Por Lorenzo García Aretio
Todas las entradas de la serie “80 años”. Compendio EaD”, VER AQUÍ
La acelerada integración de la inteligencia artificial (IA) en la educación superior está obligando a replantear los marcos pedagógicos tradicionales. Una pregunta clave que surge es: ¿qué pasa a ser esencial aprender cuando las máquinas pueden ayudarnos a recordar y a pensar, y qué podría volverse menos importante? Como vimos en la entrada anterior de esta serie, Bloom y sus colaboradores propusieron en 1956 y, posteriormente en 2001, una taxonomía jerárquica de seis niveles cognitivos (Recordar, Comprender, Aplicar, Analizar, Evaluar y Crear) que ha guiado durante décadas, de forma íntegra o parcial, buena parte de los diseños de resultados de aprendizaje y las evaluaciones.
Como ya avanzábamos en la entrada anterior, en la actualidad la IA puede encargarse de muchas tareas cognitivas rutinarias, especialmente en los niveles inferiores, es capaz de recuperar información al instante, resumir textos extensos y hasta generar borradores iniciales de ensayos. En otras palabras, la IA está automatizando tareas cognitivas de nivel básico, como recordar y comprender, lo que desplaza el valor educativo hacia las habilidades de pensamiento de orden superior. Esta realidad presenta desafíos (por ejemplo, mantener la integridad del aprendizaje del estudiante y, también, la honestidad académica cuando se dispone de asistentes automatizados) pero también oportunidades para transformar la enseñanza y el aprendizaje.
Al escribir en esta entrada de la IA y la taxonomía de Bloom, somos conscientes de que lo dicho hoy va a quedar más que superado dentro de pocos meses. Con esa perspectiva escribimos y con esa misma sensación rogamos y agradeceremos a nuestros lectores que se acerquen a estos contenidos.
¿RECONCEPTUALIZAR LA TAXONOMÍA DE BLOOM?
En este nuevo contexto, hoy cobran protagonismo aquellas competencias que van más allá de lo que la IA puede lograr por sí sola en la actualidad, como el pensamiento crítico, la resolución de problemas complejos, la creatividad, la metacognición y el razonamiento ético, entre otras, y ya en alguna de ellas la IA va avanzando. Los estudiantes universitarios no solo deben aprender a utilizar herramientas de IA, sino también a entender sus límites, sesgos y alcances. Por ello, emergen con fuerza nuevas alfabetizaciones como:
- la alfabetización en IA (comprender cómo funcionan los sistemas de IA y sus implicaciones),
- la alfabetización en datos (saber interpretar y manejar datos, incluidos los generados por IA), y el
- pensamiento computacional (resolver problemas complejos descomponiéndolos en pasos lógicos para soluciones automatizables).
Incorporar explícitamente estas competencias en los planes de estudio se considera cada vez más necesario para formar profesionales capaces de prosperar en un futuro mediado por IA.
En síntesis, si la IA puede proporcionar información y efectuar análisis básicos con facilidad, el rol de la educación superior debe orientarse más hacia desarrollar en el alumnado las capacidades de analizar, evaluar y crear con un nivel de sofisticación que aporte un valor añadido humano.
De acuerdo con esta realidad, resulta pertinente reconceptualizar la Taxonomía de Bloom a la luz de la IA, manteniendo sus seis niveles jerárquicos pero reinterpretando cada uno de ellos. Esta propuesta reconoce la estructura familiar de la taxonomía original, pero redefine las tareas cognitivas de cada nivel considerando cómo la IA las transforma o complementa. Cabe notar que algunos autores han propuesto niveles cognitivos totalmente nuevos y un esquema menos jerárquico para reflejar mejor la interacción entre aprendices humanos y herramientas de IA.
No obstante, en esta propuesta, en coherencia con la anterior entrada, optamos por conservar los seis escalones clásicos de Bloom, por su utilidad pedagógica y secuencia gradual, y ofrecer una visión diferente dentro de ese marco conocido. A continuación, se desarrolla cada nivel de la taxonomía orientado para la era de la IA, con sus fundamentos teóricos, implicaciones prácticas y un conjunto actualizado de propuestas de verbos de acción pertinentes al trabajo activo de los estudiantes con herramientas de IA (tanto desde un uso crítico como creativo).
Propuestas innovadoras acompañan cada nivel, orientando al profesorado en el diseño de experiencias de aprendizaje y en la formulación de estrategias evaluativas acordes con los tiempos actuales y considerando, como es nuestro interés en esta serie, los formatos educativos no presenciales. Veamos una imagen de síntesis para el logro de aprendizajes valiosos aplicando la taxonomía de Bloom y aprovechando los aportes de la IA a través de nuevos verbos de acción. Ha de notarse que, probablemente, algunos verbos, según la formulación, podrían formar parte de más de un nivel cognitivo.

RECORDAR en la era de la IA
En la taxonomía tradicional, Recordar se refiere a la capacidad de evocar hechos, conceptos o información previamente aprendida. En contextos educativos mediados por IA, este nivel evoluciona desde la simple memorización hacia una habilidad más amplia para localizar, acceder a, y verificar información de manera eficaz utilizando herramientas inteligentes
Dado que hoy en día un estudiante puede recuperar datos al instante mediante buscadores avanzados o asistentes de IA, el énfasis pedagógico se desplaza de almacenar datos en la memoria hacia saber qué información se necesita, dónde encontrarla y cómo evaluarla críticamente. En este sentido, “recordar” se transforma en saber consultar a la IA con las preguntas adecuadas (por ejemplo, mediante prompts bien formulados) y en corroborar que las respuestas o datos obtenidos sean correctos y confiables. El estudiante actúa como un curador de información, debe:
- filtrar resultados,
- reconocer fuentes fiables, y
- distinguir entre información veraz y desinformación o sesgos que pudieran venir incrustados en las respuestas de la IA.
Es importante destacar que, aunque la IA funcione como una suerte de “memoria externa” que amplifica la capacidad de recordar, el rol del estudiante no se anula. Sigue siendo necesario un conocimiento básico del dominio dado que sin entender los conceptos fundamentales no sabrá qué buscar, ni cómo buscar, ni podrá juzgar la pertinencia de lo encontrado. Y se requiere pensamiento crítico para no aceptar pasivamente cualquier resultado de la IA. Así, “recordar” en la era de la IA implica desarrollar en el alumno una actitud inquisitiva y un manejo estratégico de las herramientas digitales para acceder al conocimiento.
Verbos de acción típicos en este nivel, adaptados al uso de IA, serían aquellos que demuestran la búsqueda activa y la comprobación de información con asistencia tecnológica. Algunos verbos de acción relevantes para Recordar con IA incluyen:
- Localizar información o fuentes (utilizando motores de búsqueda o asistentes de IA).
- Recuperar datos o contenidos específicos mediante consultas a sistemas de IA.
- Identificar conceptos clave con ayuda de la IA (por ejemplo, extrayendo términos importantes de un texto).
- Acceder a conocimientos almacenados en bases de datos o repositorios digitales mediante herramientas inteligentes.
- Consultar a una IA para obtener definiciones, ejemplos o aclaraciones puntuales.
- Verificar la veracidad o exactitud de la información proporcionada por una IA, contrastándola con otras fuentes.
- Referenciar correctamente las fuentes sugeridas por una IA (ej.: obtener citas bibliográficas y luego darles formato adecuado.
- Archivar o guardar información relevante obtenida con apoyo de IA para su uso posterior, organizándola de forma lógica.
- Formular prompts sencillos y claros para obtener de la IA la información deseada.
Estos verbos enfatizan que el estudiante, apoyado por la IA, no se limita a memorizar pasivamente, sino que participa activamente en la gestión del conocimiento:
- sabe qué buscar,
- emplea la tecnología para recordar mejor, y
- valida lo recordado.
En la práctica docente, desarrollar este nivel podría implicar actividades como proporcionar a los alumnos preguntas cuya respuesta deban encontrar usando una herramienta de IA, y luego pedirles que citen la fuente y corroboren la información en un texto académico. De esta manera se ejercita la habilidad de recordar con la IA, entrenando tanto el acceso rápido al saber como el juicio crítico sobre la información recuperada.
COMPRENDER en la era de la IA
El segundo nivel de la taxonomía, Comprender, tradicionalmente abarca la capacidad de interpretar y explicar el significado de la información. En la era de la IA, este nivel se amplía para incluir la aptitud de interpretar, contextualizar y sintetizar la información que es proporcionada o generada por sistemas de IA. Es decir, no basta con que el estudiante reciba una explicación de un concepto: ahora debe ser capaz de:
- entender las respuestas o contenidos que produce una IA,
- discernir la lógica subyacente o las posibles fuentes de error en esas explicaciones, y
- reelaborar ese conocimiento en sus propios términos.
Dado que las herramientas de IA generativa pueden ofrecer resúmenes, traducir textos complejos a lenguaje sencillo e incluso elaborar explicaciones paso a paso de problemas, el estudiante de hoy tiene al alcance una potente ayuda para comprender nuevos contenidos. Sin embargo, el riesgo está en una comprensión superficial o acrítica: si el alumno acepta sin más la explicación de la IA, podría no detectar conceptos malinterpretados o simplificaciones inadecuadas.
Por tanto, comprender con IA implica también un componente metacognitivo y crítico: el estudiante debe preguntarse por qué la IA habrá dado cierta respuesta, si la explicación se sostiene lógicamente, cómo encaja esa información en el marco teórico que conoce, y si existen otras interpretaciones. En cierto modo, el alumno necesita “entender la comprensión” de la IA, es decir, averiguar si la IA realmente captó la pregunta o tarea en el sentido correcto, y ajustar sus prompts o búsquedas en consecuencia.
Verbos de acción para Comprender en contextos con IA (que reflejan esta capacidad de interpretar críticamente información generada por IA) podrían ser:
- Interpretar resultados o explicaciones obtenidas de una IA, discerniendo su significado en profundidad.
- Explicar con claridad un concepto después de haberlo investigado con ayuda de la IA (por ejemplo, explicar a otros compañeros lo aprendido, en sus propias palabras).
- Resumir textos o respuestas largas proporcionadas por la IA, extrayendo las ideas centrales y descartando información irrelevante.
- Parafrasear las explicaciones dadas por una IA, demostrando que se han asimilado correctamente.
- Contextualizar la información generada por IA dentro de un marco teórico o situación específica (añadiendo la perspectiva o el trasfondo que la IA pudo omitir).
- Traducir o transcodificar contenidos con ayuda de IA (por ejemplo, de lenguaje técnico a lenguaje divulgativo), asegurándose de mantener el sentido original.
- Refinar prompts o preguntas a la IA para obtener explicaciones más claras o enfocadas cuando la primera respuesta no fue suficiente.
- Inferir implicaciones o conclusiones a partir de datos o análisis que presente una IA (y que no estén explícitamente mencionados).
- Articular la comprensión lograda integrando la información de la IA con la proveniente de otras fuentes, construyendo un discurso coherente.
Estos verbos enfatizan un papel activo del estudiante en el proceso de comprensión, no solo recibe información de la IA, sino que:
- la digiere,
- la vuelve a expresar,
- la examina en contexto y, de ser necesario,
- guía a la IA para obtener mejores aclaraciones.
Desde la perspectiva pedagógica, el profesorado puede fomentar este nivel pidiendo, por ejemplo, que los estudiantes utilicen una IA para aclarar un concepto complejo estudiado y luego presenten un breve informe escrito o exposición oral con sus propias explicaciones del concepto, citando dónde la IA les fue útil y en qué aspectos tuvieron que profundizar o corregir la información inicial. Así, la IA se convierte en un punto de apoyo para la comprensión, pero el aprendizaje significativo sigue recayendo en la construcción activa que hace el estudiante.
APLICAR en la era de la IA
El tercer nivel, Aplicar, consiste en usar el conocimiento en situaciones concretas o para resolver problemas. Tradicionalmente, esto podía implicar ejercicios prácticos, cálculos, experimentos o la implementación de un concepto teórico en un caso real. Con la irrupción de la IA, Aplicar adquiere matices nuevos. Ahora abarca la capacidad de:
- utilizar herramientas de IA de manera informada para ejecutar tareas,
- resolver problemas, y
- simular situaciones reales, trasladando la teoría a la práctica con apoyo tecnológico.
En la educación superior contemporánea, un estudiante que “sabe aplicar” no solo memoriza procedimientos, sino que también es capaz de elegir y usar la herramienta digital o de IA apropiada para la tarea a enfrentar. El estudiante debe saber integrar el conocimiento teórico con las capacidades prácticas de la IA. La IA se convierte en una extensión de su caja de herramientas a la hora de aplicar lo aprendido.
Un aspecto crucial es que la aplicación con IA requiere supervisión humana: la IA puede ejecutar rápidamente ciertas operaciones (cálculos, búsquedas, ordenamiento de información, incluso ejecución de experimentos simulados), pero el estudiante debe configurar adecuadamente la tarea y luego interpretar y usar correctamente el resultado. Esto desarrolla un tipo de aprendizaje activo asistido: el alumno prueba una solución con ayuda de la tecnología, observa el resultado y, si no es correcto o adecuado, itera realizando ajustes. Es la clásica prueba de ensayo y error, potenciada por la rapidez con la que la IA puede devolver feedback. El valor educativo reside en que, a través de estas interacciones, el estudiante comprende mejor la aplicación del concepto y también aprende a colaborar con la tecnología.
Verbos de acción característicos de Aplicar con apoyo de IA serían aquellos que implican ejecución o implementación activa usando tecnología inteligente. Algunos ejemplos son:
- Implementar soluciones usando herramientas de IA (por ejemplo, emplear un algoritmo proporcionado por una IA en un problema específico).
- Resolver problemas con asistencia de IA, aprovechando recomendaciones o cálculos generados por algoritmos.
- Ejecutar tareas prácticas mediante sistemas inteligentes (como conducir un experimento virtual en un laboratorio simulado por IA).
- Demostrar la aplicación de un concepto usando una simulación de IA (por ejemplo, demostrar la ley de gravitación universal usando un simulador físico digital).
- Integrar herramientas de IA en un proceso de trabajo para completar una tarea (por ejemplo, combinar un servicio de reconocimiento de voz con un traductor automático para transcribir y traducir una entrevista).
- Modelar escenarios o datos con ayuda de IA para explorar situaciones “¿qué pasaría si…?” en un entorno seguro antes de la aplicación real.
- Simular entornos o casos reales mediante IA, y aplicar en esa simulación los conocimientos teóricos (como simular la gestión de una empresa en un software de IA para aplicar conceptos de administración).
- Predecir resultados usando análisis de IA y luego utilizar esas predicciones para guiar la toma de decisiones en un ejercicio práctico.
- Automatizar pasos rutinarios de un procedimiento utilizando scripts o agentes de IA, para centrarse en las decisiones que requieren juicio humano.
- Generar soluciones iniciales con IA (por ejemplo, un borrador de diseño, un esquema de código o un bosquejo de ensayo) y luego pulirlas aplicando la propia comprensión del estudiante.
Estos verbos reflejan que el estudiante no solo conoce el procedimiento, sino que sabe llevarlo a cabo efectivamente en un entorno mediado por tecnología, decidiendo cuándo y cómo utilizar la IA para lograr el objetivo.
Para el docente, fomentar este nivel podría implicar prácticas como: plantear proyectos donde se invite explícitamente a los alumnos a usar ciertas herramientas de IA (por ejemplo, un sistema de análisis de datos) para aplicar contenidos del curso, y evaluarlos no solo por el resultado final, sino por cómo documentan y justifican el uso de la herramienta en el proceso. De este modo, “aplicar” incluye también aprender a cooperar con la IA de forma eficaz, una destreza altamente demandada en entornos profesionales actuales
ANALIZAR en la era de la IA
El nivel de Analizar se refiere a descomponer información compleja en sus partes, examinar relaciones y patrones, y comprender las estructuras subyacentes. En la era de la IA, este nivel adquiere especial relevancia y una doble vertiente:
- por un lado, implica analizar información con la ayuda de la IA, aprovechando la capacidad de esta para procesar grandes volúmenes de datos y detectar patrones, y
- por otro, significa analizar críticamente a la propia IA y sus resultados, identificando sesgos, errores o vacíos en los análisis automáticos.
En suma, Analizar ahora abarca tanto el uso de la IA como herramienta analítica como el escrutinio del producto de la IA mediante la inteligencia humana.
La IA es extremadamente eficaz manejando datos: puede clasificar, agrupar, comparar y extraer tendencias de conjuntos masivos de información en segundos. Sin embargo, la interpretación de esos patrones sigue recayendo en el ser humano. Un estudiante con competencia analítica en la era de la IA debe ser capaz de tomar los hallazgos que una IA le presenta y ponerlos bajo la lupa de la razón y el contexto: ¿Tiene sentido este patrón? ¿Hay correlación sin causalidad? ¿Se habrán introducido sesgos en los datos que la IA no puede reconocer? De igual modo, el estudiante debe analizar el comportamiento de la IA misma: entender, hasta donde sea posible, cómo llegó la IA a cierta conclusión (¿qué variables ponderó más en un modelo? ¿qué ejemplos de entrenamiento podrían estar influyendo en su respuesta?), e incluso comparar el análisis de la IA con análisis hechos por humanos o por otras fuentes.
En términos de acciones concretas, verbos de análisis en contextos con IA serían aquellos que reflejan examinar minuciosamente datos o contenidos generados por IA y desentrañar su significado o calidad. Algunos verbos pertinentes son:
- Analizar (en sí) datos y resultados proporcionados por la IA, desglosándolos en componentes entendibles.
- Examinar en detalle salidas de la IA en busca de posibles errores, sesgos o supuestos ocultos (por ejemplo, examinar la argumentación de un ensayo generado por IA para ver si cae en falacias lógicas).
- Comparar resultados obtenidos de la IA con fuentes humanas o con diferentes algoritmos, para ver coincidencias y discrepancias.
- Contrastar perspectivas: evaluar cómo difiere el análisis de la IA del que haría un experto humano en la materia.
- Diferenciar entre información proveniente de la IA y la obtenida de la investigación humana, señalando qué aporta cada una y cuáles son sus limitaciones.
- Deconstruir el razonamiento o el modelo subyacente de la IA, es decir, traducir la “lógica” de la IA a términos humanos (por ejemplo, simplificar cómo una red neuronal está clasificando imágenes para entender sus criterios).
- Investigar las limitaciones de los análisis de la IA, indagando en los casos en que la IA podría fallar o no aplicar (por ejemplo, situaciones fuera del rango de entrenamiento de un modelo).
- Identificar patrones o tendencias en los datos presentados por la IA, y también identificar posibles sesgos en esos patrones (¿reflejan la realidad objetivamente o hay desviaciones?).
- Correlacionar información: usar la IA para descubrir correlaciones y luego examinarlas críticamente para ver si implican causalidad o son coincidentes.
- Evaluar (en el sentido de analizar) el proceso analítico de la IA: valorar si los métodos que está usando la IA para su análisis son apropiados, completos o necesitan complementarse con juicio humano.
Obsérvese que muchos de estos verbos conllevan una actitud de escepticismo informado: el estudiante debe mirar más allá de la superficie de lo que la IA ofrece.
Pedagógicamente, para desarrollar este nivel, el profesorado puede proponer actividades como dar a los alumnos un informe o visualización generado por IA (por ejemplo, el análisis de sentimientos de una serie de tweets) y pedirles que redacten un breve ensayo analítico discutiendo la validez de esos hallazgos: ¿son fiables?, ¿qué no muestra el análisis automatizado?, ¿qué contexto adicional es necesario? De esta forma, se entrena la habilidad de analizar en colaboración con la IA pero sin abdicar la responsabilidad intelectual que conlleva el análisis profundo. Esto es crucial, ya que la IA por sí sola puede identificar patrones, pero la comprensión del significado e implicaciones de esos patrones recae en la mente humana
EVALUAR en la era de la IA
El penúltimo nivel, Evaluar, se refiere a emitir juicios fundamentados sobre el valor, la calidad o la pertinencia de ideas o trabajos, utilizando criterios claros. En la era de la IA, Evaluar se enriquece y complejiza: exige una capacidad de juicio crítico sofisticada para valorar la fiabilidad, la validez y las implicaciones éticas de los resultados y recomendaciones generados por sistemas de IA. Ya no se trata solo de que el estudiante pueda evaluar una argumentación o el resultado de un experimento humano, sino que ahora debe también juzgar lo que produce la IA:
- ¿Es correcta la respuesta que dio la IA?
- ¿Está sesgado el consejo que brindó un sistema de recomendación?
- ¿Cuán confiable es la predicción hecha por un modelo predictivo en términos de probabilidades o posibles errores?
Este nivel es crucial porque las IAs actuales, por potentes que sean, pueden equivocarse de maneras sutiles, o presentar información verdadera mezclada con errores (lo que se ha dado en llamar alucinaciones de los modelos de lenguaje). Además, las IAs carecen de sentido ético o conciencia: pueden generar contenido ofensivo, sesgado o problemático si no están adecuadamente filtradas. Por ende, el estudiante debe ejercer como árbitro y guardián de calidad de todo output de IA antes de aceptarlo o integrarlo en su conocimiento. Evaluar en contextos de IA implica revisar críticamente las respuestas de la IA contra los criterios académicos o profesionales pertinentes, verificar fuentes, chequear datos, y sopesar decisiones considerando no solo la eficacia sino también la ética y el impacto social.
En cuanto a acciones evaluativas concretas, verbos de acción para Evaluar con IA serían aquellos que evidencian emitir juicios informados sobre las producciones de la IA o sobre decisiones apoyadas en IA. Algunos de ellos son:
- Evaluar la calidad de un contenido generado por IA (texto, imagen, recomendación), aplicando criterios de rigor (exactitud, relevancia, claridad).
- Criticar argumentaciones o soluciones propuestas por una IA, señalando sus fallos lógicos, sesgos o puntos débiles.
- Juzgar la validez de una afirmación dada por la IA a la luz de evidencias o teorías establecidas en la disciplina.
- Valorar la fiabilidad de las fuentes y datos que empleó la IA para llegar a una conclusión (por ejemplo, valorar si los datos de entrenamiento de un modelo son representativos o están sesgados).
- Corroborar las afirmaciones de la IA mediante referencias externas, comprobando si otras fuentes independientes sostienen lo mismo. (Este verbo podría considerarse parte de “verificar”, pero en el contexto evaluativo implica un juicio posterior a la verificación.)
- Defender o refutar una posición o respuesta obtenida con ayuda de IA, presentando argumentos y evidencia para respaldar la aceptación o el rechazo de lo que la IA sugiere.
- Justificar el uso (o la no utilización) de una solución basada en IA en un contexto específico, explicando las razones por las que se confía (o se desconfía) en ella.
- Validar o descartar hallazgos de la IA mediante experimentación adicional o consultas expertas: por ejemplo, si la IA arroja un resultado estadístico sorprendente, validar repitiendo el análisis de otra forma, o descartarlo si no se reproduce.
- Determinar el nivel de precisión o incertidumbre de los resultados de la IA, e interpretar qué margen de error o dudas razonables existen.
- Reflexionar sobre las implicaciones éticas del uso de la IA en cierta tarea: considerar si hubo sesgos discriminatorios, si se violó privacidad, o si delegar cierta decisión a la IA es apropiado desde un punto de vista moral.
- Identificar errores o inconsistencias en las respuestas de la IA y explicar por qué son erróneos según el conocimiento experto.
Estos verbos muestran que el estudiante ejerce un juicio informado; actúa casi como un editor o supervisor de la IA.
En la práctica, para promover este nivel, un docente universitario podría diseñar evaluaciones donde el alumno tenga que interactuar con una IA pero luego entregar un informe evaluativo. Por ejemplo, se les puede dar un texto generado por IA sobre un tema del curso y pedir que lo marquen y comenten, identificando aciertos, errores factuales, sesgos de presentación y ausencias importantes, para finalmente calificar la calidad académica del texto. Otra estrategia es plantear dilemas: “¿Confiarías en la decisión de IA X en tal situación? Justifica tu respuesta.” Así, se obliga al estudiante a evaluar el rol de la IA con argumentos. Estas actividades no solo fortalecen el pensamiento crítico, sino que inculcan responsabilidad en el uso de la IA. Al fin y al cabo, en la vida real serán los graduados quienes deban tomar decisiones informadas apoyándose (o no) en sistemas de IA, y es fundamental que estén preparados para hacerlo con criterio. El proceso evaluativo humano garantiza que las salidas de la IA se alineen con los estándares, valores y objetivos humanos, algo que la máquina por sí sola no puede asegurar
CREAR en la era de la IA
El nivel más alto de la taxonomía de Bloom es Crear, asociado con la capacidad de generar algo original, de producir una nueva idea, diseño, obra o teoría a partir de los conocimientos previos. Tradicionalmente, este nivel implicaba que el estudiante, tras dominar los anteriores, fuera capaz de innovar por sí mismo. En la actualidad, la presencia de la IA transforma este nivel en un proceso de co-creación, donde la inteligencia humana y la artificial colaboran activamente para generar soluciones y productos originales
Crear ya no es necesariamente un acto solitario, sino que puede ser un diálogo creativo entre el estudiante y la máquina, aprovechando lo mejor de ambos: la intuición, la imaginación y el sentido común humanos, combinados con la rapidez, diversidad de información y capacidad combinatoria de la IA.
Lo realmente innovador de este escenario es que se expande la creatividad humana en lugar de reducirla. Bien usada, la IA actúa como un catalizador de la inventiva, ayudando a sortear bloqueos creativos, ofreciendo sugerencias que a un humano podrían no habérsele ocurrido (dado que la IA puede mezclar información de dominios diversos), y permitiendo prototipar rápidamente para luego iterar.
Sin embargo, para que esta colaboración produzca verdadero valor innovador, el estudiante-creador debe mantener el control y la visión crítica: decidir cuáles ideas generadas por la IA merecen ser desarrolladas y cuáles no, asegurarse de que el producto final tenga un sello personal y un sentido claro (cosa que la IA por sí sola no garantiza). En términos pedagógicos, es vital cultivar en los alumnos tanto la creatividad como la capacidad de dirección sobre la IA: que no se conformen con la primera idea sugerida, sino que usen la IA como taller experimental para luego llevar más allá la creación con su propio ingenio.
En esta línea, verbos de acción para Crear en colaboración con IA podrían ser:
- Generar ideas, borradores o prototipos novedosos con ayuda de la IA, como punto de partida para un desarrollo creativo ulterior.
- Proponer soluciones originales en las que se integren aportes de la IA y la inventiva humana (por ejemplo, proponer un proyecto artístico donde una parte esté realizada con IA y otra manualmente).
- Diseñar proyectos, productos o estrategias haciendo uso de herramientas de IA para explorar múltiples posibilidades (diseño asistido por IA).
- Desarrollar prototipos o versiones preliminares apoyándose en la IA, e iterar sobre ellos incorporando retroalimentación tanto automatizada como propia o de pares.
- Inventar nuevos enfoques o conceptos con la inspiración de la IA (por ejemplo, inventar un juego educativo tras analizar con IA huecos en las metodologías actuales).
- Componer contenidos originales con IA, ya sea en escritura, música, arte visual, etc., combinando fragmentos generados por IA de forma creativa y añadiendo producción propia.
- Construir un producto final integrando componentes generados por IA y componentes desarrollados manualmente, ensamblándolos de manera coherente.
- Producir obras o proyectos completos en los que la IA haya sido un colaborador en alguna etapa (guion de un vídeo, análisis de datos para un informe creativo, etc.), y documentar ese proceso de co-creación.
- Mezclar o remixar contenido de la IA para dar lugar a algo nuevo (por ejemplo, tomar varias imágenes generadas por IA y editarlas creando un collage artístico único).
- Adaptar resultados obtenidos de la IA, transformándolos creativamente para ajustarlos a un propósito distinto o mejorarlos (por ejemplo, si la IA genera un poema, adaptarlo a formato de canción).
Estos verbos enfatizan la agencia creativa del estudiante potenciada por la IA. Lo central es que la creación sigue siendo intencional y significativa gracias al humano, aunque la IA provea materiales, sugerencias o incluso participe en la ejecución.
Para ejercitar este nivel en el aula, los docentes pueden asignar proyectos abiertos donde el uso de IA esté permitido o incluso recomendado, pero debiendo los alumnos documentar su proceso creativo y justificar cómo las contribuciones de la IA fueron filtradas o moldeadas por sus propias decisiones. En palabras de expertos, la capacidad humana de innovación, imaginación y empatía sigue siendo el motor principal de la creación, mientras que la IA puede ampliar el alcance y la rapidez de esa creatividad
IMPLICACIONES PEDAGÓGICAS Y ESTRATEGIAS EVALUATIVAS
La actualización de la taxonomía de Bloom para contextos de IA conlleva profundas implicaciones para la práctica docente en la educación superior. En primer lugar, ofrece un marco para revisar y rediseñar tanto los objetivos de aprendizaje como las actividades de clase, de modo que se ponga el acento en las competencias de orden superior y en la interacción crítica con la tecnología. Si la IA tiende a facilitar los niveles bajos de la taxonomía, los educadores han de reorientar las metodologías para desafiar a los estudiantes principalmente en niveles de analizar, evaluar y crear, tal como hemos descrito.
Esto no significa que deban omitirse los niveles básicos, sino que al planificar una experiencia de aprendizaje se incorporen desde el inicio oportunidades para que los alumnos utilicen la IA en recordar y comprender información, liberando así tiempo cognitivo y presencial para profundizar en los niveles superiores. Por ejemplo, las clases invertidas (flipped classroom) podrían apoyarse en que los estudiantes adquieran conceptos con herramientas de IA antes de la sesión, reservando la sesión para debates analíticos y actividades creativas guiadas por el profesor.
Un eje crucial es el diseño de evaluaciones auténticas y pertinentes para la era de la IA. Las estrategias evaluativas tradicionales basadas en memorizar y repetir información resultan cada vez menos relevantes y fácilmente vulnerables al uso no autorizado de IA. En cambio, se sugiere adoptar enfoques de evaluación más auténticos y complejos, como:
- proyectos,
- portafolios,
- presentaciones orales,
- estudios de caso, y
- simulaciones, que requieren que el estudiante demuestre sus habilidades de pensamiento superior y su capacidad de uso adecuado de herramientas (incluyendo IA).
Estas formas de evaluación permiten apreciar la aplicación creativa del conocimiento, la toma de decisiones y la originalidad, dificultando a la vez la posibilidad de simplemente delegar la tarea en la IA. De hecho, integrar la IA en evaluaciones bien diseñadas puede fomentar el pensamiento crítico: al pedir a los estudiantes que interactúen con la IA y luego reflexionen sobre esa interacción, se enseña activamente el uso crítico de la tecnología
Por otro lado, las instituciones y docentes deben abordar explícitamente el tema de la integridad académica en el contexto de la IA. Es fundamental establecer políticas claras sobre el uso permitido de IA en tareas y exámenes, comunicando a los alumnos cuándo se considera un apoyo legítimo (por ejemplo, usar un corrector ortográfico avanzado o recibir sugerencias de mejora en un borrador) y cuándo cruza la línea hacia la deshonestidad (presentar un trabajo escrito íntegramente por una IA como propio, por ejemplo).
Algunas estrategias incluyen requerir que los estudiantes detallen en qué les ayudó la IA (metacognición sobre su proceso), o diseñar partes de la evaluación que obliguen a la personalización. En paralelo, los docentes deben mantenerse actualizados sobre las capacidades de las nuevas herramientas de IA para anticipar cómo podrían ser mal utilizadas y así ajustar continuamente las actividades y evaluaciones. La naturaleza evolutiva de la IA implica que esta revisión debe ser permanente: lo que hoy la IA no puede hacer, tal vez mañana sí, y entonces habrá que replantear una vez más las estrategias.
Una recomendación emergente es adoptar enfoques de evaluación formativa y continuada, privilegiando el proceso sobre solo el producto final. Si la IA puede facilitar la obtención de un resultado, interesa evaluar cómo el estudiante llegó a ese resultado. Por ello, resulta valioso calificar bocetos, pasos intermedios, reflexiones metacognitivas, y no solo la solución terminada. Este tipo de evaluación de proceso captura la complejidad del compromiso cognitivo facilitado por la IA y recompensa al estudiante por su rol activo y reflexivo, más que por información bruta.
Finalmente, la transformación educativa en la era de la IA no ocurrirá sin el apoyo al profesorado. Es imperativo que las universidades inviertan en el desarrollo profesional docente para capacitar en el uso pedagógico de la IA. Muchos profesores pueden sentirse desbordados o incluso amenazados por estas tecnologías; por lo tanto, ofrecer talleres, comunidades de práctica y recursos sobre IA educativa es esencial para su adopción eficaz.
Asimismo, la alfabetización en IA debe fomentarse también en los docentes, para que comprendan las herramientas lo suficiente como para guiar a sus estudiantes en un uso ético y productivo. Solo con educadores conscientes de las oportunidades y riesgos de la IA, que estén dispuestos a experimentar con nuevas estrategias (y compartir resultados con la comunidad educativa), se logrará integrar la IA de manera responsable en la educación superior.
En resumen, las metodologías de enseñanza deben evolucionar hacia experiencias más activas, centradas en el estudiante y ricas en desafíos de alto nivel cognitivo, aprovechando la IA como aliado y no como amenaza. Y las estrategias de evaluación deben calibrarse para medir lo que realmente importa en la era de la IA: la capacidad de aprender con la IA, sin perder el pensamiento crítico, la creatividad y la integridad intelectual. Esto representa un cambio de paradigma desde la evaluación de productos estáticos hacia la evaluación de competencias dinámicas y procesos de pensamiento, reflejando mejor las competencias que los estudiantes necesitarán en su vida profesional.
En este contexto de transformación educativa impulsada por la inteligencia artificial, se vuelve imprescindible fortalecer las líneas de investigación que permitan generar evidencias empíricas sólidas sobre los impactos reales del uso de estas tecnologías en los procesos de enseñanza y aprendizaje. No basta con incorporar sistemas inteligentes en el aula o en entornos virtuales; es necesario comprender cómo, cuándo y por qué estas herramientas favorecen, o dificultan, el logro de los aprendizajes, el desarrollo del pensamiento crítico o la adquisición de competencias complejas.
La taxonomía de Bloom, en su revisión para la era digital y ahora en diálogo con la inteligencia artificial, exige ser puesta a prueba empírica desde marcos metodológicos rigurosos, multidisciplinares y situados en contextos educativos reales. Resulta prioritario diseñar estudios que no solo evalúen resultados de aprendizaje, sino que también analicen procesos, trayectorias personalizadas, niveles de implicación cognitiva y afectiva, así como la equidad en el acceso y en el uso de las herramientas. Para ello, las universidades están llamadas no solo a formar docentes con competencias digitales e inteligencia pedagógica, sino también a promover una cultura de investigación educativa que ponga en el centro la mejora de la calidad del aprendizaje mediado por IA, desde una mirada ética, crítica y transformadora.
CONCLUSIÓN
La reconceptualización de la Taxonomía de Bloom para contextos educativos mediados por IA, manteniendo sus seis niveles jerárquicos clásicos, nos permite articular una visión educativa que dialoga con los desafíos y oportunidades de la era actual. Cada nivel de la taxonomía, desde Recordar hasta Crear, ha sido reinterpretado a la luz de las capacidades que la IA ofrece y de las nuevas responsabilidades cognitivas que ello impone a estudiantes y docentes. Lejos de invalidar la taxonomía original, esta revisión la enriquece:
- Recordar ya no es un ejercicio mecánico de memoria, sino una interacción con la información omnipresente;
- Comprender implica ir más allá de absorber significado, hacia saber decodificar y contextualizar el conocimiento brindado por máquinas;
- Aplicar conlleva trabajar junto a la IA para llevar la teoría a la práctica;
- Analizar requiere combinar el poder analítico de la IA con la mirada crítica humana;
- Evaluar supone elevar nuestros estándares de juicio para incluir la inspección rigurosa de lo que produce la IA; y
- Crear se expande hacia terrenos de co-creación humano-IA antes inimaginables.
Hemos destacado cómo la IA puede potenciar cada nivel:
- brindando información rápida,
- múltiples perspectivas,
- automatización, y
- exigencia de redefinir las habilidades de los estudiantes.
Asimismo, se han propuesto listas de verbos de acción actualizados que sirven de guía práctica para que los docentes formulen objetivos de aprendizaje y actividades evaluativas alineadas con esta nueva realidad. Estos verbos son un lenguaje compartido que nos recuerda que cada objetivo educativo puede (y quizás debe) replantearse incorporando el rol de la IA, ya sea como:
- herramienta a utilizar,
- objeto a analizar o incluso como
- socio en la creación.
Es importante enfatizar que, aunque la IA ha cambiado drásticamente el paisaje de la educación superior, los fines últimos de la educación permanecen: formar personas críticas, capaces, creativas y éticas. La taxonomía de Bloom revisada para la era de la IA es un medio para ese fin, no un fin en sí misma. Nos ayuda a asegurarnos de que no descuidemos ninguna dimensión cognitiva en nuestros estudiantes, al tiempo que incorporamos las nuevas dimensiones digitales.
También nos advierte que seamos flexibles. La jerarquía de Bloom no debe interpretarse de forma rígida en un mundo donde a veces la IA puede entregar un producto de nivel Crear sin haber Comprendido como un humano lo haría. Eso nos recuerda que el docente necesita ejercer más que nunca un criterio profesional para mediar en el aprendizaje: decidir cuándo seguir el escalonado tradicional y cuándo aprovechar atajos que la tecnología permite, diseñando secuencias didácticas quizá no lineales pero efectivas para el aprendizaje.
En conclusión, la educación superior en la era de la inteligencia artificial demanda tanto continuidad como cambio:
- Continuidad, en cuanto seguimos necesitando un andamiaje teórico (como el proporcionado por Bloom) que dé coherencia a la formación intelectual.
- Cambio, en cuanto debemos reinterpretar y reinventar ese andamiaje para que siga siendo relevante ante la presencia ubicua de inteligencias no humanas en nuestro proceso educativo.
Esta propuesta de reconceptualización, original en su enfoque pero respetuosa de la estructura probada de la taxonomía, pretende inspirar a la comunidad docente a reflexionar críticamente sobre su práctica. Al adoptar y adaptar estas ideas, los profesores universitarios podrán diseñar experiencias de aprendizaje más ricas, desafiantes y significativas, donde la IA se integre de forma constructiva. De esa manera, formaremos graduados que no solo saben mucho, sino que piensan de manera autónoma y creativa, apoyados por la IA, pero nunca sustituidos por ella. La última palabra la tiene, y la tendrá, la inteligencia humana informada, crítica y creativa, guiando el uso de la inteligencia artificial para el bien del aprendizaje y de la sociedad.
Finalmente, creemos que las universidades están llamadas no solo a formar docentes con competencias digitales e inteligencia pedagógica, sino también a promover una cultura de investigación educativa que ponga en el centro la mejora de la calidad del aprendizaje mediado por IA, desde una mirada ética, crítica y transformadora.
FUENTES
- Anderson, L.W. y Krathwohl, D.R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy. Addison Wesley Longman.
- Anthony, J. (2024). Bloom’s Taxonomy and HOT Skills of the Future. Linkedin: https://www.linkedin.com/pulse/blooms-taxonomy-ai-driven-workforce-joe-anthony-mbicc/
- Bloom, B.S. (1956). Taxonomy of Educational Objectives: Handbook I, Cognitive Domain. New York: Longmans.
- Churches, A. (2009). Bloom’s Digital Taxonomy. Consultado en: https://www.researchgate.net/publication/228328472_Bloom’s_Digital_Taxonomy.
- Dolbin, RJ., Liu, Y., Slabbinck, R. y Stewart Jr. R.L. (2024). AI-Powered Education: Authentic Assessments and Learning. Academic Senate.
- García Aretio, L. (1994). Planificación tecnológica de programas a distancia. En Educación a distancia hoy. UNED.
- Krathwohl, D.R.; Bloom, B.S.; Masia, B.B. (1979). Taxonomía de los objetivos de la educación. Ámbito de la afectividad. Alcoy: Marfil.
- García Aretio, L. (2020a). Bloom me ayudó en la docencia presencial y a distancia. Contextos universitarios mediados.
- García Aretio (2020b). Unas taxonomías de Bloom más actualizadas. Contextos universitarios mediados.
- Jain, J., & Samuel, M. (2025). Bloom Meets Gen AI: Reconceptualising Bloom’s Taxonomy in the Era of Co-piloted Learning. Preprints. https://doi.org/10.20944/preprints202501.0271.v1
- Metfessel, N.S.; Michael, W.B.; Kirsner, D.A. (1969). Instrumentation of Bloom’s and Krathwohl’s Taxonomies for the Writting of Educational Objectives, en Psychology in the Schools, 3, 227-231.
OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (17 de abril de 2025). 80 años. Compendio EaD (30). Reconceptualización de la Taxonomía de Bloom en la era de la IA. Contextos universitarios mediados. Recuperado 20 de abril de 2025 de https://doi.org/10.58079/13rm1