainos
et al. (2024) destacan posibilidades vinculadas con personalización, generación
de recursos y automatización de tareas, pero también identifican la
insuficiencia de competencias digitales docentes como una barrera para una
integración efectiva.
La accesibilidad constituye
otro ámbito de interés. Algunas tecnologías permiten adaptar textos, generar
apoyos lingüísticos, ofrecer representaciones alternativas y facilitar
determinadas formas de interacción. Utilizadas cuidadosamente, estas capacidades
pueden contribuir a diversificar el acceso a la información. Sin embargo, la
inclusión no puede reducirse a una función tecnológica: requiere comprobar que
las herramientas no introduzcan nuevas barreras, que sean accesibles para las
poblaciones destinatarias y que las condiciones económicas o de conectividad no
profundicen desigualdades preexistentes.
Entre los desafíos principales
se encuentra precisamente la brecha de competencias. La disponibilidad de una
herramienta no garantiza que el profesorado pueda utilizarla con sentido
pedagógico. Una revisión de 2025 sobre competencias digitales docentes frente a
la IA identifica dimensiones asociadas con uso pedagógico de la tecnología,
ética y seguridad de datos, gestión de información, pensamiento crítico,
innovación y creatividad. También señala obstáculos como falta de formación
específica, resistencia al cambio y desigualdades de acceso.
En el plano institucional
aparecen otras dificultades. La integración requiere políticas claras sobre
protección de información, responsabilidades, usos permitidos, integridad
académica, procedimientos de evaluación y selección de plataformas. La OECD (2023)
advierte que la transformación digital educativa no consiste simplemente en
incorporar herramientas, sino que necesita un ecosistema coherente en el que
infraestructura, gobernanza, capacidades humanas y criterios de uso responsable
funcionen de forma articulada. Sus orientaciones sobre IA subrayan además
riesgos relacionados con privacidad, sesgos y reproducción de estereotipos, así
como la necesidad de mantener al profesorado como fuerza orientadora del
proceso de aprendizaje.
Uno de los riesgos más
visibles de la IA generativa es la producción de información incorrecta o
fabricada. Los modelos pueden elaborar textos plausibles sin que ello garantice
la veracidad de las afirmaciones, las cifras o las referencias presentadas. En
un contexto educativo, este fenómeno resulta particularmente importante porque
estudiantes con conocimientos todavía en construcción podrían tener
dificultades para reconocer errores presentados con lenguaje convincente.
UNESCO advierte expresamente que la fluidez de los resultados no permite asumir
su exactitud y enfatiza la necesidad de validación humana (Miao & Holmes,
2023).
Otro riesgo corresponde a los
sesgos algorítmicos. Los sistemas aprenden a partir de grandes conjuntos de
datos en los que pueden existir desigualdades, estereotipos, omisiones y
representaciones culturales desbalanceadas. Las respuestas generadas pueden
reproducir esas características. En consecuencia, utilizar IA responsablemente
exige examinar si los contenidos presentan generalizaciones injustificadas,
discriminación, invisibilización de perspectivas o recomendaciones que afecten
de manera desigual a determinados grupos.
La privacidad y protección de
datos constituyen igualmente un asunto central. Docentes y estudiantes pueden
introducir inadvertidamente información personal, trabajos académicos,
evaluaciones, documentos institucionales o datos sensibles en plataformas externas.
La guía de UNESCO plantea que la regulación de la IA generativa debe incorporar
mecanismos de protección de datos y un enfoque centrado en las personas,
precisamente porque el entrenamiento y funcionamiento de estos sistemas
introduce interrogantes sobre recolección, procesamiento y utilización de
información (Miao & Holmes, 2023).
La integridad académica
representa otro desafío. La posibilidad de producir textos, resolver ejercicios
o generar código modifica los límites tradicionales entre asistencia y autoría.
Una respuesta exclusivamente prohibitiva puede resultar insuficiente si los
sistemas forman parte de la vida académica y profesional; pero una aceptación
sin criterios puede debilitar procesos esenciales de aprendizaje. Por ello, las
instituciones necesitan definir qué usos son legítimos, cuándo deben
declararse, qué partes del trabajo corresponden al estudiante y cómo demostrar
el proceso seguido para obtener el resultado final. La revisión de Lo (2023)
identifica precisamente la producción de información incorrecta y los problemas
de integridad académica entre las principales preocupaciones derivadas de la
incorporación temprana de ChatGPT en educación.
Finalmente, existe el riesgo
de una dependencia cognitiva si la tecnología se convierte en sustituto
sistemático de actividades necesarias para el desarrollo intelectual. Pedir a
un sistema que resuma, interprete, argumente, escriba y resuelva continuamente
puede reducir oportunidades de practicar esas capacidades de manera autónoma.
La finalidad educativa debe ser utilizar la IA para ampliar el pensamiento
humano, no para eliminar el esfuerzo cognitivo que permite desarrollar
conocimiento, criterio, autonomía y creatividad.
Estas oportunidades, desafíos
y riesgos muestran que la pregunta educativa pertinente no es simplemente si la
IA debe utilizarse o no. La cuestión fundamental consiste en establecer para
qué, cómo, en qué condiciones y con qué responsabilidades resulta conveniente
incorporarla. Los aspectos éticos, de inclusión, privacidad e integridad serán
examinados con mayor profundidad en el capítulo 5; en este capítulo interesan
como elementos indispensables para comprender que la transformación tecnológica
siempre implica decisiones pedagógicas y sociales.
La evolución de la
investigación sobre IA educativa permite identificar un desplazamiento
progresivo desde estudios centrados predominantemente en capacidades técnicas
hacia investigaciones que incorporan con mayor intensidad cuestiones
pedagógicas, éticas y profesionales. Los sistemas tutoriales inteligentes, la
predicción del rendimiento, la clasificación, la evaluación automatizada y el
aprendizaje adaptativo constituyeron líneas destacadas durante etapas
anteriores. La revisión de Chu et al. (2022) muestra, por ejemplo, que la
elaboración de perfiles y predicciones, la tutoría inteligente y la evaluación
ocupaban posiciones importantes dentro de la investigación altamente citada en
educación superior.
La expansión posterior
evidencia una diversificación considerable. El análisis bibliométrico de Guo et
al. (2024), basado en 6.843 publicaciones de Web of Science y Scopus, muestra
una creciente producción científica y la presencia de tecnologías como
aprendizaje automático, árboles de decisión, aprendizaje profundo,
procesamiento de lenguaje y sistemas inteligentes aplicados a recomendación,
evaluación, analítica y tutoría. El mismo estudio identifica una mayor
concentración de investigaciones en educación superior que en los niveles K-12.
A esta evolución se suma,
desde finales de 2022, una expansión acelerada de los estudios sobre
inteligencia artificial generativa. Las preguntas de investigación han
comenzado a desplazarse desde “qué puede automatizar la IA” hacia interrogantes
como “qué aprendizajes produce su utilización”, “qué capacidades requieren
docentes y estudiantes”, “cómo deben modificarse las evaluaciones”, “qué formas
de interacción favorecen el pensamiento crítico” y “qué mecanismos de
gobernanza permiten un uso seguro y equitativo”.
La magnitud de este
crecimiento puede observarse en el metaestudio de Fu et al. (2025), que examinó
126 revisiones sistemáticas recuperadas de Scopus y Web of Science para
construir una visión panorámica de la IA en contextos educativos. Los autores
organizaron la evidencia alrededor de sus efectos sobre el aprendizaje, la
enseñanza y los servicios institucionales y administrativos, y detectaron un
incremento sostenido en el número de revisiones publicadas desde 2019.
La literatura reciente también
permite identificar vacíos importantes. Fu et al. (2025) advierten que, aunque
abundan investigaciones sobre desarrollo pedagógico y aplicaciones educativas,
continúa existiendo una menor presencia de estudios dedicados específicamente a
la formación y desarrollo profesional docente. Este vacío resulta
particularmente relevante porque el éxito de la integración educativa depende
en buena medida de las capacidades de quienes diseñan, orientan y evalúan las
experiencias de aprendizaje.
Otra limitación consiste en la
distribución desigual de la evidencia. Guo et al. (2024) encuentran una
atención mayor a la educación superior que a los niveles escolares, mientras
que Fu et al. (2025) identifican diferencias geográficas importantes y una
menor presencia relativa de determinadas regiones en las revisiones
disponibles. Estas características aconsejan prudencia al trasladar resultados
obtenidos en una universidad, país o disciplina hacia contextos educativos con
condiciones muy diferentes.
En los próximos años es
previsible que adquieran mayor relevancia las investigaciones sobre
alfabetización en IA, competencias docentes, agentes inteligentes,
multimodalidad, tutores generativos, evaluación auténtica, interacción
humano-IA, explicabilidad, ética, inclusión y efectos a largo plazo sobre el
aprendizaje. También será necesario avanzar desde estudios predominantemente
basados en percepciones hacia diseños que permitan analizar de manera rigurosa
qué usos producen realmente mejoras educativas, en qué condiciones lo hacen y
qué consecuencias no deseadas pueden aparecer.
Por ello, la investigación
sobre IA y educación se encuentra en una etapa en la que resulta insuficiente
medir únicamente aceptación, frecuencia de uso o rendimiento inmediato. Se
requieren estudios capaces de examinar la calidad de los procesos cognitivos,
el desarrollo de autonomía, la equidad, las decisiones pedagógicas del
profesorado y la sostenibilidad de las prácticas institucionales. Esta
orientación conecta directamente con la temática central de esta obra: las
competencias profesionales necesarias para convertir la disponibilidad
tecnológica en experiencias educativas verdaderamente significativas.
La expansión de la
inteligencia artificial modifica el papel del docente, pero no elimina su
relevancia. Por el contrario, cuanto mayor sea la capacidad de los sistemas
para producir información, mayor será la necesidad de profesionales capaces de
seleccionar, interpretar, contextualizar, cuestionar y convertir esa
información en oportunidades de aprendizaje. En este escenario, el profesor
pierde centralidad como fuente exclusiva de contenidos y adquiere mayor
importancia como mediador pedagógico, diseñador de experiencias y garante del
juicio educativo.
La transformación no debe
interpretarse como una oposición absoluta entre un antiguo “docente transmisor”
y un nuevo docente tecnológico. La transmisión de conocimientos continúa
formando parte de muchas situaciones educativas. Lo que cambia es que el acceso
a información y a explicaciones automatizadas reduce el valor de una práctica
basada exclusivamente en reproducir contenidos que el estudiante puede obtener
de múltiples fuentes. El aporte profesional se desplaza hacia la organización
de experiencias, formulación de preguntas, acompañamiento, retroalimentación,
contextualización y construcción de criterios para evaluar la calidad de la
información.
Pita-Briones et al. (2025)
concluyen que la integración de la IA está asociada con una transformación del
docente desde transmisor de contenidos hacia mediador crítico, diseñador de
experiencias y profesional capaz de interpretar información generada por
sistemas inteligentes. Al mismo tiempo, los autores subrayan que esta
transición requiere formación continua, reflexión y apoyo institucional; no
ocurre automáticamente como consecuencia de disponer de tecnología.
La mediación adquiere una
primera dimensión en el diseño pedagógico. El profesor debe decidir cuándo una
herramienta de IA aporta valor, cuál es la finalidad de su utilización, qué
actividad deberá realizar el estudiante y cómo se comprobará el aprendizaje.
Esto implica evitar que la tecnología determine el método simplemente porque
determinada función está disponible. El proceso debe funcionar en el sentido
contrario: primero se establece el propósito educativo y posteriormente se
identifica si una herramienta puede contribuir a alcanzarlo.
Una segunda dimensión
corresponde a la curaduría y evaluación de información. En un entorno
caracterizado por la generación automática de contenidos, la capacidad de
distinguir información rigurosa de respuestas plausibles pero incorrectas se
convierte en una función educativa esencial. El docente debe enseñar a
contrastar fuentes, verificar referencias, analizar argumentos, identificar
sesgos y reconocer los límites de las respuestas algorítmicas. De esta manera,
la alfabetización informacional y el pensamiento crítico adquieren un nuevo
nivel de importancia.
La tercera dimensión se
relaciona con la orquestación de la interacción entre estudiante, docente e IA.
UNESCO plantea que la incorporación de esta tecnología está modificando la
relación tradicional entre profesor y estudiante hacia una dinámica en la que
aparece un tercer actor tecnológico. Su marco de competencias docentes de 2024
sostiene que el profesorado necesita conocimientos, habilidades y valores
vinculados con las dimensiones técnicas, éticas y pedagógicas de la IA,
manteniendo un enfoque centrado en el ser humano (Miao & Cukurova, 2024).
Esta función mediadora implica
también determinar cuándo no utilizar IA. Existen procesos en los que la
práctica autónoma, la conversación humana, la observación directa, el debate
presencial, la experimentación o la escritura sin asistencia constituyen elementos
esenciales del aprendizaje. La competencia profesional incluye reconocer que no
toda posibilidad tecnológica representa una necesidad pedagógica.
Asimismo, el docente mantiene
funciones que no pueden reducirse adecuadamente a procesos algorítmicos.
Conocer las circunstancias de un estudiante, interpretar silencios o
inseguridades, comprender dinámicas grupales, establecer vínculos de confianza,
valorar factores contextuales y ejercer responsabilidad ética son componentes
profundamente humanos de la profesión. Las tecnologías pueden proporcionar
información o sugerencias, pero las decisiones educativas relevantes deben
considerar dimensiones personales y sociales que exceden cualquier resultado
automatizado.
La OECD (2023) insiste
precisamente en que el aprovechamiento de la IA debe preservar al profesorado
como agente orientador del proceso educativo. Esto requiere que la tecnología
sea utilizada para ampliar las capacidades profesionales y no para debilitar la
autonomía de los educadores mediante una dependencia indiscriminada de
recomendaciones automatizadas.
En consecuencia, la
incorporación de la inteligencia artificial no reduce la necesidad de docentes
competentes; eleva el nivel de las competencias requeridas. Además del
conocimiento disciplinar y pedagógico, el profesorado necesita comprender los
fundamentos de la IA, seleccionar herramientas, formular instrucciones
pertinentes, interpretar resultados, verificar información, proteger datos,
identificar sesgos, diseñar nuevas formas de evaluación y orientar a los
estudiantes hacia un uso crítico y responsable.
El capítulo permite así
establecer una premisa que servirá de base para el resto de la obra: la
transformación educativa causada por la inteligencia artificial no depende
fundamentalmente de la sofisticación de los algoritmos, sino de la capacidad de
las personas y de las instituciones para incorporarlos con propósitos
pedagógicos legítimos. La IA puede participar en la generación, análisis y
adaptación de información; el docente conserva la responsabilidad de convertir
esas posibilidades en experiencias que favorezcan comprensión, pensamiento
crítico, autonomía, creatividad y desarrollo humano.
Esta redefinición del rol
profesional conduce directamente al Capítulo 2, donde se analizarán las
competencias docentes necesarias para desenvolverse en la era de la
inteligencia artificial, incluyendo competencia digital, alfabetización en IA,
selección y evaluación de herramientas, pensamiento crítico, formulación de prompts,
desarrollo profesional y principales marcos internacionales de referencia.
CAPÍTULO II.
La incorporación progresiva de la inteligencia artificial
en los sistemas educativos está modificando las capacidades profesionales que
requiere el ejercicio docente. La competencia ya no puede entenderse únicamente
como dominio disciplinar, conocimiento pedagógico o manejo instrumental de
tecnologías digitales; el nuevo escenario demanda articular estos componentes
con alfabetización en inteligencia artificial, pensamiento crítico, gestión de
datos, capacidad para interactuar con sistemas generativos, criterios éticos y
disposición para aprender continuamente. La transformación es especialmente
relevante porque la IA no constituye solamente un recurso adicional dentro del
repertorio tecnológico del profesorado: algunas de sus aplicaciones intervienen
en la producción de contenidos, la personalización, la evaluación, la
interpretación de información y la toma de decisiones educativas.
El marco de competencias en IA para docentes publicado por
UNESCO reconoce esta transformación al señalar que el profesorado necesita
desarrollar conocimientos, habilidades y valores relacionados con cinco grandes
dimensiones: una mentalidad centrada en el ser humano, ética de la IA,
fundamentos y aplicaciones de la IA, pedagogía con IA y utilización de la IA
para el aprendizaje profesional. El marco articula estas dimensiones mediante
quince competencias distribuidas en tres niveles progresivos de desarrollo:
adquisición, profundización y creación (Miao & Cukurova, 2024).
Esta perspectiva supone superar una concepción restringida
de la capacitación tecnológica. Saber acceder a una plataforma, formular una
consulta o generar un recurso constituye apenas una parte de la competencia
necesaria. Un docente competente frente a la IA debe poder establecer si una
herramienta es adecuada para determinado objetivo curricular, valorar la
calidad de sus resultados, identificar posibles sesgos, proteger la información
de los estudiantes, decidir cuándo debe intervenir personalmente y reconocer
situaciones en las que el uso de IA podría perjudicar el aprendizaje. Por
tanto, la competencia se expresa en la calidad de las decisiones profesionales
y no simplemente en la frecuencia de utilización de la tecnología.
Los estudios recientes desarrollados en contextos
educativos confirman esta necesidad. Pita-Briones et al. (2025) identifican
dimensiones relacionadas con el uso pedagógico de la tecnología, la ética y
seguridad de los datos, la gestión de información, el pensamiento crítico, la
innovación y la creatividad. Al mismo tiempo, advierten que algunas
competencias específicas vinculadas con la IA —como interpretar analíticas,
gestionar datos responsablemente y evaluar mediante sistemas inteligentes—
permanecen menos desarrolladas que las habilidades digitales generales.
De esta manera, la preparación docente para la era de la
inteligencia artificial debe contemplarse como un proceso profesional
multidimensional y evolutivo. Las competencias requeridas no pueden adquirirse
mediante una capacitación única ni permanecer estáticas, debido a la velocidad
con que cambian las herramientas y sus posibilidades. El propósito de este
capítulo es examinar las principales dimensiones de esas competencias, desde la
alfabetización fundamental hasta la selección de herramientas, el análisis
crítico de resultados, la formulación de instrucciones y la formación
permanente, para culminar con una revisión de los marcos internacionales que
actualmente orientan este campo.
El concepto de competencia docente hace referencia a la
capacidad de movilizar conocimientos, habilidades, actitudes, criterios y
valores profesionales para responder de manera adecuada a situaciones concretas
de enseñanza y aprendizaje. Esta interpretación supera la idea de que la
competencia equivale a poseer información sobre un determinado tema. Un
profesional puede conocer una herramienta digital y, sin embargo, no estar en
condiciones de determinar si su utilización resulta pertinente para un grupo de
estudiantes, un objetivo curricular o un tipo específico de evaluación. La
competencia se manifiesta, por tanto, cuando el conocimiento se convierte en
acción pedagógicamente fundamentada.
Esta característica adquiere especial importancia en los
ecosistemas digitales contemporáneos. El proceso educativo puede desarrollarse
mediante combinaciones de espacios presenciales y virtuales, plataformas de
gestión del aprendizaje, sistemas de comunicación, recursos multimedia,
analítica de datos y herramientas de inteligencia artificial. En estos
ambientes, el docente debe organizar múltiples fuentes de información y
tecnologías procurando que exista coherencia entre objetivos de aprendizaje,
metodologías, actividades y evaluación. La complejidad ya no reside solamente
en conocer el contenido que se enseña, sino en decidir cómo estructurar
experiencias de aprendizaje dentro de un entorno tecnológicamente
diversificado.
La literatura reciente sobre competencia digital docente
confirma esta transición desde habilidades instrumentales hacia capacidades más
complejas. El estudio de German Pimentel et al. (2025) señala que las
competencias digitales en la formación docente han evolucionado hacia un
conjunto que incorpora componentes cognitivos, técnicos y socioemocionales.
Desde esta perspectiva, no basta con manejar recursos digitales: también es
necesario seleccionarlos, adaptarlos a contextos diversos y reflexionar acerca
de su impacto sobre el proceso educativo.
La llegada de la IA intensifica esta evolución porque
introduce sistemas capaces de producir respuestas, recomendar acciones,
analizar información y generar nuevos contenidos. En consecuencia, algunas
decisiones que anteriormente eran realizadas exclusivamente por personas pueden
recibir ahora asistencia algorítmica. Esta situación exige fortalecer la
capacidad profesional del docente para interpretar los resultados tecnológicos
sin renunciar a su autonomía. UNESCO plantea precisamente que la relación educativa
contemporánea está evolucionando desde una interacción predominantemente
docente–estudiante hacia una configuración docente–IA–estudiante, lo cual
obliga a reconsiderar las responsabilidades y competencias de quienes enseñan
(Miao & Cukurova, 2024).
La competencia docente adquiere entonces una dimensión de
agencia profesional. El profesor necesita conservar la capacidad de decidir qué
funciones delegar parcialmente a un sistema, cuáles requieren supervisión
constante y cuáles deben permanecer bajo responsabilidad humana directa. Una
recomendación automatizada sobre el rendimiento de un estudiante, por ejemplo,
puede complementar las observaciones del docente, pero no debería convertirse
automáticamente en una decisión educativa. Pita-Briones et al. (2025) ilustran
esta diferencia al señalar que un uso avanzado de la IA implica contrastar los
reportes generados por el sistema con la observación directa y el conocimiento
pedagógico del aula, en lugar de aceptar las recomendaciones algorítmicas de
manera acrítica.
Desde esta perspectiva, las nuevas competencias pueden
organizarse alrededor de tres preguntas profesionales fundamentales. La primera
es qué sabe el docente, relacionada con conocimientos pedagógicos,
disciplinares, digitales y de inteligencia artificial. La segunda corresponde a
qué es capaz de hacer con ese conocimiento, lo cual comprende diseño,
selección, aplicación, evaluación y adaptación. La tercera se relaciona con
cómo y bajo qué principios actúa, incorporando actitudes, responsabilidad,
ética, disposición al aprendizaje y respeto por la dignidad y autonomía de las
personas.
Investigaciones recientes orientadas específicamente a
medir la competencia docente en IA respaldan este carácter multidimensional.
Delcker et al. (2025) entienden la competencia en IA educativa como un conjunto
de capacidades que permiten al profesorado aplicar, evaluar y utilizar sistemas
de IA de forma responsable en contextos de enseñanza y aprendizaje. Su trabajo
demuestra que esta competencia no constituye una habilidad homogénea, sino un
conjunto de dimensiones cuyo nivel puede variar significativamente entre
docentes.
Por ello, un profesor podría presentar elevada habilidad
para generar materiales con IA y, simultáneamente, tener escaso conocimiento
sobre protección de datos o sesgos algorítmicos. Otro podría comprender los
problemas éticos, pero desconocer cómo integrar una herramienta dentro de una
secuencia didáctica. Esta heterogeneidad tiene consecuencias importantes para
la formación: no resulta adecuado clasificar simplemente a los docentes como
“competentes” o “no competentes” en IA. Es preferible identificar dimensiones
específicas, niveles de desarrollo y necesidades de actualización.
Además, la competencia tiene un carácter contextual. Una
práctica apropiada en educación superior podría ser insuficiente o inadecuada
en educación primaria; del mismo modo, una aplicación pertinente para una
asignatura podría carecer de valor en otra. Las características de los
estudiantes, el currículo, la disponibilidad tecnológica, las políticas
institucionales, la legislación y el contexto sociocultural condicionan la
forma en que una competencia se expresa. La competencia docente en IA debe
entenderse, por consiguiente, como una capacidad situada para adoptar
decisiones fundamentadas y no como una colección universal de técnicas.
En síntesis, la competencia docente dentro de los nuevos
ecosistemas digitales representa la integración de saberes profesionales que
permiten utilizar las tecnologías con propósito educativo, criterio crítico y
responsabilidad. Esta concepción constituye el fundamento para diferenciar la
competencia digital general de las capacidades específicamente requeridas por
la inteligencia artificial.
La competencia digital docente constituye una base
indispensable para la integración de la inteligencia artificial, pero ambos
conceptos no son equivalentes. Las competencias digitales abarcan
históricamente capacidades relacionadas con la búsqueda y gestión de
información, comunicación, colaboración, creación de contenidos, seguridad y
resolución de problemas mediante tecnologías digitales. La IA introduce nuevas
exigencias porque los sistemas no funcionan únicamente como herramientas
pasivas; pueden interpretar datos, generar contenidos, realizar predicciones y
producir recomendaciones que posteriormente influyen en las decisiones humanas.
Pita-Briones et al. (2025) definen la competencia digital
docente desde una perspectiva que articula conocimientos, habilidades y
actitudes para utilizar tecnologías con pertinencia pedagógica, eficacia y
responsabilidad. Su revisión señala, además, que la incorporación de la IA
obliga a ampliar esta competencia debido a los desafíos relacionados con
generación de contenidos, analítica de datos, automatización, privacidad,
sesgos y autonomía profesional.
Puede afirmarse, por ello, que la competencia digital
constituye una condición necesaria pero no suficiente para la competencia
docente en inteligencia artificial. Un profesor con experiencia en plataformas
virtuales, presentaciones digitales, videoconferencias y gestión de recursos en
línea posee una base valiosa, pero necesitará desarrollar conocimientos
adicionales para comprender por qué un sistema generativo puede producir
información falsa, cómo intervienen los datos en el funcionamiento de los algoritmos,
de qué manera debe supervisarse una recomendación automatizada y cuáles son las
implicaciones de introducir datos personales en una plataforma externa.
La actualización de DigComp realizada por el Joint
Research Centre de la Comisión Europea resulta ilustrativa. DigComp 3.0,
publicado en 2025, mantiene una perspectiva tecnológicamente neutral, pero
incorpora de forma sistemática y transversal la competencia relacionada con IA
dentro de sus veintiuna competencias. El marco continúa estructurando la
competencia digital mediante conocimientos, habilidades y actitudes, pero
actualiza sus resultados de aprendizaje para responder a desarrollos
tecnológicos ocurridos desde 2022 (Cosgrove & Cachia, 2025).
La ampliación también puede observarse en la investigación
sobre el conocimiento profesional docente. Celik (2023) propone el denominado Intelligent-TPACK,
extensión del modelo que relaciona conocimiento tecnológico, pedagógico y
disciplinar con capacidades específicas para integrar herramientas de IA y
valorar éticamente las decisiones producidas por ellas. Sus resultados indican
que conocer técnicamente una herramienta resulta insuficiente: la integración
adquiere sentido cuando el conocimiento tecnológico se combina con conocimiento
pedagógico y con la capacidad de analizar las implicaciones éticas de la
aplicación.
Una evolución semejante aparece en el modelo AI-TPACK
estudiado por Ning et al. (2024). Este enfoque examina la interacción entre el
conocimiento de tecnologías de inteligencia artificial, el conocimiento
pedagógico y el conocimiento del contenido disciplinar. Su principal
contribución consiste en recordar que la competencia para utilizar IA no puede
desarrollarse separadamente del campo de enseñanza. Saber emplear una
herramienta no garantiza que pueda aplicarse adecuadamente para enseñar
matemáticas, idiomas, ciencias naturales, medicina o historia, porque las
decisiones metodológicas y los criterios de calidad cambian según la naturaleza
del conocimiento disciplinar.
Esta consideración es particularmente relevante frente a
la IA generativa. Una respuesta aparentemente adecuada en lenguaje cotidiano
podría contener errores significativos cuando se examina desde una disciplina
especializada. Por este motivo, el conocimiento del contenido continúa siendo
fundamental. La capacidad de la tecnología para generar respuestas aumenta, en
lugar de disminuir, la necesidad de que el profesor domine aquello que enseña,
porque solo desde esa base puede juzgar si la información generada es válida,
incompleta, imprecisa o pedagógicamente inconveniente.
La competencia digital docente también incorpora una
dimensión de gestión de información. La IA amplifica enormemente la cantidad de
contenidos que pueden producirse, lo que desplaza parte del problema educativo
desde el acceso hacia la selección y evaluación. En este escenario, el profesor
necesita reconocer fuentes confiables, contrastar resultados, interpretar datos
y enseñar al estudiante que una respuesta generada no constituye por sí misma
evidencia académica. Los documentos aportados para esta obra muestran
precisamente que la gestión de información y el pensamiento crítico se
encuentran entre las dimensiones centrales de las competencias requeridas
frente a la IA.
La dimensión de seguridad también se modifica. En las
tecnologías digitales tradicionales, la seguridad docente podía asociarse
principalmente con contraseñas, identidad digital o protección frente a
amenazas informáticas. En sistemas de IA generativa se añaden interrogantes
sobre qué información puede proporcionarse al modelo, cómo se procesan los
datos, cuáles son las condiciones de almacenamiento, si existe autorización
institucional para utilizar determinados servicios y si el contenido
introducido contiene información personal, evaluaciones o documentos
confidenciales.
Por consiguiente, la competencia digital docente debe
evolucionar junto con los cambios tecnológicos, pero evitando convertirse en un
aprendizaje centrado en marcas o aplicaciones concretas. Las interfaces
actuales pueden ser sustituidas rápidamente; en cambio, capacidades como
evaluar tecnologías, proteger información, comprender limitaciones
algorítmicas, diseñar experiencias pedagógicas, verificar resultados y mantener
supervisión humana poseen mayor estabilidad y transferibilidad. Estas
capacidades constituyen el puente entre la competencia digital y una verdadera
competencia profesional en inteligencia artificial.
La alfabetización en inteligencia artificial constituye
uno de los pilares de la competencia docente contemporánea. Su significado
trasciende el conocimiento de aplicaciones específicas y se relaciona con la
capacidad para comprender, utilizar, evaluar y cuestionar sistemas de IA dentro
de contextos sociales y profesionales. Walter (2024) sostiene que la
alfabetización en IA incluye tanto la comprensión de las tecnologías como la
conciencia acerca de sus implicaciones éticas y sociales, vinculándola estrechamente
con el pensamiento crítico y la capacidad para interactuar de forma responsable
con sistemas generativos.
Una distinción útil es la formulada por Chiu et al. (2024)
entre alfabetización y competencia. Los autores proponen considerar la
alfabetización principalmente en relación con aquello que una persona conoce y
sabe hacer respecto de la IA, mientras que la competencia incorpora además la
capacidad de aplicar ese conocimiento de manera efectiva, reflexiva y
beneficiosa. Desde esta perspectiva, conocer qué es un modelo generativo
pertenece al ámbito de la alfabetización; decidir cuándo resulta apropiado utilizarlo
en una clase, supervisar sus resultados y modificar la estrategia cuando genera
problemas corresponde a un nivel competencial más amplio.
La alfabetización docente en IA puede organizarse
analíticamente en tres componentes interdependientes: conocimientos,
habilidades y actitudes/valores. La división no implica que funcionen de manera
aislada. Un conocimiento sin capacidad de aplicación ofrece pocas posibilidades
de transformación pedagógica; una habilidad técnica sin comprensión puede
favorecer un uso superficial; y ambos componentes, sin actitudes éticas, pueden
conducir a prácticas educativas inadecuadas.
Tabla 3 Componentes fundamentales de la
alfabetización en Inteligencia Artificial del docente
|
Componente
|
Contenidos
principales
|
Manifestación
en la práctica docente
|
|
Conocimientos
|
Conceptos básicos de IA;
aprendizaje automático; modelos generativos; datos; algoritmos; capacidades y
limitaciones; sesgos; privacidad; funcionamiento general de sistemas
conversacionales.
|
El docente puede explicar
qué tipo de tecnología utiliza, reconocer sus alcances y comprender por qué
sus resultados requieren supervisión.
|
|
Habilidades
|
Interactuar con sistemas de IA;
formular instrucciones; seleccionar herramientas; generar y adaptar recursos;
contrastar resultados; verificar información; interpretar datos y utilizar IA
con propósitos pedagógicos.
|
El docente integra la tecnología
en actividades concretas y puede valorar y corregir los resultados
producidos.
|
|
Pensamiento
crítico
|
Análisis de confiabilidad,
fuentes, evidencia, sesgo, consistencia, pertinencia y contexto.
|
El docente no acepta
automáticamente una respuesta y enseña al alumnado a contrastarla y
argumentar su validez.
|
|
Actitudes
y valores
|
Responsabilidad, apertura
crítica, prudencia, curiosidad, autonomía, equidad, transparencia y
disposición al aprendizaje continuo.
|
El docente experimenta con
nuevas herramientas sin delegar indiscriminadamente su criterio profesional.
|
|
Conciencia
ética y social
|
Privacidad, protección de
datos, inclusión, discriminación algorítmica, propiedad intelectual,
integridad académica y consecuencias sociales.
|
El docente anticipa
posibles impactos antes de incorporar una herramienta y establece reglas de
uso responsable.
|
|
Metacognición
y autorregulación
|
Reconocimiento de los propios
límites, evaluación de competencias y actualización continua.
|
El docente identifica cuándo
necesita capacitación adicional, verifica sus decisiones y modifica sus
prácticas a partir de evidencia.
|
Fuente. Elaboración propia a partir de Chiu et al.
(2024), Miao y Cukurova (2024), Walter (2024) y los hallazgos de Pita-Briones
et al. (2025).
El componente de conocimientos no exige convertir al
docente en programador o especialista en ciencia de datos. Es necesario, sin
embargo, comprender principios suficientemente sólidos para interpretar lo que
ocurre durante la interacción con los sistemas. Esto supone diferenciar, por
ejemplo, un buscador tradicional de un modelo generativo; reconocer que los
modelos de lenguaje producen sus respuestas mediante patrones aprendidos
durante su entrenamiento; comprender que una respuesta lingüísticamente convincente
puede contener errores; y saber que el comportamiento de un sistema depende de
factores como datos, arquitectura, instrucciones y configuraciones.
Las habilidades corresponden a la capacidad de transformar
el conocimiento conceptual en acciones. Incluyen seleccionar herramientas,
formular instrucciones, adaptar respuestas, generar recursos, verificar
contenidos y utilizar resultados para apoyar decisiones pedagógicas. En este
nivel aparece una diferencia fundamental entre “saber utilizar” y “saber
integrar”. Utilizar una herramienta puede consistir en pedirle que genere diez
preguntas; integrarla pedagógicamente exige decidir qué tipo de preguntas se necesitan,
para qué objetivo, con qué nivel cognitivo, cómo se revisarán y qué actividad
realizará posteriormente el estudiante.
Las actitudes son igualmente importantes. La
alfabetización en IA requiere curiosidad y disposición a experimentar, pero
también prudencia frente a afirmaciones que pueden parecer convincentes sin ser
verdaderas. Necesita apertura hacia la innovación y, simultáneamente, voluntad
para rechazar un uso cuando no aporta valor pedagógico. La aceptación
incondicional y el rechazo absoluto representan posiciones poco compatibles con
una alfabetización madura; esta implica analizar cada situación desde evidencia,
finalidad educativa y responsabilidad.
En esta dimensión también interviene la autoeficacia. La
investigación de German Pimentel et al. (2025) muestra que la familiaridad
técnica no garantiza un uso pedagógico sólido: en su estudio con estudiantes de
formación docente se identificó un dominio técnico básico acompañado de
dificultades en la elaboración de prompts claros y contextualizados y de
necesidades formativas relacionadas con el uso crítico y ético de la IA.
Esto evidencia que la alfabetización no debe medirse
únicamente preguntando si una persona utiliza determinada aplicación. La
calidad de la interacción, la capacidad de justificar las decisiones, la
identificación de riesgos y la transferencia hacia situaciones educativas
reales constituyen indicadores mucho más significativos. En este sentido, Chiu,
Ahmad y Çoban (2025) desarrollaron una escala de autoeficacia de competencia
docente en IA estructurada en seis dimensiones: conocimiento de IA, pedagogía con
IA, evaluación con IA, ética de IA, educación centrada en el ser humano y
compromiso profesional.
La alfabetización docente posee además una función
multiplicadora. El profesor no solamente necesita comprender la IA para
utilizarla personalmente; tiene la responsabilidad de enseñar a los estudiantes
a relacionarse con ella. El nuevo AI Literacy Framework presentado por la OECD
y la Comisión Europea en 2026 define la alfabetización en IA mediante
conocimientos, habilidades y actitudes que permiten comprender el
funcionamiento de los sistemas, evaluar críticamente sus resultados y
utilizarlos de manera ética y creativa. El marco organiza diecinueve
competencias alrededor de cuatro dimensiones: interactuar con IA, crear con IA,
gestionar IA y contribuir a configurar su utilización (engage with, create
with, manage and shape AI) (OECD & European Commission, 2026).
Por tanto, la alfabetización docente cumple una doble
finalidad: permitir que el profesional utilice IA de manera competente y
prepararlo para desarrollar esa alfabetización en sus estudiantes. Este segundo
propósito refuerza la necesidad de una preparación integral, porque
difícilmente puede enseñarse a cuestionar algoritmos, proteger información o
comprobar resultados si estas capacidades no han sido desarrolladas previamente
por quien orienta el proceso educativo.
La proliferación de herramientas de inteligencia
artificial introduce una dificultad práctica para docentes e instituciones: la
existencia de numerosas aplicaciones no implica que todas sean apropiadas para
educación. Las decisiones no deberían fundamentarse únicamente en popularidad,
facilidad de uso o novedad tecnológica. Una herramienta puede generar
materiales de gran calidad visual y, al mismo tiempo, presentar condiciones de
privacidad inadecuadas para trabajar con estudiantes; otra puede ser técnicamente
avanzada, pero no aportar ningún valor adicional al objetivo de aprendizaje.
Chuñir Panjon (2025), a partir de una revisión sistemática
sobre integración de IA en planificación docente, identifica precisamente tres
capacidades prioritarias: comprender los principios y aplicaciones de la IA,
evaluar y seleccionar herramientas adecuadas y diseñar actividades que utilicen
sus capacidades para responder a necesidades de aprendizaje. Estas competencias
muestran que la selección constituye un proceso profesional previo a la
utilización y no una decisión secundaria.
El criterio principal debe ser la pertinencia pedagógica.
Antes de seleccionar una aplicación, el docente necesita determinar qué
problema educativo pretende resolver. Si la finalidad es proporcionar
retroalimentación, será necesario establecer qué tipo de retroalimentación
necesita el estudiante, qué aspectos pueden automatizarse, cuáles requieren
intervención humana y cómo se comprobará la calidad de los comentarios. Si el
objetivo consiste en personalizar actividades, debe determinarse qué información
será utilizada para realizar la adaptación y si el sistema puede hacerlo sin
afectar derechos o introducir decisiones injustificadas.
Tabla 4 Criterios para seleccionar y evaluar
herramientas de Inteligencia Artificial en educación
|
Criterio
|
Pregunta
orientadora
|
Aspectos
que deben revisarse
|
|
Pertinencia
pedagógica
|
¿La herramienta contribuye
realmente al objetivo de aprendizaje?
|
Coherencia curricular,
metodología, nivel educativo, valor añadido frente a alternativas no basadas
en IA.
|
|
Calidad
y confiabilidad
|
¿Los resultados poseen un nivel
de precisión adecuado para el uso previsto?
|
Errores, consistencia,
posibilidad de verificación, actualización y desempeño en la disciplina.
|
|
Privacidad
y protección de datos
|
¿Qué información recopila
y cómo es tratada?
|
Datos personales,
almacenamiento, condiciones de uso, consentimiento, edad de usuarios y
políticas institucionales.
|
|
Sesgo y
equidad
|
¿Podría producir resultados
desiguales o discriminatorios?
|
Representaciones culturales,
género, idioma, discapacidad, condiciones socioeconómicas y posibles sesgos
algorítmicos.
|
|
Transparencia
|
¿Es posible comprender
suficientemente qué hace el sistema y cuáles son sus limitaciones?
|
Información sobre
funcionalidades, alcance, procedencia de resultados, límites y comunicación
de incertidumbre.
|
|
Accesibilidad
e inclusión
|
¿Puede utilizarla la diversidad
del alumnado?
|
Compatibilidad con tecnologías
asistivas, idioma, interfaz, condiciones de conectividad y barreras
económicas.
|
|
Control
y supervisión docente
|
¿El profesor conserva la
capacidad de revisar, modificar o rechazar los resultados?
|
Intervención humana,
reversibilidad de decisiones, trazabilidad y responsabilidad profesional.
|
|
Sostenibilidad
institucional
|
¿Puede mantenerse razonablemente
su utilización?
|
Costos, licencias,
interoperabilidad, soporte, estabilidad del servicio y formación requerida.
|
Fuente. Elaboración propia con base en Miao y
Cukurova (2024), European Commission (2026) y Chuñir Panjon (2025).
La confiabilidad debe analizarse en relación con el nivel
de riesgo de la actividad. Generar ideas preliminares para una dinámica de aula
no exige el mismo nivel de precisión que proporcionar retroalimentación sobre
un diagnóstico académico o recomendar una intervención educativa. Cuanto
mayores sean las consecuencias de una decisión, mayor debe ser el nivel de
supervisión humana y evidencia exigido antes de utilizar el resultado.
La protección de datos constituye otro criterio
ineludible. UNESCO advierte que las plataformas generativas pueden generar
riesgos cuando no existen garantías suficientes respecto del tratamiento de
información personal y recomienda establecer mecanismos de validación,
regulación y supervisión centrados en las personas (Miao & Holmes, 2023).
La Comisión Europea actualizó en 2026 sus orientaciones para educadores
precisamente ante el aumento del uso de IA, incorporando cuestiones relativas
al marco regulatorio, datos, riesgos y toma de decisiones éticas
contextualizadas.
Esto significa que no deberían introducirse
indiscriminadamente en herramientas públicas datos personales de estudiantes,
informes confidenciales, evaluaciones identificables, expedientes o cualquier
otra información protegida. La comodidad funcional no elimina la
responsabilidad profesional. Incluso cuando una aplicación permite realizar
determinada operación, el docente debe preguntarse si está autorizado para
utilizar los datos necesarios y si existe una alternativa menos invasiva.
La equidad constituye otro componente de la evaluación.
Los sistemas pueden funcionar de manera desigual según idioma, población,
características socioculturales o naturaleza del contenido. Por tanto, es
necesario examinar si una herramienta reproduce estereotipos, invisibiliza
determinadas perspectivas o genera recomendaciones sistemáticamente
desfavorables para determinados grupos. Este análisis debe realizarse antes y
durante la utilización, ya que el comportamiento de los sistemas puede cambiar
con actualizaciones posteriores.
La selección debería concebirse como un ciclo de
evaluación, no como una decisión definitiva. El docente identifica una
necesidad, examina alternativas, prueba la tecnología en un contexto de bajo
riesgo, analiza resultados, comprueba la seguridad, la incorpora
progresivamente y vuelve a evaluarla a partir de la experiencia. Si el
funcionamiento cambia, aparecen errores recurrentes o se modifican las
condiciones de uso, la decisión inicial debe reconsiderarse.
Esta capacidad resulta especialmente importante en un
entorno en el que las plataformas evolucionan rápidamente. Una lista cerrada de
“mejores herramientas” tendrá una vigencia limitada, mientras que los criterios
de selección mantienen utilidad frente a tecnologías futuras. Por ello, la
verdadera competencia no consiste en memorizar nombres de aplicaciones, sino en
aprender a evaluar cualquier herramienta nueva mediante principios pedagógicos,
técnicos, éticos e institucionales.
El pensamiento crítico constituye una de las competencias
transversales más relevantes para la utilización educativa de inteligencia
artificial generativa. La facilidad con que los modelos producen textos
coherentes puede crear una falsa percepción de autoridad. Sin embargo, la
corrección lingüística, la fluidez y la seguridad con que se expresa una
respuesta no constituyen evidencias de verdad. Los sistemas pueden generar
información incompleta, confundir conceptos, simplificar debates, reproducir
sesgos o presentar datos y referencias inexistentes.
Por este motivo, la evaluación crítica comienza
distinguiendo entre plausibilidad y validez. Una respuesta plausible parece
razonable; una respuesta válida puede sostenerse mediante conocimiento
disciplinar y evidencia verificable. El docente debe desarrollar la capacidad
de separar ambas dimensiones y trasladar esta distinción a los estudiantes. La
guía de UNESCO sobre IA generativa insiste precisamente en la necesidad de
validar los resultados y mantener control humano sobre su utilización educativa
(Miao & Holmes, 2023).
El primer nivel de revisión corresponde a la exactitud
factual. Los nombres, fechas, conceptos, fórmulas, normativas, citas,
referencias y datos estadísticos deben contrastarse con fuentes confiables.
Cuando una herramienta atribuye una afirmación a determinado investigador, el
usuario necesita comprobar que la publicación realmente existe y que sostiene
aquello que se le atribuye. Esta competencia resulta especialmente importante
en trabajos académicos, donde una referencia fabricada puede transmitirse posteriormente
como si fuera evidencia científica.
Un segundo nivel corresponde a la calidad argumentativa.
Una respuesta puede contener datos correctos pero establecer relaciones
causales injustificadas, omitir perspectivas relevantes o construir
conclusiones que no se desprenden de las premisas. Evaluar IA requiere analizar
cómo está organizado el razonamiento y no solamente comprobar elementos
aislados. Walter (2024) sitúa justamente el pensamiento crítico junto con la
alfabetización en IA y la capacidad de formular prompts como
competencias estrechamente relacionadas en la educación contemporánea.
La tercera dimensión es disciplinar. La verificación debe
realizarse desde los criterios propios del campo de conocimiento. En derecho,
una interpretación necesita considerar legislación y jurisprudencia aplicables;
en medicina, debe contrastarse con evidencia clínica y guías profesionales; en
historia, debe diferenciarse entre fuentes primarias, interpretaciones y
controversias historiográficas. La alfabetización general en IA no sustituye el
dominio de la disciplina.
El cuarto componente corresponde al sesgo y la
representación. Resulta necesario preguntarse qué perspectivas aparecen, cuáles
están ausentes y si el contenido reproduce estereotipos. La evaluación crítica
no consiste únicamente en determinar si una afirmación es verdadera o falsa;
también supone reconocer cómo se selecciona y representa el conocimiento. En
contextos educativos culturalmente diversos, esta dimensión adquiere una
relevancia particular.
Un quinto nivel se relaciona con la pertinencia
pedagógica. Una respuesta correcta desde el punto de vista técnico puede no ser
apropiada para el nivel de desarrollo del estudiante, los objetivos
curriculares o la secuencia de aprendizaje. La simplificación excesiva puede
generar conceptos erróneos, mientras que una explicación innecesariamente
compleja puede obstaculizar la comprensión. El docente debe ser capaz de juzgar
no solo “si está bien”, sino “si sirve para aprender aquello que se pretende
aprender”.
El pensamiento crítico implica también aprender a
triangular información. En lugar de preguntar reiteradamente a diferentes
modelos y asumir que la coincidencia entre ellos confirma la verdad, es
necesario recurrir a fuentes académicas, institucionales o documentales
independientes. Los sistemas generativos pueden compartir datos de
entrenamiento similares y reproducir errores semejantes. La comprobación debe
salir del ecosistema generativo y regresar a evidencia primaria cuando la
naturaleza de la afirmación lo requiera.
Esta competencia puede convertirse, además, en una
estrategia pedagógica. El docente puede proporcionar una respuesta generada por
IA y solicitar a los estudiantes que detecten errores, identifiquen
afirmaciones que necesitan evidencia, localicen fuentes, comparen
interpretaciones y propongan una versión mejorada. De esta forma, la IA deja de
utilizarse como mecanismo de sustitución del razonamiento y se transforma en un
recurso para ejercitarlo.
La evaluación crítica requiere finalmente metacognición.
El usuario debe preguntarse por qué tiende a confiar en determinada respuesta,
qué conocimientos posee para evaluarla y qué aspectos no está en condiciones de
juzgar sin ayuda externa. Reconocer los límites del propio conocimiento es una
fortaleza profesional porque indica cuándo resulta necesario consultar otra
fuente, solicitar opinión especializada o abstenerse de utilizar un resultado.
Por ello, el pensamiento crítico frente a la IA no debe
interpretarse como desconfianza indiscriminada hacia la tecnología. Consiste en
establecer un nivel de confianza proporcional a la evidencia, el contexto y las
consecuencias de la tarea. El objetivo no es rechazar sistemáticamente los
resultados, sino saber qué aceptar, qué verificar, qué corregir y qué
descartar.
La expansión de sistemas generativos ha incorporado una
nueva dimensión a la competencia digital: la capacidad de comunicar
adecuadamente una necesidad a un modelo mediante instrucciones en lenguaje
natural. El término prompt se utiliza para describir la información
proporcionada al sistema con el propósito de orientar su respuesta. Aunque su
formulación puede parecer una tarea sencilla, la calidad de una interacción
depende considerablemente de la claridad con la que se expresan el problema, el
contexto y las condiciones esperadas.
Federiakin et al. (2024) conceptualizan la ingeniería de prompts
como una competencia emergente para comunicar a un sistema de IA el problema
que debe resolver, su contexto y las restricciones que debe respetar. Los
autores proponen cuatro componentes vinculados con esta capacidad: comprensión
de la estructura de la instrucción, alfabetización en prompts, dominio
del proceso de interacción y razonamiento crítico frente a la información
obtenida.
Esta última dimensión es particularmente importante.
Formular buenos prompts no equivale a descubrir una combinación de
palabras que garantice respuestas perfectas. La interacción sigue requiriendo
evaluación posterior. Una instrucción detallada puede reducir ambigüedades y
mejorar la pertinencia del resultado, pero no elimina la posibilidad de
errores, sesgos o información fabricada. Por ello, la competencia debe incluir
tanto la formulación como la evaluación y reformulación.
La investigación aportada para este libro evidencia que
esta habilidad todavía presenta dificultades en la formación docente. German
Pimentel et al. (2025) analizaron tareas de elaboración de prompts
pedagógicos mediante tres criterios: pertinencia pedagógica, claridad de
formulación y aplicabilidad. Los resultados mostraron que los participantes
poseían familiaridad técnica básica con las herramientas, pero presentaban
limitaciones en la construcción de instrucciones suficientemente claras y
contextualizadas.
Desde la perspectiva educativa, un prompt de
calidad debería proporcionar al sistema la información necesaria para
comprender la finalidad pedagógica, el contexto, las características de los
destinatarios, la tarea requerida, las restricciones, los criterios de calidad
y el formato esperado. No todos estos componentes serán necesarios en cada
interacción, pero su consideración evita solicitudes demasiado vagas.
Por ejemplo, pedir simplemente “crea una actividad de
ciencias” deja abiertas numerosas decisiones. Una formulación pedagógicamente
más precisa debería indicar el nivel educativo, el contenido, el objetivo de
aprendizaje, conocimientos previos, duración, recursos disponibles, metodología
deseada, nivel de dificultad y evidencia mediante la cual se comprobará el
aprendizaje. El valor de la formulación no reside en hacer el texto
artificialmente extenso, sino en proporcionar información relevante.
La revisión sistemática de Lee y Palmer (2025) sobre
ingeniería de prompts en educación superior identifica entre las
capacidades asociadas con esta práctica el dominio del lenguaje, la
construcción de instrucciones funcionales, el análisis crítico del resultado,
la solución de problemas y la capacidad de adaptar las interacciones
posteriores. Los autores advierten además que se trata de una habilidad que
requiere práctica y que su enseñanza debería mantenerse flexible debido a la
rápida evolución de los sistemas generativos.
Una competencia avanzada implica comprender que la
interacción suele ser iterativa. El primer resultado puede utilizarse
como punto de partida para identificar elementos insuficientes, solicitar
aclaraciones, modificar restricciones o exigir una nueva aproximación. El
docente competente no busca necesariamente construir un “prompt perfecto” en el
primer intento, sino desarrollar una conversación controlada en la que evalúa
cada respuesta y utiliza la información obtenida para mejorar la siguiente
instrucción.
Esta capacidad tiene aplicaciones directas en
planificación y diseño pedagógico. Un profesor puede solicitar alternativas de
actividades y posteriormente exigir que cada una se justifique respecto de un
objetivo; puede generar preguntas y pedir una clasificación según nivel
cognitivo; puede proporcionar una rúbrica previamente validada y solicitar
ejemplos de desempeño; o puede utilizar el sistema para anticipar conceptos erróneos
que posteriormente contrastará con literatura disciplinar. La competencia
reside en mantener bajo control la finalidad y los criterios de decisión.
También debe considerarse la privacidad de las
instrucciones. Un prompt puede contener información, y esa información
puede ser sensible. La calidad de una consulta no justifica introducir nombres,
expedientes, diagnósticos, calificaciones identificables o información
confidencial de estudiantes en una plataforma sin las garantías
correspondientes. La formulación de instrucciones es, por tanto, una
competencia simultáneamente comunicativa, pedagógica y ética.
Desde una perspectiva didáctica más amplia, enseñar a
formular prompts no debería promover que los estudiantes deleguen
automáticamente sus tareas. Puede utilizarse para desarrollar habilidades de
precisión conceptual: para formular una instrucción de calidad es necesario
identificar el problema, establecer condiciones, comunicar expectativas y
posteriormente juzgar el resultado. Cuando el proceso se diseña adecuadamente,
la interacción puede contribuir a hacer explícitos componentes del razonamiento
que de otro modo permanecerían implícitos.
Finalmente, la importancia actual de la ingeniería de prompts
no significa que su forma presente vaya a permanecer invariable. Las interfaces
evolucionan hacia sistemas con mayor capacidad para interpretar contexto, voz,
imágenes, documentos y acciones. En consecuencia, una formación excesivamente
centrada en “fórmulas” específicas puede quedar obsoleta rápidamente. La
competencia transferible consiste en comunicar propósitos con precisión,
proporcionar contexto relevante, establecer restricciones, evaluar respuestas y
mantener una interacción crítica con sistemas inteligentes.
La rapidez de la evolución tecnológica hace imposible
concebir la preparación en inteligencia artificial como un proceso concluido.
Las herramientas cambian, aparecen nuevos modelos, se modifican las políticas
institucionales y surgen investigaciones que obligan a revisar prácticas
anteriormente aceptadas. Por ello, la formación continua constituye una
dimensión intrínseca de la competencia docente en IA.
UNESCO incorpora expresamente la IA para el aprendizaje
profesional como una de las cinco dimensiones de su marco docente. El objetivo
no consiste solamente en utilizar IA para capacitarse, sino en desarrollar una
disposición hacia el aprendizaje permanente, la colaboración profesional y la
transformación de la propia práctica. Esta dimensión evoluciona desde la
adquisición de conocimientos básicos hasta niveles en los que el docente
participa activamente en procesos de innovación y contribuye al desarrollo
profesional de otros educadores (Miao & Cukurova, 2024).
La evidencia indica que la formación debería superar el
modelo de talleres aislados centrados en demostrar aplicaciones. Aljemely
(2024), en una revisión sistemática sobre capacitación docente para utilizar
IA, concluye que los programas necesitan ser motivadores, adaptarse a las
características y disciplinas de los participantes e incorporar experiencias
prácticas con tecnologías actuales. La revisión destaca también la importancia
de proporcionar oportunidades reales de experimentación, en lugar de limitarse
a exposiciones teóricas.
Este principio coincide con los hallazgos de Chuñir Panjon
(2025), quien señala que los programas destinados a desarrollar competencias
para integrar IA pueden beneficiarse de enfoques vinculados con proyectos y
solución de problemas reales, considerando al mismo tiempo la adaptación a
distintos niveles y contextos educativos. La formación adquiere mayor
significado cuando el docente trabaja con situaciones semejantes a aquellas que
debe afrontar en su práctica.
La capacitación debería comenzar con un diagnóstico
competencial. No todos los profesores requieren el mismo contenido ni parten
del mismo nivel. Algunos necesitan familiarizarse con fundamentos y
vocabulario; otros dominan herramientas, pero necesitan fortalecer criterios
éticos; algunos requieren conocimientos sobre evaluación, mientras que otros
necesitan integrar IA en metodologías específicas de su disciplina. Un programa
uniforme corre el riesgo de resultar demasiado complejo para unos y superficial
para otros.
Mah y Groß (2024), en una investigación con docentes
universitarios, encontraron diferentes perfiles respecto de la percepción,
autoeficacia y utilización de IA. Entre los principales desafíos figuraba la
insuficiente alfabetización en IA, mientras que una parte importante del
profesorado manifestaba interés en oportunidades de desarrollo profesional. Los
resultados sugieren que las instituciones necesitan apoyos diferenciados y
sostenibles en lugar de asumir que todos los profesores reaccionarán de la
misma manera ante la tecnología.
La formación efectiva debería integrar al menos cuatro
planos. El primero corresponde al conocimiento conceptual, que permite
comprender los fundamentos y límites de la tecnología. El segundo es
pedagógico, orientado al diseño de experiencias, evaluación y personalización.
El tercero es crítico y ético, relacionado con sesgos, privacidad, integridad y
responsabilidad. Finalmente, el plano práctico-reflexivo permite aplicar la
tecnología en situaciones reales, analizar los resultados, intercambiar experiencias
y modificar las decisiones.
Las comunidades profesionales de aprendizaje pueden
desempeñar una función importante en este proceso. La rápida evolución de la IA
dificulta que un único curso proporcione respuestas definitivas. En cambio,
grupos docentes capaces de compartir experiencias, comparar resultados,
documentar problemas y analizar prácticas generan conocimiento institucional
progresivamente. La colaboración reduce, además, la dependencia de soluciones
individuales y favorece la construcción de criterios colectivos para el uso de
las tecnologías.
La formación continua debe contemplar igualmente espacios
de experimentación segura. Antes de incorporar un sistema directamente en
procesos de evaluación o actividades con datos reales de estudiantes, es
conveniente probar sus características mediante casos simulados y materiales no
sensibles. Esta aproximación permite identificar limitaciones sin trasladar
inmediatamente los riesgos al alumnado.
La evaluación del desarrollo profesional también necesita
modificarse. La asistencia a un taller no demuestra la adquisición de una
competencia. Resulta más pertinente valorar productos y actuaciones: una
planificación que integre justificadamente IA, la evaluación documentada de una
herramienta, la capacidad para identificar problemas en una respuesta generada,
el diseño de una actividad, una reflexión sobre privacidad o la adaptación de
una experiencia a partir de los resultados obtenidos. UNESCO recomienda
precisamente desarrollar evaluaciones contextualizadas y basadas en desempeño
para valorar competencias docentes en IA (Miao & Cukurova, 2024).
Otro aspecto esencial es el acompañamiento institucional.
El profesorado no puede asumir individualmente toda la responsabilidad de
mantenerse actualizado, interpretar condiciones legales, evaluar plataformas,
resolver problemas de infraestructura y diseñar políticas de uso. La
institución debe establecer orientaciones, proporcionar recursos, ofrecer
soporte técnico y pedagógico, definir procedimientos de protección de datos y
generar espacios para la actualización profesional.
Pita-Briones et al. (2025) destacan precisamente que la
integración sostenible de IA no depende exclusivamente de la motivación
individual, sino también de un entorno institucional que garantice capacitación
y acompañamiento. Sus resultados señalan que la transición desde un uso
superficial hacia una integración responsable requiere formación continua,
reflexión y soporte organizacional.
La formación permanente, finalmente, no debería
convertirse en una carrera por aprender cada herramienta que aparece. Esa
estrategia resulta insostenible. El objetivo debe ser desarrollar conocimientos
transferibles: entender nuevos sistemas, formular preguntas relevantes, evaluar
riesgos, experimentar responsablemente, aprender de evidencia y modificar
prácticas. Un docente profesionalmente competente no necesita conocer todas las
plataformas disponibles; necesita poseer las capacidades necesarias para aprender,
evaluar y decidir frente a las tecnologías que todavía no existen.
La rápida incorporación de la inteligencia artificial en
educación ha impulsado el desarrollo de modelos destinados a identificar qué
conocimientos, habilidades y disposiciones necesita el profesorado. Estos
marcos cumplen funciones diferentes. Algunos ofrecen orientaciones para
políticas y programas de formación; otros permiten conceptualizar el
conocimiento profesional; y algunos han sido diseñados específicamente para
evaluar la percepción de competencia. Por tanto, no deberían interpretarse como
propuestas mutuamente excluyentes.
Un referente previo para la competencia digital docente es
DigCompEdu, cuya estructura continúa apareciendo en investigaciones recientes.
Pita-Briones et al. (2025) retoman sus seis áreas —compromiso profesional,
recursos digitales, enseñanza y aprendizaje, evaluación, empoderamiento de los
estudiantes y desarrollo de la competencia digital del alumnado— para analizar
cómo la llegada de la IA amplía cada una de ellas hacia problemas como gestión
ética de datos, analítica, personalización y alfabetización crítica.
No obstante, la aparición de sistemas generativos y
predictivos ha favorecido el surgimiento de marcos específicamente diseñados
para inteligencia artificial. Entre ellos, el AI Competency Framework for
Teachers de UNESCO constituye actualmente uno de los referentes internacionales
de mayor alcance. Publicado en 2024, define quince competencias a partir de
cinco dimensiones y tres niveles progresivos, manteniendo como principio
transversal un enfoque centrado en el ser humano (Miao & Cukurova, 2024).
Junto con los marcos institucionales han aparecido modelos
procedentes de la investigación. El Intelligent-TPACK de Celik (2023)
incorpora la IA y la evaluación ética dentro de la interacción entre
tecnología, pedagogía y contenido; el AI-TPACK analizado por Ning et al. (2024)
profundiza la relación entre conocimiento tecnológico de IA, conocimiento
pedagógico y conocimiento disciplinar; mientras que la escala TAICS
desarrollada por Chiu, Ahmad y Çoban (2025) estructura la competencia docente
en seis dimensiones que incorporan explícitamente la evaluación y el compromiso
profesional.
Tabla 5 Principales marcos contemporáneos
relacionados con competencias docentes digitales y de Inteligencia Artificial
|
Marco o
modelo
|
Año
|
Estructura
principal
|
Aporte
para la formación docente
|
|
DigCompEdu,
reinterpretado ante la IA en literatura reciente
|
Uso contemporáneo
|
Compromiso profesional;
recursos digitales; enseñanza y aprendizaje; evaluación; empoderamiento del
alumnado; desarrollo de la competencia digital de los estudiantes.
|
Proporciona la base
pedagógica de la competencia digital docente y permite identificar cómo la IA
modifica ámbitos previamente digitalizados.
|
|
Intelligent-TPACK
|
2023
|
Integra conocimiento tecnológico
de IA, pedagogía, contenido disciplinar y evaluación ética.
|
Permite analizar si la IA se
integra coherentemente con el contenido que se enseña y con las estrategias
pedagógicas.
|
|
AI Competency Framework for Teachers – UNESCO
|
2024
|
Cinco dimensiones: enfoque
centrado en el ser humano, ética, fundamentos y aplicaciones, pedagogía con
IA y aprendizaje profesional; tres niveles: adquirir, profundizar y crear.
|
Ofrece un marco
internacional específicamente dirigido al profesorado y útil para formación,
políticas y evaluación.
|
|
AI-TPACK
|
2024
|
Articula el conocimiento de
tecnologías de IA con conocimiento pedagógico, disciplinar y sus
intersecciones.
|
Profundiza en el conocimiento
profesional requerido para utilizar IA dentro de áreas disciplinares
concretas.
|
|
TAICS
|
2025
|
Seis dimensiones:
conocimiento de IA, pedagogía con IA, evaluación con IA, ética de IA,
educación centrada en el ser humano y compromiso profesional.
|
Proporciona una estructura
para valorar la autoeficacia del profesorado respecto de competencias
específicas en IA.
|
|
DigComp
3.0
|
2025
|
Mantiene 21 competencias
digitales e integra transversalmente la IA en conocimientos, habilidades y
actitudes.
|
Actualiza la competencia digital
general frente al contexto de IA y aporta una base complementaria para
programas de formación.
|
|
AILit
Framework – OECD/Comisión Europea
|
2026
|
Cuatro dimensiones:
interactuar con IA, crear con IA, gestionar IA y configurar su utilización;
diecinueve competencias.
|
Aunque está orientado
principalmente al aprendizaje del alumnado, proporciona al docente un
referente actual para enseñar alfabetización en IA y diseñar experiencias
curriculares.
|
Fuente. Elaboración propia a partir de Celik
(2023), Miao y Cukurova (2024), Ning et al. (2024), Chiu, Ahmad y Çoban (2025),
Cosgrove y Cachia (2025)
La comparación permite identificar un desplazamiento
importante. Los marcos de competencia digital se concentraban en utilizar
tecnologías para comunicar, crear recursos, organizar información, enseñar y
evaluar. Los marcos de IA mantienen estas funciones, pero añaden dimensiones
vinculadas con interpretación algorítmica, supervisión, ética, agencia humana,
evaluación crítica de resultados y aprendizaje profesional permanente.
El marco de UNESCO resulta particularmente relevante para
la presente obra porque adopta expresamente una perspectiva centrada en las
personas. No plantea la competencia como capacidad para automatizar la mayor
cantidad posible de tareas, sino como preparación para utilizar IA protegiendo
la agencia docente, los derechos y la responsabilidad humana. Sus quince
competencias se organizan mediante los niveles Acquire, Deepen y Create,
lo que permite comprender el desarrollo profesional como una trayectoria
progresiva y no como una condición binaria (Miao & Cukurova, 2024).
TAICS aporta una perspectiva complementaria. Chiu, Ahmad y
Çoban (2025) incorporan expresamente la evaluación con IA como una dimensión
independiente, junto con conocimiento, pedagogía, ética, enfoque centrado en el
ser humano y compromiso profesional. Esta separación resulta relevante debido a
que los sistemas generativos están modificando profundamente las formas de
producir trabajos, proporcionar retroalimentación y demostrar aprendizajes.
Por su parte, Intelligent-TPACK y AI-TPACK permiten
conservar una idea fundamental del conocimiento docente: la tecnología adquiere
significado educativo únicamente cuando se relaciona con pedagogía y
disciplina. Una misma herramienta puede ser apropiada para un contenido y no para
otro, para una metodología y no para otra. Celik (2023) añade además que la
dimensión ética debe integrarse dentro del propio conocimiento profesional y no
abordarse como una reflexión posterior a la implementación.
DigComp 3.0 representa una actualización significativa del
ecosistema de competencias digitales generales. La quinta edición del marco,
desarrollada por Cosgrove y Cachia (2025), integra de manera sistemática la
competencia relacionada con IA a lo largo de sus veintiuna competencias,
reflejando que la inteligencia artificial ya no puede considerarse un tema
aislado dentro de la alfabetización digital. Aunque no se dirige exclusivamente
a docentes, resulta útil para identificar conocimientos, habilidades y
actitudes digitales que el profesorado comparte con el resto de la ciudadanía y
sobre los cuales posteriormente se construyen las capacidades específicamente
pedagógicas.
El AILit Framework publicado conjuntamente por la OECD y
la Comisión Europea en 2026 proporciona otro elemento complementario. Su
destinatario principal es el alumnado de educación primaria y secundaria, pero
su importancia para la profesión docente es directa: si el sistema educativo
espera que los estudiantes sean capaces de interactuar, crear, gestionar y
participar críticamente en la configuración de la IA, quienes enseñan deberán
contar con competencias suficientes para diseñar las experiencias que permitan
desarrollar dichas capacidades. El marco reúne diecinueve competencias
articuladas mediante conocimientos, habilidades y actitudes y ofrece escenarios
de aplicación para el aula.
La existencia de diferentes marcos no debe interpretarse
como una dificultad teórica, sino como evidencia de que la competencia docente
frente a la IA posee múltiples dimensiones. Un marco puede ser especialmente
útil para políticas nacionales; otro para formación inicial; otro para evaluar
autoeficacia; otro para comprender la relación entre disciplina, pedagogía y
tecnología. La decisión sobre cuál utilizar dependerá de la finalidad.
A partir de la literatura revisada en este capítulo, puede
proponerse una síntesis aplicable al desarrollo de esta obra. La competencia
docente para integrar inteligencia artificial puede concebirse como la
capacidad profesional para comprender los fundamentos y límites de la IA;
seleccionar y utilizar tecnologías de acuerdo con objetivos pedagógicos;
diseñar experiencias y evaluaciones significativas; formular instrucciones
efectivas; analizar críticamente contenidos y datos; proteger derechos, privacidad
y equidad; mantener control humano sobre las decisiones educativas; y
actualizar continuamente la propia práctica.
Las dimensiones señaladas se encuentran estrechamente
relacionadas y configuran una competencia profesional integrada. La Figura 2
sintetiza esta articulación, mostrando que la incorporación educativa de la
inteligencia artificial requiere combinar capacidades tecnológicas,
pedagógicas, críticas, éticas y de desarrollo profesional continuo.
Figura 2 Modelo integrado de competencias docentes
para la incorporación educativa de la Inteligencia Artificial
Esta conceptualización evita reducir las competencias
docentes a conocimientos técnicos y establece una relación directa con los
capítulos posteriores. Saber utilizar una tecnología constituye el punto de
partida; saber para qué utilizarla, cuándo hacerlo, cómo incorporarla, cómo
comprobar sus resultados y cuándo prescindir de ella representa un nivel
profesional superior.
De esta manera, el capítulo establece el marco
competencial que permitirá avanzar hacia la dimensión aplicada de la obra. El Capítulo
3 analizará cómo estos conocimientos, habilidades y actitudes pueden
materializarse en el diseño de experiencias de enseñanza y aprendizaje mediadas
por inteligencia artificial, abordando planificación didáctica, actividades
generativas, personalización, metodologías activas, tutoría, creación de
recursos y desarrollo del pensamiento crítico.
CAPÍTULO III.
El tránsito desde la comprensión conceptual de la
inteligencia artificial hacia su integración efectiva en los procesos
educativos exige trasladar las competencias analizadas en el capítulo anterior
al terreno del diseño pedagógico. Conocer las posibilidades de una herramienta,
identificar sus limitaciones o formular instrucciones adecuadas representa una
base necesaria, pero la verdadera transformación educativa se produce cuando
estas capacidades permiten construir experiencias de aprendizaje coherentes con
los objetivos curriculares, las características del alumnado y los principios
pedagógicos que orientan la enseñanza.
Esta consideración adquiere particular relevancia ante la
expansión de la inteligencia artificial generativa. La disponibilidad de
sistemas capaces de producir textos, imágenes, explicaciones, ejercicios,
simulaciones, retroalimentación y diferentes representaciones de un mismo
contenido puede facilitar numerosas tareas docentes. Sin embargo, la capacidad
tecnológica para generar recursos no garantiza que dichos recursos produzcan
aprendizaje. La revisión sistemática de Nuhoğlu Kibar e Ilgaz (2026),
basada en 28 estudios publicados entre 2020 y 2025, muestra que la IA está
interviniendo en distintas fases del diseño instruccional mediante generación
de contenidos, personalización, elaboración de plantillas, seguimiento,
calificación y retroalimentación. Al mismo tiempo, los autores identifican como
cuestiones centrales la alineación pedagógica, la preparación de los
profesionales y la confiabilidad de los contenidos generados (Nuhoğlu
Kibar & Ilgaz, 2026).
Por ello, el diseño de experiencias mediadas por IA no
debería comenzar preguntando qué herramienta utilizar, sino qué aprendizaje se
pretende alcanzar y qué función, si existe alguna, podría desempeñar la
inteligencia artificial para favorecerlo. Esta inversión del orden de decisión
resulta fundamental: la tecnología debe responder al diseño pedagógico y no el
diseño pedagógico a la disponibilidad tecnológica. Una actividad no se vuelve
innovadora por incorporar un sistema generativo; adquiere valor cuando la
tecnología permite realizar de manera más pertinente, accesible, personalizada
o intelectualmente desafiante una tarea asociada con objetivos de aprendizaje
claramente definidos.
La literatura reciente muestra, además, que las
aplicaciones pedagógicas de la IA generativa están evolucionando hacia ámbitos
relacionados con creatividad, pensamiento crítico, autonomía y alfabetización
para interactuar con sistemas inteligentes. Sin embargo, también se reconoce el
riesgo de que una utilización excesiva provoque dependencia y externalización
de procesos cognitivos y metacognitivos que el estudiante necesita desarrollar
por sí mismo (Qian, 2025). Esta tensión entre asistencia y sustitución
constituye uno de los principales desafíos del diseño pedagógico contemporáneo.
En consecuencia, el propósito de este capítulo es analizar
cómo integrar la inteligencia artificial en el diseño de experiencias de
enseñanza y aprendizaje conservando la centralidad del estudiante, el criterio
profesional docente y la finalidad formativa. Se examinarán la planificación
didáctica, el diseño de actividades generativas, la personalización, las
metodologías activas, la tutoría inteligente, la generación de recursos y las
estrategias orientadas al desarrollo de capacidades cognitivas superiores, para
finalmente revisar experiencias documentadas en distintos niveles educativos.
El diseño pedagógico puede entenderse como el proceso
mediante el cual se articulan intencionalmente objetivos de aprendizaje,
contenidos, metodologías, actividades, recursos, interacciones y procedimientos
de evaluación. Su finalidad consiste en crear condiciones que permitan al
estudiante construir conocimientos y desarrollar competencias de manera
progresiva y significativa. La aparición de la inteligencia artificial amplía
los recursos disponibles para realizar esta tarea, pero no modifica el principio
fundamental de que toda decisión tecnológica debe encontrarse justificada por
una finalidad educativa.
La revisión de Nuhoğlu Kibar e Ilgaz (2026) muestra
que la inteligencia artificial está transformando el diseño instruccional desde
un proceso predominantemente humano y lineal hacia dinámicas más colaborativas
en las que pueden combinarse capacidad computacional, creatividad humana y conocimiento
pedagógico. La IA aparece en los estudios revisados desempeñando funciones
relacionadas con generación y adaptación de contenidos, elaboración de
materiales, seguimiento, evaluación y retroalimentación. Los autores advierten,
sin embargo, que la alineación pedagógica y la verificación de los resultados
continúan siendo responsabilidades esenciales del profesional que diseña la
experiencia.
Esta perspectiva permite diferenciar diseño con IA de
diseño para aprender con IA. En el primer caso, el profesor puede utilizar un
sistema para apoyarse en tareas como organizar una secuencia, generar ejemplos
o producir borradores de materiales. En el segundo, el sistema forma parte de
la experiencia del estudiante y, por tanto, debe determinarse qué interacción
mantendrá con él, qué capacidades pretende desarrollar, cómo comprobará sus
respuestas y qué evidencia permitirá valorar el aprendizaje. Ambas modalidades
pueden coexistir, pero demandan diferentes niveles de supervisión y
planificación.
Una experiencia enriquecida con IA necesita conservar la
denominada alineación pedagógica: debe existir coherencia entre aquello que se
espera que el estudiante aprenda, las acciones que realizará para conseguirlo y
las evidencias mediante las cuales se determinará si efectivamente lo aprendió.
Si el objetivo consiste en desarrollar argumentación, una actividad en la que
el sistema genera el argumento completo y el estudiante únicamente lo entrega
presenta una contradicción evidente. En cambio, solicitar que el estudiante
examine argumentos producidos por IA, identifique sus debilidades, los
confronte con evidencia y construya una posición propia puede resultar
coherente con la competencia que se desea desarrollar.
La mediación docente adquiere entonces una función
decisiva. La inteligencia artificial puede ofrecer múltiples alternativas, pero
corresponde al profesor valorar su pertinencia disciplinar, secuenciar los
aprendizajes, introducir niveles adecuados de dificultad y decidir cuándo el
estudiante necesita asistencia y cuándo debe afrontar una tarea de manera
autónoma. Esta concepción coincide con los resultados recogidos en los
documentos que sirven de base para esta obra: las competencias específicas
frente a la IA requieren capacidades para comprender las herramientas,
seleccionarlas y convertirlas en actividades de aprendizaje adaptadas a
contextos concretos.
El diseño debe prestar especial atención al riesgo de
automatizar precisamente aquello que se pretende aprender. Si un estudiante
está desarrollando competencias de escritura argumentativa, delegar desde el
inicio la redacción completa puede reducir la práctica necesaria para
estructurar argumentos. Si aprende programación, obtener inmediatamente el
código resuelto puede disminuir las oportunidades de identificar errores,
formular algoritmos y razonar sobre alternativas. El problema no reside en
utilizar IA, sino en determinar en qué momento del proceso su asistencia amplía
el aprendizaje y en qué momento puede sustituirlo.
Una respuesta pedagógicamente sólida consiste en preservar
fases de actividad intelectual humana. El estudiante puede formular primero una
explicación, hipótesis, bosquejo, solución o argumento; después utilizar IA
para contrastarlo, recibir retroalimentación, encontrar objeciones o generar
alternativas; y finalmente revisar su producción justificando las decisiones
realizadas. Esta secuencia convierte la IA en un componente del proceso de
reflexión y no en el origen y destino de toda la actividad cognitiva.
El principio de supervisión humana debe permanecer
transversal al diseño. Esto significa que los resultados relevantes generados
por el sistema pueden ser revisados, cuestionados, modificados o rechazados por
docentes y estudiantes. La IA puede funcionar como colaborador tecnológico,
pero no debería constituirse en autoridad incuestionable. UNESCO plantea
precisamente que las aplicaciones generativas deben integrarse desde una
perspectiva centrada en las personas, preservando la agencia humana, la protección
de los datos y la capacidad para evaluar críticamente los resultados (Miao
& Holmes, 2023).
Por tanto, el diseño pedagógico enriquecido con IA implica
combinar innovación tecnológica y deliberación profesional. Las capacidades
automatizadas pueden ampliar las posibilidades de aprendizaje, pero su valor
depende de decisiones docentes relacionadas con objetivos, contexto, secuencia,
interacción, acompañamiento, evaluación y ética.
La planificación didáctica constituye el proceso mediante
el cual el docente anticipa y organiza las condiciones necesarias para alcanzar
determinados aprendizajes. Incluye el análisis del contexto, la definición de
objetivos, la selección y secuenciación de contenidos, las estrategias
metodológicas, los recursos, las actividades y los procedimientos de
evaluación. La inteligencia artificial puede apoyar diferentes componentes de
esta planificación, pero su incorporación debe realizarse sin convertir el
documento generado automáticamente en sustituto del razonamiento pedagógico.
Chuñir Panjon (2025), a partir de una revisión
sistemática, identifica tres competencias particularmente relevantes para
integrar IA en la planificación: comprender sus principios y aplicaciones
educativas, evaluar y seleccionar herramientas apropiadas y diseñar actividades
que aprovechen sus capacidades de personalización. Estas dimensiones muestran
que la planificación comienza antes de utilizar la tecnología: exige determinar
qué necesidad se pretende atender y si la IA constituye realmente una respuesta
pertinente.
En una primera fase, el docente necesita realizar un
diagnóstico pedagógico. Resulta necesario identificar los conocimientos previos
del alumnado, las competencias esperadas, las posibles dificultades, los
recursos disponibles y las condiciones del contexto. A partir de esta
información puede establecerse si la IA será utilizada por el profesor para
preparar la enseñanza, por los estudiantes durante el aprendizaje o por ambos.
Esta diferenciación evita introducir aplicaciones sin una función definida.
La segunda fase corresponde a los resultados u objetivos
de aprendizaje. La inteligencia artificial puede ayudar a explorar diferentes
formulaciones o identificar relaciones entre contenidos, pero corresponde al
docente determinar qué conocimientos y capacidades son curricularmente
relevantes. La coherencia entre objetivos y uso tecnológico resulta
indispensable. Si el objetivo demanda autonomía en la resolución de problemas,
por ejemplo, la asistencia de la IA deberá diseñarse de modo que no elimine el
esfuerzo intelectual que se pretende desarrollar.
En una tercera fase se define la función específica de la
IA. Puede emplearse para generar variaciones de una actividad, adaptar el nivel
de complejidad, ofrecer retroalimentación, representar un interlocutor,
proporcionar pistas, simular escenarios o apoyar la generación de recursos.
Esta decisión resulta más robusta que planificar en torno a una aplicación
determinada, debido a que las plataformas comerciales pueden cambiar mientras
que las funciones pedagógicas mantienen mayor estabilidad.
Tabla 6 Integración de la Inteligencia Artificial
en la planificación didáctica
|
Componente
de la planificación
|
Decisión
pedagógica fundamental
|
Posible
función de la IA
|
Responsabilidad
docente
|
|
Diagnóstico
|
¿Qué sabe el estudiante y
qué necesita desarrollar?
|
Organizar información
diagnóstica, generar actividades diferenciadas o identificar patrones.
|
Validar los datos y
complementar cualquier análisis con conocimiento directo del estudiante.
|
|
Objetivos
de aprendizaje
|
¿Qué conocimiento o competencia
debe alcanzarse?
|
Proponer formulaciones o
relacionar objetivos con posibles actividades.
|
Definir y validar los objetivos
según currículo, disciplina y contexto.
|
|
Contenidos
|
¿Qué conocimientos son
necesarios y en qué secuencia?
|
Generar ejemplos,
analogías, representaciones alternativas o síntesis iniciales.
|
Comprobar exactitud,
profundidad, actualidad y pertinencia disciplinar.
|
|
Metodología
|
¿Cómo participará el estudiante
en la construcción del aprendizaje?
|
Apoyar metodologías activas,
simulaciones, diálogos, tutoría o trabajo por proyectos.
|
Garantizar que la IA no
sustituya la participación intelectual del estudiante.
|
|
Actividades
|
¿Qué tendrá que hacer el
estudiante para aprender?
|
Generar casos, problemas,
escenarios, contraargumentos, preguntas o pistas.
|
Establecer propósito,
dificultad, secuencia y evidencias del proceso.
|
|
Recursos
|
¿Qué medios favorecerán la
comprensión y participación?
|
Crear borradores de textos,
imágenes, esquemas, cuestionarios o materiales multimodales.
|
Revisar calidad, accesibilidad,
adecuación cultural y derechos de uso.
|
|
Evaluación
|
¿Qué evidencia demostrará
el aprendizaje alcanzado?
|
Apoyar elaboración de
criterios, preguntas o retroalimentación preliminar.
|
Mantener control sobre
criterios, interpretación y decisiones evaluativas.
|
|
Revisión
ética
|
¿Qué riesgos introduce el uso
propuesto?
|
Identificar preliminarmente
posibles riesgos o escenarios.
|
Comprobar privacidad, seguridad,
equidad, transparencia y pertinencia del uso.
|
Fuente. Elaboración propia a partir de Chuñir
Panjon (2025), Miao y Holmes (2023) y Nuhoğlu Kibar e Ilgaz (2026).
La tabla evidencia que la IA puede intervenir en
prácticamente todas las fases de la planificación sin convertirse por ello en
responsable de la planificación. La diferencia es sustancial: el sistema puede
generar alternativas, pero el docente determina cuáles poseen coherencia
curricular y pedagógica. Esta distinción permite aprovechar la eficiencia de la
automatización sin desplazar la deliberación profesional.
En los documentos analizados para esta obra se señala que
la IA puede contribuir a disminuir el tiempo destinado a determinadas tareas
administrativas y apoyar procesos de personalización; al mismo tiempo, la
utilización de datos en la planificación introduce responsabilidades
relacionadas con privacidad, sesgo y toma de decisiones. Chuñir Panjon (2025)
destaca que la experiencia profesional del docente resulta indispensable para
interpretar la información proporcionada por los sistemas y evitar que
resultados algorítmicos sean utilizados sin contextualización.
Un uso adecuado de IA en planificación tampoco significa
generar automáticamente una clase completa y aplicarla sin modificaciones.
Resulta más útil trabajar mediante ciclos de generación, análisis, adaptación,
implementación y revisión. El profesor puede solicitar alternativas,
compararlas con los objetivos, modificar aquellas que resulten pertinentes,
aplicarlas en un contexto real y posteriormente revisar sus efectos. Este
proceso convierte la inteligencia artificial en apoyo para la reflexión profesional
y no solamente en un mecanismo de producción documental.
La inteligencia artificial generativa ofrece posibilidades
especialmente amplias en el diseño de actividades debido a su capacidad para
producir y transformar información mediante interacciones en lenguaje natural.
Puede generar escenarios, preguntas, casos, explicaciones, personajes
simulados, alternativas de solución, representaciones visuales y
retroalimentación. Sin embargo, el valor formativo de estas funciones depende
fundamentalmente de las acciones cognitivas que el diseño exige al estudiante.
Qian (2025), en una revisión sistemática sobre
aplicaciones pedagógicas de IA generativa en educación superior, identifica
tendencias relacionadas con creatividad, pensamiento crítico, autonomía y
alfabetización para formular instrucciones. La revisión también encuentra una
tensión importante: la misma tecnología que facilita y diversifica la actividad
académica puede promover dependencia cuando el estudiante externaliza procesos
cognitivos y metacognitivos fundamentales.
Esta evidencia sugiere que el diseño debe desplazarse
desde actividades centradas en obtener una respuesta hacia experiencias
centradas en trabajar intelectualmente con la respuesta. Solicitar “pregunta a
la IA qué es la fotosíntesis” posee escaso potencial si la interacción termina
con la lectura del resultado. La actividad se vuelve cognitivamente más
relevante si el estudiante debe comparar la explicación con el libro de texto,
identificar conceptos esenciales, detectar omisiones, ajustar la respuesta a un
destinatario concreto y justificar las modificaciones realizadas.
Una arquitectura pedagógica útil puede comenzar mediante
una producción inicial independiente. Antes de consultar un sistema generativo,
el estudiante formula una hipótesis, esquema, explicación o posible solución.
La segunda fase corresponde a la interacción con IA, utilizada para recibir
alternativas, preguntas, retroalimentación o perspectivas diferentes.
Posteriormente aparece una fase de contraste en la que la información se
compara con fuentes verificables y conocimiento disciplinar. Finalmente, el
estudiante reconstruye su respuesta y explica qué modificaciones realizó y por
qué.
Esta secuencia configura un proceso cíclico en el que la inteligencia
artificial funciona como recurso de apoyo, contraste y mejora, sin sustituir la
actividad cognitiva del estudiante. La Figura 3 sintetiza las principales
etapas de este proceso de aprendizaje mediado por IA generativa.
Figura 3 Ciclo de diseño de actividades de
aprendizaje mediadas por IA generativa
Esta organización permite que la tecnología se convierta
en un mecanismo de contraste y ampliación. También genera evidencias del
proceso intelectual, aspecto especialmente importante cuando la IA puede
producir productos académicos terminados. Conservar versiones preliminares,
instrucciones formuladas, respuestas obtenidas, fuentes utilizadas y decisiones
de revisión permite observar de mejor manera la trayectoria de aprendizaje.
Los estudios incluidos entre los documentos proporcionados
muestran ejemplos de esta integración. Pineda et al. (2024) encontraron
prácticas en las que los docentes articulaban herramientas digitales y de IA
con lecturas, infografías, simulaciones, textos, resúmenes, recursos visuales,
cuestionarios, debates y actividades colaborativas. Los participantes señalaban
que estos recursos podían utilizarse para generar ideas, elaborar materiales y
ajustar contenidos, particularmente cuando se integraban en metodologías
activas.
No obstante, las actividades deberían evitar dos extremos.
El primero es utilizar IA únicamente para sustituir tareas previamente
realizadas por el estudiante. El segundo es añadir artificialmente una
herramienta generativa a actividades en las que no produce ningún beneficio. El
criterio debería ser si su presencia permite ampliar la exploración,
proporcionar andamiaje, ofrecer perspectivas diferentes, facilitar la
personalización o generar oportunidades de análisis que serían difíciles de
conseguir mediante otros recursos.
La formulación de instrucciones también puede convertirse
en parte del aprendizaje. Diseñar un prompt exige precisar el problema,
aportar información relevante, establecer condiciones y definir criterios.
Posteriormente, evaluar el resultado obliga a determinar si el sistema
comprendió adecuadamente la tarea. De esta manera, la interacción puede incorporarse
como una actividad metacognitiva siempre que el estudiante tenga que justificar
las decisiones adoptadas y no se limite a repetir mecánicamente fórmulas
prediseñadas.
El diseño de actividades con IA generativa debe, en
definitiva, mantener visible la actividad intelectual del alumnado. Una
experiencia pedagógicamente sólida no se evalúa por la calidad del producto que
genera el algoritmo, sino por la calidad de las acciones de comprensión,
análisis, comparación, creación, argumentación y reflexión que realiza el
estudiante durante el proceso.
La personalización constituye una de las aplicaciones
educativas más señaladas de la inteligencia artificial. Su finalidad consiste
en ajustar determinados componentes de la experiencia de aprendizaje a las
características, conocimientos previos, progreso o necesidades del estudiante.
La capacidad de procesar información rápidamente permite que los sistemas
generen diferentes explicaciones, niveles de dificultad, ejercicios o
secuencias de apoyo con una velocidad difícil de reproducir manualmente cuando
se trabaja con grupos numerosos.
Conviene, sin embargo, diferenciar personalización de
automatización absoluta. Personalizar no significa permitir que un algoritmo
determine unilateralmente qué puede o no puede aprender un estudiante. Tampoco
implica construir categorías permanentes a partir de su rendimiento. La
adaptación debe funcionar de manera dinámica y revisable, manteniendo
expectativas altas y proporcionando diferentes rutas para alcanzar objetivos
educativos compartidos.
Un ejemplo empírico reciente es el trabajo de Jauhiainen y
Garagorry Guerra (2024), desarrollado con 110 estudiantes de cuarto, quinto y
sexto grado en dos escuelas de Uruguay. Los investigadores utilizaron IA
generativa para adaptar materiales de ciencias sociales, incluyendo textos,
imágenes y preguntas, a tres niveles de conocimiento identificados durante la
experiencia. El estudio demuestra la viabilidad de utilizar sistemas
generativos para modificar materiales de manera dinámica dentro de una
situación escolar, aunque también evidencia la necesidad de supervisión y diseño
previo por parte de los responsables educativos.
La personalización puede operar en diferentes dimensiones.
Una primera corresponde a la complejidad, adaptando el nivel de
explicación o dificultad de las actividades. Una segunda está relacionada con
el andamiaje, proporcionando más pistas o ejemplos cuando son
necesarios. La tercera se vincula con la representación, ofreciendo
diferentes formas de explicar un concepto. Finalmente, una cuarta puede
relacionarse con el ritmo, permitiendo que determinados estudiantes
profundicen o practiquen en función de su progreso.
Pita-Briones et al. (2025) ilustran un escenario en el que
un sistema adaptativo ajusta la dificultad de problemas matemáticos según el
progreso, mientras el profesor interpreta los resultados y refuerza aquellas
áreas que considera críticas. El ejemplo es relevante porque sitúa la
adaptación algorítmica bajo mediación docente y no como una sustitución de la
evaluación profesional.
La personalización también puede contribuir a la
autorregulación. Chiu (2024), mediante un estudio Delphi con 36 docentes
experimentados en aprendizaje apoyado por tecnología, desarrolló una
clasificación de actividades con ChatGPT orientada a relacionar las necesidades
planteadas por la teoría de la autodeterminación con diferentes fases del
aprendizaje autorregulado. El estudio señala el potencial de la IA generativa
para proporcionar ambientes de apoyo individualizado, pero presenta estas
posibilidades como parte de un diseño pedagógico deliberado y no como una
consecuencia automática de utilizar ChatGPT.
Existen además riesgos asociados con una personalización
excesiva. Si el sistema ajusta constantemente la dificultad para reducir
cualquier dificultad percibida, puede eliminar experiencias de esfuerzo
productivo necesarias para aprender. Si clasifica a los estudiantes mediante
perfiles rígidos, puede limitar las oportunidades de progresión. Si los datos
empleados son insuficientes o sesgados, las recomendaciones pueden ser
inadecuadas. La personalización requiere, por ello, una combinación de datos,
observación docente y capacidad del propio estudiante para participar en las
decisiones sobre su aprendizaje.
Otro principio importante consiste en no confundir
personalización con aislamiento. Aprender implica también dialogar,
cooperar, confrontar ideas y participar en comunidades. Una experiencia
completamente individualizada por un sistema puede ofrecer contenidos muy
ajustados y, al mismo tiempo, reducir oportunidades de interacción social. El
diseño debe combinar apoyos personalizados con actividades colectivas en las
que el estudiante participe en procesos de explicación, negociación y
colaboración.
El criterio fundamental es que la IA contribuya a ampliar
las posibilidades de acceso y progresión sin convertir el aprendizaje en una
trayectoria determinada automáticamente por datos. El profesor mantiene la
responsabilidad de interpretar la información, introducir ajustes y garantizar
que la personalización favorezca la inclusión y no reproduzca desigualdades.
Las metodologías activas ofrecen un campo especialmente
fértil para integrar inteligencia artificial porque sitúan al estudiante frente
a problemas, proyectos o desafíos que requieren investigar, tomar decisiones,
generar alternativas y producir soluciones. En estos modelos, la tecnología
puede funcionar como recurso de exploración y andamiaje sin convertirse
necesariamente en el centro de la experiencia.
Aunque comparten principios, el aprendizaje basado en
problemas, el aprendizaje basado en proyectos y el aprendizaje basado en retos
presentan énfasis diferentes. El primero organiza el proceso alrededor de un
problema complejo que debe analizarse; el segundo conduce normalmente hacia el
desarrollo de un producto, propuesta o intervención; y el tercero incorpora un
desafío auténtico que demanda movilizar diferentes saberes para plantear
respuestas viables. En todos los casos, la participación del estudiante
constituye un elemento central.
Los documentos proporcionados para esta obra muestran que
los docentes que integran IA en metodologías activas combinan estrategias de
aprendizaje colaborativo, aula invertida, proyectos y resolución de problemas
con herramientas digitales. El estudio de Pineda et al. (2024) identifica
experiencias en las que estas combinaciones se utilizan para incrementar la
interactividad, personalizar el aprendizaje y favorecer capacidades cognitivas
de mayor complejidad.
La inteligencia artificial puede intervenir en diferentes
fases sin resolver directamente el desafío. Durante la comprensión del
problema, puede ayudar a generar preguntas o representar diferentes
perspectivas. En la etapa de investigación, puede facilitar la organización
preliminar de información que posteriormente deberá verificarse. En la
generación de alternativas, puede funcionar como interlocutor para producir
posibilidades. Durante el desarrollo de una propuesta, puede proporcionar
retroalimentación o señalar inconsistencias. Finalmente, en la revisión, puede
utilizarse para simular objeciones, usuarios o escenarios alternativos.
Un estudio reciente de Omeh y Ayanwale (2025) examinó la
incorporación de IA dentro del aprendizaje basado en problemas en cursos
universitarios de programación de robótica. Mediante un diseño
cuasiexperimental con 87 estudiantes, los autores encontraron mejores
resultados en compromiso, motivación y rendimiento en el grupo que trabajó con
PBL apoyado por IA frente al grupo que desarrolló PBL convencional. Los propios
autores destacan que la tecnología debe actuar como andamiaje y no como
sustituto de la facilitación humana, por lo que estos resultados deben
interpretarse dentro del contexto específico de la intervención.
La capacidad de simulación abre posibilidades adicionales.
Borge et al. (2024) exploraron el uso de IA generativa como simulación para
apoyar procesos de metacognición, regulación colectiva del pensamiento y
argumentación. Aunque su investigación tiene carácter exploratorio y se basa en
casos, muestra una utilización distinta del modelo conversacional: en lugar de
solicitar respuestas, se utiliza para representar interlocutores o situaciones
que permitan practicar construcción de argumentos y análisis colectivo.
Esta lógica resulta especialmente útil en proyectos
relacionados con situaciones auténticas. Un grupo puede solicitar al sistema
que represente diferentes actores involucrados en un problema ambiental,
económico o social; posteriormente deberá analizar las respuestas,
contrastarlas con información real y negociar una solución. La simulación
amplía el número de perspectivas disponibles, pero las posiciones generadas no
deberían confundirse con evidencia empírica ni con la opinión real de los
grupos representados.
En educación preuniversitaria, Sánchez Muñoz et al. (2025)
estudiaron una experiencia de catorce semanas en un proyecto de ingeniería en
la que la IA generativa fue incorporada como mediador tecnológico dentro de
actividades relacionadas con pensamiento computacional, resolución de problemas
y aprendizaje activo. Los autores destacan que el potencial educativo emerge
cuando la interacción es iterativa y reflexiva, permitiendo a los estudiantes
probar hipótesis, revisar razonamientos y mantener vigilancia sobre la calidad
de la información.
Una condición fundamental es preservar la incertidumbre
productiva del problema. Si el estudiante puede copiar el planteamiento
completo en un sistema y aceptar inmediatamente la solución propuesta, se
pierde gran parte del valor metodológico. Por ello, las actividades pueden
exigir que los estudiantes documenten cómo delimitaron el problema, qué
información comprobaron, qué alternativas descartaron y qué decisiones
adoptaron después de interactuar con la IA.
El aprendizaje basado en proyectos y retos también ofrece
una oportunidad para redefinir la autoría. La contribución del estudiante no
tiene que medirse únicamente por la cantidad de contenido producido sin
asistencia, sino por su capacidad para formular problemas, dirigir
herramientas, evaluar resultados, integrar evidencia, tomar decisiones y
responsabilizarse del producto final. Esta transformación exige criterios de
evaluación que hagan visible el proceso, cuestión que será profundizada en el
capítulo siguiente.
La interacción conversacional permite que los sistemas de
inteligencia artificial adopten diferentes funciones dentro del aprendizaje. No
todas producen las mismas dinámicas educativas. Resulta útil diferenciar, al
menos conceptualmente, entre IA como tutor, asistente y colaborador,
porque cada función implica distintos niveles de intervención.
Cuando funciona como tutor, la IA busca acompañar
el proceso de comprensión mediante preguntas, pistas, retroalimentación o
adaptación de la dificultad. Una tutoría pedagógicamente adecuada debería
evitar proporcionar inmediatamente la solución cuando el objetivo consiste en
desarrollar razonamiento. El sistema puede identificar errores, solicitar
explicaciones, proponer ejemplos adicionales o guiar progresivamente al
estudiante hacia una respuesta.
Lee et al. (2024) ofrecen evidencia especialmente
relevante en este sentido. Los autores desarrollaron un mecanismo denominado Guidance-based
ChatGPT-assisted Learning Aid, en el que los estudiantes debían intentar
resolver un problema antes de recurrir al sistema. Cuando solicitaban apoyo,
recibían pistas y orientación en lugar de una respuesta directa. En un ensayo
controlado aleatorizado con 61 universitarios de un curso introductorio de
química, el enfoque guiado produjo mejores resultados en autorregulación,
pensamiento de orden superior y construcción de conocimiento que la utilización
convencional de ChatGPT (Lee et al., 2024).
El estudio resulta significativo porque muestra que la
cuestión pedagógica no es únicamente qué sistema utilizar, sino cómo
estructurar su comportamiento dentro de la experiencia. Una misma
tecnología puede convertirse en solucionador automático o en tutor socrático
dependiendo del diseño. La arquitectura pedagógica aplicada a la interacción
tiene, por tanto, una influencia decisiva.
Cuando actúa como asistente, la IA puede ayudar al
estudiante a organizar información, solicitar explicaciones adicionales,
transformar representaciones, practicar, generar ejemplos o revisar
determinados componentes de su trabajo. El nivel de dirección continúa estando
principalmente en manos del estudiante. En este caso, es especialmente
importante enseñar a comprobar resultados y evitar que la comodidad de la
asistencia derive en dependencia.
La función de colaborador supone un nivel diferente
de interacción. El estudiante y el sistema participan iterativamente en la
construcción de ideas, escenarios o propuestas. La IA puede presentar
contraargumentos, generar alternativas, asumir temporalmente un rol dentro de
una simulación o contribuir a un proceso de ideación. Esta utilización se
aproxima a la concepción que Nuhoğlu Kibar e Ilgaz (2026) encuentran en la
literatura reciente, donde la IA empieza a ser descrita no solamente como
herramienta, sino como colaborador dentro de determinados procesos de diseño.
Los resultados sobre tutoría inteligente son prometedores,
pero deben interpretarse con precisión. Kestin et al. (2025) desarrollaron un
ensayo controlado aleatorizado en educación superior en el que un tutor de IA,
diseñado explícitamente a partir de principios pedagógicos, fue comparado con
sesiones presenciales de aprendizaje activo en un curso universitario de
física. En las condiciones estudiadas, quienes utilizaron el tutor aprendieron
más en menor tiempo y declararon mayores niveles de compromiso y motivación.
Los propios autores enfatizan que las prácticas pedagógicas tuvieron que ser
cuidadosamente incorporadas al sistema.
Estos resultados no justifican concluir que los tutores de
IA sean universalmente superiores a la enseñanza humana. La revisión
sistemática de Létourneau et al. (2025), que analizó 28 estudios con un total
de 4.597 estudiantes de educación primaria y secundaria, encontró efectos
generalmente positivos de los sistemas de tutoría inteligente, pero señala que
esas ventajas se reducen cuando la comparación se realiza con sistemas
tutoriales no inteligentes. Los autores también reclaman estudios más
prolongados, muestras más diversas y mayor investigación sobre las
implicaciones éticas.
La comparación entre ambas evidencias permite establecer
una conclusión pedagógica prudente: la eficacia depende en gran medida de cómo
está diseñado el sistema, cuál es la tarea, quiénes son los estudiantes y con
qué alternativa educativa se compara. No existe fundamento para asumir que
incorporar un chatbot genérico equivale a disponer de un tutor pedagógicamente
diseñado.
El docente necesita establecer también límites de
interacción. Puede decidir que la IA proporcione pistas pero no soluciones, que
formule preguntas antes de ofrecer una explicación, que solicite al estudiante
justificar cada paso o que indique explícitamente cuándo la información debe
comprobarse mediante otras fuentes. Estas reglas forman parte del diseño didáctico
y contribuyen a mantener la agencia del estudiante.
La IA como tutor, asistente o colaborador alcanza su mayor
potencial cuando amplía las oportunidades para practicar, explorar, recibir
orientación y reflexionar. Pierde valor educativo cuando transforma al
estudiante en receptor pasivo de soluciones. El principio que debe orientar su
integración es sencillo: la asistencia debe aumentar la capacidad del
estudiante para pensar y actuar, no disminuir su necesidad de hacerlo.
La generación de recursos constituye una de las
aplicaciones más inmediatas de la inteligencia artificial en la práctica
docente. Los sistemas actuales pueden producir textos, imágenes, esquemas,
presentaciones, cuestionarios, ejemplos, guiones, audio, video y diferentes
versiones de un mismo material. Esta capacidad puede disminuir el tiempo
necesario para crear borradores y ampliar las posibilidades de representación
de los contenidos.
Nuhoğlu Kibar e Ilgaz (2026) identifican precisamente
la generación de contenidos, las plantillas y la personalización entre las
aplicaciones recurrentes de IA dentro del diseño instruccional. Sin embargo, su
revisión señala que la confiabilidad del contenido y la alineación pedagógica
continúan representando desafíos centrales. Por ello, la velocidad de
producción debe ir acompañada por procesos sistemáticos de verificación.
Una primera aplicación consiste en la adaptación
textual. El profesor puede generar versiones preliminares de una
explicación con diferentes niveles de complejidad, elaborar ejemplos
adicionales o convertir información técnica en un texto introductorio. El
sistema también puede ayudar a formular preguntas, casos o actividades. El
recurso obtenido, no obstante, debe ser revisado para comprobar precisión
conceptual, terminología y adecuación al nivel educativo.
La capacidad multimodal permite combinar texto,
imagen, sonido y otros formatos. Esto abre posibilidades para representar
conceptos de maneras diversas y producir materiales que posteriormente puedan
ser ajustados a necesidades concretas. El estudio de Pineda et al. (2024) documenta
experiencias docentes en las que se combinan herramientas digitales y de IA
para producir y utilizar infografías, cuestionarios, presentaciones, materiales
visuales, textos y otros recursos dentro de actividades de enseñanza.
Una segunda dimensión se relaciona con la diferenciación.
Un mismo recurso puede convertirse en varias versiones: una explicación
introductoria, otra avanzada, una serie de preguntas de apoyo o actividades
adicionales. Esta posibilidad resulta valiosa cuando se utiliza para
proporcionar distintas vías de acceso sin reducir arbitrariamente las
expectativas de aprendizaje.
El proceso de generación debería contemplar una secuencia
profesional. Primero se define el objetivo del recurso y el destinatario;
posteriormente se genera un borrador; después se verifica la exactitud mediante
fuentes confiables; se adapta el lenguaje y la estructura; se comprueba su
accesibilidad; finalmente se prueba dentro de la actividad para la que fue
diseñado. La etapa de revisión no es complementaria: constituye parte
inseparable de la producción.
La accesibilidad requiere una atención específica.
La IA puede ayudar a producir descripciones de imágenes, simplificaciones
iniciales o versiones alternativas de determinados contenidos, pero estos
resultados deben revisarse porque una adaptación automatizada puede alterar
información esencial. La inclusión no consiste simplemente en generar otra
versión del material, sino en garantizar que dicha versión permita participar y
aprender efectivamente.
También deben considerarse autoría, propiedad intelectual
y procedencia del contenido. La facilidad para generar imágenes o textos no
significa que puedan incorporarse indiscriminadamente a cualquier publicación o
actividad. El docente debe conocer las condiciones de uso de las herramientas y
las políticas institucionales aplicables. Estas dimensiones serán analizadas
con mayor profundidad en el capítulo dedicado a ética, integridad y uso
responsable.
La generación de recursos adquiere mayor valor cuando
libera tiempo para actividades que requieren juicio profesional: acompañar
estudiantes, analizar dificultades, proporcionar retroalimentación compleja y
revisar el diseño pedagógico. Su finalidad no debería ser multiplicar
innecesariamente la cantidad de materiales, sino producir recursos más
pertinentes y oportunos para una experiencia determinada.
Una de las principales preocupaciones relacionadas con la
IA generativa consiste en determinar si su utilización fortalece o debilita las
capacidades cognitivas superiores. La respuesta no puede formularse en términos
absolutos. La evidencia reciente sugiere que los efectos dependen de la forma
en que la herramienta se integra, del tipo de actividad y del nivel de
orientación proporcionado.
En relación con el pensamiento crítico, Sun et al. (2026)
realizaron un metaanálisis de tres niveles que integró 26 investigaciones y 47
tamaños de efecto. Los resultados muestran, en promedio, una asociación
positiva entre experiencias apoyadas por IA generativa y desempeño en
pensamiento crítico; sin embargo, los autores encontraron una heterogeneidad
considerable entre los estudios y recomiendan cautela al interpretar
determinadas diferencias entre modalidades de intervención. La evidencia, por
tanto, no permite concluir que la IA desarrolle automáticamente pensamiento
crítico: determinadas formas de utilización parecen favorecerlo mientras que
otras pueden producir resultados diferentes.
Una estrategia particularmente útil consiste en convertir
el contenido generado en objeto de crítica. En lugar de solicitar al
estudiante que acepte una explicación, puede pedírsele que identifique
afirmaciones que requieren evidencia, contraste referencias, detecte errores,
examine sesgos y produzca una versión corregida. De esta forma, la posibilidad
de que el modelo cometa errores se convierte, bajo condiciones controladas, en
una oportunidad para practicar evaluación de información.
Otra estrategia corresponde al contraste argumentativo.
El sistema puede generar una posición contraria a la del estudiante o presentar
varias soluciones posibles. El estudiante debe analizar los supuestos de cada
alternativa, determinar qué evidencia sería necesaria para sostenerla y
construir una conclusión propia. Borge et al. (2024) muestran que las
simulaciones conversacionales pueden utilizarse para apoyar argumentación,
metacognición y procesos colectivos de construcción de sentido, aunque
advierten que los sistemas también pueden ofrecer respuestas excesivamente
definitivas sin evidencia suficiente.
La creatividad puede abordarse mediante actividades de ideación
y transformación. La IA permite producir rápidamente alternativas que
pueden funcionar como estímulos iniciales. El objetivo no debería ser
seleccionar pasivamente la propuesta más atractiva, sino combinar, cuestionar y
modificar las ideas generadas. Qian (2025) identifica la creatividad entre las
tendencias emergentes de integración pedagógica de la IA generativa, pero
también advierte que la dependencia puede externalizar procesos intelectuales
que deberían permanecer bajo control del estudiante.
En consecuencia, es recomendable que algunas fases
creativas se realicen inicialmente sin asistencia. El estudiante puede generar
sus propias ideas antes de consultar el sistema y posteriormente comparar ambos
conjuntos. Este procedimiento permite analizar qué aportó la tecnología, qué
perspectivas introdujo y cuáles de las ideas propias resultaron más originales
o pertinentes. La creatividad se convierte así en un proceso consciente de
exploración y selección.
La resolución de problemas puede beneficiarse de
una estructura semejante. En lugar de solicitar la solución completa, la IA
puede utilizarse para formular preguntas, proporcionar pistas graduales,
identificar supuestos, representar restricciones o generar casos análogos. El
estudio de Lee et al. (2024) aporta evidencia de este principio: una
configuración en la que los estudiantes debían realizar primero su propio
intento y recibían posteriormente pistas produjo mejores resultados en
pensamiento de orden superior que el uso convencional de ChatGPT.
Otra posibilidad consiste en solicitar deliberadamente
múltiples soluciones y obligar al estudiante a compararlas mediante criterios
definidos. En un problema científico podría analizar exactitud y viabilidad; en
un caso administrativo, costos, riesgos y consecuencias; en derecho,
compatibilidad normativa y solidez argumentativa; en ingeniería, eficiencia,
seguridad y sostenibilidad. La IA amplía el espacio de alternativas, mientras
que la tarea cognitiva principal permanece en la evaluación.
La experiencia preuniversitaria documentada por Sánchez
Muñoz et al. (2025) resulta ilustrativa: la IA generativa se integró dentro de
actividades de pensamiento computacional y aprendizaje activo en las que los
estudiantes podían probar hipótesis y revisar estrategias. Los autores subrayan
la necesidad de una interacción reflexiva y de desarrollar vigilancia
epistemológica frente a los resultados de los modelos.
La promoción de estas capacidades exige introducir lo que
podría denominarse fricción cognitiva intencional: diseñar momentos en
los que el estudiante no pueda limitarse a aceptar la primera respuesta
disponible. Debe comparar, justificar, corregir, explicar o defender. En un
entorno donde obtener información es cada vez más sencillo, el valor educativo
se desplaza hacia las capacidades necesarias para determinar qué información
merece confianza y cómo transformarla en conocimiento.
Por ello, creatividad, pensamiento crítico y resolución de
problemas no constituyen resultados automáticos de utilizar tecnología
avanzada. Emergen cuando el diseño obliga al estudiante a mantener agencia
intelectual. La IA puede ampliar posibilidades, proporcionar interlocutores y
acelerar la generación de alternativas; el aprendizaje depende de lo que el
estudiante hace cognitivamente con esas posibilidades.
La investigación reciente permite identificar experiencias
de integración de inteligencia artificial en distintos niveles de enseñanza,
aunque la evidencia continúa distribuida de manera desigual. Esta situación
exige evitar generalizaciones. Una práctica efectiva en estudiantes
universitarios no necesariamente puede trasladarse sin modificaciones a la
educación primaria, y una experiencia desarrollada en una disciplina
tecnológica puede producir resultados diferentes cuando se aplica en
humanidades o ciencias sociales.
En educación primaria, el trabajo de Jauhiainen y
Garagorry Guerra (2024) constituye un ejemplo de integración estructurada. Los
autores utilizaron materiales personalizados mediante IA generativa con 110
estudiantes de cuarto a sexto grado. La herramienta fue incorporada dentro de
una secuencia previamente diseñada y supervisada, y los contenidos fueron
adaptados según niveles de conocimiento. La experiencia resulta relevante
porque muestra que, en edades tempranas, la IA puede actuar fundamentalmente a
través de materiales preparados y mediados por adultos, sin exigir
necesariamente una interacción libre e ilimitada del niño con un sistema
generativo.
La evidencia general en educación escolar todavía debe
interpretarse con precaución. Alfarwan (2025), en una revisión sistemática de
30 estudios empíricos sobre IA generativa en educación K-12, encontró que gran
parte de las investigaciones se concentra en educación secundaria superior y en
áreas STEM. El autor señala que todavía existen importantes espacios para
ampliar la investigación hacia otros niveles, disciplinas y formas de
integración en situaciones reales de enseñanza.
Los sistemas de tutoría inteligente poseen una trayectoria
investigativa más amplia en educación escolar. Como se indicó anteriormente,
Létourneau et al. (2025) encontraron resultados generalmente positivos en su
revisión de 28 estudios con 4.597 estudiantes, aunque las ventajas se redujeron
en algunas comparaciones con sistemas tutoriales no inteligentes. Este
resultado muestra la importancia de evitar atribuir cualquier mejora
exclusivamente a la presencia de IA: un sistema bien diseñado sin IA también
puede ofrecer andamiajes educativos eficaces.
En educación secundaria y preuniversitaria, los sistemas
generativos pueden incorporarse progresivamente como herramientas de
interacción directa, siempre que exista orientación sobre verificación,
privacidad, autoría y uso responsable. El estudio de Sánchez Muñoz et al.
(2025), desarrollado en un curso de proyectos de ingeniería, muestra una
utilización de IA como mediador para pensamiento computacional, solución de
problemas y experimentación. En este nivel adquiere especial importancia que
las actividades exijan justificar decisiones y verificar la información en
lugar de utilizar la tecnología únicamente para producir respuestas.
En educación superior, la evidencia disponible es
considerablemente mayor. Existen experiencias relacionadas con tutoría,
escritura, programación, ciencias, aprendizaje basado en problemas y
autorregulación. El ensayo de Kestin et al. (2025) en física universitaria
muestra el potencial de un tutor construido explícitamente con principios
pedagógicos, mientras que Lee et al. (2024) demuestran que modificar la
interacción para proporcionar pistas en lugar de respuestas puede favorecer
capacidades cognitivas superiores.
Omeh y Ayanwale (2025) aportan otra perspectiva mediante
la integración de IA en aprendizaje basado en problemas aplicado a programación
de robótica. Sus resultados apoyan la posibilidad de combinar IA con
metodologías activas cuando la tecnología cumple funciones de apoyo y
personalización y no desplaza la participación del estudiante.
La investigación específica en educación científica
muestra también un panorama diverso. Almasri (2024) revisó 74 investigaciones
empíricas y encontró aplicaciones relacionadas con mejora del entorno de
aprendizaje, elaboración de cuestionarios, evaluación y predicción del
desempeño, entre otras funciones. La variedad de aplicaciones confirma que la
IA no representa una metodología única, sino un conjunto de tecnologías que
pueden integrarse mediante diseños pedagógicos muy diferentes.
En formación y práctica docente, los estudios
proporcionados para esta obra muestran experiencias en las que profesores
combinan aprendizaje activo, colaboración, proyectos, entornos híbridos y
herramientas de IA. Pineda et al. (2024) identificaron que las actividades
incluyeron cuestionarios, infografías, trabajos grupales, debates y diferentes
materiales, con usos orientados a personalización, retroalimentación y
organización de espacios de aprendizaje. Los participantes reconocían
simultáneamente la necesidad de fortalecer su formación formal para avanzar
desde un manejo básico o intermedio hacia integraciones más fundamentadas.
Tabla 7 Orientaciones para la integración
pedagógica de IA según nivel educativo
|
Nivel educativo
|
Aplicaciones con evidencia
reciente
|
Prioridad del diseño pedagógico
|
Precauciones principales
|
|
Educación primaria
|
Adaptación de textos, preguntas,
materiales visuales y apoyo tutorial estructurado.
|
Mediación docente intensa,
actividades breves, materiales previamente revisados y objetivos concretos.
|
Edad del estudiante, privacidad,
comprensión de la naturaleza de la IA y limitación de interacciones autónomas
no supervisadas.
|
|
Educación secundaria
|
Resolución de problemas, apoyo STEM, escritura, proyectos,
programación y exploración guiada.
|
Desarrollo progresivo de alfabetización en IA, comprobación de
información y documentación del proceso.
|
Dependencia, integridad académica, fuentes falsas, protección de datos
y desigualdad de acceso.
|
|
Educación superior
|
Tutoría, retroalimentación,
simulaciones, PBL, investigación inicial, análisis, creación y revisión de
recursos.
|
Integración disciplinar, tareas
auténticas, pensamiento de orden superior y autonomía responsable.
|
Externalización cognitiva,
autoría, confiabilidad especializada y redefinición de las evaluaciones.
|
|
Formación docente
|
Planificación, diseño de materiales, personalización, análisis de
actividades y experimentación pedagógica.
|
Desarrollo simultáneo de capacidades técnicas, pedagógicas, críticas y
éticas.
|
Evitar capacitación exclusivamente instrumental y garantizar
acompañamiento institucional continuo.
|
Fuente. Elaboración propia a partir de Alfarwan
(2025), Jauhiainen y Garagorry Guerra (2024), Kestin et al. (2025), Lee et al.
(2024), Létourneau et al. (2025), Pineda et al. (2024) y Sánchez Muñoz et al.
(2025).
A pesar de las diferencias entre niveles, la evidencia
revisada permite identificar algunos principios comunes. La primera buena
práctica consiste en partir de un problema pedagógico real, en lugar de
introducir IA por novedad. La segunda es delimitar claramente el papel de la
tecnología y el del estudiante. La tercera implica proporcionar orientación y
andamiajes suficientes. La cuarta requiere revisar los resultados generados. La
quinta consiste en recoger evidencias que permitan determinar si la experiencia
mejora realmente el aprendizaje. Finalmente, cualquier aplicación debe
considerar privacidad, equidad, transparencia y supervisión humana.
Resulta igualmente recomendable iniciar integraciones
nuevas mediante experiencias acotadas y evaluables. Una actividad piloto
permite observar cómo reaccionan los estudiantes, qué problemas aparecen y qué
modificaciones necesita el diseño antes de extenderlo. Esta lógica de
experimentación reflexiva resulta particularmente adecuada en un campo que
evoluciona con rapidez y en el que las características de las herramientas
pueden cambiar incluso durante un mismo periodo académico.
Las buenas prácticas tampoco deberían medirse
exclusivamente por satisfacción o entusiasmo. La novedad tecnológica puede
generar motivación inicial sin necesariamente producir aprendizajes duraderos.
Por ello, resulta necesario recopilar evidencias relacionadas con comprensión,
transferencia, calidad del razonamiento, autonomía y logro de los objetivos
previstos. La evaluación sistemática de las experiencias permite distinguir
entre innovación tecnológica e innovación pedagógica.
En síntesis, el diseño de experiencias de enseñanza y
aprendizaje mediadas por inteligencia artificial exige combinar las
posibilidades de automatización y generación con principios pedagógicos que
mantengan al estudiante como agente activo. La IA puede personalizar
materiales, proporcionar pistas, generar simulaciones, ampliar alternativas,
facilitar la producción de recursos y apoyar metodologías activas. Sin embargo,
ninguna de estas posibilidades garantiza aprendizaje por sí misma. La calidad
depende de la relación entre objetivo, actividad cognitiva, intervención
tecnológica, mediación docente y evaluación.
La pregunta esencial para el diseñador pedagógico no
debería ser cuánto puede realizar la inteligencia artificial, sino cuánto y de
qué manera debe intervenir para que el estudiante aprenda mejor. Desde esta
perspectiva, una experiencia de calidad es aquella en la que la tecnología
amplía oportunidades sin desplazar la reflexión, la creatividad, la
responsabilidad y la construcción personal y colectiva del conocimiento.
Esta relación entre diseño, actividad y evidencia conduce directamente
al Capítulo 4, dedicado a la evaluación del aprendizaje en tiempos de
inteligencia artificial. Allí será necesario examinar cómo las herramientas
generativas transforman la evaluación diagnóstica, formativa y sumativa; qué
posibilidades existen para generar instrumentos y retroalimentación; cómo debe
abordarse la autoría de los trabajos académicos; y qué estrategias permiten
valorar aprendizajes auténticos cuando la IA forma parte del entorno habitual
del estudiante.
CAPÍTULO IV.
La evaluación constituye uno de los componentes del
proceso educativo que experimenta mayores transformaciones como consecuencia de
la expansión de la inteligencia artificial generativa. La capacidad de sistemas
como los grandes modelos de lenguaje para producir textos, resolver problemas,
analizar información, formular explicaciones y generar código modifica las
condiciones bajo las cuales tradicionalmente se han interpretado determinadas
evidencias de aprendizaje. Un ensayo elaborado fuera del aula, una respuesta
escrita o incluso algunos ejercicios de programación ya no permiten asumir
automáticamente que el producto presentado refleja de manera directa y
exclusiva las capacidades del estudiante.
Esta transformación no implica que las formas
tradicionales de evaluación hayan perdido completamente su utilidad, sino que
obliga a reconsiderar qué se pretende evaluar, qué evidencias permiten
demostrar el aprendizaje y de qué manera puede distinguirse entre el desempeño
del estudiante y la contribución de herramientas inteligentes. La revisión de
Xia et al. (2024), basada en 32 estudios empíricos sobre IA generativa y
evaluación en educación superior, identifica la necesidad de evolucionar hacia
prácticas que desarrollen autorregulación, responsabilidad, integridad,
pensamiento crítico y capacidad para interactuar con sistemas de IA. Los
autores también señalan que esta transformación requiere fortalecer la
alfabetización evaluativa y digital del profesorado, además de revisar las
políticas institucionales.
La inteligencia artificial introduce, simultáneamente,
nuevas posibilidades dentro de la evaluación. Puede apoyar la generación de
preguntas y situaciones problemáticas, facilitar evaluaciones adaptativas,
proporcionar retroalimentación preliminar, analizar grandes cantidades de
información procedente de actividades de aprendizaje e identificar patrones que
podrían orientar la intervención docente. Los documentos examinados para esta
obra muestran precisamente que la IA se está vinculando con personalización,
retroalimentación automática y analítica del desempeño, aunque las competencias
docentes relacionadas con evaluación mediada por sistemas inteligentes todavía
presentan un desarrollo desigual.
El desafío consiste, por tanto, en evitar dos extremos. El
primero sería rechazar cualquier uso de IA en la evaluación y conservar
procedimientos diseñados para un entorno tecnológico diferente. El segundo
consistiría en automatizar progresivamente la evaluación hasta convertir el
juicio pedagógico en una decisión predominantemente algorítmica. Entre ambos
extremos existe un espacio de integración responsable en el que la IA puede
ampliar la capacidad del profesorado sin sustituir su responsabilidad profesional.
La evaluación en la era de la inteligencia artificial debe
cumplir una doble finalidad. Por una parte, necesita proporcionar evidencias
suficientemente confiables de que los estudiantes alcanzaron los aprendizajes previstos.
Por otra, debe prepararlos para desenvolverse responsablemente en contextos
académicos y profesionales donde la inteligencia artificial será cada vez más
habitual. Las orientaciones recientes de TEQSA plantean precisamente la
necesidad de equilibrar la garantía del aprendizaje con la preparación de los
estudiantes para un futuro en el que la IA generativa estará integrada en
numerosas actividades profesionales (Lodge et al., 2025).
Desde esta perspectiva, el presente capítulo analiza cómo
la inteligencia artificial está modificando la evaluación diagnóstica,
formativa y sumativa; qué posibilidades ofrece para diseñar instrumentos y
proporcionar retroalimentación; cómo puede utilizarse la analítica del
aprendizaje; y de qué forma resulta necesario repensar la autoría, la
originalidad, la evaluación auténtica y la confiabilidad de las decisiones
automatizadas.
La inteligencia artificial generativa modifica una premisa
que durante mucho tiempo estuvo implícita en numerosas prácticas evaluativas:
la existencia de una relación relativamente directa entre el producto entregado
y el conocimiento o esfuerzo intelectual de quien lo presenta. Cuando un
sistema puede producir en segundos un ensayo, una explicación, una solución
matemática o una pieza de código razonablemente estructurada, el producto final
deja de ser suficiente, en determinados contextos, para inferir cómo se
construyó el aprendizaje.
La respuesta educativa no debería consistir únicamente en
incrementar los mecanismos de vigilancia. La cuestión de fondo es de validez
evaluativa: si una actividad ya no permite demostrar con suficiente claridad la
competencia que pretendía medir, el problema se encuentra también en el diseño
de la evaluación. Xia et al. (2024) sostienen que las evaluaciones deben
evolucionar hacia tareas que otorguen mayor importancia al proceso, al
pensamiento de orden superior, a la interpretación de datos, la resolución de
problemas y la aplicación del conocimiento en situaciones complejas.
Una primera transformación consiste en pasar de una
evaluación centrada predominantemente en el producto hacia otra que considere
producto y proceso. El resultado final sigue siendo relevante, pero adquieren
valor adicional las versiones preliminares, decisiones tomadas, fuentes
consultadas, modificaciones realizadas y argumentaciones mediante las cuales el
estudiante explica cómo llegó a determinada solución. Este enfoque no tiene
como único propósito detectar IA; permite obtener evidencias más ricas sobre
cómo aprende la persona.
La segunda transformación corresponde al desplazamiento
desde tareas centradas en la reproducción de conocimiento hacia actividades de
aplicación, transferencia y juicio. Cuando la información básica puede
obtenerse fácilmente mediante sistemas generativos, cobra mayor importancia
determinar si el estudiante puede utilizarla para interpretar un caso, resolver
una situación novedosa, comparar alternativas, defender una decisión o detectar
errores. Kaldaras et al. (2024) sostienen que la evaluación contemporánea
necesita avanzar hacia mediciones capaces de representar la aplicación del
conocimiento en problemas y fenómenos del mundo real, al tiempo que advierten
que cualquier evaluación desarrollada o puntuada mediante IA debe aportar
evidencia de validez respecto del constructo que pretende medir.
Una tercera transformación afecta a la temporalidad.
Frente a evaluaciones aisladas realizadas en un único momento, adquieren
relevancia diseños que recojan evidencias distribuidas a lo largo del proceso.
Portafolios, entregas progresivas, conversaciones, presentaciones, diarios
reflexivos, actividades prácticas y revisiones permiten observar el desarrollo
del estudiante desde distintas perspectivas. Esto reduce la dependencia de un
único producto y favorece una interpretación más completa del aprendizaje.
La cuarta transformación corresponde a la relación entre
estudiante e IA. En determinados contextos, la evaluación puede mantener
espacios expresamente libres de IA cuando resulte necesario demostrar
conocimientos o habilidades autónomas; en otros, puede resultar pedagógicamente
más pertinente permitir la utilización de sistemas generativos y evaluar
precisamente la capacidad para dirigirlos, comprobarlos, corregirlos y
responsabilizarse de sus resultados. La elección depende de los resultados de
aprendizaje y no debería establecerse de manera uniforme para todas las
asignaturas.
Tabla 8 Transformaciones de la evaluación educativa
en escenarios mediados por Inteligencia Artificial
|
Dimensión
|
Enfoque
predominantemente tradicional
|
Orientación
en contextos con IA generativa
|
|
Evidencia
principal
|
Producto final
|
Producto, proceso y
justificación de decisiones
|
|
Demostración
del aprendizaje
|
Reproducción y aplicación de
contenidos
|
Aplicación, transferencia,
análisis, juicio y creación
|
|
Temporalidad
|
Evaluaciones puntuales
|
Evidencias progresivas y
trianguladas
|
|
Uso
tecnológico
|
Frecuentemente externo a la
evaluación
|
Uso permitido, limitado o
requerido según el objetivo
|
|
Autoría
|
Inferida principalmente
desde el producto
|
Evidenciada mediante
trazabilidad, reflexión y responsabilidad
|
|
Retroalimentación
|
Generalmente posterior y
periódica
|
Más frecuente, iterativa y
potencialmente apoyada por IA
|
|
Rol
docente
|
Diseñador y calificador
|
Diseñador, mediador,
verificador e intérprete de múltiples evidencias
|
|
Integridad
académica
|
Énfasis en prevenir copia o
plagio
|
Énfasis adicional en
transparencia, declaración del uso de IA y responsabilidad intelectual
|
|
Evidencia
de competencia
|
Una o pocas tareas
|
Combinación de desempeño
escrito, oral, práctico, reflexivo y aplicado
|
Fuente. Elaboración propia a partir de Xia et al.
(2024), Kaldaras et al. (2024) y Lodge et al. (2025).
La tabla muestra que la transformación no consiste
simplemente en sustituir instrumentos tradicionales por herramientas
automatizadas. Se trata de reconsiderar qué evidencias resultan suficientes en
un entorno donde las capacidades generativas forman parte del contexto de
aprendizaje. Un examen escrito, un ensayo o una prueba objetiva pueden
continuar siendo pertinentes, pero su elección debe justificarse a partir de
aquello que realmente se desea medir.
Estas modificaciones exigen mayor alfabetización
evaluativa del profesorado. El estudio documental de Pita-Briones et al. (2025)
señala que la evaluación mediada por IA y la interpretación de analíticas
constituyen todavía áreas menos desarrolladas dentro de las competencias
digitales docentes específicas. Por ello, la transformación de los instrumentos
debe estar acompañada por formación profesional suficiente para comprender qué
decisiones pueden recibir asistencia automatizada y cuáles requieren necesariamente
juicio humano.
Las posibilidades y riesgos de la inteligencia artificial
varían considerablemente según la función que desempeña la evaluación. No posee
las mismas consecuencias utilizar IA para identificar dificultades iniciales
que emplearla para asignar una calificación definitiva de la cual depende la
aprobación de una asignatura. Esta diferencia obliga a establecer niveles de
supervisión proporcionales a la trascendencia de las decisiones.
La evaluación diagnóstica puede beneficiarse de la
capacidad de los sistemas para generar preguntas diferenciadas, organizar
respuestas e identificar patrones preliminares. Un profesor podría proporcionar
al sistema respuestas anonimizadas de un grupo y solicitar una clasificación
inicial de errores frecuentes, para posteriormente comprobarla mediante su
conocimiento disciplinar. También puede utilizarse para generar actividades con
niveles de dificultad distintos o explorar posibles conocimientos previos necesarios
para iniciar una unidad.
Sin embargo, un diagnóstico automatizado no debería
convertirse en una etiqueta permanente. El comportamiento del estudiante en una
actividad concreta no representa la totalidad de sus capacidades. Los
algoritmos trabajan con indicadores parciales y pueden omitir factores
contextuales, lingüísticos o emocionales. La información generada debe
funcionar como una señal que orienta nuevas observaciones y no como una
sentencia definitiva sobre el potencial de la persona.
La evaluación formativa constituye probablemente uno de
los espacios de mayor potencial para la IA debido a que su finalidad
fundamental consiste en proporcionar información durante el proceso para
favorecer la mejora. Los modelos generativos pueden ofrecer comentarios
inmediatos, solicitar explicaciones, generar preguntas complementarias y
proporcionar pistas antes de que el estudiante alcance un producto definitivo.
Xia et al. (2024) identifican precisamente la retroalimentación inmediata y
diversa y la autoevaluación entre las principales oportunidades de la IA
generativa dentro de la evaluación.
Investigaciones recientes respaldan determinadas
aplicaciones formativas. Mahapatra (2024), en un estudio de intervención con
estudiantes universitarios de inglés como segunda lengua, encontró mejoras
significativas en habilidades de escritura asociadas con el empleo de ChatGPT
como recurso de apoyo y retroalimentación. Estos resultados son relevantes,
pero deben interpretarse dentro del contexto concreto de la intervención y no
como prueba de que cualquier forma de retroalimentación generativa produce
automáticamente mejores aprendizajes.
Steinert et al. (2024) plantean asimismo que los modelos
de lenguaje pueden emplearse para construir asistentes de aprendizaje
fundamentados en principios de evaluación formativa y autorregulación. La
contribución relevante de esta perspectiva consiste en diseñar el
comportamiento del sistema de acuerdo con una lógica pedagógica previamente
establecida, en lugar de asumir que un chatbot genérico posee por sí mismo las
características de un tutor educativo.
La evaluación sumativa plantea exigencias diferentes
porque sus resultados pueden determinar calificaciones, certificaciones o
decisiones de progresión. La IA puede ayudar a organizar información, aplicar
preliminarmente una rúbrica o señalar elementos que requieren revisión, pero
cuanto mayores sean las consecuencias de la decisión, mayor debe ser la
supervisión humana. Kortemeyer (2024), al analizar el desempeño de GPT-4 en
calificación automatizada de respuestas cortas, encontró que un modelo general
puede alcanzar resultados comparables con determinados enfoques especializados
en algunas tareas, pero no supera necesariamente a modelos entrenados
específicamente para la evaluación. La evidencia refuerza la necesidad de
validar cada sistema en el contexto concreto antes de confiarle decisiones
sumativas.
Tabla 9 Funciones y criterios de supervisión de la
IA según el tipo de evaluación
|
Tipo de
evaluación
|
Posibles
aplicaciones de IA
|
Principal
valor educativo
|
Riesgo
principal
|
Supervisión
recomendada
|
|
Diagnóstica
|
Generación de preguntas,
identificación preliminar de dificultades, clasificación de errores,
adaptación inicial.
|
Obtener información
temprana para orientar la enseñanza.
|
Etiquetar al estudiante a
partir de datos incompletos o interpretaciones erróneas.
|
Revisión docente y
contraste con otras evidencias.
|
|
Formativa
|
Retroalimentación, pistas,
preguntas, autoevaluación, revisión iterativa, práctica personalizada.
|
Aumentar frecuencia y
oportunidad de la orientación durante el aprendizaje.
|
Retroalimentación incorrecta,
genérica o descontextualizada; dependencia.
|
Supervisión pedagógica,
especialmente en contenidos especializados.
|
|
Sumativa
|
Apoyo al análisis de
respuestas, aplicación preliminar de rúbricas, clasificación y asistencia en
calificación.
|
Facilitar el procesamiento
de grandes cantidades de evidencia.
|
Errores con consecuencias
académicas, inconsistencia, sesgo y pérdida de validez.
|
Supervisión humana
elevada; no delegar decisiones críticas únicamente al sistema.
|
Fuente.
Elaboración propia con base en Xia et al. (2024),
La distinción fundamental que muestra la tabla puede
sintetizarse mediante un principio de proporcionalidad: a mayor impacto de una
decisión evaluativa sobre la trayectoria del estudiante, mayor exigencia de
validación y supervisión humana. Una respuesta automatizada utilizada como
sugerencia para mejorar un borrador admite más incertidumbre que una
calificación que determina la aprobación de una asignatura.
Los documentos aportados para este libro respaldan la
posibilidad de utilizar la IA para reducir el tiempo dedicado a determinadas
tareas evaluativas y proporcionar retroalimentación más inmediata, pero también
muestran que los propios docentes reconocen necesidades de capacitación para
hacerlo de manera adecuada. En consecuencia, el ahorro de tiempo no debe
convertirse en el principal indicador de calidad del sistema; la prioridad
continúa siendo la validez educativa de las decisiones.
La capacidad generativa de los modelos de lenguaje permite
producir rápidamente preguntas, problemas, casos, escalas, rúbricas y
descriptores de desempeño. Esta posibilidad puede disminuir el tiempo necesario
para crear borradores y ampliar el repertorio de situaciones evaluativas
disponibles. Sin embargo, existe una diferencia fundamental entre generar un
instrumento y construir una evaluación válida.
El diseño debe comenzar con el aprendizaje que se pretende
medir. Antes de solicitar preguntas a un sistema generativo, el docente
necesita identificar el resultado de aprendizaje, el tipo de desempeño esperado
y las evidencias observables que permitirán determinar el nivel alcanzado. Solo
después tiene sentido utilizar IA para explorar alternativas de preguntas o
situaciones. Si el proceso comienza únicamente con una instrucción como “genera
un examen de veinte preguntas”, existe el riesgo de producir un conjunto
aparentemente correcto pero desalineado con el currículo o con un nivel
cognitivo inadecuado.
Kaldaras et al. (2024) advierten precisamente que los
instrumentos generados mediante IA necesitan demostrar alineación con el
dominio y los constructos que se pretende evaluar. Los autores plantean que las
preguntas generadas deben ser revisadas por personas competentes para comprobar
su correspondencia con las expectativas de desempeño y documentar las
modificaciones realizadas.
Las rúbricas pueden recibir un apoyo semejante. Un sistema
generativo puede proponer criterios y niveles de desempeño a partir de los
resultados de aprendizaje proporcionados por el docente. Sin embargo, los
descriptores necesitan revisarse para determinar si son observables,
diferenciables y relevantes. Términos vagos como “excelente”, “bueno” o
“insuficiente” aportan poco si no se encuentran acompañados por indicadores que
expliquen qué características concretas permiten ubicar un desempeño en cada nivel.
Una estrategia profesional consiste en proporcionar al
modelo los resultados de aprendizaje, la naturaleza de la actividad, el
contexto, el nivel educativo y una primera definición humana de los criterios.
El sistema puede entonces ayudar a desarrollar descriptores preliminares.
Posteriormente, el docente revisa posibles solapamientos, comprueba que los
criterios no valoren aspectos irrelevantes y verifica que el peso asignado a
cada dimensión corresponda con su importancia curricular.
La IA también puede facilitar la creación de versiones
alternativas de un instrumento, pero la variación automática no garantiza
equivalencia. Dos problemas aparentemente similares pueden exigir niveles muy
diferentes de razonamiento; una modificación pequeña de cifras o condiciones
puede cambiar significativamente la dificultad. Por tanto, cuando varias
versiones se utilizan para tomar decisiones comparables, resulta necesario
comprobar que representen adecuadamente el mismo constructo.
En evaluaciones abiertas, el sistema puede generar casos,
situaciones profesionales, datos ficticios o dilemas que posteriormente sean
utilizados para evaluar aplicación y razonamiento. Esta capacidad resulta
especialmente útil cuando se necesitan múltiples escenarios. Sin embargo,
cualquier caso que involucre información disciplinar debe someterse a revisión
para evitar errores factuales, contradicciones internas o situaciones poco
realistas.
La participación de la IA en el diseño no elimina tampoco
la necesidad de pilotaje. Un instrumento puede parecer adecuado al
docente y al sistema generativo y, sin embargo, producir problemas cuando es
aplicado. La respuesta real de los estudiantes aporta información sobre
dificultad, claridad, discriminación, tiempo de resolución y posibles
interpretaciones no previstas.
El uso responsable de IA en este ámbito puede entenderse,
por tanto, como un proceso de co-diseño: la tecnología amplía las alternativas
y acelera la producción de borradores, mientras que el profesional conserva la
responsabilidad sobre los resultados de aprendizaje, criterios, validez,
dificultad y decisión final. Esta distribución de funciones permite aprovechar
la generación automática sin confundir productividad con calidad evaluativa.
La retroalimentación constituye uno de los componentes más
relevantes de la evaluación formativa porque permite al estudiante comprender
la distancia entre su desempeño actual y el esperado, identificar qué aspectos
requieren modificación y orientar las acciones posteriores. La inteligencia
artificial ofrece la posibilidad de aumentar significativamente la frecuencia
con que esta información puede proporcionarse, especialmente cuando los grupos
son numerosos.
Una ventaja evidente es la inmediatez. El estudiante puede
recibir observaciones mientras todavía se encuentra trabajando sobre la tarea,
en lugar de esperar varios días hasta que el docente pueda revisar todos los
productos. Pineda et al. (2024) identifican entre las experiencias docentes
analizadas la utilización de herramientas de IA para apoyar evaluación y
retroalimentación, destacando su potencial para optimizar parte del tiempo
destinado a estos procesos.
La personalización constituye otra posibilidad. Un sistema
puede ajustar el contenido del comentario a la respuesta presentada y generar
explicaciones, preguntas o ejemplos adicionales. Sin embargo, la calidad de la
retroalimentación no debe medirse por su longitud. Una respuesta extensa puede
resultar menos útil que una observación breve que identifica con precisión el
error, explica por qué ocurre y propone una acción concreta para mejorar.
Saez et al. (2026), en una evaluación de varios modelos de
lenguaje aplicados a trabajos universitarios reales, encontraron que la
retroalimentación generada podía ser informativa y ofrecer sugerencias útiles,
pero que frecuentemente carecía de profundidad contextual. En la revisión
realizada por docentes, también se detectaron errores sutiles y razonamientos
metodológicos que los modelos no reconocieron. Los autores concluyen que los
sistemas resultan más apropiados dentro de esquemas híbridos en los que la IA
produce un borrador y el profesor valida su adecuación pedagógica.
Este hallazgo resulta importante porque la
retroalimentación docente posee información contextual que no siempre está
disponible para el sistema. El profesor conoce los contenidos trabajados, las
instrucciones dadas, dificultades anteriores, características del grupo y
propósito exacto de la actividad. Un modelo que solamente recibe el producto y
una rúbrica puede generar observaciones técnicamente razonables pero
desalineadas con el proceso seguido en el aula.
La retroalimentación generativa también puede utilizarse
como primer nivel de apoyo, reservando la intervención directa del docente para
aspectos complejos. Por ejemplo, el sistema podría señalar problemas formales o
solicitar al estudiante que revise determinada parte de una argumentación,
mientras que el profesor concentra su atención en la calidad conceptual,
originalidad, razonamiento o dificultades persistentes. Esta distribución puede
mejorar la escalabilidad sin transferir completamente la función evaluativa.
Otra posibilidad consiste en enseñar al estudiante a
evaluar la propia retroalimentación. En lugar de aceptar automáticamente todos
los comentarios del sistema, puede solicitarse que clasifique cuáles resultan
pertinentes, cuáles son discutibles y cuáles deben rechazarse, justificando
cada decisión. Esta dinámica desarrolla simultáneamente conocimiento
disciplinar y alfabetización en IA.
La retroalimentación puede adquirir así una naturaleza
dialógica. El estudiante recibe un comentario, responde, reformula su trabajo,
solicita aclaraciones y vuelve a revisar. Steinert et al. (2024) destacan
precisamente la posibilidad de construir asistentes generativos fundamentados
en principios de aprendizaje autorregulado que proporcionen orientación durante
el proceso, en lugar de limitarse a emitir un juicio al final.
El docente debe conservar, no obstante, un papel de
supervisión. Xia et al. (2024) señalan que los sistemas generativos pueden
utilizar criterios distintos de los aplicados en una asignatura y carecer del
conocimiento contextual necesario para proporcionar siempre comentarios
pertinentes. La revisión concluye que, a pesar de su potencial, la
retroalimentación generativa no reemplaza el juicio profesional del profesor.
Por tanto, la contribución más valiosa de la
automatización no consiste en sustituir toda retroalimentación humana, sino en
construir un sistema complementario de orientación. La IA puede aumentar
frecuencia, velocidad y disponibilidad; el docente aporta contextualización,
sensibilidad pedagógica, conocimiento profundo de la disciplina y capacidad
para interpretar la trayectoria del estudiante.
La analítica del aprendizaje comprende la recopilación,
procesamiento e interpretación de información producida durante las actividades
educativas con el propósito de comprender y mejorar los procesos de
aprendizaje. Las plataformas digitales generan numerosos registros: accesos,
entregas, resultados, secuencias de navegación, tiempo de interacción y
participación en determinadas actividades. La inteligencia artificial permite
analizar grandes volúmenes de estos datos e identificar patrones que serían
difíciles de reconocer manualmente.
La utilidad principal de esta información radica en
convertir datos dispersos en señales potencialmente accionables. Un sistema
puede identificar una disminución progresiva de la participación, errores
recurrentes en determinados contenidos o patrones semejantes a los observados
en estudiantes que anteriormente experimentaron dificultades. Estas señales
pueden ayudar al docente a intervenir de forma más temprana.
Borna et al. (2024) analizaron datos de interacción de más
de 32.000 estudiantes procedentes del Open University Learning Analytics
Dataset. Los modelos estudiados pudieron identificar con resultados útiles a
estudiantes en riesgo de abandonar, aunque mostraron mayores dificultades para
predecir de manera precisa el alto rendimiento. Los autores señalan que
variables como motivación y comportamiento de estudio podrían ser necesarias
para mejorar las predicciones.
El resultado ejemplifica una limitación fundamental: los
datos disponibles representan solamente una parte del aprendizaje. El número de
clics, tiempo de conexión o frecuencia de acceso pueden relacionarse con
determinadas conductas, pero no equivalen directamente a comprensión. Un
estudiante puede permanecer conectado durante mucho tiempo sin aprender,
mientras que otro puede utilizar menos una plataforma y desarrollar sus
actividades mediante otras estrategias.
Por ello, resulta importante distinguir entre descripción,
predicción y decisión. Una analítica puede describir que un estudiante ha
participado menos durante las últimas semanas. Un modelo puede estimar que ese
patrón se asocia con mayor probabilidad de abandono. Ninguno de esos resultados
determina automáticamente qué debe hacerse. La decisión sobre cómo intervenir
requiere contextualización, conversación con el estudiante y conocimiento
pedagógico.
Los documentos analizados para esta obra subrayan esta
responsabilidad. Pita-Briones et al. (2025) señalan que el profesorado necesita
capacidades para interpretar las analíticas con criterios pedagógicos y evitar
una dependencia acrítica de las recomendaciones automatizadas. Los mismos
autores identifican la interpretación de datos y la evaluación mediada por IA
entre las competencias específicas que todavía requieren fortalecimiento.
Pineda et al. (2024) documentan igualmente el uso docente
de plataformas de análisis para observar rendimiento y ajustar contenidos a las
necesidades identificadas. Este tipo de utilización muestra el potencial de la
analítica cuando la información se convierte en un insumo para la planificación
y no en un mecanismo automático de clasificación.
La calidad de las decisiones depende también de la calidad
de los datos. Información incompleta, registros incorrectos o variables que
favorezcan sistemáticamente a determinados perfiles pueden producir inferencias
distorsionadas. Cuanto mayor sea la influencia de una analítica sobre
decisiones de evaluación, orientación o intervención, mayor debe ser la
exigencia respecto de su confiabilidad.
La toma de decisiones basada en datos no significa
reemplazar la observación y el juicio profesional por algoritmos. Significa
incorporar una nueva fuente de evidencia dentro de un proceso más amplio de
interpretación. El principio pedagógico debe ser la triangulación: combinar
analíticas, desempeño académico, observación docente, información cualitativa y
comunicación con el propio estudiante.
La protección de datos añade otra responsabilidad
fundamental. La analítica puede procesar información detallada sobre
comportamientos y rendimiento; por ello, su utilización debe respetar
principios de necesidad, proporcionalidad, seguridad y transparencia. Las
implicaciones éticas y de privacidad serán desarrolladas con mayor profundidad
en el capítulo 5.
La expansión de la inteligencia artificial ha reforzado la
necesidad de evaluar lo que el estudiante puede hacer con su conocimiento y no
exclusivamente aquello que puede reproducir. Esta orientación conecta
directamente con la evaluación de competencias, entendida como valoración
integrada de conocimientos, habilidades, actitudes y capacidad para actuar ante
situaciones contextualizadas.
Una competencia compleja difícilmente puede observarse
mediante una única respuesta. Resolver un problema profesional, elaborar una
propuesta, realizar un diagnóstico, interpretar datos o defender una decisión
exige movilizar diferentes recursos. La evaluación necesita, en consecuencia,
recoger evidencias diversas y aproximarse a situaciones que representen
razonablemente los contextos en los que el conocimiento será utilizado.
La evaluación auténtica adquiere especial relevancia en
este escenario. Peters y Angelov (2025) señalan que puede adoptar formas como
proyectos, estudios de caso, resolución de problemas, investigaciones,
simulaciones, presentaciones orales, crítica y análisis de datos reales. Los
autores proponen este enfoque como una vía para promover simultáneamente
creatividad e integridad en contextos donde la IA generativa forma parte de las
herramientas disponibles.
La autenticidad no significa necesariamente excluir la
inteligencia artificial. En muchas profesiones futuras, utilizar sistemas
inteligentes será una práctica habitual. Una evaluación puede ser más auténtica
precisamente cuando permite utilizar esas herramientas, pero exige al
estudiante demostrar que sabe dirigirlas, verificar sus resultados y
responsabilizarse de sus decisiones.
Por ejemplo, en una tarea de análisis financiero podría
permitirse utilizar IA para explorar escenarios, pero el estudiante tendría que
justificar las variables utilizadas, verificar los cálculos, identificar
supuestos y defender su recomendación. En una asignatura jurídica, podría
solicitarse analizar una respuesta generada por IA y contrastarla con normativa
y jurisprudencia. En ciencias de la salud, un sistema podría generar una
propuesta inicial que el estudiante deba evaluar críticamente mediante evidencia
científica. En todos estos casos, el aprendizaje no se mide por producir más
contenido que la IA, sino por ejercer un juicio profesional que el sistema no
puede sustituir.
La defensa oral constituye un complemento especialmente
útil. Después de entregar un trabajo, el estudiante puede explicar sus
decisiones, responder preguntas, relacionar conceptos y justificar las fuentes
utilizadas. No es necesario convertir toda actividad en un examen oral; una
breve conversación puede proporcionar información valiosa sobre el grado de
apropiación intelectual del producto.
Los portafolios constituyen otra alternativa pertinente
porque permiten reunir evidencias de diferentes momentos: planteamiento
inicial, borradores, retroalimentación, modificaciones, producto final y
reflexión. Cuando la IA ha sido utilizada, pueden incorporarse las
instrucciones relevantes, los resultados seleccionados y la explicación de cómo
fueron evaluados. Esta trazabilidad convierte el uso tecnológico en un elemento
analizable del aprendizaje.
También resultan valiosas las actividades que obligan a
responder ante condiciones cambiantes. Una solución memorizada o producida
automáticamente puede ser insuficiente cuando el docente introduce una nueva
restricción, modifica datos o solicita explicar qué ocurriría bajo otro
escenario. La flexibilidad de la respuesta revela un nivel de comprensión
diferente del simple producto inicial.
La evaluación auténtica no debe interpretarse como una
estrategia infalible contra usos indebidos de IA. Peters y Angelov (2025)
advierten que incluso las tareas auténticas necesitan diseño cuidadoso y
mecanismos que hagan visible la contribución humana. Su verdadero valor reside
en que favorecen desempeños complejos, contextualizados y significativos que
proporcionan mejores evidencias de las capacidades del estudiante.
La inteligencia artificial generativa ha introducido una
distinción importante entre plagio, autoría y asistencia tecnológica. Un texto
generado mediante IA puede no coincidir literalmente con una fuente
preexistente y, por tanto, no ser detectado mediante mecanismos tradicionales
de similitud; sin embargo, presentarlo como producción intelectual propia
cuando la actividad exige trabajo personal puede constituir una vulneración de
las reglas de integridad académica.
La cuestión central es determinar quién realizó el trabajo
intelectual sustantivo y bajo qué condiciones. Si una herramienta corrige
aspectos lingüísticos menores en una actividad donde esa asistencia está
permitida, la situación es diferente de solicitarle que construya toda la
argumentación, seleccione las fuentes y redacte las conclusiones. Las
instituciones necesitan, por tanto, abandonar categorías excesivamente simples
y definir con claridad qué niveles de asistencia resultan aceptables.
Xia et al. (2024) encontraron que la integridad académica
constituye uno de los principales desafíos documentados por los estudios sobre
IA generativa y evaluación. Los autores señalan que la respuesta debe combinar
rediseño de tareas, desarrollo de responsabilidad y establecimiento de
políticas claras, en lugar de concentrarse exclusivamente en mecanismos de
detección.
La autoría académica implica responsabilidad sobre el
contenido. Independientemente de que haya utilizado una herramienta generativa,
el estudiante debe ser capaz de defender las afirmaciones presentadas,
verificar las fuentes, explicar las decisiones y responder por posibles
errores. No debería poder transferirse esa responsabilidad al sistema mediante
una afirmación equivalente a “la IA lo dijo”.
Una política educativa clara puede diferenciar distintos
escenarios: actividades en las que el uso de IA está prohibido porque se
necesita comprobar una competencia autónoma; actividades en las que puede
utilizarse para funciones delimitadas; y tareas donde su utilización forma
parte explícita del aprendizaje. Lo importante es que estas condiciones se
comuniquen antes de realizar la evaluación y que exista coherencia entre ellas
y los resultados de aprendizaje.
Cuando el uso es permitido, la declaración transparente
constituye una buena práctica. Esta puede indicar qué sistema se utilizó, para
qué función, en qué etapa del trabajo y de qué forma fueron revisados sus
resultados. No resulta necesario convertir cada interacción menor en un anexo
interminable; el nivel de documentación debe ser proporcional a la importancia
de la contribución tecnológica.
La originalidad, además, no debería reducirse a una
medición de similitud textual. Un trabajo puede presentar palabras diferentes y
carecer de contribución intelectual propia. Por el contrario, una producción
correctamente citada puede integrar ideas preexistentes y contener un análisis
genuinamente original. La evaluación debería valorar la forma en que el
estudiante interpreta, conecta, cuestiona y utiliza las fuentes.
Especial precaución merecen los detectores de texto
generado por IA. Weber-Wulff et al. (2023), tras evaluar múltiples herramientas
de detección, concluyeron que los resultados no son suficientemente confiables
para utilizarse como única evidencia de una infracción académica. Los autores
recomiendan que cualquier indicio sea complementado mediante análisis adicional
y diálogo con el estudiante.
También existen preocupaciones sobre equidad. Liang et al.
(2023) demostraron que determinados detectores evaluados en su estudio
presentaban una mayor tendencia a clasificar incorrectamente como generado por
IA el texto escrito por hablantes no nativos de inglés. Este hallazgo evidencia
el riesgo de convertir una probabilidad algorítmica en una acusación académica
sin procedimientos adicionales de verificación.
La gestión de la integridad debe desplazarse, por tanto,
desde una lógica exclusivamente detectivesca hacia una cultura de
transparencia, responsabilidad y diseño evaluativo. Esto no elimina la
necesidad de investigar posibles conductas indebidas; establece que dichas
investigaciones requieren evidencia suficiente y procedimientos justos.
El acceso cotidiano a ChatGPT y otros sistemas generativos
dificulta mantener modelos evaluativos diseñados bajo la expectativa de que el
estudiante realiza todas las tareas fuera del aula sin asistencia tecnológica
avanzada. La solución no consiste necesariamente en regresar completamente a
pruebas presenciales tradicionales, sino en construir un sistema de evaluación
más diverso que permita obtener evidencias confiables desde diferentes
actividades.
Una primera estrategia consiste en fragmentar las tareas
complejas en etapas significativas. En lugar de recibir únicamente el ensayo
final, pueden evaluarse el planteamiento del problema, selección de fuentes,
esquema argumentativo, primer borrador, revisión y reflexión final. Si la IA
está permitida, cada etapa puede especificar cómo puede utilizarse. El docente
obtiene así información sobre la evolución del trabajo y no solamente sobre su
producto final.
Una segunda estrategia consiste en incorporar actividades
de defensa y conversación. Después de entregar un informe o proyecto, puede
solicitarse al estudiante que explique una decisión, interprete una parte de
los datos o responda ante un cambio introducido por el docente. Esta dinámica
aporta evidencia adicional sobre comprensión y dificulta que un producto poco
comprendido sea suficiente para demostrar la competencia.
Una tercera alternativa es la evaluación crítica de la
propia IA. El profesor puede proporcionar una respuesta generada y pedir al
estudiante que identifique errores, compruebe fuentes, detecte supuestos,
proponga correcciones y argumente una versión alternativa. En este modelo,
disponer de IA deja de representar automáticamente una amenaza para la
evaluación y se convierte en parte del objeto evaluado.
También pueden utilizarse tareas personalizadas y
contextualizadas. Problemas vinculados con datos recogidos durante una
práctica, una experiencia de campo, un caso discutido previamente o una
situación local exigen mayor integración del conocimiento. Esto no impide
utilizar IA, pero obliga al estudiante a relacionar sus respuestas con
evidencia y contexto específico.
La evaluación multimodal ofrece posibilidades adicionales.
Una competencia puede demostrarse mediante una combinación de producto escrito,
presentación, demostración práctica, explicación oral y reflexión. TEQSA
propone actualmente enfoques programáticos en los que la garantía del
aprendizaje no dependa necesariamente de una única evaluación, sino de la
combinación estratégica de evidencias dentro de una asignatura o de un programa
formativo (Lodge et al., 2025).
Las evaluaciones auténticas permiten avanzar en la misma
dirección. Peters y Angelov (2025) plantean que proyectos, casos, simulaciones,
resolución de problemas y presentaciones pueden favorecer creatividad e
integridad, especialmente cuando el estudiante debe distinguir explícitamente
entre su propia contribución y la proporcionada por la tecnología.
Los exámenes controlados continúan siendo válidos cuando
el resultado de aprendizaje requiere demostrar una capacidad individual sin
asistencia. La transformación tecnológica no obliga a abandonar las pruebas
presenciales o supervisadas; exige utilizarlas deliberadamente y en combinación
con otras evidencias. Puede ser razonable comprobar ciertos conocimientos
fundamentales mediante una actividad individual y posteriormente evaluar la
capacidad para aplicar esos conocimientos mediante un proyecto donde la IA esté
permitida.
Otro principio importante consiste en evitar una carrera
permanente por diseñar preguntas que “ChatGPT no pueda responder”. Las
capacidades de los modelos cambian rápidamente y una tarea difícil para una
versión actual puede resolverse con facilidad pocos meses después. Resulta más
sostenible diseñar evaluaciones donde el valor académico se encuentre en
interpretar, justificar, aplicar y responsabilizarse de las decisiones,
independientemente del nivel de capacidad que alcance la herramienta.
La reforma evaluativa tampoco debe limitarse a una
asignatura. Cuando cada docente adopta reglas completamente diferentes, los
estudiantes pueden enfrentar incertidumbre respecto de lo permitido. Las
instituciones necesitan establecer principios comunes, mientras dejan
suficiente autonomía para que cada disciplina determine qué usos son
compatibles con sus resultados de aprendizaje.
La meta no debería ser construir una evaluación
completamente “a prueba de IA”, objetivo que puede resultar progresivamente
inviable. Debe diseñarse un sistema que continúe ofreciendo evidencia válida
del aprendizaje en presencia de IA, permitiendo distinguir qué capacidades debe
demostrar el estudiante de forma autónoma y cuáles debe demostrar utilizando
responsablemente herramientas contemporáneas.
En este sentido, una evaluación auténtica en contextos mediados por
inteligencia artificial requiere integrar diferentes evidencias del proceso y
del producto, así como hacer visible la forma en que el estudiante utiliza,
verifica y justifica el apoyo tecnológico. La Figura 4 sintetiza una ruta de
evaluación que articula estos componentes desde una perspectiva formativa y
responsable.
Figura 4 Ruta de evaluación auténtica en contextos
educativos con IA generativa
La posibilidad de automatizar parcialmente la evaluación
puede producir una impresión de precisión que no siempre está justificada. Una
calificación generada por un algoritmo puede presentarse mediante un número
exacto, pero esa exactitud numérica no demuestra que la decisión sea válida,
confiable o justa. La interpretación de cualquier sistema automatizado debe
considerar al menos su consistencia, alineación con los criterios,
comportamiento frente a diferentes poblaciones y sensibilidad al contexto.
La validez se refiere a si las evidencias permiten
sostener las interpretaciones y decisiones que se realizan a partir de ellas.
Si una IA asigna una calificación a un ensayo, no basta con comprobar que esa
nota se parece a la de un docente en promedio. Es necesario determinar si el
sistema está evaluando realmente las dimensiones incluidas en la rúbrica y no
características superficiales como longitud, estilo lingüístico o determinadas
expresiones.
Kaldaras et al. (2024) subrayan precisamente que los
sistemas basados en IA deben demostrar que los resultados generados se
relacionan con los mismos constructos que pretende valorar la evaluación
humana. También destacan la necesidad de estudiar posibles sesgos heredados de
los datos de entrenamiento.
La confiabilidad corresponde a la estabilidad de los
resultados. Una herramienta que evalúa el mismo producto de maneras
significativamente diferentes en momentos distintos plantea dificultades
evidentes. Bui y Barrot (2025), en un estudio con 200 ensayos argumentativos,
encontraron que las calificaciones asignadas mediante ChatGPT mostraban
solamente relaciones débiles a moderadas con las de un evaluador humano
experimentado y presentaban baja consistencia entre dos rondas de puntuación.
Los autores relacionan estas diferencias con características del modelo,
actualizaciones y aleatoriedad inherente a la generación.
Esta evidencia resulta particularmente relevante porque un
asistente conversacional de propósito general no ha sido necesariamente
diseñado como instrumento psicométrico de evaluación. Utilizar una herramienta
ampliamente conocida no garantiza que posea las características necesarias para
asignar calificaciones de alta consecuencia.
Los resultados también pueden variar considerablemente
entre modelos. Saez et al. (2026) compararon seis modelos en trabajos
universitarios reales y encontraron diferencias tanto en la aproximación a las
calificaciones humanas como en la calidad de la retroalimentación. Incluso los
sistemas con mejores resultados omitieron errores sutiles y componentes
metodológicos relevantes, lo que llevó a los investigadores a recomendar
esquemas híbridos con verificación humana.
El sesgo constituye otra preocupación. Un sistema puede
favorecer determinadas formas de escritura, estructuras lingüísticas o
perspectivas culturales si estos patrones están sobrerrepresentados en sus
datos o mecanismos de funcionamiento. Pita-Briones et al. (2025) identifican
precisamente sesgos algorítmicos, opacidad y privacidad entre los riesgos que
requieren competencias docentes críticas y éticas para seleccionar y supervisar
herramientas inteligentes.
La equidad debe analizarse también en los sistemas
destinados a identificar uso indebido de IA. Como muestra el estudio de Liang
et al. (2023), determinados detectores pueden producir resultados desfavorables
para escritores no nativos. Una decisión disciplinaria basada únicamente en una
clasificación automatizada puede, por tanto, introducir injusticias adicionales
en lugar de proteger la integridad académica.
Otra limitación corresponde a la opacidad. El docente
puede recibir una puntuación sin disponer de información suficiente para
comprender por qué se produjo. Esto resulta problemático cuando el estudiante
tiene derecho a recibir criterios claros y a solicitar revisión. Cuanto mayor
sea la trascendencia de la decisión, mayor importancia adquiere la trazabilidad
del proceso.
Los modelos generativos presentan además una
característica particularmente relevante: evolucionan. Actualizaciones
realizadas por el proveedor pueden modificar el comportamiento del sistema sin
que el docente haya cambiado su procedimiento evaluativo. Una práctica validada
con determinada versión podría producir resultados diferentes posteriormente.
Esto exige evaluaciones periódicas y evita considerar que una herramienta, una
vez probada, conservará indefinidamente el mismo desempeño.
La calidad de la retroalimentación automatizada merece
asimismo un análisis independiente de la calificación. Saez et al. (2026)
encontraron que los modelos podían generar comentarios extensos e informativos,
pero en numerosos casos carecían del nivel de profundidad contextual presente
en la valoración de los docentes. La cantidad de comentarios no debe
confundirse, por consiguiente, con calidad pedagógica.
Estas limitaciones conducen hacia un principio operativo
central: human-in-the-loop, o supervisión humana dentro del circuito de
decisión. El docente no aparece simplemente después del algoritmo para
confirmar automáticamente lo que este propone; debe disponer de autoridad y
conocimiento para revisar, modificar o rechazar el resultado. Saez et al.
(2026) consideran esta revisión experta indispensable precisamente para
comprobar profundidad contextual y pertinencia pedagógica.
La transformación de la evaluación en tiempos de
inteligencia artificial exige, en síntesis, abandonar la dicotomía entre
evaluación “tradicional” y evaluación “automatizada”. El escenario más
razonable es híbrido. Algunas competencias deberán demostrarse de manera
independiente; otras requerirán evidenciar un uso profesional de la IA; ciertos
procesos podrán automatizarse parcialmente; y las decisiones educativas
significativas continuarán necesitando responsabilidad humana.
Evaluar en la era de la IA significa construir evidencias
que permitan conocer no solamente qué produjo el estudiante, sino qué
comprende, cómo llegó a ese resultado, qué decisiones tomó, qué contribución
realizó la tecnología y hasta qué punto puede responsabilizarse
intelectualmente del trabajo presentado. Esta orientación fortalece
simultáneamente la validez evaluativa, la integridad académica y la preparación
para contextos profesionales en los que personas y sistemas inteligentes
trabajarán de manera cada vez más interdependiente.
Los desafíos relacionados con sesgos, privacidad,
transparencia, equidad, integridad y responsabilidad identificados en este
capítulo conducen directamente al Capítulo 5. Ética, inclusión y uso
responsable de la Inteligencia Artificial en educación, donde estas cuestiones
serán examinadas con mayor profundidad desde la perspectiva de los derechos de
estudiantes y docentes, la gobernanza institucional y los principios que
deberían orientar la adopción responsable de sistemas inteligentes.
CAPÍTULO V.
La incorporación de la inteligencia artificial en los
procesos educativos no constituye únicamente una transformación tecnológica o
pedagógica. Cada sistema utilizado para personalizar contenidos, analizar el
desempeño, proporcionar retroalimentación, generar materiales o apoyar
decisiones introduce también interrogantes relacionados con derechos,
responsabilidades, equidad, privacidad, autonomía y bienestar. Por esta razón,
la competencia docente frente a la IA no puede considerarse completa si carece de
una dimensión ética que permita valorar no solo qué puede hacer la tecnología,
sino también qué debería hacerse con ella, en qué condiciones y con qué
límites.
Las preocupaciones éticas adquieren especial relevancia
porque la educación trabaja directamente con personas y, con frecuencia, con
menores de edad. Las decisiones educativas pueden afectar oportunidades,
expectativas, trayectorias académicas y formas de participación. Un sistema que
clasifica estudiantes recomienda actividades, analiza comportamientos o
interviene en procesos de evaluación puede generar beneficios cuando se utiliza
adecuadamente, pero también puede amplificar errores, desigualdades o
prejuicios cuando sus resultados son aceptados sin suficiente supervisión.
La revisión sistemática de García-López y Trujillo-Liñán
(2025), que examinó 53 artículos revisados por pares, identifica entre los
desafíos centrales de la IA generativa en educación la privacidad de los datos,
el sesgo algorítmico, la desigualdad educativa, la integridad académica, la
autonomía cognitiva y la insuficiencia de marcos regulatorios. Los autores
sostienen que el aprovechamiento educativo de estas tecnologías requiere
combinar innovación con límites éticos, legales y pedagógicos claramente definidos.
Esta preocupación coincide con los documentos aportados
para la elaboración de esta obra. Pita-Briones et al. (2025) identifican la
ética y seguridad de los datos como una dimensión fundamental de la competencia
docente y advierten que, aunque existe conciencia sobre privacidad y sesgos,
persisten dificultades relacionadas con el conocimiento de procedimientos
específicos para gestionar responsablemente la información. Asimismo, German
Pimentel et al. (2025) encontraron inquietudes entre futuros docentes relacionadas
con plagio, fiabilidad de las respuestas, sesgo algorítmico y falta de
preparación ética.
El enfoque internacional está evolucionando en una
dirección semejante. UNESCO sitúa la ética como una de las cinco dimensiones
centrales de su marco de competencias docentes en IA y defiende un enfoque
centrado en el ser humano que preserve agencia, dignidad, diversidad y
responsabilidad (Miao & Cukurova, 2024). UNICEF, por su parte, plantea en
su orientación actualizada sobre IA y niñez requisitos relacionados con
seguridad, privacidad, no discriminación, transparencia, bienestar, inclusión y
rendición de cuentas.
La ética educativa frente a la inteligencia artificial,
por tanto, no debe reducirse a una lista de prohibiciones. Su función consiste
en proporcionar criterios para decidir responsablemente cuándo utilizar un
sistema, qué datos pueden procesarse, cómo valorar sus resultados, qué riesgos
deben mitigarse y qué decisiones deben permanecer bajo control humano. Esta
perspectiva permite avanzar desde un enfoque reactivo —actuar después de que
aparece un problema— hacia una lógica preventiva en la que los riesgos se
consideran desde el propio diseño de las experiencias educativas.
La utilización responsable de inteligencia artificial
requiere principios capaces de orientar decisiones en situaciones donde las
posibilidades tecnológicas pueden superar la existencia de normas
institucionales específicas. Estos principios no sustituyen las leyes
aplicables en cada jurisdicción, pero proporcionan una base profesional para
analizar prácticas y anticipar consecuencias.
Uno de los principios fundamentales es la centralidad de
la persona. La tecnología debe estar al servicio del aprendizaje y del
desarrollo humano, y no convertirse en un mecanismo que subordine las
necesidades educativas a aquello que resulta técnicamente automatizable. UNESCO
plantea que la utilización educativa de IA debe proteger la agencia humana y
asegurar que las personas conserven control sobre decisiones significativas
(Miao & Cukurova, 2024).
Este principio adquiere implicaciones concretas. Un
sistema puede recomendar que determinado estudiante reciba una actividad
diferente debido a su rendimiento anterior; sin embargo, el docente debe poder
valorar si esa recomendación resulta pertinente. La existencia de una
predicción algorítmica no elimina la necesidad de considerar circunstancias
personales, progreso reciente, contexto familiar, barreras de aprendizaje u
otras evidencias que el modelo no conoce.
La justicia y equidad representan una segunda dimensión.
Las herramientas deberían utilizarse de manera que no produzcan
discriminaciones injustificadas ni reproduzcan desigualdades previamente
existentes. Esto requiere comprobar si funcionan de manera comparable entre
grupos, idiomas y contextos y si determinados estudiantes pueden verse
sistemáticamente perjudicados por sus mecanismos de clasificación o generación.
Un tercer principio corresponde a la privacidad y
seguridad. La información educativa puede incluir datos personales, resultados
académicos, necesidades educativas específicas, producciones del estudiante y
otros registros cuya utilización debe estar claramente justificada. La
facilidad para copiar información dentro de una herramienta conversacional no
significa que resulte legítimo hacerlo.
La transparencia constituye otro componente central. Las
personas afectadas deberían saber cuándo interviene un sistema de IA, qué
función cumple y cuáles son sus principales limitaciones. La Comisión Europea,
en sus orientaciones actualizadas de 2026 para docentes, vincula expresamente
el uso responsable de IA con decisiones informadas, gestión de riesgos,
legislación aplicable y comprensión crítica de las tecnologías utilizadas.
También resulta fundamental el principio de
responsabilidad humana. La tecnología puede producir recomendaciones,
clasificaciones o contenidos, pero las decisiones educativas deben poder
atribuirse a personas o instituciones responsables. La expresión “lo decidió el
algoritmo” no debería utilizarse para diluir responsabilidades.
La proporcionalidad pedagógica añade una dimensión
específicamente educativa: el uso de IA debe guardar relación razonable con el
problema que pretende resolver. Procesar grandes cantidades de información
personal mediante un sistema complejo para ejecutar una tarea que podría
realizarse con métodos menos invasivos constituye una utilización difícil de
justificar. La innovación no debe medirse por la cantidad de IA incorporada,
sino por la calidad educativa alcanzada.
Finalmente, aparece el principio de bienestar y autonomía.
Una herramienta que incrementa eficiencia pero genera dependencia, reduce
oportunidades para desarrollar capacidades o deteriora la interacción humana
puede producir un balance educativo desfavorable. La consideración ética exige
analizar tanto los resultados inmediatos como las consecuencias potenciales de
una utilización sostenida.
Tabla 10 Principios éticos para la
integración educativa de la Inteligencia Artificial
|
Principio
|
Pregunta
orientadora
|
Implicación
educativa
|
|
Centralidad
humana
|
¿La tecnología amplía las
capacidades de docentes y estudiantes o las sustituye innecesariamente?
|
Mantener la agencia humana
y utilizar la IA como apoyo al aprendizaje.
|
|
Justicia
y no discriminación
|
¿El sistema puede afectar de
manera desigual a determinados estudiantes?
|
Revisar sesgos, resultados
diferenciados y posibles exclusiones.
|
|
Privacidad
y seguridad
|
¿Los datos utilizados son
realmente necesarios y están adecuadamente protegidos?
|
Minimizar datos, evitar
información sensible innecesaria y utilizar entornos autorizados.
|
|
Transparencia
|
¿Los usuarios saben cuándo y
para qué se utiliza IA?
|
Informar sobre su presencia,
función y principales limitaciones.
|
|
Explicabilidad
|
¿Puede comprenderse
suficientemente la razón de una recomendación o decisión?
|
Evitar decisiones
importantes sustentadas en resultados imposibles de interpretar.
|
|
Responsabilidad
|
¿Quién responde ante un error o
perjuicio?
|
Mantener responsabilidades
docentes e institucionales claramente definidas.
|
|
Inclusión
y accesibilidad
|
¿La herramienta amplía o
limita la participación de diferentes estudiantes?
|
Considerar discapacidad,
idioma, cultura, conectividad y recursos disponibles.
|
|
Proporcionalidad
pedagógica
|
¿El uso de IA aporta valor
suficiente frente a alternativas más simples?
|
Seleccionar tecnología a partir
de necesidades educativas reales.
|
|
Bienestar
y autonomía
|
¿La utilización fortalece
o debilita la capacidad del estudiante para aprender autónomamente?
|
Evitar dependencia y
preservar interacción, pensamiento y autorregulación.
|
Fuente. Elaboración propia a partir de Miao y
Cukurova (2024), European Commission (2026), UNICEF (2025) y García-López y
Trujillo-Liñán (2025).
Los principios de la tabla deben interpretarse de manera
integrada. Una herramienta puede ser técnicamente precisa y, simultáneamente,
producir problemas de privacidad; otra puede cumplir buenas condiciones de seguridad,
pero resultar inaccesible para estudiantes con pocos recursos. La decisión
responsable necesita considerar el conjunto y no únicamente una característica.
La utilización de inteligencia artificial en educación se
encuentra estrechamente relacionada con el procesamiento de información.
Sistemas adaptativos, analítica del aprendizaje, asistentes generativos y
plataformas de evaluación pueden recibir datos sobre actividades, rendimiento,
preferencias, comportamientos y necesidades de los estudiantes. Esta capacidad
ofrece oportunidades para personalizar la enseñanza, pero convierte la gestión
de los datos en una responsabilidad fundamental.
Una de las dificultades más frecuentes aparece cuando
docentes o estudiantes introducen información en plataformas externas sin
preguntarse qué ocurre posteriormente con ella. Una conversación con un sistema
generativo puede contener nombres, calificaciones, trabajos académicos,
información de contacto, observaciones sobre desempeño o incluso datos
relacionados con discapacidad o circunstancias personales. Aunque el objetivo
sea pedagógicamente legítimo, el tratamiento de dicha información puede no serlo.
UNESCO recomienda que la adopción educativa de IA
generativa esté acompañada por mecanismos adecuados de protección de datos,
validación institucional y supervisión humana. Su orientación plantea además la
necesidad de considerar requisitos de edad, seguridad y privacidad antes de
permitir el acceso a determinadas plataformas (Miao & Holmes, 2023).
Chuñir Panjon (2025) señala igualmente que la integración
de IA en la planificación docente exige considerar desde el inicio la
privacidad y seguridad de los datos y desarrollar competencias profesionales
para su manejo ético. El estudio destaca además la importancia de proteger
información confidencial y asegurar condiciones de acceso equitativo.
Un principio operativo esencial es la minimización de
datos: utilizar exclusivamente la información necesaria para alcanzar la
finalidad educativa. Si una herramienta puede proporcionar retroalimentación
sobre un texto sin conocer la identidad de su autor, no existe razón pedagógica
para incluir nombre, correo electrónico u otros datos identificables. De forma
semejante, para experimentar con generación de planes de apoyo pueden
utilizarse casos simulados o anonimizados.
Debe prestarse especial atención a información sensible.
Datos relacionados con necesidades educativas, salud, condiciones personales,
evaluaciones psicopedagógicas o circunstancias familiares requieren niveles
superiores de protección. El profesor no debería introducir este tipo de
información en un sistema externo simplemente porque la plataforma facilite el
análisis.
La finalidad constituye otro criterio. La información
recogida para apoyar un proceso pedagógico no debería utilizarse posteriormente
para finalidades incompatibles sin una base legítima. El hecho de que
técnicamente pueda analizarse una enorme cantidad de datos no significa que
resulte necesario hacerlo.
También debe evaluarse la seguridad del proveedor. Las
instituciones necesitan conocer qué información recopila una plataforma,
durante cuánto tiempo la conserva, quién puede acceder a ella, qué mecanismos
de seguridad aplica y qué alternativas existen para eliminarla o gestionar
incidentes. Estas cuestiones superan razonablemente las capacidades
individuales de muchos docentes, por lo que la evaluación de proveedores debe
constituir una responsabilidad institucional.
La protección adquiere una importancia aún mayor cuando
participan menores. UNICEF establece entre los requisitos fundamentales de una
IA centrada en la infancia la protección de datos y privacidad, junto con
seguridad, transparencia, no discriminación y mecanismos de rendición de
cuentas.
El marco regulatorio también está evolucionando. En la
Unión Europea, el Reglamento de Inteligencia Artificial adopta un enfoque
basado en riesgo y contempla determinados usos educativos —como sistemas
relacionados con acceso a educación, evaluación de resultados de aprendizaje,
determinación de niveles o vigilancia del comportamiento durante pruebas—
dentro de las categorías que pueden estar sujetas a obligaciones reforzadas por
su potencial impacto sobre derechos fundamentales. Esta regulación constituye un
ejemplo regional y no debe interpretarse como norma universal, pero demuestra
la creciente relevancia jurídica de las decisiones algorítmicas educativas.
La mejor protección no consiste solamente en reaccionar
ante incidentes, sino en aplicar privacidad desde el diseño. Antes de
incorporar una tecnología, deberían analizarse los datos que necesitará, las
personas que tendrán acceso, el tiempo de conservación y la posibilidad de
alcanzar el mismo objetivo mediante una alternativa menos invasiva.
Los sistemas de inteligencia artificial no operan fuera de
las condiciones sociales en las que fueron creados. Sus resultados dependen,
entre otros factores, de los datos utilizados para desarrollarlos, las
decisiones tomadas durante su diseño y la forma en que posteriormente se
aplican. Cuando los datos contienen desequilibrios o representaciones
históricamente sesgadas, los modelos pueden reproducirlas.
El sesgo algorítmico no debe entenderse exclusivamente
como un error técnico. Puede manifestarse cuando un sistema ofrece peores
resultados para determinados idiomas, representa sistemáticamente profesiones
mediante estereotipos, interpreta de manera diferente estilos de escritura
culturalmente diversos o genera recomendaciones educativas que limitan las
oportunidades de determinados estudiantes.
García-López y Trujillo-Liñán (2025) identifican el sesgo
como uno de los desafíos éticos recurrentes en la literatura reciente sobre IA
generativa educativa y advierten que los modelos pueden amplificar
desigualdades cuando su implementación carece de mecanismos adecuados de
gobernanza y supervisión.
El problema puede aparecer en distintas fases. Existe
sesgo en los datos cuando determinadas poblaciones están escasamente
representadas. Puede existir sesgo en el diseño cuando las variables
seleccionadas representan inadecuadamente aquello que se desea medir. También
puede existir sesgo en la aplicación cuando una herramienta diseñada para un
contexto se utiliza en otro sin suficiente validación.
Un ejemplo educativo puede observarse en sistemas
destinados a predecir riesgo de fracaso académico. Si el modelo utiliza
variables históricas relacionadas con nivel socioeconómico o ubicación y
posteriormente transforma esas correlaciones en recomendaciones restrictivas,
podría terminar reproduciendo desigualdades que originalmente pretendía
identificar. La predicción de riesgo debería conducir hacia mayor apoyo, no
hacia menores expectativas.
La interacción generativa introduce además el problema de
la representación cultural y lingüística. Los modelos suelen presentar mayores
capacidades en lenguas y contextos con abundante presencia en sus datos de
entrenamiento. Las comunidades lingüísticas con menor representación pueden
recibir resultados menos precisos, menos contextualizados o culturalmente
inadecuados.
Varsik y Vosberg (2024) advierten que la incorporación de
IA puede contribuir tanto a reducir como a ampliar desigualdades. Su análisis
para la OECD destaca problemas relacionados con acceso, sesgo, capacidad
docente, privacidad, respuesta cultural y lo que denominan techno-ableism:
la tendencia a diseñar soluciones tecnológicas desde presupuestos que no
representan adecuadamente las experiencias de las personas con discapacidad.
La gestión del sesgo exige reconocer que equidad no
significa tratar algorítmicamente a todas las personas de forma idéntica. Si un
sistema produce resultados sistemáticamente menos precisos para determinado
grupo, aplicar exactamente el mismo procedimiento puede generar resultados
inequitativos.
El docente puede adoptar varias medidas de control:
comparar resultados entre casos diferentes, analizar representaciones,
solicitar alternativas, comprobar información mediante otras fuentes y evitar
utilizar resultados automatizados como única evidencia para decisiones
importantes. La institución, por su parte, debe evaluar proveedores, documentar
riesgos y establecer mecanismos mediante los cuales estudiantes o familias
puedan cuestionar decisiones.
El Reglamento europeo de IA refleja esta preocupación al
vincular obligaciones reforzadas de ciertos sistemas de alto riesgo con
protección de derechos y mitigación de posibles sesgos. El punto central,
independientemente de la jurisdicción, es que la apariencia matemática o
tecnológica de un resultado no garantiza neutralidad.
La transparencia hace referencia a la posibilidad de que
los usuarios conozcan aspectos relevantes sobre el funcionamiento y utilización
de un sistema: qué finalidad posee, qué información recibe, qué función
desempeña y cuáles son sus limitaciones. La explicabilidad, aunque relacionada,
se concentra en la posibilidad de comprender suficientemente por qué se produjo
determinado resultado o recomendación.
Estas características resultan especialmente importantes
en educación porque una decisión inexplicable puede afectar significativamente
al estudiante. Si un sistema considera que una persona presenta “alto riesgo de
fracaso”, el docente debería poder conocer qué elementos contribuyeron a esa
conclusión. Una clasificación cuya única explicación sea que “el algoritmo lo
determinó” ofrece una base insuficiente para una intervención de consecuencias
relevantes.
Türkmen (2025), en una revisión sistemática de 35
investigaciones sobre inteligencia artificial explicable en educación, destaca
que la explicabilidad busca aumentar la capacidad de comprender las decisiones
de los modelos y favorecer confianza, responsabilidad e interpretación de los
resultados.
La transparencia no exige necesariamente revelar todo el
código fuente o comprender matemáticamente los millones de operaciones internas
de un modelo. En muchos contextos educativos, lo necesario es disponer de
transparencia funcional: conocer qué pretende hacer el sistema, qué datos
utiliza, cuál es su margen de error conocido, qué limitaciones presenta y cómo
puede impugnarse o revisarse una decisión.
La transparencia también debe extenderse hacia los
estudiantes. Si un recurso ha sido generado mediante IA, puede ser apropiado
comunicarlo; si la tecnología participa en una evaluación, resulta todavía más
importante informar acerca de su función. Una persona no debería descubrir
después de recibir una decisión significativa que parte del proceso estuvo
automatizado.
El Reglamento europeo de IA establece obligaciones
específicas de transparencia y requisitos adicionales para determinados
sistemas clasificados como de alto riesgo. La Comisión Europea también
incorpora la transparencia entre las cuestiones que los educadores deben
considerar antes de utilizar sistemas de IA y datos en contextos educativos.
La explicabilidad posee además una dimensión pedagógica.
Enseñar al estudiante a preguntar por qué una aplicación recomienda determinado
recurso o genera determinada respuesta constituye parte de la alfabetización en
IA. Aunque el modelo no pueda ofrecer una explicación completa de sus
operaciones internas, el estudiante debe comprender que sus resultados son
producidos computacionalmente y que necesitan evaluación.
Debe evitarse también la denominada ilusión de
explicación. Un modelo generativo puede producir una explicación
lingüísticamente convincente de por qué supuestamente respondió de determinada
manera, pero esa narración no necesariamente representa fielmente sus procesos
internos. Por ello, explicabilidad no equivale simplemente a pedirle al mismo
sistema que justifique su respuesta.
La transparencia significativa debe permitir actuar. Una
explicación resulta útil cuando ayuda al docente o estudiante a comprender un
resultado, verificarlo, corregirlo o cuestionarlo. Si únicamente añade
terminología técnica sin proporcionar capacidad real de comprensión, cumple
escasamente su propósito educativo.
La aparición de sistemas capaces de producir textos
originales en su formulación superficial obliga a reconsiderar algunos
conceptos tradicionales de integridad académica. El plagio clásico se relaciona
con presentar palabras o ideas ajenas como propias sin atribución adecuada. La
inteligencia artificial introduce situaciones en las que un texto puede no
haber sido copiado literalmente de otra persona, pero tampoco haber sido
construido intelectualmente por quien lo entrega.
Por ello, plagio y uso inadecuado de IA no son conceptos
idénticos. Un estudiante puede vulnerar una norma de integridad al delegar una
tarea completa en un sistema aunque la respuesta generada no coincida
textualmente con ninguna publicación existente. Del mismo modo, utilizar IA no
constituye automáticamente una conducta deshonesta si la actividad y la
institución permiten determinadas formas de asistencia y estas se declaran de
acuerdo con los criterios establecidos.
Bittle y El-Gayar (2025), en una revisión sistemática
centrada en IA generativa e integridad académica en educación superior,
identifican tres ámbitos principales de investigación: riesgos de deshonestidad
y fraude, implicaciones pedagógicas y uso ético de la IA, y efectos sobre el
aprendizaje y las prácticas educativas. Los autores subrayan la necesidad de
combinar políticas institucionales, alfabetización y rediseño pedagógico.
German Pimentel et al. (2025) encontraron que el plagio se
encontraba entre las inquietudes expresadas por los futuros docentes junto con
la fiabilidad y el sesgo, reforzando la necesidad de incorporar la dimensión
ética dentro de la formación profesional.
La autoría debe entenderse como una relación entre
contribución y responsabilidad. Quien presenta un trabajo académico debe poder
explicar sus argumentos, verificar sus datos, identificar sus fuentes y asumir
responsabilidad por el contenido. Un sistema generativo no puede asumir esa
responsabilidad académica en lugar de la persona.
En consecuencia, las instituciones necesitan establecer
políticas que distingan, por ejemplo, entre corrección lingüística, generación
de ideas, elaboración de estructuras preliminares, traducción, producción
parcial y generación sustantiva del contenido. La aceptabilidad de cada
modalidad dependerá de la finalidad de la actividad.
Cuando el uso esté autorizado, la declaración transparente
constituye una práctica adecuada. Puede indicarse qué herramienta se empleó,
con qué propósito y qué partes del proceso recibieron asistencia. Esta práctica
permite diferenciar colaboración tecnológica legítima de ocultamiento.
La respuesta institucional tampoco debería depender
exclusivamente de detectores automáticos. Weber-Wulff et al. (2023), después de
evaluar múltiples herramientas de detección de textos generados mediante IA,
encontraron limitaciones suficientes como para desaconsejar que sus resultados
sean utilizados como prueba única de una infracción.
El problema de integridad debe abordarse, en consecuencia,
mediante una combinación de educación, políticas claras, evaluación auténtica,
transparencia y responsabilidad, y no únicamente mediante vigilancia. Esta
aproximación resulta más sostenible a medida que los sistemas generativos
aumentan su capacidad para producir contenidos difíciles de distinguir
formalmente de producciones humanas.
La inteligencia artificial puede desempeñar una función
significativa en la inclusión educativa cuando se utiliza para eliminar
barreras y ofrecer diferentes vías de acceso, participación y expresión.
Herramientas de conversión entre voz y texto, traducción, adaptación
lingüística, generación de representaciones alternativas y personalización
pueden facilitar la participación de estudiantes cuyas necesidades no siempre
son atendidas adecuadamente mediante recursos estandarizados.
Una revisión sistemática de Melo-López et al. (2025),
centrada en IA y educación inclusiva, concluye que estas tecnologías presentan
posibilidades importantes para mejorar accesibilidad y personalización en
estudiantes con necesidades educativas específicas o discapacidad, aunque
también identifica problemas relacionados con privacidad, acceso equitativo e
implementación responsable.
Resultados semejantes aparecen en la revisión de Li et al.
(2025), basada en estudios empíricos de educación inclusiva. Los autores
encuentran efectos favorables principalmente en personalización, accesibilidad
y participación, pero señalan barreras como insuficiencia de infraestructura,
baja alfabetización digital y necesidad de mayor apoyo institucional y
formación docente.
La IA puede contribuir a proporcionar diferentes
representaciones del conocimiento. Un texto complejo puede transformarse en una
explicación preliminar más accesible; un contenido visual puede recibir
descripciones textuales; determinadas interfaces permiten interacción mediante
voz; y las herramientas de traducción pueden facilitar la participación de
estudiantes que utilizan diferentes lenguas.
Estas funciones no deben interpretarse como sustituto de
profesionales especializados ni de adaptaciones educativas fundamentadas. Un
sistema generativo no puede determinar por sí solo qué necesita una persona con
discapacidad. La tecnología debe incorporarse dentro de una estrategia más
amplia de inclusión que considere características individuales, contexto,
accesibilidad y participación del propio estudiante.
UNICEF incluye expresamente entre sus diez requisitos para
una IA centrada en la infancia la inclusión y reconoce la posibilidad de
utilizar sistemas de IA para aumentar la accesibilidad de niños con
discapacidad.
Un aspecto especialmente importante es evitar el
tecnosolucionismo: asumir que la existencia de una herramienta digital resuelve
automáticamente una barrera educativa. La exclusión puede encontrarse en el
propio diseño de la tecnología. Una interfaz incompatible con lectores de
pantalla, una plataforma disponible únicamente en determinados idiomas o un
asistente entrenado con escasa representación de ciertas comunidades puede
introducir nuevas barreras.
Varsik y Vosberg (2024) advierten específicamente sobre el
techno-ableism, mediante el cual determinadas soluciones tecnológicas
pueden construirse desde supuestos simplificados sobre discapacidad en lugar de
considerar las experiencias reales de los usuarios. Esta advertencia refuerza
un principio esencial: las personas destinatarias deben participar en la
evaluación de las soluciones diseñadas para apoyarlas.
La inclusión tampoco se limita a discapacidad. Comprende
diversidad lingüística, cultural, económica y territorial. Los sistemas
deberían evaluarse respecto de la forma en que representan distintas
identidades, variedades lingüísticas y experiencias sociales. Una
personalización técnicamente eficiente pero culturalmente inadecuada no
constituye una experiencia verdaderamente inclusiva.
La promesa de democratizar el acceso al conocimiento
mediante inteligencia artificial se encuentra condicionada por desigualdades
previas en infraestructura, conectividad, dispositivos, capacidades digitales y
recursos económicos. Si estas diferencias no son consideradas, la incorporación
de IA puede ampliar la ventaja de quienes ya poseen mejores condiciones de
acceso.
La brecha digital ya no puede definirse únicamente como la
diferencia entre quienes disponen o no de conexión. Existe una brecha de
calidad de acceso, relacionada con velocidad, estabilidad, dispositivo y costo;
una brecha de competencias, vinculada con la capacidad para aprovechar los
recursos; y una brecha emergente de acceso a sistemas avanzados, dado que
algunas funcionalidades de IA están disponibles únicamente mediante servicios
de pago.
Los datos de la International Telecommunication Union
muestran esta diferencia entre cobertura y utilización. Aunque en 2024
aproximadamente el 96 % de la población mundial se encontraba cubierta por
redes móviles de banda ancha, persistían importantes diferencias territoriales
y económicas; en áreas rurales de países de bajos ingresos, cerca del 30 % de
la población todavía carecía incluso de posibilidad de conectarse. La
asequibilidad continuaba siendo además una barrera relevante.
Esta situación posee consecuencias educativas directas.
Una actividad obligatoria que requiere utilizar una plataforma generativa
avanzada puede resultar discriminatoria cuando algunos estudiantes solo
disponen de teléfonos de prestaciones limitadas, conexiones intermitentes o
versiones gratuitas considerablemente menos capaces.
El Global Education Monitoring Report de UNESCO (2023)
recuerda que la tecnología puede simultáneamente ampliar y restringir
oportunidades educativas. El informe subraya que el acceso, la regulación y la
preparación docente constituyen condiciones necesarias para que la tecnología
contribuya verdaderamente a mejorar la educación.
Los documentos proporcionados para este libro también
identifican esta problemática. Pita-Briones et al. (2025) señalan que la
implementación desigual de IA puede intensificar brechas digitales,
especialmente en contextos vulnerables, y que su integración requiere tanto
preparación profesional como consideración de las condiciones sociales del
alumnado.
La desigualdad también puede manifestarse mediante la
calidad del modelo disponible. Cuando una plataforma ofrece versiones gratuitas
y premium con diferencias significativas, dos estudiantes que cumplen
formalmente la misma tarea pueden estar utilizando tecnologías con capacidades
distintas. El docente necesita considerar esta situación antes de diseñar
actividades evaluables.
Un enfoque equitativo puede proporcionar acceso
institucional cuando la herramienta sea indispensable, ofrecer alternativas
equivalentes cuando no pueda garantizarse dicho acceso y evitar penalizar
indirectamente a estudiantes que no disponen de determinados recursos
tecnológicos.
La brecha de competencias es igualmente significativa.
Tener acceso a IA no equivale a saber utilizarla críticamente. Los estudiantes
con mayor experiencia pueden formular mejores instrucciones, verificar fuentes
o reconocer errores con mayor facilidad. Si estas capacidades se presuponen en
lugar de enseñarse, la institución puede convertir diferencias previas en
ventajas académicas adicionales.
Por ello, la equidad requiere combinar infraestructura con
alfabetización, accesibilidad, alternativas pedagógicas y apoyo humano. La
universalización de una herramienta no garantiza la universalización de sus
beneficios.
La integración responsable de IA necesita considerar sus
efectos sobre la relación que los estudiantes desarrollan con la tecnología. La
disponibilidad permanente de un asistente capaz de explicar, escribir, resumir,
resolver, recomendar y conversar puede proporcionar apoyo considerable, pero
también generar patrones de utilización en los que actividades cognitivas
fundamentales sean progresivamente delegadas.
García-López y Trujillo-Liñán (2025) identifican la
pérdida de autonomía cognitiva como uno de los riesgos discutidos en la
literatura reciente. La preocupación no reside simplemente en que el estudiante
utilice IA, sino en que llegue a depender de ella para iniciar, sostener o
finalizar procesos que debería ser capaz de realizar autónomamente.
La revisión de Abdallah et al. (2025), centrada en ChatGPT
en educación superior, describe un panorama dual. Las investigaciones
examinadas documentan beneficios asociados con apoyo al aprendizaje,
participación y colaboración, pero también preocupaciones relacionadas con
pensamiento crítico y dependencia excesiva del contenido generado.
La autonomía puede debilitarse mediante un proceso de
externalización cognitiva. Si cada dificultad conduce inmediatamente a
consultar un sistema, disminuyen las oportunidades de recuperar información de
la memoria, tolerar incertidumbre, construir una estrategia, detectar errores
propios y perseverar ante problemas complejos. Estas actividades requieren
esfuerzo, pero ese esfuerzo constituye precisamente una parte importante del
aprendizaje.
Esto no implica que toda externalización sea negativa.
Utilizar calculadoras, diccionarios, buscadores o software ha permitido
históricamente desplazar determinadas tareas y dedicar recursos cognitivos a
problemas de mayor complejidad. La cuestión educativa es determinar qué
procesos resulta razonable delegar y cuáles todavía necesitan ser practicados
para desarrollar competencia.
Por ejemplo, un estudiante que ya domina la estructura
básica de una argumentación puede utilizar IA para explorar contraargumentos.
Uno que todavía no ha desarrollado esa capacidad podría perjudicar su
aprendizaje si permite que el sistema construya repetidamente toda la
argumentación. El nivel de asistencia debería modificarse según la etapa de
desarrollo.
El bienestar digital comprende además la necesidad de
preservar relaciones humanas significativas. La interacción con un asistente
disponible permanentemente no debe desplazar el diálogo con compañeros,
docentes, familias o profesionales cuando estos vínculos resultan necesarios.
El aprendizaje es también un proceso social.
Cuando participan niños y adolescentes, estas
consideraciones adquieren especial relevancia. La orientación de UNICEF de 2025
incorpora explícitamente el bienestar, el desarrollo y la seguridad entre los
requisitos de una IA centrada en la infancia y dedica nueva atención a los
denominados AI companions o sistemas diseñados para establecer interacciones de
carácter relacional con menores.
Debe distinguirse, por tanto, entre un tutor educativo
cuya interacción se encuentra delimitada por objetivos de aprendizaje y una
aplicación diseñada para prolongar engagement mediante relaciones emocionales.
Esta diferencia debe formar parte de la selección institucional de
herramientas.
El bienestar también se relaciona con la cantidad de
tiempo dedicado a entornos digitales. El GEM Report de UNESCO advierte que un
uso tecnológico excesivo o pedagógicamente inadecuado puede asociarse con
distracción y resultados desfavorables, lo que refuerza la necesidad de
analizar la tecnología a partir de su finalidad y no asumir que una mayor
exposición produce necesariamente mejores resultados.
Un diseño equilibrado puede establecer momentos con IA y
momentos sin ella. Resulta razonable exigir que determinadas tareas iniciales
se realicen de forma autónoma, utilizar posteriormente el sistema para
contrastar o ampliar y finalizar mediante una reflexión personal. Esta
alternancia permite aprovechar la tecnología sin convertirla en condición
indispensable para cualquier actividad intelectual.
La finalidad de la educación no consiste en producir
estudiantes capaces de obtener respuestas de un sistema, sino personas capaces
de pensar, aprender, decidir y actuar con y sin asistencia tecnológica.
La autonomía digital significa precisamente poder utilizar la herramienta
cuando aporta valor y prescindir de ella cuando no resulta necesaria.
La integración responsable de inteligencia artificial
requiere una distribución clara de responsabilidades. No resulta razonable
atribuir toda la carga al docente individual, porque muchas decisiones
relacionadas con proveedores, contratos, seguridad, almacenamiento de datos,
accesibilidad o cumplimiento normativo superan su ámbito profesional. Tampoco
sería adecuado trasladar toda la responsabilidad a la institución y convertir
al profesor en un simple usuario de tecnologías previamente seleccionadas.
El principio fundamental puede expresarse como
responsabilidad compartida pero no diluida: diferentes actores poseen
obligaciones distintas y debe ser posible determinar quién responde por cada
decisión.
El docente es responsable fundamentalmente de la
pertinencia pedagógica. Debe determinar si la herramienta contribuye a los
objetivos de aprendizaje, orientar a los estudiantes, supervisar resultados,
verificar contenidos, proteger información dentro del ámbito de sus actuaciones
y comunicar las reglas de uso. También tiene la responsabilidad de no convertir
recomendaciones automatizadas en decisiones educativas sin suficiente
valoración profesional.
Chuñir Panjon (2025) concluye precisamente que el
aprovechamiento de IA exige docentes capaces de evaluar herramientas, diseñar
actividades contextualizadas y afrontar las responsabilidades éticas asociadas
con su implementación. Las instituciones poseen responsabilidades más amplias.
Deben establecer qué plataformas se encuentran autorizadas, evaluar sus
condiciones de privacidad y seguridad, proporcionar formación, definir
políticas de integridad, garantizar alternativas accesibles y crear
procedimientos para responder ante errores o reclamaciones.
UNESCO plantea que la integración responsable requiere no
solamente competencias individuales, sino entornos institucionales capaces de
proteger agencia humana, ética y aprendizaje profesional (Miao & Cukurova,
2024). La Comisión Europea adopta una perspectiva semejante al proporcionar
orientaciones para que docentes y centros adopten decisiones éticas
contextualizadas y comprendan las obligaciones relacionadas con IA y gestión de
datos.
Tabla 11 Distribución de responsabilidades
para el uso institucional de Inteligencia Artificial
|
Etapa
|
Responsabilidad
institucional
|
Responsabilidad
docente
|
|
Identificación
de necesidades
|
Definir prioridades
institucionales y criterios generales.
|
Determinar necesidades
pedagógicas concretas y objetivos de aprendizaje.
|
|
Selección
de herramientas
|
Evaluar privacidad, seguridad,
accesibilidad, costos, condiciones contractuales y riesgos.
|
Analizar pertinencia pedagógica,
facilidad de integración y utilidad disciplinar.
|
|
Prueba
piloto
|
Proporcionar entornos
seguros, soporte y mecanismos de documentación.
|
Aplicar en situaciones de
bajo riesgo y observar efectos sobre el aprendizaje.
|
|
Implementación
|
Establecer políticas, acceso
equitativo, capacitación y procedimientos.
|
Explicar reglas de uso,
supervisar actividades y contextualizar resultados.
|
|
Gestión
de datos
|
Definir estándares de
tratamiento, almacenamiento, seguridad y proveedores autorizados.
|
Evitar compartir
información innecesaria y cumplir los protocolos establecidos.
|
|
Evaluación
|
Establecer criterios para
sistemas automatizados y mecanismos de revisión.
|
Mantener juicio profesional y no
delegar decisiones críticas de manera automática.
|
|
Seguimiento
|
Auditar desempeño,
equidad, seguridad, accesibilidad e incidentes.
|
Reportar errores, sesgos y
problemas observados durante la práctica.
|
|
Reclamación
y corrección
|
Crear vías de revisión,
reparación y rendición de cuentas.
|
Escuchar al estudiante,
documentar el caso y activar los procedimientos correspondientes.
|
|
Actualización
|
Revisar políticas y
herramientas ante cambios regulatorios y tecnológicos.
|
Mantener formación
continua y adaptar las prácticas pedagógicas.
|
Fuente. Elaboración
propia a partir de Miao y Cukurova (2024), European Commission (2026),
La tabla muestra que la responsabilidad comienza antes de
la implementación. Una institución no debería esperar a que aparezca un
incidente de privacidad, discriminación o integridad académica para establecer
sus reglas. La gobernanza responsable implica anticipación.
La dimensión regulatoria reforzará progresivamente esta
obligación. El Reglamento europeo de IA, por ejemplo, aplica un modelo basado
en riesgo y establece obligaciones mayores para determinados usos educativos
debido a sus posibles consecuencias sobre derechos fundamentales. También
prohíbe, salvo excepciones muy específicas, determinados usos de reconocimiento
de emociones en instituciones educativas. Estas reglas corresponden al ámbito
de la Unión Europea, pero representan un ejemplo de cómo la gobernanza de IA
está avanzando desde orientaciones voluntarias hacia marcos jurídicos más
definidos.
Las instituciones necesitan asimismo evitar políticas
demasiado generales. Una norma equivalente a “se permite utilizar IA
responsablemente” proporciona poca orientación. Resulta más útil establecer
ejemplos de usos permitidos, condicionados y no autorizados; procedimientos
para declarar la asistencia; criterios de protección de datos;
responsabilidades en evaluación y mecanismos de revisión.
La formación docente constituye otra obligación
institucional. Los hallazgos de German Pimentel et al. (2025) muestran que la
disposición positiva hacia la IA puede coexistir con preparación insuficiente y
necesidad de acompañamiento. No resulta coherente exigir utilización ética de
sistemas complejos sin proporcionar oportunidades suficientes para comprender
sus riesgos.
La participación estudiantil también debe formar parte de
la gobernanza. Las personas afectadas por una tecnología pueden identificar
problemas que no fueron previstos durante su selección. Escuchar a estudiantes,
familias y docentes permite evaluar accesibilidad, utilidad, percepción de
justicia y efectos inesperados.
Por último, la responsabilidad institucional incluye la
posibilidad de retirar una herramienta. La innovación tecnológica no debe
convertirse en un compromiso irreversible. Si una plataforma produce riesgos
superiores a sus beneficios, cambia sus condiciones de privacidad, genera
resultados inequitativos o deja de responder a los objetivos pedagógicos, la
decisión responsable puede consistir en dejar de utilizarla.
La ética de la inteligencia artificial en educación no
debe plantearse, en consecuencia, como un obstáculo para la innovación.
Constituye precisamente la condición que permite innovar sin perder de vista
aquello que justifica la existencia del sistema educativo: el desarrollo de las
personas. Una tecnología puede ser eficiente y, sin embargo, no ser justa;
puede ser personalizada y no ser inclusiva; puede producir resultados
técnicamente sofisticados y debilitar la autonomía. La valoración profesional necesita
considerar estas tensiones conjuntamente.
La incorporación responsable exige mantener un equilibrio
entre innovación y prudencia, personalización y privacidad, automatización y
agencia, eficiencia y equidad. Ninguna de estas relaciones puede resolverse
mediante una fórmula universal. El contexto, las características del alumnado,
la finalidad pedagógica y el nivel de riesgo condicionan la decisión.
En este escenario, la función del docente adquiere una
relevancia renovada. Su responsabilidad ya no consiste solamente en transmitir
y evaluar conocimientos, sino también en mediar entre estudiantes y sistemas
inteligentes, explicar sus limitaciones, establecer límites, reconocer riesgos
y formar ciudadanos capaces de relacionarse críticamente con tecnologías que
tendrán una presencia creciente en la sociedad.
Las instituciones, por su parte, necesitan crear
condiciones para que esta responsabilidad pueda ejercerse. Políticas,
formación, infraestructura, gobernanza de datos, mecanismos de supervisión y
procedimientos de rendición de cuentas deben acompañar la adopción tecnológica.
La ética deja entonces de ser un componente abstracto y se transforma en una
práctica cotidiana de selección, diseño, utilización y evaluación.
Este análisis conduce directamente al Capítulo 6.
Innovación, investigación y futuro de la profesión docente ante la Inteligencia
Artificial, donde se examinará cómo estas transformaciones pueden convertirse
en procesos sostenibles de innovación educativa, qué metodologías están siendo
utilizadas para investigar su impacto, qué actitudes presentan docentes y
estudiantes, qué papel desempeña el liderazgo institucional y qué nuevos
escenarios profesionales pueden configurarse ante agentes inteligentes, multimodalidad,
tutores avanzados y sistemas adaptativos.
CAPÍTULO VI.
La inteligencia artificial ha pasado de constituir una
tecnología emergente a convertirse en un elemento con capacidad para modificar
la enseñanza, la evaluación, la gestión académica y el desarrollo profesional
docente. Sin embargo, su impacto no depende exclusivamente de la evolución
tecnológica. La transformación educativa requiere decisiones institucionales,
investigación rigurosa, formación del profesorado y una definición clara de
aquellas funciones que pueden recibir asistencia automatizada y de las que
deben permanecer bajo responsabilidad humana.
El OECD Digital Education Outlook 2026 señala que
la IA generativa está modificando no solo los procesos de enseñanza y
aprendizaje, sino también la investigación, la administración educativa y las
funciones de apoyo a estudiantes y docentes. Al mismo tiempo, advierte que
mejorar el desempeño inmediato mediante IA no equivale necesariamente a
producir aprendizaje, por lo que su utilización necesita estar orientada por
propósitos pedagógicos explícitos (OECD, 2026a).
En este escenario, el futuro de la profesión docente debe
analizarse desde una perspectiva de complementariedad crítica. La cuestión
central no consiste en determinar si la IA sustituirá al profesorado, sino en
comprender qué nuevas capacidades, responsabilidades y formas de colaboración
profesional serán necesarias cuando los sistemas inteligentes estén integrados
de manera habitual en los ecosistemas educativos.
La innovación educativa no consiste simplemente en
incorporar una herramienta nueva, sino en modificar de manera fundamentada las
experiencias, procesos y resultados de aprendizaje. Desde esta perspectiva, la
IA puede actuar como motor de innovación cuando permite desarrollar formas de
personalización, retroalimentación, diseño de recursos, análisis de datos y
acompañamiento que aporten valor frente a prácticas anteriores.
Mahmud et al. (2025) sitúan precisamente la innovación
como uno de los cuatro pilares de su marco de competencias para la integración
de IA, junto con los fundamentos, la integración y la ciudadanía en IA. Los
autores relacionan esta dimensión con nuevos métodos pedagógicos, proyectos
experimentales, colaboración interdisciplinaria y desarrollo de soluciones
educativas apoyadas por sistemas inteligentes.
La innovación, sin embargo, debe distinguirse de la
novedad. Utilizar IA para producir automáticamente una actividad idéntica a la
que anteriormente elaboraba el profesor no constituye necesariamente una
innovación pedagógica. Existe mayor transformación cuando la tecnología permite
rediseñar la experiencia: proporcionar rutas diferenciadas, plantear
simulaciones, ofrecer retroalimentación iterativa, analizar problemas desde
diversas perspectivas o liberar tiempo docente para funciones de acompañamiento
de mayor complejidad.
Esta visión coincide con la evidencia incorporada en
capítulos anteriores. Pita-Briones et al. (2025) vinculan la integración
efectiva de IA con innovación, creatividad, personalización y transformación
del rol profesional, pero destacan que su sostenibilidad depende también de
formación y apoyo institucional. En consecuencia, la innovación con IA debe
considerarse un proceso pedagógico y organizacional y no únicamente
tecnológico.
La expansión de la IA generativa ha provocado un rápido
crecimiento de investigaciones relacionadas con competencias docentes,
alfabetización en IA, autoeficacia, actitudes, ética, integración pedagógica y
desarrollo profesional. Este campo busca determinar no solo qué herramientas
utiliza el profesorado, sino qué conocimientos y capacidades permiten hacerlo
de manera eficaz.
Baggia et al. (2026), mediante una revisión sistemática
con componente metaanalítico sobre docentes universitarios, organizan la
investigación reciente alrededor de aspectos como determinantes de adopción,
aplicaciones pedagógicas, evaluación e integridad académica, ética y confianza,
políticas institucionales, bienestar docente y diferencias disciplinarias. Esta
diversidad muestra que la competencia docente frente a la IA constituye un
fenómeno multidimensional.
Los documentos aportados para esta obra llegan a una
conclusión semejante. Pita-Briones et al. (2025) identifican como dimensiones
centrales el uso pedagógico de la tecnología, ética y seguridad de datos,
gestión de información, pensamiento crítico, innovación y creatividad; al mismo
tiempo, plantean como líneas futuras la evaluación de programas formativos y el
estudio de la integración de IA en diferentes contextos.
La investigación futura deberá avanzar desde estudios
predominantemente descriptivos hacia trabajos que permitan conocer qué
competencias modifican efectivamente la práctica, en qué condiciones se
desarrollan y qué impacto producen sobre el aprendizaje. Esta transición es
indispensable para evitar que la formación docente se base únicamente en
percepciones o popularidad tecnológica.
La complejidad de la inteligencia artificial educativa
requiere combinar metodologías diferentes. Los estudios cuantitativos pueden
medir cambios en rendimiento, competencias, actitudes o utilización; los
diseños experimentales y cuasiexperimentales permiten comparar intervenciones;
mientras que entrevistas, grupos focales y observaciones ayudan a comprender
cómo docentes y estudiantes experimentan la incorporación de la tecnología.
Los diseños pretest-postest y longitudinales son
particularmente útiles para evaluar programas de formación. Lademann et al.
(2026), por ejemplo, analizaron mediante un diseño pre-post los efectos de una
capacitación sobre alfabetización y actitudes hacia la IA, identificando mejoras
tras la intervención pero señalando también la necesidad de estudios
longitudinales y grupos de control que permitan determinar la estabilidad de
los cambios.
Los métodos mixtos resultan apropiados cuando interesa
relacionar resultados mensurables con experiencias y explicaciones de los
participantes. Las analíticas del aprendizaje permiten estudiar patrones de
interacción y desempeño, mientras que los estudios de caso y la investigación
basada en diseño pueden analizar procesos de implementación en contextos
reales.
Las revisiones sistemáticas y metaanálisis permiten
sintetizar la evidencia acumulada. Zhang et al. (2025), por ejemplo, utilizaron
metaanálisis para examinar resultados de intervenciones de IA en distintos
contextos educativos. La combinación de metodologías, muestras diversas y
seguimiento temporal será necesaria para superar una de las principales
limitaciones actuales: la abundancia de experiencias de corta duración frente a
una menor evidencia sobre consecuencias sostenidas.
La aceptación de la inteligencia artificial depende tanto
de sus posibilidades técnicas como de la percepción de utilidad, confianza,
experiencia previa y apoyo institucional. La revisión de Baggia et al. (2026)
muestra que la adopción docente se relaciona con factores como expectativas de
desempeño, influencia social, confianza, contexto disciplinario y políticas
institucionales.
Las actitudes tampoco deben clasificarse simplemente como
positivas o negativas. Un docente puede valorar la IA para preparar materiales
y, simultáneamente, rechazar su utilización en determinadas evaluaciones. Puede
reconocer su potencial para personalizar el aprendizaje y mantener
preocupaciones respecto de privacidad o dependencia. Esta combinación de
aceptación y cautela puede representar una postura profesional más madura que
la adopción incondicional.
La formación posee capacidad para modificar estas
percepciones. Lademann et al. (2026) encontraron que un programa estructurado
produjo mejoras en alfabetización en IA, confianza y disposición para
incorporar estas tecnologías, aunque los propios autores advierten que se
necesitan investigaciones longitudinales para comprobar la permanencia de los
efectos.
De manera coincidente, los documentos utilizados en esta
obra muestran entusiasmo por las posibilidades de la IA acompañado por
preocupaciones éticas, pedagógicas y relacionadas con privacidad. La aceptación
sostenible depende, por tanto, de experiencia, formación, evidencia y confianza
institucional.
La incorporación sistemática de IA supera el ámbito de
decisión individual del docente. Las instituciones necesitan establecer
prioridades, seleccionar plataformas, garantizar infraestructura, desarrollar
políticas, capacitar al personal y evaluar los resultados de las iniciativas
implementadas.
Sposato (2025) identifica diez ámbitos de aplicación de IA
vinculados con liderazgo educativo, entre ellos eficiencia administrativa,
aprendizaje personalizado, prácticas docentes, toma de decisiones, servicios
estudiantiles, planificación estratégica, gobernanza, comunicación, liderazgo
ético e inclusión. La amplitud de estas áreas demuestra que el liderazgo frente
a la IA debe comprender simultáneamente dimensiones académicas, administrativas
y éticas.
La OECD (2026b) señala cinco líneas emergentes de
respuesta institucional y sistémica: desarrollar orientaciones para el uso
responsable, establecer criterios comunes de cumplimiento y adquisición de
herramientas, fortalecer competencias en IA, recopilar evidencia mediante
pilotos y promover tecnologías específicamente diseñadas para educación
superior.
Un liderazgo efectivo no debería imponer la adopción
tecnológica únicamente desde niveles administrativos. Necesita incorporar la
experiencia de docentes y estudiantes, iniciar proyectos piloto, evaluar
resultados y modificar decisiones cuando la evidencia muestre que una
tecnología no aporta el valor esperado.
La velocidad de los cambios tecnológicos dificulta que la
actualización profesional dependa exclusivamente de cursos formales. Las
comunidades profesionales de aprendizaje ofrecen un espacio para compartir
experiencias, comparar estrategias, analizar problemas y desarrollar
conocimiento pedagógico de manera colectiva.
Medina Vargas et al. (2025), mediante una revisión de 62
estudios indexados en Scopus, encontraron que las comunidades de práctica
favorecen especialmente la colaboración profesional, el aprendizaje docente, el
intercambio de conocimientos y la reflexión pedagógica. También identificaron
obstáculos como falta de tiempo, participación irregular, insuficiente apoyo
institucional y dificultades tecnológicas.
Estas comunidades adquieren particular relevancia frente a
la IA porque permiten contrastar experiencias que evolucionan rápidamente. Un
profesor puede documentar los resultados de una actividad, otro identificar un
problema de privacidad y otro proponer una forma más efectiva de formular
instrucciones. El aprendizaje deja así de depender exclusivamente del esfuerzo
individual.
Pita-Briones et al. (2025) señalan igualmente que
estrategias como proyectos piloto, acompañamiento entre pares y comunidades de
práctica pueden contribuir a la aceptación e integración de la IA. La
institución debe proporcionar tiempo, reconocimiento y apoyo para que estas
redes puedan mantenerse.
La expansión de la inteligencia artificial no elimina los
componentes tradicionales de la profesión, pero modifica su peso relativo. A
medida que aumenta la disponibilidad de contenidos generados automáticamente,
adquieren mayor importancia funciones relacionadas con diseño pedagógico,
mediación, curaduría, evaluación crítica, interpretación de datos y
acompañamiento humano.
El marco de UNESCO propone competencias relacionadas con
enfoque centrado en las personas, ética, fundamentos de IA, pedagogía con IA y
desarrollo profesional (Miao & Cukurova, 2024). En este contexto, el
docente puede asumir simultáneamente funciones de diseñador de experiencias,
mediador crítico, curador de información, orientador de alfabetización en IA e
intérprete de evidencias de aprendizaje.
Esta transformación ya aparece en la literatura examinada
para la obra: el profesorado evoluciona desde funciones predominantemente
transmisivas hacia mediación crítica, diseño de experiencias y análisis de
información, aunque esta transición requiere formación y soporte institucional.
La característica común de estos nuevos roles es que no
compiten con la velocidad de la máquina para producir información. Se
concentran en aquello que requiere juicio pedagógico: establecer propósitos,
comprender contextos, interpretar necesidades, construir relaciones, valorar
evidencias y asumir responsabilidad sobre las decisiones.
La IA puede modificar no solamente el aula, sino también
la organización institucional. Sus aplicaciones pueden extenderse hacia
orientación académica, gestión de recursos, análisis de información, apoyo
administrativo, investigación, evaluación y comunicación. El OECD Digital
Education Outlook 2026 identifica precisamente transformaciones que exceden
la enseñanza y alcanzan funciones administrativas y de apoyo.
Esto exige evolucionar desde iniciativas aisladas hacia
una estrategia institucional de IA. La institución necesita establecer
principios, herramientas autorizadas, estándares de protección de datos,
programas de formación, criterios de evaluación y mecanismos de seguimiento. La
OECD (2026b) recomienda además recopilar evidencia mediante proyectos piloto y
desarrollar criterios comunes para la adquisición responsable de sistemas
generativos.
En los centros escolares, la coordinación tecnológica
también adquiere mayor complejidad. La OECD (2026c) destaca la creciente
importancia de roles formales de coordinación digital y de estructuras de apoyo
que permitan integrar tecnologías de manera coherente. Esta evolución permite
anticipar instituciones en las que el liderazgo tecnológico, pedagógico y ético
estará cada vez más interrelacionado.
La próxima etapa de la inteligencia artificial educativa
probablemente estará caracterizada por sistemas con mayor capacidad de acción,
interacción multimodal y adaptación. Estas tecnologías no se encuentran todas
en el mismo nivel de madurez, por lo que resulta necesario distinguir entre
aplicaciones respaldadas por una trayectoria investigativa considerable y
desarrollos todavía emergentes.
Tabla 12 Tendencias emergentes de Inteligencia
Artificial y sus implicaciones educativas
|
Tendencia
|
Característica principal
|
Posible aplicación educativa
|
Desafío prioritario
|
|
Agentes de IA
|
Sistemas capaces de planificar,
utilizar herramientas y ejecutar secuencias de acciones con mayor autonomía.
|
Tutoría, organización de tareas,
apoyo investigativo y coordinación de actividades.
|
Control humano, trazabilidad y
límites de autonomía.
|
|
Tutores inteligentes
|
Sistemas diseñados para orientar progresivamente el aprendizaje y
adaptar el apoyo.
|
Práctica personalizada, pistas, retroalimentación y acompañamiento.
|
Evitar dependencia y garantizar calidad pedagógica.
|
|
IA multimodal
|
Integración de texto, imagen,
audio, video y otros tipos de información.
|
Explicaciones diversas, análisis
de representaciones y producción de recursos accesibles.
|
Fiabilidad, accesibilidad y
alfabetización multimodal.
|
|
Aprendizaje adaptativo
|
Ajuste de contenidos, secuencias o dificultad según información del
estudiante.
|
Rutas personalizadas y apoyos diferenciados.
|
Privacidad, sesgo y riesgo de clasificaciones rígidas.
|
Fuente. Elaboración propia a partir de Kostopoulos
et al. (2025), Hariyanto et al. (2025)
Los agentes de IA representan una de las tendencias más
recientes. A diferencia de un asistente que responde exclusivamente a una
instrucción, los sistemas agénticos pueden incorporar planificación,
utilización de herramientas y secuencias de acciones. Kostopoulos et al. (2025)
identifican aplicaciones potenciales en tutoría y automatización educativa,
pero subrayan que su desarrollo exige investigar confiabilidad, ética,
transparencia y control humano.
El aprendizaje adaptativo posee una base investigativa más
amplia. Hariyanto et al. (2025), tras revisar 142 estudios empíricos,
encuentran aplicaciones de aprendizaje automático, aprendizaje por refuerzo y
analítica multimodal orientadas a personalización, aunque continúan existiendo
desafíos de privacidad, interpretabilidad y escalabilidad.
La multimodalidad ampliará igualmente las posibilidades de
interacción. Qian (2025) identifica la investigación sobre herramientas
generativas multimodales y la colaboración estudiante–docente–IA entre las
líneas que requieren mayor desarrollo. Estas tendencias sugieren que el futuro
educativo se orientará hacia sistemas más interactivos y contextuales, pero
también más complejos de supervisar.
No existe un único futuro predeterminado para la educación
frente a la inteligencia artificial. Las tecnologías abren posibilidades, pero
las decisiones curriculares, institucionales y profesionales determinarán en
gran medida sus consecuencias. La OECD (2025) advierte que la evolución de las
capacidades de IA obliga a reconsiderar qué conocimientos siguen siendo
fundamentales, qué capacidades humanas deben preservarse y cómo deberían
modificarse los currículos cuando las máquinas pueden desarrollar un número
creciente de tareas cognitivas.
Un primer escenario posible es el de augmentación
profesional, en el que la IA asume tareas repetitivas o proporciona apoyo
mientras docentes y estudiantes conservan control sobre las decisiones
relevantes. Este escenario permitiría dedicar más tiempo a interacción,
orientación, creatividad y resolución de problemas.
Un segundo escenario es el de integración desigual, donde
determinadas instituciones disponen de infraestructura, capacitación y sistemas
especializados mientras otras dependen de herramientas generales o mantienen
acceso limitado. En este caso, la IA podría aumentar diferencias previamente
existentes.
El escenario más problemático sería el de automatización
excesiva, caracterizado por delegación de decisiones pedagógicas, dependencia
tecnológica y debilitamiento de la autonomía profesional y estudiantil. El OECD
Digital Education Outlook 2026 advierte precisamente que delegar tareas
cognitivas a herramientas generativas generales puede mejorar el producto
inmediato sin garantizar aprendizaje y recomienda usos selectivos sustentados
en principios pedagógicos.
Los escenarios descritos no deben interpretarse como predicciones cerradas,
sino como trayectorias posibles cuya evolución dependerá de las decisiones
pedagógicas, institucionales y políticas que acompañen la incorporación de
estas tecnologías. La Figura 5 sintetiza estas tres posibilidades y destaca la
augmentación profesional como la orientación más coherente con una integración
de la IA centrada en las personas.
Figura 5 Escenarios futuros de la educación frente a
la Inteligencia Artificial
La dirección más coherente con los principios
desarrollados en esta obra es una integración centrada en las personas, donde
la IA amplifique capacidades sin sustituir el juicio humano. UNESCO ha
insistido en preservar la agencia docente y estudiantil frente a la creciente
automatización y en desarrollar competencias que permitan decidir qué tareas
pueden delegarse y cuáles deben permanecer bajo responsabilidad humana.
El futuro de la profesión docente dependerá, por
consiguiente, menos de competir con las capacidades de la inteligencia
artificial que de fortalecer aquello que permite utilizarlas con sentido:
conocimiento disciplinar, criterio pedagógico, pensamiento crítico, ética,
capacidad relacional, creatividad y aprendizaje continuo. La tecnología seguirá
transformándose; estas competencias permitirán evaluar cada nueva generación de
sistemas sin subordinar la educación a ellos.
La inteligencia artificial plantea así una transformación
profunda, pero el propósito fundamental de la educación permanece: formar
personas capaces de comprender, pensar, crear, convivir y tomar decisiones
responsables. La innovación adquiere valor cuando contribuye a ese propósito.
Por ello, el futuro educativo no debería definirse como una transición del
docente hacia la máquina, sino como la construcción de nuevas formas de
colaboración en las que la capacidad tecnológica se mantenga subordinada a objetivos
educativos y humanos.
Referencias bibliográficas
Abdallah,
N., Katmah, R., Khalaf, K., & Jelinek, H. F. (2025). Systematic
review of ChatGPT in higher education: Navigating impact on learning,
wellbeing, and collaboration. Social Sciences & Humanities Open, 12,
101866. https://doi.org/10.1016/j.ssaho.2025.101866
Aljemely, Y. (2024). Challenges and best practices in
training teachers to utilize artificial intelligence: A systematic review. Frontiers
in Education, 9, 1470853. https://doi.org/10.3389/feduc.2024.1470853
Almasri, F. (2024). Exploring the impact of artificial
intelligence in teaching and learning of science: A systematic review of
empirical research. Research in Science Education, 54, 977–997. https://doi.org/10.1007/s11165-024-10176-3
Baggia, A., Tratnik, A., & Brezavšček, A.
(2026). University teachers’ perceptions, attitudes, and practices with
generative AI: A systematic literature review with a meta-analytic component. Quality
& Quantity, 60, 14107–14139. https://doi.org/10.1007/s11135-026-02717-x
Bittle, K., & El-Gayar, O. F. (2025). Generative
AI and academic integrity in higher education: A systematic review and research
agenda. Information, 16(4), 296. https://doi.org/10.3390/info16040296
Borge, M., Smith, B. K., & Aldemir, T. (2024).
Using generative AI as a simulation to support higher-order thinking. International
Journal of Computer-Supported Collaborative Learning, 19(4), 479–532. https://doi.org/10.1007/s11412-024-09437-0
Borna,
M.-R., Saadat, H., Hojjati, A. T., & Akbari, E. (2024). Analyzing
click data with AI: Implications for student performance prediction and
learning assessment. Frontiers in Education, 9, 1421479. https://doi.org/10.3389/feduc.2024.1421479
Bui, N. M., & Barrot, J. S. (2025). ChatGPT as an
automated essay scoring tool in the writing classrooms: How it compares with
human scoring. Education and Information Technologies, 30, 2041–2058. https://doi.org/10.1007/s10639-024-12891-w
Celik, I. (2023). Towards Intelligent-TPACK: An
empirical study on teachers’ professional knowledge to ethically integrate
artificial intelligence (AI)-based tools into education. Computers in Human
Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468
Chiu, T. K. F., Ahmad, Z., & Çoban, M. (2025).
Development and validation of teacher artificial intelligence (AI) competence
self-efficacy (TAICS) scale. Education and Information Technologies, 30(5),
6667–6685. https://doi.org/10.1007/s10639-024-13094-z
Chu, H.-C., Hwang, G.-H., Tu, Y.-F., & Yang, K.-H.
(2022). Roles and research trends of artificial intelligence in higher
education: A systematic review of the top 50 most-cited articles. Australasian
Journal of Educational Technology, 38(3), 22–42. https://doi.org/10.14742/ajet.7526
Chuñir Panjon, J. (2025). Competencias específicas para la
integración de la inteligencia artificial en la planificación docente. Mamakuna:
Revista de Divulgación de Experiencias Pedagógicas, 24, 80–92. https://doi.org/10.70141/mamakuna.24.1050
Cosgrove, J., & Cachia, R. (2025). DigComp 3.0:
European Digital Competence Framework. Publications Office of the European
Union. https://doi.org/10.2760/0001149
Crompton, H., & Burke, D. (2023). Artificial
intelligence in higher education: The state of the field. International
Journal of Educational Technology in Higher Education, 20, Article 22. https://doi.org/10.1186/s41239-023-00392-8
Delcker, J., Heil, J., & Ifenthaler, D. (2025).
Evidence-based development of an instrument for the assessment of teachers’
self-perceptions of their artificial intelligence competence. Educational
Technology Research and Development, 73(1), 115–133. https://doi.org/10.1007/s11423-024-10418-1
European Commission. (2026). Guidelines on the
ethical use of artificial intelligence and data in teaching and learning for
educators. European Education Area. https://education.ec.europa.eu/focus-topics/digital-education/actions/plan/ethical-guidelines-for-educators-on-using-artificial-intelligence
Federiakin, D., Molerov, D., Zlatkin-Troitschanskaia,
O., & Maur, A. (2024). Prompt engineering as a new 21st century skill. Frontiers
in Education, 9, 1366434. https://doi.org/10.3389/feduc.2024.1366434
Fu, Y., Weng, Z., & Wang, J. (2025). Examining AI
use in educational contexts: A scoping meta-review and bibliometric analysis. International
Journal of Artificial Intelligence in Education, 35, 1388–1444. https://doi.org/10.1007/s40593-024-00442-w
Fuster Rabella, M. (2025). Evolving AI capabilities
and the school curriculum: Emerging implications and a case study on writing. OECD
Education Working Papers, No. 338. OECD Publishing. https://doi.org/10.1787/647880aa-en
García-López,
I. M., & Trujillo-Liñán, L. (2025). Ethical and
regulatory challenges of generative AI in education: A systematic review. Frontiers
in Education, 10, 1565938. https://doi.org/10.3389/feduc.2025.1565938
German Pimentel, H. E., Chacón, A. M., & German
Pimentel, C. E. (2025). Competencias
digitales del profesorado en tiempos de inteligencia artificial: Diagnóstico y
desafíos en la formación inicial docente. Revista Latinoamericana de Calidad
Educativa, 2(4), 74–80. https://doi.org/10.70625/rlce/242
Guo,
S., Zheng, Y., & Zhai, X. (2024). Artificial intelligence in education
research during 2013–2023: A review based on bibliometric analysis. Education
and Information Technologies, 29(13), 16387–16409. https://doi.org/10.1007/s10639-024-12491-8
International Telecommunication Union. (2024). Measuring
digital development: Facts and figures 2024. https://www.itu.int/itu-d/reports/statistics/facts-figures-2024/
Jauhiainen,
J. S., & Garagorry Guerra, A. (2024). Generative AI
and education: Dynamic personalization of pupils’ school learning material with
ChatGPT. Frontiers in Education, 9, 1288723. https://doi.org/10.3389/feduc.2024.1288723
Juárez
Zainos, U., Rodriguez Merino, L., & Garcés-Báez, A. (2024). Fortaleciendo
las competencias digitales docentes: Un imperativo ante la integración de la
inteligencia artificial en la educación superior. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 5844–5860. https://doi.org/10.37811/cl_rcm.v8i3.12252
Kaldaras,
L., Akaeze, H. O., & Reckase, M. D. (2024). Developing
valid assessments in the era of generative artificial intelligence. Frontiers
in Education, 9, 1399377. https://doi.org/10.3389/feduc.2024.1399377
Kestin, G., Miller, K., Klales, A., Milbourne, T.,
& Ponti, G. (2025). AI tutoring outperforms in-class active learning: An
RCT introducing a novel research-based design in an authentic educational
setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6
Kortemeyer, G. (2024). Performance of the pre-trained
large language model GPT-4 on automated short answer grading. Discover
Artificial Intelligence, 4, Article 47. https://doi.org/10.1007/s44163-024-00147-y
Lademann, J., Henze, J., Honke, N., Wollny, C., &
Becker-Genschow, S. (2026). Teacher training in the age of AI: Impact on AI
literacy and teachers’ attitudes. Frontiers in Education, 10, 1671306. https://doi.org/10.3389/feduc.2025.1671306
Lee, D., & Palmer, E. (2025). Prompt engineering
in higher education: A systematic review to help inform curricula. International
Journal of Educational Technology in Higher Education, 22, Article 7. https://doi.org/10.1186/s41239-025-00503-7
Létourneau, A., Deslandes Martineau, M., Charland, P.,
Karran, J. A., Boasen, J., & Léger, P. M. (2025). A systematic review of
AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science
of Learning, 10, Article 29. https://doi.org/10.1038/s41539-025-00320-7
Li,
J., Yan, Y., & Zeng, X. (2025). Exploring artificial intelligence in
inclusive education: A systematic review of empirical studies. Applied
Sciences, 15(23), 12624. https://doi.org/10.3390/app152312624
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., &
Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns,
4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Lo, C. K. (2023). What is the impact of ChatGPT on
education? A rapid review of the literature. Education Sciences, 13(4),
410. https://doi.org/10.3390/educsci13040410
Lodge, J. M., Bearman, M., Dawson, P., Gniel, H.,
Harper, R., Liu, D., McLean, J., & Ucnik, L. (2025). Enacting assessment
reform in a time of artificial intelligence. Tertiary Education Quality and
Standards Agency. https://www.teqsa.gov.au/guides-resources/resources/corporate-publications/enacting-assessment-reform-time-artificial-intelligence
Mah, D.-K., & Groß, N. (2024). Artificial
intelligence in higher education: Exploring faculty use, self-efficacy,
distinct profiles, and professional development needs. International Journal
of Educational Technology in Higher Education, 21, Article 58. https://doi.org/10.1186/s41239-024-00490-1
Mahapatra, S. (2024). Impact of ChatGPT on ESL
students’ academic writing skills: A mixed methods intervention study. Smart
Learning Environments, 11, Article 9. https://doi.org/10.1186/s40561-024-00295-9
Mahmud, M. M., Monib, W. K., Qazi, A., Wong, S. F.,
Ramachandiran, C. R., & Azizan, S. N. (2025). Developing AI education
competency framework: A systematic literature review. Open Praxis, 17(4),
730–748. https://doi.org/10.55982/openpraxis.17.4.1012
Medina Vargas, C. Y., Chiappe, A., & Sepúlveda, F.
(2025). Communities of practice and teacher education in the era of artificial
intelligence: A review. Journal of Social Studies Education Research, 16(4),
109–144. https://www.jsser.org/index.php/jsser/article/view/6414
Melo-López,
V.-A., Basantes-Andrade, A., Gudiño-Mejía, C.-B., & Hernández-Martínez, E.
E. (2025). The impact of artificial intelligence on inclusive
education: A systematic review. Education Sciences, 15(5), 539. https://doi.org/10.3390/educsci15050539
Miao, F., & Cukurova, M. (2024). AI competency
framework for teachers. UNESCO.
https://doi.org/10.54675/ZJTE2084
Ning,
Y., Zhang, C., Xu, B., Zhou, Y., & Wijaya, T. T. (2024). Teachers’
AI-TPACK: Exploring the relationship between knowledge elements. Sustainability,
16(3), 978. https://doi.org/10.3390/su16030978
Nuhoğlu Kibar, P., & Ilgaz, H. (2026). The
intersection of artificial intelligence and instructional design practice: A
systematic review. Educational Technology Research and Development.
Advance online publication. https://doi.org/10.1007/s11423-026-10624-z
OECD. (2026b). OECD Digital Education Outlook 2026:
Exploring effective uses of generative AI in education. https://doi.org/10.1787/062a7394-en
OECD. (2026c). Policies supporting responsible and
systematic GenAI adoption in higher education (OECD Education Spotlights
No. 23). https://doi.org/10.1787/c4e5621f-en
Omeh,
C. B., & Ayanwale, M. A. (2025). Artificial intelligence meets PBL:
Transforming computer-robotics programming motivation and engagement. Frontiers
in Education, 10, 1674320. https://doi.org/10.3389/feduc.2025.1674320
Peters, M., & Angelov, D. (2025). Redefining
assessment tasks to promote students’ creativity and integrity in the age of
generative artificial intelligence. International Journal for Educational
Integrity, 21, Article 25. https://doi.org/10.1007/s40979-025-00201-x
Pineda,
R., Castillo, Y., & Chalco, J. (2024). Integración de la inteligencia
artificial en las metodologías activas de enseñanza desde las competencias
docentes. Identidad Bolivariana, 8(4), 138–150. https://doi.org/10.37611/IB8ol4138-150
Pita-Briones,
K. M., Jiménez-Pin, K. E., Saldarriaga-Alvarado, I. P., & Meneses-López, S.
G. (2025). Competencias digitales docentes frente a la inteligencia artificial
educativa. 593 Digital Publisher CEIT, 10(5), 900–916. https://doi.org/10.33386/593dp.2025.5.3569
Qian, Y. (2025). Pedagogical applications of
generative AI in higher education: A systematic review of the field. TechTrends, 69, 1105–1120. https://doi.org/10.1007/s11528-025-01100-1
Saez,
Y., Garcia, L. M., Mochon, A., & Isasi, P. (2026). Evaluating
large language models for AI-assisted grading: A framework and case study in
higher education. Scientific
Reports, 16,
18035. https://doi.org/10.1038/s41598-026-48656-3
Sánchez
Muñoz, J. A., Flores-Eraña, G., Silva-Campos, J. M., Chavira-Quintero, R.,
& Olais-Govea, J. M. (2025). GenAI as a cognitive mediator: A
critical-constructivist inquiry into computational thinking in pre-university
education. Frontiers in Education, 10, 1597249. https://doi.org/10.3389/feduc.2025.1597249
Sposato, M. (2025). Artificial intelligence in
educational leadership: A comprehensive taxonomy and future directions. International
Journal of Educational Technology in Higher Education, 22, Article 20. https://doi.org/10.1186/s41239-025-00517-1
Steinert, S., Avila, K. E., Ruzika, S., Kuhn, J.,
& Küchemann, S. (2024). Harnessing large language models to develop
research-based learning assistants for formative feedback. Smart Learning
Environments, 11, Article 62. https://doi.org/10.1186/s40561-024-00354-1
Sun, X., Liu, C., Li, P., & Cai, Z. (2026).
Effects of generative AI tools on students’ critical thinking: A three-level
meta-analysis. Educational Psychology Review, 38, Article 84. https://doi.org/10.1007/s10648-026-10180-1
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A.,
Hickey, D. T., Huang, R., & Agyemang, B. (2023). What if the devil is my
guardian angel: ChatGPT as a case study of using chatbots in education. Smart
Learning Environments, 10, Article 15. https://doi.org/10.1186/s40561-023-00237-x
Türkmen, G. (2025). The review of studies on
explainable artificial intelligence in educational research. Journal of
Educational Computing Research, 63(2), 277–310. https://doi.org/10.1177/07356331241310915
UNESCO. (2023). Global education monitoring report
2023: Technology in education—A tool on whose terms? https://unesdoc.unesco.org/ark:/48223/pf0000385723
UNICEF. (2025). Guidance on AI and children:
Version 3.0—Recommendations for AI policies and systems that uphold child
rights. UNICEF Office of Strategy and Evidence—Innocenti. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
Varsik, S., & Vosberg, L. (2024). The potential
impact of artificial intelligence on equity and inclusion in education. OECD
Artificial Intelligence Papers, No. 23. OECD Publishing. https://doi.org/10.1787/15df715b-en
Walter, Y. (2024). Embracing the future of artificial
intelligence in the classroom: The relevance of AI literacy, prompt
engineering, and critical thinking in modern education. International
Journal of Educational Technology in Higher Education, 21, Article 15. https://doi.org/10.1186/s41239-024-00448-3
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S.,
Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L.
(2023). Testing of detection tools for AI-generated text. International
Journal for Educational Integrity, 19, Article 26. https://doi.org/10.1007/s40979-023-00146-z
Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu,
T. K. F. (2024). A scoping review on how generative artificial intelligence
transforms assessment in higher education. International Journal of
Educational Technology in Higher Education, 21, Article 40. https://doi.org/10.1186/s41239-024-00468-z
Zhang, J., Jantakoon, T., & Laoha, R. (2025).
Meta-analysis of artificial intelligence in education. Higher Education Studies, 15(2), 189–210. https://doi.org/10.5539/hes.v15n2p189
Revisado y publicado en Argentina 
AUTORES 
annel.betancourt@ulsavictoria.edu.mx 
https://orcid.org/0009-0002-8409-0324 
