Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz
Durante los últimos años, buena parte de la discusión universitaria sobre inteligencia artificial se ha concentrado en una pregunta limitada: ¿permitimos o prohibimos que los estudiantes utilicen ChatGPT? El reciente informe del Massachusetts Institute of Technology (MIT) desplaza esa discusión hacia un problema más profundo. La pregunta ya no es qué hacer con la IA, sino qué significa aprender en una universidad donde una máquina puede resolver muchas de las tareas que tradicionalmente hemos utilizado para enseñar y evaluar.
El 13 de agosto de 2026, el MIT publicó el informe de su comité ad hoc sobre el uso de inteligencia artificial en la enseñanza, el aprendizaje y la formación investigativa. El comité trabajó durante cinco meses con profesores, estudiantes y personal de distintas áreas. Su encargo inicial era conocer cómo se utiliza la IA, identificar innovaciones docentes y proponer políticas para regular su empleo. Sin embargo, el trabajo terminó conduciendo a una cuestión mayor: revisar la estructura, el significado y el valor de la educación universitaria ante la presencia generalizada de la inteligencia artificial generativa. El informe se puede descargar desde este enlace.
El problema no es solo usar IA, sino qué deja de hacer el estudiante
El informe parte de una constatación: la inteligencia artificial ya forma parte de la vida académica. Los estudiantes la emplean con frecuencia y los profesores mantienen posiciones que van desde la incorporación entusiasta hasta el rechazo.
El documento reconoce beneficios concretos. La IA facilita tutorías personalizadas, retroalimentación inmediata, análisis de datos, programación y creación de experiencias educativas más complejas. También permite desarrollar proyectos que antes exigían mucho más tiempo o conocimientos técnicos. Pero el MIT dirige la atención hacia otro fenómeno: la IA puede modificar aquello que los estudiantes hacen para aprender.
El comité reporta señales de disminución de la asistencia a consultas docentes, menor participación en discusiones y una reducción percibida de los grupos presenciales de estudio. También recoge preocupaciones relacionadas con la pérdida de confianza, la menor comprensión de los contenidos y el deterioro de las relaciones entre profesores y estudiantes.
Aquí aparece una de las ideas centrales del informe: obtener una respuesta correcta no equivale a aprender. Un estudiante puede resolver un problema, producir un ensayo o generar un programa mediante inteligencia artificial sin haber desarrollado los procesos cognitivos que esas actividades pretendían provocar. La tarea puede estar terminada y el aprendizaje no haber ocurrido.
El informe advierte sobre la rendición cognitiva. El estudiante encuentra una dificultad y recurre de inmediato a la IA. Desaparece parte de la fricción cognitiva que obliga a recordar, relacionar conceptos, formular hipótesis, equivocarse, corregir y construir una respuesta propia.
Esta observación cambia el centro del debate. El problema pedagógico ya no puede reducirse al plagio o a la detección del texto generado por una máquina. La pregunta pasa a ser otra: ¿qué actividad cognitiva realiza realmente el estudiante? Desde esta perspectiva, perseguir textos producidos con IA resulta insuficiente. El propio comité recomienda cautela con los detectores. Advierte sobre falsos positivos, dificultades para identificar usos parciales y el riesgo de convertir la relación educativa en una carrera entre sistemas de detección y herramientas destinadas a evadirlos. La alternativa propuesta es más pedagógica: hacer visible el proceso.
El informe menciona portafolios, evaluaciones orales, conversaciones presenciales sobre trabajos realizados fuera del aula, seguimiento periódico de proyectos y sistemas que permitan conservar versiones sucesivas de una producción. No se trata solamente de evaluar el resultado final, se necesitan evidencias de cómo se construyó ese resultado.
Esto plantea una consecuencia directa para nuestras asignaturas. El documento final comienza a perder su condición de evidencia suficiente del aprendizaje. Ante una IA capaz de producir productos terminados de gran calidad, debemos observar decisiones, argumentos, correcciones, fuentes consultadas y explicaciones del estudiante.
De una política sobre IA a una pedagogía consciente de la IA
Uno de los conceptos más sugerentes del documento es la expresión AI aware, que podemos entender como una educación consciente de la existencia de la IA.
El MIT no propone incorporar inteligencia artificial en todas las actividades. Tampoco recomienda prohibirla en todas. Su planteamiento es más complejo: ningún curso debería diseñarse como si la IA no existiera. Esto obliga a revisar los objetivos de aprendizaje.
Antes de decidir si ChatGPT puede utilizarse en una tarea, el profesor debería preguntarse qué debe aprender el estudiante, qué debe ser capaz de hacer y qué necesita comprender por sí mismo. Solo después tiene sentido decidir qué papel puede tener la inteligencia artificial.
La lógica es cercana al diseño inverso. El punto de partida no es la herramienta, sino el aprendizaje esperado.
El informe insiste también en que no existe una política única que funcione para todas las asignaturas. La relación con la IA será distinta en programación, escritura, arquitectura o matemática. También será diferente para un estudiante de primer año y para un doctorando con conocimiento profundo de su campo.
Por esta razón, el MIT propone que cada asignatura declare con claridad cuándo la inteligencia artificial está permitida, limitada, requerida o prohibida. Pero añade una condición que suele olvidarse: el profesor debe explicar por qué.
No basta escribir en el programa que ChatGPT está prohibido. Si la prohibición protege un aprendizaje que el estudiante necesita desarrollar sin asistencia, debe explicarse. Si la IA es requerida porque forma parte de las prácticas profesionales que el estudiante debe conocer, también debe justificarse.
El informe introduce otra exigencia: la transparencia del profesor. Los estudiantes cuestionan que un docente prohíba utilizar inteligencia artificial y después genere con ella sus diapositivas, tareas, comentarios o evaluaciones sin comunicarlo. El comité recomienda que los profesores informen cuándo emplean IA y expliquen las razones de ese empleo.
Surge así un nuevo contrato educativo. Profesores y estudiantes deben aprender a declarar qué delegan en la inteligencia artificial, qué conservan bajo responsabilidad humana y por qué toman esas decisiones. El principio que sintetiza esta posición es claro: ampliación, no automatización. La IA debería ayudar al estudiante a pensar mejor, no pensar en su lugar.
La pregunta práctica para cualquier actividad educativa podría formularse de esta manera: ¿la IA está apoyando el aprendizaje o está sustituyendo el trabajo cognitivo que queríamos desarrollar?
El informe propone también fortalecer el aprendizaje basado en proyectos, las experiencias prácticas, la colaboración presencial y las actividades donde los estudiantes deban interactuar con otras personas. Discutir una idea, defender una posición, recibir una crítica, explicar un error o resolver un problema junto con otros también forma parte del aprendizaje universitario.
Otro dato ilustra la magnitud del problema. En una encuesta realizada por el MIT en 2025, más de dos tercios de los estudiantes consideraban que la IA tendría relevancia en sus futuras carreras, pero solo el 25% sentía que la institución los estaba preparando adecuadamente para utilizarla.
La respuesta no puede limitarse a enseñar mejores prompts. El informe distingue entre uso efectivo, responsable y ético. Esto comprende formular problemas, verificar resultados, reconocer posibles alucinaciones, saber cuándo no recurrir a la IA, declarar su participación en un trabajo y analizar sesgos, propiedad intelectual y efectos sociales.
La mayor aportación del informe del MIT no es una nueva política sobre ChatGPT.
Es otra pregunta.
Si una máquina puede hacer la tarea que pedimos a nuestros estudiantes, ¿qué queríamos que aprendieran al realizarla?
Responder esa pregunta puede cambiar mucho más la educación superior que cualquier detector de inteligencia artificial.
La teoría del internet muerto (Dead Internet Theory, DIT) se originó hace más de 10 años en respuesta a los cambios en internet y, sobre todo, a la llegada de las redes sociales, aunque en ese entonces tenía un carácter conspiratorio. Actualmente, esta teoría ha cobrado fuerza con la llegada de la inteligencia artificial (IA), ya que se ha impulsado el uso de bots para generar contenido y obtener likes, aunado a que las plataformas ahora priorizan las métricas de participación e ingresos por encima de lo auténtico y privilegian la monetización. Esto afecta a las conexiones reales y auténticas, para las cuales se originaron las redes en primera instancia.
La teoría del internet muerto sugiere que el internet en la actualidad:
Está lleno de contenido generado por inteligencia artificial, lo que relega la actividad humana (Walter, 2025).
Las redes sociales, en especial, están dominadas por la actividad no humana, el contenido generado por IA y las agendas corporativas, lo que impide la interacción humana auténtica (Muzumdar et al., 2025).
Ya no se impulsa por usuarios humanos, sino por agentes de IA, bots y contenido generado por algoritmos (Cheemalapati et al., 2026).
Todo esto refuerza la teoría del internet muerto, ya que se otorga prioridad a lo no humano por encima de lo orgánico y lo real, con el fin último de generar más ingresos. Sin embargo, el uso de bots, no solo ha propiciado un aumento significativo en contenido, me gusta (likes) y participación (engagement) artificial, sino que hay algo más por lo que deberíamos preocuparnos: la naturaleza de los bots.
Bots por todos lados
En la actualidad, la creación debots ha aumentado debido al uso de la IA, ya que estos son más fáciles de desarrollar y escalar. Pero ¿qué es un bot? Se define como una aplicación de software automatizado que ejecuta tareas en internet, ya sean beneficiosas o maliciosas. Los primeros pueden mejorar la funcionalidad y el rendimiento de páginas web, móviles y de API, entre otros servicios, mientras que los maliciosos están diseñados para realizar actividades ilegales y delictivas; son difíciles de detectar porque pueden imitar el comportamiento humano. Algunos de los bots malos son los web scrapers (extracción de datos), los bots de relleno de credenciales (para cometer fraude, espionaje, robo, daño de imagen, robo de cuentas), los bots de spam y los bots DDoS (que se utilizan para interrumpir el tráfico normal mediante un ataque de saturación).
Ahora bien, según el “Bad Bot Report 2025”, el tráfico automatizado en Internet superó por primera vez a la actividad humana. En este sentido, el tráfico automatizado representó el 51% y la actividad humana el 49% en 2024. Estas estadísticas también indican que el tráfico de bots maliciosos aumentó significativamente, ya que el 37 % de ese tráfico automatizado fue malicioso y el 14 % fue bueno.
Asimismo, este mismo reporte indica que México se encuentra entre los países con más ataques de bots en el continente americano, después de Brasil y Canadá. Otro dato interesante es que el sector educativo es el tercero más atacado por bots, después de los sectores de viajes y retail.
Implicaciones de esta teoría
Aunque la IA puede ayudar a realizar muchos procesos que antes eran pesados y abrumadores, lo cierto es que también ha propiciado un aumento significativo del tráfico automatizado, controlado por algoritmos y bots, en beneficio de la máquina y no de las personas. Estas son algunas de las implicaciones que tiene la teoría del internet muerto:
La corporativización del internet se refiere a que el ciberespacio es controlado por empresas; esto provoca que la atención y los datos de los usuarios se utilicen para desarrollar y vender productos, así como para prácticas de vigilancia, espionaje y la venta de datos personales, entre otras.
Los espacios manufacturados por interacciones artificiales no solo promueven cuentas automatizadas, algoritmos y contenido generado por IA, sino que también fomentan la manipulación de las métricas, creando la ilusión de que existe actividad generalizada para seguir generando ingresos por engagement artificial (Veale y Cook, 2018, como se citó en Muzumdar et al., 2025). Entonces, gracias al auge de las interacciones artificiales, se ha fomentado la viralidad y el consumo por encima de las conexiones reales y significativas, por lo que los algoritmos favorecen el contenido artificial, polarizador o sensacionalista.
Asimismo, gracias a las interacciones artificiales potenciadas por bots, se puede manipular opiniones de manera más fácil y eficiente, ya que gran parte del contenido que existe hoy en día es generado por IA (la cual responde también a modelos económicos), lo cual se agrava, según Muzumdar et al., 2025, por la censura y la homogeneización de la web (ya todo se ve igual, misma narrativa, etc.).
Por último, el content farming (granja de contenido) es la práctica de crear páginas web que publican grandes cantidades de contenido, usualmente repetitivo y de baja calidad, con el fin de generar tráfico en internet y atraer visitas. Las granjas de contenido se optimizan para priorizar el contenido que le gusta al algoritmo (es decir, los intereses percibidos del usuario para captar su atención); priorizan la cantidad sobre la calidad. Además, estas prácticas conducen a la homogeneización y suprimen la autenticidad y la originalidad de los contenidos humanos.
Todo esto desemboca no solo en que se pierda la visión inicial que tuvo el internet: ser una estructura descentralizada e impulsada por humanos para intercambiar información sin importar las barreras geográficas o culturales, sino que ahora se ha convertido en un portal de desinformación y en una batalla por la atención y los clics, donde reinan las plataformas y los algoritmos, y se premia el contenido artificial por encima de lo real y auténtico.
¿Cómo se puede mitigar esto?
Una y otra vez, la respuesta yace en lo que menos esperamos: la ética. Se deben crear modelos que respondan a marcos éticos de IA; principios como la transparencia, la rendición de cuentas, la no maleficencia, la equidad y la supervisión humana, entre otros, son vitales para evitar usos indebidos y abordar los desafíos de la IA en la sociedad. Otros autores señalan que también es necesario revisar la mediación algorítmica y la gobernanza de las plataformas; esto se refiere a cómo los algoritmos deciden organizar, filtrar y mostrar la información a los usuarios.
La IA ha cambiado la forma de buscar información, que erróneamente se utiliza como si fuera un motor de búsqueda como Google; la forma de escuchar música, por ejemplo, con los AI ghost artists (artistas falsos generados por IA) presentes en plataformas como Spotify; la forma de interactuar en redes sociales, etcétera. Esto ha relegado la actividad humana al mínimo, ya que para todo se recurre a la IA: escribir (trabajo académico, blogs, correos, SEO en marketing, copies, etc.), generar anuncios (homogeneización), crear interacciones en línea, entre otros.
Es importante que no se pierda la agencia humana, es decir, la capacidad de tomar decisiones y de actuar con intención y propósito. Asimismo, es importante que los sistemas de LLM y la IA se diseñen con directrices seguras (diseño centrado en el humano) y éticas que no solo fomenten intereses económicos, pues ello incumple directamente los principios éticos de no maleficencia y beneficencia, así como los de gobernanza (control de la IA) y de responsabilidad. Como usuarios, no nos queda más que estar atentos e informados sobre los cambios en la regulación de la IA, así como saber qué aplicaciones o software utilizamos y qué datos autorizamos a entregar a estos sistemas.
Aunque hoy más que nunca es difícil discernir entre contenido humano y artificial, también es importante darnos un break de la tecnología y centrarnos en cosas que nos brinden felicidad y propósito. En un mundo hiperconectado, hay que darnos espacios de desconexión y de conexión con lo que de verdad importa.
Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz
Recientemente escribimos sobre la evolución de los prompts, como el prompt aislado solicita una actuación; mientras 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.
En la práctica lo que agoniza es el aislamiento del prompt, 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.
De la conversación con IA al diseño de una skill para evaluar el aprendizaje
Una skill permite organizar las instrucciones como una capacidad reutilizable. Contiene orientaciones sobre qué tarea realizar, qué información solicitar, qué pasos seguir, cómo revisar el resultado y qué límites respetar. Puede incorporar ejemplos, plantillas y otros recursos de apoyo.
En educación, una skill puede orientar el diseño de una evaluación, la preparación de una presentación o la formulación de una microcompetencia, entre otras muchas situaciones. Su valor depende de la calidad del procedimiento pedagógico que contiene, de su adecuación al contexto y de la revisión del profesor.
Para comprenderla, resulta útil distinguir entre pedir un resultado y definir cómo debe construirse. Solicitar «elabora una evaluación sobre este contenido» deja numerosas decisiones abiertas. Una skill puede indicar que, antes de proponer la evaluación, se identifiquen el objetivo, las características de los estudiantes, las condiciones de trabajo y las evidencias que permitirán valorar el aprendizaje.
La diferencia con una conversación tradicional no consiste en que esta última carezca de profundidad. Mediante el diálogo también podemos construir propuestas rigurosas, corregir errores y establecer criterios detallados. De hecho, una conversación bien desarrollada puede ser el punto de partida de una skill.
La diferencia está en cómo se organizan y reutilizan las instrucciones. En una conversación, estas suelen quedar distribuidas entre distintos mensajes. En una skill, se reúnen en un conjunto explícito que puede aplicarse a nuevas situaciones. Esto facilita mantener criterios comunes, revisar el procedimiento y compartirlo, siempre que el entorno utilizado admita ese formato.
La conversación ayuda a construir el procedimiento; la skill permite conservarlo de forma organizada. Ambas formas de trabajo se complementan. Utilizar una skill no elimina el diálogo: puede requerir preguntas, aclaraciones y ajustes durante su aplicación.
Construyendo una skill
Crear una skill comienza por delimitar una tarea. No basta con pedirle a la IA que actúe como especialista. Es necesario precisar qué debe hacer y hasta dónde llega su intervención. Por ejemplo, acompañar el diseño de una evaluación es una tarea distinta de calificar automáticamente los trabajos de los estudiantes.
Después se identifican los datos necesarios para trabajar. En una propuesta educativa pueden ser la asignatura, el objetivo, los destinatarios, el tiempo, los recursos y la modalidad. También se define cómo proceder cuando falta información: qué debe preguntarse y qué aspectos admiten una propuesta provisional.
El siguiente paso consiste en organizar la secuencia de trabajo y establecer los criterios de calidad. La skill necesita indicar qué componentes debe entregar y qué relaciones debe comprobar entre ellos. Una evaluación puede tener una consigna clara y una rúbrica bien redactada, pero seguir siendo inadecuada si ambas valoran aprendizajes diferentes.
Estas instrucciones suelen reunirse en un archivo denominado SKILL.md. Según la tarea y el sistema donde se utilice, pueden acompañarse de plantillas, ejemplos u otros archivos. La parte técnica permite organizar el conjunto; la parte pedagógica determina la calidad de sus orientaciones.
Finalmente, la skill debe probarse con situaciones concretas. Esa revisión permite detectar preguntas innecesarias, criterios ambiguos, exigencias desproporcionadas o resultados incompletos. Crear el archivo no significa que el procedimiento esté terminado.
Este recorrido orientó el desarrollo de Diseñar evaluaciones auténticas, una skill que hemos venido trabajando para acompañar al docente en la construcción de evaluaciones contextualizadas. Su objetivo es relacionar lo que se espera aprender con la actividad, las evidencias, la retroalimentación y los criterios de evaluación.
Un ejemplo para probar la skill
Para examinar su funcionamiento trabajamos una propuesta de Tecnología e Innovación Educativa: cada estudiante elaborará un podcast y una canción vinculados con su emprendimiento personal, real o proyectado. Ambos productos serán individuales y podrán realizarse con IA.
La skill realiza numerosas preguntas al profesor, pero todas siguen un orden lógico, no pasa a la siguiente hasta tanto no esté “satisfecha” con la respuesta del profesor. Esto significa que la respuesta puede ser imprecisa o no estar completa y puede nuevamente preguntar al docente, hasta que considere que la respuesta está acorde a lo que se pide. Esta es la gran diferencia con el prompt y con la conversación a la que estamos acostumbrados.
Mi primera pregunta en la comprobación de la skill se aprecia en la captura del chat
Una vez cargada la skill, se escribe: @ Diseñar evaluaciones auténticas y a partir de aquí se inicia la conversación, que se puede extender por una hora o más, en dependencia de lo que desee obtener. Por supuesto que puede retomar el trabajo cuando lo desee, sin necesidad de estar obligado a realizarlo totalmente en ese tiempo.
En la imagen se muestra la primera pregunta que realiza la skill.
En este caso la skill no se limita solo a responder, como ocurre en el chat tradicional, propone, da soluciones y vuelve a proponer hasta concluir con cada paso.
La imagen muestra la captura de pantalla de otra de las preguntas, durante la etapa de la evaluación de la skill.
Durante la revisión apareció un problema revelador. Uno de los criterios propuestos exigía transformar la respuesta de la IA. Esto podía penalizar a un estudiante que recibiera una primera propuesta adecuada y decidiera conservarla.
Ajustamos el criterio para valorar la revisión y selección del resultado. Mantener una respuesta puede ser una decisión válida si el estudiante explica su correspondencia con lo solicitado. Introducir cambios por obligación no demuestra mayor aprendizaje.
Este ejemplo muestra por qué una skill necesita la intervención del profesor. Las instrucciones pueden organizar el diseño, pero sus propuestas requieren examen. La experiencia docente permite reconocer lo que resulta pertinente para un grupo y corregir lo que excede su preparación.
Lo desarrollado hasta ahora es una propuesta de evaluación, no una demostración de resultados de aprendizaje. Su aplicación permitirá revisar la claridad de las consignas, la utilidad de las evidencias y la adecuación de los criterios.
Crear una skill educativa implica convertir decisiones pedagógicas en un procedimiento que pueda utilizarse, examinarse y ajustarse. En este caso, ese procedimiento se organiza alrededor de una pregunta: ¿qué debe realizar y explicar el estudiante para que el profesor disponga de evidencias suficientes para valorar su aprendizaje?
Instalación de la skill Diseñar evaluaciones auténticas
Paso uno.
Para esta tarea el primer paso es descargar el archivo diseñar evaluaciones autenticas.zip desde este enlace. No lo descomprima, solo lo carga en el chat de ChatGPT, Gemini o Claude, sin importar el tipo de cuenta. En el ZIP se encuentran estos archivos; no es necesario extraerlos, solo suba el ZIP, tal y como lo descargó.
Paso dos.
Cargue el archivo directamente en el chat de su IA preferida. La imagen muestra lo que puede hacer. Se cargó el archivo y a continuación puede escribir: Trabajemos con esta skill
El mensaje que devuelve la IA, es similar a este:
Observe que da diferentes opciones; incluso si ninguna de esas le conviene, puede escribir otra y obtendrá una nueva respuesta. No es un prompt aislado es un conjunto de instrucciones lógicas.
A partir de este momento, se inicia un diálogo, donde es el profesor el que aprueba cada paso. La skill sugiere, propone, pregunta, evalúa, pero nunca decide. Si el profesor no tiene una idea clara de cómo crear su evaluación, la skill lo ayuda. El proceso lleva tiempo, no se puede ejecutar en minutos, pues estaría entregando algo que al probarlo nos daríamos cuenta de que carece de utilidad. Necesita revisión permanente.
En el enlace se puede descargar el resultado de la evaluación que colocamos de ejemplo para verificar la skill. Para volver a la skill, solo escriba @ Diseñar evaluaciones auténticas y se inicia un nuevo diálogo.
En nuestras manos está todo el proceso; de la skill obtenemos el apoyo, pero la decisión final es solo nuestra.
Un 35 % de las páginas analizadas publicadas después de noviembre de 2022 mostraban en julio de 2026 una alta probabilidad de haber sido escritas o editadas con IA, frente al 9,6 % cuando se considera todo el conjunto de páginas analizadas.
El crecimiento de las herramientas de inteligencia artificial generativa está transformando rápidamente la producción de contenidos en Internet. Un análisis realizado por el Pew Research Center sobre casi 490.000 páginas web, recopiladas a través de Common Crawl y analizadas mediante la herramienta de detección Open Pangram, muestra un incremento muy significativo de los textos que presentan características compatibles con haber sido escritos o editados mediante IA desde la aparición de ChatGPT en noviembre de 2022.
Antes de la llegada de ChatGPT, aproximadamente el 1 % de las páginas bajo dominios .com presentaba señales significativas de autoría mediante IA. En la primera mitad de 2026, esta proporción había aumentado hasta más del 9 %. Sin embargo, esta cifra debe interpretarse con cautela, ya que el conjunto analizado incluye páginas publicadas antes de la aparición de las herramientas actuales de IA generativa. Por ello, cuando se consideran exclusivamente contenidos publicados después de noviembre de 2022, la presencia de IA resulta considerablemente mayor.
De hecho, el dato más llamativo corresponde a julio de 2026: el 35 % de las páginas publicadas después del lanzamiento de ChatGPT presentaba una alta probabilidad de haber sido escrita o editada con inteligencia artificial. Cuando se analiza el conjunto de páginas web de la muestra, independientemente de su fecha de publicación, la proporción era del 9,6 %. La diferencia muestra hasta qué punto la utilización de IA se ha acelerado en apenas tres años y medio.
El fenómeno no afecta por igual a todos los tipos de sitios web. Según el análisis presentado por Statista, los dominios .gov y .edu presentan niveles de utilización de IA significativamente inferiores, lo que sugiere que las administraciones públicas y las instituciones educativas continúan dependiendo en mayor medida de la producción humana. Esto resulta especialmente relevante para el ámbito académico, donde la autoría, la trazabilidad y la integridad de los contenidos adquieren una importancia particular.
El estudio también pone de manifiesto un problema metodológico importante: detectar que un texto probablemente ha sido generado o editado por IA no equivale a demostrar que lo ha sido. Herramientas como Open Pangram trabajan mediante indicadores estadísticos y de estilo, por lo que pueden producir falsos positivos. Incluso elementos que se han convertido en supuestas «señales de IA», como el uso frecuente de la raya o em dash, no constituyen por sí mismos una prueba de autoría artificial.
En conjunto, los datos apuntan hacia una transformación profunda del ecosistema informativo de Internet: la web posterior a ChatGPT está incorporando contenidos producidos o modificados mediante IA a una velocidad considerable. El dato del 35 % entre las páginas posteriores a ChatGPT resulta especialmente significativo y plantea nuevas cuestiones sobre la calidad, originalidad, transparencia y fiabilidad de la información digital. La cuestión ya no parece ser si la IA está entrando en Internet, sino hasta qué punto llegará a determinar la producción futura de sus contenidos.
¿Cómo enseñar temas complejos a estudiantes con limitada capacidad de atención y acostumbrados a recurrir a la IA como herramienta de trabajo? En este artículo, propongo un método de enseñanzaque combina aula invertida y gamificación para promover el uso intencionado de información recién adquirida en clase, variar el estímulo y generar un ambiente de aprendizaje dinámico y entretenido. Mi objetivo es compartir una guía práctica sobre cómo implementar el aprendizaje invertido en el aula, teniendo en consideración las dos etapas principales que constituyen este enfoque pedagógico: 1) la fase de preparación previa a la clase por parte del estudiantado, y 2) la aplicación de las actividades durante la clase. Asimismo, comparto los resultados obtenidos en el proceso de la dinámica, la retroalimentación de los y las estudiantes que experimentaron este método, así como mis hallazgos a raíz de la implementación de la actividad y algunas consideraciones para mejorar la ejecución de esta práctica en las siguientes ediciones.
El aprendizaje invertido ha ganado renombre y se utiliza con mayor frecuencia gracias a la publicación de numerosos artículos que enfatizan sus méritos y limitaciones (Baig y Yadegaridehkordi, 2023; Ma et al., 2025; Mizza et al., 2025). Inicialmente conocida como aula invertida, esta técnica de enseñanza se define como un “enfoque pedagógico en el que la instrucción directa se realiza fuera del aula y el tiempo presencial se utiliza para desarrollar actividades de aprendizaje significativo y personalizado” (Observatorio de Innovación Educativa, 2014, p. 3). Sin embargo, observo que es común que varias fuentes solo describan superficialmente las actividades propias de la parte presencial del aprendizaje invertido. Un ejemplo de exposición con semejante limitación se puede consultar en idDOCENTE, 2025. En contraste, la University of Waterloo, n.d., es otro caso, no tan frecuente, de presentación del aprendizaje invertido con un verdadero esfuerzo por desarrollar la dimensión práctica de la técnica. Asumo que esta relativa discreción sobre el cómo se explica por la intención de dejar que el docente adapte el aprendizaje invertido a las necesidades propias de su clase o de su grupo de estudiantes.
Invertir el aprendizaje para suscitar el uso intencionado de información nueva
Durante el semestre agosto-diciembre de 2025 estuve a cargo de la materia Escenario Regional de Europa, impartida a estudiantes en la parte final de su licenciatura en Relaciones Internacionales del Tec de Monterrey. Una tercera parte del curso consistía en presentar cinco Estados europeos en diferentes dimensiones: historia, geografía, demografía, economía, política doméstica y política exterior.Por la densidad de la información acerca de cada país, combinada con la exploración de cinco contextos nacionales distintos, resultaba arriesgado recurrir a métodos tradicionales –esencialmente expositivos– para cubrir estos temas, sobre los que el estudiantado contaba con limitados conocimientos previos. Si el nivel de atención en el aula es un motivo de preocupación clásico (Bunce et al., 2010), la omnipresencia de los dispositivos móviles y de las redes sociales en nuestra vida cotidiana ha ido reforzando esta inquietud (Haliti-Sylaj & Sadiku, 2024). Por ello, diseñé una serie de actividades, tanto previas a la clase como durante la misma, que me permitieran enseñar estos temas mediante el aprendizaje invertido.
Primera etapa del aprendizaje invertido: actividades previas del estudiantado
Como parte de la fase de preparación previa a la clase, los y las estudiantes tenían que leer un documento que elaboré previamente a partir de mis propios apuntes del tema. Con una extensión de entre seis y ocho páginas, este documento contenía información clave sobre unode los Estados europeos incluidos en el programa de la materia. Al compartirles el archivo en línea, solamente les otorgué permisos de lectura, por lo que tenían que descargar una copia del mismo y realizar en ella los cambios esperados.
El texto del documento contaba con palabras faltantes en espacios marcados en amarillo. Además, en el margen izquierdo inserté cuadros vacíos con un mensaje explicativo acerca del contenido a incluir, por ejemplo: un mapa, una gráfica, la fotografía de una personalidad o de un monumento, etc. La imagen 1 proporciona una vista ilustrativa de la primera página del documento sobre el Reino Unido.
Al compartirles un texto incompleto, mi intención fue incitarles a explorarlo de manera activa, en lugar de simplemente revisar su contenido. Por supuesto, el llenado de las palabras se puede realizar fácilmente con ayuda de IA: aun así, esta operación implica que el o la estudiante interactúe con el contenido del documento. Además, sería mucho más difícil automatizar este proceso para insertar las ilustraciones solicitadas en los cuadros.
Imagen 1: Lectura asignada sobre el Reino Unido, hoja 1/8. Creación propia (2025).
Segunda etapa del aprendizaje invertido: actividades durante la clase
Al inicio de la clase presencial, presenté el conjunto de las actividades gamificadas (las primeras dos individuales y las siguientes tres en equipo) que se organizarían a lo largo de esa sesión y de la siguiente, todas basadas en la lectura previamente asignada.
1. Quiz de arranque en línea. La primera actividad consistía en la aplicación de un quiz en línea, en este caso utilizando Kahoot, que constaba de una docena de preguntas sacadas del texto. Cada pregunta detonaba una conversación plenaria al momento de comentar la respuesta correcta y las opciones incorrectas. Además de ayudar a comprobar si hicieron la lectura asignada, este cuestionario inicial permitió recordar y, en su caso, aclarar varios de los puntos clave acerca del país estudiado. La participación en este ejercicio individual me permitió asignar puntos en función del número de aciertos y no en función del puntaje calculado por Kahoot, que toma en cuenta la velocidad al momento de contestar. Para mantener un ambiente lúdico y estimulante, otorgué puntos adicionales a quienes terminaron en el podio de la clasificación final.
2. Estableciendo conexiones. La segunda dinámica estaba basada en el juego “Conexiones” (New York Times, 2025). Cada estudiante debía identificar, dentro de un conjunto de 16 palabras (o grupos de palabras), cuatro conjuntos de cuatro palabras relacionadas entre sí por su coherencia temática. Por ejemplo, para un Estado dado, pueden ser cuatro nombres de tratados, cuatro políticos actuales, cuatro ciudades y cuatro figuras históricas. Para armar su propio puzzle de conexiones, el o la docente puede utilizar sitios como este. En la clase, asigné un tiempo límite para la resolución individual de este acertijo. Si bien dejé la posibilidad de consultar apuntes, me aseguré de que no estuvieran utilizando inteligencia artificial. Calculé los puntos de cada uno teniendo en cuenta el número de intentos para llegar a la combinación correcta de términos.
Imagen 2: Tabla de los términos a organizar en categorías sobre el Reino Unido. Creación propia (2025).
El momento en que se revelaron las “conexiones” correctas permitió remarcar el significado de los diferentes términos, fomentando una participación activa del grupo.
Después de estas dos etapas individuales, di a conocer los equipos, con un máximo de cuatro integrantes, que participarían en las siguientes tres frases.
3. Reto de preguntas cruzadas. Para el tercer “juego”, los y las estudiantes trabajaron en equipos para elaborar preguntas con el requisito de que estuvieran basadas en la lectura asignada y se pudieran responder en pocas palabras. En función del tamaño de su grupo, el o la docente determina el número de preguntas requeridas para cada equipo, usualmente entre tres y seis. Posteriormente, cada equipo planteó estas preguntas al resto del grupo y se atribuyeron puntos a los equipos más rápidos en proporcionar las respuestas correctas. Por supuesto, esta dinámica también representó una oportunidad para tener conversaciones plenarias sobre los puntos abordados.
4. El teléfono descompuesto. Previo a la clase, seleccioné un tema que solo se encontraba mencionado de manera breve y alusiva en la lectura. En la clase, compartí oralmente explicaciones adicionales a un representante de cada equipo, quien las repitió a un compañero, y así sucesivamente. La o el último estudiante de cada equipo escribió lo que entendió en una hoja, cuyo contenido utilicé para definir la calificación de cada equipo. Finalmente, una discusión colectiva permitió reconstituir el mensaje original.
Cerca de una hora y media fue necesaria para completar las cuatro actividades descritas. Antes de que concluyera esta primera sesión, asigné a cada equipo un tema a investigar para presentarlo en la siguiente sesión bajo el formato de un podcast, como parte de la quinta y última etapa.
5. El podcast. El objetivo del podcast fue pensado como una manera de profundizar en un aspecto puntual de la lectura. Se tenía que exponer bajo los siguientes lineamientos:
Respetar el rango de tiempo señalado (entre 4 y 6 minutos).
Exponer en vivo (es decir, no por medio de grabaciones).
Adoptar el formato de una conversación entre diferentes personas, cada una asumiendo cierto rol (conductor, periodista, experto/a, entrevistado, etc.).
Todos los integrantes del equipo debían tener una participación significativa en el podcast.
Los participantes no podían tener dispositivos electrónicos o documentos impresos a la mano. Solamente se toleraban apuntes escritos a mano en un papel que no excediera una cuarta parte de hoja tamaño carta.
Este último requisito buscaba garantizar que, aunque los y las estudiantes utilizaran la inteligencia artificial al momento de definir el contenido de su intervención, debían apropiarse de la información para presentarla de manera clara y organizada.
Dentro de este marco, se les alentaba a hacer uso de su creatividad, con tal de llamar la atención de la audiencia, como se esperaría en cualquier podcast.
Después de cada podcast iniciaba una sesión de preguntas dirigidas al equipo por parte de sus compañeros y compañeras. También participé en este proceso para proporcionar aclaraciones, aportar complementos de información y, en su caso, realizar correcciones. Posteriormente, les compartía una retroalimentación cualitativa sobre el podcast realizado, así como la calificación correspondiente.
Resultados
Las actividades realizadas en diferentes momentos durante el semestre arrojaron resultados muy favorablesen el aspecto de la dinámica de la clase: el estudiantado ingresaba al salón sabiendo que iban a estar activamente involucrados en una serie de actividades lúdicas, lo que se reflejaba en una actitud de expectación y de motivación y una participación entusiasta.
Sin embargo, en una sesión de retroalimentación organizada después de las dos primeras implementaciones en condiciones reales, varios de los estudiantes me compartieron que, si bien disfrutaban esta experiencia novedosa de aprendizaje, la consideraban como demandante en términos de preparación previa y de activación durante las sesiones de clase, por lo que recomendaron alternar esta forma de trabajar con otras fórmulas más clásicas.
Para evaluar el impacto de este experimento pedagógico en términos de resultados académicos, comparé la calidad de las respuestas en el examen enfocado en los cinco Estados estudiados, teniendo presente que apliqué este método para tres de estos países y recurrí a métodos tradicionales para los otros dos. Los números recolectados en esa ocasión no me permitieron sacar inferencias acerca del impacto del aprendizaje invertido y gamificado sobre el desempeño académico, ya que la dispersión de las calificaciones parecía depender más del Estado considerado que de la técnica didáctica empleada.
Por consiguiente, a estas alturas considero que el valor agregado de esta propuesta basada en el aprendizaje invertido y la gamificación radica principalmente en la mejora y la variación de la experiencia en clase, lo que las generaciones actuales suelen designar como esencial.
Adicionalmente, me parece importante resaltar algunas dificultades y consejos para tener presentes al momento de “invertir el aprendizaje” de una manera inspirada en el procedimiento descrito en estas líneas.
En primer lugar, noté que los y las estudiantes sentían preocupación respecto a la calificación que obtendrían en cada sesión, lo que afectaba negativamente su experiencia. Teniendo esta observación en cuenta, reconfiguré el número de puntos disponibles en cada etapa, de tal manera que en total sumaran más de 100. Como resultado, las calificaciones altas eran más alcanzables, sin que se eliminara el incentivo para sumar el mayor número posible de puntos.
Segundo, para mantener el ánimo, es valioso que los y las estudiantes estén enterados y enteradas de los puntos que van sumando en las etapas sucesivas del proceso. Este objetivo se puede lograr por medio de un documento tipo Excel disponible en línea y proyectado en varios momentos de la actividad – típicamente, después de cada etapa. Para ir actualizando la tabla, el docente puede aprovechar momentos en los que el grupo se encuentra trabajando, por ejemplo, mientras resuelven el acertijo de “conexiones” en la etapa 2 o diseñan preguntas en la etapa 3. En el caso de grupos numerosos, el apoyo de un becario o becaria puede resultar de gran utilidad para resolver estas cuestiones prácticas y agilizar la implementación de las actividades.
Tercero, pude observar que la primera implementación resultó un poco más laboriosa, en especial al momento de explicar ciertas dinámicas, pero el proceso se volvió naturalmente más fluido en las siguientes ediciones, una vez que la curva de aprendizaje había sido superada.
Reflexión
En resumen, esta experiencia resultó muy estimulante, no solamente para mis estudiantes, sino también para mí como docente. Permitió generar un ambiente de clase muy diferente a lo “normal”, al generar un entorno activo: más interacciones, algo de movimiento físico en el aula y una circulación ágil del conocimiento, especialmente entre estudiantes.
En particular, la calidad de los podcasts representó para mí una grata sorpresa. Al encontrarse en condiciones distintas a las tradicionales presentaciones en clase, los y las estudiantes demostraron ser capaces de exponer su tema con confianza y aplomo. Si bien los contenidos expuestos incluían muy probablemente una dosis significativa de inteligencia artificial, el objetivo de este ejercicio no radica en el esfuerzo de investigación, sino en su apropiación de la información y en su capacidad para compartirla de manera organizada, clara y coordinada con su propio equipo.
Con la confianza de saber que esta práctica pedagógica funciona, les invito a adaptar este modelo retomando aquellas actividades que les inspiren, descartando las otras y agregando unas nuevas. Responderé con gusto a las dudas que tengan sobre esta experiencia y me encantará recibir relatos de sus propios experimentos basados en esta idea, para a su vez inspirarme en sus hallazgos.
Acerca del autor
Dr. Barthélémy Michalon (bmichalon@tec.mx) es profesor de planta en el departamento de Ciencia Política y Relaciones Internacionales en campus Puebla. Se especializa en geopolítica, escenarios regionales de Europa y Asia y en los efectos sociopolíticos de las tecnologías digitales.
Referencias
Baig, M. I., & Yadegaridehkordi, E. (2023). Flipped classroom in higher education: A systematic literature review and research challenges. International Journal of Educational Technology inHigher Education, 20(1), 61. https://doi.org/10.1186/s41239-023-00430-5
Bunce, D. M., Flens, E. A., & Neiles, K. Y. (2010). How Long Can Students Pay Attention in Class? A Study of Student Attention Decline Using Clickers. Journal of Chemical Education, 87(12), 1438–1443. https://doi.org/10.1021/ed100409p
Haliti-Sylaj, T., & Sadiku, A. (2024). Impact of Short Reels on Attention Span and Academic Performance of Undergraduate Students. Eurasian Journal of Applied Linguistics, 10(3), 60–68. idDOCENTE. (2025, February 18). Flipped Classroom: Ejemplos y consejos. Innovacióny Desarrollo Docente. https://iddocente.com/flipped-classroom-ejemplos-y-consejos-para-su-implementacion/
Ma, Y., Fan, H., & Ning, B. (2025). The effectiveness of the flipped classroom: A second-order meta-analysis. International Journal of Educational Research, 134, 102855. https://doi.org/10.1016/j.ijer.2025.102855
Mizza, D., Reese, M., & Malouche, D. (2025). Flipped classroom evaluation and blended learning potential: A case study of engagement and inclusion in quantitative education. Smart Learning Environments, 12(1), 56. https://doi.org/10.1186/s40561-025-00412-2
Morán, L. (2022). Blended learning a través del modelo de aula invertida: Experiencias de prácticas en el nivel superior. Virtualidad, Educación y Ciencia, 13(25), 9–31. https://doi.org/10.60020/1853-6530.v13.n25.37678
