“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

7 months 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.

Durante siglos, las imágenes funcionaron como prueba, como evidencia, como garantía de verdad. Hoy, eso ha cambiado, la inteligencia artificial generativa, los deepfakes y la automatización de lo visual nos enfrentan a una nueva condición cultural: la era de la duda visual.

Este episodio nace de una preocupación profundamente educativa: ¿qué ocurre cuando ya no podemos confiar en lo que vemos?, ¿qué lugar ocupa la escuela —y el pensamiento crítico— en un mundo donde la imagen puede mentir con absoluta verosimilitud?

🎯 ¿De qué va este episodio?

En este episodio reflexivo propongo mirar más allá de la fascinación tecnológica y detenernos en sus implicancias culturales, éticas y pedagógicas.

No se trata solo de nuevas herramientas, sino de un cambio en nuestra relación con la verdad, la evidencia y el conocimiento.

Algunas preguntas que atraviesan el episodio:

• ¿Qué significa educar cuando la imagen deja de ser prueba?

• ¿Estamos formando estudiantes capaces de dudar, contextualizar y verificar?

• ¿Qué responsabilidades nuevas asumen docentes e instituciones frente a la IA visual?

La duda —bien entendida— no es debilidad: es una competencia clave para la ciudadanía digital.

🧠 Ideas clave que pongo sobre la mesa

• La IA no solo automatiza tareas: reconfigura nuestra confianza en lo visual.

• La alfabetización digital ya no es suficiente; necesitamos alfabetización crítica y cultural.

• Educar hoy implica enseñar a desconfiar con criterio, no a creer por defecto.

• La tecnología no reemplaza el juicio humano: lo vuelve más necesario que nunca.

La pregunta ya no es si usaremos IA en educación, sino cómo acompañamos a estudiantes y docentes en un entorno de incertidumbre informacional.

🎧 Escúchalo aquí mismo

👉 Disponible en Spotify y en tu plataforma de podcast favorita.

Si este episodio te resulta útil, compartirlo y dejar una valoración ayuda mucho a que Después de Clase siga creciendo.

👋 Para cerrar… (por ahora)

Este es el último episodio del podcast en 2025.

Un año marcado por conversaciones intensas sobre inteligencia artificial, educación, ética, políticas institucionales y pensamiento crítico.

Gracias por estar al otro lado, por leer, escuchar, compartir y —sobre todo— por pensar la educación con profundidad y sentido crítico.

Nos reencontramos muy pronto.

Aún queda conversación por delante.

Un país que se acostumbró al ruido de fondo

En los últimos años, Perú —como buena parte de Latinoamérica— ha visto cómo las apuestas deportivas han pasado de ser una práctica marginal a convertirse en un ruido de fondo constante. No hablamos solo de anuncios: hablamos de una colonización completa del ecosistema deportivo y digital.

El video del reconocido influencer de tecnología, Arturo Goga, “❌ PERÚ: La EPIDEMIA de Apuestas que NADIE quiere ver”, desnuda esta realidad con una claridad inquietante:
las apuestas ya no se toleran… se esperan.

• La Liga 1 (de fútbol del Perú) lleva el nombre de una casa de apuestas.

• Los árbitros, las camisetas, las vallas… todo es publicidad.

• Los highlights de la selección peruana, así como de otras del continente, terminan convertidos en llamadas a apostar.

• TikTok e Instagram están llenos de “dinero fácil” promovido como entretenimiento.

Y lo más preocupante: ya nos parece normal.

Cuando la normalización se convierte en peligro

La crisis no se explica por un solo factor. Lo que enfrentamos es una tormenta perfecta construida frente a nuestros ojos:

1. Un paisaje saturado de mensajes adictivos

Arturo lo dice con una analogía muy dura, en su video:

“Es como si cada vez que vieras una película, te ofrecieran cocaína: primer gramo gratis.”

La normalización llega por acumulación: tanto lo vemos, que dejamos de verlo.

2. Influencers que reemplazan la regulación

Los testimonios del video son contundentes: creadores —en algunos casos menores de edad— promocionan plataformas como si fueran juegos inocentes, ocultando las comisiones, los riesgos y la ausencia de supervisión.

La confianza se monetiza; la salud mental, no.

3. Políticas públicas que abren aún más la puerta

Mientras países como España, Italia o Noruega han restringido drásticamente la publicidad y el acceso, en el Perú el Congreso aprobó un descuento de 95% de impuestos para las casas de apuestas.

103 votos a favor.
Ninguno en contra.

Todo esto en un país donde:

• Más de 4,200 menores de edad ya han sido diagnosticados con ludopatía.

• En algunos hospitales, 1 de cada 5 pacientes jóvenes tiene adicción a apuestas virtuales.

• La pandemia aceleró la curva de adicción entre adolescentes.

No es exageración, es una tendencia.

La pregunta que no podemos seguir postergando

Ante un escenario así, la pregunta es tan simple como urgente:

¿Qué hacemos para proteger a una generación que está siendo capturada antes de tener herramientas para defenderse?

Lo que sí podemos hacer: caminos para desactivar el riesgo

1. Mirar más allá del “es su decisión”

La psicóloga argentina Débora Blanca —a quien entrevisté recientemente en Después de Clase— lo explica con total claridad:

• La adolescencia es la edad más vulnerable para caer en adicciones.

• El diseño digital de las apuestas funciona sobre circuitos dopaminérgicos.

• Muchos chicos empiezan a apostar entre los 11 y 13 años.

• La accesibilidad del celular es el mayor detonante.

“No es un vicio: es una arquitectura pensada para capturar.”
Débora Blanca

🎧 Escucha la entrevista completa (audio):

📺 Disponible también en video: aquí.

2. Desnaturalizar lo que hoy parece inofensivo

Las apuestas se han camuflado como parte del entretenimiento. Pero todo mensaje repetido lo suficiente se vuelve paisaje: uno que ya no cuestionamos.

De eso se alimenta la industria.

3. Aprender de quienes ya avanzaron

Modelos como los de España, Italia, Noruega o Singapur demuestran que regular salva vidas.
Prohibiciones horarias, restricciones publicitarias, multas, monopolios estatales, controles contra el lavado de dinero, etc; son medidas probadas, no experimentales.

Lamentablemente, Perú eligió el camino inverso.

4. Entender que el centro del problema es la salud mental

La ludopatía en jóvenes no solo destruye ahorros: destruye identidades.

Los efectos clínicos que menciona Débora Blanca —irritabilidad, ansiedad severa, insomnio, depresión, endeudamiento progresivo— coinciden con lo que Arturo denuncia en su video.

El deporte debería unir; la apuesta, en cambio, fragmenta.

🧠 Observar para comprender

No se trata de moralizar. Se trata de ver con claridad.

Nombrar lo que ocurre; desmontar lo que la publicidad ha querido vestir de inocente; reconocer que la adicción no es una falla personal: es el resultado de un sistema que vende riesgo como entretenimiento.

La casa siempre gana; pero no podemos permitir que gane a costa de nuestros jóvenes.

❤️‍🩹 Cerrar para abrir

Este artículo no busca alarma, sino responsabilidad, protección, criterio; porque si la educación no sirve para comprender los riesgos de nuestra época, ¿para qué sirve?

Si este tema te resonó, te recomiendo escuchar la entrevista completa con Débora Blanca: aquí.
una de las conversaciones más necesarias que hemos tenido en Después de Clase.

🎧 Un año para agradecer: Spotify Wrapped 2025

Este 2025, Después de Clase Podcast alcanzó logros que me conmueven y me impulsan:

• Entramos al top 25% de los podcasts educativos más compartidos del mundo.

• La audiencia creció +999%.

• Nos escuchan en 18 países.

• Miles de docentes, familias y líderes confían en este espacio.

Nada de esto hubiera sido posible sin ustedes.
Gracias por escuchar, por compartir, por sostener este proyecto. 🙌🏽

🤝 ¿Quieres auspiciar este proyecto en 2026?

Si representas a una institución educativa, empresa u organización que cree en la educación como transformación social, me encantará conversar.

📩 alberto@despuesdeclase.org

Tu apoyo permite que más conversaciones profundas lleguen a más personas.

Compartir

Los días 25 y 26 de noviembre participé en el XIII Congreso Internacional de Educación Continua “IA y Transformación Digital en la Educación Continua Universitaria”, organizado por la Red Universitaria de Educación Continua de Chile. Viajé para presentar mi estudio exploratorio “Alfabetización en IA para profesionales: marco 4×3 y experiencias de implementación en América Latina”. La intención de este trabajo de investigación, al que fui invitado a participar hace poco más de un año, fue el poder hacer un aporte a las instituciones educativas, dada la coyuntura:

Todos quieren formar en IA, todos sienten urgencia; pero muy pocos tienen un marco.

Y cuando no hay un marco, la formación se fragmenta, los mensajes se contradicen y la estrategia se diluye en “talleres aislados”. Lo que descubrí en Chile —y que reafirma el trabajo de estos últimos años— es que la pieza que falta no es más tecnología, sino claridad conceptual. No basta enseñar herramientas; necesitamos aprender a pensar y decidir sobre ellas.

La urgencia está clara; lo que falta es dirección

Entre los participantes del congreso, de diferentes partes de Chile y algunos extranjeros, la conversación era prácticamente la misma:
“Tenemos que capacitar a nuestros docentes en IA, pero no sabemos por dónde empezar”.
“Los estudiantes ya usan IA, ¿cómo los guiamos?”
“¿Podemos incluir IA en nuestros programas sin perder el rigor académico?”

Lo interesante es que no son preguntas técnicas, sino preguntas institucionales.
Se parecen, por cierto, a las que escuchamos en educación básica, en las escuelas, en la formación corporativa y en el sector público.

Lo que muchos participantes expresaron —a veces sin decirlo literalmente— es esto:

No necesitamos otra herramienta; necesitamos un mapa.

Y un mapa no es un listado de apps; un mapa es un marco de referencia: una estructura que ordena a quién formamos, para qué y bajo qué principios.

Sin principios rectores, la formación se vuelve una excusa

En mi presentación en Santiago mostré un punto que conectó con muchos asistentes:
la formación en IA no es una colección de talleres, sino una expresión operativa de una política institucional.

Dicho de otra forma: Un curso de “IA para docentes” no significa nada si no sabemos qué queremos proteger, qué queremos potenciar y qué no estamos dispuestos a sacrificar. Esto no es teoría, es gobernanza.

Documentos como el Marco de IA para Docentes de UNESCO (2024), el Marco Australiano de IA Generativa en Escuelas (2023) y el AI Literacy Framework plantean algo en común:
Antes de hablar de usos concretos, una institución debe tener claros sus principios rectores, que suelen girar en torno a:

• Uso responsable y ético

• Equidad y accesibilidad

• Mejora de procesos de aprendizaje y enseñanza

• Finalidad formativa, no meramente instrumental

• Protección de datos y transparencia

Cuando estos principios existen, la formación cobra sentido; cuando no, la formación se convierte en un checklist, sin fondo; una formación que todos aplauden, y casi todos olvidan.

Un marco 4×3 para alfabetizar en IA sin perder lo humano

En mi presentación en el congreso mostré por primera vez el marco 4×3 de Alfabetización en IA para Profesionales, construido durante mi estudio exploratorio y afinado a partir de docenas de sesiones con docentes, directivos y equipos académicos. El marco nació de una necesidad evidente: ordenar la formación en IA de manera transversal, rigurosa y humanista, antes que dispersarla en talleres desconectados.

Este marco propone cuatro dimensiones de la alfabetización y tres niveles de competencia formativa, articulados entre sí para que cualquier institución pueda diseñar programas coherentes y progresivos.

Las 4 dimensiones (lo que toda persona debe desarrollar)

1. Mentalidad centrada en lo humano
   Cómo preservar el juicio profesional, comprender el rol complementario de la IA y evitar la sobredependencia, la pérdida de agencia y los sesgos de equidad.

2. Ética y Gobernanza
   Privacidad, transparencia, trazabilidad, veracidad, regulación interna y alineamiento con políticas institucionales y estándares éticos.

3. Técnicas y Aplicaciones
   Modelos, límites, riesgos técnicos, calidad de las salidas, pertinencia, alucinaciones y verificación crítica.

4. Diseño de Sistemas y Flujos de Trabajo
   Prompting estratégico, agentes, optimización de flujos, diseño de procesos híbridos humano–IA y mejora iterativa basada en evidencia.

Los 3 niveles de competencia (cómo se desarrolla esa alfabetización)

1. Entender
   Fundamentos conceptuales: cómo funcionan los modelos, qué pueden y no pueden hacer, dónde fallan, qué riesgos éticos implican y qué principios deben guiar su uso.

2. Evaluar
   Capacidad crítica: juzgar calidad, pertinencia, evidencia, trazabilidad; identificar riesgos de agencia, sesgos, alucinaciones y problemas técnicos; y contrastar con políticas institucionales.

3. Usar
   Dominio práctico y responsable: diseñar prompts y agentes, integrar IA en flujos reales, verificar resultados, proteger datos y mejorar iterativamente los procesos sin delegar el criterio humano.

Un mapa para dejar de improvisar

Cuando estas 4 dimensiones se cruzan con los 3 niveles de competencia, aparece un mapa completo para diseñar formación estratégica: qué debe aprender cada rol institucional (directivos, docentes, equipos académicos, personal administrativo o incluso estudiantes avanzados), con qué profundidad y con qué propósito.

Esa claridad fue, para muchos asistentes del congreso, el elemento más valioso:

“Esto es exactamente lo que nos faltaba para ordenar la formación y dejar de improvisar.”

Porque no se trata de “enseñar herramientas”, sino de construir capacidad institucional, proteger lo humano y diseñar prácticas responsables de uso de IA en educación.

Políticas institucionales: el paso que nadie puede saltarse

La conversación sobre formación en IA no existe si no hay antes una política institucional de IA; no para prohibir, sino para orientar y proteger.

En los últimos meses he acompañado a varias instituciones en este proceso; y casi siempre aparece el mismo patrón:

• Sin política → cada área interpreta la IA a su manera.

• Con política → la institución tiene un marco para decidir, formar, evaluar y corregir.

En el congreso, varios equipos de universidades reconocieron que implementar talleres sin política los llevó a inconsistencias difíciles de revertir: desde enfoques contradictorios entre facultades hasta mensajes ambiguos hacia los estudiantes.

Hace algunas semanas abordé este tema en un artículo en Después de Clase, que aprovecho para recomendar, nuevamente, dada su pertinencia: “¿Tu institución ya tiene una política de IA?”

Lo esencial: la formación en IA no es técnica, es cultural

Si algo me dejó este congreso es la confirmación de una idea que vengo trabajando desde hace algún tiempo:

La IA está obligando a las instituciones a repensarse a sí mismas.

No se trata de integrar una herramienta, sino de actualizar sus capacidades internas:

• pensamiento crítico,

• toma de decisiones basada en datos,

• evaluación auténtica,

• ética aplicada,

• diseño pedagógico,

• desarrollo profesional en ciclos breves.

La IA visibiliza debilidades que ya existían: fragmentación institucional, procesos inconsistentes, poca articulación entre niveles, dependencia del trabajo individual del docente. Por eso un buen marco de referencia no solo ordena la formación en IA, sino que fortalece la cultura educativa.

Una nota personal: lo que aprendí en Chile

Dejar de lado la discusión sobre “la herramienta de moda” fue liberador e inspirador. Lo más valioso del congreso fueron los espacios de discusión y las preguntas profundas:

• ¿Qué competencias queremos preservar como humanas?

• ¿Qué tareas sí podemos delegar y cuáles nunca deberíamos automatizar?

• ¿Cómo evaluamos en una época donde lo importante no es producir respuestas, sino formular mejores preguntas?

• ¿Qué significa enseñar pensamiento crítico cuando la IA responde más rápido que nosotros?

Volví con la sensación de que estamos entrando en una fase distinta:

La conversación ya no es “qué puede hacer la IA”, sino “qué queremos que haga la educación con ella”.

Ese matiz, pequeño pero decisivo, cambia todo.

Para quienes lideran la transformación: por dónde empezar

Si diriges un colegio, facultad, instituto o área académica, mi recomendación es esta:

1. Define principios rectores: Son la brújula ética, pedagógica y organizacional.

2. Diseña una política de IA institucional: No es un documento técnico; es un acuerdo cultural.

3. Usa un marco de referencia (como el 4×3) para ordenar la formación: A cada actor, lo que realmente necesita.

4. Pilota, aprende y ajusta: No hay implementaciones perfectas; sí hay implementaciones responsables.

5. Comunica. Mucho: Lo peor para una institución en tiempos de IA es el silencio.

Si algo me llevo del congreso, es esto

La IA no es “un futuro por venir”: la IA ya está reconfigurando nuestras instituciones; pero el futuro de la educación no será escrito por los modelos, sino por la capacidad humana de comprender, decidir, acompañar, evaluar y enseñar a pensar.

Y eso —al menos por ahora— sigue siendo profundamente humano.

Si quieres profundizar, te dejo tres referencias imprescindibles para empezar:

• Marco de IA para Docentes – UNESCO (2024)

• AI Literacy Framework – US / Global (2024-2025)

• Australian Framework for Generative AI in Schools (2023)

Pronto compartiré también la versión extendida del marco 4×3 y algunos recursos para implementarlo en instituciones que recién comienzan este camino.

Gracias por leer este artículo. Y gracias a la Universidad de Chile por crear este espacio para una conversación urgente y necesaria. Sin duda, regresaré el próximo año.

Compartir

💡 Una frase para pensar

📌 ¿De qué va este episodio?

Cada vez más herramientas de inteligencia artificial prometen automatizar la enseñanza: generar clases completas, evaluar emociones desde una cámara o decidir si una sesión “fue efectiva”; y aunque la innovación tecnológica es bienvenida, surgen preguntas urgentes:
¿Estamos delegando demasiado? ¿Estamos confundiendo eficiencia con aprendizaje? ¿Estamos reduciendo la enseñanza a lo que un algoritmo puede medir?

En este episodio reflexivo analizo esta tendencia creciente y exploro por qué necesitamos tecnologías educativas que comprendan —o al menos respeten— la complejidad humana del aula.

Comparto ideas inspiradas en:

• la variabilidad humana y el diseño inclusivo (UDL)

• el marco de competencias de IA de UNESCO para docentes y estudiantes

• los riesgos de los modelos opacos, según Cathy O’Neil en su libro “Armas de Destrucción Matemática.”

• los sesgos sociotécnicos descritos por Gabriela Arriagada

• y mi propia experiencia observando cómo se están desarrollando nuevas soluciones de IA educativa.

El objetivo no es criticar a la innovación, sino invitar a emprendedores, docentes y directivos a mirar estos avances con rigor, ética y pedagogía.

🎯 Las ideas clave que propongo:

1. La IA genera contenido, pero no comprende el aula
   Los modelos trabajan con patrones, no con contexto. No conocen historias personales, emociones, dinámicas de grupo, ni diversidad cognitiva.

2. La agencia docente es irremplazable
   El marco UNESCO insiste en que la IA debe aumentar —no sustituir— la autonomía profesional del maestro.
   Un docente sin criterio… es un docente reducido a operador.

3. Innovar en EdTech exige investigación educativa real
   Las aulas son complejas. Antes de lanzar productos, necesitamos observar clases, conversar con docentes, comprender variabilidad y diseñar desde la inclusión..

4. Automatizar no siempre significa mejorar
   La eficiencia es importante, pero no a costa de la calidad pedagógica, la equidad o la experiencia humana de aprender.

5. Tres criterios mínimos para un uso responsable de IA

   1. IA como acompañante pedagógico, no como autoridad.

   2. Transparencia total de modelos y datos.

   3. Diseño ético que atienda diversidad, privacidad y sesgos.

✨ Algunas reflexiones:

• La IA puede aportar muchísimo a la educación… pero solo si respetamos su lugar.

• La variabilidad humana no se automatiza: se atiende, se escucha, se acompaña.

• Las decisiones pedagógicas requieren ética, experiencia y criterio.

• La innovación responsable nace del diálogo entre tecnología y pedagogía.

🗣️ ¿Y tú qué piensas?

• ¿Qué prácticas docentes crees que nunca deberían delegarse a la IA?

• ¿Has probado alguna herramienta que automatiza parte del diseño de clases? ¿Cómo te fue?

• Si trabajas en EdTech: ¿qué decisiones te gustaría revisar a la luz de esta reflexión?

Cuéntamelo en los comentarios 👇

Tu experiencia puede ayudar a que otras escuelas y equipos de desarrollo reflexionen mejor sobre la IA educativa.

Deja un comentario

🚀 Ayúdame a que este episodio llegue más lejos

Si crees que este contenido puede ayudar a otros docentes, directivos o emprendedores EdTech, compártelo.
Cada escucha aporta a construir una comunidad educativa más informada y crítica.

Compartir

🏫 ¿Quieres diseñar un plan estratégico de IA en tu escuela?

Si este episodio te inspiró y deseas:

• crear una política institucional de IA,

• formar a tu equipo docente para un uso ético y pedagógico de IA,

• o conectar la IA con tu plan de transformación digital…

estaré encantado de acompañarte.

📬 Escríbeme a alberto@despuesdeclase.org
y conversemos sobre cómo hacerlo de forma ética, sostenible y con impacto real.

📌 Encuentra más episodios y recursos en www.despuesdeclase.org

El sábado pasado estuve nuevamente en el campus de la Universidad de Piura; volví por el EducaUDEP, un espacio que cada año reúne a cientos de docentes de colegios del norte del Perú con la disposición de aprender, preguntar, experimentar y discutir. Todavía no terminaba de procesar esa jornada cuando, apenas unos días después, regresé a Piura para participar en el SIDEI 2025, un evento orientado a directivos y docentes universitarios. Dos viajes consecutivos, dos audiencias distintas, un mismo tema que sigue acelerándose más rápido que nuestra capacidad de asimilarlo: la inteligencia artificial en educación.

Entre un evento y otro fui encontrando algo que se repetía: no era miedo ni euforia; era más bien una mezcla de curiosidad y necesidad. Muchas personas —directivos, docentes, investigadores— querían entender qué está cambiando realmente con la IA y qué significa eso para su trabajo cotidiano. Sentí que había una pregunta latente: ¿cómo nos adaptamos sin exagerar riesgos, pero también sin comprar discursos grandilocuentes?

Con ese espíritu llegué a SIDEI 2025; mi intención no era presentar otro taller sobre “herramientas de moda”, sino abrir un espacio para pensar juntos qué está pasando y cómo podemos tomar decisiones más conscientes sobre el uso de la inteligencia artificial en educación. A partir de ahí construí la sesión: una combinación de marcos internacionales, ejemplos concretos, ideas pedagógicas y algunas provocaciones necesarias para analizar el rumbo de la educación en esta época tan particular.

Lo que conversamos en SIDEI 2025

Más que un taller “sobre IA”, fue un espacio para pensar qué significa educar cuando parte de nuestras herramientas cognitivas —explicar, sintetizar, generar ejemplos, transformar información— hoy pueden ser replicadas por sistemas algorítmicos.

Empezamos por lo básico: no se puede hablar de IA en educación sin hablar de criterio; y el criterio, como recordé a los participantes, no se transfiere por ósmosis; se desarrolla interpretando, contrastando, dudando y volviendo a mirar. La IA puede acelerar procesos, pero no puede reemplazar ese tipo de ejercicio intelectual.

Desde ahí abordamos tres ideas centrales:

1. La producción de conocimiento ya no es exclusivamente humana

Hoy, una consulta a un chatbot genera resúmenes, interpretaciones y explicaciones en segundos. Esto no elimina la necesidad del pensamiento humano, pero sí desplaza dónde ocurre el esfuerzo cognitivo. La pregunta pedagógica entonces no es “¿cómo evitar que usen IA?”, sino:
¿qué tipo de tareas siguen siendo formativas cuando la máquina puede hacer una parte del trabajo?

Hablamos de análisis, reflexión crítica, interpretación contextualizada, lectura atenta, uso ético y responsable de información. Ninguna de ellas se automatiza.

2. El docente se mueve de transmisor a diseñador

Conversamos sobre algo que resonó mucho entre los directivos:
si la IA puede explicar, ¿qué aporta el docente?
Aporta criterio, juicio, sensibilidad, ética, acompañamiento. Aporta un marco para leer los resultados de la IA, no para aceptarlos como verdad.

Mostré ejemplos concretos de prácticas híbridas:

• La IA hace preanálisis de patrones en respuestas abiertas.

• El docente revisa muestras, interpreta, detecta ambigüedades y toma decisiones pedagógicas.
  Ese tramo —el que requiere juicio profesional— no se delega.

3. El enfoque internacional es claro: uso centrado en el ser humano

Compartimos hallazgos de la UNESCO y otros marcos internacionales que subrayan que educar con IA significa proteger diversidad, equidad y agencia humana. No se trata de “enseñar a usar herramientas”, sino de enseñar a entenderlas y decidir cuándo conviene usarlas y cuándo no.

En un momento, alguien comentó:

“Es que los estudiantes creen que la IA piensa.”

Y esa frase abrió una discusión necesaria: los modelos generan patrones, no comprensión; correlaciones, no pensamiento. Lo que producen es útil, pero no es conocimiento en el sentido humanista.

La reacción de los asistentes

Lo más valioso fue ver que, lejos de un debate técnico, lo que buscaban era claridad conceptual y guía práctica. Sus preguntas no eran sobre “qué herramienta es mejor”, sino sobre:

• cómo rediseñar evaluaciones,

• cómo construir políticas institucionales,

• qué criterios usar para introducir IA sin perder rigor académico.

Muchos contaron experiencias reales: estudiantes que entregan trabajos impecables pero sin voz propia; docentes que ya usan IA, pero sin marco; universidades que están intentando actualizar sus normativas sin caer en la prohibición.

El taller terminó con un consenso tácito:
la alfabetización en IA no es opcional; es una competencia académica y ciudadana.
Y nos corresponde formar a estudiantes que no solo sepan usar estas herramientas, sino que sepan pensar con ellas —y a veces, pese a ellas.

Dos eventos, un mismo desafío

Volver a Piura con unos días de diferencia me permitió ver algo nítido: desde la escuela hasta la universidad, todos estamos buscando cómo navegar esta transición; no desde el miedo, sino desde la responsabilidad.

En EducaUDEP la conversación giró en torno al aula escolar; en SIDEI, al modelo universitario; pero el trasfondo fue idéntico:
¿Cómo preservar aquello que hace valioso el aprendizaje humano en un contexto donde la información es abundante y la síntesis está automatizada?

Lo interesante es que, lejos de desanimar, esta pregunta abrió posibilidades. La IA permite acelerar tareas mecánicas y ampliar la capacidad creativa; pero también nos obliga a recuperar el valor de pensar despacio, interpretar con cuidado y dialogar de verdad: Nos obliga a revalorizar lo humano.

Una conclusión personal

No sé si estamos “reprogramando” la educación; lo que sí veo es que nos estamos reprogramando nosotros: directivos, docentes, instituciones, familias.
Dejar de ver la IA como amenaza o como varita mágica es el primer paso; el segundo es asumir que pensar críticamente —y enseñar a pensar críticamente— importa más que nunca.

En ese camino, espacios como EducaUDEP y SIDEI 2025 son esenciales; nos permiten detenernos, compartir experiencias reales, cuestionar supuestos y construir juntos una visión que no reduzca la educación a eficiencia, pero tampoco ignore las oportunidades de esta nueva era.

Si algo me quedó claro después de estos dos viajes seguidos es que la conversación recién está empezando; y necesitamos tenerla bien.

Este artículo nace a partir de la lectura del documento Teach / Enseña Digital del Banco Mundial, una guía fascinante sobre la observación de aula que, más allá de su rigor técnico, invita a pensar en la mirada pedagógica con la que observamos la enseñanza. Lo que sigue no es un resumen del texto, sino una reflexión crítica inspirada en él: sobre cómo una herramienta diseñada para comprender el aprendizaje puede, si se usa sin cuidado, terminar distorsionándolo.

Debo añadir que hay varios elementos que resultan nuevos para mi, sobre la observación de clase, lo que me resulta fascinante y espero que a ustedes también.

🧩 La ilusión de la objetividad

Durante años, la observación de aula ha sido presentada como un mecanismo técnico, casi infalible, para medir la calidad de la enseñanza. Se habla de rúbricas estandarizadas, escalas de desempeño y procedimientos replicables. Sin embargo, detrás de esa aparente neutralidad se esconde una paradoja: observar no es un acto neutro. La forma en que miramos condiciona lo que somos capaces de ver.

El Banco Mundial, en su guía Enseña Digital, recuerda que ninguna herramienta sustituye el criterio profesional. La calidad de una observación no depende del formato, sino de la conciencia con que se aplica; y en muchos casos, esa conciencia se diluye: el observador confunde su rol, la observación se convierte en fiscalización y el aula deja de ser un espacio de aprendizaje compartido.

⚖️ Cuando observar se confunde con evaluar

El error más frecuente —y el más dañino— es convertir la observación en una forma encubierta de evaluación. El observador se comporta como examinador; el docente, como examinado; y por ende, la clase se planifica no para aprender, sino para “cumplir con los indicadores”.

La teoría advierte: el observador no debe juzgar intenciones, solo registrar evidencias; sin embargo, es habitual leer anotaciones como “la maestra no tiene dominio del grupo” o “los estudiantes no parecen motivados”, frases que revelan opinión, no observación.

Observar exige precisión descriptiva: escribir lo que sucede, no lo que creemos que sucede. Sustituir “parece desinteresado” por “no responde a tres preguntas consecutivas” no es un tecnicismo: es un acto de honestidad profesional.

🔍 La trampa de la comparación

Cuando se observan varias clases seguidas, la memoria puede traicionar: la docente entusiasta de la mañana hace que la del mediodía parezca más “fría”; la que improvisa con soltura vuelve rígido, por contraste, al que sigue el plan. Este sesgo de contraste —tan humano como peligroso— distorsiona la percepción y anula la posibilidad de evaluar cada experiencia en su propio contexto. Como recuerda el Banco Mundial, cada observación debe analizarse como una unidad independiente.

No se observan personas, sino interacciones; no se comparan estilos, sino evidencias. La observación profesional no construye rankings: construye comprensiones.

🎭 El sesgo de lo visible

Hay clases que “lucen” bien; los estudiantes participan, el docente se mueve con energía, el clima parece ideal; pero el aprendizaje no siempre se deja ver. El observador inexperto puede confundir actividad con comprensión, dinamismo con significado. El efecto halo —una primera impresión que lo tiñe todo— es uno de los sesgos más estudiados y, paradójicamente, menos corregidos.

Por eso, Teach, la guía para la observación de clase del Banco Mundial,. propone anclar cada juicio en evidencia concreta y revisar apuntes antes de calificar. La regla es simple: no califiques nada que no puedas describir con ejemplos verificables. El carisma no enseña; la evidencia sí.

🤐 Cuando la observación destruye la confianza

Observar una clase es, inevitablemente, un acto de poder; y el poder, si no se gestiona con cuidado, se convierte en vigilancia. El documento del Banco Mundial insiste: el observador no debe intervenir, ni ofrecer retroalimentación espontánea, ni compartir resultados fuera del marco acordado; cuando eso ocurre, la observación deja de ser formativa y se vuelve punitiva.

El daño puede ser silencioso pero profundo: los docentes comienzan a “ensayar” clases para ser observados, no para enseñar; la autenticidad pedagógica se diluye; el aula se convierte en escenario, y el observador, en público: y en ese teatro, nadie aprende.

🧠 Observar para comprender

Observar no es buscar errores, sino comprender procesos; no es medir comportamientos, sino interpretar contextos; no es vigilar, sino aprender a ver la enseñanza como un sistema vivo.

El Banco Mundial lo resume con una claridad que vale repetir: “El propósito de observar no es juzgar al docente, sino comprender la calidad de las interacciones que posibilitan el aprendizaje.”. Una observación rigurosa no se limita a llenar casillas; revela patrones, identifica oportunidades y, sobre todo, fomenta conversaciones profesionales sobre lo que realmente importa: cómo los estudiantes aprenden.

Deja un comentario

💬 Cerrar para abrir

La mejora educativa no empieza con más instrumentos, sino con mejores miradas; una observación bien hecha no premia ni castiga: ilumina, enseña el camino. Nos obliga a revisar nuestras certezas, a mirar con humildad, a entender que enseñar es un acto complejo que merece ser comprendido, no vigilado.

Observar bien no es mirar más, sino mirar con propósito.

Si este artículo te hizo pensar, compártelo con quienes acompañan la práctica docente desde la observación, la dirección o la formación. Quizás juntos podamos recuperar el sentido original de mirar: comprender para transformar.

📖 Para quienes quieran profundizar, el documento completo del Banco Mundial está disponible aquí:👉 Teach / Enseña Digital — Herramienta de observación de aula (Banco Mundial, 2023)

Sigamos aprendiendo juntos... después de clase.

🚀 La promesa (y trampa) de la eficiencia

En casi todos los discursos sobre inteligencia artificial en educación hay una palabra que se repite con la insistencia de un mantra: eficiencia. Aprendizajes más rápidos, evaluaciones automáticas, tareas generadas en segundos; un aula más productiva; un docente “liberado” de lo rutinario. Pero, ¿qué ocurre cuando esa promesa se traslada sin matices al mundo del aprendizaje humano? Rescato las palabras de Tiscar Lara y Carlos Magro, de su libro “IA y Educación” (que aprovecho para recomendar): “La eficiencia, en educación, no siempre es un valor.”; de hecho, puede ser una trampa.

La escuela no es —ni debería ser— una fábrica de resultados; y cuando medimos su valor con las métricas de la industria, corremos el riesgo de reducir el aprendizaje a un proceso mecánico: rápido, predecible, replicable; justo lo contrario de lo que lo hace humano.

⏳ Cuando aprender requiere tiempo

Aprender es, por naturaleza, ineficiente; requiere exploración, error, duda, reflexión; implica detenerse, discutir, reescribir, mirar desde otro ángulo. Y allí radica su riqueza.

Si la IA se utiliza para acelerar esos procesos —para “optimizar” la enseñanza— sin una reflexión pedagógica de fondo, terminamos confundiendo productividad con profundidad. Una educación que busca velocidad termina sacrificando el tiempo que hace posible el pensamiento crítico, la empatía o la creatividad.

El filósofo Byung-Chul Han lo advirtió: “la sociedad del rendimiento ha reemplazado el sentido por la eficiencia”. En educación, ese desplazamiento es peligroso: cuanto más rápido “enseñamos”, menos tiempo dejamos para que los estudiantes piensen.

🧩 El aprendizaje no es una línea de ensamblaje

El texto que inspira este artículo lo expresa con lucidez: “el valor de la inteligencia artificial no está en hacer más cosas, sino en pensar mejor sobre lo que hacemos.”; y eso requiere cambiar la pregunta central; en lugar de preguntarnos “¿cómo puede la IA hacernos más eficientes?”, deberíamos preguntarnos: 👉 “¿qué aspectos del aprendizaje merecen permanecer ineficientes?”

La curiosidad, la indagación, la colaboración, la creatividad… son procesos lentos, iterativos, a veces caóticos; pero son los que realmente generan comprensión profunda. Reducirlos a un flujo automatizado es mutilar su esencia.

🔍 La paradoja docente

Muchos docentes sienten hoy la presión de adaptarse a la IA como si se tratara de una carrera que deben ganar: el aula automatizada, la clase “inteligente”, el estudiante hiperconectado; pero en esa carrera, lo que se puede perder es el sentido humano de enseñar.

Como recuerda el AI Competency Framework for Teachers de la UNESCO (2024), el desafío no es dominar la tecnología, sino mantener una mentalidad centrada en lo humano: usar la IA para ampliar la comprensión, no para sustituir la experiencia. El docente no debe ser un operario de sistemas, sino un diseñador de experiencias de pensamiento. No hay algoritmo que enseñe a escuchar, a dudar o a discernir; y esas, justamente, son las habilidades que más necesitamos cultivar.

🧠 La lentitud como resistencia pedagógica

La educación tiene el poder de ofrecer algo que ningún algoritmo puede: tiempo para pensar.

David Lee, en su libro “Design Thinking para educadores” lo plantea con claridad: “los procesos de innovación genuinos no buscan hacer las cosas más rápido, sino hacerlas con sentido.”; diseñar aprendizaje implica observar, empatizar, probar, fallar y volver a empezar. Todo lo que el paradigma de la eficiencia considera “pérdida de tiempo” es, en realidad, lo que hace posible el descubrimiento.

De igual modo, el Universal Design for Learning (UDL) o Diseño Universal para el Aprendizaje (DUA), nos recuerda que la diversidad de caminos y ritmos no es un obstáculo, sino una fortaleza. La IA puede ayudar a personalizar el aprendizaje, sí, pero solo si lo hace desde la comprensión de que no hay un único tiempo ni una única forma de aprender.

💬 Entonces, ¿qué significa usar bien la IA en educación?

Significa usarla no para reemplazar los procesos humanos, sino para iluminarlos; para liberar tiempo —no para correr más rápido—, sino para pensar más profundo; para diseñar experiencias más significativas, no más “eficientes”.

La IA puede ayudarnos a analizar patrones, generar hipótesis, visualizar conceptos, ofrecer accesibilidad o diversificar representaciones; pero, sigue siendo una herramienta: la pedagogía es la que le da propósito.

🔄 Una nueva métrica del progreso

Quizás el éxito educativo en la era de la IA no deba medirse por la velocidad del aprendizaje, sino por su capacidad de transformación; por cuánto cambia la mirada del estudiante, no cuántas tareas completa en menos tiempo.

En lugar de optimizar la enseñanza, podríamos rediseñar la experiencia de aprender para que cada estudiante encuentre su propia voz, ritmo y sentido; y eso, paradójicamente, requiere más humanidad, no más algoritmos.

💬 Y tú, ¿qué piensas?

¿Crees que la IA está ayudando a hacer el aprendizaje más profundo o simplemente más rápido? ¿Cómo equilibramos el valor de la eficiencia con el del descubrimiento? Te leo en los comentarios.

Deja un comentario

✨ Cerrar para abrir

La inteligencia artificial nos desafía a mirar de nuevo la esencia de la educación: formar personas capaces de pensar, crear y convivir, no solo de ejecutar.

La verdadera “educación inteligente” no será la que automatice más procesos, sino la que recupere el tiempo, la duda y el asombro como motores del aprendizaje.

✨ Cuando el tiempo también enseña

La inteligencia artificial nos desafía a revisar el propósito de la educación: formar personas capaces de pensar, crear y convivir, no solo de ejecutar.
La verdadera transformación no vendrá de un algoritmo más rápido, sino de una pedagogía más consciente.

Y quizás este sea el mensaje más importante: la educación necesita tiempo.
Tiempo para pensar, para conversar, para imaginar otros futuros posibles.

Antes de cerrar esta publicación, quiero contarles que este año tendré el honor de compartir esa mirada en el XIII Congreso Internacional de Educación Continua de la Universidad de Chile y la Red Universitaria de Educación Continua, donde presentaré mi trabajo “Alfabetización en IA para profesionales: marco 4×3 y experiencias de implementación en América Latina”.
Una oportunidad para reafirmar algo que aprendí en cada aula, con cada docente y cada estudiante: la educación no necesita más eficiencia; necesita más humanidad.

❤️ Si este artículo te hizo pensar...

Compártelo con otros educadores que crean —como tú— que el futuro del aprendizaje no está en correr más rápido, sino en aprender a detenerse con sentido.

Sigamos aprendiendo juntos... después de clase.

Compartir

La chispa “Schumpeteriana”

Hace unos días leí un artículo sobre los recientes ganadores del Nobel de Economía 2025, Joel Mokyr, Philippe Aghion y Peter Howitt; el texto evocaba el célebre concepto de destrucción creativa de Joseph Schumpeter, esa idea de que todo avance tecnológico destruye lo viejo para dar paso a lo nuevo.

Mientras lo leía, pensé que quizás, por primera vez, no estamos presenciando una destrucción creativa de los mercados, sino una destrucción creativa de la creatividad misma. La revolución ya no ocurre en las fábricas ni en los algoritmos financieros, sino en la mente humana, es lo que pensé.

Las anteriores revoluciones industriales reemplazaron músculos; esta está empezando a reemplazar procesos mentales; y lo hace con una sutileza tan fascinante como peligrosa: nos convence de que pensar ya no es necesario, porque hay sistemas capaces de hacerlo por nosotros.

Lo que estamos dejando de hacer

El investigador español Senén Barro -a quien vi recientemente es una muy buena entrevista en el podcast de Jon Hernández: “Inteligencia Artificial”- utiliza una expresión que define con precisión este momento: delegación cognitiva. Delegamos tareas, decisiones y ahora incluso procesos mentales; ganamos tiempo, pero perdemos entrenamiento.

La inteligencia artificial ya redacta textos, resume informes, traduce idiomas, genera imágenes, compone música, sugiere ideas, programa aplicaciones y hasta califica exámenes. Lo hace tan bien, tan rápido y tan barato que uno termina preguntándose: ¿para qué esforzarse?

Sin darnos cuenta, hemos ido externalizando fragmentos enteros de nuestra mente. Lo hicimos poco a poco, con la naturalidad de quien adopta una nueva herramienta sin advertir que también adopta una nueva forma de pensar.

• Delegamos la atención al algoritmo que decide qué ver, cuándo y durante cuánto tiempo; ya no exploramos, sino que seguimos el hilo que otro tejió por nosotros. Lo que antes era curiosidad espontánea se ha convertido en consumo dirigido.

• Delegamos la memoria al buscador que recuerda en nuestro lugar; confiamos en que todo está a un clic, y en esa confianza perdemos el hábito de retener, de asociar, de construir conocimiento propio. La memoria, que alguna vez fue el músculo de la comprensión, se ha vuelto un archivo externo.

• Delegamos la interpretación a sistemas que “leen” textos sin comprenderlos, que procesan millones de palabras sin experimentar ninguna. Cada vez más, nos conformamos con resúmenes automáticos, respuestas breves y simplificaciones que nos ahorran el esfuerzo de pensar entre líneas.

• Y ahora comenzamos a delegar la imaginación a modelos que no imaginan, sino que combinan probabilidades. Generan belleza estadística: imágenes, melodías o ideas que parecen nuevas, pero en realidad son ecos reordenados de lo que ya existía.

La inteligencia artificial no nos quita la capacidad de crear; nos ofrece la tentación de no usarla. Y esa, quizás, sea la forma más silenciosa de pérdida cognitiva: cuando dejamos de ejercitar lo que nos hacía humanos, convencidos de que la máquina lo hará mejor, más rápido y sin errores.

No es una crítica apocalíptica, sino una constatación antropológica: al externalizar funciones cognitivas, reconfiguramos la forma en que pensamos. Y lo preocupante no es que la IA aprenda demasiado, sino que nosotros aprendamos cada vez menos.

De la curiosidad al cálculo

Cuando Schumpeter hablaba de destrucción creativa, pensaba en empresas que morían para que nacieran otras; hoy, el epicentro del cambio se ha desplazado hacia la mente.

La delegación cognitiva ya no ocurre solo en individuos, también en instituciones. La investigación científica —que antes vivía en universidades, laboratorios públicos y redes académicas— se está trasladando a las grandes corporaciones tecnológicas, las únicas capaces de financiar la infraestructura que la inteligencia artificial demanda.

Con ello, la curiosidad deja de ser un impulso humano y se convierte en una inversión estratégica. La pregunta ya no es qué vale la pena investigar, sino qué puede generar retorno inmediato. La ciencia se vuelve producto; la creatividad, un servicio; el conocimiento, una ventaja competitiva.

Y en el ámbito educativo ocurre algo aún más delicado. La promesa de una educación “ideal” con IA no está siendo formulada por las universidades, sino por las corporaciones que fabrican los algoritmos. Son ellas quienes imaginan —y comercializan— un futuro donde aprender sería un proceso limpio, eficiente y sin fricción; donde cada estudiante tendría un asistente personalizado capaz de guiarlo, corregirlo y medirlo con precisión milimétrica.

Es un relato seductor: aprendizaje ilimitado, adaptativo, inmediato. Pero detrás de esa narrativa de perfección se esconde una pérdida silenciosa: la reducción del aprendizaje a un acto de consumo y cálculo. Porque aprender no es solo optimizar el rendimiento, sino construir sentido; no es eliminar el error, sino comprenderlo; no es acelerar la respuesta, sino sostener la incomodidad de una pregunta que todavía no tiene solución.

El riesgo, entonces, no es usar la IA en educación —eso puede ser valioso—, sino aceptar su promesa sin espíritu crítico, cediendo a la ilusión de que el aprendizaje puede automatizarse del mismo modo que se automatiza un proceso industrial. Y cuando eso ocurre, el ideal de formar mentes libres termina subordinado a la lógica de plataformas que priorizan la eficiencia sobre la experiencia, y la precisión sobre la profundidad.

La consecuencia no es solo económica, sino cultural. Cuando la lógica del mercado se instala en el corazón del conocimiento, el propósito del aprender cambia de signo: ya no se busca comprender el mundo, sino predecirlo; ya no se forma criterio, sino eficiencia.

Y así, cuanto más sofisticadas se vuelven las herramientas, más urgente se vuelve la pregunta que ninguna máquina puede responder por nosotros: ¿para qué aprender?

La educación no necesita volverse más inteligente que la inteligencia artificial; necesita volverse más consciente, más humana, más capaz de orientar el sentido de ese poder; porque si olvidamos el propósito, no importará cuán precisos sean los algoritmos: estaremos educando mentes capaces de calcular, pero incapaces de comprender.

Suscríbete ahora

Hacia una inteligencia híbrida

No todo está perdido; ni mucho menos. Tal vez la salida no sea resistir la inteligencia artificial, sino aprender a convivir con ella desde una conciencia activa, con la claridad de que el desafío no es tecnológico, sino cultural y educativo.

Podemos aspirar a una inteligencia híbrida, donde lo humano y lo algorítmico se complementen sin anularse. Una forma de pensar compartida en la que la máquina amplifique nuestras capacidades, pero no las sustituya. La IA puede ayudarnos a procesar información, pero solo nosotros podemos transformarla en conocimiento con sentido; puede generar ideas, pero solo nosotros podemos darles dirección, propósito y valor moral.

En la práctica, esto implica una integración educativa que no sea mecánica —centrada en herramientas—, sino ética y formativa. La cuestión no es cuántos programas o modelos usemos, sino cómo enseñamos a los estudiantes a discernir, a decidir, a pensar con criterio frente a ellos.

Como advierte Senén Barro, incorporar la IA al aula debe ser un acto consciente, acompañado de diálogo, orientación y reflexión crítica. Porque lo que está en juego no es la técnica, sino la autonomía del pensamiento.

Necesitamos escuelas y universidades que enseñen a usar la IA no como sustituto de la mente, sino como espejo de ella; que promuevan la curiosidad, la empatía y la imaginación en la misma medida que la competencia digital.

Solo así podremos formar una generación que no tema a la inteligencia artificial, pero tampoco le rinda culto; una generación capaz de usarla para pensar más y mejor, no para pensar menos.

Porque la esperanza no está en que las máquinas se vuelvan humanas, sino en que los humanos no dejemos de serlo.

Deja un comentario

Lo que no debemos delegar

Tal vez el mayor riesgo de esta era no sea la inteligencia artificial, sino la pereza cognitiva que puede generar; porque si dejamos de ejercitar nuestra creatividad, de leer con atención, de escribir con intención o de explorar sin propósito, no será la IA quien destruya nuestra capacidad de crear: seremos nosotros quienes la abandonemos, amablemente, a cambio de eficiencia.

La inteligencia artificial puede producir ideas, pero solo el ser humano puede decidir cuáles merecen ser pensadas; puede ofrecer datos, pero solo nosotros podemos transformarlos en criterio.

Schumpeter veía en la destrucción creativa una condición inevitable del progreso; quizá lo siga siendo; pero esta vez, el progreso dependerá de si somos capaces de conservar lo que ninguna máquina puede imitar: la curiosidad, la duda y el deseo de comprender.

La IA puede ayudarnos a ampliar la inteligencia, siempre que no nos lleve a delegarla por completo; y ahí es donde la educación tiene un papel decisivo. No basta con usar nuevas herramientas: necesitamos instituciones con visión, capaces de acompañar este cambio con políticas, planes y criterios claros sobre cómo integrar la IA de forma ética, pedagógica y sostenible.

Así como toda escuela necesita un plan digital de centro, también necesita un plan para la inteligencia artificial: una hoja de ruta que oriente, proteja y potencie su uso con propósito educativo; porque educar —en su sentido más profundo— sigue siendo lo mismo de siempre: enseñar a pensar cuando todo parece invitarnos a dejar de hacerlo.

Hasta la próxima conversación... después de clase.

Compartir