Reglamento Europeo de Inteligencia Artificial: ¿en qué te afecta?

 Por Ramón Besonías

El carácter vinculante a partir del día 2 de agosto del Reglamento (UE) 2024/1689, conocido como AI Act, más en concreto su artículo 50, ha desastado en redes más dudas que certezas, y sin duda quizá nos ha planteado preguntas sobre cómo nos afecta a los docentes, estudiantes y centros educativos. 

Puedes descargarlo, leerlo o pasárselo a la IA para que te lo resuma o explique. Te paso el enlace. También puedes entrar en este otro enlace de la Comisión Europea que responde a las preguntas más recurrentes.

Iré al grano, porque las casuísticas que nos afectan son muy específicas, aunque algunas no poco complejas y no carentes de ambigüedad y efectos perversos. 

Lo primero: el artículo 50 del reglamento deja claro que las obligaciones van dirigidas a las empresas de IA, que proveen el acceso a los modelos, y a los profesionales que los usan en actividades empresariales. No afecta al usuario particular. Pero esto no significa que a título personal puedas publicar lo que desees en RRSS. La ley, más allá del reglamento AI Act europeo, también protege la privacidad, seguridad y dignidad del afectado. 

Por particular se puede entender el uso que hacemos de la IAg para gestiones o preparación de aula que no sean compartidas. Una vez que lo compartes en tu blog, Classroom o web de centro, deja de ser privado y forma parte de tu contexto laboral y llega a tus estudiantes o sus familias. Lo que hagas en privado, privado es. Si creas una imagen en tu muro personal de RRSS, no tienes obligación de decir que es IA o no. Ya hay servicios de internet que lo detectan y a veces lo detallan cuando compartes. De hecho, esa es la tendencia habitual: que todos los servicios detecten tus materiales y registren la huella atribución o autoría. 

Si se trata de materiales educativos compartidos a estudiantes o familias, entonces AI Act te recomienda (no obliga ni penaliza) indicar la huella de atribución. No es una cuestión legal, sino ética y educativa. Que tus estudiantes sepan cómo usaste la IAg les educa a ellos en su buen uso. 

• Si no usaste IAg, no es necesario decirlo. 
• Si la usaste como apoyo, por ejemplo, puedes indicar al final del material escrito o como añadido al mensaje de una infografía o dentro de ella: «Elaborado con apoyo de IA generativa». 
• Si delegaste más en la IAg: «Material elaborado con IA generativa. Contenido revisado y validado por el docente». 
• Si prácticamente está hecho con IAg: «Contenido generado con [herramienta/modelo] y revisado por el docente». 
• Si usaste material adaptado de terceros, debieras citar la fuente y/o licencia correspondiente.

Puedes usar signaturas o simbología en los materiales: 

• H: Elaboración humana. 
• H+IA: Elaboración humana con asistencia de IA. 
• IA+H: Generación sustancial mediante IA y revisión humana. 

Tiene un valor educativo, para que el estudiante sepa cómo debe usar la IAg y compartirlas con otros de forma ética. 

Hasta aquí, nada es obligatorio, pero sí recomendable.

Donde sí nos balanceamos en un terreno inestable es cuando tus materiales audiovisuales usan deepfake o aparecen estudiantes u otros docentes en imágenes, audios o vídeos generados con IAg. Debe notificarse a esas personas antes de publicarlo y obtener su consentimiento. Si no, no se puede publicar. Esto era necesario también antes de la IAg. La diferencia está en que ahora la IAg puede generar contenidos que replican tu voz o tu imagen personal, sin haber estado tú ahí o haber dicho eso. Las casuísticas distópicas son innumerables. 

Esto no afecta solo a los docentes y responsables TIC de los centros, también a los estudiantes, y hay que informarles. No pueden publicar lo que les plazca sin consentimiento. 

Resumamos: el nuevo reglamento europeo incide en el uso de materiales educativos donde se modifique la imagen o voz de los estudiantes. No obliga a citar que fue generado parcial o totalmente con IAg. Sin embargo, tengamos en cuenta que las consejerías de educación pueden aportar normativas que precisen más esos usos. Hay que leerlas y tenerlas en cuenta. Cada país europeo, comunidad autónoma, incluso cada centro educativo, puede afinar su normativa.

Además de lo relacionado con la publicación de materiales generados con IAg, el reglamento europeo es muy sensible a otro aspecto de nuestro trabajo que requiere cierta prudencia: la evaluación. En su Anexo III, el reglamento europeo cataloga como de alto riesgo el uso de IAg para evaluar resultados de aprendizaje, para admisión y acceso de estudiantes, para determinar el nivel educativo, para supervisar o detectar conductas prohibidas durante pruebas. ¿Cómo afecta esto a un docente? 

Casos admisibles: 

• Generar una rúbrica a partir de criterios curriculares.
• Crear preguntas de examen.
• IAg te ayuda a preparar la evaluación a través de rúbricas, preguntas, criterios observables, ejemplos...

Casos admisibles con reservas:

• Analizar errores frecuentes de un conjunto de respuestas anonimizadas. Admisible, pero sin incluir nombres ni datos sensibles.
• Pedir a la IAg que señale aspectos a revisar en un trabajo. Admisible como apoyo. El docente contrasta los datos de la IAg y decide.
• Comparar la propia corrección con una segunda valoración de la IAg. Admisible como contraste, si decide realmente el profesor.
• Usar la IAg para transformar resultados ya evaluados en informes o descriptores. La IAg detecta errores, propone feedback, compara respuestas. Generalmente admisible, siempre que no altere la decisión del docente.

Casos de riesgo: La IAg participa en la valoración. Aplica rúbricas, asigna niveles, propone calificaciones...

• Proponer una valoración con rúbrica: «Aplica esta rúbrica y dime qué nivel alcanzaría». Uf, es más delicado, puede suponer uso de la IAg para evaluar resultados de aprendizaje.
• Proponer una nota: «Corrige este examen y propón una calificación de 0 a 10». De alto riesgo, según la finalidad y el contexto en que lo apliques. 
• Calificar automáticamente. Por ejemplo, se suben 100 exámenes y el sistema asigna directamente las notas. Alto riesgo si lo que deseas es evaluar resultados de aprendizaje.
• Decidir consecuencias académicas. La IAg decide el aprobado o suspenso, recuperación, promoción, nivel, itinerario… Alto riesgo y sujeto a fuertes garantías. 
• Sancionar fraude mediante IAg. «El detector dice 93 % IA, luego la tarea queda anulada. Cero». Muy problemático. Hablaré más abajo de esto.

Casos de alto riesgo: La IAg decide consecuencias académicas. Nota final, suspenso, promoción, fraude, itinerario...

Problema de todo esto: 

• Requieren un cierto conocimiento de uso de la IAg. Si no se tiene esa formación, lo más probable es que se aplique mal. Formarse es esencial.
• Aplicar la IAg en estos casos requiere un tiempo que a veces es mayor que el que se necesitaría recurriendo a métodos tradicionales. 
• Si se aplica bien y es grave, no hay posibilidad de registros que acrediten que el docente usó ilegítimamente la IAg. 

Consecuencias: 

• Pocos docentes usarán la IAg como ayuda en el proceso de evaluación. Y si la usan y no saben cómo, será poco eficaz.
• No es fácil ni operativo que la IAg te corrija los exámenes, además de que revela un modelo evaluativo nada competencial. 
• Cuanto más competencial, más factores subjetivos intervienen en la evaluación y más difícil será que la IAg los pueda apreciar tal y como tú deseas.

Lo que me preocupa no es que los docentes usen mal la IAg. Ojalá se atrevieran y equivocaran (para aprender y mejorar). Mi foco está en las consejerías de educación. No les preocupa tanto que se use o no la IAg para evaluar como que no presente problemas legales o reclamaciones de estudiantes y familias. De hecho, la evaluación formal con IAg llegará sin duda a las plataformas oficiales de las consejerías, lo que a mi juicio supondrá un retroceso en la aplicación de modelos competenciales de evaluación durante el proceso de aprendizaje. Completar plantillas mediante rúbricas inteligentes será más rápido que corregir, pero en el camino se perderán detalles, atención a la diversidad, y favorecerá el uso de métodos dataístas (rellenar y listo) a través de tareas objetivas, a menudo estandarizadas, bajo condiciones de control y vigilancia en las aulas. 

Como puedes apreciar, hasta ahora en poco o nada te afecta el reglamento. No es prescriptivo citar IA en los materiales, aunque es recomendable como actitud ética y compromiso educativo con tus estudiantes. Puedes usar la IAg para casi todo lo que haces con ella hasta ahora, a no ser que te haya dado por enredar más y buscar formas de automatizar ciertos procesos de enseñanza. Entonces, ahí sí debes ir con cuidado y evitar incluir datos sensibles o privados de tus estudiantes y propiciar que en ese uso seas tú siempre quien supervise y decida en última instancia qué es relevante y qué calificación deben obtener tus estudiantes. Poco más.

Sin embargo, sí hay un asunto que nos suele preocupar y que aparece en el AI Act europeo y que puede generar confusión y cierta incertidumbre sobre qué hacer. El reglamento no prohibe sancionar a un estudiante por copiar con IAg, si está en tu programación. El problema surge en cómo demostrar que copió. Si no, no queda clara la naturaleza de tu sanción. 

Primero, debe informarse al estudiante si esa prueba o tarea debe realizarse sin ayuda de la IAg, con ayuda parcial o con ayuda total. El estudiante debe estar informado de los criterios de evaluación generales o de los que se detalle en la propia prueba. Segundo, si la tarea requiere o deja abierta la puerta al uso de la IAg, o el estudiante la hizo en casa, no está de más que como medida educativa toda tarea vaya acompañada de una ficha de atribución de autoría en la que el estudiante anote brevemente si usó y cómo determinada IAg. Esto debiera ir acompañado de una formación sobre cómo usar la IAg en las tareas asignadas. Adjunto un modelo de ficha para el estudiante por si te sirve. Adáptala.

Un suspenso basado exclusivamente en sospechas o en el resultado de un detector presenta una posición jurídica más débil ante una eventual reclamación. Las posibilidades de prosperar de una reclamación aumentan considerablemente si...:

• En tu programación no dejaste claro los criterios relacionados con el uso de IAg en las tareas.
• Si esos criterios fueron comunicados al estudiante con antelación.
• Si no se aportan pruebas razonables de que usó IAg. 
• Si no se demuestra que el resto de estudiantes fueron calificados bajo los mismos criterios.

Si el uso fue flagrante, es más fácil de demostrar y penalizar, pero debe añadirse en la programación la prohibición de móviles u otros aparatos inteligentes. Y quizá no está de más dejar en cada prueba un pie de página que recuerde esas normas obvias.

Todo esto es menos urgente si el docente aplica métodos de evaluación más competenciales, donde la IAg sea una ayuda y no penalice sino que sume, o no sea necesaria para realizar la tarea. Pero es inevitable, sobre todo en segundo de Bachillerato o FP Superior, encontrarse con casuísticas que requieran repensar la programación y estar alerta contra nuevas formas sofisticadas de copieteo. 

Quizá el mayor efecto del AI Act no sea obligarnos a detectar mejor el uso de la IA, sino a diseñar evaluaciones donde esa detección deje de ser el problema principal.

Recuerda: El AI Act es un reglamento europeo de aplicación directa, pero su aplicación práctica en educación dependerá también de las instrucciones que dicten el Ministerio, las consejerías de educación y, en algunos casos, los propios centros educativos. Conviene seguir su evolución durante los próximos cursos.

Tomado de IA educativa

Desmitificar el algoritmo: la naturaleza genuina de la IA

 Por Paola Dellepiane

El término inteligencia artificial (IA) no dice nada significativo, y por ello, es que existen tantas discusiones y desacuerdos sobre el término. Se espera que la IA emule la mente humana, cuando en realidad se trata de sistemas de clasificación y optimización de patrones basados exclusivamente en datos.

En sintonía con lo expuesto por Kate Crawford en la obra “Atlas de la Inteligencia Artificial”, la inteligencia artificial no es ni inteligente ni artificial en el sentido convencional. No es simplemente un software inteligente, sino una tecnología con profundas implicaciones ambientales, económicas y políticas que automatiza clasificaciones preexistentes, pero aún es incapaz de alcanzar la comprensión profunda o el razonamiento general humano. Hay que tener presente que esta cantidad de datos es proporcionada por humanos, esto significa que la IA es entrenada con personas que proporcionan conversaciones y ayudan a mejorar el flujo de la conversación. Por ello, el sesgo es un tema vinculado directamente con esta tecnología.

Podemos entonces aproximarnos a una definición de la inteligencia artificial, como una entidad que combina aspectos físicos y materiales, compuesta de recursos naturales, combustibles, mano de obra, infraestructuras y clasificaciones.

El funcionamiento de una inteligencia artificial generativa es estadístico pero no semántico. Si bien se ha logrado un gran avance en procesamiento de lenguaje natural, al menos hasta hoy, las máquinas tienden a ser menos efectivas ante la demanda de una comprensión profunda.

La principal diferencia con el desarrollo digital y el funcionamiento algorítmico no está dada por el nivel de información que puede manejar una consciencia o una inteligencia, sino por el principio orgánico de autoafectación de la singularidad. La máquina es afectada directamente en un sentido de acumulación y funcionamiento, pero no puede autoafectarse, es decir, no es lo mismo tener información que hacer la experiencia. En síntesis, la principal diferencia está en que la IA no tiene relación con la experiencia.

Si el cerebro no piensa, sería muy extraño que la máquina de IA pudiera pensar. Pero sin cerebro no hay pensamiento. Sin embargo, el cerebro solo no piensa, lo hace a través de una interfaz que es parte de un conjunto orgánico.

Esta discrepancia entre la naturaleza puramente probabilística de la IA y las expectativas humanas desemboca en el principal conflicto que atraviesa a la universidad contemporánea: la disyunción entre lo verosímil (o plausible) y lo verdadero.

En un detallado análisis, Faraón Llorens-Largo y Rafael Molina-Carmona advierten sobre el fenómeno de la "plausibilidad sin veracidad". La #IAGenerativa está diseñada para generar respuestas convincentes y fluidas, pero totalmente indiferentes a su anclaje en el mundo real. Puede generar tanto correctas formulaciones científicas como "alucinaciones" elaboradas a partir de citas bibliográficas inexistentes o inferencias lógicamente pero no verdaderas.

La creatividad algorítmica es lo positivo del ChatGPT, otra idea que nos proponen los autores. En este sentido, la exposición cotidiana a la tecnología puede hacer que nos apartemos de nuestros objetivos. Resistir la fascinación tecnológica es "el desafío" de estos tiempos. El “estar siendo”, es la cultura de la existencia. 

La encrucijada no exige que la Universidad compita contra la velocidad o el volumen de producción de las máquinas, sino focalizarse en profundizar donde el algoritmo solo sintetiza, y propiciar la primacía de la duda. La finalidad es garantizar que el avance tecnológico permanezca al servicio del hombre, el pensamiento crítico y el bien común.

Como señalan Llorens-Largo y Molina-Carmona, en la era de la IA generativa "la verdad no desaparece, pero se vuelve mucho más costosa de verificar". La sobreabundancia de textos plausibles traslada la carga de trabajo desde la producción hacia la validación. 

En este contexto, cabe la pregunta: ¿Qué aspectos epistémicos, pedagógicos y ético-políticos deben orientar a la educación superior en esta era de automatización?

La Universidad tiene la misión de ser "el filtro" de los aspectos mencionados, capaz de discernir entre la acumulación de datos y la construcción genuina de conocimiento.

Fuente: Dellepiane, P. A. (2026). Reseña de «La inteligencia artificial no piensa (El cerebro tampoco)» de M. Benasayag y A. Pennisi. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología (TEyET), (43), e15. https://teyet-revista.info.unlp.edu.ar/TEyET/article/view/4554/2052

Tomado de Aplicaciones educativas en entornos digitales

Agonizan los prompts, nacen las skills

 Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz

Del pedido aislado al procedimiento pedagógico reutilizable

Durante los últimos años aprendimos a hablar con la inteligencia artificial mediante prompts. Descubrimos que una instrucción vaga generaba respuestas igualmente vagas. Entonces comenzamos a precisar el contexto, asignar roles, describir tareas, señalar formatos y establecer criterios. El prompt se convirtió en la puerta de entrada a la inteligencia artificial generativa y, durante un tiempo, pareció ser también su forma definitiva de uso.

Alrededor de esta práctica surgió una verdadera cultura del prompt. Aparecieron cursos, fórmulas, repositorios y colecciones con miles de instrucciones listas para copiar. Se habló de ingeniería de prompts y se extendió la idea de que el usuario más competente era quien sabía escribir el pedido perfecto. En la educación ocurrió algo semejante, docentes y estudiantes aprendimos a solicitar planes de clases, rúbricas, cuestionarios, resúmenes, presentaciones, imágenes y proyectos, usando prompts largos y sofisticados.

El avance fue real, pero también mostró sus límites. Cada nueva tarea obligaba a reconstruir el contexto. El usuario debía recordar qué preguntar, en qué orden hacerlo, qué información entregar y cómo revisar la respuesta. Un prompt podía funcionar bien un día y perder parte de su eficacia al cambiar el tema, el grupo de tareas o la herramienta. También podía quedar abandonado en un archivo, en una conversación antigua o en una lista que nadie volvía a consultar.

Ese es el punto donde comienza el cambio que hoy observamos. No estamos pasando de los prompts a un mundo sin prompts. Estamos pasando del prompt aislado a las skills. El prompt no desaparece, deja de actuar solo. Se integra dentro de una estructura que conserva instrucciones, recursos, criterios, secuencias y formas de comprobación. Sugiero leer este post de Ramón Besonías que explica lo que ha comentado Google y OpenAi sobre sus futuros cambios favoreciendo las skills

Del prompt aislado a la skill

Un prompt aislado solicita una actuación; una skill conserva una forma de actuar. Esta diferencia parece breve, pero transforma la relación con la inteligencia artificial. El prompt suele responder a una necesidad puntual. La skill se prepara para resolver una familia de tareas semejantes sin reconstruir todo el procedimiento cada vez.

La documentación de OpenAI presenta las skills como una vía para guardar flujos de trabajo que Codex puede mantener disponibles y aplicar de nuevo. Una skill puede reunir instrucciones estables, archivos de referencia, plantillas, recursos y programas auxiliares. También puede indicar cuándo debe activarse, qué información debe solicitar y cuáles son los límites de su actuación.

El cambio puede entenderse mediante una comparación cotidiana. Un prompt se parece a una indicación que damos a una persona para resolver una tarea. Una skill se parece a un procedimiento de trabajo que esa persona puede consultar, aplicar y revisar. La primera instrucción puede ser acertada, pero depende del momento y de quien la formule. El procedimiento conserva la experiencia acumulada y reduce la necesidad de comenzar desde cero.

Por esta razón, la agonía anunciada en el título no corresponde literalmente a la muerte del prompt. Lo que agoniza es su aislamiento; pierde fuerza la práctica de buscar una instrucción milagrosa, copiarla, cambiar dos palabras y esperar un resultado confiable. Nace una lógica diferente: organizar el conocimiento necesario para que la inteligencia artificial desarrolle un proceso con cierta consistencia.

Esta transición modifica la pregunta inicial, antes nos preguntábamos qué prompt debíamos escribir. Ahora debemos preguntarnos qué procedimiento deseamos conservar, qué decisiones contiene, qué información necesita, qué errores debe evitar y cómo comprobaremos la calidad del resultado. El centro se desplaza desde la redacción de una orden hacia el diseño de una actuación completa.

La diferencia también aparece en la continuidad. Si pedimos mediante un prompt que se elabore una rúbrica, la inteligencia artificial puede producir una tabla aparentemente correcta. Sin embargo, no siempre preguntará por el tipo de aprendizaje, las condiciones de ejecución, las evidencias, la experiencia del estudiante o la relación entre proceso y producto. Una skill orientada a la evaluación puede conservar esas preguntas y formularlas al profesor en el momento adecuado. Puede detenerse cuando falta información y devolver la decisión al docente cuando el asunto no debe resolverse de manera automática.

En este sentido, la skill no es un prompt más largo. Tampoco es una colección de prompts colocados uno detrás de otro. Su rasgo distintivo consiste en articular entradas, operaciones, decisiones y resultados. Si está bien construida, sabe qué debe recibir, qué pasos debe ejecutar, qué debe producir y qué señales permiten revisar su trabajo.

Los estudios técnicos empiezan a mostrar el alcance de esta diferencia. SkillsBench evaluó 7.308 trayectorias de agentes en tareas de once campos. Las skills revisadas por especialistas elevaron 16,2 puntos porcentuales la tasa media de éxito. No todas funcionaron bien. En dieciséis tareas produjeron resultados inferiores y las skills creadas por los propios modelos no ofrecieron beneficios medios. Estos datos no demuestran que el aprendizaje fue reducido; muestran que la calidad del procedimiento influye en la actuación del agente. (Li et al., 2026)

La advertencia es clara: una skill no adquiere valor por el simple hecho de existir. Puede conservar instrucciones innecesarias, errores, sesgos o criterios desactualizados. Otro estudio examinó 238 skills y encontró problemas de autoría o estructura en más del 99 por ciento de los archivos analizados, lo que demuestra que un procedimiento reutilizable también puede reutilizar sus defectos. (Hong et al., 2026a)

Cuando el conocimiento docente se vuelve reutilizable

En la educación, el paso del prompt aislado a la skill abre una posibilidad de mayor alcance. Una parte del conocimiento docente puede convertirse en un procedimiento reutilizable. No se trata de guardar todas las decisiones del profesor dentro de una máquina. Se trata de conservar aquellas preguntas, criterios y secuencias que permiten orientar una actividad con coherencia.

Pensemos en el diseño de una evaluación para una actividad específica. Un prompt podría pedir: crea una evaluación para mi asignatura. La respuesta podría resultar atractiva, pero la inteligencia artificial tendría que completar por su cuenta muchos vacíos. Una skill educativa, en cambio, puede preguntar por el nivel, la asignatura, la cantidad de estudiantes, la modalidad, el lugar, el horario, los objetivos, el tiempo disponible y la experiencia previa. Puede relacionar la situación con las evidencias del proceso, el producto esperado, el uso transparente de la inteligencia artificial y los criterios de valoración. En otro artículo del blog compartiremos una skill para este tipo de tarea, la que fue probada con éxito en ChatGPT y Claude.

La diferencia no reside solamente en la cantidad de datos recogidos. La skill conserva una lógica diáctica. Sabe que una evaluación no comienza por la rúbrica, sino por la situación que el estudiante deberá afrontar, por el objetivo a evaluar. Comprende que el producto no basta para explicar el aprendizaje, necesita rastros del proceso, decisiones justificadas, versiones, revisión de fuentes y momentos de retroalimentación.

Esta idea conecta con la necesidad de hacer visible el aprendizaje cuando los estudiantes utilizan inteligencia artificial. El prompt aislado suele dirigir la atención hacia la respuesta final. La skill puede organizar el recorrido. Puede pedir al estudiante que explique qué solicitó, qué recibió, qué aceptó, qué rechazó y por qué transformó una propuesta. También puede exigir la revisión de las fuentes antes de emplear la información. De esta manera, el trabajo con IA deja de medirse solo por la apariencia del producto.

Las skills pueden contribuir a enfrentar la aitoxicación. Un prompt aislado facilita la producción inmediata de información, pero no siempre obliga a examinar su procedencia o pertinencia. Una skill de investigación puede incorporar pausas para localizar fuentes, contrastarlas, registrar decisiones y revisar afirmaciones. No garantiza el pensamiento crítico, pero puede crear condiciones para que este ocurra.

Desde el enfoque histórico cultural, la skill puede interpretarse como un instrumento mediador. Organiza la relación entre el sujeto, la tarea y el conocimiento. Su valor no se encuentra dentro del archivo, sino en la actividad que ayuda a realizar. Una skill que resuelve todo puede reducir la participación intelectual del estudiante. Una skill que pregunta, ofrece ayuda graduada y solicita explicaciones puede favorecer la apropiación del procedimiento.

Las investigaciones educativas directas sobre archivos SKILL.md todavía son escasas. Por esa razón, conviene observar tecnologías cercanas sin confundirlas con las skills. Un estudio con estudiantes de posgrado utilizó un GPT personalizado durante ocho semanas. Los participantes mostraron avances en metacognición y disposición para dirigir su aprendizaje, aunque la muestra fue pequeña. Lowry y sus colaboradores atribuyeron los resultados a las actividades estructuradas y adaptativas, no al uso genérico del modelo.(Lo et al., 2026)

Otra investigación, realizada por Kim M. (Kim, 2026), trabajó con estudiantes universitarios de coreano. El GPT personalizado ofrecía mediación graduada dentro de la zona de desarrollo próximo. Ajustaba el apoyo según las respuestas y utilizaba la evaluación dinámica para sostener la interacción. El estudio identificó avances en la producción lingüística y mostró que una configuración pedagógica puede cambiar la manera en que el estudiante se relaciona con el sistema. Este trabajo resulta cercano a la lógica que debería orientar una skill educativa.

También comienza a estudiarse la participación de los estudiantes en la creación de GPT personalizados. En una experiencia desarrollada en la Universidad de Monash, cinco estudiantes y cinco académicos crearon siete asistentes para distintas asignaturas. Los estudiantes informaron mayor agencia, sentido de autoría y capacidad para resolver problemas. La muestra impide generalizar, pero el estudio introduce una idea valiosa: el estudiante puede dejar de ser consumidor de una herramienta y convertirse en diseñador de la mediación. La experiencia de cocreación amplía el sentido educativo de estas tecnologías. (Hong et al., 2026b)

Este cambio también afecta al profesor. Durante la etapa del prompt aislado, el docente podía limitarse a buscar instrucciones creadas por otros. Con las skills debe explicitar su conocimiento, ordenar sus decisiones y someter su procedimiento a prueba. Crear una skill educativa obliga a responder preguntas incómodas: qué problema resuelve, qué evidencia produce, qué decisiones conserva el usuario, cuándo debe detenerse y qué riesgos introduce.

No toda tarea docente debe convertirse en una skill. Existen decisiones que dependen de la sensibilidad, la relación humana, el conocimiento del grupo y la interpretación del contexto. Tampoco conviene transformar una teoría pedagógica en una receta rígida. La reutilización resulta valiosa cuando conserva una orientación abierta a la revisión, no cuando congela la enseñanza.

Surge entonces una responsabilidad nueva. Las skills educativas deben revisarse como revisamos un programa de asignatura, una rúbrica o una estrategia didáctica. Necesitan pruebas con casos reales, límites claros, actualización de sus fuentes y vigilancia sobre los datos que utilizan. También requieren comprobar si ayudan a aprender, si ahorran tiempo, si motivan a estudiantes y profesores o solo aceleran la producción de documentos.

La educación no necesita skills que hagan más invisible el aprendizaje. Necesita estructuras que revelen el recorrido, conserven la decisión humana y permitan transferir lo aprendido a otras situaciones. Una buena skill no debe convertir al estudiante en operador de una secuencia automática. Debe ayudarlo a comprender la tarea, tomar decisiones y comprobar sus resultados.

Durante años nos concentramos en escribir pedidos más precisos. Ahora comenzamos a diseñar procedimientos más sólidos. El prompt fue una conversación puntual con la inteligencia artificial. La skill aspira a conservar una experiencia de trabajo. El primero solicita un resultado. La segunda organiza una ruta.

Agonizan los prompts aislados porque ya no basta con preguntar bien una sola vez. Nacen las skills porque necesitamos procesos que puedan repetirse, revisarse y compartirse. El prompt abrió la puerta. La skill organiza el recorrido. En la educación, ese recorrido solo tendrá sentido si mantiene al docente y al estudiante como autores de las decisiones que hacen posible el aprendizaje.

En el siguiente artículo explicaremos una skill para crear presentaciones de PowerPoint o Gamma, pero desde el concepto de la ruta crítica en el trabajo con los medios.

Referencias

Hong, D. B., Imani, A., & Ahmed, I. (2026). From anatomy to smells: An empirical study of SKILL.md in agent skills [Prepublicación]. arXiv. https://doi.org/10.48550/arXiv.2607.01456

Kim, M. (2026). Custom GPT as mediator: Dynamic assessment with beginner KFL learners. Language Learning & Technology, 30(1), 1–27. https://doi.org/10.64152/10125/73669

Li, X., Chen, W., Liu, Y., Zheng, S., Chen, X., He, Y., Li, Y., You, B., Shen, H., Sun, J., Wang, S., Zeng, Q., Wang, D., Zhao, X., Wang, Y., Ben Chaim, R., Di, Z., Gao, Y., He, J., … Lee, H. (2026). SkillsBench: Benchmarking how well agent skills work across diverse tasks [Prepublicación, versión 1]. arXiv. https://arxiv.org/abs/2602.12670v1

Lo, S., Lea, T., Mavromoustakos, A., Joseph, B., Yii, M., Exintaris, B., Karunaratne, N., Pearson, D. L., Ritchie, T., Yuriev, E., & Pyun, J. (2026). Co creating custom GPTs: An autoethnographic study of undergraduate students as partners in generative AI innovation. Frontiers in Education, 11, Article 1818781. https://doi.org/10.3389/feduc.2026.1818781

Lowry, B., McGrath, S., Eitel, C., Hall, H., & Clapp, T. R. (2026). Leveraging generative AI to foster metacognition and self directed learning. Journal of Microbiology and Biology Education, 27(1), Article e00153-25. https://doi.org/10.1128/jmbe.00153-25

Tomado de 366-días

Cómo preguntar a la IA sobre tus documentos: un Gemini Notebook en tu propio ordenador

 Por Juan José De Haro

Cualquier persona que trabaje con documentación acumula un fondo de textos que consulta una y otra vez: normativa, actas, memorias, apuntes, artículos. Preguntarle a una inteligencia artificial sobre ese material choca siempre con el mismo muro: hay que subirlo a algún sitio, o pegarlo en la conversación, o confiar en que el modelo lo recuerde de su entrenamiento, cosa que no ocurre.

Este artículo explica qué es un RAG (Retrieval Augmented Generation, en español «generación aumentada por recuperación»), qué es el protocolo MCP (Model Context Protocol, en español «protocolo de contexto del modelo») que hace posible esa conexión, cómo funciona el conjunto y cómo montarlo sin escribir una línea de código.

Si solo quieres las instrucciones, ve directamente a la guía rápida del final: reúne las tres que hacen falta, listas para copiar y pegar. El resto del artículo explica qué hace cada una y por qué, que es lo que permite juzgar si el resultado es bueno.

El código está publicado: el sistema completo que se describe aquí, con un fondo documental de ejemplo ya indexado, está en github.com/jjdeharo/cuadernos-rag, con licencia libre. Quien prefiera verlo antes de leer nada más, puede empezar por ahí.

Pódcast del artículo realizado por Gemini Notebook

Qué es un RAG

Un buscador colocado delante de una inteligencia artificial.

Un modelo de lenguaje, que es el programa que hay detrás de ChatGPT, Claude o Gemini, no puede leer mil páginas cada vez que recibe una pregunta porque no caben en una consulta y, aunque lo hiciese, resultaría lento y costoso. Lo que hace un RAG es localizar primero los pocos fragmentos que hacen falta para responder a esa pregunta concreta, y entregar solo eso. El modelo no aprende los documentos ni los memoriza: los consulta, como haría cualquiera con un libro delante, e indica de dónde ha salido cada afirmación.

La consecuencia práctica es doble. Por un lado, deja de haber límite de volumen: da igual que el fondo documental sean quinientas páginas o veinte mil, porque en cada consulta solo viajan unos pocos fragmentos. Por otro, y más importante, cada respuesta puede citar su fuente. En materia normativa o técnica, una respuesta sin fuente no tiene ningún valor.

Qué es el MCP

El servidor declara sus herramientas una vez y cualquier asistente compatible puede usarlas.

Un RAG, por sí solo, es una herramienta de línea de comandos: se le hace una pregunta y devuelve fragmentos. Útil, pero incómodo.

MCP son las siglas de Model Context Protocol, un estándar abierto propuesto por Anthropic a finales de 2024 y adoptado después por los demás asistentes. Resuelve un problema muy concreto: cómo permitir que una IA use herramientas externas sin que haya que programar una integración distinta para cada combinación de herramienta y asistente. Con MCP, quien construye la herramienta la describe una sola vez, y cualquier asistente compatible sabe cómo usarla.

Aplicado a un RAG, el cambio es importante, ya que en lugar de ejecutar búsquedas a mano y pegar los resultados en una conversación, el asistente busca por su cuenta, tantas veces como necesite. Ante una pregunta que cruza tres documentos distintos, hace tres búsquedas con vocabulario distinto, compara lo que encuentra y responde citando cada fuente. El fondo documental deja de ser un archivo aparte y pasa a estar dentro de la conversación.

Un servidor MCP no es más que un programa que declara qué sabe hacer. En el caso de un RAG documental, cuatro operaciones bastan: buscar pasajes, listar los documentos disponibles, ampliar el contexto de un pasaje concreto y recorrer un documento entero. El asistente decide cuándo usar cada una.

Conviene añadir una instrucción que gobierne su uso, porque sin ella el asistente tenderá a responder de memoria. Basta con una regla explícita: no afirmar nada que no proceda de una búsqueda, buscar varias veces reformulando con el vocabulario propio de cada fuente, citar siempre el identificador del pasaje, y decir con claridad cuándo el fondo documental no cubre la pregunta.

Cómo funciona por dentro

Arriba, la preparación: se hace una vez. Abajo, lo que ocurre en cada pregunta: dura un segundo.

Son cuatro piezas, y solo la última tiene que ver con la inteligencia artificial tal y como la entiende la mayoría.

Convertir a texto. PDF, páginas web, documentos de Word, audio transcrito: todo tiene que acabar siendo texto plano. Un PDF no guarda un texto, guarda dónde va cada letra en la página; al leerlo hay que reconstruir el orden, y en tablas o en textos a dos columnas se falla a menudo. Es la pieza menos vistosa y la que estropea el resultado con más frecuencia.

Trocear. Consiste en partir cada documento en fragmentos manejables y, aunque parezca un detalle de poca importancia, es lo que más determina la calidad final. Un troceado rudimentario corta cada mil palabras sin atender a dónde cae el corte, mientras que uno cuidadoso respeta la estructura del texto: en una norma, por ejemplo, un fragmento por artículo. La diferencia se aprecia en cuanto se formula una consulta concreta, porque en el primer caso llega un trozo que empieza a mitad de un artículo y se interrumpe antes de acabar el siguiente, mientras que en el segundo llega el artículo completo, con su título.

Convertir cada fragmento en números. De esto no se encarga un asistente de los que conversan, sino un programa mucho más pequeño, entrenado para una sola tarea: no redacta ni responde nada, solo lee un texto y devuelve números. A cada fragmento le asigna una lista de más de mil números que funciona como unas coordenadas: igual que una latitud y una longitud sitúan un lugar en un mapa, esos números sitúan el fragmento en un espacio donde la posición depende del significado. Los textos que hablan de lo mismo quedan cerca unos de otros, aunque estén escritos con palabras distintas; los que hablan de cosas diferentes quedan lejos.

A partir de ahí, buscar deja de ser comparar palabras y pasa a ser medir distancias. La pregunta se convierte también en un punto de ese mapa, y el sistema devuelve los fragmentos que han quedado más cerca. Por eso una consulta como «¿cuánta gente hace falta para que la reunión sea válida?» encuentra un párrafo que habla del «quorum de constitución», sin que compartan una sola palabra.

Buscar y citar. La búsqueda por significado es muy eficaz y tiene un punto ciego: los nombres propios y las referencias exactas. Ante una consulta por un artículo numerado o por unas siglas, falla, porque esas expresiones no significan nada, solo nombran. Por eso se hacen dos búsquedas a la vez (la de significado y la literal, por palabras) y se combinan los resultados. Después, un segundo modelo igual de mudo, llamado reranker, relee los mejores candidatos junto a la pregunta y los reordena. De ahí salen los fragmentos que se entregan al asistente, cada uno con su procedencia.

Todo esto ocurre en el propio ordenador, y conviene distinguir las tres piezas que intervienen, porque en la jerga a las tres se las llama «modelos» y no son lo mismo:

• El conversor a números, o modelo de embeddings, que traduce cada fragmento a su lista de coordenadas. Ocupa unos dos gigabytes.
• El reordenador, o reranker, que afina la lista de candidatos que ha devuelto la búsqueda. Ocupa algo más de uno.
• El asistente, Claude, ChatGPT, Gemini, que es el que redacta la respuesta final.

Los dos primeros viven en el disco, se descargan una vez y funcionan sin conexión y sin coste. Mientras se consulta, además, se cargan en memoria: conviene tener unos cuatro gigabytes de RAM libres, aparte de los tres y medio que ocupan en el disco. Es un gasto que solo dura lo que dura la consulta, porque un sistema bien montado los suelta cuando pasan unos minutos sin preguntas. No conversan ni generan texto: entra un texto y sale un resultado numérico. Solo el tercero es lo que la mayoría llama «una IA», y no ve el fondo documental entero, sino los pocos fragmentos que la búsqueda le pone delante. Ningún documento sale del equipo.

Cómo montarlo sin saber programar

Hacen falta dos cosas: los documentos y un asistente que trabaje dentro del ordenador, con permiso para escribir programas y ejecutarlos. Hoy hay tres opciones equivalentes, y todas están disponibles tanto en el terminal como en una aplicación de escritorio, para quien prefiera no escribir órdenes:

• Claude, de Anthropic: la orden claude en el terminal, o la aplicación de escritorio, que reúne tres modos: conversación, Claude Code y Cowork.
• Codex, de OpenAI: la orden codex en el terminal, o su aplicación de escritorio, disponible para macOS, Windows y Linux.
• Antigravity, de Google: un entorno de escritorio propio y la orden agy en el terminal, que desde junio de 2026 sustituye al anterior Gemini CLI.

Cualquiera de ellas sirve, y se instalan en un minuto. Lo único que importa es que el asistente pueda leer y escribir ficheros en las carpetas del equipo y ejecutar órdenes en él.

Esas tres son las que montan el sistema, y para eso conviene un modelo potente. Pero una vez montado, quien lo consulta a diario puede ser otro, y ahí entra una cuarta posibilidad: un modelo instalado en el propio ordenador. LM Studio es el camino sencillo, una aplicación de escritorio para Windows, macOS y Linux con una tienda de modelos integrada, que además reconoce el servidor del RAG igual que lo haría cualquier asistente comercial. llama.cpp es la alternativa para quien no quiera aplicación gráfica, con algo más de soltura técnica a cambio.

Merece la pena por una razón concreta. Con un asistente comercial, los documentos no salen del equipo, pero los pocos fragmentos que la búsqueda selecciona viajan con cada pregunta. Para normativa pública da igual; para un expediente o unas actas con nombres propios, no. Con un modelo local no sale nada: ni los documentos, ni los fragmentos, ni las preguntas. El precio es real, eso sí: sin una tarjeta gráfica potente, la respuesta tarda decenas de segundos, y los modelos que caben en un ordenador corriente citan con menos rigor. Para material sensible compensa; para material público, el asistente de siempre responde mejor y antes.

Conviene comprobar un detalle en las modalidades que trabajan dentro de una máquina virtual aislada, como el modo Cowork: si esa máquina es remota, los documentos salen del ordenador, que es justo lo que se pretendía evitar. Las versiones que operan directamente sobre las carpetas locales no plantean ese problema.

A partir de ahí basta con encargar el trabajo. La instrucción que sigue está escrita para el asistente, no para quien la copia: no hace falta entender cada línea, porque cada una le pide una decisión técnica concreta y le impide tomar el atajo de cobrar por el servicio o de subir el material a algún sitio.

Quiero poder preguntarte sobre mis documentos sin que
salgan de mi ordenador. Móntame un RAG local.

Pregúntame dónde están los documentos y decide tú
dónde conviene instalar todo lo demás.

- Todo en local y gratis: embeddings con fastembed
  (multilingual-e5-large) y un reranker multilingüe.
- Índice en SQLite con sqlite-vec y FTS5, búsqueda
  híbrida (significado + palabras exactas) fusionada
  con RRF.
- Trocea respetando la estructura del documento
  (artículos, apartados) y limpia las palabras que
  los PDF parten al maquetar.
- Cada respuesta debe citar documento y artículo.
- Móntalo como servidor MCP, para poder consultarlo
  en lenguaje natural.
- Los dos modelos ocupan más de tres gigabytes en
  memoria y habrá un proceso del servidor por cada
  programa conectado: cárgalos solo en la primera
  búsqueda y suéltalos tras unos minutos sin usarse.
- Que el indexado sea incremental: añadir un
  documento no puede obligar a rehacerlo todo.

Antes de ponerte, mira qué documentos hay y explícame
en lenguaje llano cómo piensas partirlos y por qué.
Si algo de lo que te pido no encaja con este material,
dímelo y propón otra cosa.

Esa última petición es la más importante de todas, y conviene no saltársela: obliga al asistente a enseñar cómo piensa partir los documentos antes de ponerse a trabajar, que es donde se decide casi todo. Basta con leer su propuesta y comprobar que respeta la estructura del material (los artículos de una norma, los puntos del orden del día de un acta, los capítulos de un informe) en lugar de cortar cada tantas palabras.

Las tres condiciones finales también merecen explicación. La de las citas separa una herramienta de consulta de un generador de respuestas plausibles. La de la memoria evita el descuido más caro de todos: un servidor que carga los dos modelos nada más arrancar y se queda con tres gigabytes ocupados aunque nadie pregunte nada, multiplicado por cada programa que lo tenga conectado. Y la del indexado incremental evita un error frecuente: una primera versión que rehace el trabajo entero cada vez que se añade o corrige un documento, con tres cuartos de hora de cálculo en cada ocasión.

La alternativa a construirlo desde cero es partir de algo que ya funciona. El código de un sistema así, con todo lo descrito, está publicado en github.com/jjdeharo/cuadernos-rag bajo licencia libre. Incluye, a modo de ejemplo, un fondo documental de quince normas y guías sobre uso ético y legal de la IA en educación (el RGPD, la LOPDGDD, el reglamento europeo de inteligencia artificial, guías de la Agencia Española de Protección de Datos, marcos de la UNESCO), ya indexado y listo para consultar. Ese ejemplo concreto importa poco: lo aprovechable es la estructura, que sirve igual para actas municipales, bibliografía académica o documentación técnica de una empresa.

Añadir nuevos cuadernos

El motor y los modelos se instalan una sola vez; cada tema añade solo sus documentos y su índice.

Esta es la parte que suele quedar sin explicar, y es la que convierte un experimento en una herramienta de uso diario.

Quien viene de Gemini Notebook está acostumbrado a tener un cuaderno por tema: uno de normativa, otro de actas, otro con la bibliografía de un curso. Aquí funciona igual, y con una ventaja: lo que ocupa espacio, que son los programas y los dos modelos, más de tres gigabytes, se instala una sola vez y lo comparten todos los cuadernos. Cada tema nuevo añade únicamente sus documentos y su índice, unos pocos megabytes. No hay límite de cuadernos ni cuota que agotar.

Crear uno nuevo no exige tocar nada por dentro: basta con pedírselo al asistente en la misma conversación de siempre, indicando dónde están los documentos y qué nombre quieres darle. Él prepara la carpeta, convierte los PDF a texto, repara las palabras que la maquetación parte con guiones, descarta lo que no sea texto aprovechable y construye el índice. Un cuaderno de unos cuantos PDF está listo en unos minutos.

La instrucción, otra vez escrita para el asistente y no para quien la copia:

Ya tengo montado el RAG. Quiero un cuaderno nuevo,
aparte del que ya existe.

Los documentos están en <carpeta>. Llámalo <nombre>.

- Aprovecha lo que ya está instalado: los programas,
  el entorno y los dos modelos. No descargues ni
  instales nada otra vez.
- El cuaderno nuevo va aparte: sus documentos y su
  índice, sin tocar los del anterior.
- Trocea y limpia igual que en el primero.
- Déjalo accesible desde el mismo servidor MCP, para
  poder preguntar por su nombre.

Antes de empezar, dime qué documentos has encontrado
y cómo piensas partirlos.

Lo importante es la primera condición. Sin ella, el asistente puede ponerse a instalarlo todo de nuevo, con otra copia de los modelos, y el ordenador acaba con tres gigabytes repetidos por cada cuaderno.

Añadir documentos a un cuaderno que ya existe es todavía más simple: se dejan los ficheros nuevos y se pide que lo actualice. Aquí importa una de las condiciones que se le exigieron al montarlo, la del indexado incremental: el sistema guarda una huella de cada documento y solo procesa los que han cambiado, así que incorporar un PDF cuesta el tiempo de ese PDF, alrededor de un minuto por cada cien mil caracteres, y no el del fondo entero. Sin esa condición, añadir una circular de dos folios obligaría a rehacerlo todo.

Al preguntar, con un solo cuaderno no hace falta decir cuál; con varios, se nombra el que interesa. El asistente los ve todos y, si la pregunta lo pide, puede buscar en el que corresponda.

Cuándo montar un RAG

Con poco material no hace falta montar nada.

Los modelos actuales procesan cientos de miles de palabras de una sola vez. Por debajo de unas trescientas páginas, basta con dejar los documentos en una carpeta y pedirle al asistente que los lea directamente. Buscando por su cuenta, acierta más que cualquier RAG, porque puede leer, releer y afinar la búsqueda tantas veces como haga falta. Entre trescientas y mil quinientas páginas hay una zona intermedia: el material cabe, pero se relee entero en cada pregunta, y eso resulta lento y caro en una consulta diaria, por lo que se aconseja montar el RAG. Por encima de mil quinientas páginas ya no cabe, y el RAG deja de ser opcional.

El criterio es el volumen de texto, no el número de archivos. Cincuenta circulares de dos folios no llegan a cien páginas; tres memorias anuales pueden superar las mil.

Guía rápida

Las tres instrucciones, sin explicaciones. Se pegan tal cual en Claude, Codex o Antigravity, sustituyendo lo que va entre ángulos.

1. Montar el primer cuaderno. Una sola vez.

Quiero poder preguntarte sobre mis documentos sin que
salgan de mi ordenador. Móntame un RAG local.

Pregúntame dónde están los documentos y decide tú
dónde conviene instalar todo lo demás.

- Todo en local y gratis: embeddings con fastembed
  (multilingual-e5-large) y un reranker multilingüe.
- Índice en SQLite con sqlite-vec y FTS5, búsqueda
  híbrida (significado + palabras exactas) fusionada
  con RRF.
- Trocea respetando la estructura del documento
  (artículos, apartados) y limpia las palabras que
  los PDF parten al maquetar.
- Cada respuesta debe citar documento y artículo.
- Móntalo como servidor MCP, para poder consultarlo
  en lenguaje natural.
- Los dos modelos ocupan más de tres gigabytes en
  memoria y habrá un proceso del servidor por cada
  programa conectado: cárgalos solo en la primera
  búsqueda y suéltalos tras unos minutos sin usarse.
- Que el indexado sea incremental: añadir un
  documento no puede obligar a rehacerlo todo.

Antes de ponerte, mira qué documentos hay y explícame
en lenguaje llano cómo piensas partirlos y por qué.
Si algo de lo que te pido no encaja con este material,
dímelo y propón otra cosa.

2. Crear otro cuaderno, reutilizando lo ya instalado.

Ya tengo montado el RAG. Quiero un cuaderno nuevo,
aparte del que ya existe.

Los documentos están en <carpeta>. Llámalo <nombre>.

- Aprovecha lo que ya está instalado: los programas,
  el entorno y los dos modelos. No descargues ni
  instales nada otra vez.
- El cuaderno nuevo va aparte: sus documentos y su
  índice, sin tocar los del anterior.
- Trocea y limpia igual que en el primero.
- Déjalo accesible desde el mismo servidor MCP, para
  poder preguntar por su nombre.

Antes de empezar, dime qué documentos has encontrado
y cómo piensas partirlos.

3. Añadir documentos a un cuaderno que ya existe. Lo más frecuente con el tiempo.

Añade estos documentos al cuaderno <nombre>:
<carpeta o lista de ficheros>

- Trátalos igual que los que ya están: mismo troceado
  y misma limpieza.
- Aprovecha el indexado incremental: procesa solo lo
  nuevo, sin rehacer el índice entero.
- Al terminar, dime qué has añadido y qué documentos
  contiene ahora el cuaderno.

En los tres casos conviene leer lo que responde antes de dejarle continuar. Si su plan no respeta la estructura de los documentos (los artículos de una norma, los puntos del orden del día de un acta), es el momento de decírselo, porque de ese detalle depende la calidad de todas las respuestas posteriores.

Tomado de Bilateria