La conversación que empieza antes de que hablemos

Nos gusta pensar que la educación sexual comienza el día en que una familia o una escuela decide conversar sobre el tema; para entonces, sin embargo, buena parte de la conversación ya ocurrió.

Ocurrió en el chat del salón, en el video que alguien compartió, en el chiste que hizo reír a todos, en la manera en que un adulto habló del cuerpo de otra persona delante de sus hijos y en el prestigio que obtuvo quien se atrevió a cruzar un límite; también ocurrió en los silencios, cuando nadie preguntó, nadie intervino o un adolescente concluyó que ciertos asuntos no podían llevarse a casa.

Por eso, cuando conocemos una conducta sexual violenta protagonizada por menores, es comprensible que la primera explicación apunte al teléfono o a la pornografía. Ambas son influencias reales y merecen atención, pero no bastan para explicar lo ocurrido.

Dos investigaciones recientes ayudan a mirar el problema con más amplitud. Protective Factors for Sexual Violence Perpetration Among High School and College Students: A Systematic Review, de O’Connor, Smith, Woerner y Khan (2024), encontró que la empatía, el apoyo familiar, la influencia de los pares y la conexión con la escuela pueden actuar como protección. Por su parte, Predictors of the Onset of Sexual Violence Perpetration in Adolescence and Emerging Adulthood, de Ybarra, Petras, Goodman y Mitchell (2024), siguió a 778 jóvenes y observó que estas conductas no aparecían aisladas: estaban relacionadas con el consumo de sustancias, la agresividad, los problemas escolares, la supervisión familiar, el entorno de amigos y la exposición a distintas formas de violencia.

Buscar una sola explicación puede tranquilizarnos, pero comprender cómo se combinan esas influencias puede ayudarnos a prevenir.

Esa es la pregunta que quisiera explorar.

Un currículo sin profesores

La sexualidad adolescente no se forma únicamente con información sobre el cuerpo; también se construye con ideas acerca del afecto, la intimidad, el poder, la vergüenza, la masculinidad, el rechazo y el lugar que cada persona ocupa frente a los demás.

Ese aprendizaje tiene un currículo informal. Enseña, por ejemplo, si insistir es una demostración de interés; si la vulnerabilidad da vergüenza; si un cuerpo puede convertirse en prueba de popularidad; si compartir una imagen íntima es una broma; si el grupo tiene derecho a decidir cuánto vale otra persona.

Las pantallas participan en ese currículo, pero no trabajan solas. En su libro Crecer entre pantallas, Cristina Fortuny, a quien tuve la oportunidad de entrevistar (aquí), recuerda que muchas prácticas digitales de los adolescentes satisfacen una necesidad muy antigua, la de pertenecer; los grupos de mensajería, los comentarios y los videojuegos no crean esa necesidad, aunque la vuelven permanente, visible y medible. Guillermo Cánovas plantea algo parecido en Cariño, he conectado a los niños: la identidad en línea y la vida fuera de línea forman parte del mismo desarrollo, de modo que educar no puede limitarse a instalar un filtro.

La pornografía merece una conversación seria, alejada tanto del pánico como de la indiferencia. En El consumo de pornografía en menores y la perpetración de violencia sexual: una revisión sistemática, Galiana-Molina y Julián (2025) analizaron 17 estudios y encontraron una asociación más marcada entre varones y ante contenidos violentos; los propios autores advierten, sin embargo, que todavía hay pocos estudios, medidas muy distintas y escaso seguimiento longitudinal. La asociación merece atención, pero no demuestra una cadena causal automática entre mirar y agredir.

Esta diferencia importa porque, si reducimos la prevención a bloquear contenidos, dejamos intactos los significados que un adolescente puede encontrar en ellos. Alguien tiene que ayudarlo a reconocer qué guiones representan dominación, cuáles confunden deseo con disponibilidad y cuáles borran la humanidad de la otra persona; esa conversación necesita comenzar antes de la primera crisis.

Cuando el grupo cambia las reglas

En la adolescencia, el grupo no es solo compañía: es un lugar donde se negocian la identidad, el reconocimiento y el estatus.

Antonio Milán lo explica en Adolescentes hiperconectados y felices al analizar la violencia entre pares: algunas conductas agresivas ofrecen una forma de dominio y reconocimiento, mientras el silencio de quienes observan ayuda a sostenerlas. Esto no significa que los amigos “causen” la violencia, pero sí que un grupo puede cambiar el costo social de una acción; una conducta que en solitario produciría duda puede parecer aceptable cuando ofrece aprobación, una historia que contar o una prueba de pertenencia.

Entre los factores identificados por Ybarra y sus colegas estaba la relación con pares que presentaban problemas de conducta. Otra investigación ayuda a entender qué puede ocurrir dentro de esos grupos: Longitudinal Links of Individual and Collective Morality with Adolescents’ Peer Aggression, de Gini, Thornberg, Bussey, Angelini y Pozzoli (2022), estudió la agresión adolescente en general y observó el llamado desenganche moral colectivo. En términos sencillos, el daño empieza a presentarse como un juego, la responsabilidad se reparte entre todos y la víctima termina convertida en culpable.

La misma dinámica puede funcionar en sentido contrario, porque un compañero que expresa su rechazo, detiene la situación o pide ayuda cambia lo que el grupo considera aceptable.

A veces hablamos con los adolescentes como si cada decisión ocurriera en privado, cuando también deberíamos preguntarles qué harán cuando todos estén mirando.

Saber la definición no basta

Enseñar el consentimiento es imprescindible. Permite nombrar un límite básico: ninguna interacción sexual es válida sin una decisión libre, informada, específica y reversible. Pero conocer esa definición no garantiza que un adolescente sepa sostenerla ante la presión de sus amigos, reconocer una relación desigual de poder o tratar a otra persona como sujeto cuando el grupo la ha convertido en objeto.

La revisión School-based interventions for sexual education and sexual violence prevention in adolescence: systematic review, de dos Santos y sus colegas (2026), encontró que las intervenciones escolares suelen mejorar los conocimientos y las actitudes, pero no siempre cambian las conductas. Allí está el reto: convertir lo aprendido en decisiones que puedan sostenerse frente al grupo.

Por eso, una educación sexual más completa debería ayudar a los adolescentes a:

• reconocer cuándo el deseo o la curiosidad se convierten en presión;

• cuestionar el prestigio que se obtiene humillando o exponiendo a otra persona;

• intervenir cuando un amigo cruza un límite, sin ponerse en riesgo;

• pedir ayuda y acompañar a alguien sin interrogarlo ni culparlo.

Una charla anual puede abrir una puerta, pero difícilmente cambia por sí sola las reglas de un grupo; ese aprendizaje necesita continuidad y debe formar parte de la vida cotidiana de la escuela.

Volver a entrar en la conversación

Los adultos no podemos controlar cada pantalla ni acompañar cada reunión, aunque sí podemos recuperar presencia en el proceso con el que los adolescentes interpretan lo que ven y lo que viven.

En casa, eso exige algo más difícil que vigilar: crear una relación en la que un hijo pueda contar algo incómodo sin anticipar humillación, castigo automático o pánico. Fortuny propone acercarse con curiosidad a la necesidad que una práctica digital está satisfaciendo; preguntar “¿qué te da ese grupo?” puede revelar más que revisar el tiempo de uso de un dispositivo electrónico.

También conviene observar lo que enseñamos sin darnos cuenta: cómo reaccionamos ante el rechazo, qué bromas dejamos pasar, a quién culpamos cuando circula una imagen íntima y qué modelo ofrecemos para reparar el daño.

En la escuela, la prevención tiene que abarcar a la comunidad completa: las clases, los entrenamientos deportivos, los patios, los viajes, los grupos digitales y los espacios con poca supervisión. Requiere reglas conocidas, adultos formados para recibir una revelación y procedimientos que no dependan de la improvisación; también demanda trabajar con las familias y con quienes suelen quedar fuera de la “charla de sexualidad”, como tutores, entrenadores, personal directivo y responsables de convivencia.

En Perú, los lineamientos de educación sexual integral aprobados por el Ministerio de Educación (2026) nacieron en medio de las tensiones políticas que rodean este tema. No los cito como una respuesta definitiva ni creo que deban aceptarse sin discusión; los menciono porque, aun con esas reservas, relacionan la educación sexual con el bienestar, las habilidades socioemocionales, el buen trato y las relaciones igualitarias. Su valor dependerá de que estas ideas lleguen a la práctica cotidiana y no queden reducidas a una sesión aislada.

La ciudadanía digital forma parte de este trabajo, y educarla exige algo más que enumerar prohibiciones: supone enseñar qué hacer frente a una imagen íntima, un contenido degradante, una presión grupal o una agresión que empieza fuera de línea y continúa en el teléfono. La pregunta importante no es si lo digital es “real”, sino qué responsabilidad tenemos cuando el daño pasa por nuestras manos.

Cuando algo ya ocurrió

Ante una posible violencia sexual, la prioridad cambia: primero hay que proteger a la persona afectada.

Escuchar significa recibir su relato sin culpar, sin mostrar incredulidad y sin pedir que lo repita ante cada adulto; también implica resguardar su intimidad. Los archivos, mensajes o imágenes que pudieran servir como evidencia no deben circular “para confirmar” lo sucedido, pues redistribuirlos puede ampliar el daño e incluso constituir otra vulneración.

La escuela tampoco debe convertir el caso en una mediación privada entre familias ni realizar su propia investigación antes de decidir si denuncia. La Resolución Ministerial N.° 383-2025-MINEDU incluye un protocolo específico para la violencia sexual entre estudiantes, aplicable a instituciones educativas públicas y privadas. Este dispone medidas inmediatas de protección, comunicación a las autoridades competentes, registro del caso y reporte en la plataforma SíseVe. La existencia de esta ruta busca que la respuesta no dependa del prestigio de la escuela, de la presión del entorno ni de la capacidad de una familia para hacerse escuchar.

En términos prácticos, las familias y cualquier persona que conozca el caso pueden:

• comunicarse con la Línea 100 o acudir a un Centro Emergencia Mujer y Familia para recibir orientación;

• acudir a un establecimiento de salud, donde la atención de adolescentes afectados por violencia sexual debe ser inmediata, confidencial y libre de prácticas revictimizantes, según el Ministerio de Salud;

• conservar las conversaciones, audios, capturas o imágenes en el dispositivo original, sin reenviarlas, y denunciar el hecho ante la Fiscalía o la comisaría.

Proteger a la víctima es la primera obligación; a la vez, los menores que participaron en el daño necesitan una evaluación especializada y una intervención capaz de trabajar responsabilidad, empatía, sexualidad y violencia. Esto no equivale a diluir consecuencias, sino a reconocer que una respuesta educativa y terapéutica temprana puede impedir nuevas agresiones, una posibilidad que rara vez ofrecen la exposición pública y las etiquetas permanentes.

Una conversación para esta semana

Conversar no significa sentar a un adolescente frente a un cuestionario; puede ser más natural partir de una escena de una serie, un comentario escuchado en el colegio o algo que circuló en redes para preguntarle:

• ¿Qué comportamientos hacen que alguien gane respeto dentro de tu grupo?

• ¿Cuándo una broma deja de ser una broma y empieza a humillar o exponer a otra persona?

• Si todos aprobaran algo que a ti te parece incorrecto, ¿qué te ayudaría a decirlo?

• ¿Cómo reconoces que la curiosidad o el deseo se han convertido en presión, dominio o violencia?

• ¿Qué necesitarías de nosotros para contarnos algo grave sin miedo a ser castigado, ridiculizado o culpado?

Es posible que no tengan respuestas claras, pero tampoco necesitamos corregirlos de inmediato, porque primero conviene escuchar qué reglas gobiernan sus grupos, qué temen perder y qué conductas han aprendido a considerar normales, para luego ofrecerles palabras y criterios que les permitan cuestionarlas.

Los amigos seguirán educando y las pantallas también, de modo que nuestra responsabilidad es ofrecer otra referencia: una forma de vivir la sexualidad que no necesite la humillación, el dominio ni el cuerpo de otra persona como prueba de pertenencia.

Nos vemos… después de clase.

Fuentes y lecturas

• Bezerra dos Santos, K., Romera Leme, V. B., Fagundes dos Santos, A. C., et al. (2026). School-based interventions for sexual education and sexual violence prevention in adolescence: systematic review. Psicologia: Reflexão e Crítica, 39, 19.

• Cánovas, G. (2015). Cariño, he conectado a los niños: guía sobre salud digital para familias y educadores. Mensajero.

• Fortuny, C. (s. f.). Crecer entre pantallas.

• Galiana-Molina, M., & Julián, M. (2025). El consumo de pornografía en menores y la perpetración de violencia sexual: una revisión sistemática. Papeles del Psicólogo, 46(2), 136–145.

• Gini, G., Thornberg, R., Bussey, K., Angelini, F., & Pozzoli, T. (2022). Longitudinal links of individual and collective morality with adolescents’ peer aggression. Journal of Youth and Adolescence, 51, 524–539.

• Milán, A. (2018). Adolescentes hiperconectados y felices. Ediciones Teconte.

• Ministerio de Educación del Perú. (2025). Resolución Ministerial N.° 383-2025-MINEDU.

• Ministerio de Educación del Perú. (2026). Lineamientos para la implementación de la educación sexual integral en instituciones educativas.

• O’Connor, J., Smith, L., Woerner, J., & Khan, A. (2024). Protective factors for sexual violence perpetration among high school and college students: A systematic review. Trauma, Violence, & Abuse, 25(2), 1073–1087.

• Ybarra, M. L., Petras, H., Goodman, K. L., & Mitchell, K. J. (2024). Predictors of the onset of sexual violence perpetration in adolescence and emerging adulthood. Prevention Science, 25(8), 1284–1297.

Un problema real, una respuesta apresurada

Cuando ChatGPT llegó a las aulas, a fines de 2022, colegios y universidades se encontraron ante un problema real: un estudiante podía introducir la consigna de un ensayo y recibir, en segundos, un texto razonablemente bien escrito. El informe de similitud tradicional servía de poco porque, a diferencia del plagio convencional, aquellas palabras no necesariamente habían sido copiadas de una fuente existente.

La primera reacción fue comprensible. Si una máquina podía escribir el ensayo, quizá otra máquina podría reconocerlo. Turnitin, ampliamente utilizado por instituciones educativas, lanzó en abril de 2023 su función de detección de escritura generada por inteligencia artificial. El resultado tenía una apariencia convincente: un porcentaje, fragmentos destacados y el respaldo de una plataforma conocida. Para una institución que necesitaba responder con rapidez, parecía una solución disponible.

Sin embargo, había una diferencia importante entre lo que ese porcentaje aparentaba decir y lo que realmente podía demostrar. Un detector no reconstruye el proceso de escritura ni identifica a su autor; analiza patrones lingüísticos y calcula cuánto se parece un texto a otros que el sistema considera generados por una máquina. Esa probabilidad puede ser una señal, pero no es una prueba de autoría.

La distinción parece técnica hasta que un estudiante recibe una nota reprobatoria, enfrenta una acusación de deshonestidad académica o debe defender su permanencia en la institución.

Cuando el indicador se convierte en veredicto

En 2023, un equipo encabezado por Weixin Liang y James Zou evaluó siete detectores de IA ampliamente utilizados. Los resultados, publicados en la revista Patterns, mostraron que el error no se distribuía de manera neutral. Los sistemas alcanzaron resultados casi perfectos con ensayos escritos por estudiantes estadounidenses de octavo grado; sin embargo, clasificaron incorrectamente como generados por IA el 61,3 % de una muestra de ensayos del TOEFL escritos por personas cuya lengua materna no era el inglés. Los siete detectores coincidieron en señalar casi el 20 % de esos textos y el 97,8 % fue marcado por al menos uno de ellos.

James Zou explicó en una entrevista con Stanford HAI que muchos detectores de aquella generación utilizaban una medida llamada «perplejidad». Los textos más predecibles recibían una mayor probabilidad de haber sido producidos por una máquina. El inconveniente era que ciertos rasgos asociados a la escritura de hablantes no nativos también podían resultar más predecibles para el sistema. El detector no sabía quién había escrito el ensayo: infería su origen a partir de características que podían tener otras explicaciones.

Esto puso a los docentes en una posición difícil. Robert Topinka la resumió muy bien en un artículo publicado en The Guardian: el software dice que el estudiante hizo trampa; el estudiante afirma que es inocente. ¿A quién creerle?

El problema se agrava porque un detector de IA funciona de manera distinta a un informe de similitud. Cuando Turnitin encuentra una coincidencia con una publicación, el docente puede abrir la fuente, comparar los textos y valorar si existe plagio, una cita mal construida o una coincidencia irrelevante. Con la detección de IA no existe una fuente original que pueda consultarse: el resultado proviene de un modelo cuyo razonamiento no puede ser reconstruido por el profesor. El porcentaje parece preciso, pero la evidencia que lo sostiene no es directamente verificable.

Vanderbilt University hizo un cálculo sencillo. Turnitin informaba entonces una tasa de falsos positivos inferior al 1 % y la universidad había procesado unos 75.000 trabajos durante 2022. Incluso aceptando la cifra de la empresa, ese margen podía representar alrededor de 750 documentos señalados incorrectamente en un año. En agosto de 2023, Vanderbilt desactivó la función. No abandonó la integridad académica ni dejó de revisar posibles casos de fraude; decidió que el riesgo de una acusación equivocada era demasiado alto para depender de ese indicador.

Después llegaron otras decisiones. La Universidad de Waterloo retiró la funcionalidad en septiembre de 2025 y Curtin University hizo lo mismo en todos sus campus a partir de enero de 2026. Ambas mantuvieron la revisión de similitud utilizada para el plagio tradicional.

OpenAI también había desarrollado su propio clasificador, pero lo retiró en julio de 2023 porque identificaba correctamente solo el 26 % de los textos generados por IA y clasificaba erróneamente como artificiales al 9 % de los textos humanos incluidos en su evaluación. La dificultad, por tanto, no era exclusiva de herramientas gratuitas o empresas desconocidas. Incluso OpenAI reconocía que su clasificador no debía utilizarse como mecanismo principal para tomar decisiones.

Los detectores mejoraron, pero la pregunta sigue abierta

Sería injusto juzgar todos los detectores actuales únicamente por lo ocurrido en 2023, porque la tecnología también ha mejorado. En 2025, Brian Jabarian y Alex Imas, de la Universidad de Chicago, compararon varias herramientas utilizando una condición exigente: una tasa máxima de falsos positivos del 0,5 %. En esa evaluación, Pangram fue el único detector que mantuvo buenos resultados de forma consistente sin superar el límite establecido.

El estudio de Chicago también encontró diferencias importantes entre herramientas. El desempeño cambiaba según el modelo que había generado el texto y tendía a disminuir en fragmentos de menos de 50 palabras. Esto obliga a introducir un matiz: decir que ningún detector funciona en ninguna circunstancia ya no describe bien la evidencia. Algunos son mucho mejores que otros y posiblemente continuarán mejorando. Sin embargo, una mayor precisión no convierte automáticamente el resultado en una prueba suficiente para sancionar.

En febrero de 2026, un estudiante de primer año de Adelphi University ganó una demanda contra la institución después de haber sido acusado de utilizar IA en un ensayo. Turnitin había clasificado el trabajo como completamente generado por IA; otros dos detectores lo identificaron como humano. La universidad rechazó inicialmente su apelación y el caso terminó en los tribunales, donde un juez determinó que la acusación carecía de fundamento suficiente.

El caso, recogido por Inside Higher Ed, no demuestra que todos los resultados de Turnitin sean incorrectos. Demuestra algo más importante: cuando distintas herramientas pueden producir conclusiones opuestas, el porcentaje no puede reemplazar un procedimiento justo.

En Inglaterra y Gales, el organismo independiente que revisa reclamaciones de estudiantes también publicó varios casos relacionados con acusaciones de uso de IA. Algunas decisiones resultaron total o parcialmente favorables a los estudiantes. Los expedientes mostraban problemas al interpretar los indicadores, considerar las circunstancias personales y valorar el resto de las evidencias.

La propia documentación de Turnitin señala que su porcentaje debe utilizarse como un dato dentro de una revisión más amplia, no como una respuesta definitiva. La pregunta central, entonces, no es si un detector puede acertar, sino si estamos dispuestos a convertir una probabilidad en una acusación.

Si el texto ya no basta, ¿qué estamos evaluando?

Durante mucho tiempo hemos utilizado el producto final como evidencia del proceso. Si un estudiante entregaba un buen ensayo, suponíamos que había investigado, comparado fuentes, organizado sus ideas, construido un argumento y revisado su escritura. El texto funcionaba como una ventana hacia ese recorrido intelectual.

La IA generativa ha roto esa equivalencia. Hoy es posible obtener un producto aceptable sin haber atravesado todas las decisiones que supuestamente debía representar, pero también es posible utilizar IA para recibir retroalimentación, aclarar una idea o mejorar la expresión de un argumento propio. El resultado final no permite distinguir con facilidad entre esos escenarios.

Esto no vuelve inútil al ensayo ni significa que debamos regresar necesariamente a todas las evaluaciones presenciales, manuscritas y sin acceso a tecnología; significa que debemos ser más cuidadosos con las inferencias que hacemos a partir de una sola evidencia.

Mariana Morales y Juan Fernández, en La evaluación formativa, recuerdan que la validez no es una propiedad automática de un instrumento: depende de las conclusiones que intentamos obtener y de las circunstancias en las que recogemos la evidencia. Un ensayo puede ser una evidencia válida de la calidad de un texto, pero no siempre es evidencia suficiente del proceso que lo produjo, del grado de ayuda recibido o de todo lo que aprendió quien lo entrega.

Por eso, la pregunta más útil no es solamente “¿usó IA?”, sino otra anterior:

Rediseñar antes que perseguir

La respuesta no consiste en añadir controles hasta convertir cada tarea en una investigación forense, sino en diseñar evaluaciones que permitan observar mejor el aprendizaje.

La Universidad de los Andes ofrece un ejemplo cercano. En octubre de 2024 presentó unos lineamientos para el uso de inteligencia artificial generativa dirigidos a estudiantes, profesores y personal administrativo. Después amplió el trabajo mediante una estrategia articulada alrededor de cuatro líneas: orientaciones, formación, experimentación y condiciones tecnológicas. La importancia de ese enfoque no está en haber encontrado una política definitiva, sino en haber tratado la IA como un asunto educativo e institucional, no únicamente como un problema de vigilancia.

En agosto de 2026, un comité convocado por el MIT recomendó explorar nuevas formas de evaluación. Su informe incluyó alternativas a los sistemas tradicionales de calificación, evaluaciones basadas en competencias y modalidades de interacción oral más inmediatas. El comité también discutió una posibilidad disruptiva: reducir el protagonismo de las notas podría disminuir algunos de los incentivos para hacer trampa con IA. La presidenta del MIT resumió estas recomendaciones en una carta dirigida a la comunidad universitaria.

En Nueva Zelanda, La Massey University dejó de utilizar sistemas de detección, mientras Auckland y Victoria tampoco respaldaban su uso. Estas decisiones, recogidas por RNZ, forman parte de un movimiento más amplio: trasladar la atención desde la persecución del texto hacia el diseño de la experiencia de aprendizaje.

Ese rediseño puede comenzar con cambios pequeños:

• El primero es definir con precisión el objetivo de cada tarea. Si queremos evaluar la capacidad de argumentar, necesitaremos observar cómo el estudiante selecciona evidencia, responde objeciones y justifica sus decisiones. Si queremos evaluar su dominio de la escritura, tendremos que distinguir ese objetivo de la simple presentación de un texto sin errores.

• El segundo es recoger más de una evidencia. Un borrador comentado, una entrega intermedia, una comparación entre versiones o una conversación breve sobre las decisiones tomadas pueden mostrar aspectos que el producto final no revela. Ninguna de estas evidencias es infalible, pero en conjunto ofrecen una imagen más completa.

• El tercero es aclarar los usos permitidos de la IA. “Puedes usar IA” y “está prohibido usar IA” son instrucciones demasiado generales. ¿Puede emplearse para buscar ideas, corregir la redacción, cuestionar un argumento o generar un primer borrador? ¿Cómo debe reconocerse esa ayuda? Las respuestas pueden cambiar entre asignaturas y actividades; lo importante es que se conozcan antes de la entrega, no que aparezcan cuando ya existe una sospecha.

• El cuarto cambio es recuperar la retroalimentación como parte del aprendizaje. Grant Wiggins señalaba que la retroalimentación no es simplemente una nota, un elogio o un consejo: es información que permite saber cómo avanzamos hacia una meta. Para que sea útil debe ser específica, comprensible, oportuna y susceptible de convertirse en una acción.

  Un porcentaje de uso de IA (supuesto), arrojado porv un software, no cumple esa función. No le explica al estudiante qué ha aprendido, qué necesita mejorar ni qué debería hacer después; solo añade una sospecha sobre el origen del texto.

Una decisión para esta semana

Rediseñar la evaluación de una institución completa requiere tiempo. Dejar de tratar el porcentaje de un detector como un veredicto puede hacerse de inmediato.

Si diriges un colegio o una universidad, puedes comenzar eligiendo una evaluación importante y haciendo tres preguntas:

• ¿Qué aprendizaje queremos observar?

• ¿Qué usos de IA son compatibles con ese objetivo?

• ¿Qué evidencia del proceso puede acompañar al producto final?

La respuesta podría ser un borrador comentado, una entrega intermedia, un registro de decisiones o una conversación breve sobre el trabajo. Estas opciones deben aplicarse con criterio y contemplar las adaptaciones necesarias para estudiantes con discapacidad, ansiedad o diferencias lingüísticas. El propósito no es obligar al estudiante a demostrar permanentemente su inocencia, sino reunir mejores evidencias del aprendizaje.

Los detectores seguirán mejorando y algunos podrán servir como una señal dentro de una revisión más amplia. Pero diseñar la evaluación alrededor de una carrera entre generadores, detectores y herramientas para evadirlos nos aleja de la tarea educativa.

Son preguntas que un detector no puede responder, pero que una evaluación bien diseñada sí debería ayudarnos a esclarecer.

Una nota personal sobre este artículo

Buena parte de los datos y conexiones que aparecen aquí no surgieron de una búsqueda hecha únicamente para escribir este artículo, provienen de una práctica que intento sostener con lo que leo: guardo artículos y libros, y me suscribo a blogs y newslertters, usando Readwise Reader, subrayo lo que me parece valioso y dejo que Readwise envíe esos fragmentos a Notion o a Evernote (ambos funcionan muy bien). Allí puedo volver a encontrarlos, compararlos y relacionar ideas que llegaron en momentos distintos.

Este proceso me facilita la escritura, pero ese no es su principal valor. Volver sobre los subrayados, organizarlos y ponerlos de nuevo “sobre la mesa” me obliga a recordar por qué los guardé y a reflexionar sobre lo que aprendí. El artículo termina siendo una segunda lectura; una oportunidad para transformar información dispersa en una idea que puedo explicar con mis propias palabras (con ayuda de Grammarly).

Quise contar este proceso porque detrás de cada texto publicado hay muchas lecturas que no siempre se ven; y que forman parte de mi desarollo profesional. Las herramientas me ayudan a conservarlas y recuperarlas, pero aprender ocurre cuando regreso a ellas, las cuestiono y trato de construir algo nuevo.

Si te interesa conocer este sistema con más detalle, en Foco Productivo publiqué una guía sobre cómo organizo lo que leo con Readwise Reader. Allí explico el flujo completo y algunas decisiones que pueden ayudarte a construir uno propio.

Nos vemos… después de clase.

Fuentes y lecturas

Alonso, J. (2026, 11 de febrero). Adelphi student wins AI plagiarism lawsuit. Inside Higher Ed.

Curtin University. (2025, 4 de septiembre). Update on Turnitin AI-detection tool.

Gerritsen, J. (2025, 30 de septiembre). Universities give up using software to detect AI in students’ work. RNZ.

Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection (BFI Working Paper No. 2025-116). Becker Friedman Institute for Economics at the University of Chicago.

Kornbluth, S. (2026, 25 de agosto). AI and education: A watershed moment for MIT. Massachusetts Institute of Technology.

Laverde Salamanca, L. F. (2024, 29 de noviembre). Un documento pionero en Colombia para usar la IA generativa. Universidad de los Andes.

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779.

Morales Lobo, M., & Fernández Fernández, J. G. (2022). La evaluación formativa: Estrategias eficaces para regular el aprendizaje. Ediciones SM.

Myers, A. (2023, 15 de mayo). AI-detectors biased against non-native English writers. Stanford Institute for Human-Centered Artificial Intelligence.

Office of the Independent Adjudicator for Higher Education. (2025). AI and academic misconduct: Case summaries.

OpenAI. (2023, 31 de enero). New AI classifier for indicating AI-written text.

Sanmartí Puig, N. (2020). Evaluar y aprender: Un único proceso. Editorial Octaedro.

Topinka, R. (2024, 13 de febrero). The software says my student cheated using AI. They say they’re innocent. Who do I believe?. The Guardian.

Turnitin. (s. f.). How should I review the AI Writing report?.

University of Waterloo. (2025, 5 de mayo). Waterloo discontinuing the use of AI detection tool Turnitin.com: September 2025.

Vanderbilt University. (2023, 16 de agosto). Guidance on AI detection and why we’re disabling Turnitin’s AI detector.

Wiggins, G. (2012). Seven keys to effective feedback. Educational Leadership, 70(1), 10–16.

Mariana Ferrarelli dirige el Programa de Inteligencia Artificial en Educación de la Universidad de San Andrés en Argentina, investiga, forma docentes y acaba de publicar Inteligencia artificial en la educación y el trabajo (Grupo Magro, 2026). Esta conversación arranca desde una pregunta que el debate sobre IA educativa suele postergar: qué ocurre cognitivamente cuando un estudiante le delega a la máquina lo que debería hacer él.

📺 Ver en YouTube:

🎧 Escuchar en: Spotify · Apple Podcasts · Amazon Music · iVoox

Dos operaciones cognitivas distintas

Uno de los primeros puntos que Mariana plantea en la conversación es una distinción que parece obvia pero que tiene consecuencias pedagógicas reales: la IA generativa y un buscador web son herramientas que responden a lógicas cognitivas opuestas.

Cuando buscamos en Google o en cualquier otro motor, partimos de la ignorancia: no sé, entonces busco, evalúo fuentes, contrasto. El buscador funciona porque el usuario no sabe, y el resultado depende de la capacidad de ese usuario para discriminar entre fuentes. La IA generativa invierte ese orden. Para evaluar lo que produce un modelo de lenguaje, hay que saber bastante sobre el tema; de otro modo no hay cómo detectar cuándo el texto es correcto y cuándo es simplemente plausible.

Esa plausibilidad es el núcleo del problema. Los modelos de lenguaje generan texto por predicción estadística de la siguiente palabra más probable, no por acceso a una verdad verificada. De ahí que Mariana insista en una distinción que pocas veces se hace con esta claridad: una alucinación de IA - término técnico para cuando el modelo produce información incorrecta con total confianza - no es una mentira. Mentir requiere intención; el modelo no tiene ninguna. Genera texto verosímil. El sistema predice palabras; no afirma hechos. Y eso cambia bastante la forma en que deberíamos hablar de estas herramientas en el aula.

El algoritmo busca la comodidad. El aula no debería.

Mariana trabaja hace años con un concepto que en la entrevista desarrolla con precisión: diseñar la fricción. La idea parte de observar qué hacen los sistemas de recomendación, tanto la IA generativa como los algoritmos de plataformas de streaming y redes sociales, y proponer exactamente lo contrario para el aula.

Los algoritmos de recomendación están optimizados para maximizar la sintonía con el usuario. Le dan lo que predice que quiere, evitan la incomodidad, refuerzan lo que ya piensa. Según datos que Mariana cita de la Harvard Business Review, el uso más frecuente de la IA generativa no es académico ni laboral: es terapia, acompañamiento, catarsis. Los sistemas están diseñados para que el usuario se sienta bien.

El aula tiene una función distinta, y en este contexto esa función se vuelve más visible. Mariana habla de construir situaciones donde el estudiante tenga que habitar el silencio, la incertidumbre, el conflicto de trabajar con otros, la pregunta que no tiene respuesta inmediata. No como ejercicio de resistencia tecnológica, sino porque esas situaciones activan procesos cognitivos que la interacción con la IA generativa tiende a cortocircuitar: la recuperación de conocimiento previo, la tolerancia a la frustración, la negociación de ideas en tiempo real.

Gemelos generativos: configurar la IA para que haga preguntas

En 2024, Mariana publicó con Natalia Corvalán en la Revista ISALUD un concepto que llaman gemelos generativos. La metáfora viene de la ingeniería: un gemelo digital es una copia virtual de un objeto o proceso físico que permite simular su comportamiento. Aplicado a la educación, un gemelo generativo es una IA configurada mediante prompts iterativos para que asuma un rol pedagógico específico - tutor, par crítico, asesor - con una instrucción central: no dar respuestas directas, sino hacer preguntas que orienten el proceso de quien aprende.

La distinción respecto al uso habitual de un chatbot de propósito general es pedagógica, no técnica. Un estudiante que abre ChatGPT y pide que le explique un concepto recibe una explicación; uno que interactúa con un gemelo generativo bien configurado recibe preguntas que lo obligan a construir esa explicación por sí mismo. Mariana lo pone en práctica con estudiantes de profesorado que tienen que diseñar actividades diversificadas: el gemelo no les diseña la actividad, les pregunta por qué priorizan ciertos pasos, qué supuestos están usando, qué pasaría si cambiaran el orden.

En la conversación explica con detalle cómo se configura ese proceso y por qué la opcionalidad - el hecho de que los estudiantes elijan si lo usan o no - forma parte del diseño pedagógico. Eso está en el video; requiere más tiempo del que permite un artículo.

Lo que reveló el 30% de desaprobados

A principios de 2025, Mariana tuvo alrededor de un 30% de desaprobados en cursos donde el índice habitual rondaba el 5%. El dato es llamativo, pero su lectura es más interesante que la cifra.

Los trabajos que fallaron no fallaron por plagio técnico - por copiar y pegar sin criterio. Fallaron porque respondían con generalidades donde se pedía especificidad, citaban autores con atribuciones incorrectas, o trataban fuentes críticas como si fueran celebratorias de la tecnología. El texto era fluido; el contenido, vacío. Eso es lo que producen los modelos de lenguaje cuando se los usa sin el conocimiento previo necesario para evaluarlos.

Lo que cambió en su práctica fue el foco en el proceso. Entregas intermedias, control de cambios, registro de las decisiones de escritura. El objetivo no era detectar el uso de IA, que en muchos contextos es legítimo, sino hacer visible el proceso intelectual que debería acompañarlo. Mariana señala algo que el debate sobre IA educativa suele evitar: la IA no creó el problema de las consignas genéricas ni el de la evaluación centrada solo en el producto final. Lo expuso. Esas fragilidades ya estaban ahí.

Una pregunta para directivos e instituciones

La conversación cierra en un territorio que Mariana plantea con claridad: si se le pide al docente que observe el proceso, que acompañe con más cercanía, que diseñe consignas que requieran pensamiento genuino, eso tiene un costo en tiempo y en personas. Y ese costo no lo resuelve la tecnología.

Mariana cita a Carlos Magro en este punto: la promesa de que la tecnología liberaría al docente para tareas de mayor valor nunca se cumplió del todo, y con la IA generativa se repite el mismo argumento. Lo que ella propone es más sobrio: entender qué hace la IA bien, qué hace el docente que la IA no puede hacer, y tomar decisiones institucionales - de carga, de equipos, de financiamiento - a partir de esa distinción. Enseñar, dice, es contagiar, mostrar un pedazo de mundo. Para eso no necesitamos la IA. Ya con YouTube teníamos resuelto el delivery de contenidos.

Si este episodio te pareció valioso, compártelo con alguien que trabaje en educación.

Nos vemos… después de clase.

“Estamos en un momento en el que necesitamos transformar el aprendizaje.”

Richard Culatta, CEO de ISTE+ASCD, en la apertura de ISTELive 26 (28 de junio de 2026).

Asistí a ISTELive 26 gracias a una beca, otorgada por los organizadores a docentes de Latinoamérica, junto a Roberto Gutiérrez, mi socio en EdTech Latam (Esta beca solo cubre el acceso al evento, valga la aclaración). Fui con un objetivo puntual: entender cómo se está formalizando, a nivel internacional, la alfabetización en inteligencia artificial dentro de la educación básica, y contrastar esos marcos con lo que veo en los colegios y universidades de mi país, y la región, con los que trabajo. Este artículo recoge lo que más capturó mi atención durante esos cuatro días: dos marcos de referencia que probablemente definan buena parte de la política educativa en IA de los próximos años, y el conjunto de anuncios de Google, que conviene leer con cierto cuidado.

Dos marcos que intentan responder la misma pregunta

La pregunta de fondo en ISTE 2026 no era si la IA debía entrar al aula -creo que este ya es un tema resuelto: ingresará de manera formal e informal, queramos o no -, sino qué competencia específica debía desarrollar un estudiante para usarla con criterio. Encontré dos respuestas formales a esa pregunta, desarrolladas por caminos distintos y que conviene conocer en conjunto:

• La primera es el Profile of an AI-Ready Graduate, de ISTE+ASCD, presentado por Richard Culatta. Organiza la competencia en seis roles: Learner, Researcher, Synthesizer, Problem Solver, Connector y Storyteller. No es una lista de herramientas ni de prompts; cada rol describe una capacidad humana —aprender, investigar, sintetizar, resolver problemas, conectar, narrar— que la IA puede potenciar, pero no sustituir. Es, hasta donde he revisado, uno de los pocos marcos recientes que evita reducir la alfabetización en IA a competencia técnica.

• La segunda es el AILit Framework, desarrollado conjuntamente por la Comisión Europea y la OCDE, con apoyo de CodeAI (anteriormente Code.org). Su versión final se presentó el 18 de junio en Bruselas, apenas diez días antes de ISTE, y organiza la competencia en cuatro dominios: Engage with AI, Create with AI, Manage AI y Shape AI. A diferencia del marco de ISTE, este está pensado explícitamente para alimentar un instrumento de medición internacional: contribuirá al dominio innovador de PISA 2029 sobre alfabetización mediática y en IA, lo que le da un peso comparativo distinto —y una obligación de rigor distinta— frente al marco estadounidense.

Ninguno de los dos frameworks nombra explícitamente a América Latina como contexto de referencia, algo que noté al revisar ambos documentos con cierto detalle. Por eso me interesó especialmente conocer a Veronica Ellis, Senior Content Development and Research Manager en Code.org, quien trabaja en el desarrollo del AILit Framework y actualmente conduce un piloto del currículo Digi-Wise en colegios públicos peruanos. Es, hasta ahora, el ejemplo más concreto que encontré en ISTE de uno de estos marcos aterrizando en un sistema educativo latinoamericano. Ya confirmamos su participación como invitada en Después de Clase, y ese episodio será la continuación natural de este artículo.

Lo que anunció Google, con matices

Google concentró buena parte de las novedades técnicas del evento, y conviene describirlas antes de evaluarlas. Entre los anuncios principales: una aplicación de Classroom integrada en Gemini que usa el contexto real de la clase para ayudar a los docentes con tareas administrativas; study notebooks en Gemini, un espacio que genera lecciones y evaluaciones adaptativas a partir del material de cada curso; Guided Learning, que —según Google— guía al estudiante hacia la respuesta en lugar de dársela directamente; y Focus Mode, una función que permite a los docentes restringir la pantalla del estudiante al modo guiado durante la clase.

El anuncio de mayor alcance fue la capacitación gratuita en Gemini y NotebookLM para los seis millones de docentes de educación básica y superior de Estados Unidos, resultado de una alianza de tres años entre Google e ISTE+ASCD; que espero se replique pronto en nuestra región. Google también destinó fondos a aiEDU para apoyar estrategias de preparación en IA en distritos Título I (los de mayor necesidad económica en el sistema estadounidense), y financia a ISTE+ASCD para estudiar el uso de IA en evaluaciones estudiantiles.

Un dato que sí conecta en alguna medida con países en vías de desarrollo: Google presentó los resultados de un estudio aleatorizado en Sierra Leona, con cerca de 1.763 estudiantes, donde el uso sostenido de Gemini —alrededor de doce horas acumuladas— se asoció con una ganancia equivalente a entre 1.8 y 2.5 años adicionales de progreso en matemática. Es la primera vez que veo a Google citar evidencia de un contexto educativo del Sur Global con este nivel de detalle, y me parece un dato que merece seguimiento.

Conviene registrar también la lectura crítica que generó el anuncio, en el mundo académico: Benjamin Riley, fundador del centro de pensamiento Cognitive Resonance, calificó la alianza entre Google e ISTE+ASCD como una forma de que la organización actúe como vocero de la gran tecnológica; en el otro extremo, Justin Reich, profesor del MIT, la describió como una campaña de adquisición de usuarios disfrazada de formación docente. No comparto necesariamente ambas lecturas, pero me parece importante dejarlas registradas: cuando la empresa que provee la herramienta también financia al organismo que certifica su buen uso, la pregunta sobre independencia es legítima y no debería evitarse.

Tres sesiones que quiero destacar

Más allá de los marcos y los anuncios corporativos, tres sesiones me parecieron particularmente relevantes para el trabajo que hago en formación docente, de las que espero poder elaborar artículos futuros con los aportes más valiosos:

• Seeing Isn’t Believing: Teaching Verification in an AI World. Sobre cómo enseñar a un estudiante a verificar antes de confiar en un resultado generado por IA, en lugar de enseñar solo el uso de la herramienta.

• Uncheatable: True Authentic Assessments for the Age of AI y AI + Assessment: Promises and Pauses. Ambas abordaron el sesgo documentado de los detectores de IA: el estudio de Stanford publicado en Patterns (2023) ya había mostrado que estos detectores penalizan de forma desproporcionada a estudiantes que escriben en una segunda lengua, un dato con implicancia directa para cualquier sistema educativo bilingüe o multilingüe de la región.

• Social Media Safety Education: From Deepfakes and Sextortion to Hate and Cyberbullying, a cargo de Ed Moyer. La sesión abordó los riesgos de contenido de IA generativa no consensuado dirigido a menores de edad, un tema que circula poco en los espacios docentes de habla hispana y que considero urgente traer a esta conversación.

  ---

Una observación de contexto: el cambio de nombre

Como dato adicional, y no como eje del artículo, registro que ISTE+ASCD anunció durante la apertura su nuevo nombre: International Society for Transforming Education, conservando las siglas pero desplazando el énfasis de la tecnología hacia la transformación del aprendizaje. Es una señal de cómo la propia organización que más ha empujado la adopción tecnológica en las aulas está replanteando su relación con la tecnología como fin en sí misma. Lo dejo apuntado porque probablemente sea relevante para entender el tono general de sus próximas publicaciones y marcos.

Lo que me llevo a Lima

Salgo de ISTE con dos marcos de referencia que probablemente organicen buena parte de la conversación técnica sobre IA en educación durante los próximos años, y con más preguntas que respuestas sobre cómo aterrizan —o no— en Latinoamérica. Ninguno de los dos framework fue diseñado pensando en un aula de Villa El Salvador o de Medellín; eso no los invalida, pero sí marca una tarea pendiente: la de traducir estas competencias a un contexto con otras restricciones de conectividad, formación docente y política pública. Ese es el trabajo que me propongo continuar en las próximas entregas, empezando por la conversación con Veronica Ellis.

Nos vemos… después de clase…

"El segundo objetivo de la educación es formar mentes que puedan ser críticas, puedan verificar, y no aceptar todo lo que se les ofrece."

Jean Piaget, recogido por Eleanor Duckworth en The Arithmetic Teacher (1964)

Voy a ISTE desde 2018, cuando el evento se realizó en Chicago con más de 18.500 asistentes de 87 países, y cada edición confirma por qué sigo yendo: para quienes trabajamos en la intersección de tecnología y pedagogía, sigue siendo de los pocos espacios donde se puede pulsar, en tiempo real, hacia dónde se mueve el campo a escala global. Este año asisto como becario, y quiero agradecerlo explícitamente: ISTE decidió invertir en que algunas voces latinoamericanas estén físicamente en este evento, y me siento halagado y orgulloso por ello.

Pero escribo esto antes de viajar porque, mientras preparaba mi agenda, encontré algo que me inquietó: existen al menos cinco problemas relacionados con IA en educación que ya están medidos y debatidos con seriedad en el ecosistema educativo internacional, y que en nuestras conversaciones en Latinoamérica casi no aparecen. Quiero nombrarlos aquí con la misma exigencia con la que les pediría evidencia a otros, porque parte de lo que justifica este viaje es ir a buscarlos con nombre propio y traerlos de vuelta.

1. La erosión silenciosa del pensamiento crítico

Un estudio publicado en 2025 con 666 participantes de distintas edades y niveles educativos encontró una correlación negativa fuerte —un coeficiente de -0.75— entre el uso frecuente de herramientas de IA y las habilidades de pensamiento crítico, mediada por lo que los autores llaman cognitive offloading: la tendencia a delegar el esfuerzo mental en la herramienta en lugar de ejercitarlo uno mismo. Lo más inquietante es que los participantes más jóvenes mostraron mayor dependencia y peores puntajes que los adultos, justo el patrón inverso al que esperaríamos si la IA estuviera funcionando como un andamiaje que libera capacidad cognitiva en lugar de sustituirla. No es solo un problema de estudiantes: una investigación cualitativa sobre dependencia de IA entre docentes universitarios en Palestina encontró que el 89% de los participantes reportó alguna forma de atrofia en sus propias habilidades de escritura, pensamiento crítico o toma de decisiones —un hallazgo acotado a ese contexto específico, pero que vale la pena tomar en serio como señal de alerta, no como anécdota aislada.

Esto no tiene una solución de manual y nadie en ISTE va a presentar la cura definitiva; pero hay marcos que permiten diseñar experiencias donde la IA acompañe el pensamiento sin sustituirlo, y eso es lo que quiero profundizar allá.

2. Una integridad académica rota, sin solución técnica a la vista

Investigadores de Stanford, en un estudio publicado en julio de 2023 en la revista Patterns, evaluaron siete detectores de IA ampliamente usados con dos corpus: ensayos TOEFL escritos por hablantes no nativos de inglés y ensayos de estudiantes estadounidenses de octavo grado. Los detectores acertaron casi perfectamente con los ensayos estadounidenses, pero clasificaron como “generados por IA” más de la mitad de los ensayos TOEFL —una tasa de falso positivo del 61%. El mecanismo que identificaron los autores es técnico pero revelador: la escritura de hablantes no nativos suele tener menor variabilidad léxica y sintáctica, y eso reduce la “perplejidad” del texto, la métrica en la que se apoyan estos detectores. En otras palabras, escribir con menos riqueza léxica —algo característico de cualquier persona escribiendo en su segunda lengua— se confunde sistemáticamente con escribir como una máquina.

Si en Estados Unidos esto ya genera demandas y crisis de confianza en distritos escolares, vale la pena preguntarnos qué va a pasar cuando estas mismas herramientas —vendidas como soluciones universales— lleguen sin matices a instituciones latinoamericanas que las adoptan sin cuestionar los sesgos de origen.

3. Una brecha de gobernanza que ya está medida, y nos toca de cerca

UNESCO encuestó a más de 450 escuelas y universidades en mayo de 2023, con un 17% de las respuestas provenientes de América Latina y el Caribe. El resultado: menos del 10% de las instituciones tenía políticas formales o lineamientos institucionales sobre el uso de IA generativa. Una encuesta de seguimiento más reciente, centrada en educación superior, encontró que alrededor del 70% de las instituciones en Europa y Norteamérica ya tiene o está desarrollando lineamientos de IA, frente a un 45% en América Latina y el Caribe. No es una sospecha ni una proyección: es una brecha regional documentada por la misma organización que viene impulsando el debate global sobre gobernanza de IA en educación.

4. Una brecha de adopción entre el Norte y el Sur Global

Según el informe de difusión de IA de Microsoft AI for Good Lab, correspondiente al segundo semestre de 2025, el 24.7% de la población en edad de trabajar del Norte Global usa herramientas de IA generativa, frente a solo el 14.1% en el Sur Global —y la brecha crece, porque la adopción en el Norte avanza casi al doble de velocidad. Esto importa para la educación porque la conversación en foros como ISTE asume, muchas veces sin decirlo, un punto de partida de acceso y conectividad que no es universal. Parte de mi trabajo en Orlando será preguntar, en cada sesión que pueda, cómo se ve esa misma propuesta cuando el punto de partida es distinto.

5. Un riesgo del que casi no hablamos en público

El más difícil de nombrar, y quizás por eso el más urgente: el uso de IA generativa para crear contenido sexual no consentido entre adolescentes, y la extorsión que en ocasiones sigue. En Estados Unidos existe ya legislación federal específica desde 2025 —la Take It Down Act—, además de guías estatales para distritos escolares y currículo dedicado en países como el Reino Unido. En nuestra región, esta conversación prácticamente no existe en el discurso educativo público, pese a que las aplicaciones que permiten generar este tipo de contenido no respetan fronteras.

Por qué este viaje vale el esfuerzo

No voy a Orlando esperando volver con cinco soluciones bajo el brazo, voy porque la claridad estratégica que pueda traer de vuelta —no la cantidad de fotos del Expo Hall ni el número de sesiones que logre cubrir— es lo único que justifica el esfuerzo de este viaje y la confianza que ISTE puso en mí al otorgarme la beca. Y quiero cerrar con algo genuinamente positivo: que exista un evento de esta escala, con miles de educadores discutiendo estos problemas en voz alta, es exactamente el tipo de espacio donde se gesta el lenguaje y los marcos que después se traducen en política pública, formación docente y currículo.

Que ese lenguaje todavía no haya llegado con la misma fuerza a Latinoamérica —la brecha de UNESCO lo confirma— no es razón para el pesimismo; es la razón concreta por la que vale la pena que alguien esté ahí, tomando notas con la región en mente, y por la que voy a compartir lo que encuentre con la misma exigencia de evidencia con la que escribo esto.

Nos vemos… después de clase.

Este jueves empiezo en CISE PUCP un curso de inteligencia artificial y productividad pensado para quienes dirigen equipos o llegan al viernes con la sensación de no haber tocado lo que de verdad importaba. Cuento aquí de qué trata y por qué este año lo rehíce casi entero.

Hay una experiencia que reconoce cualquiera que dirija en educación, y es la de terminar la jornada con cansancio pero sin poder nombrar con claridad qué se resolvió: el correo que volvió a llenarse antes de que alcanzaras a vaciarlo, las decisiones que se apilaron mientras apagabas un incendio tras otro, y la sensación, sostenida durante semanas, de que el trabajo que de verdad pesa —pensar con calma, acompañar al equipo, mejorar lo que la institución ofrece a sus estudiantes— quedó aplazado para un mañana que casi nunca llega. Quienes lideran escuelas, áreas o coordinaciones rara vez carecen de voluntad o de horas de entrega; lo que les falta es un sistema que sostenga ese esfuerzo, porque trabajar todavía más, que durante mucho tiempo fue la única respuesta a mano, agota sin resolver.

Inicio: jueves 11 de junio

Modalidad: virtual

Duración: 40 horas

Horario: jueves de 6:00 a 9:00 p. m. y sábados de 9:00 a 12:00 m. (hasta el 2 de julio)

Inversión: S/ 250

Certifica: CISE PUCP

Información: clic aquí

Inscripción directa: clic aquí

En estos dos años la conversación sobre la productividad cambió, aunque no siempre por los motivos que se proclaman en los titulares. La inteligencia artificial dejó de ser una curiosidad que uno prueba un rato en una pestaña aparte y se convirtió en una capa que ya habita dentro de las herramientas que abres cada día, en el correo, en los documentos, en el calendario que organiza tu semana. El obstáculo es que casi todos la tratan como un buscador un poco más conversador, le piden un texto, copian lo primero que aparece y siguen de largo, sin advertir que el salto real no está en pedirle cosas a la máquina, sino en aprender a dirigirla con criterio y, con la misma importancia, en reconocer cuándo conviene desconfiar de lo que responde.

Sobre esa competencia rehíce el curso este año, porque la versión que venía dictando trataba a la inteligencia artificial como un añadido que se rociaba sobre cada aplicación, y el avance de los últimos meses dejó esa lógica corta. El recorrido empieza ahora por la propia inteligencia artificial —cómo conversar con Gemini, con Claude y con las demás de manera que entiendan lo que necesitas, y cómo verificar lo que producen antes de firmarlo— y desde ahí se va conectando, sin prisa, con todo lo demás: ordenar la información con un método que la vuelva utilizable en lugar de un archivo donde nada se encuentra, construir un segundo cerebro que razone sobre tus propias fuentes y las cite en vez de inventarlas, recuperar el correo y el calendario de manos del caos, y, hacia el final, integrarlo todo en un sistema que se sostenga cuando el semestre aprieta. Hay además una parte que para mí es innegociable, la del juicio crítico: qué datos no se entregan jamás a una inteligencia artificial pública, empezando por los de los estudiantes, y qué responsabilidad asume quien decide cómo usará su equipo estas herramientas.

No suelo escribir artículos como este, y quienes me leen hace tiempo lo saben; hago una excepción porque el curso arranca este jueves y porque creo, con honestidad, que le sirve a la gente que tengo en mente cuando escribo aquí. Es para directivos, coordinadores de área y académicos, y líderes pedagógicos que cargan con más de lo que una agenda razonable debería contener. Son siete sesiones online, las tardes de los jueves y las mañanas de los sábados, hasta el 2 de julio, y al terminar se emite un certificado del CISE PUCP por cuarenta horas.

Lo que de fondo está en juego es la atención y la claridad que el trabajo de dirigir exige y que la sobrecarga nos arrebata primero; hacer más en menos tiempo sería una meta pobre frente a eso. Dirigir bien empieza por tener la cabeza despejada para las decisiones que de verdad pesan y tiempo para las personas que dependen de ellas, y eso es, al final, lo que un buen sistema de trabajo protege.

Si estás en ese punto, o conoces a alguien de tu equipo que lo esté, te dejo abajo la información para verlo con calma e inscribirte. Y si esta carta te resultó útil, compártela con quien la necesite: muchas veces el primer alivio para quien se siente desbordado es saber que el desborde tiene salida.

¡Nos vemos en la PUCP!

#DespuesDeClase #ClaustroVirtual #EdTechLatam #Educación

El 15 de mayo de 2026, León XIV publicó Magnifica Humanitas, su primera encíclica social, con motivo del 135° aniversario de la Rerum novarum de León XIII. El paralelismo no es casual: así como aquel documento fue la respuesta de la Iglesia al capitalismo industrial y a la cuestión obrera, este es —en sus propios términos— una respuesta a las “nuevas res novae“ de nuestro tiempo: la digitalización, la inteligencia artificial y la robótica como fuerzas que “moldean los procesos de toma de decisiones e inciden profundamente en el imaginario colectivo”. No es, por tanto, un documento sobre tecnología en el sentido instrumental del término. Es una interrogación sostenida sobre poder, sobre dignidad y sobre qué tipo de humanidad estamos dispuestos a custodiar cuando la eficiencia algorítmica se convierte en el criterio dominante de casi todo.

El año pasado escribí sobre Antiqua et Nova, el documento del Dicasterio para la Doctrina de la Fe que abordó la IA de manera más acotada, en este artículo: “Inteligencia artificial en educación: desafíos y reflexiones desde El Vaticano”. Magnifica Humanitas es cualitativamente distinta: más ambiciosa en su alcance teológico, más incómoda en su diagnóstico político y, para quienes trabajamos en educación y transformación digital, mucho más útil como marco de análisis.

Una pregunta sobre poder, no sobre herramientas

El primer error de lectura sería aproximarse a este documento buscando orientaciones sobre el uso responsable de la IA en el aula (Prepáreta para dedicar al menos una hora de lectura). Eso no es lo que ofrece, y probablemente tampoco es lo más urgente. Lo que el texto propone, desde sus primeras páginas, es una pregunta estructural: ¿quién controla las tecnologías que están redefiniendo las condiciones de la vida humana, y hacia qué fines lo hace?

La respuesta que da León XIV es políticamente directa: en el pasado, los estados impulsaban y orientaban la innovación tecnológica; hoy, los principales motores del desarrollo son actores privados, a menudo transnacionales, con recursos y capacidad de acción superiores a los de muchos gobiernos. El poder tecnológico tiene, en consecuencia, un rostro predominantemente privado que lo hace más difícil de discernir, gobernar y orientar hacia el bien común. Esta no es retórica religiosa: es un diagnóstico sobre la arquitectura del poder en la economía digital que converge, desde una tradición teológica, con lo que la academia secular lleva años documentando: que el poder tecnológico es hoy predominantemente privado, opaco y difícilmente gobernable, como han mostrado Shoshana Zuboff en su análisis del capitalismo de vigilancia, Kate Crawford en su cartografía del poder detrás de la IA, o Safiya Umoja Noble en su estudio sobre los sesgos estructurales de los sistemas algorítmicos.

Para quienes trabajamos en educación en Latinoamérica, esta pregunta sobre el poder no es abstracta. Cuando una institución adopta una plataforma de aprendizaje adaptativo, conviene preguntarse: ¿quién define los criterios pedagógicos del sistema?, ¿qué modelo de estudiante está codificado en el algoritmo?, ¿los datos generados por nuestros alumnos quedan en manos de quién y con qué propósito? Estas preguntas no aparecen en los folletos comerciales de las plataformas de tecnología educativa, pero sí aparecen, con rigor creciente, en los marcos normativos que la comunidad internacional lleva años construyendo. Las Directrices Éticas sobre el Uso de la IA en Educación de la Comisión Europea (2022), por ejemplo, identifican como riesgo central precisamente la asimetría de poder entre los proveedores tecnológicos y las instituciones educativas, señalando que “los sistemas de IA en educación pueden concentrar poder en manos de quienes los desarrollan, en detrimento de la autonomía de docentes y estudiantes”. La encíclica de León XIV llega a la misma conclusión, desde otro abordaje intelectual, pero con igual claridad.

Babel o Nehemías: dos lógicas de transformación institucional

La encíclica organiza su argumento central alrededor de dos imágenes bíblicas: la Torre de Babel (Génesis 11) y la reconstrucción de los muros de Jerusalén por Nehemías. No es un recurso decorativo: es un marco interpretativo con traducción directa en el campo de la gestión educativa y la innovación institucional.

Babel, en la lectura de León XIV, no representa el peligro de la tecnología en sí misma —el texto es explícito en rechazar cualquier tecnofobia—, sino una lógica particular: la de la uniformidad que aplana diferencias, la del lenguaje único que pretende traducirlo todo —incluso el misterio de la persona— en datos y rendimientos. Quien haya observado procesos de adopción tecnológica en instituciones educativas reconocerá ese patrón: la plataforma que “lo hace todo”, el sistema que promete personalizar el aprendizaje sin que nadie haya preguntado qué entiende la institución por aprendizaje, la métricas de engagement como sustituto de los indicadores pedagógicos que nadie se tomó el tiempo de definir.

Nehemías, en cambio, representa otra lógica: trabajo distribuido, corresponsabilidad, escucha activa antes que soluciones impuestas desde lo alto, reconstrucción de los vínculos antes que de las estructuras. Cada familia con su tramo de muralla. En el lenguaje de la gestión educativa contemporánea, esto se parece al liderazgo distribuido, al diseño colaborativo de políticas institucionales y a la innovación situada que no se importa como producto terminado sino que se construye desde adentro, con los actores del propio contexto. La pregunta que el documento lanza implícitamente es directa: ¿qué modelo de transformación digital, o de alfabetización digital, estamos aplicando en nuestras instituciones?

El principio que más nos debería incomodar

De todos los principios desarrollados en el capítulo segundo, hay uno que rara vez aparece en los debates sobre IA educativa: el principio del destino universal de los bienes. La Doctrina Social de la Iglesia sostuvo siempre que los bienes de la tierra no pertenecen en exclusiva a sus propietarios privados, sino que tienen una función social inalienable. Magnifica Humanitas extiende este principio, de manera explícita, a los bienes digitales: algoritmos, patentes, plataformas, infraestructuras tecnológicas y datos.

Leído desde la educación latinoamericana, esto tiene consecuencias concretas que van más allá de la retórica del acceso digital. La brecha no es solo de conectividad: es también una brecha de poder epistemológico. Cuando los sistemas que definen qué es aprender bien, qué perfil de estudiante es “exitoso” o qué tipo de conocimiento merece ser evaluado son propietarios, opacos y diseñados en contextos culturales ajenos al nuestro, la desigualdad no desaparece con acceso a internet; se profundiza con una capa adicional de dependencia algorítmica. Este problema no es nuevo en el debate educativo global, pero raramente se aborda con la claridad con que lo hace la encíclica. Las propias directrices europeas —que son un buen modelo a seguir, en educación digital— reconocen que “los datos de los estudiantes pueden ser utilizados para propósitos distintos a los educativos”, y advierten sobre los riesgos de la mercantilización de los procesos pedagógicos a través de plataformas que operan con lógicas de extracción de datos. El principio del destino universal de los bienes digitales es, en este sentido, un criterio ético que los marcos normativos seculares todavía no han logrado articular con igual contundencia.

Lo que el documento dice específicamente sobre educación

El capítulo cuarto, dedicado a custodiar lo humano en la transformación, contiene las reflexiones más directamente aplicables al campo educativo. León XIV organiza su propuesta en torno a tres ejes: la verdad como bien común, la dignidad del trabajo en la transición digital y la libertad frente a la dependencia y la mercantilización.

Sobre la verdad, el texto desarrolla dos secciones que merecen atención específica: Una alianza educativa para la era digital y El rol central de la escuela. El argumento central es que la crisis epistémica que vivimos —desinformación, deepfakes, erosión de la confianza en las instituciones, manipulación del imaginario colectivo— no se resuelve con más tecnología sino con más formación del juicio. Aquí la encíclica converge, desde una fundamentación diferente, con lo que el Marco de Competencias en IA de la UNESCO para Estudiantes (2024) denomina un “enfoque crítico hacia la IA”: la capacidad de examinar la proporcionalidad de los sistemas de IA, detectar sesgos, evaluar el impacto social de las herramientas y contribuir activamente a la definición de estándares y regulaciones. Lo que la UNESCO plantea como dimensión competencial, León XIV lo plantea como imperativo ético: en ambos casos, el resultado esperado no es un usuario eficiente de herramientas, sino un ciudadano capaz de interrogarlas.

Esto me parece importante porque contradice una narrativa dominante en ciertos discursos del mundo de la tecnología educativa, que promete que la IA “personaliza” el aprendizaje y “libera” al docente para tareas de mayor valor. El problema es que rara vez se especifica cuáles son esas tareas. La encíclica lo dice con precisión: esas tareas son la formación del juicio, el discernimiento y la relación educativa que modela valores y orienta el deseo de conocer, dimensiones que ningún sistema puede delegar en un algoritmo sin vaciarse de sentido pedagógico. El Marco de Competencias de la UNESCO va en la misma dirección cuando señala que “los estudiantes deben ser conscientes del riesgo de la dependencia excesiva de la IA y del debilitamiento de las capacidades humanas de pensamiento independiente”. Ningún sistema adaptativo puede reemplazar eso, y documentos como los aquí citados nos recuerdan que permitir esa sustitución no es una eficiencia, sino una renuncia pedagógica.

Sobre la dignidad del trabajo, la encíclica retoma explícitamente la tradición de la Laborem exercens de Juan Pablo II para plantear que la automatización y el desempleo tecnológico no son fenómenos neutros que simplemente hay que “gestionar”: son problemas éticos de primer orden que exigen respuestas políticas, no solo adaptaciones individuales. Para los docentes —especialmente en contextos donde la narrativa dominante sugiere que la IA “automatizará” ciertas funciones de enseñanza— esta distinción no es menor. No se trata de resistir la tecnología, sino de negarse a reducir la práctica educativa a sus funciones más fácilmente automatizables, como si lo que importara del docente fuera únicamente la transmisión de información.

Una observación crítica, porque el documento también tiene límites

Sería deshonesto terminar sin señalar una tensión que Magnifica Humanitas abre pero no resuelve. El texto es poderoso en el diagnóstico y en la articulación de principios, pero deliberadamente escueto en propuestas concretas. ¿Qué significa, operativamente, que los datos y los algoritmos sean bienes de destino universal? ¿Qué políticas específicas deberían adoptar los ministerios de educación latinoamericanos para que la gobernanza de los sistemas de IA favorezca a los más vulnerables? ¿Cómo se traduce el principio de subsidiariedad en el diseño de programas de formación docente en alfabetización en IA?

Estas preguntas, la encíclica las abre más de lo que las responde, y esa es una limitación real. Los marcos educativos de la UE y la UNESCO que cité a lo largo de este artículo son, en ese sentido, complementarios: donde la encíclica ofrece fundamentación ética y horizonte normativo, esos documentos ofrecen arquitecturas concretas de competencias, progresiones de aprendizaje y criterios de evaluación. Lo que ninguno de los tres documentos logra por sí solo es lo que seguimos necesitando con urgencia en nuestra región: una política pública articulada que conecte los principios con la realidad de las aulas, las instituciones y los sistemas educativos latinoamericanos, que tienen contextos, restricciones y posibilidades que no están en el centro del imaginario de ninguno de estos textos.

¿Vale la pena leer esto si no soy católico?

La misma pregunta que me hice al escribir sobre Antiqua et Nova, y la respuesta sigue siendo la misma: no porque la autoridad del texto venga del Vaticano, sino porque los principios que articula —dignidad humana como fundamento irreductible, destino común de los bienes, corresponsabilidad, subsidiariedad— son categorías éticas que trascienden su origen confesional y ofrecen un lenguaje para pensar la IA que el discurso tecno-optimista dominante raramente usa. En un campo donde buena parte del debate sobre IA en educación sigue girado en torno a herramientas, prompts y flujos de trabajo, documentos como Magnifica Humanitas recuerdan que la pregunta de fondo es otra: ¿qué tipo de personas estamos formando, y con qué concepción de lo humano lo estamos haciendo?

Esa pregunta merece estar en el centro de nuestra práctica. No en el margen.

📖 Magnifica Humanitas está disponible en vatican.va. Las Directrices Éticas sobre IA en Educación de la Comisión Europea (2022) y el Marco de Competencias en IA para Estudiantes de la UNESCO (2024) son documentos de acceso libre que vale la pena tener como referencia permanente en cualquier proceso de diseño de política institucional sobre IA.

💬 ¿Cómo estás incorporando estas preguntas éticas en tu práctica o en tu institución? Me interesa leer tu perspectiva en los comentarios.

Cuando invité a Yamile Caparó 🇵🇪 a Después de Clase, sabía que íbamos a hablar de arte y educación, pero lo que no anticipé del todo fue la precisión con la que ella articula algo que la pedagogía contemporánea todavía no ha sabido integrar bien: que el cuerpo aprende, que la escena no miente, y que cuando a un niño se le da una hoja en blanco en lugar de un guion, lo que construye ahí dice más sobre él que cualquier evaluación estandarizada.

Yamile Caparó, es una reconocida actriz peruana a quien muchos recuerdan por su papel de Paula en El Último Bastión, la serie histórica de TV Perú sobre la independencia del país que en 2021 se convirtió en la primera producción peruana en llegar a Netflix. Es también psicóloga en formación, pedagoga teatral, facilitadora de procesos de autoconocimiento con jóvenes y fundadora de La Semilla Creativa, un espacio donde el teatro y la salud mental trabajan juntos para acompañar el desarrollo socioemocional de niñas, niños y adolescentes. Su trabajo ocurre en esa frontera poco explorada entre el arte, la psicología y la educación, y desde ahí tiene cosas relevantes que decir.

📺 Ver en YouTube:

🎧 Escuchar en Spotify:

La vocación no se planifica, se encuentra

Yamile llegó al arte por acumulación más que por decisión. A los 10 años entró a un taller de teatro igual que entraba al básquet o al tenis, sin ninguna intención vocacional detrás. A los 16, cuando el sistema educativo y la familia empiezan a exigir definiciones, lo único que podía identificar con claridad era que los martes y jueves, en esas clases, algo funcionaba distinto en ella.

Ese detalle tiene un peso pedagógico, porque si un adolescente tiene un espacio semanal donde siente que puede ser él mismo, ese espacio no es periférico al proceso formativo, sino parte de su núcleo. La pregunta que deberíamos hacernos es cuántos estudiantes tienen acceso a ese tipo de experiencia dentro de la escuela, y no solo fuera de ella.

Yamile también plantea una tensión: cuando la vocación se fuerza demasiado pronto, cuando un padre proyecta o una institución encasilla antes de que el estudiante haya tenido oportunidad de explorar, el acompañamiento puede volverse contraproducente, no porque orientar sea malo en sí mismo, sino porque sustituye la exploración por la confirmación de una expectativa ajena.

Lo que el entrenamiento actoral le puede enseñar a la educación

Durante sus estudios en España, Yamile vivió un episodio que refiere en la entrevista: su profesor le dijo que la escena estaba perfecta, pero que eso era exactamente el problema. Todo estaba controlado, y el arte no siempre lo está. La vulnerabilidad, el descontrol, es el punto donde aparece la humanidad, y es ahí donde el espectador conecta con lo que ocurre en escena.

Lo que se desprende de ese fragmento de la entrevista va más allá del teatro: lo que uno está controlando en su vida termina apareciendo en la escena. El arte funciona como espejo no porque sea terapia, sino porque el cuerpo en situación de exposición real hace visible lo que en otros contextos permanece oculto.

Para la educación, esto tiene implicaciones concretas. La escuela casi no trabaja la conciencia corporal ni la regulación emocional en contextos de presión, mientras que el entrenamiento actoral aborda justamente eso: escucha activa, presencia, tolerancia al error, capacidad de improvisar. Son competencias que aparecen en los marcos de referencia educativos, pero que raramente se desarrollan de forma sistemática en el aula ordinaria, porque no hay espacios, o momentos, diseñados para ello.

Psicología y actuación: cuando el cuerpo carga una historia

La formación en psicología clínica que Yamile está completando no llegó como un giro vocacional, sino como una extensión de lo que el teatro ya le estaba enseñando desde otro ángulo. Lo que la actuación le enseñó desde el cuerpo y la voz, la psicología lo fue nombrando conceptualmente.

El punto más relevante para docentes es este: el cuerpo carga historia, personal, familiar, social y política, aunque no seamos conscientes de ello. No es una afirmación abstracta, sino una descripción de cómo el trauma, la identidad y el contexto se inscriben físicamente en las personas, algo que la escuela, centrada predominantemente en lo cognitivo, no suele saber cómo leer ni acompañar.

La empatía, dice Yamile, funciona como el gimnasio: si no se entrena, no aparece sola. Es una práctica, no un valor declarativo, y requiere condiciones para desarrollarse. Nombrarla en el currículo no es lo mismo que darle espacio real en la experiencia escolar.

El argumento pedagógico para incluir el arte en el currículo

Le pregunté a Yamile qué le diría a los directivos de un colegio que dudan en incluir más arte, y su respuesta fue directa: el arte fortalece la autoestima del estudiante, y eso, traducido al lenguaje del rendimiento académico, tiene consecuencias observables. No porque el arte sea un atajo hacia mejores calificaciones, sino porque un estudiante que tiene un espacio donde es escuchado y donde su perspectiva importa construye desde ahí una base más sólida para cualquier otro aprendizaje.

Nos dejó esta frase: “Si queremos crear en el colegio un mundo que funcione bien, primero hay que hacer que los munditos funcionen bien.”

¿Crees que el arte tiene un lugar real en la educación formal, o seguimos tratándolo como complemento? Me interesa leer tu perspectiva en los comentarios.

Deja un comentario

Si este episodio te pareció valioso, compártelo con alguien que trabaje en educación.

Suscríbete ahora

Nos vemos… después de clase.

“Hablar de alfabetización en IA generativa no es hablar solo de herramientas, sino de desarrollar conocimientos, mentalidades y prácticas que permitan usarla de forma segura, ética y verdaderamente efectiva.” - AI in Education

En los últimos meses, en muchas de las conversaciones que tengo con docentes y directivos, aparece una inquietud que se repite constantemente: “¿cómo enseñamos inteligencia artificial sin quedarnos solo en las herramientas?”. La pregunta suele surgir después de un taller, o en medio de una implementación, cuando el entusiasmo inicial empieza a encontrarse con la complejidad real del aula.

No es una preocupación menor, la irrupción de la inteligencia artificial ha sido tan rápida que ha desbordado no solo a las instituciones, sino también a los marcos pedagógicos que veníamos utilizando. En paralelo, comienzan a consolidarse propuestas más estructuradas para abordar este desafío: una de las más interesantes es el recientemente publicado SEE Framework, desarrollado por AI for Education, que propone entender la alfabetización en IA desde tres dimensiones: conocimiento, mentalidades y prácticas . La premisa es sólida: no basta con saber cómo funciona la tecnología; es necesario desarrollar formas de pensar y actuar con ella.

Sin embargo, incluso con marcos como este —y otros como el de UNESCO, que plantean competencias vinculadas a un enfoque humano, ético y crítico de la IA — sigue quedando una pregunta abierta: ¿cómo se traduce todo esto en experiencias de aprendizaje reales?

Desde hace varios años he trabajado con docentes en el diseño de experiencias de aprendizaje, explorando metodologías activas —o pedagogías emergentes— como el aprendizaje basado en proyectos, el design thinking o el enfoque de design for change; para estructurar procesos complejos de aprendizaje; y quizás por eso, al observar cómo se está abordando la IA en educación, hay algo que me preocupa: muchas de las propuestas actuales parecen olvidar justamente aquello que ya sabemos sobre cómo aprenden las personas.

Porque si algo hemos aprendido en el camino —desde la práctica, más que desde la teoría— es que los aprendizajes profundos no emergen del acceso a herramientas, sino del diseño de experiencias. Experiencias que obligan a formular buenas preguntas, a tomar decisiones, a equivocarse, a iterar, a contrastar con otros.

Y es la confluencia de estas experiencias, nueva información y análisis de propuestas de alfabetización en IA, lo que da origen a este artículo; que espero te resulte útil.

Más que preguntarnos qué herramientas de IA usar en el aula, quizás deberíamos volver a una pregunta más básica —y al mismo tiempo más exigente—:

¿qué tipo de experiencias necesitamos diseñar para que los estudiantes desarrollen una relación crítica, creativa y consciente con la inteligencia artificial?

El problema no es la IA, es cómo la estamos enseñando

Hoy, muchas iniciativas de integración de IA en educación siguen un patrón similar: Se presentan herramientas, se exploran funcionalidades, se comparten ejemplos de uso. Todo esto es útil, sin duda; pero, en muchos casos, se queda en la superficie.

Cuando la IA se introduce únicamente desde lo instrumental, lo que se desarrolla no es alfabetización, sino familiaridad. Los estudiantes aprenden a usar herramientas, pero no necesariamente a comprenderlas, cuestionarlas o utilizarlas con criterio.

Esto se traduce en varios problemas:

• Uso acrítico de los resultados generados por IA

• Dificultad para evaluar la calidad o confiabilidad de la información

• Dependencia excesiva de la herramienta

• Escasa conciencia sobre implicancias éticas (sesgos, privacidad, autoría)

Paradójicamente, esto ocurre en un momento en el que los propios marcos internacionales insisten en lo contrario. UNESCO, por ejemplo, subraya la necesidad de formar estudiantes capaces de comprender, aplicar y crear con IA desde un enfoque humano, crítico y ético .

La brecha, entonces, no está en el “qué”, sino en el “cómo”.

Sabemos qué competencias queremos desarrollar. Lo que aún no está claro —o no está suficientemente trabajado— es cómo diseñar experiencias que realmente las hagan posibles.

Lo que ya sabíamos (y parece que olvidamos)

Aquí es donde conviene hacer una pausa; porque el desafío que plantea la inteligencia artificial no es completamente nuevo. La educación ya ha enfrentado antes la necesidad de enseñar en contextos de complejidad, incertidumbre y cambio acelerado. Es en ese camino, que se han desarrollado enfoques metodológicos que justamente buscan responder a los diversos escenarios.

El design thinking, por ejemplo, surge como una forma de abordar problemas complejos, abiertos, sin una única solución correcta —los llamados wicked problems . Su propuesta no es ofrecer respuestas, sino estructurar procesos para encontrarlas: comprender profundamente a las personas, redefinir problemas, generar ideas, prototipar, iterar.

Algo similar ocurre con el enfoque de design for change, que introduce una dimensión adicional: no basta con diseñar soluciones, hay que llevarlas a la acción y generar impacto. Sentir, imaginar, hacer y compartir.

Si analizamos con atención, ambos enfoques comparten algo fundamental:

• no parten de la herramienta, sino del problema.

• no priorizan la respuesta, sino el proceso.

• no buscan eficiencia inmediata, sino comprensión profunda.

Y eso es precisamente lo que necesitamos cuando hablamos de alfabetización en IA.

Una compatibilidad más profunda de lo que parece

La relación entre design thinking e inteligencia artificial no es solo instrumental (usar IA dentro del proceso), es estructural.

Si ponemos en paralelo ambos enfoques, la correspondencia es evidente:

• Comprender a las personas → enfoque humano de la IA

• Definir el problema → uso intencional de la herramienta

• Idear → co-creación con IA

• Prototipar → experimentación con prompts y outputs

• Testear → evaluación crítica de resultados

Desde esta perspectiva, la IA no reemplaza el proceso de pensamiento, lo amplifica; pero solo si ese proceso existe. Sin una estructura metodológica, la IA tiende a convertirse en una “caja negra” que responde, pero no necesariamente ayuda a pensar.

Y aquí aparece una idea clave:

usar IA sin un proceso es usarla a ciegas.

De usuarios a diseñadores

Uno de los cambios más importantes que introduce la inteligencia artificial en educación tiene que ver con el rol del estudiante; ya no se trata solo de consumir información o producir respuestas, sino de interactuar con sistemas que generan contenido, proponen soluciones y amplifican decisiones.

En ese contexto, el estudiante necesita algo más que habilidades técnicas, necesita desarrollar criterio; y el criterio no se enseña explicando, se construye diseñando.

• Diseñando preguntas.

• Diseñando procesos.

• Diseñando soluciones en contextos reales.

Aquí es donde enfoques como design for change resultan especialmente valiosos, porque introducen una dimensión que a veces se pierde en la conversación sobre IA: el propósito.

No se trata solo de usar inteligencia artificial de manera eficiente, se trata de usarla para comprender mejor el mundo y actuar sobre él.

Diseñar experiencias, no actividades

Si llevamos esto al aula, la implicancia es directa. La pregunta no debería ser: ¿cómo uso ChatGPT o Google Gemini en mi clase?; sino:

¿qué experiencia de aprendizaje estoy diseñando, y qué rol juega la IA en ella?

Esto implica, por ejemplo:

• Plantear problemas reales, abiertos, relevantes

• Invitar a los estudiantes a formular sus propias preguntas

• Utilizar la IA como herramienta de exploración, no de respuesta final

• Evaluar no solo el producto, sino el proceso

• Fomentar la reflexión sobre el uso de la tecnología

En este punto, estrategias como diversificar los formatos de representación, permitir distintas formas de expresión o promover múltiples caminos para llegar a una solución —muy presentes en enfoques contemporáneos de diseño del aprendizaje— dejan de ser complementos y se vuelven condiciones necesarias para que la IA tenga sentido pedagógico.

Una propuesta posible

Lo que propongo no es reemplazar los marcos actuales de alfabetización en IA, al contrario; el SEE Framework y las propuestas de UNESCO ofrecen una base sólida y necesaria; pero esa base necesita una traducción metodológica; necesita convertirse en experiencias.

En ese sentido, el design thinking y el design for change no son contenidos que añadir al currículo, sino formas de organizar el aprendizaje que permiten que esas competencias emerjan.

Al final, la alfabetización en IA no se logra cuando un estudiante sabe usar una herramienta; se logra cuando es capaz de:

• decidir cuándo usarla

• cuestionar lo que produce

• integrarla en procesos más amplios

• y, sobre todo, darle un propósito

Una pregunta para cerrar

La pregunta ya no es si debemos usar inteligencia artificial en educación, la pregunta es si estamos formando estudiantes capaces de pensar con ella; y para eso, probablemente, necesitamos dejar de empezar por las herramientas… y empezar a diseñar mejor las experiencias.

En un mundo donde la inteligencia artificial ya está disponible, lo verdaderamente escaso no es la tecnología, sino la capacidad de usarla con sentido.

Gracias por el tiempo dedicado a esta lectura, espero contribuya a la reflexión para lograr una mejor alfabetización en IA en tu comunidad educativa.

Nos vemos… después de clase.

A partir de su libro “Comprender y atender a la diversidad: dislexia, discalculia, TDAH y altas capacidades”, abordamos un tema que atraviesa la práctica educativa cotidiana, pero que no siempre se comprende con la precisión que exige.

Más que revisar etiquetas, la conversación apunta a algo más profundo:
cómo interpretamos lo que vemos en el aula.

🎥 Ver en YouTube:

🎧 Escuchar en Spotify:

Comprender antes de intervenir

Uno de los puntos más relevantes del episodio es la necesidad de distinguir entre lo que observamos y lo que realmente ocurre en el proceso de aprendizaje.

Con frecuencia, dificultades específicas se interpretan como falta de esfuerzo, desinterés o incluso problemas de conducta; pero esa lectura puede ser imprecisa.

• La dislexia no es un problema de práctica lectora, sino un trastorno fonológico

• La discalculia no es bajo rendimiento en matemáticas, sino una dificultad en el procesamiento numérico

• El TDAH no se reduce a hiperactividad: implica funciones ejecutivas como la regulación atencional y la inhibición

• Las altas capacidades no son una ventaja automática, sino una necesidad educativa que requiere acompañamiento

El riesgo de las etiquetas simplificadas

Una idea que atraviesa toda la conversación es que muchas categorías educativas se utilizan de forma homogénea, cuando en realidad describen perfiles profundamente diversos.

• No hay una única forma de dislexia.

• No hay un único TDAH.

• No hay un único perfil de altas capacidades.

Cuando la escuela responde con etiquetas, pero no con comprensión,
las decisiones pedagógicas pierden precisión.

Adaptar no es bajar el nivel

Otro punto clave: la tensión entre inclusión y exigencia.

Adaptar no implica reducir expectativas, sino diseñar condiciones para que más estudiantes puedan alcanzarlas.

Aquí aparece un cambio importante en la forma de entender la enseñanza: no se trata de ajustar al final, sino de diseñar desde el inicio considerando la variabilidad.

Una tarea pendiente: formación y sistema

Finalmente, el episodio plantea una pregunta de fondo:

¿hasta qué punto la atención a la diversidad depende del criterio individual del docente…
y cuánto debería ser parte estructural del sistema educativo?

Sin formación específica, sin marcos claros y sin políticas sostenidas,
la inclusión corre el riesgo de quedarse en el discurso.

Esta conversación no ofrece recetas rápidas; pero sí algo más valioso: criterios para pensar mejor.

Nos vemos… después de clase.

De la fascinación técnica al despertar crítico

En mi labor como consultor, observo a diario cómo las instituciones abrazan la Inteligencia Artificial bajo una narrativa de “eficiencia mágica”. Se nos presenta como el preceptor definitivo que democratizará el saber, pero esta visión ignora que la IA no es un ente abstracto; es una infraestructura de poder tecnocrático diseñada por corporaciones con intereses económicos y militares específicos.

En el aula, hemos pasado de evaluar el conocimiento a gestionar una “caja negra”. El riesgo no es solo que el estudiante use un chatbot para evitar el esfuerzo intelectual; el peligro también está en aceptar herramientas que son sistemas de captura de datos y repetición de patrones históricos sesgados. Como advierte la UNESCO, la IA puede convertirse en el “experto” ideal, desplazando inadvertidamente la capacidad humana de cuestionar la realidad.

El “efecto búmeran”: De la guerra al pupitre

El conflicto reciente entre la empresa Anthropic y el Pentágono (EEUU), constituye una advertencia para cada consejo escolar. Cuando una compañía se niega a renovar un contrato para evitar que su modelo alimente armas letales o vigilancia masiva, nos recuerda que la IA es una tecnología de doble uso.

Marta Peirano, recientemente entrevistada para un episodio del podcast “El Hilo” -del que soy un fanático declarado- describe con precisión el efecto bumerán: toda tecnología diseñada para vulnerar derechos en fronteras o campos de batalla, tarde o temprano, vuelve al origen para aplicarse sobre los ciudadanos locales. Si permitimos que algoritmos opacos decidan quién es apto para un crédito o un bombardeo, mañana esos modelos estarán en nuestras escuelas definiendo, sin transparencia, qué niño tiene “perfil de riesgo” o quién merece una calificación baja basándose en datos que ya nadie supervisa. La IA militar y la educativa beben del mismo flujo de datos; separar sus implicaciones es una ingenuidad peligrosa.

Suscríbete ahora

La ética como competencia de supervivencia

No hablamos de una reflexión filosófica lejana, sino de una competencia transversal que debe integrarse en el aula por tres razones fundamentales:

1. Soberanía sobre la verdad (Alfabetización Crítica): Los modelos actuales son “loros estocásticos” que repiten el sentido común predominante en la red sin comprender significados. Si el alumno no entiende que la máquina es un sistema de predicción probabilística y no una fuente de verdad, perderá la capacidad de distinguir entre el conocimiento verificado y un simulacro de mensaje.

2. Desmontar el sesgo industrial: La IA es un espejo de nuestro pasado, a menudo racista y sexista. Educar en ética significa enseñar a auditar esos resultados, a dudar de la fluidez autoritaria de la máquina y a defender la diversidad que los algoritmos tienden a homogenizar.

3. Evitar la atrofia cognitiva: Delegar la creación de sentido en un algoritmo compromete habilidades como el pensamiento crítico y la escritura autónoma. La escuela debe definir qué procesos deben seguir siendo humanos por el valor intelectual del esfuerzo.

La escuela como campo de resistencia

La respuesta institucional no puede ser la prohibición, que es solo un síntoma de falta de preparación. Propongo que las escuelas asuman una actitud hacker y de soberanía digital, basada en tres pilares:

• Transparencia Epistémica: Debemos exigir saber “de dónde sale” la inteligencia de la herramienta. Esto implica conocer quién programó el sistema, bajo qué intereses y con qué datos se entrenó para identificar sesgos industriales. Comprender que la IA no revela verdades, sino probabilidades estadísticas, es vital para no delegar nuestra autoridad intelectual.

• Contratos Sociales con la Tecnología: Los centros deben diseñar protocolos propios que vayan más allá de la regulación estatal. Esto significa proteger la privacidad de los estudiantes -menores de edad-, asegurar que los datos no sean explotados comercialmente y garantizar que la IA se use como una herramienta de apoyo y no como un juez autónomo que anule la relación docente-alumno.

• Humanismo al Mando: No formamos operarios de software ajeno, sino directores con responsabilidad política. El estudiante debe aprender a conducir la IA con empatía y criterio, reconociendo que lo que decidimos hacer con ella es una cuestión exclusivamente humana. La autonomía intelectual solo se preserva cuando el humano mantiene el control sobre la lógica y el manejo del sistema.

  ---

  Compartir

El futuro es una decisión política

El optimismo necesario no es el de quien espera que la tecnología mejore sola, sino el de quien toma el volante. Como educadores, debemos recordar que el problema de la IA no es técnico; tenemos el conocimiento para construir sistemas resilientes. La ceguera es política: hemos permitido que la “mente artificial” avance más rápido que nuestra capacidad de educar sobre ella.

Si la educación se rinde ante la comodidad de la automatización, entregaremos la formación de la próxima generación a una infraestructura de control masivo. Educar en la ética de la IA es un acto de resistencia para asegurar que la tecnología sea un cimiento para el bienestar humano y no la soga que nos aísle de nuestra capacidad de razonar. Como bien dice Peirano, la tecnología es demasiado importante para dejarla en manos de unos pocos oligarcas. La batalla empieza hoy, en el aula.

Aprovecho para compartirles el epiosdio del podcast “El Hilo”, que motivó este breve artículo: vale mucho la pena escucharlo

Nos vemos… después de clase…

Deja un comentario

Suscríbete ahora

En el último año, el ecosistema educativo ha pasado de la sorpresa por los textos de ChatGPT a la fascinación por la síntesis visual hiperrealista. Herramientas como Sora 2, DALL-E 3, Midjourney o Stable Diffusion han democratizado la creación de imágenes de alta fidelidad, permitiendo a docentes y alumnos visualizar conceptos abstractos en segundos. Sin embargo, esta frontera creativa ha revelado una grieta profunda: la capacidad de generar contenido sintético está avanzando mucho más rápido que nuestras salvaguardas institucionales y marcos regulatorios.

La frontera invisible de la creación visual

La digitalización en las aulas ya no es una opción, sino el terreno donde ocurre el aprendizaje. Los líderes educativos han invertido en infraestructuras robustas, mientras los docentes más proactivos exploran modelos multimodales para personalizar la enseñanza. Hasta hace poco, producir un video de alta calidad o una imagen fotorrealista requería equipos costosos y personal experto. Hoy, modelos como Runway o Pika permiten generar clips dinámicos a partir de un simple prompt, abriendo un mundo de posibilidades para el diseño instruccional y la simulación.

La sombra que proyecta la innovación

El conflicto surge cuando esta facilidad operativa es explotada por actores malintencionados con fines perversos. Investigaciones recientes, difundidas por medios especializados como Wired, han puesto el foco en Sora 2, alertando sobre la existencia de comunidades en plataformas como Telegram que utilizan este modelo para crear videos perturbadores de menores en situaciones de extrema violencia o abuso. No se trata solo de desinformación; estamos ante la producción masiva de deepfakes (falsificaciones profundas) que vulneran la dignidad e intimidad de los niños a niveles antes impensables. Según datos analizados por la UNESCO, el riesgo se ve agravado porque la mayoría de los algoritmos han sido desarrollados sin considerar la diversidad de grupos vulnerables, lo que puede amplificar prejuicios y desigualdades sistémicas.

La brecha es alarmante y constituye una emergencia tecnopedagógica: como señala el informe del Centro de Investigación Conjunta (JRC) de la Comisión Europea, la tecnología ya permite manipular la identidad visual de un niño sin rastro de consentimiento, exponiéndolos a una infoxicación de su propia imagen que genera riesgos psicológicos, de ciberacoso y de seguridad física permanentes. Es, en esencia, la creación de un arma digital contra la cual nuestros marcos regulatorios actuales son todavía insuficientes

¿Cómo blindar el aula sin renunciar al progreso?

Ante este panorama, la pregunta para directivos y educadores es inevitable: ¿Es la solución prohibir el acceso a estas herramientas, o debemos rediseñar nuestra arquitectura pedagógica para convivir con el riesgo? La evidencia sugiere que la prohibición no solo es ineficaz, sino que puede ensanchar la brecha digital y limitar las competencias futuras de los alumnos. La respuesta reside en una transición del control al diseño de estrategias resilientes.

El nuevo paradigma de la integridad digital

La solución que recomiendo para proteger a la infancia frente al contenido sintético es multidimensional y de carácter tecnopedagógico:

• Alfabetización Mediática Crítica (AMI): Debemos enseñar a los estudiantes a cuestionar la veracidad de lo que ven, identificando “alucinaciones” (respuestas inventadas que parecen convincentes pero son incorrectas ) o inconsistencias técnicas en el contenido generado por máquinas.

• Gobernanza Humanocéntrica: Los centros deben implementar protocolos de “IA responsable por diseño”, donde la supervisión humana sea obligatoria y nunca se deleguen decisiones críticas a un algoritmo opaco. Te recomiendo escuchar el episodio 77 de Después de Clase Podcast:

Después de Clase Podcast

🎙️ #077 🧠📚 Tu comunidad educativa ya usa IA… ¿y aún no tienen políticas al respecto?

🎙️ Escúchalo aquí mismo…

Read more

a year ago · 1 like · Alberto Grados Mitteenn

• Privacidad Proactiva y Neurodatos: Es vital educar a las comunidades sobre el riesgo de los neurodatos (información recolectada por sistemas de IA que revela el funcionamiento cognitivo, emocional o íntimo de una persona) y la huella digital. Cada imagen real compartida sin criterio es combustible potencial para una manipulación sintética futura.

Un consejo para el camino: más allá de la herramienta

Como líderes, debemos comprender que la integración de la IA no es un fin técnico, sino un compromiso ético con el bienestar humano. No se dejen deslumbrar por la eficiencia inmediata; el verdadero valor de nuestra labor reside en aquello que la IA no puede simular: la empatía, el juicio moral y la capacidad de conectar experiencias vitales con sentido.

Mi consejo es que fomenten en sus centros una “pausa reflexiva” antes de cada despliegue tecnológico. Involucren a las familias en la comprensión de los riesgos de la exposición digital y transformen el aula en un laboratorio de pensamiento crítico donde el error de la máquina sea una oportunidad para fortalecer la inteligencia humana. La tecnología pasará, pero la integridad y la autonomía intelectual que cultivemos en nuestros estudiantes serán su único refugio permanente en un mundo de realidades sintéticas.

Compartir

Nos vemos... después de clase.

Deja un comentario

“No se trata de comprar el último software de moda para estar actualizados. Se trata de entender qué estudiaron los que crearon ese software y cómo podemos formar a los nuestros bajo esos mismos estándares globales.”

Ernesto Cuadros-Vargas

Esta semana en Después de Clase, recibimos a un invitado que no necesita presentaciones en el ámbito tecnológico peruano, pero cuya mirada crítica es hoy más urgente que nunca: el Dr. Ernesto Cuadros-Vargas.

Con una trayectoria que incluye la fundación de carreras de Ciencia de la Computación en la UTEC y la UCSP, y asesorías estratégicas al Ministerio de Educación y organismos internacionales, Ernesto nos plantea un desafío que va más allá de la tecnología: un cambio estructural en nuestra forma de pensar la educación y el desarrollo país.

📺 Ver en YouTube:

🎧 Escuchar en Spotify:

Títulos del pasado para el mundo de hoy

Uno de los puntos más provocadores de la charla es lo que Ernesto define como el “gran desfase” del sistema educativo. Mientras el mundo se mueve a un ritmo de millones de datos por segundo, nuestra burocracia y currículos siguen operando bajo una lógica de “un proceso por minuto”.

• Obsolescencia programada: Diseñar una carrera hoy basada únicamente en lo que pide el mercado local es formar profesionales para el pasado. Para cuando el alumno egrese en seis años, la tecnología habrá cambiado radicalmente.

• La trampa del marketing: Ernesto denuncia cómo se inventan nombres de carreras (”Ingeniería de Sistemas”, “Ingeniería en IA”) solo por fines comerciales, alejándonos de los estándares internacionales de la Ciencia de la Computación que realmente abren puertas en empresas como Google o Meta.

Calidad Académica vs. Estrategia de Marketing

La conversación profundiza en una realidad incómoda: la educación superior convertida en un negocio donde el alumno es tratado como un “cliente” que siempre tiene la razón.

Ernesto es enfático: cuando una institución prioriza retener al cliente por encima del rigor académico, la calidad se desploma; sin embargo, nos demuestra con ejemplos reales que la calidad es rentable. Al aplicar estándares globales y meritocracia, es posible lograr que estudiantes peruanos compitan y triunfen en los centros tecnológicos más importantes del mundo.

Soberanía Digital: Un riesgo de seguridad nacional

Más allá de las aulas, Ernesto lanza una alerta roja sobre nuestra soberanía digital. En un mundo interconectado, la ignorancia técnica de los tomadores de decisiones pone en riesgo la seguridad del país.

• Datos en manos ajenas: Gran parte de la información estratégica del Estado peruano, incluyendo comunicaciones de la Presidencia y las Fuerzas Armadas, reside actualmente en servidores fuera de nuestro territorio.

• La arquitectura necesaria: Propone siete principios fundamentales para cualquier desarrollo tecnológico nacional: debe ser acelerador, transversal, escalable, distribuido, soberano, sostenible y seguro.

Formar Genios: La misión del educador

A pesar de la dureza del diagnóstico, el mensaje final de Ernesto es de profunda esperanza en el talento peruano. Para él, la educación no es llenar un cartón, sino un acto de descubrimiento.

“La misión de un profesor es encender los interruptores de genialidad. Es sacar a la luz ese talento que el muchacho tiene dentro y que muchas veces ni él mismo, ni sus padres, saben que existe.”

Ideas que atraviesan toda la conversación

• Meritocracia vs. “Dedocracia”: El sistema solo progresa cuando los mejores están a la cabeza.

• Estándares Globales: No podemos compararnos con nuestra propia nariz; nuestra competencia es el mundo (Estonia, China, EE.UU.).

• Ciencia sobre herramientas: Antes de usar la IA, debemos entender la ciencia que la hace posible.

Este episodio es un llamado a la acción para dejar de ser simples consumidores y empezar a ser creadores de tecnología con base científica.

Nos vemos... después de clase.

El escenario de la evidencia final

Durante décadas, la educación superior ha operado bajo un pacto de confianza depositado en el producto terminado: la entrega de una monografía, una resolución matemática o un código fuente eran considerados evidencias suficientes de que un proceso cognitivo interno había ocurrido con éxito. En este modelo, el docente actuaba principalmente como un validador de resultados finales. Sin embargo, la irrupción masiva de los Modelos de Lenguaje de Gran Tamaño (LLM) ha quebrado esta linealidad.

Hoy, la capacidad de los sistemas para generar textos coherentes en segundos pone en tela de juicio si lo que evaluamos es el aprendizaje del estudiante o la eficiencia de un algoritmo predictivo que construye respuestas basadas en probabilidades estadísticas. Esta fluidez operativa permite construir textos que muy bien podrían haber sido escritos por humanos, haciendo que el plagio tradicional se vuelva indetectable por los sistemas convencionales.

La complicación: El riesgo del “plagio por diseño”

La verdadera crisis no reside en la tecnología, sino en la fragilidad de un diseño evaluativo que a menudo premia la reproducción mecánica de información. Es lo que hoy se denomina “plagio por diseño”: evaluaciones tan genéricas, predecibles o centradas en la memoria que una IA puede resolverlas íntegramente sin que se pierda el sentido formal de la tarea.

Cuando el proceso de aprendizaje no es observado ni documentado, la externalización del trabajo cognitivo hacia la máquina se vuelve funcional para el cumplimiento administrativo de la tarea. Como advierte Daisy Christodoulou, directora de la organización educativa No More Marking, si estamos aplicando exámenes que un robot puede contestar bien, lo que está en crisis es la naturaleza de nuestras evaluaciones. Al persistir en evaluar únicamente productos finales descontextualizados, fomentamos una “descarga cognitiva” que anula el desarrollo de habilidades de orden superior.

La pregunta: ¿Cómo evaluar aprendizajes que no son delegables?

Frente a este escenario, la pregunta fundamental para los centros de enseñanza no es cómo prohibir o detectar la herramienta —una batalla técnica de baja eficacia—, sino cómo rediseñar la experiencia evaluativa para que el aprendizaje no sea delegable. ¿Cómo podemos transitar desde una evaluación de control basada en la sospecha hacia un modelo de evaluación auténtica y resiliente que resguarde la validez del juicio académico?.

Suscríbete ahora

Mi propuesta de respuesta: 5 formatos estratégicos para una evaluación resiliente

La respuesta exige un cambio de paradigma: desplazar el énfasis desde la vigilancia del producto hacia el diseño pedagógico y curricular de las evaluaciones. A continuación, te propongo cinco formatos que reducen drásticamente la vulnerabilidad ante la IA:

1. Trazabilidad por capas secuenciales (Evaluación del proceso)

Este formato fragmenta la evaluación en hitos obligatorios que documentan la construcción del conocimiento a lo largo del tiempo. En lugar de un solo ensayo final, el estudiante debe entregar:

• Capa 1: Un mapa conceptual o esquema inicial elaborado de forma presencial o manual.

• Capa 2: Un borrador expandido donde se declare explícitamente el uso de IA para estructurar ideas.

• Capa 3: Una edición crítica final donde el estudiante justifique por qué aceptó o rechazó las sugerencias de la máquina. Impacto: El foco evaluativo se sitúa en cómo el estudiante gestiona el apoyo tecnológico y mantiene el control cognitivo sobre el itinerario.

2. La IA como objeto de auditoría disciplinar

En este modelo, el producto de la IA no es el resultado del examen, sino el insumo para el análisis. Se pide al estudiante que genere una respuesta con un LLM y realice una validación experta utilizando marcos conceptuales de la asignatura.

• Acción: Detectar “alucinaciones”, verificar la validez de las fuentes citadas por la IA y contrastar sesgos algorítmicos.

• Impacto: Se evalúa la capacidad de validación y el juicio disciplinar profundo, competencias que la IA no puede autoevaluar con rigor.

3. Defensa académica breve con golden questions o high-stakes questions (”preguntas de oro”)

La palabra viva y la interacción humana directa siguen siendo los mecanismos más seguros de autenticidad. Complementar las tareas escritas con breves instancias de defensa o sustentación (presenciales o sincrónicas) permite verificar la apropiación conceptual.

• Estrategia: Realizar preguntas sobre el porqué de una decisión específica en el texto o pedir que relacione el contenido con un caso no mencionado en el escrito.

• Impacto: Resguarda la autoría intelectual al obligar al estudiante a explicar su propio razonamiento.

4. Contextualización local y situada

Los modelos de IA se entrenan con datos masivos y globales, pero presentan limitaciones para comprender el contexto específico y reciente.

• Acción: Diseñar retos vinculados a problemas reales de la comunidad inmediata del estudiante, debates ocurridos exclusivamente dentro del aula o eventos noticiosos de los últimos días.

• Impacto: Al carecer de esta “micro-información”, la IA se ve obligada a ser solo una asistente de redacción, mientras que el peso de la investigación original recae necesariamente en el humano.

5. El formato “Cyborg-Drafting” con uso declarado

Este enfoque formaliza la colaboración humano-IA mediante la transparencia total. Se permite el uso de tecnología bajo la condición de entregar un “Anexo de Prompting”.

• Requisito: Documentar las instrucciones dadas a la máquina (prompts), los resultados obtenidos y una reflexión sobre el criterio de integración.

• Impacto: Evaluamos la competencia de interacción con sistemas inteligentes, transformando el potencial fraude en una habilidad profesional crítica y ética.

  ---

  Deja un comentario

Hacia una nueva arquitectura institucional

Implementar estos cambios no debe ser una decisión individual aislada del docente, sino una responsabilidad institucional integrada en las políticas de aseguramiento de la calidad. Evaluar en tiempos de IA no es solo una cuestión técnica; es una decisión pedagógica de fondo que interpela el sentido mismo de la formación.

Como educadores, nuestro rol evoluciona de validadores de productos a arquitectos de experiencias de aprendizaje auténtico. La meta es consolidar un sistema donde la IA potencie la agencia humana en lugar de sustituirla, garantizando que el título otorgado siga siendo un reflejo fiel de las capacidades reales de nuestros egresados.

¿Necesitas orientar a tu institución en el diseño de nuevas estrategias evaluativas?

El fortalecimiento de la cultura de integridad académica frente a la inteligencia artificial requiere un acompañamiento situado y profesional. Si buscas desarrollar talleres para equipos docentes o consultoría curricular para adaptar tus programas académicos a este nuevo escenario tecnológico, podemos colaborar.

Escríbeme a alberto@edtechlatam.org para explorar cómo situar a tu comunidad educativa a la vanguardia de esta transformación necesaria.

Nos vemos… después de clase.

Compartir

En los últimos años he acompañado a decenas de colegios y universidades en procesos de formación sobre inteligencia artificial; con EdTech Latam hemos trabajado en talleres docentes, rediseños curriculares y en los primeros borradores de políticas institucionales de IA, lo que me ha permitido observar con cierta perspectiva un fenómeno que empieza a inquietarme: la mayoría de solicitudes que recibimos se centran casi exclusivamente en el uso instrumental de las herramientas.

La pregunta suele formularse así: ¿cómo usar ChatGPT para planificar más rápido?, ¿cómo generar exámenes?, ¿cómo resumir textos?, ¿cómo ahorrar tiempo? Pocas veces la conversación comienza con una interrogante más profunda: ¿qué significa pensar en una cultura escolar atravesada por sistemas generativos?, ¿qué tipo de sujeto estamos formando cuando externalizamos procesos cognitivos complejos?, ¿qué ética del conocimiento estamos promoviendo?

No se trata de oponerse a la tecnología; sería absurdo hacerlo. La cuestión es otra: si reducimos la formación en IA a productividad y eficiencia, dejamos intacta la pregunta más importante, la que tiene que ver con la formación humana.

El riesgo de confundir alfabetización con destreza técnica

La investigación reciente es clara: la alfabetización en IA no puede reducirse a saber usar herramientas. Bilbao-Eraña y Arroyo-Sagasta (2025) señalan que la alfabetización en IA incluye dimensiones cognitivas, afectivas, sociales y éticas; no solo comprensión conceptual, sino también actitud, confianza y conciencia crítica

Esto quiere decir, formar en IA implica trabajar la relación que las personas establecen con la tecnología, no únicamente su competencia operativa.

El Marco Australiano para IA Generativa en Escuelas -un referente importante en el uso de la IA en educacación- define su propósito como “orientar el uso responsable y ético de las herramientas de IA generativa de manera que beneficie a los estudiantes, las escuelas y la sociedad”.

La palabra clave aquí no es uso, sino responsable y ético; tampoco es beneficio individual inmediato, sino impacto en estudiantes, escuelas y sociedad. Esa triple dimensión desaparece cuando la formación se limita a “cómo escribir mejores prompts”.

He visto talleres en los que el objetivo explícito es aprender a “optimizar instrucciones” o “automatizar tareas repetitivas”; nada de eso es incorrecto en sí mismo; el problema aparece cuando esa lógica se convierte en el eje central del discurso educativo. Cuando la conversación gira exclusivamente en torno a eficiencia, la reflexión ética se vuelve periférica, y la dimensión antropológica —qué significa aprender, pensar, crear— queda fuera del radar.

Pensar no es lo mismo que generar

Cristina Costa y Mark Murphy, en Generative artificial intelligence in education: (what) are we thinking? (2025), recuperan la preocupación de Hannah Arendt por la “thoughtlessness”, la ausencia de pensamiento como riesgo cultural. Su pregunta es incómoda y necesaria: ¿puede, o debería, automatizarse el pensamiento?

La ilusión que producen los modelos generativos es potente: textos coherentes, argumentos bien estructurados, síntesis veloces. Pero coherencia no es sinónimo de comprensión; generación no es equivalente a reflexión. Cuando un estudiante delega sistemáticamente la elaboración conceptual a un sistema generativo, no está necesariamente aprendiendo a pensar mejor; puede estar aprendiendo a depender más.

No es casual que el informe Me, myself & AI (2025), elaborado por la organización Internet Matters, advierta que muchos jóvenes confían de manera acrítica en las respuestas de los chatbots, incluso cuando son inexactas o insuficientes. Si eso ocurre en el ámbito cotidiano, ¿qué sucede cuando institucionalizamos el uso sin formar criterio?.

Aquí es donde mi preocupación se vuelve más intensa: si las escuelas no desarrollan una cultura sólida en relación con la IA, corremos el riesgo de repetir errores ya conocidos —como ocurrió con las redes sociales—, reaccionando tarde, regulando después del daño y delegando en las familias lo que debería ser un proyecto formativo colectivo.

No basta con reglamentos

Muchas instituciones, cuando perciben el impacto de la IA generativa, reaccionan con reglamentos: cuándo está permitido usarla, cuándo no; qué porcentaje de un trabajo puede estar asistido por IA; qué sanciones aplican en caso de incumplimiento. Estas medidas son necesarias, pero insuficientes.

Una política de IA no es solo un documento normativo; es una declaración cultural. El Marco Australiano habla explícitamente de principios y orientaciones para alinear prácticas y desarrollar trabajo futuro; eso implica visión estratégica, no solo control.

Si educar “con IA” significa integrar herramientas en el aula, y educar “sobre IA” implica comprender cómo funcionan y cuáles son sus límites, educar “en IA” —en el sentido más profundo— supone formar criterio, responsabilidad y honestidad intelectual. Supone preguntarnos qué entendemos por autoría, por creatividad, por evaluación, por aprendizaje significativo.

En ese sentido, la investigación sobre formación docente muestra que intervenciones breves pero conceptualmente sólidas pueden mejorar la conciencia y actitud frente a la IA. No estamos ante un problema irresoluble; estamos ante una decisión institucional: ¿queremos formar usuarios eficientes o ciudadanos críticos?

Productividad versus formación

En varios cursos corporativos sobre IA, la promesa es: automatizar tareas, maximizar eficiencia, reinventarse para sobrevivir en mercados competitivos. Ese discurso tiene sentido en entornos empresariales, pero trasladarlo sin mediación al ámbito educativo es problemático. La escuela no existe para producir más rápido; existe para formar mejor.

Cuando el lenguaje dominante es “optimizar”, “acelerar”, “automatizar”, el riesgo es que la educación adopte sin filtro la lógica de la productividad, desplazando la lógica de la formación. Y la formación, a diferencia de la productividad, requiere tiempo, fricción, duda, ensayo y error; requiere pensamiento.

Arendt advertía que el mayor peligro no era la maldad consciente, sino la incapacidad de pensar críticamente sobre lo que hacemos. Si la IA nos ofrece respuestas inmediatas, la tarea educativa no puede ser simplemente enseñar a obtenerlas mejor, sino enseñar a interrogarlas, contextualizarlas y, cuando sea necesario, rechazarlas.

Hacia una cultura sólida de IA en la escuela

Mi preocupación no nace del rechazo a la tecnología; al contrario, trabajo cada semana con instituciones que quieren integrarla con sentido. Lo que me inquieta es la superficialidad de algunas demandas formativas, la reducción de la IA a un conjunto de trucos operativos y la ausencia de una reflexión más amplia sobre el tipo de cultura escolar que estamos construyendo.

Una cultura sólida en relación con la IA debería incluir, al menos:

• Comprensión conceptual básica de cómo funcionan los sistemas generativos y cuáles son sus límites.

• Discusión ética explícita sobre sesgos, privacidad, autoría y responsabilidad.

• Rediseño de evaluaciones que valoren procesos, no solo productos.

• Formación docente continua que combine dimensión técnica y reflexión pedagógica.

• Participación estudiantil en la construcción de criterios y acuerdos institucionales.

En definitiva, una cultura que no solo enseñe a usar la IA, sino a convivir críticamente con ella.

Una invitación a ir más allá del uso instrumental

La inteligencia artificial generativa llegó para quedarse; ignorarla sería irresponsable; pero abrazarla sin reflexión también lo es. Entre el entusiasmo acrítico y el miedo paralizante hay un espacio fértil: el de la deliberación pedagógica, ética y cultural.

Si algo he aprendido en estos años es que las herramientas cambian rápido; las culturas institucionales, no tanto. Por eso, antes de preguntar cómo escribir mejores prompts, quizás deberíamos preguntarnos qué tipo de pensamiento queremos preservar y potenciar en nuestras escuelas.

Gracias al maestro que, con una pregunta aguda y profundamente reflexiva en el taller de ayer, motivó la escritura de estas líneas. Este artículo no fue solo una respuesta: fue una necesidad; y, en cierto sentido, también una liberación.

Nos vemos… después de clase.

Compartir

Durante los últimos dos años, el sector educativo se sumergió en una suerte de “alquimia digital”: docentes y directivos buscamos con urgencia fórmulas verbales precisas —prompts— que actuaran como llaves para desbloquear el potencial de la Inteligencia Artificial (IA). Nos convencieron de que el éxito dependía de saber decir “respira hondo” o “actúa como un tutor socrático”. Esta fase, necesaria pero rudimentaria, convirtió la interacción con la IA en una serie de “hechizos” artesanales basados más en la intuición que en la ciencia.

Sin embargo, los datos más recientes indican que esta era de la ingeniería de prompts manual está llegando a su fin. Lo que antes funcionaba como un estándar de oro, hoy se muestra insuficiente o, en el peor de los casos, contraproducente.

La erosión de las fórmulas mágicas

La evidencia científica ha comenzado a desmantelar las heurísticas que considerábamos universales. Investigaciones del laboratorio de VMware revelan que las variaciones triviales en las instrucciones (como el “pensamiento positivo” o promesas de recompensas) tienen efectos inconsistentes y no se generalizan entre diferentes modelos. Lo que ayuda a un modelo pequeño puede degradar el rendimiento de uno más robusto como Llama-5 o GPT-5.2.

Más disruptivo aún es el hallazgo del Wharton Generative AI Labs sobre el declive del valor del Chain-of-Thought (CoT) o “pensar paso a paso”. En modelos diseñados nativamente para el razonamiento (como la serie o3 de OpenAI o R1 de DeepSeek), imponer un proceso de pensamiento manual no solo ofrece ganancias marginales, sino que aumenta drásticamente la latencia y el costo operativo sin mejorar la precisión. Para un líder educativo, esto significa que la formación docente ya no puede centrarse en “trucos de redacción”, sino en la comprensión profunda de las capacidades cognitivas del modelo en uso.

A esto se suma el “asesino silencioso” de los proyectos de IA en las escuelas: el Model Drift o deriva del modelo: El 91% de los sistemas de IA experimentan una degradación de su rendimiento con el tiempo debido a cambios en los datos del mundo real. Un prompt diseñado para analizar el bienestar estudiantil en 2024 puede ser irrelevante en 2026 porque el contexto social —y el mapa interno del modelo— han cambiado.

Hacia la Ingeniería de Contexto y el Dominio Experto

Si el “cómo pedir” ya no es el factor diferencial, ¿dónde reside el valor del educador en la era de la IA? La respuesta está en la transición hacia la Ingeniería de Contexto. A diferencia del diseño de prompts (que es una instrucción aislada), la ingeniería de contexto diseña el ecosistema completo: la memoria del sistema, las fuentes de datos fidedignas y las reglas pedagógicas que rigen la interacción.

En este nuevo escenario, el conocimiento de dominio recupera su trono. Jensen Huang (CEO de NVIDIA) ha señalado que el lenguaje de programación del futuro es la propia experiencia profesional. Para guiar un sistema de IA hoy, un líder educativo no necesita ser un programador, sino un experto en pedagogía que sepa estructurar el “mundo mental” en el que opera la máquina. La precisión de la IA cae un 24.2% cuando la información relevante está “enterrada” en contextos mal gestionados; el rol del educador es, por tanto, el de un arquitecto de la información.

Nuevas herramientas para el pensamiento estratégico

Para navegar este cambio, están emergiendo marcos de trabajo que el liderazgo educativo debe conocer:

1. Programación Declarativa (DSPy): Stanford ha propuesto un cambio radical: dejar de escribir prompts y empezar a “programar” sistemas de IA. Con marcos como DSPy, definimos qué queremos que pase (ej. “evaluar esta competencia según la taxonomía de Bloom”) y dejamos que algoritmos de optimización generen las instrucciones técnicas más eficientes para el modelo específico que estemos usando.

2. Chain-of-Draft (Borradores Cognitivos): Frente a la verbosidad costosa, surge la técnica de obligar a la IA a razonar en pasos de máximo cinco palabras. Esto imita el proceso humano de tomar notas rápidas y ha demostrado reducir el costo en un 90% manteniendo la precisión lógica. Es una herramienta poderosa para enseñar a los alumnos a centrarse en la señal lógica y no en el ruido del texto.

3. Inferencia en Sistema 2: Los nuevos modelos de razonamiento profundo pasan del procesamiento intuitivo (Sistema 1) a una deliberación lógica estructurada (Sistema 2). El desafío para el docente es aprender a delegar en la máquina el razonamiento procedimental para concentrarse en la formulación del problema y en la supervisión ética de los resultados.

La educación como el único guardrail permanente

Como divulgador, mi conclusión es que el fin de la ingeniería de prompts “artesanal” es una noticia excelente para la educación; nos devuelve la autoridad sobre lo que realmente importa: el contenido y el propósito.

La tecnología está dejando de ser una caja negra sensible a palabras mágicas para convertirse en un motor de razonamiento que requiere pilotos con criterio. En un mundo donde la IA puede optimizar cualquier instrucción, el diferencial humano no es la habilidad de redactar, sino la capacidad de imaginar soluciones complejas y entender el contexto ético de nuestras decisiones.

El liderazgo educativo de 2026 no se medirá por cuántos prompts “maestros” tenga guardados en un repositorio, sino por su capacidad para diseñar sistemas donde la IA amplifique la inteligencia humana sin sustituirla.

Una reflexión final

La era artesanal de los prompts ha terminado; es el momento de los arquitectos del pensamiento pedagógico. La alfabetización digital ha dejado de ser una cuestión de gramática para convertirse en una cuestión de soberanía intelectual.

Nos vemos... después de clase.

“Ser críticos no es estar en contra de la tecnología, es desnaturalizarla para entender qué intereses hay detrás y qué tipo de sujetos estamos construyendo.”

Carlos Magro & Tiscar Lara

Hace unos meses, mientras leía “IA y Educación: una relación con costuras”, sentí que por fin alguien ponía palabras a una incomodidad que muchos compartimos, pero pocos se atreven a articular en voz alta. Por eso, conversar con Carlos Magro 🇪🇸 en este nuevo episodio de Después de Clase no fue solo una entrevista; fue, para mí, una necesidad pedagógica y un verdadero honor personal.

Si buscas una pausa entre tanto ruido tecnológico para pensar qué estamos haciendo realmente en las aulas, te invito a darle play ahora mismo. Es, probablemente, la charla más necesaria de esta temporada:

📺 Ver en YouTube (Canal principal):

🎧 Escuchar en Spotify:

Desvelar las costuras: Por qué admirar la mirada de Carlos Magro

Si algo define la labor de Carlos —y la razón por la que sus textos son referencia obligada— es su capacidad para complejizar el debate. En un ecosistema educativo que parece haber caído rendido ante el “solucionismo tecnológico”, Carlos nos invita a recuperar la calma y, sobre todo, a mirar las “costuras”.

Como bien dice en su libro (una cita de Claudio Magris que tengo subrayada en mis apuntes): “Tras las cosas tal como son hay también una promesa, la exigencia de cómo debieran ser”. La IA hoy “es” una herramienta de productividad, pero ¿cómo “debiera ser” en la escuela?

Ni tan inteligente, ni tan artificial

Uno de los grandes malentendidos actuales es nuestra tendencia a antropomorfizar a las máquinas. Carlos es tajante en nuestra charla: la IA no tiene una cognición consciente; no “piensa”, calcula probabilidades. Cuando interactuamos con un chatbot, no hay un sujeto al otro lado que se haga cargo de sus palabras; hay un sofisticado cálculo probabilístico que imita el sentido, pero que no siente nada.

Pero hay algo más profundo: la IA no flota en una “nube” etérea. Carlos nos recuerda que detrás de cada respuesta de ChatGPT, Gemini o Claude, hay infraestructuras materiales, un consumo masivo de agua para refrigeración y, sobre todo, trabajo humano a menudo precarizado, en el Sur Global, para etiquetar y curar contenidos. Educar hoy también es desvelar este extractivismo material y digital; es enseñar a los estudiantes que lo que parece “magia” es, en realidad, una cadena de montaje global.

La trampa de la eficiencia y la pérdida de la fricción

La promesa dominante es la eficiencia: “liberar al docente de las tareas burocráticas para que se dedique a lo importante”. Sin embargo, en la entrevista planteamos una duda razonable: ¿Qué es lo importante?

A menudo, lo que las empresas llaman “tareas burocráticas” (como planificar o evaluar) son en realidad el corazón de la labor docente; son procesos de reflexión donde el maestro se hace cargo del aprendizaje. Si delegamos la planificación al algoritmo, ¿no estaremos perdiendo nuestra propia autonomía y capacidad de juicio pedagógico?

Aprender requiere fricción, requiere superar la duda. Las tecnologías actuales buscan ser seamless (sin costuras), suaves, sin interrupciones; pero la educación es, precisamente, enseñar a mirar con detenimiento lo que no se ve a simple vista. Si usamos la IA para eliminar toda dificultad, vaciamos el aprendizaje de su esencia. No vamos a la escuela para “entregar productos” (ensayos, tareas, exámenes), sino para vivir el proceso de pensar.

Alfabetización crítica: El rol del educador hoy

No se trata de prohibir. Carlos es claro: “Ser críticos no es estar en contra”. La escuela no necesita menos tecnología, necesita tomarse la tecnología más en serio.

Necesitamos transitar de una formación puramente funcional (aprender a usar herramientas o hacer prompts) hacia una alfabetización crítica. Una que permita a estudiantes y docentes comprender:

1. Los intereses detrás del diseño: ¿Quién gana con esta automatización?

2. Los sesgos epistémicos: ¿A qué visión del mundo (a menudo anglosajona y sesgada) responde el algoritmo?

3. Nuestra propia agencia: La capacidad de decidir cuándo usar la tecnología y, sobre todo, cuándo no usarla.

Como discutimos en el episodio, la escuela debe ser ese espacio de resistencia donde se desnaturalicen los discursos de las grandes tecnológicas. La educación debe ser el lugar donde las “costuras” se hagan visibles.

Sigamos en contacto

Si este contenido te genera preguntas o quieres profundizar en cómo aterrizar estos marcos críticos en tu institución educativa, he habilitado un nuevo canal de comunicación directo y oficial: alberto@edtechlatam.org.

Como parte de mi labor en EdTech Latam, mi propósito es acompañar a instituciones y líderes a navegar esta transformación digital sin perder el norte pedagógico. Si crees que puedo ayudar a tu equipo a diseñar estrategias con sentido humano y criterio ético, estaré encantado de que conversemos.

Gracias por ser parte de estos casi 3,700 suscriptores 🙌🏽. Sigamos abriendo espacios para la conversación honesta.

Nos vemos... después de clase.

“La tecnología no es neutral; o bien contribuye a la liberación humana y al pensamiento crítico, o bien se convierte en un instrumento de vigilancia y control que reproduce las peores violencias de nuestra sociedad.”

UNESCO (2024), Marco de competencias de IA para docentes.

El aula como escenario de lo sintético

Hasta hace poco, los riesgos digitales en el entorno educativo se limitaban al ciberacoso verbal o la difusión de fotos no consentidas. Sin embargo, la democratización de la Inteligencia Artificial Generativa (IAGen) ha introducido una variable que muchos centros educativos aún no saben cómo gestionar. Hoy, cualquier estudiante con un smartphone y una aplicación de libre acceso puede generar contenido altamente realista de algo que nunca existió. La IA ha dejado de ser solo una herramienta para resolver tareas y se ha convertido en una tecnología capaz de alterar la identidad y la integridad de las personas en segundos.

Cuando el cuerpo se vuelve un “prompt”

Un caso reciente narrado por Radio Ambulante puso rostro a esta amenaza: Ana, una universitaria, descubrió que un compañero utilizaba IA para desnudar digitalmente sus fotos de Instagram. Pero esto no es un problema exclusivo de la educación superior.

En Perú, durante el 2024 y 2025, se reportaron incidentes similares en colegios de Lima y Trujillo, donde adolescentes utilizaron herramientas de deepfake para crear pornografía no consentida de sus compañeras y docentes. La complicación es profunda: el sistema legal peruano (a través de la Ley de Delitos Informáticos) aún lucha por procesar evidencias de autoría en IA, y las instituciones educativas suelen reaccionar con el silencio o la expulsión, pero rara vez con una estrategia de alfabetización ética.

¿Es la IA el problema o solo el megáfono?

Ante esta realidad, nos toca preguntarnos: ¿Estamos frente a un problema tecnológico que requiere mejores filtros, o estamos ante una crisis de convivencia que la IA simplemente ha exponenciado? ¿Cómo debemos reaccionar cuando el cuerpo de una estudiante es vulnerado por un algoritmo manipulado por un compañero?

¿Te interesa transformar la educación con sentido humano?

Suscríbete a mi blog “Después de Clase” y recibe reflexiones semanales sobre IA, pedagogía y ciudadanía digital.

Suscríbete ahora

Hacia una pedagogía del consentimiento

Para abordar este desafío, no basta con prohibir el uso de dispositivos; la investigación sugiere tres rutas de acción urgentes:

1. De la técnica a la ética

La alfabetización en IA no puede limitarse a enseñar a redactar prompts, debe incluir una dimensión sobre la agencia y la identidad. Según el informe State of Deepfakes (2023), el 96% de los videos deepfake en la red son pornografía no consentida dirigida a mujeres. Ignorar esto en el currículo es ignorar una forma de violencia de género digital.

2. El error de la revictimización

Como ocurrió en el caso de Ana (Radio Ambulante, 2025), el entorno suele preguntar: “¿Por qué tenías tus fotos públicas?”. Esta lógica traslada la responsabilidad a la víctima. La respuesta institucional debe ser la protección de la integridad: la imagen de una persona, aunque sea pública, no es un insumo para la manipulación.

3. El valor de lo humano frente a lo generado

Debemos enseñar que los modelos de IA generan patrones, no verdades. Lo que un sistema produce es una correlación estadística de píxeles; sin embargo, el impacto emocional en la víctima es real y devastador. La “ineficiencia” de detenerse a conversar sobre el respeto es la inversión más sabia que un colegio puede hacer hoy.

Una conclusión personal

La historia de Ana nos enseña que el daño de una deepfake no es virtual, es un robo de identidad que deja secuelas de persecución y aislamiento. Como educadores, nuestro éxito no se medirá por cuánta IA usen nuestros alumnos, sino por cuánto respeto demuestren al convivir en entornos donde lo real y lo sintético se confunden.

La IA nos obliga, paradójicamente, a volver a lo más básico: la empatía y la responsabilidad por el otro.

¿Necesitas orientar a tu institución en estos temas?

Si buscas fortalecer la ciudadanía digital en tu comunidad, puedo ayudarte a través de estrategias, charlas o talleres diseñados para directivos, docentes y familias.

Escríbeme a: alberto@despuesdeclase.org

Hablemos sobre cómo construir un entorno digital más seguro para tus estudiantes.

¿Crees que este tema debe discutirse en tu colegio?

Comparte este artículo con otros educadores que crean que el futuro del aprendizaje requiere, ante todo, integridad humana.

Compartir

Para abrir esta nueva temporada, quise comenzar con una conversación que no celebra la inteligencia artificial sin preguntas, sino que la examina con rigor.

🎧 Mira o escucha el episodio

👉 Spotify:

👉 YouTube:

¿De qué va este episodio?

En este episodio converso con Gabriela Arriagada Bruneau 🇨🇱, filósofa e investigadora en ética de la inteligencia artificial y de los datos, profesora universitaria y autora del libro Los sesgos del algoritmo.

Gabriela desarrolla su trabajo académico en la Pontificia Universidad Católica de Chile y es investigadora asociada del Centro Nacional de Inteligencia Artificial (CENIA). Su investigación se sitúa en la intersección entre filosofía de la tecnología, justicia social y análisis crítico de los sistemas algorítmicos.

La conversación parte de una idea central:

hablar de inteligencia artificial es, inevitablemente, hablar de poder, de decisiones humanas y de consecuencias sociales.

Lejos de la narrativa que presenta a la IA como neutral, objetiva o inevitablemente progresiva, este episodio examina cómo los algoritmos pueden reproducir y amplificar desigualdades existentes, especialmente cuando se implementan sin criterios éticos claros en ámbitos sensibles como educación, salud, trabajo o políticas públicas.

Algoritmos, opacidad y “cajas negras”

Uno de los ejes de la conversación es el problema de la opacidad algorítmica. Gabriela explica por qué muchos sistemas actuales funcionan como “cajas negras”: modelos complejos cuyos procesos internos no son comprensibles ni auditables para quienes toman decisiones basadas en ellos.

Esta falta de transparencia no es solo un problema técnico. Es un problema político y ético, porque dificulta:

• entender por qué un sistema decide lo que decide

• identificar sesgos discriminatorios

• asumir responsabilidades cuando una decisión automatizada causa daño

Cuando delegamos decisiones relevantes a sistemas que no comprendemos, la rendición de cuentas se diluye.

IA, pobreza y sesgos estructurales

El episodio profundiza también en cómo muchos sistemas algorítmicos terminan afectando con mayor dureza a las personas en situación de vulnerabilidad. No porque los algoritmos “quieran discriminar”, sino porque:

• los datos disponibles suelen ser incompletos o de mala calidad

• los problemas están mal formulados desde el inicio

• los contextos sociales no se traducen adecuadamente en variables técnicas

En América Latina, donde las brechas estructurales son profundas, automatizar decisiones sin una lectura crítica del contexto puede convertir la tecnología en un amplificador de injusticias.

Educación, métricas y reduccionismo

En el ámbito educativo, la conversación plantea preguntas incómodas pero necesarias. Hoy utilizamos algoritmos para medir aprendizajes, evaluar docentes o predecir trayectorias académicas; pero ¿qué ocurre cuando reducimos procesos complejos a un solo indicador?

Gabriela cuestiona el enfoque que entiende la educación únicamente desde la eficiencia, la estandarización y la medición. Desde su perspectiva, aprender es un proceso situado, cultural y profundamente humano, que no puede capturarse completamente en métricas automatizadas.

La inteligencia artificial puede apoyar ciertos procesos, pero no reemplaza la mediación pedagógica, el juicio docente ni la relación educativa.

Alfabetización digital no es alfabetización ética

Otro punto clave del episodio es la distinción entre saber usar tecnología y saber evaluarla críticamente. La conversación subraya que:

• formar en competencias digitales es necesario, pero insuficiente

• sin alfabetización ética, las decisiones tecnológicas quedan en manos de pocos

• docentes e instituciones necesitan criterios para discernir entre innovación genuina y promesa de marketing

Integrar IA en educación no es solo una decisión técnica; es una decisión pedagógica, ética e institucional.

Ideas que atraviesan toda la conversación

• La inteligencia artificial no es neutral: refleja los valores de quienes la diseñan y la implementan.

• No existe una IA sin sesgos; el desafío es reconocerlos y gestionarlos responsablemente.

• Automatizar no equivale a mejorar.

• La educación requiere tiempo, reflexión y presencia humana.

• Pensar la IA críticamente es una forma de fortalecer la democracia y la ciudadanía.

Una conversación para abrir la temporada

Quise iniciar esta temporada con este episodio porque creo que hoy necesitamos menos entusiasmo acrítico y más criterio. La inteligencia artificial seguirá avanzando, pero la pregunta relevante no es qué puede hacer la tecnología, sino qué estamos dispuestos a delegar y bajo qué condiciones.

Este episodio no busca dar respuestas definitivas, sino ofrecer marcos para pensar mejor.
Si trabajas en educación, investigación, gestión institucional o políticas públicas, esta conversación es una invitación a comprender antes de adoptar.

Gracias por estar del otro lado y por seguir acompañando este espacio.

🎧 El episodio completo ya está disponible. Te invito a escucharlo con atención.

Las vacaciones —de verano o de fin de año— suelen regalarnos algo que escasea durante el calendario laboral: tiempo para pensar sin urgencia. Para muchos docentes y profesionales de la educación, ese tiempo no se traduce necesariamente en desconexión total, sino en la posibilidad de leer con calma, sin la presión de “aplicarlo todo mañana”.

En un contexto donde la inteligencia artificial irrumpe en la educación con velocidad —a veces más rápido que nuestras discusiones pedagógicas—, leer se vuelve una forma de cuidado profesional; no para aprender a usar una herramienta más, sino para entender qué está cambiando, por qué importa y qué papel queremos asumir como educadores.

Desde Europa y organismos internacionales como la UNESCO se ha insistido en que la alfabetización en inteligencia artificial no puede reducirse a lo instrumental. Por el contrario, debe abordarse desde tres dimensiones complementarias:

• Aprender en IA: comprender el contexto, los conceptos y el funcionamiento básico de la tecnología.

• Aprender con IA: utilizarla de manera pedagógica, crítica y con sentido educativo.

• Aprender sobre IA: analizar sus implicancias éticas, sociales, culturales y políticas.

Los tres libros que recomiendo a continuación dialogan directamente con este enfoque. No son manuales técnicos ni recetas rápidas; son lecturas pensadas para educadores que no quieren improvisar, y que entienden que enseñar en tiempos de IA exige más criterio que entusiasmo acrítico.

“Artificial: La nueva inteligencia y el contorno de lo humano” por Mariano Sigman y Santiago Bilinkis

Comprender la inteligencia artificial antes de adoptarla

Este libro es una excelente puerta de entrada para educadores que quieren entender qué es realmente la inteligencia artificial, sin necesidad de formación técnica previa. A diferencia de muchos textos divulgativos, Artificial evita tanto el alarmismo como el entusiasmo ingenuo, y apuesta por una explicación clara, contextualizada y honesta.

Uno de sus mayores aportes es ayudar a desmontar mitos: la IA no “piensa”, no “comprende” ni es neutral. Es el resultado de decisiones humanas, modelos matemáticos, datos históricos y contextos de uso concretos. Para la educación, esta comprensión es fundamental, porque evita trasladar expectativas irreales al aula o a la gestión educativa.

Desde la perspectiva de la alfabetización en IA, este libro cumple un rol clave: ordenar conceptos, ofrecer un lenguaje común y permitir que las conversaciones pedagógicas partan de una base compartida. Es especialmente recomendable para docentes, directivos y formadores que sienten que la IA “está en todas partes”, pero quieren primero entender el terreno antes de caminarlo.

Es una lectura ideal para el inicio de las vacaciones: clara, progresiva y formativa, sin exigir una aplicación inmediata.

“IA y Educación: Una relación con costuras” por Tiscar Lara y Carlos Magro

Cuando la pedagogía vuelve al centro

Si el primer libro ayuda a comprender el fenómeno, IA y Educación se adentra directamente en la pregunta transversal hoy en escuelas, universidades y sistemas educativos: ¿qué significa educar en un mundo atravesado por la inteligencia artificial?

El libro aborda usos posibles de la IA en educación —personalización, evaluación, apoyo al aprendizaje, gestión educativa—, pero lo hace desde una postura pedagógica clara: la tecnología no sustituye el juicio docente ni resuelve por sí sola los desafíos educativos.

Aquí, la IA aparece como una herramienta para aprender con ella, siempre que exista un marco pedagógico sólido. Los autores del texto insisten en que no toda automatización mejora el aprendizaje, y que muchas decisiones tecnológicas deben evaluarse en función de su impacto real en la enseñanza, la equidad y la agencia de estudiantes y docentes.

Para educadores, este libro funciona como un marco de reflexión profesional. No promete eficiencia inmediata, pero sí ayuda a formular mejores preguntas:¿qué problemas educativos vale la pena abordar con IA?, ¿cuáles no?, ¿qué riesgos pedagógicos existen?, ¿qué decisiones no deberíamos delegar?

Es una lectura especialmente pertinente para la mitad de las vacaciones, cuando el descanso empieza a dar paso a la reflexión sobre el próximo ciclo educativo.

Por cierto, entrevisté a Carlos Magro hace algunos días, conversamos mucho sobre su libro, y esa entrevista estará muy pronto en Después de Clase Podcast.

“Los sesgos del algoritmo: La importancia de diseñar una inteligencia artificial ética e inclusiva” por Gabriela Arriagada

Educar también es enseñar a desconfiar

El tercer libro completa el recorrido llevando la reflexión al nivel más profundo y, a veces, más incómodo: aprender sobre la inteligencia artificial.

Los Sesgos del Algoritmo muestra con claridad que los sistemas de IA no son neutrales. Al contrario, pueden reproducir y amplificar desigualdades sociales, culturales y educativas, incluso cuando su intención original es “optimizar” procesos.

Para la educación, esta lectura es clave. Nos recuerda que introducir IA en el aula, en la evaluación o en la gestión no es una decisión puramente técnica, sino una decisión ética y política. ¿Qué datos se usan?, ¿a quién representan?, ¿a quién excluyen?, ¿qué efectos tienen sobre trayectorias educativas reales?

Este libro es especialmente valioso para educadores que entienden su rol más allá del aula: como formadores de ciudadanía crítica. En un mundo mediado por algoritmos, educar también implica enseñar a preguntar, a cuestionar y a no aceptar decisiones automáticas sin comprensión.

No es una lectura ligera, pero sí necesaria. Ideal para el tramo final de las vacaciones, cuando ya estamos listos para asumir preguntas más complejas.

Y aquí también tengo una sorpresa: muy pronto tendremos la entrevista que le hice a Gabriela Arriagada en Después de Clase Podcast.

Leer para enseñar mejor (y decidir con más criterio)

Cerrar el año con libros —y no solo con herramientas— es una forma de reafirmar algo esencial: la educación no se transforma solo con tecnología, sino con pensamiento pedagógico informado.

Estos tres libros proponen un recorrido coherente: comprender la IA, usarla con sentido educativo y analizar críticamente sus impactos: Exactamente el tipo de alfabetización que hoy necesitamos promover en docentes, estudiantes e instituciones.

Leerlos durante las vacaciones no es una obligación profesional, es una oportunidad; una forma de empezar el próximo año con más preguntas que certezas automáticas, y con la tranquilidad de estar decidiendo desde el criterio, no desde la presión.

Porque, al final, educar en tiempos de inteligencia artificial no se trata de correr más rápido, sino de pensar mejor.

Tiempo de una pausa, nos reencontramos pronto.

Después de clase, la reflexión continúa.