jueves, 18 de junio de 2026

Cómo la taxonomía de Marzano y Kendall replantea el aprendizaje

 Por Paulette Delgado de EDUNEWS

En el ámbito educativo, es muy común hacer uso de taxonomías para ordenar los tipos de conocimiento y así poder definir objetivos claros, estructurar clases y actividades, así como diseñar evaluaciones. La más popular de ellas es la taxonomía de Bloom, un modelo clásico que se desarrolló en la década de los cincuenta que organiza el desarrollo cognitivo en seis niveles de complejidad cognitiva. Esta taxonomía parte de la idea de que aprender no consiste únicamente en memorizar información, sino también en comprenderla, aplicarla, analizarla, crear nuevas ideas y evaluar argumentos. 

Gracias a este modelo, docentes de todo el mundo comenzaron a diseñar actividades y objetivos educativos que promueven un aprendizaje más profundo y significativo. Sin embargo, con el paso del tiempo, investigaciones en educación y ciencias cognitivas mostraron que adquirir conocimiento implica mucho más que desarrollar habilidades cognitivas. Es importante agregar aspectos como la motivación, las emociones, la autorregulación y la capacidad de reflexionar, ya que son cosas que afectan la manera en que procesamos y utilizamos la información.

En este contexto, la propuesta de Robert Marzano y John Kendall puede entenderse como una evolución o ampliación de Bloom, puesto que incorpora dimensiones relacionadas con la metacognición y la conciencia sobre el propio proceso educativo del estudiantado y los factores emocionales que intervienen. Es una taxonomía que amplía la visión tradicional de aprendizaje y propone una mirada más integral sobre cómo las personas adquieren, procesan y utilizan el conocimiento.

Aprender ya no es lo mismo que en la década de los 50

La taxonomía de Bloom surgió en una época donde gran parte del conocimiento provenía de las aulas, libros y medios tradicionales. Se consideraba que memorizar información y desarrollar habilidades cognitivas que permitieran a los estudiantes comprender y aplicar lo aprendido era lo más fundamental, ya que acceder a la información no era tan inmediato como hoy en día. El aula funcionaba como un espacio de transmisión de contenidos donde los profesores representaban una de las principales fuentes de conocimiento.

Sin embargo, la relación que tenemos con la información ha cambiado radicalmente en las últimas décadas. El internet ha permitido acceder a una cantidad prácticamente ilimitada de contenido, especialmente ahora con herramientas como la IA generativa que producen respuestas, resúmenes y explicaciones en cuestión de segundos. Ahora, memorizar datos no es suficiente; el reto está en saber interpretar, cuestionar y utilizar éticamente esos resultados. 

Es aquí donde la taxonomía de Marzano y Kendall toma relevancia, ya que no se limita a organizar habilidades cognitivas, sino que intenta explicar cómo funciona el aprendizaje desde un contexto más humano. Para estos autores, adquirir conocimiento va más allá de memorizar o analizar información. También incluye procesos mentales relacionados con la conciencia sobre el propio pensamiento y la disposición emocional del estudiante para involucrarse en su educación.

La taxonomía de Marzano y Kendall: las emociones también enseñan

A diferencia de la taxonomía de Bloom, en la que existe una jerarquía progresiva de habilidades cognitivas, estos autores proponen un modelo en el que distintos procesos interactúan entre sí. Para ellos, el aprendizaje se organiza a partir de tres grandes dimensiones mentales: la cognitiva, la metacognitiva y el self-system o sistema interno. Cada una cumple una función distinta y, juntas, permiten comprender por qué la educación implica mucho más que memorizar.

Para empezar, el sistema cognitivo se relaciona con los procesos mentales que se utilizan al procesar datos, como recordar información, comprender conceptos, analizar ideas y utilizar lo que sabemos para resolver problemas. Es la parte que más se relaciona con los niveles de la taxonomía de Bloom.

Después está el sistema metacognitivo, que se encarga de supervisar y regular el aprendizaje. Aquí es donde entran los procesos como plantearse metas, monitorear el nivel de comprensión, identificar errores y decidir qué estrategias utilizar para apropiarse del conocimiento. En otras palabras, es lo que implica desarrollar conciencia sobre el propio pensamiento.

Por último, está el sistema interno, que integra las emociones y la motivación dentro de este proceso. Aquí, el cerebro evalúa si una tarea merece atención y esfuerzo, considerando factores como qué tan interesante parece el contenido, la percepción que el estudiante tiene de sus propias capacidades o la importancia que esa actividad representa para ella o él.

Aunado a esto, dentro del sistema cognitivo, Marzano y Kendall describen distintos niveles de procesamiento del conocimiento que explican cómo el estudiante interactúa con la información y qué tan complejas son las tareas mentales involucradas. Estos niveles ayudan a entender que no todas las actividades cognitivas requieren el mismo esfuerzo ni la misma profundidad. Por ejemplo, recordar la tabla periódica requiere un tipo de procesamiento distinto al de analizar las causas de un conflicto social o al de utilizar ese conocimiento para resolver un problema cotidiano.

El primer nivel es la recuperación, que es donde el aprendizaje se relaciona con memorizar información, reconocer conceptos o identificar datos específicos, como fechas históricas, nombres o eventos. Aunque suele considerarse una habilidad básica, es de suma importancia porque funciona como punto de partida para procesos más complejos.

Después está la comprensión, en la que la información deja de ser únicamente recordada y comienza a adquirir significado. Es aquí donde un estudiante puede explicar un concepto con sus propias palabras, resumir una lectura o relacionar datos nuevos con material previo. Por ejemplo, memorizar una fórmula matemática no implica necesariamente entender qué representa o por qué funciona. La comprensión aparece cuando el estudiante puede interpretar el procedimiento y explicar la lógica detrás de él, en lugar de únicamente repetirlo de memoria.

En tercer lugar está el análisis, un nivel que se relaciona con comparar ideas, identificar patrones, clasificar información y detectar relaciones entre conceptos. Es aquí donde surge el pensamiento crítico, porque implica cuestionar y examinar información más allá de su significado superficial. Por ejemplo, detectar sesgos en noticias o comparar diferentes fuentes.

El siguiente nivel es la aplicación de conocimientos, donde el estudiante aplica lo que sabe para resolver problemas, tomar decisiones o enfrentarse a situaciones reales. Aquí la información deja de permanecer únicamente en el plano teórico. Un estudiante puede comprender cómo funciona un porcentaje, pero utilizar lo que conoce implica aplicarlo en contextos cotidianos, como calcular descuentos o propinas.

Aunque estos niveles tienen cierta similitud con lo propuesto por Bloom, Marzano y Kendall consideran que el aprendizaje no ocurre únicamente como una secuencia lineal de dificultad; más bien, los distintos sistemas mentales interactúan constantemente durante la adquisición de conocimientos. 

Por otra parte, uno de los aspectos más innovadores de la taxonomía de estos dos autores es la incorporación de factores emocionales y de la motivación dentro del aprendizaje. Durante mucho tiempo, la educación creó una separación entre procesos cognitivos y emociones, como si dependiera únicamente de capacidades racionales. Sin embargo, aspectos como la ansiedad, la frustración, el interés, la confianza, etcétera, afectan directamente la manera en que entendemos nuevos conceptos. 

Marzano y Kendall integran estos factores dentro del sistema interno, una dimensión que relaciona las emociones, la motivación y la percepción que el estudiante tiene sobre sí mismo. Desde esta perspectiva, antes de involucrarse en una actividad, las personas evalúan si la tarea les parece interesante, relevante o demasiado complicada. 

El ejemplo más claro es cuando un estudiante escucha constantemente que “no es bueno para las matemáticas” y comienza a perder confianza en sí mismo y empieza a desarrollar rechazo o ansiedad hacia esa materia, incluso si posee las habilidades necesarias para comprenderla. De la misma manera, una persona con confianza y que esté motivada emocionalmente suele mostrar mayor disposición para persistir en tareas complejas y enfrentar retos académicos. 

La incorporación de estos elementos resulta especialmente relevante en un contexto en el que la atención se fragmenta constantemente por los estímulos digitales. Redes sociales, notificaciones y plataformas digitales compiten continuamente por captar la atención de los estudiantes, lo que vuelve cada vez más importante desarrollar habilidades relacionadas con la autorregulación y la concentración.

Otro de los conceptos centrales de esta taxonomía es la metacognición, que es la capacidad de reflexionar sobre el propio pensamiento y supervisar cómo adquirimos conocimiento. Es una habilidad sumamente relevante actualmente debido al crecimiento del aprendizaje autónomo y de las herramientas digitales, como adquirir conocimientos a través de cursos en línea, videos o redes sociales sin un docente presente. En esos contextos, saber gestionar el propio proceso educativo resulta fundamental. 

Además, la inteligencia artificial generativa ha provocado nuevas discusiones sobre qué significa realmente aprender. Herramientas capaces de generar respuestas inmediatas pueden facilitar tareas académicas, pero también generar una ilusión de conceptos adquiridos. Leer una explicación o copiar una respuesta no necesariamente implica comprenderla. La diferencia ya no radica únicamente en acceder a la información, sino en saber qué hacer con ella.

Aunque la taxonomía de Marzano y Kendall suele utilizarse para diseñar actividades, objetivos de aprendizaje y evaluaciones, su importancia va más allá de la planeación educativa. Este modelo también permite comprender cómo los estudiantes se relacionan con su proceso educativo en contextos cada vez más complejos y saturados de información.

Por ejemplo, esta taxonomía puede ayudar a los y las docentes a diseñar actividades que no se limiten únicamente a la memorización. Un objetivo centrado en la recuperación podría pedir a los estudiantes que identifiquen conceptos básicos, mientras que una actividad de aplicación del conocimiento implicaría resolver problemas reales o tomar decisiones a partir de la información aprendida. Además, el modelo permite incorporar estrategias relacionadas con la reflexión y la autorregulación, como pedirle al alumno que evalúe sus propios procesos de aprendizaje o identifique qué estrategias le resultaron más útiles para comprender un tema.

Y aunque la taxonomía de Bloom sigue siendo una de las herramientas educativas más influyentes del último siglo y fundamental para estructurar objetivos y actividades de aprendizaje, propuestas como las de Marzano y Kendall permiten ampliar esa visión e incorporar nuevos aspectos que quedaron fuera de las discusiones educativas tradicionales.

Más allá de memorizar información o desarrollar habilidades cognitivas, esta taxonomía recuerda que la educación también implica emociones, motivación, hábitos mentales y procesos de autorregulación. En otras palabras, el aprendizaje no ocurre únicamente en la memoria; también depende de cómo las personas perciben sus capacidades, gestionan su atención y construyen significado a partir del  conocimiento que procesan.

En una época marcada por la inteligencia artificial, la sobrecarga informativa y la necesidad constante de aprender cosas nuevas, quizá el mayor desafío educativo ya no consiste únicamente en enseñar más contenidos, sino en ayudar a las personas a comprender cómo aprenden, desarrollar pensamiento crítico y construir una relación más consciente con el conocimiento.

Tomado de EDUNEWS del Tec de Monterrey

miércoles, 17 de junio de 2026

El auge del audiolibro: crecimiento del mercado y hábitos de consumo en 2025–2026

 Tomado de Universo Abierto

Audio Publishers Association (APA). “2026 Consumer & 2025 Sales Surveys.” APA, 2026. https://www.audiopub.org/surveys

El informe presenta los resultados de las encuestas anuales de la Audio Publishers Association (APA), elaboradas junto a firmas de investigación como Edison Research y Toluna, que analizan la evolución del mercado de audiolibros en Estados Unidos durante 2025 y 2026. Los datos muestran un crecimiento sostenido del sector, con ventas que alcanzan los 2,43 mil millones de dólares en 2025, lo que supone un aumento del 9 % respecto al año anterior. Este crecimiento se acompaña de una expansión significativa del catálogo, que supera las 750.000 obras activas, un 43 % más que en 2024.

En cuanto al consumo, el estudio indica que aproximadamente el 58 % de los adultos estadounidenses ha escuchado al menos un audiolibro, lo que equivale a unos 157 millones de personas. Los oyentes consumen una media de 3,8 audiolibros al año, y más de una cuarta parte escucha cuatro o más títulos anualmente. El acceso a los audiolibros es diverso, combinando compras directas, suscripciones, préstamos en bibliotecas digitales y sistemas de créditos de plataformas especializadas.

El informe también destaca tendencias de comportamiento: la principal motivación para escuchar audiolibros es la posibilidad de realizar multitarea y el consumo “en movimiento”. Asimismo, se observa un crecimiento de la producción de audiolibros narrados con inteligencia artificial, aunque la disposición del público a consumirlos ha disminuido ligeramente. Por otro lado, el estudio identifica a la ficción como el principal motor del mercado, con especial crecimiento en géneros como romance, ciencia ficción y literatura juvenil.

En conjunto, las encuestas reflejan un sector en expansión, cada vez más diversificado en formatos, plataformas y hábitos de consumo, donde los audiolibros consolidan su papel como una de las principales formas de consumo de contenido narrativo digital.

Tomado de Universo Abierto

martes, 16 de junio de 2026

Observatorio de inteligencia artificial en bibliotecas de América Latina – Informe 1° 2026

 Tomado de Universo Abierto

Gutiérrez, F. G. (2026). Observatorio de inteligencia artificial en bibliotecas de América Latina – Informe 1° 2026. Del Papel al Algoritmo – DPA Labs. https://doi.org/10.5281/zenodo.20585963

El informe “Observatorio de IA en Bibliotecas de América Latina (OLIAB)”, desarrollado por el proyecto Del Papel al Algoritmo (DPA Labs), constituye uno de los primeros intentos sistemáticos de medir el grado real de adopción de inteligencia artificial en bibliotecas latinoamericanas. Su propósito principal es establecer una línea de base regional durante el primer semestre de 2026, construyendo un panorama documentado sobre cómo las bibliotecas de América Latina están incorporando tecnologías de IA, qué usos concretos están implementando y cuáles son las limitaciones estructurales que impiden una adopción más equilibrada.

El hallazgo central del informe es contundente: la inteligencia artificial ya forma parte del ecosistema bibliotecario latinoamericano, pero su incorporación es profundamente desigual, fragmentaria y carece, en la mayoría de los casos, de estructuras de gobernanza institucional. Dicho de otra forma, existen múltiples iniciativas reales de experimentación y adopción, pero prácticamente no existen políticas institucionales sólidas relacionadas con privacidad, transparencia algorítmica, supervisión humana o evaluación de impacto.

El observatorio diseña además un índice propio denominado ILIAB (Índice Latinoamericano de IA en Bibliotecas) que clasifica el nivel de madurez institucional en cuatro niveles: incipiente, exploratoria, en consolidación y avanzada. Este índice no mide percepción sino evidencia pública verificable, lo que lo convierte en una herramienta metodológica particularmente rigurosa.

La región ya adoptó IA, pero de forma profundamente desigual

Uno de los aspectos más relevantes del estudio es que desmonta cierta narrativa excesivamente optimista sobre la adopción global de inteligencia artificial en bibliotecas. Muchas publicaciones internacionales citan que el 67% de las bibliotecas del mundo exploran o implementan IA, dato procedente del informe Clarivate Pulse of the Library 2025. Sin embargo, OLIAB demuestra que este dato resulta metodológicamente engañoso para América Latina.

La razón es clara: la muestra global estaba compuesta por 2.032 respuestas procedentes de 109 países, pero el 77% pertenecía a bibliotecas académicas y el 46% provenía exclusivamente de Estados Unidos, por lo que no representa adecuadamente la realidad latinoamericana.

En contraste, el benchmark regional más sólido disponible analizó 222 bibliotecas distribuidas en 22 países latinoamericanos, concluyendo que la adopción regional sigue siendo limitada debido a tres barreras estructurales principales:

  • Falta de recursos financieros
  • Resistencia institucional al cambio
  • Insuficiencia de habilidades especializadas en IA

Países con mayor evidencia de implementación

El observatorio detecta que algunos países están avanzando más rápidamente en el uso institucional de IA dentro de bibliotecas.

Brasil aparece como el país con mayor volumen de evidencia pública documentada. Se destacan universidades como:

  • Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) con guías sobre uso responsable de IA
  • Universidade Estadual de Campinas (UNICAMP), utilizando IA para comunicación institucional
  • Redes profesionales como FEBAB

México muestra actividad sostenida a través de:

  • Universidad Nacional Autónoma de México (UNAM)
  • investigaciones sobre procesamiento del lenguaje natural aplicado a catalogación
  • desarrollo de sistemas inteligentes de búsqueda documental

Colombia destaca por experiencias públicas innovadoras:

  • BibloRed Bogotá con programas de alfabetización crítica en IA
  • Red de Bibliotecas de Medellín usando laboratorios con IA generativa
  • chatbot bibliotecario “Bibliobot” desarrollado en Uniremington

Perú, Chile, Ecuador y Argentina presentan iniciativas aisladas pero relevantes, especialmente en universidades y redes académicas.


El caso más avanzado: BIREME

El informe identifica un único caso regional que alcanza el nivel máximo del índice ILIAB (4/4):

BIREME

BIREME, organismo vinculado a la Pan American Health Organization y la World Health Organization, constituye el ejemplo más maduro de implementación regional.

Sus desarrollos incluyen:

  • DeCS Finder AI, sistema inteligente de sugerencia terminológica
  • Super Summaries, que ya cubre aproximadamente 60% de la base de datos LILACS
  • Sistemas FI-Admin e iAHx
  • Estrategia institucional 2023-2025 integrando modelos de lenguaje (LLM)

Es el único caso donde el observatorio detecta:

  • gobernanza documentada
  • evaluación parcial de impacto
  • infraestructura propia
  • alcance multinacional

Bibliotecas escolares: el gran vacío regional

Uno de los diagnósticos más preocupantes del informe es la situación de las bibliotecas escolares.

Entre las seis tipologías analizadas, las bibliotecas escolares obtienen el nivel más bajo posible:

ILIAB 1/4 (incipiente)

El observatorio concluye que no existe en ningún país latinoamericano una política pública específica que incorpore inteligencia artificial en bibliotecas escolares.

Las razones son principalmente estructurales:

  1. Infraestructura tecnológica insuficiente
  2. Ausencia de organismos coordinadores
  3. Prioridad presupuestaria en necesidades más básicas
  4. Falta de visibilidad institucional

La IA, concluye el informe, “llega última allí donde la infraestructura llega tarde”.


Ranking regional ILIAB

El índice ILIAB clasifica seis grandes tipologías bibliotecarias.

Tipo de bibliotecaNivel
Bibliotecas universitarias y académicas3/4
Bibliotecas de salud y científicas4/4
Bibliotecas públicas y comunitarias2/4
Bibliotecas nacionales y patrimoniales2/4
Bibliotecas parlamentarias y especializadas2/4
Bibliotecas escolares1/4

Las bibliotecas universitarias lideran en cantidad de proyectos, mientras que las bibliotecas especializadas en salud presentan la mayor madurez tecnológica.


El problema más grave: adopción sin gobernanza

Quizá la conclusión más importante del informe no es tecnológica sino institucional.

Las bibliotecas latinoamericanas están adoptando IA, pero casi ninguna ha desarrollado políticas formales sobre:

  • privacidad de datos de usuarios
  • sesgos algorítmicos
  • supervisión humana
  • trazabilidad de resultados
  • auditoría de errores
  • contratos equilibrados con proveedores externos

Esto genera un problema crítico: las decisiones estratégicas quedan en manos de empresas proveedoras, no de las instituciones bibliotecarias.

El informe resume esta situación con una frase muy potente:

“La gobernanza la definen los proveedores, no las instituciones.”


La gran brecha: formación profesional insuficiente

Otro hallazgo relevante es la escasez de formación especializada en IA para bibliotecarios.

El informe detecta que muchos profesionales están buscando capacitación fuera del propio sector bibliotecario.

Un ejemplo significativo:

En un curso organizado por CONICET participaron 91 personas, y aproximadamente 30% eran profesionales de la información, lo que indica una demanda formativa activa.

El problema es que la formación existente:

  • está fragmentada
  • depende de iniciativas aisladas
  • no tiene enfoque bibliotecológico
  • suele venir del sector tecnológico generalista

El observatorio reclama formación:

  • en español
  • accesible económicamente
  • con enfoque crítico
  • orientada específicamente al trabajo bibliotecario

Seis grandes conclusiones estratégicas

El informe formula seis lecturas críticas sobre el futuro de la IA en bibliotecas latinoamericanas.

1. La adopción está siendo capturada, no gobernada

Las instituciones implementan tecnología sin controlar realmente sus condiciones de uso.

2. Existen dos velocidades

Universidades avanzadas progresan rápidamente mientras bibliotecas públicas, rurales o escolares quedan rezagadas.

3. Se habla mucho de IA pero se mide poco

Existen congresos, seminarios y debates, pero casi nadie publica métricas reales de impacto.

4. La mediación humana sigue siendo insustituible

Las bibliotecas públicas están encontrando valor en enseñar pensamiento crítico frente a la IA más que en automatizar servicios.

5. El idioma es un problema político

Los grandes modelos lingüísticos están entrenados principalmente en inglés, lo que introduce sesgos contra contextos latinoamericanos.

6. El tiempo profesional es el recurso más escaso

La formación y adaptación a la IA exige tiempo que normalmente no está reconocido institucionalmente.


Datos clave extraídos del documento

Datos cuantitativos

  • 91 participantes en curso CAICYT-CONICET
  • 30% de participantes eran bibliotecarios
  • 222 bibliotecas estudiadas en benchmark regional
  • 22 países latinoamericanos analizados
  • 2.032 bibliotecas en encuesta global Clarivate
  • 77% de muestra global = bibliotecas académicas
  • 46% de muestra global = Estados Unidos
  • 67% de bibliotecas globales exploran IA (dato no extrapolable a América Latina)
  • 60% de base LILACS cubierta por Super Summaries de BIREME

Conclusiones

América Latina no enfrenta un problema de acceso a herramientas de inteligencia artificial en bibliotecas. El verdadero problema es la falta de capacidad institucional para gobernar, regular, evaluar y apropiarse críticamente de esa tecnología.

La IA ya llegó a las bibliotecas latinoamericanas, pero el desafío decisivo no será adoptarla, sino controlar las condiciones bajo las cuales esa adopción ocurre.

Tomado de Universo Abierto

lunes, 15 de junio de 2026

¿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.





¿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