¿Cuánta delegación cognitiva permiten tus tareas de aula?

 Por Ramón Besonias

La queja más recurrente entre el profesorado es que la IA generativa aumenta la delegación cognitiva de las tareas que realiza el estudiante. Pero la pregunta relevante es: ¿qué podemos hacer para remediarlo o mitigarlo? ¿En qué medida las tareas que asignamos a los estudiantes favorecen esa delegación? La IA generativa permite delegar si la usas de tal forma que favorezca esa actitud. Un reto inteligente de la escuela en tiempos de la IA generativa es no ponerse a la defensiva y empezar a pensar cómo diseñar tareas y procesos de evaluación que reduzcan la necesidad de delegar y generen una cultura de uso más eficaz, creativa, donde el estudiante sea quien lleve las riendas y no la IA.

La IA generativa nos obliga a poner el acento no tanto en el producto final como en el proceso de investigación, análisis y explicación. Un trabajo puede estar bien escrito y no haber sido comprendido. Una presentación puede ser visualmente impecable y no contener una sola decisión intelectual propia. Un resumen puede ser correcto y, al mismo tiempo, no demostrar que el estudiante haya leído de verdad. Una disertación puede tener tesis, argumentos y conclusión sin que el alumno haya sostenido ninguna lucha real con las ideas. Y de nada vale quejarse o enrocarse en la vigilancia, control y prohibición si no hacemos una reflexión seria de nuestra práctica docente.

He creado un asistente cuya función no es detectar trampas, ni acusar al alumnado, ni actuar como policía de la IA. Su objetivo es ayudar al docente a revisar sus propias tareas para comprobar hasta qué punto permiten delegar el pensamiento y a partir de ahí repensar el diseño de la tarea y el proceso de evaluación de la misma.

La pregunta de fondo es: ¿Esta tarea obliga realmente al alumnado a pensar, decidir, contrastar, argumentar, revisar y justificar, o solo le pide producir un resultado que una IA puede generar fácilmente?

¿Por qué importa evaluar la delegación cognitiva de nuestras tareas?

Porque a menudo no somos conscientes de que parte del problema reside en nuestro diseño curricular. Nos llevamos las manos a la cabeza, impotentes, por asistir a un mundo donde la IA puede emular todo texto, imagen y vídeo con una eficacia extraordinaria. ¿Qué puedo hacer para seguir fomentando destrezas cognitivas esenciales en tiempos de la IA? La respuesta nos lleva directamente a qué tareas o proyectos asigno y cómo los evalúo. 

Los estudiantes siempre se han apoyado de ayuda externa, y no siempre ésta es negativa. Siempre han copiado de la Wikipedia, el Rincón del vago o enlaces aleatorios de Google. La cuestión está en saber en qué medida mi forma de diseñar el proceso de aprendizaje permite esa delegación de destrezas. 

¿Puede una IA ayudar a pensar mejor si se usa para contrastar ideas, formular dudas, revisar un borrador, detectar puntos débiles o generar alternativas? Sin duda, pero también puede sustituir el pensamiento si la tarea solo pide entregar un producto final sin evidencias del proceso o usando medios de evaluación que se limiten a registrar contenidos y escribirlos en un folio. Se trata de diseñar tareas que impidan dejar de pensar.

Una tarea con bajo riesgo de delegación cognitiva suele exigir:

• decisiones justificadas,
• borradores o fases intermedias,
• contraste entre fuentes o perspectivas,
• revisión de una primera versión,
• defensa oral o escrita,
• aplicación a un caso nuevo,
• reflexión sobre errores, dudas o cambios,
• criterios de evaluación centrados también en el proceso.

Esto requiere diversificar los métodos de evaluación a lo largo del proceso. La IA generativa puede ser una herramienta en un momento de ese proceso, pero después desaparecer en favor de otras. 

En cambio, una tarea con alto riesgo de delegación suele pedir simplemente:

• “investiga sobre...”,
• “haz una presentación de...”,
• “resume...”,
• “explica...”,
• “crea una infografía...”,
• “escribe un ensayo...”,

Esto incita al copia y pega. No exige huellas visibles del flujo de pensamiento. La tarea es fácilmente reproducible. La IA no ha destruido esas tareas. Solo ha revelado su fragilidad.

ENLACE AL ASISTENTE

¿Cómo funciona el asistente?

Es muy sencillo. Le proporcionas una tarea, actividad, proyecto, examen, rúbrica o secuencia didáctica, y el asistente analiza su potencial de delegación cognitiva. No evalúa al alumno ni al docente. Evalúa la tarea.

Su análisis se centra en cuatro capas:

• Producto: Qué tiene que entregar el alumnado: texto, presentación, comentario, infografía, vídeo, podcast, proyecto, examen, portfolio, etc.
• Proceso: Qué operaciones mentales debería realizar para llegar a ese producto: comprender, seleccionar, comparar, argumentar, decidir, revisar, justificar, crear, transferir.
• Evidencia: Qué huellas visibles deja ese proceso: borradores, tablas de decisiones, fuentes comentadas, revisión de cambios, defensa oral, metacognición, comparación de versiones.
• Evaluación: Qué está premiando realmente el docente: pensamiento, criterio y revisión, o solo apariencia, corrección formal y entrega final.

A partir de ahí, el asistente devuelve un informe con varios apartados:

• Diagnóstico global de la tarea.
• Porcentaje estimado de delegación cognitiva.
• Brechas de delegación, es decir, puntos donde la tarea permite automatización.
• Matriz de rediseño, con ajustes concretos.
• Filtros antidelegación, como borrador inicial, defensa oral o diario de decisiones.
• Rediseño de la tarea para hacer visible el pensamiento.
• Proyección de mejora, estimando cómo bajaría el porcentaje de delegación.
• Preguntas de autoevaluación docente.

El porcentaje que te da es heurístico, una estimación razonada que lleve al docente a reflexionar. Sirve para orientar el rediseño no para juzgarse.

¿Cómo se usa el asistente? El uso es sencillo: compartes una tarea y añades, si es posible, algunos datos básicos: nivel educativo, materia, objetivo de aprendizaje, producto final esperado, duración, uso permitido o no de IA, criterios de evaluación, evidencias intermedias previstas.

El asistente puede detectar si la tarea se limita a producir una presentación o si realmente obliga al alumnado a interpretar, comparar, tomar postura y defender una lectura propia.

Ejemplos de uso

Bachillerato: Historia de España

Tarea original: Realiza una presentación sobre las causas de la Guerra Civil española y relaciónalas con la situación política y social de la Segunda República.

Una tarea adecuada, pero muy delegable. Una IA puede generar en segundos una presentación bastante correcta sobre la Segunda República, la polarización política, el contexto internacional, la conflictividad social y el golpe de Estado de 1936.

El asistente podría señalar:

• el producto final puede automatizarse,
• la tarea puede convertirse en una enumeración de causas sin jerarquía ni interpretación histórica,
• no se exige distinguir entre causas estructurales, coyunturales y desencadenantes,
• no hay contraste entre fuentes o perspectivas historiográficas,
• no se pide justificar qué factores fueron más decisivos,
• falta integración con actividades previas de análisis histórico que obliguen a construir criterio antes de la presentación,
• la evaluación puede centrarse demasiado en la claridad expositiva y poco en el razonamiento histórico.

Quizá te ofrezca un rediseño como éste:

En lugar de plantear la presentación como una tarea aislada, se integra dentro de una pequeña secuencia de análisis histórico. La IA puede utilizarse solo en una fase concreta para obtener una explicación alternativa o para formular preguntas de contraste, pero el núcleo del trabajo se construye mediante actividades previas y posteriores que no necesitan IA.

• Primero, en clase, el alumnado analiza varios materiales breves sobre la Segunda República: un eje cronológico básico, una fuente histórica o fragmento documental, una tabla con conflictos sociales y políticos, y una breve explicación del contexto internacional de los años treinta. 
• A partir de esos materiales, cada estudiante elabora una primera hipótesis individual sobre qué factor considera más relevante para explicar el estallido de la Guerra Civil.
• Después, en parejas o pequeños grupos, comparan sus hipótesis y clasifican las causas en tres categorías: estructurales, coyunturales y desencadenantes. Esta fase no consiste en buscar más información, sino en discutir cómo ordenar históricamente los factores y qué relación existe entre ellos.

Solo después de este trabajo previo puede intervenir la IA. El alumnado puede pedirle una explicación alternativa sobre las causas de la Guerra Civil o una posible jerarquía causal. Pero esa respuesta no se entrega como producto: se analiza críticamente. Cada estudiante debe señalar qué coincide con su hipótesis, qué añade, qué simplifica demasiado y qué habría que comprobar con fuentes o materiales trabajados en clase.

Finalmente, la presentación oral no debe limitarse a “contar causas”, sino a defender una interpretación histórica: qué factores pesaron más, cuáles actuaron como contexto, cuáles aceleraron el conflicto y cuál fue el desencadenante inmediato. La exposición se completa con una pregunta oral del docente o de los compañeros para comprobar si el estudiante puede defender su jerarquía causal sin depender del texto preparado.

Evidencias obligatorias:

• hipótesis inicial individual sin IA sobre la causa más relevante,
• clasificación de causas estructurales, coyunturales y desencadenantes,
• breve contraste con una fuente histórica o fragmento documental trabajado en clase,
• comparación crítica con una explicación generada por IA,
• revisión de la hipótesis inicial tras el contraste,
• presentación final centrada en una jerarquía causal defendida,
• respuesta oral a una pregunta no preparada sobre la interpretación histórica propuesta.

La IA no se prohíbe. Se integra en un momento concreto del proceso, pero no sustituye el trabajo histórico previo: leer fuentes, ordenar causas, debatir jerarquías, revisar hipótesis y defender una interpretación. 

La reducción de la delegación cognitiva no depende solo de pedir más requisitos dentro de la presentación, sino de encadenarla con actividades complementarias que obligan al alumnado a construir criterio antes, durante y después del uso de IA. 

Docentes de ELE

Tarea original: Escribe un texto de opinión sobre las ventajas y desventajas de vivir en una gran ciudad. Debes usar conectores argumentativos y vocabulario relacionado con la vida urbana.

El asistente podría señalar:

• el producto final puede automatizarse fácilmente,
• la tarea puede evaluar más la corrección del texto que la competencia comunicativa real,
• no se exige una experiencia, postura o decisión personal verificable,
• el uso de conectores puede convertirse en un requisito mecánico,
• no hay suficiente integración con actividades orales, léxicas o de interacción previas,
• no se comprueba si el estudiante puede reutilizar ese lenguaje en situaciones comunicativas nuevas,

Rediseño posible: En lugar de plantear la escritura como una tarea aislada, se integra dentro de una pequeña secuencia de trabajo sobre la vida en la ciudad. La IA puede intervenir solo en una fase concreta de mejora lingüística, pero el aprendizaje se apoya también en actividades previas y posteriores que no necesitan IA.

• Primero, el grupo realiza una lluvia de ideas oral sobre ventajas y desventajas de vivir en una gran ciudad. El docente recoge en la pizarra vocabulario útil, expresiones espontáneas y errores frecuentes. 
• Después, en parejas, los estudiantes clasifican esas ideas en categorías: transporte, vivienda, ocio, seguridad, trabajo, contaminación, relaciones sociales. 
• A continuación, cada estudiante elige una ciudad concreta que conozca, haya visitado o pueda describir con cierto detalle, y completa una tabla personal con tres ventajas, tres desventajas y una opinión inicial.

Solo después de ese trabajo previo escribe una primera versión breve sin IA. Esa versión debe incluir ideas surgidas en clase, vocabulario trabajado oralmente y una postura personal. En una fase posterior, puede usar IA para pedir sugerencias de mejora lingüística, pero debe comparar esas sugerencias con su propio texto y decidir qué acepta, qué rechaza y por qué.

La secuencia termina con una actividad oral breve: el estudiante defiende su opinión ante un compañero, responde una pregunta imprevista y reformula una idea usando al menos dos conectores trabajados en clase.

El texto final no queda protegido solo porque se pidan más requisitos dentro de la consigna, sino porque forma parte de un recorrido más amplio: conversación, clasificación de ideas, escritura inicial, revisión asistida, comparación crítica y defensa oral.

Evidencias obligatorias:

• participación en la lluvia de ideas o recogida de vocabulario de clase,
• tabla personal de ventajas, desventajas y postura inicial,
• primera versión escrita sin IA,
• comparación entre la versión propia y las sugerencias de IA,
• lista de cambios aceptados y rechazados,
• versión final revisada,
• defensa oral breve con respuesta a una pregunta no preparada.

Aquí la IA no queda prohibida. Se integra en un momento concreto del proceso, pero no sustituye la construcción previa del vocabulario, la interacción oral, la toma de postura ni la defensa comunicativa. La reducción de la delegación cognitiva no depende solo de controlar el texto final, sino de encadenar la tarea escrita con otras actividades que hacen visible el aprendizaje antes, durante y después del uso de IA.

Formación Profesional: Automoción

Tarea original: El alumnado debe elaborar un informe sobre los sistemas de frenado ABS.

El resultado puede parecer adecuado sin que el estudiante haya comprendido realmente el funcionamiento del sistema ni sepa aplicar ese conocimiento a una situación de taller.

El asistente podría detectar:

• riesgo de investigación superficial,
• copia de información técnica sin comprensión,
• ausencia de aplicación práctica,
• falta de toma de decisiones profesionales,
• desconexión entre teoría del sistema ABS y diagnóstico real de averías,
• evaluación centrada en el documento final y no en el procedimiento técnico seguido.

Quizá te ofrezca un rediseño como éste:

En lugar de pedir un informe aislado sobre el sistema ABS, la tarea se integra dentro de una secuencia de diagnóstico práctico. La IA puede utilizarse solo en una fase concreta para generar hipótesis alternativas o revisar la claridad del informe, pero el núcleo del aprendizaje se construye mediante observación, análisis técnico, consulta de documentación y toma de decisiones.

• Primero, el alumnado trabaja en clase o taller con un caso práctico: un vehículo presenta vibraciones al frenar y el testigo ABS se enciende de forma intermitente. Antes de buscar información o usar IA, cada estudiante formula una hipótesis inicial sobre posibles causas. Debe explicar qué sabe del funcionamiento del ABS y qué síntomas del caso le parecen relevantes.
• Después, en parejas o pequeños grupos, comparan hipótesis y elaboran una primera lista de comprobaciones: sensores de rueda, cableado, estado de los anillos reluctores, unidad de control, nivel de líquido, estado de pastillas y discos, lectura de códigos de avería, etc. Esta fase puede realizarse sin IA, apoyándose en los conocimientos previos, la explicación del docente y documentación técnica básica.
• A continuación, el alumnado consulta un manual técnico, esquema del sistema o fuente fiable. Solo después puede usar IA para pedir una lista alternativa de posibles causas o una explicación del funcionamiento del ABS. Esa respuesta no se entrega como solución: se contrasta. El estudiante debe señalar qué sugerencias de la IA son útiles, cuáles son demasiado genéricas, cuáles requieren verificación y cuáles descartaría en ese caso concreto.

Finalmente, el informe no debe limitarse a explicar qué es el ABS. Debe presentar un procedimiento de diagnóstico: qué comprobaría primero, qué datos necesita, qué causas descartaría, qué prueba realizaría y qué decisión técnica tomaría antes de sustituir una pieza.

La secuencia puede cerrarse con una breve defensa oral o simulación de taller: el estudiante explica al docente o a un compañero por qué ha elegido ese orden de comprobaciones y qué riesgo tendría cambiar una pieza sin verificar antes la causa de la avería.

Evidencias obligatorias:

• hipótesis inicial individual sin IA,
• lista inicial de posibles causas a partir de los síntomas,
• orden razonado de comprobaciones,
• consulta de documentación técnica o manual,
• comparación crítica con una respuesta generada por IA,
• causas descartadas y motivo del descarte,
• informe final centrado en el procedimiento de diagnóstico,
• defensa oral breve del orden de comprobaciones.

En este caso, la tarea deja de ser “buscar información sobre ABS” y se convierte en una secuencia de razonamiento profesional. La reducción de la delegación cognitiva no depende solo de pedir un informe más detallado, sino de integrar ese informe con actividades complementarias de observación, hipótesis, contraste técnico, descarte y defensa. 

Universidad: Educación

Tarea original: Diseña una situación de aprendizaje con IA generativa para mejorar la competencia comunicativa del alumnado.

El riesgo aquí es que el estudiante universitario pida a una IA una situación de aprendizaje completa y la entregue con pequeñas modificaciones. El producto puede sonar muy bien, lleno de lenguaje metodológico, competencias, fases, instrumentos y criterios, pero no mostrar decisiones didácticas reales.

El asistente podría señalar:

• exceso de lenguaje metodológico genérico,
• riesgo de diseño automatizado,
• falta de justificación de decisiones,
• ausencia de diagnóstico del problema real de aprendizaje,
• uso decorativo o superficial de la IA,
• ausencia de análisis crítico de los riesgos de delegación cognitiva,
• evaluación demasiado centrada en la programación final y no en el proceso de diseño.

Quizá te ofrezca un rediseño como éste:

En lugar de pedir únicamente el diseño final de una situación de aprendizaje, la tarea se integra dentro de una secuencia de diseño didáctico progresivo. La IA puede utilizarse en momentos concretos, pero no para sustituir el diagnóstico, la toma de decisiones pedagógicas ni la evaluación crítica del diseño.

• Primero, el estudiante universitario analiza un problema concreto relacionado con la competencia comunicativa: dificultad para argumentar oralmente, pobreza léxica, escasa planificación de textos escritos, falta de escucha activa, dependencia de respuestas copiadas o problemas para reformular ideas propias. Antes de diseñar nada, debe justificar por qué ese problema es relevante y qué evidencias permitirían detectarlo en un aula real.
• Después, sin IA, formula una primera hipótesis didáctica: qué tipo de actividad podría ayudar a mejorar ese problema y qué parte del proceso comunicativo debería protegerse. Esta hipótesis se comparte en pequeño grupo, donde otros compañeros actúan como revisores críticos y señalan posibles debilidades: exceso de producto final, falta de interacción, evaluación superficial, uso irrelevante de IA o riesgo de delegación cognitiva.
• Solo después de esa fase inicial se permite usar IA. El estudiante puede pedirle a una IA propuestas alternativas de actividades, posibles fases, criterios de evaluación o mejoras del diseño. Pero no puede entregar esa propuesta directamente. Debe compararla con su hipótesis inicial y explicar qué adopta, qué modifica, qué rechaza y por qué.
• A continuación, el estudiante diseña una situación de aprendizaje completa, pero acompañada de una memoria de decisiones. En ella debe justificar qué problema intenta resolver, qué papel tendrá la IA, qué parte del proceso comunicativo no podrá delegarse, qué evidencias recogerá y cómo modificará la tarea si detecta dependencia excesiva de la herramienta.
• La secuencia puede cerrarse con una microdefensa oral o simulación docente: el estudiante explica su diseño ante el grupo y responde a una objeción. Por ejemplo: “¿Qué impediría que el alumnado pidiera a la IA todo el producto final?” o “¿Dónde se observa realmente la mejora de la competencia comunicativa?”.

Evidencias obligatorias:

• diagnóstico inicial del problema de aprendizaje,
• hipótesis didáctica formulada sin IA,
• revisión crítica por pares,
• comparación entre la propuesta inicial y las sugerencias de IA,
• memoria de decisiones pedagógicas,
• matriz de riesgos de delegación cognitiva,
• rediseño de una actividad vulnerable,
• rúbrica que valore proceso comunicativo y no solo producto final,
• defensa oral del diseño ante una objeción.

La tarea ya no pide solo diseñar una situación de aprendizaje. Obliga a diagnosticar, justificar, contrastar, revisar y defender el diseño. La IA puede apoyar la generación de alternativas, pero no sustituye las decisiones pedagógicas centrales. 

Trucos de uso 

No le pidas solo que “evalúe” una tarea

Funciona mejor si le pides que localice el punto exacto donde se delega el pensamiento. Mejor: Detecta qué parte de esta tarea puede hacer una IA por el alumno sin que yo lo note.

Incluye siempre la forma de evaluación

Una tarea no se entiende del todo sin saber cómo se evalúa. Muchas veces el problema no está solo en la consigna, sino en lo que la rúbrica premia. Pregunta útil: Analiza si mi evaluación premia pensamiento real o solo producto final.

Pide una reducción realista del porcentaje

No basta con decir “mejora la tarea”. Es más útil pedir una intervención mínima. Ejemplo: Propón tres ajustes pequeños que reduzcan al máximo el potencial de delegación sin complicar mucho la corrección.

Pide evidencias intermedias

La clave no es añadir más producto, sino más huellas del proceso. Ejemplo: ¿Qué evidencias intermedias debería pedir para comprobar que el alumno ha pensado y no solo ha producido?

Pide filtros antidelegación

Los filtros son pequeñas barreras cognitivas que obligan a decidir, contrastar o justificar. Ejemplo: Dame cinco filtros antidelegación aplicables a esta tarea sin rediseñarla por completo.

Pide que revise la rúbrica

Muchas tareas fracasan porque la rúbrica dice valorar pensamiento crítico, pero en la práctica premia orden, limpieza, extensión o corrección formal. Ejemplo: Revisa esta rúbrica y dime si realmente evalúa pensamiento o solo cumplimiento.

Pide una versión “mínima viable”

A veces el asistente puede proponer demasiadas mejoras. Conviene pedir una versión aplicable mañana. Ejemplo: Rediseña esta tarea con el mínimo cambio posible para reducir la delegación cognitiva.

Usa el asistente antes de llevar la tarea al aula

El mejor momento para usarlo no es después de corregir, sino antes de proponer la actividad. La pregunta clave sería: Antes de llevar esta tarea al aula, dime qué parte puede fallar si el alumnado usa IA sin criterio.

Una herramienta para pensar mejor nuestras tareas

Este asistente no resuelve el problema de la IA en educación, porque ese problema no se resuelve con una herramienta. Pero puede ayudar a formular mejores preguntas. Quizá la más importante sea esta: ¿Estoy evaluando lo que realmente quiero que aprendan?

• Debo pedir argumentos propios, objeciones y revisión.
• Debo pedir criterios de selección, fuentes descartadas y contraste.
• Debo pedir bocetos, decisiones y explicación del proceso.
• Debo dejar de evaluar solo el escaparate y empezar a mirar también la cocina.

Tomado de IA educativa

Innovar no es suficiente, si la educación no es integral

 Por Eliud Quintero Rodríguez de Edubits del Tec de Monterrey

Durante muchos años me hice una pregunta que, con el tiempo, entendí que estaba incompleta: ¿cómo innovar en la educación? La escuché en foros, la discutí en espacios académicos y la trabajé en distintos proyectos institucionales. Sin embargo, mientras más avanzaba en este campo, más evidente se volvía que el problema no era la falta de respuestas, sino la forma en que nos planteamos este cuestionamiento. En este artículo propongo mirar la innovación educativa a partir de cuatro dimensiones interconectadas que permiten comprender cuando un modelo realmente transforma el aprendizaje: el qué, el cómo, el con qué y el para qué enseñar. Más allá de una reflexión conceptual, en este texto describo la manera en que estas cuatro dimensiones pueden materializarse en un modelo educativo de nivel básico que las articula de manera intencional, mostrando que la educación integral no es una aspiración, sino una práctica posible.

Cuando hablamos de innovación educativa, es común enfocarnos en “cómo innovar” sin darnos cuenta de que reducir la innovación a metodologías, herramientas o tecnologías es quedarnos en la superficie. En mi experiencia, una de las razones por las que esto sucede se debe a que resolver el “cómo”, generalmente, suele ser lo más visible, lo más inmediato y, en muchos casos, lo más sencillo de identificar como innovación. Las nuevas herramientas, plataformas, la inteligencia artificial, las metodologías activas o las tendencias pedagógicas emergentes capturan rápidamente nuestra atención porque representan cambios tangibles. Es mucho más sencillo incorporar una herramienta tecnológica o modificar una actividad de clase que replantear el propósito educativo completo. Sin embargo, cuando la innovación se limita únicamente al “cómo”, termina convirtiéndose en una experiencia fragmentada.

Por otro lado, también es cierto que innovar en la educación desde una perspectiva integral implica un desafío mayor, ya que requiere tiempo, articulación, diseño curricular, formación docente y una visión institucional capaz de conectar múltiples dimensiones del aprendizaje de manera coherente. Las cuatro dimensiones que planteo en este artículo nos permiten ampliar nuestra visión para reflexionar y responder a cuestionamientos que nos lleven a generar cambios más profundos. Por ejemplo: ¿Lo que enseñamos sigue siendo pertinente para el mundo actual y para la vida que enfrentarán nuestros estudiantes? ¿Las experiencias de aprendizaje realmente conectan con los intereses, emociones y contextos de quienes aprenden? ¿Los ambientes, recursos y espacios educativos favorecen la exploración, la experimentación y la creación? ¿O el aprendizaje tiene un propósito que trascienda el aula y permita generar impacto en los demás? Estas preguntas nos recuerdan que innovar en educación no es incorporar algo nuevo, sino replantear todo aquello que da sentido al aprendizaje. Por ello, la verdadera transformación ocurre cuando nos decidimos a cuestionar el sistema completo: qué enseñamos, cómo lo enseñamos, con qué lo hacemos y, sobre todo, para qué educamos.

Cuatro dimensiones que transforman la educación y el aprendizaje

Después de más de quince años impulsando proyectos de innovación educativa, he observado que cuando estas cuatro dimensiones no están alineadas, cualquier intento de cambio termina siendo parcial. Podríamos terminar incorporando metodologías activas pero sin sentido, usar nuevas tecnologías en el aula sin un propósito claro o cubrir contenidos desconectados del entorno y de la vida de los estudiantes. De hecho, diversos organismos internacionales advierten que muchas innovaciones educativas fracasan por centrarse en intervenciones aisladas y no en transformaciones sistémicas (OECD, 2023; UNESCO, 2021). Pero cuando estas cuatro decisiones se articulan de manera coherente, el aprendizaje adquiere otra profundidad y relevancia.

Imagen 1. Cuatro preguntas que transforman la innovación en la educación. Creación propia generada con ChatGPT (2026).

¿Qué enseñar?

Durante mucho tiempo, el currículo escolar se ha centrado en la transmisión de contenidos disciplinares bajo la lógica de que dominar información equivale a estar preparado para el futuro. Sin embargo, hoy sabemos que esto resulta insuficiente en un contexto donde el conocimiento cambia constantemente y donde las habilidades humanas adquieren un valor creciente (World Economic Forum, 2025). La pregunta ya no es cuánto contenido cubrimos, sino qué tipo de capacidades estamos desarrollando en quienes aprenden.

En un modelo educativo verdaderamente integral, el desarrollo de habilidades para la vida no se aborda como un complemento, sino como parte estructural del currículo. Esto se concreta en la incorporación formal de ambientes enriquecidos y espacios especializados que acompañan al estudiante desde los primeros años hasta la secundaria: nutrición, arte, música, activación física, ciencias, robótica, finanzas, ciudadanía digital y educación socioemocional. Cada uno de estos espacios es impartido por profesionales en su área, lo que permite profundizar en experiencias auténticas de aprendizaje.

En la práctica, esto implica que el estudiante no sólo adquiere conocimientos, sino que desarrolla hábitos, criterios y formas de relacionarse con el mundo. Aprende a cuidar su cuerpo y su salud, a expresarse, a resolver problemas y a comprender el mundo, a interactuar críticamente con la tecnología y a reconocer y gestionar sus emociones. Este enfoque responde a la necesidad de formar personas capaces de enfrentar entornos complejos e inciertos, tal como se ha planteado en discusiones recientes sobre el futuro de la educación (Quintero, 2019). Innovar en educación también implica decidir qué aprendizajes vale la pena priorizar para la vida que los estudiantes enfrentarán.

¿Cómo enseñar?

El “cómo” es la dimensión en la que muchas propuestas innovadoras se concentran, pero no siempre con la profundidad necesaria. No basta con adoptar el aprendizaje basado en proyectos como etiqueta; es necesario comprender su lógica y diseñarlo con intencionalidad pedagógica.

En este modelo, el proceso inicia a partir del interés genuino del grupo. Este interés no sustituye el currículo, sino que se convierte en el eje que permite articular los aprendizajes esperados. Por ejemplo, cuando un grupo de estudiantes muestra un interés particular por el Mundial de fútbol, tanto docentes como especialistas construyen una experiencia transdisciplinaria que conecta contenidos de distintas áreas: análisis estadístico de resultados, comprensión geográfica y cultural de los países participantes, estudio de principios físicos del movimiento, reflexión sobre fenómenos sociales vinculados al deporte y desarrollo de habilidades de comunicación, por mencionar algunos.

Este proceso no ocurre de manera improvisada. Existe una mediación docente que asegura que los aprendizajes esperados se desarrollen mientras el estudiante se mantiene conectado con un tema que le resulta significativo. La transdisciplina deja de ser un concepto abstracto y se convierte en una experiencia concreta donde el conocimiento se articula en torno a un propósito compartido.

De manera intencional, el proyecto evoluciona hacia una fase de aplicación que trasciende el aula. Las y los estudiantes, acompañados por sus docentes, diseñan un producto o servicio relacionado con su proyecto, considerando variables reales como costos, producción, comunicación y utilidad. Este proceso culmina en una experiencia de emprendimiento social (un evento comunitario gestionado por la institución) que no es simulada, sino que impacta positivamente al entorno que les rodea.

Paralelamente, la escuela establece espacios formales de diálogo con las familias a través de la Academia para la familia, una iniciativa organizada por la propia institución educativa en la que se abordan temas de aprendizaje, desarrollo y crianza. Este espacio no solo informa, sino que forma, acompaña y alinea a madres, padres y tutores en el proceso educativo, sentando las bases para una corresponsabilidad real en la formación integral de cada estudiante. De esta manera, transformar el cómo enseñamos implica ir mucho más allá de una metodología: supone construir experiencias conectadas con la realidad, el interés genuino de los estudiantes y la corresponsabilidad entre escuela y familia.

¿Con qué enseñar?

La tercera dimensión, el “con qué”, introduce un elemento que históricamente ha sido subestimado: el entorno. Los espacios de aprendizaje no son neutros; influyen directamente en la forma en que las y los estudiantes interactúan, exploran, experimentan y construyen conocimiento. Investigaciones sobre ambientes enriquecidos han demostrado su impacto en el desarrollo cognitivo y emocional, reforzando la importancia de diseñar contextos que favorezcan la experimentación y la curiosidad.

En este sentido, el aula deja de ser un espacio rígido para convertirse en un ambiente flexible que se adapta a las dinámicas del grupo. La infraestructura se complementa con laboratorios especializados —tipo espacios maker— donde los estudiantes prototipan las ideas de los proyectos en los que participan, ensayan soluciones, se equivocan y vuelven a intentarlo como parte natural del proceso de aprendizaje. En estos espacios, las ideas dejan de ser abstractas para convertirse en algo tangible que puede mejorarse continuamente. Así, experimentan en áreas como nutrición, arte, música, activación física, ciencias, robótica, finanzas, educación socioemocional y ciudadanía digital desde una lógica activa, iterativa y profundamente formativa.

Asimismo, los espacios enriquecidos y especializados se integran como componentes esenciales del desarrollo integral, entendiendo que el aprendizaje implica el cuidado del cuerpo, la mente, el ambiente, la expresión y la construcción de identidad. En este sentido, los espacios dejan de ser únicamente infraestructura para convertirse en parte activa de la experiencia educativa.

¿Para qué enseñar?

Finalmente, todo este sistema adquiere sentido en la cuarta dimensión: el “para qué”. Aquí es donde la educación deja de ser un proceso de acumulación de conocimientos y se convierte en una experiencia con propósito.

Cada proyecto desarrollado a lo largo del ciclo escolar culmina en un ejercicio estructurado de emprendimiento social en el que participan estudiantes de todos los grados escolares, desde los niveles iniciales hasta secundaria, mediante proyectos y experiencias acordes con su etapa de desarrollo. Para ello, la institución educativa asigna un capital semilla a cada grupo, que permite al estudiantado desarrollar su producto o servicio considerando las necesidades reales de producción. Durante la feria de emprendimiento —un espacio al que asisten familias y miembros de la comunidad— los estudiantes presentan y comercializan sus propuestas, recuperan la inversión inicial y generan utilidades. Estas ganancias son destinadas a una causa social, ambiental, cultural o de inclusión previamente definida.

Este proceso permite que el estudiantado comprenda, desde la experiencia, la relación entre conocimiento, acción e impacto. No se trata de una simulación pedagógica, sino de una vivencia real donde toman decisiones, enfrentan desafíos y observan las consecuencias de sus acciones. En ese momento, el aprendizaje deja de ser un requisito académico y se convierte en una herramienta para transformar positivamente el entorno que les rodea.

Estas cuatro dimensiones nos recuerdan que innovar en educación no es incorporar algo nuevo, sino replantear todo aquello que da sentido al aprendizaje. Probablemente algunas instituciones educativas han avanzado más en unas dimensiones que en otras, de acuerdo con su visión, prioridades, posibilidades o filosofía educativa, y eso también forma parte del proceso de transformación. Sin embargo, una innovación verdaderamente integral no ocurre cuando fortalecemos únicamente uno de estos elementos de manera aislada, sino cuando logramos conectar coherentemente aquello que enseñamos, la forma en que se aprende, los ambientes y recursos que acompañan la experiencia educativa y el propósito humano y social que le da sentido a todo el proceso.

Una experiencia educativa real que integra las cuatro dimensiones

En el Instituto Docet, estas cuatro dimensiones se articulan de manera intencional dentro del modelo educativo. Como ejemplo, en el periodo septiembre-junio de 2026, estudiantes del 3° año de primaria, desarrollaron un proyecto a partir de su interés por el deporte y por comprender cómo el bienestar físico influye en la vida de las personas. Esta inquietud llevó a las y los docentes a conectar los intereses del grupo con los aprendizajes esperados relacionados con ciencias sociales y naturales, alimentación, emociones y hábitos de vida saludables. El proyecto permitió abordar contenidos académicos desde una perspectiva transdisciplinaria, integrando ciencias, nutrición y desarrollo humano dentro de una experiencia contextualizada y significativa para el estudiantado.

El aprendizaje tomó forma a través de un enfoque basado en proyectos. Durante el proceso, los estudiantes conocieron al equipo “Blindados”, conformado por personas con discapacidad visual que practican fútbol a nivel competitivo. Este encuentro llevó al grupo a reflexionar sobre la inclusión, el esfuerzo, la resiliencia y la importancia del deporte como espacio de desarrollo personal y comunitario. A partir de ello, diseñaron “Granola 3000”, un producto alimenticio pensado para apoyar hábitos saludables en deportistas de alto rendimiento. En el Laboratorio de nutrición experimentaron con ingredientes, analizaron opciones, realizaron pruebas, ajustaron recetas y tomaron decisiones relacionadas con costos, producción y presentación del producto, desarrollando habilidades para la vida como colaboración, creatividad, administración de recursos y resolución de problemas.

Finalmente, el proyecto culminó en un ejercicio real de emprendimiento social, de la mano con la fundación Somos el cambio. Durante la feria de emprendimiento, los estudiantes comercializaron sus productos con el propósito de recaudar fondos para apoyar al equipo “Blindados” en sus competencias deportivas fuera del estado. En ese momento, el aprendizaje dejó de sentirse como una actividad exclusivamente escolar y se convirtió en una experiencia con propósito, donde las ciencias, nutrición, emprendimiento, inclusión y transformación social dejaron de existir por separado para integrarse en un mismo proceso educativo.

Reflexión

Después de años participando en distintos esfuerzos de innovación educativa, he comprendido que transformar la educación no depende únicamente de incorporar nuevas metodologías o tecnologías, sino de lograr coherencia entre las decisiones pedagógicas, los espacios de aprendizaje, las experiencias que vive la comunidad estudiantil y el propósito formativo que guía todo el proceso. Cuando estas dimensiones se articulan, el aprendizaje deja de sentirse fragmentado y comienza a adquirir sentido para quienes lo viven.

La verdadera innovación educativa no radica en hacer cosas distintas de manera aislada, sino en lograr que todas las decisiones que configuran el aprendizaje apunten en la misma dirección. Y esa dirección, hoy más que nunca, exige formar personas capaces no sólo de adaptarse al mundo, sino de transformarlo.

Acerca del autor

Eliud Quintero Rodríguez (eliud.quintero@gmail.com) es Doctor en Innovación Educativa. Fue Director Nacional del Programa de Innovación Educativa en el Tecnológico de Monterrey y actualmente es CEO del instituto Docet. Cuenta con más de 15 años de experiencia impulsando proyectos de transformación educativa en distintos niveles educativos.

Referencias

OECD (2023). Future of Education and Skills 2030/2040: OECD Learning Compass. OECD Publishing.

Quintero, E. (2019). ¿Cómo preparar profesionales ante la incertidumbre? Observatorio de Innovación Educativa.

UNESCO (2021). Reimagining our futures together: A new social contract for education. World Economic Forum. (2025). The Future of Jobs Report 2025.

Tomado de EDUBITS del Tec de Monterrey

La nueva aitoxicación del conocimiento

 Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz

Nadie se dio cuenta de cuándo ocurrió. No hubo un momento preciso ni una señal que lo anunciara. Simplemente, un día empezamos a hacer las cosas más rápido: a comprender sin profundizar, a responder sin detenernos, a confiar en respuestas que aparecían antes de que termináramos de formular la pregunta.

Durante siglos, el diagnóstico fue claro: el problema era la escasez de información. Se asumía que ampliar el acceso al conocimiento permitiría mejorar la comprensión, fortalecer el pensamiento crítico y democratizar el saber. Ese objetivo se logró en buena medida. Hoy la información no solo es abundante, sino ubicua, inmediata y, en muchos casos, anticipatoria.

Sin embargo, en medio de esta expansión se produjo un desplazamiento menos visible, pero más profundo. Dejamos de pensar para buscar y comenzamos a buscar, o incluso a recibir, sin haber pensado antes. Las respuestas empezaron a llegar primero; el pensamiento, si aparece, lo hace después.

La irrupción de la inteligencia artificial marca un punto de inflexión. No se limita a facilitar el acceso a la información. Interviene en los recorridos del pensamiento: acorta búsquedas, organiza respuestas y reduce la fricción que históricamente acompañaba al acto de comprender. En ese contexto, pensar comienza a percibirse como un esfuerzo evitable.

El problema no radica en la tecnología en sí misma, sino en la relación que establecemos con ella. La claridad aparente, la inmediatez y la disponibilidad constante generan una ilusión de comprensión que puede sustituir los procesos de elaboración intelectual. Comprender no es recibir información; implica interrogarla, ponerla a prueba y apropiarse de ella.

A este fenómeno lo denominamos aitoxicación. No se trata únicamente de un exceso de información mediada por inteligencia artificial, sino de una transformación en la forma en que nos vinculamos con el conocimiento. La aitoxicación se manifiesta en la reducción de la duda, en la superficialidad interpretativa y en la delegación progresiva del pensamiento hacia sistemas que operan con rapidez, pero sin criterio humano.

Comprender este fenómeno exige situarlo en una trayectoria más amplia. La sobrecarga informativa no es nueva; ha acompañado a la humanidad desde la oralidad, la escritura y la imprenta hasta la era digital. Sin embargo, la inteligencia artificial introduce una diferencia cualitativa: ya no solo amplifica la información, sino que modifica las condiciones bajo las cuales pensamos con ella. En este desplazamiento, la infoxicación se transforma en aitoxicación, y con ello cambia no solo la cantidad de información disponible, sino la forma en que la procesamos.

Frente a este escenario, la respuesta no puede reducirse al rechazo ni a la desconexión. La inteligencia artificial forma parte del entorno contemporáneo y seguirá expandiéndose. El desafío no consiste en evitarla, sino en aprender a relacionarnos con ella sin perder la capacidad de pensar.

Este libro no busca rechazar ni idealizar la inteligencia artificial. Propone comprender cómo se configura la aitoxicación, cómo impacta en la mente, la docencia y la construcción del conocimiento, y cómo sostener una relación distinta con la tecnología. El libro se divide en cuatro partes y doce capítulos. La primera parte la denominamos el nacimiento de una nueva intoxicación; la segunda trató los síntomas de la aitoxicación; la tercera, la aitoxicación en educación, docencia e investigación, y en la cuarta exponemos el modelo C.A.R.E

Lo invitamos a obtener el libro en formato Kindle en esta dirección

Tomado de 366 días

Cómo citar la inteligencia artificial en los trabajos académicos: guía práctica para investigadores y estudiantes

 Tomado de Universo Abierto

Universitat Oberta de Catalunya (UOC). ¿Cómo citar la IA en los trabajos? Barcelona: Biblioteca de la UOC. Disponible en: https://hdl.handle.net/10609/148823

La guía elaborada por la Biblioteca de la Universitat Oberta de Catalunya ofrece orientaciones prácticas para el uso responsable y la correcta citación de herramientas de inteligencia artificial generativa en trabajos académicos y científicos.

El documento parte de la premisa de que la IA puede ser un apoyo útil para la investigación y la redacción, pero advierte que sus resultados deben verificarse siempre, ya que estas herramientas pueden proporcionar información incorrecta o incluso inventar fuentes bibliográficas. Por ello, recomienda solicitar las fuentes utilizadas por la IA, contrastarlas críticamente y citar directamente las fuentes originales cuando sean fiables. Además, cuando la IA forme parte del proceso de investigación, su utilización debe describirse explícitamente en la metodología del trabajo.

La publicación distingue entre la citación de una conversación mantenida con una herramienta de IA y la citación de la propia herramienta. Una conversación solo debería citarse cuando exista un enlace permanente y público que permita a otras personas recuperar y consultar el contenido exacto del diálogo. En aquellos casos en que la conversación no pueda compartirse por razones técnicas, éticas o de privacidad, la recomendación es citar únicamente la herramienta empleada, indicando claramente que se utilizó como apoyo durante la elaboración del trabajo.

La guía también aclara cuándo no es necesario citar la IA. Por ejemplo, no se requiere referencia cuando la herramienta se utiliza únicamente para localizar fuentes de información, del mismo modo que no se cita un buscador web o una base de datos. Tampoco suele ser necesario citar funciones de IA integradas en programas de uso cotidiano. Sin embargo, cuando la inteligencia artificial constituye una parte relevante del método de investigación, su utilización debe documentarse obligatoriamente.

Uno de los aspectos más valiosos del documento es su análisis comparativo de distintos estilos de citación. La UOC señala que, aunque todavía no existe una normalización universal, algunos estilos han comenzado a desarrollar pautas específicas. Entre ellos destaca especialmente APA, considerado el sistema que ofrece actualmente las orientaciones más completas y detalladas para referenciar contenidos generados mediante inteligencia artificial. Además, se subraya que las respuestas de los sistemas generativos son dinámicas y pueden variar entre sesiones, por lo que es importante documentar el texto exacto utilizado, incorporándolo en anexos o materiales suplementarios cuando resulte relevante para la comprensión del trabajo.

El documento dedica apartados específicos a los estilos APA, Vancouver, ISO 690, Chicago y Harvard. Para cada uno de ellos proporciona modelos concretos de referencia bibliográfica y ejemplos de citas dentro del texto. En términos generales, la recomendación es incluir la conversación en la bibliografía únicamente cuando exista una URL pública y permanente. En caso contrario, la referencia debe limitarse al texto o a notas explicativas. La guía adapta además las normas de estilos que todavía no contemplan oficialmente la inteligencia artificial, ofreciendo propuestas prácticas para mantener la coherencia académica y la trazabilidad de las fuentes utilizadas.

Finalmente, la guía insiste en la necesidad de actuar con transparencia académica. Los autores recomiendan informar siempre del uso de herramientas de IA cuando estas hayan intervenido en la elaboración, revisión, traducción o generación de contenidos. Esta transparencia permite evaluar adecuadamente el proceso de trabajo, favorece la reproducibilidad de la investigación y contribuye a mantener la integridad académica en un contexto en el que las tecnologías generativas están adquiriendo un papel cada vez más relevante en la producción de conocimiento

Tomado de Unievrso Abierto

La Universidad en la era del #dato: una transformación que ya no puede postergarse

 Por Paola Dellepiane

La transformación digital de la Universidad no consiste solo en incorporar nuevas plataformas, automatizar trámites o digitalizar procesos administrativos. Supone, repensar cómo las instituciones producen, gestionan, interpretan y utilizan sus datos para mejorar la toma de decisiones, la enseñanza, la investigación y la experiencia de sus comunidades.

Los datos representan propiedades de objetos, hechos o conceptos, y por sí mismos suelen tener poca relevancia, pero cuando los procesamos y los analizamos estamos en condiciones de extraer información para, finalmente, generar conocimiento y comprensión. 

La transformación digital educativa no sólo consiste en incorporar tecnología. Consiste en desarrollar una cultura institucional capaz de mirar sus datos, comprenderlos críticamente y convertirlos en mejores decisiones.

Y este es precisamente el objetivo que se fija la analítica de datos: la extracción de conocimiento a partir de los datos disponibles. Un conocimiento que no se limita a explicar lo que ha ocurrido (análisis descriptivo), sino predictivo, e incluso, recomendar acciones concretas (análisis prescriptivo). 

En las últimas décadas se ha visto potenciado gracias a la gran cantidad de datos disponibles y la posibilidad de su almacenamiento, ya no solo de datos estructurados procedentes de las operaciones de las organizaciones, sino también los obtenidos a partir de una gran variedad de medios y formatos generados por nuestra actividad en internet, especialmente de las redes sociales, plataformas de contenido, comercio electrónico y búsqueda de información.

Se agrega también la gran capacidad de cómputo y la aparición de nuevas técnicas y herramientas de mano del aprendizaje automático o de la inteligencia artificial, lo que posibilita descubrir patrones y relaciones complejas entre los datos.

Transparencia y explicabilidad son requisitos fundamentales para asegurar que los datos utilizados en la toma de decisiones no sean incompletos, sesgados o de procedencia ilegítima. Con el aumento de la cantidad y diversificación de fuentes de datos, esta garantía se convierte en una tarea compleja. 

En tanto, la analítica de datos abre oportunidades muy concretas para la educación superior, como ser la detección de patrones de rendimiento académico, la anticipación de riesgos de abandono, la personalización de las trayectorias formativas, como también la contribución a la mejora de los procesos de gestión.

El informe “Tendencias TIC 360: Analítica de datos en la Universidad” (2023) plantea una idea central: sin una estrategia de datos sólida, la universidad corre el riesgo de quedarse en una digitalización superficial. Tener datos no alcanza. Es necesario contar con capacidades institucionales para transformarlos en información relevante, conocimiento útil y decisiones responsables.

Pero el desafío no es solamente técnico. La gestión del dato exige gobernanza, calidad, interoperabilidad, seguridad, privacidad, transparencia y explicabilidad. Requiere también de perfiles profesionales especializados, equipos interdisciplinarios y una cultura institucional capaz de integrar áreas académicas, administrativas, tecnológicas y de gestión.

En este sentido, la analítica de datos puede contribuir a hacer una universidad más eficiente, inclusiva y orientada al aprendizaje. Por ello, la pregunta “clave y estratégica” ya no es si las universidades deben trabajar con datos, sino cómo hacerlo de manera responsable. 

Preguntas cómo ¿Con qué modelos de gobernanza? ¿Con qué capacidades internas? ¿Con qué criterios hacer la selección de datos? ¿Con qué articulación entre tecnología, docencia, investigación y gestión? son claves plantearse al interior de una institución que elige decidir mejor a partir de los datos que tiene.

Tomando de Aplicaciones educativas en entornos virtuales