El término inteligencia artificial (IA) no dice nada significativo, y por ello, es que existen tantas discusiones y desacuerdos sobre el término. Se espera que la IA emule la mente humana, cuando en realidad se trata de sistemas de clasificación y optimización de patrones basados exclusivamente en datos.
En sintonía con lo expuesto por Kate Crawford en la obra “Atlas de la Inteligencia Artificial”, la inteligencia artificial no es ni inteligente ni artificial en el sentido convencional. No es simplemente un software inteligente, sino una tecnología con profundas implicaciones ambientales, económicas y políticas que automatiza clasificaciones preexistentes, pero aún es incapaz de alcanzar la comprensión profunda o el razonamiento general humano. Hay que tener presente que esta cantidad de datos es proporcionada por humanos, esto significa que la IA es entrenada con personas que proporcionan conversaciones y ayudan a mejorar el flujo de la conversación. Por ello, el sesgo es un tema vinculado directamente con esta tecnología.
Podemos entonces aproximarnos a una definición de la inteligencia artificial, como una entidad que combina aspectos físicos y materiales, compuesta de recursos naturales, combustibles, mano de obra, infraestructuras y clasificaciones.
El funcionamiento de una inteligencia artificial generativa es estadístico pero no semántico. Si bien se ha logrado un gran avance en procesamiento de lenguaje natural, al menos hasta hoy, las máquinas tienden a ser menos efectivas ante la demanda de una comprensión profunda.
La principal diferencia con el desarrollo digital y el funcionamiento algorítmico no está dada por el nivel de información que puede manejar una consciencia o una inteligencia, sino por el principio orgánico de autoafectación de la singularidad. La máquina es afectada directamente en un sentido de acumulación y funcionamiento, pero no puede autoafectarse, es decir, no es lo mismo tener información que hacer la experiencia. En síntesis, la principal diferencia está en que la IA no tiene relación con la experiencia.
Si el cerebro no piensa, sería muy extraño que la máquina de IA pudiera pensar. Pero sin cerebro no hay pensamiento. Sin embargo, el cerebro solo no piensa, lo hace a través de una interfaz que es parte de un conjunto orgánico.
Esta discrepancia entre la naturaleza puramente probabilística de la IA y las expectativas humanas desemboca en el principal conflicto que atraviesa a la universidad contemporánea: la disyunción entre lo verosímil (o plausible) y lo verdadero.
En un detallado análisis, Faraón Llorens-Largo y Rafael Molina-Carmona advierten sobre el fenómeno de la "plausibilidad sin veracidad". La #IAGenerativa está diseñada para generar respuestas convincentes y fluidas, pero totalmente indiferentes a su anclaje en el mundo real. Puede generar tanto correctas formulaciones científicas como "alucinaciones" elaboradas a partir de citas bibliográficas inexistentes o inferencias lógicamente pero no verdaderas.
La creatividad algorítmica es lo positivo del ChatGPT, otra idea que nos proponen los autores. En este sentido, la exposición cotidiana a la tecnología puede hacer que nos apartemos de nuestros objetivos. Resistir la fascinación tecnológica es "el desafío" de estos tiempos. El “estar siendo”, es la cultura de la existencia.
La encrucijada no exige que la Universidad compita contra la velocidad o el volumen de producción de las máquinas, sino focalizarse en profundizar donde el algoritmo solo sintetiza, y propiciar la primacía de la duda. La finalidad es garantizar que el avance tecnológico permanezca al servicio del hombre, el pensamiento crítico y el bien común.
Como señalan Llorens-Largo y Molina-Carmona, en la era de la IA generativa "la verdad no desaparece, pero se vuelve mucho más costosa de verificar". La sobreabundancia de textos plausibles traslada la carga de trabajo desde la producción hacia la validación.
En este contexto, cabe la pregunta: ¿Qué aspectos epistémicos, pedagógicos y ético-políticos deben orientar a la educación superior en esta era de automatización?
La Universidad tiene la misión de ser "el filtro" de los aspectos mencionados, capaz de discernir entre la acumulación de datos y la construcción genuina de conocimiento.
Fuente: Dellepiane, P. A. (2026). Reseña de «La inteligencia artificial no piensa (El cerebro tampoco)» de M. Benasayag y A. Pennisi. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología (TEyET), (43), e15. https://teyet-revista.info.unlp.edu.ar/TEyET/article/view/4554/2052
Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz
Del pedido aislado al procedimiento pedagógico reutilizable
Durante los últimos años aprendimos a hablar con la inteligencia artificial mediante prompts. Descubrimos que una instrucción vaga generaba respuestas igualmente vagas. Entonces comenzamos a precisar el contexto, asignar roles, describir tareas, señalar formatos y establecer criterios. El prompt se convirtió en la puerta de entrada a la inteligencia artificial generativa y, durante un tiempo, pareció ser también su forma definitiva de uso.
Alrededor de esta práctica surgió una verdadera cultura del prompt. Aparecieron cursos, fórmulas, repositorios y colecciones con miles de instrucciones listas para copiar. Se habló de ingeniería de prompts y se extendió la idea de que el usuario más competente era quien sabía escribir el pedido perfecto. En la educación ocurrió algo semejante, docentes y estudiantes aprendimos a solicitar planes de clases, rúbricas, cuestionarios, resúmenes, presentaciones, imágenes y proyectos, usando prompts largos y sofisticados.
El avance fue real, pero también mostró sus límites. Cada nueva tarea obligaba a reconstruir el contexto. El usuario debía recordar qué preguntar, en qué orden hacerlo, qué información entregar y cómo revisar la respuesta. Un prompt podía funcionar bien un día y perder parte de su eficacia al cambiar el tema, el grupo de tareas o la herramienta. También podía quedar abandonado en un archivo, en una conversación antigua o en una lista que nadie volvía a consultar.
Ese es el punto donde comienza el cambio que hoy observamos. No estamos pasando de los prompts a un mundo sin prompts. Estamos pasando del prompt aislado a las skills. El prompt no desaparece, deja de actuar solo. Se integra dentro de una estructura que conserva instrucciones, recursos, criterios, secuencias y formas de comprobación. Sugiero leer este post de Ramón Besonías que explica lo que ha comentado Google y OpenAi sobre sus futuros cambios favoreciendo las skills
Del prompt aislado a la skill
Un prompt aislado solicita una actuación; una skill conserva una forma de actuar. Esta diferencia parece breve, pero transforma la relación con la inteligencia artificial. El prompt suele responder a una necesidad puntual. La skill se prepara para resolver una familia de tareas semejantes sin reconstruir todo el procedimiento cada vez.
La documentación de OpenAI presenta las skills como una vía para guardar flujos de trabajo que Codex puede mantener disponibles y aplicar de nuevo. Una skill puede reunir instrucciones estables, archivos de referencia, plantillas, recursos y programas auxiliares. También puede indicar cuándo debe activarse, qué información debe solicitar y cuáles son los límites de su actuación.
El cambio puede entenderse mediante una comparación cotidiana. Un prompt se parece a una indicación que damos a una persona para resolver una tarea. Una skill se parece a un procedimiento de trabajo que esa persona puede consultar, aplicar y revisar. La primera instrucción puede ser acertada, pero depende del momento y de quien la formule. El procedimiento conserva la experiencia acumulada y reduce la necesidad de comenzar desde cero.
Por esta razón, la agonía anunciada en el título no corresponde literalmente a la muerte del prompt. Lo que agoniza es su aislamiento; pierde fuerza la práctica de buscar una instrucción milagrosa, copiarla, cambiar dos palabras y esperar un resultado confiable. Nace una lógica diferente: organizar el conocimiento necesario para que la inteligencia artificial desarrolle un proceso con cierta consistencia.
Esta transición modifica la pregunta inicial, antes nos preguntábamos qué prompt debíamos escribir. Ahora debemos preguntarnos qué procedimiento deseamos conservar, qué decisiones contiene, qué información necesita, qué errores debe evitar y cómo comprobaremos la calidad del resultado. El centro se desplaza desde la redacción de una orden hacia el diseño de una actuación completa.
La diferencia también aparece en la continuidad. Si pedimos mediante un prompt que se elabore una rúbrica, la inteligencia artificial puede producir una tabla aparentemente correcta. Sin embargo, no siempre preguntará por el tipo de aprendizaje, las condiciones de ejecución, las evidencias, la experiencia del estudiante o la relación entre proceso y producto. Una skill orientada a la evaluación puede conservar esas preguntas y formularlas al profesor en el momento adecuado. Puede detenerse cuando falta información y devolver la decisión al docente cuando el asunto no debe resolverse de manera automática.
En este sentido, la skill no es un prompt más largo. Tampoco es una colección de prompts colocados uno detrás de otro. Su rasgo distintivo consiste en articular entradas, operaciones, decisiones y resultados. Si está bien construida, sabe qué debe recibir, qué pasos debe ejecutar, qué debe producir y qué señales permiten revisar su trabajo.
Los estudios técnicos empiezan a mostrar el alcance de esta diferencia. SkillsBench evaluó 7.308 trayectorias de agentes en tareas de once campos. Las skills revisadas por especialistas elevaron 16,2 puntos porcentuales la tasa media de éxito. No todas funcionaron bien. En dieciséis tareas produjeron resultados inferiores y las skills creadas por los propios modelos no ofrecieron beneficios medios. Estos datos no demuestran que el aprendizaje fue reducido; muestran que la calidad del procedimiento influye en la actuación del agente. (Li et al., 2026)
La advertencia es clara: una skill no adquiere valor por el simple hecho de existir. Puede conservar instrucciones innecesarias, errores, sesgos o criterios desactualizados. Otro estudio examinó 238 skills y encontró problemas de autoría o estructura en más del 99 por ciento de los archivos analizados, lo que demuestra que un procedimiento reutilizable también puede reutilizar sus defectos. (Hong et al., 2026a)
Cuando el conocimiento docente se vuelve reutilizable
En la educación, el paso del prompt aislado a la skill abre una posibilidad de mayor alcance. Una parte del conocimiento docente puede convertirse en un procedimiento reutilizable. No se trata de guardar todas las decisiones del profesor dentro de una máquina. Se trata de conservar aquellas preguntas, criterios y secuencias que permiten orientar una actividad con coherencia.
Pensemos en el diseño de una evaluación para una actividad específica. Un prompt podría pedir: crea una evaluación para mi asignatura. La respuesta podría resultar atractiva, pero la inteligencia artificial tendría que completar por su cuenta muchos vacíos. Una skill educativa, en cambio, puede preguntar por el nivel, la asignatura, la cantidad de estudiantes, la modalidad, el lugar, el horario, los objetivos, el tiempo disponible y la experiencia previa. Puede relacionar la situación con las evidencias del proceso, el producto esperado, el uso transparente de la inteligencia artificial y los criterios de valoración. En otro artículo del blog compartiremos una skill para este tipo de tarea, la que fue probada con éxito en ChatGPT y Claude.
La diferencia no reside solamente en la cantidad de datos recogidos. La skill conserva una lógica diáctica. Sabe que una evaluación no comienza por la rúbrica, sino por la situación que el estudiante deberá afrontar, por el objetivo a evaluar. Comprende que el producto no basta para explicar el aprendizaje, necesita rastros del proceso, decisiones justificadas, versiones, revisión de fuentes y momentos de retroalimentación.
Esta idea conecta con la necesidad de hacer visible el aprendizaje cuando los estudiantes utilizan inteligencia artificial. El prompt aislado suele dirigir la atención hacia la respuesta final. La skill puede organizar el recorrido. Puede pedir al estudiante que explique qué solicitó, qué recibió, qué aceptó, qué rechazó y por qué transformó una propuesta. También puede exigir la revisión de las fuentes antes de emplear la información. De esta manera, el trabajo con IA deja de medirse solo por la apariencia del producto.
Las skills pueden contribuir a enfrentar la aitoxicación. Un prompt aislado facilita la producción inmediata de información, pero no siempre obliga a examinar su procedencia o pertinencia. Una skill de investigación puede incorporar pausas para localizar fuentes, contrastarlas, registrar decisiones y revisar afirmaciones. No garantiza el pensamiento crítico, pero puede crear condiciones para que este ocurra.
Desde el enfoque histórico cultural, la skill puede interpretarse como un instrumento mediador. Organiza la relación entre el sujeto, la tarea y el conocimiento. Su valor no se encuentra dentro del archivo, sino en la actividad que ayuda a realizar. Una skill que resuelve todo puede reducir la participación intelectual del estudiante. Una skill que pregunta, ofrece ayuda graduada y solicita explicaciones puede favorecer la apropiación del procedimiento.
Las investigaciones educativas directas sobre archivos SKILL.md todavía son escasas. Por esa razón, conviene observar tecnologías cercanas sin confundirlas con las skills. Un estudio con estudiantes de posgrado utilizó un GPT personalizado durante ocho semanas. Los participantes mostraron avances en metacognición y disposición para dirigir su aprendizaje, aunque la muestra fue pequeña. Lowry y sus colaboradores atribuyeron los resultados a las actividades estructuradas y adaptativas, no al uso genérico del modelo.(Lo et al., 2026)
Otra investigación, realizada por Kim M. (Kim, 2026), trabajó con estudiantes universitarios de coreano. El GPT personalizado ofrecía mediación graduada dentro de la zona de desarrollo próximo. Ajustaba el apoyo según las respuestas y utilizaba la evaluación dinámica para sostener la interacción. El estudio identificó avances en la producción lingüística y mostró que una configuración pedagógica puede cambiar la manera en que el estudiante se relaciona con el sistema. Este trabajo resulta cercano a la lógica que debería orientar una skill educativa.
También comienza a estudiarse la participación de los estudiantes en la creación de GPT personalizados. En una experiencia desarrollada en la Universidad de Monash, cinco estudiantes y cinco académicos crearon siete asistentes para distintas asignaturas. Los estudiantes informaron mayor agencia, sentido de autoría y capacidad para resolver problemas. La muestra impide generalizar, pero el estudio introduce una idea valiosa: el estudiante puede dejar de ser consumidor de una herramienta y convertirse en diseñador de la mediación. La experiencia de cocreación amplía el sentido educativo de estas tecnologías. (Hong et al., 2026b)
Este cambio también afecta al profesor. Durante la etapa del prompt aislado, el docente podía limitarse a buscar instrucciones creadas por otros. Con las skills debe explicitar su conocimiento, ordenar sus decisiones y someter su procedimiento a prueba. Crear una skill educativa obliga a responder preguntas incómodas: qué problema resuelve, qué evidencia produce, qué decisiones conserva el usuario, cuándo debe detenerse y qué riesgos introduce.
No toda tarea docente debe convertirse en una skill. Existen decisiones que dependen de la sensibilidad, la relación humana, el conocimiento del grupo y la interpretación del contexto. Tampoco conviene transformar una teoría pedagógica en una receta rígida. La reutilización resulta valiosa cuando conserva una orientación abierta a la revisión, no cuando congela la enseñanza.
Surge entonces una responsabilidad nueva. Las skills educativas deben revisarse como revisamos un programa de asignatura, una rúbrica o una estrategia didáctica. Necesitan pruebas con casos reales, límites claros, actualización de sus fuentes y vigilancia sobre los datos que utilizan. También requieren comprobar si ayudan a aprender, si ahorran tiempo, si motivan a estudiantes y profesores o solo aceleran la producción de documentos.
La educación no necesita skills que hagan más invisible el aprendizaje. Necesita estructuras que revelen el recorrido, conserven la decisión humana y permitan transferir lo aprendido a otras situaciones. Una buena skill no debe convertir al estudiante en operador de una secuencia automática. Debe ayudarlo a comprender la tarea, tomar decisiones y comprobar sus resultados.
Durante años nos concentramos en escribir pedidos más precisos. Ahora comenzamos a diseñar procedimientos más sólidos. El prompt fue una conversación puntual con la inteligencia artificial. La skill aspira a conservar una experiencia de trabajo. El primero solicita un resultado. La segunda organiza una ruta.
Agonizan los prompts aislados porque ya no basta con preguntar bien una sola vez. Nacen las skills porque necesitamos procesos que puedan repetirse, revisarse y compartirse. El prompt abrió la puerta. La skill organiza el recorrido. En la educación, ese recorrido solo tendrá sentido si mantiene al docente y al estudiante como autores de las decisiones que hacen posible el aprendizaje.
En el siguiente artículo explicaremos una skill para crear presentaciones de PowerPoint o Gamma, pero desde el concepto de la ruta crítica en el trabajo con los medios.
Referencias
Hong, D. B., Imani, A., & Ahmed, I. (2026). From anatomy to smells: An empirical study of SKILL.md in agent skills [Prepublicación]. arXiv. https://doi.org/10.48550/arXiv.2607.01456
Kim, M. (2026). Custom GPT as mediator: Dynamic assessment with beginner KFL learners. Language Learning & Technology, 30(1), 1–27. https://doi.org/10.64152/10125/73669
Li, X., Chen, W., Liu, Y., Zheng, S., Chen, X., He, Y., Li, Y., You, B., Shen, H., Sun, J., Wang, S., Zeng, Q., Wang, D., Zhao, X., Wang, Y., Ben Chaim, R., Di, Z., Gao, Y., He, J., … Lee, H. (2026). SkillsBench: Benchmarking how well agent skills work across diverse tasks [Prepublicación, versión 1]. arXiv. https://arxiv.org/abs/2602.12670v1
Lo, S., Lea, T., Mavromoustakos, A., Joseph, B., Yii, M., Exintaris, B., Karunaratne, N., Pearson, D. L., Ritchie, T., Yuriev, E., & Pyun, J. (2026). Co creating custom GPTs: An autoethnographic study of undergraduate students as partners in generative AI innovation. Frontiers in Education, 11, Article 1818781. https://doi.org/10.3389/feduc.2026.1818781
Lowry, B., McGrath, S., Eitel, C., Hall, H., & Clapp, T. R. (2026). Leveraging generative AI to foster metacognition and self directed learning. Journal of Microbiology and Biology Education, 27(1), Article e00153-25. https://doi.org/10.1128/jmbe.00153-25
Cualquier persona que trabaje con documentación acumula un fondo de textos que consulta una y otra vez: normativa, actas, memorias, apuntes, artículos. Preguntarle a una inteligencia artificial sobre ese material choca siempre con el mismo muro: hay que subirlo a algún sitio, o pegarlo en la conversación, o confiar en que el modelo lo recuerde de su entrenamiento, cosa que no ocurre.
Este artículo explica qué es un RAG (Retrieval Augmented Generation, en español «generación aumentada por recuperación»), qué es el protocolo MCP (Model Context Protocol, en español «protocolo de contexto del modelo») que hace posible esa conexión, cómo funciona el conjunto y cómo montarlo sin escribir una línea de código.
Si solo quieres las instrucciones, ve directamente a la guía rápida del final: reúne las tres que hacen falta, listas para copiar y pegar. El resto del artículo explica qué hace cada una y por qué, que es lo que permite juzgar si el resultado es bueno.
El código está publicado: el sistema completo que se describe aquí, con un fondo documental de ejemplo ya indexado, está en github.com/jjdeharo/cuadernos-rag, con licencia libre. Quien prefiera verlo antes de leer nada más, puede empezar por ahí.
Pódcast del artículo realizado por Gemini Notebook
Qué es un RAG
Un buscador colocado delante de una inteligencia artificial.
Un modelo de lenguaje, que es el programa que hay detrás de ChatGPT, Claude o Gemini, no puede leer mil páginas cada vez que recibe una pregunta porque no caben en una consulta y, aunque lo hiciese, resultaría lento y costoso. Lo que hace un RAG es localizar primero los pocos fragmentos que hacen falta para responder a esa pregunta concreta, y entregar solo eso. El modelo no aprende los documentos ni los memoriza: los consulta, como haría cualquiera con un libro delante, e indica de dónde ha salido cada afirmación.
La consecuencia práctica es doble. Por un lado, deja de haber límite de volumen: da igual que el fondo documental sean quinientas páginas o veinte mil, porque en cada consulta solo viajan unos pocos fragmentos. Por otro, y más importante, cada respuesta puede citar su fuente. En materia normativa o técnica, una respuesta sin fuente no tiene ningún valor.
Qué es el MCP
El servidor declara sus herramientas una vez y cualquier asistente compatible puede usarlas.
Un RAG, por sí solo, es una herramienta de línea de comandos: se le hace una pregunta y devuelve fragmentos. Útil, pero incómodo.
MCP son las siglas de Model Context Protocol, un estándar abierto propuesto por Anthropic a finales de 2024 y adoptado después por los demás asistentes. Resuelve un problema muy concreto: cómo permitir que una IA use herramientas externas sin que haya que programar una integración distinta para cada combinación de herramienta y asistente. Con MCP, quien construye la herramienta la describe una sola vez, y cualquier asistente compatible sabe cómo usarla.
Aplicado a un RAG, el cambio es importante, ya que en lugar de ejecutar búsquedas a mano y pegar los resultados en una conversación, el asistente busca por su cuenta, tantas veces como necesite. Ante una pregunta que cruza tres documentos distintos, hace tres búsquedas con vocabulario distinto, compara lo que encuentra y responde citando cada fuente. El fondo documental deja de ser un archivo aparte y pasa a estar dentro de la conversación.
Un servidor MCP no es más que un programa que declara qué sabe hacer. En el caso de un RAG documental, cuatro operaciones bastan: buscar pasajes, listar los documentos disponibles, ampliar el contexto de un pasaje concreto y recorrer un documento entero. El asistente decide cuándo usar cada una.
Conviene añadir una instrucción que gobierne su uso, porque sin ella el asistente tenderá a responder de memoria. Basta con una regla explícita: no afirmar nada que no proceda de una búsqueda, buscar varias veces reformulando con el vocabulario propio de cada fuente, citar siempre el identificador del pasaje, y decir con claridad cuándo el fondo documental no cubre la pregunta.
Cómo funciona por dentro
Arriba, la preparación: se hace una vez. Abajo, lo que ocurre en cada pregunta: dura un segundo.
Son cuatro piezas, y solo la última tiene que ver con la inteligencia artificial tal y como la entiende la mayoría.
Convertir a texto. PDF, páginas web, documentos de Word, audio transcrito: todo tiene que acabar siendo texto plano. Un PDF no guarda un texto, guarda dónde va cada letra en la página; al leerlo hay que reconstruir el orden, y en tablas o en textos a dos columnas se falla a menudo. Es la pieza menos vistosa y la que estropea el resultado con más frecuencia.
Trocear. Consiste en partir cada documento en fragmentos manejables y, aunque parezca un detalle de poca importancia, es lo que más determina la calidad final. Un troceado rudimentario corta cada mil palabras sin atender a dónde cae el corte, mientras que uno cuidadoso respeta la estructura del texto: en una norma, por ejemplo, un fragmento por artículo. La diferencia se aprecia en cuanto se formula una consulta concreta, porque en el primer caso llega un trozo que empieza a mitad de un artículo y se interrumpe antes de acabar el siguiente, mientras que en el segundo llega el artículo completo, con su título.
Convertir cada fragmento en números. De esto no se encarga un asistente de los que conversan, sino un programa mucho más pequeño, entrenado para una sola tarea: no redacta ni responde nada, solo lee un texto y devuelve números. A cada fragmento le asigna una lista de más de mil números que funciona como unas coordenadas: igual que una latitud y una longitud sitúan un lugar en un mapa, esos números sitúan el fragmento en un espacio donde la posición depende del significado. Los textos que hablan de lo mismo quedan cerca unos de otros, aunque estén escritos con palabras distintas; los que hablan de cosas diferentes quedan lejos.
A partir de ahí, buscar deja de ser comparar palabras y pasa a ser medir distancias. La pregunta se convierte también en un punto de ese mapa, y el sistema devuelve los fragmentos que han quedado más cerca. Por eso una consulta como «¿cuánta gente hace falta para que la reunión sea válida?» encuentra un párrafo que habla del «quorum de constitución», sin que compartan una sola palabra.
Buscar y citar. La búsqueda por significado es muy eficaz y tiene un punto ciego: los nombres propios y las referencias exactas. Ante una consulta por un artículo numerado o por unas siglas, falla, porque esas expresiones no significan nada, solo nombran. Por eso se hacen dos búsquedas a la vez (la de significado y la literal, por palabras) y se combinan los resultados. Después, un segundo modelo igual de mudo, llamado reranker, relee los mejores candidatos junto a la pregunta y los reordena. De ahí salen los fragmentos que se entregan al asistente, cada uno con su procedencia.
Todo esto ocurre en el propio ordenador, y conviene distinguir las tres piezas que intervienen, porque en la jerga a las tres se las llama «modelos» y no son lo mismo:
El conversor a números, o modelo de embeddings, que traduce cada fragmento a su lista de coordenadas. Ocupa unos dos gigabytes.
El reordenador, o reranker, que afina la lista de candidatos que ha devuelto la búsqueda. Ocupa algo más de uno.
El asistente, Claude, ChatGPT, Gemini, que es el que redacta la respuesta final.
Los dos primeros viven en el disco, se descargan una vez y funcionan sin conexión y sin coste. Mientras se consulta, además, se cargan en memoria: conviene tener unos cuatro gigabytes de RAM libres, aparte de los tres y medio que ocupan en el disco. Es un gasto que solo dura lo que dura la consulta, porque un sistema bien montado los suelta cuando pasan unos minutos sin preguntas. No conversan ni generan texto: entra un texto y sale un resultado numérico. Solo el tercero es lo que la mayoría llama «una IA», y no ve el fondo documental entero, sino los pocos fragmentos que la búsqueda le pone delante. Ningún documento sale del equipo.
Cómo montarlo sin saber programar
Hacen falta dos cosas: los documentos y un asistente que trabaje dentro del ordenador, con permiso para escribir programas y ejecutarlos. Hoy hay tres opciones equivalentes, y todas están disponibles tanto en el terminal como en una aplicación de escritorio, para quien prefiera no escribir órdenes:
Claude, de Anthropic: la orden claude en el terminal, o la aplicación de escritorio, que reúne tres modos: conversación, Claude Code y Cowork.
Codex, de OpenAI: la orden codex en el terminal, o su aplicación de escritorio, disponible para macOS, Windows y Linux.
Antigravity, de Google: un entorno de escritorio propio y la orden agy en el terminal, que desde junio de 2026 sustituye al anterior Gemini CLI.
Cualquiera de ellas sirve, y se instalan en un minuto. Lo único que importa es que el asistente pueda leer y escribir ficheros en las carpetas del equipo y ejecutar órdenes en él.
Esas tres son las que montan el sistema, y para eso conviene un modelo potente. Pero una vez montado, quien lo consulta a diario puede ser otro, y ahí entra una cuarta posibilidad: un modelo instalado en el propio ordenador. LM Studio es el camino sencillo, una aplicación de escritorio para Windows, macOS y Linux con una tienda de modelos integrada, que además reconoce el servidor del RAG igual que lo haría cualquier asistente comercial. llama.cpp es la alternativa para quien no quiera aplicación gráfica, con algo más de soltura técnica a cambio.
Merece la pena por una razón concreta. Con un asistente comercial, los documentos no salen del equipo, pero los pocos fragmentos que la búsqueda selecciona viajan con cada pregunta. Para normativa pública da igual; para un expediente o unas actas con nombres propios, no. Con un modelo local no sale nada: ni los documentos, ni los fragmentos, ni las preguntas. El precio es real, eso sí: sin una tarjeta gráfica potente, la respuesta tarda decenas de segundos, y los modelos que caben en un ordenador corriente citan con menos rigor. Para material sensible compensa; para material público, el asistente de siempre responde mejor y antes.
Conviene comprobar un detalle en las modalidades que trabajan dentro de una máquina virtual aislada, como el modo Cowork: si esa máquina es remota, los documentos salen del ordenador, que es justo lo que se pretendía evitar. Las versiones que operan directamente sobre las carpetas locales no plantean ese problema.
A partir de ahí basta con encargar el trabajo. La instrucción que sigue está escrita para el asistente, no para quien la copia: no hace falta entender cada línea, porque cada una le pide una decisión técnica concreta y le impide tomar el atajo de cobrar por el servicio o de subir el material a algún sitio.
Quiero poder preguntarte sobre mis documentos sin que
salgan de mi ordenador. Móntame un RAG local.
Pregúntame dónde están los documentos y decide tú
dónde conviene instalar todo lo demás.
- Todo en local y gratis: embeddings con fastembed
(multilingual-e5-large) y un reranker multilingüe.
- Índice en SQLite con sqlite-vec y FTS5, búsqueda
híbrida (significado + palabras exactas) fusionada
con RRF.
- Trocea respetando la estructura del documento
(artículos, apartados) y limpia las palabras que
los PDF parten al maquetar.
- Cada respuesta debe citar documento y artículo.
- Móntalo como servidor MCP, para poder consultarlo
en lenguaje natural.
- Los dos modelos ocupan más de tres gigabytes en
memoria y habrá un proceso del servidor por cada
programa conectado: cárgalos solo en la primera
búsqueda y suéltalos tras unos minutos sin usarse.
- Que el indexado sea incremental: añadir un
documento no puede obligar a rehacerlo todo.
Antes de ponerte, mira qué documentos hay y explícame
en lenguaje llano cómo piensas partirlos y por qué.
Si algo de lo que te pido no encaja con este material,
dímelo y propón otra cosa.
Esa última petición es la más importante de todas, y conviene no saltársela: obliga al asistente a enseñar cómo piensa partir los documentos antes de ponerse a trabajar, que es donde se decide casi todo. Basta con leer su propuesta y comprobar que respeta la estructura del material (los artículos de una norma, los puntos del orden del día de un acta, los capítulos de un informe) en lugar de cortar cada tantas palabras.
Las tres condiciones finales también merecen explicación. La de las citas separa una herramienta de consulta de un generador de respuestas plausibles. La de la memoria evita el descuido más caro de todos: un servidor que carga los dos modelos nada más arrancar y se queda con tres gigabytes ocupados aunque nadie pregunte nada, multiplicado por cada programa que lo tenga conectado. Y la del indexado incremental evita un error frecuente: una primera versión que rehace el trabajo entero cada vez que se añade o corrige un documento, con tres cuartos de hora de cálculo en cada ocasión.
La alternativa a construirlo desde cero es partir de algo que ya funciona. El código de un sistema así, con todo lo descrito, está publicado en github.com/jjdeharo/cuadernos-rag bajo licencia libre. Incluye, a modo de ejemplo, un fondo documental de quince normas y guías sobre uso ético y legal de la IA en educación (el RGPD, la LOPDGDD, el reglamento europeo de inteligencia artificial, guías de la Agencia Española de Protección de Datos, marcos de la UNESCO), ya indexado y listo para consultar. Ese ejemplo concreto importa poco: lo aprovechable es la estructura, que sirve igual para actas municipales, bibliografía académica o documentación técnica de una empresa.
Añadir nuevos cuadernos
El motor y los modelos se instalan una sola vez; cada tema añade solo sus documentos y su índice.
Esta es la parte que suele quedar sin explicar, y es la que convierte un experimento en una herramienta de uso diario.
Quien viene de Gemini Notebook está acostumbrado a tener un cuaderno por tema: uno de normativa, otro de actas, otro con la bibliografía de un curso. Aquí funciona igual, y con una ventaja: lo que ocupa espacio, que son los programas y los dos modelos, más de tres gigabytes, se instala una sola vez y lo comparten todos los cuadernos. Cada tema nuevo añade únicamente sus documentos y su índice, unos pocos megabytes. No hay límite de cuadernos ni cuota que agotar.
Crear uno nuevo no exige tocar nada por dentro: basta con pedírselo al asistente en la misma conversación de siempre, indicando dónde están los documentos y qué nombre quieres darle. Él prepara la carpeta, convierte los PDF a texto, repara las palabras que la maquetación parte con guiones, descarta lo que no sea texto aprovechable y construye el índice. Un cuaderno de unos cuantos PDF está listo en unos minutos.
La instrucción, otra vez escrita para el asistente y no para quien la copia:
Ya tengo montado el RAG. Quiero un cuaderno nuevo,
aparte del que ya existe.
Los documentos están en <carpeta>. Llámalo <nombre>.
- Aprovecha lo que ya está instalado: los programas,
el entorno y los dos modelos. No descargues ni
instales nada otra vez.
- El cuaderno nuevo va aparte: sus documentos y su
índice, sin tocar los del anterior.
- Trocea y limpia igual que en el primero.
- Déjalo accesible desde el mismo servidor MCP, para
poder preguntar por su nombre.
Antes de empezar, dime qué documentos has encontrado
y cómo piensas partirlos.
Lo importante es la primera condición. Sin ella, el asistente puede ponerse a instalarlo todo de nuevo, con otra copia de los modelos, y el ordenador acaba con tres gigabytes repetidos por cada cuaderno.
Añadir documentos a un cuaderno que ya existe es todavía más simple: se dejan los ficheros nuevos y se pide que lo actualice. Aquí importa una de las condiciones que se le exigieron al montarlo, la del indexado incremental: el sistema guarda una huella de cada documento y solo procesa los que han cambiado, así que incorporar un PDF cuesta el tiempo de ese PDF, alrededor de un minuto por cada cien mil caracteres, y no el del fondo entero. Sin esa condición, añadir una circular de dos folios obligaría a rehacerlo todo.
Al preguntar, con un solo cuaderno no hace falta decir cuál; con varios, se nombra el que interesa. El asistente los ve todos y, si la pregunta lo pide, puede buscar en el que corresponda.
Cuándo montar un RAG
Con poco material no hace falta montar nada.
Los modelos actuales procesan cientos de miles de palabras de una sola vez. Por debajo de unas trescientas páginas, basta con dejar los documentos en una carpeta y pedirle al asistente que los lea directamente. Buscando por su cuenta, acierta más que cualquier RAG, porque puede leer, releer y afinar la búsqueda tantas veces como haga falta. Entre trescientas y mil quinientas páginas hay una zona intermedia: el material cabe, pero se relee entero en cada pregunta, y eso resulta lento y caro en una consulta diaria, por lo que se aconseja montar el RAG. Por encima de mil quinientas páginas ya no cabe, y el RAG deja de ser opcional.
El criterio es el volumen de texto, no el número de archivos. Cincuenta circulares de dos folios no llegan a cien páginas; tres memorias anuales pueden superar las mil.
Guía rápida
Las tres instrucciones, sin explicaciones. Se pegan tal cual en Claude, Codex o Antigravity, sustituyendo lo que va entre ángulos.
1. Montar el primer cuaderno. Una sola vez.
Quiero poder preguntarte sobre mis documentos sin que
salgan de mi ordenador. Móntame un RAG local.
Pregúntame dónde están los documentos y decide tú
dónde conviene instalar todo lo demás.
- Todo en local y gratis: embeddings con fastembed
(multilingual-e5-large) y un reranker multilingüe.
- Índice en SQLite con sqlite-vec y FTS5, búsqueda
híbrida (significado + palabras exactas) fusionada
con RRF.
- Trocea respetando la estructura del documento
(artículos, apartados) y limpia las palabras que
los PDF parten al maquetar.
- Cada respuesta debe citar documento y artículo.
- Móntalo como servidor MCP, para poder consultarlo
en lenguaje natural.
- Los dos modelos ocupan más de tres gigabytes en
memoria y habrá un proceso del servidor por cada
programa conectado: cárgalos solo en la primera
búsqueda y suéltalos tras unos minutos sin usarse.
- Que el indexado sea incremental: añadir un
documento no puede obligar a rehacerlo todo.
Antes de ponerte, mira qué documentos hay y explícame
en lenguaje llano cómo piensas partirlos y por qué.
Si algo de lo que te pido no encaja con este material,
dímelo y propón otra cosa.
2. Crear otro cuaderno, reutilizando lo ya instalado.
Ya tengo montado el RAG. Quiero un cuaderno nuevo,
aparte del que ya existe.
Los documentos están en <carpeta>. Llámalo <nombre>.
- Aprovecha lo que ya está instalado: los programas,
el entorno y los dos modelos. No descargues ni
instales nada otra vez.
- El cuaderno nuevo va aparte: sus documentos y su
índice, sin tocar los del anterior.
- Trocea y limpia igual que en el primero.
- Déjalo accesible desde el mismo servidor MCP, para
poder preguntar por su nombre.
Antes de empezar, dime qué documentos has encontrado
y cómo piensas partirlos.
3. Añadir documentos a un cuaderno que ya existe. Lo más frecuente con el tiempo.
Añade estos documentos al cuaderno <nombre>:
<carpeta o lista de ficheros>
- Trátalos igual que los que ya están: mismo troceado
y misma limpieza.
- Aprovecha el indexado incremental: procesa solo lo
nuevo, sin rehacer el índice entero.
- Al terminar, dime qué has añadido y qué documentos
contiene ahora el cuaderno.
En los tres casos conviene leer lo que responde antes de dejarle continuar. Si su plan no respeta la estructura de los documentos (los artículos de una norma, los puntos del orden del día de un acta), es el momento de decírselo, porque de ese detalle depende la calidad de todas las respuestas posteriores.
Google ha anunciado que más pronto que tarde eliminará los Gems (asistentes) de su plataforma (link) como un paso más dentro de la total integración de su modelo agéntico Spark, donde las habilidades (skills) sustituirán a los asistentes. Será un proceso lento, ya que en Europa no llegará Spark hasta finales de año. Si andas un poco perdido sobre qué es una skill o en qué consiste este cambio sustancial en los modelos de IA, te recomiendo un artículo reciente en este blog (link). Por su parte, ChatGPT, que ya tiene integrado Work en las cuentas de pago, permitiendo crear y usar skills, ha dejado caer que hará algo similar con los famosos asistentes o GPTs. Se habla de la posibilidad de migrar tus GPTs al formato skill, de tal forma que algunas rutinas puedas mantenerlas. Aún no se han dado pasos. Si entras en tu Gemini o ChatGPT, verás que los asistentes están allí. Quizá ChatGPT mantenga durante más tiempo asistentes y habilidades, pero todo parece indicar que tarde o temprano la nueva IA agéntica tendrá como motores de trabajo las habilidades (skills) y los proyectos (cuadernos en Gemini), y que este nuevo formato de interacción acabará con el tiempo llegando también la las cuentas gratuitas.
Si tienes una cuenta gratuita, por ahora oirás esto desde el burladero. No te afectará. Por ahora. Pero sin duda esta será la nueva forma de interactuar con la IA en los próximos años. De promptear pasaremos a los agentes que hacen cosas por ti en modo voz y en vivo, conectándose a aplicaciones online que sueles usar o interactuando con tu ordenador. Y las habilidades o skills serán la herramienta más usada porque facilitan flujos de trabajo específicos, previamente configurados por ti. Le pides, por ejemplo, a ChatGPT que diseñe contigo una habilidad y lo hace. Cuando esté pulida, le solicitas que genere el archivo zip de la skill y la subes. Cuando quieras usar esa skill, la invocas desde el modo Work, poniendo @ + el nombre de la skill, y listo. Ve iterando hasta conseguir tu objetivo.
¿Cómo se diseña una skill? Primero. No todo lo que haces con la IA requiere una skill. Solo es necesaria cuando sueles adoptar formas de trabajo, tipo de tareas, proyectos, objetivos, que son habituales o recurrentes. Si no es así, con un chat normal basta. No merece la pena activar una skill -que además agota los límites mensuales de tu cuenta de ChatGPT- para una consulta o tarea puntual, un flujo de trabajo sencillo o que tú dominas y sabes cómo iterarlo. Tampoco si quieres explorar sobre un tema, sin profundizar ni requerir un trabajo continuado, o cambias de contexto, trabajas con un archivo específico sin necesidad de conexiones complejas con otros materiales. Y por supuesto, si no deseas conectarte a otras aplicaciones o crear materiales como sites, apps, simulaciones...
La skill está pensada para cargas complejas de trabajo o elaboración de materiales que van más allá de crea un pdf. Se invocan cuando el trabajo es más especializado y normalmente requiere horas o días de pulido y retoque. Si no es así, mejor un chat convencional. No es necesario activar el modo Work y abrir una skill. Los posibles casos de uso para docentes son infinitos:
Diseñar SdA completas.
Crear situaciones de aprendizaje.
Adaptar actividades a distintos niveles.
Generar materiales para varias sesiones.
Crear instrumentos de evaluación.
Generar versiones graduadas de una actividad.
Adaptar textos a distintos niveles de lectura.
Diseñar apoyos para alumnado con dificultades.
Crear itinerarios personalizados de aprendizaje.
Diseñar investigaciones.
Crear análisis de fuentes.
Preparar planes de tutoría.
Analizar el currículo de una asignatura.
Convertir el currículo en programación práctica.
Diseñar una programación trimestral.
Crear planes de recuperación.
Preparar materiales para oposiciones.
Analizar documentos educativos complejos.
Diseñar protocolos de uso de IA.
Coordinar procesos complejos que requieren varios pasos.
...
Mi recomendación es que crees en ChatGPT un proyecto para diseñar las skills. Recuerda incluir instrucciones para ese proyecto. Puede ayudarte la IA a crearlas. Una vez tengas listo tu proyecto, podrás desde allí diseñar cada skill en una conversación. La IA te irá guiando hasta darte el archivo zip final para que lo instales y uses. No las crees de golpe, sin iteraciones pautadas. Dile que irás puliendo los detalles hasta que obtengas la skill refinada y lista. Aún así, una vez instalada, una skill puede ser mejorada o sustituirse por otra. Pruébala, y si no te convence, ve de nuevo a la conversación donde la creaste, díselo y crea una nueva versión que se ajuste a lo que deseas.
Las skills de ChatGPT salieron hace muy poco. Desde entonces, he creado tres: una de diseño gráfico, otra de investigación filosófica y una tercera para docentes ELE que quieran trabajar la oralidad en el aula. Una de apoyo creativo, otra de investigación y otra metodológica.
InvesPhilo: skill de investigación
InvesPhilo -así la he llamado- permite acompañarte en procesos de investigación filosófica prolongados, que requieren rigor, planificación, fuentes adecuadas, líneas de trabajo, argumentación, desarrollo. Puede utilizarse en niveles muy distintos de profundidad:
Exploración breve: aclarar una idea, analizar un concepto, discutir una tesis, buscar objeciones.
Prototipado de investigación: detectar problemas, formular preguntas de investigación, diseñar hipótesis o posibles líneas.
Investigación académica: elaborar estados de la cuestión, revisar bibliografía, contrastar autores y tradiciones.
Investigaciones prolongadas: acompañar durante semanas o meses un libro, una tesis doctoral o una línea de investigación.
Producción final: transformar lo investigado en un paper, artículo, capítulo, proyecto de tesis, ponencia, libro, etc.
Revisión crítica: actuar como revisor disruptivo de una tesis, argumento o manuscrito.
Esta skill trabaja como un interlocutor-investigador. El usuario puede empezar prácticamente desde cualquier punto: una pregunta, una intuición, un autor, una noticia, un concepto, una bibliografía o un borrador. A partir de ahí, puede combinar varias operaciones:
Detectar qué pregunta filosófica hay realmente detrás de una intuición.
Distinguir significados, genealogías, usos y ambigüedades.
Explicitar premisas, analizar inferencias y formular conclusiones.
Buscar objeciones, contraejemplos y alternativas fuertes.
Localizar bibliografía académica real y verificable.
Evitar presentar un autor detrás de otro y construir relaciones argumentativas entre ellos.
Abrir conexiones interdisciplinares: psicología, IA, neurociencia, sociología, física, lingüística, etc., siempre manteniendo un núcleo filosófico.
Señalar distinciones, conexiones o hipótesis que podrían convertirse en una aportación.
Transformar la investigación en un producto, solo cuando el usuario lo decida.
Las fuentes no aparecen simplemente al final como bibliografía. Se integran en el razonamiento. Las referencias deben ser reales y verificables. La skill no debe inventar artículos, autores, DOI, páginas o citas. Cuando utiliza una fuente importante puede proporcionar: referencia bibliográfica completa, DOI o identificador, enlace, idioma original, tipo de fuente, qué aporta, qué argumento respalda, limitaciones o controversias.
Recuerda: la skill está preparada para que una investigación no termine en una sesión.
Posibles usos:
Debate filosófico: «Quiero pensar contigo si una IA puede tener responsabilidad moral. No quiero escribir nada todavía».
Exploración conceptual: «Analicemos el concepto de ... Busca distintas concepciones filosóficas y problemas».
Línea de investigación: «Quiero investigar la relación entre delegación cognitiva, autonomía e IA. Ayúdame a descubrir posibles líneas originales».
Estado de la cuestión: «Haz conmigo una investigación sobre los debates actuales en torno a ...».
Tesis doctoral: «Estoy empezando una tesis sobre ... Quiero utilizar esta skill durante todo el proceso».
Paper: «De todo lo que hemos investigado, creo que ya tenngo una tesis. Comprueba primero errores, datos, línea de investigación... y después diseñemos un prototipo preliminar sobre el que debo trabajar».
Ensayo: «Quiero convertir esta investigación en un ensayo sobre ... Ayúdame a construir la arquitectura».
Revisión disruptiva: «Ataca mi tesis como lo haría un revisor académico especialmente exigente».
Bibliografía: «Localiza literatura académica reciente sobre ... Quiero referencias verificables y enlaces».
Análisis de un autor: «Quiero investigar hasta qué punto el concepto de técnica en Heidegger puede proyectarse legítimamente sobre la IA generativa, distinguiendo texto, interpretación y nuestra propia proyección».
El grado de delegación lo determinas tú, adaptado a cada objetivo y contexto. Lo ideal es que te tomes las skills como acompañante, guía, que sugiere, confronta, planifica, estructura, comprueba, aporta. No para hacerte el trabajo y listo.
ELEvoz: la oralidad en el aula de ELE
ELEvoz permite acompañar al docente de ELE en cualquier proceso de trabajo y planificación educativa, siempre y cuando a ese proceso de incorporen formatos orales. El objetivo es ayudar a docentes de ELE a comprender, diagnosticar, decidir, diseñar, adaptar, crear, integrar curricularmente y revisar experiencias relacionadas con la oralidad, utilizando interacción humana, tecnología, IA y multimodalidad cuando aporten valor.
La finalidad es mejorar la competencia comunicativa oral. La tecnología es un medio. La skill se adapta, cuando resulte relevante, al tipo de alumnado, su nivel, repertorio lingüístico, edad, país, situación sociolingüística, institución, finalidad, modalidad, marco curricular, recursos, restricciones de la institución o país...
La skill opera primero con la pregunta sobre qué aprendizaje o experiencia comunicativa necesitamos, y solo después facilita los medios que pueden favorecerlo y aportando la tecnología que permita cumplir adecuadamente el objetivo. No basta con que una actividad sea pedagógicamente atractiva. Tiene que poder realizarse realmente. Siempre que proceda, la práctica mediada por IA debe favorecer posteriormente mayor autonomía e interacción humana. No adaptar cambiando simplemente A2 por B1. La skill debe identificar qué características del contexto modifican realmente la solución. El docente es quien decide, la skill asesora, propone y cuestiona. No sustituye el criterio profesional.
La skill asume que no todos los docentes de ELE trabajan en instituciones educativas convencionales. Se adapta a diferentes entornos y contextos institucionales y sociolingüísticos, así como a múltiples modalidades de enseñanza.
¿Cuándo es útil?Cuando la petición implique oralidad en ELE, conversación, interacción oral, comprensión oral, producción oral, pronunciación, fluidez, mediación oral, estrategias conversacionales, debate, roleplay, simulaciones, audios, podcast, mensajes de voz, transcripción con finalidad didáctica, síntesis de voz, IA conversacional, herramientas de voz, avatares comunicativos, oralidad multimodal, evaluación de oralidad, diseño curricular de oralidad, programación de competencia oral, integración de IA/voz en cursos ELE. También cuando el docente aporte una actividad, un recurso, una herramienta, una dificultad, un currículo, una programación, y quiera analizarlos desde la perspectiva de la oralidad. Sin esa relación no es conveniente usar esta skill. Requiere necesariamente el uso didáctico de la oralidad.
Tu interacción con esta skill puede tener varias vías de trabajo según sean los objetivos:
Comprender: «¿Cómo puede utilizarse la transcripción para trabajar oralidad?»
Diagnosticar: «Mis alumnos B1 hablan correctamente, pero apenas interactúan».
Decidir: «¿Me conviene ChatGPT Voice o una herramienta de pronunciación?»
Diseñar: «Quiero una actividad para negociar un viaje en grupo».
Adaptar: «Tengo esta actividad escrita. Quiero convertirla en oral».
Crear: «Crea el prompt para que la IA actúe como recepcionista».
Integrar: «Quiero incorporar IA por voz a mi programación C1.»
Revisar: «Analiza esta secuencia oral y dime qué mejorarías».
Lo interesante de esta skill es que es capaz de identificar la competencia dominante en tu petición: comprensión, producción, interacción, mediación, pronunciación, prosodia, fluidez, inteligibilidad, reparación, negociación de significado, iniciativa, adecuación, registro, estrategias conversacionales... Y te ayuda a trabajar con trasvases multimodales, donde la oralidad maride con otros formatos.
La skill se basa en el contexto que le aportes. Trabaja mejor con casuísticas personales o de entorno, así como la normativa adaptada a tu caso: MCER, PCIC, DELE, SIELE, currículo oficial, programación institucional... Puede ser muy útil en lo referente a la evaluación. Puede generar, adaptar o revisar:
Rúbricas de oralidad por nivel y tipo de tarea.
Escalas de observación para interacción, fluidez, pronunciación, mediación o adecuación.
Listas de cotejo breves para actividades concretas.
Fichas de autoevaluación del alumnado.
Instrumentos de coevaluación entre iguales.
Guías de feedback oral para el docente.
Plantillas de comparación antes/después.
Diarios o registros de progreso oral.
Criterios para podcast, debate, entrevista, roleplay, exposición o conversación con IA.
Rúbricas adaptadas a DELE/SIELE, cuando el marco aplicable esté claro y actualizado.
Matrices de evidencias para una programación o proyecto.
Protocolos de evaluación de secuencias multimodales.
Fichas para analizar transcripciones de producciones orales.
...
La IA agéntica tiene una peculiaridad que aumenta su potencial. No es necesario que le des un prompt inicial muy complejo. Puedes dictarle o usar el modo voz para iterar. Usa tu lenguaje. Te va a entender e incorporará todo el flujo de diálogo al resultado final. No te obsesiones por decirle las cosas con detalle. Ve afinando, añadiendo datos, revisando, indicándole tus dudas y lo que no sabes cómo hacer. Verás que es una IA más adaptativa, versátil y con memoria de conversación. Puedes continuarla el día siguiente sin problema. Si lo que deseas es un material o producto final, podrá conectarse con la app que ayude a crearlo o te lo creará desde su interfaz. Por ejemplo, puede crearte un site completo, con alojamiento dentro de ChatGPT.
Puedes descargar alguna de estas dos skills que he creado -pincha sobre sus nombre más arriba-, ver su arquitectura o subirla a ChatGPT y que te la explique y adapte a otra skill similar. Si una skill ajena te resulta útil, pero la quieres crear en otro contexto u objetivo, dásela a la IA y que te la adapte con igual arquitectura, pero con tus detalles.
Espero que esto te haya abierto el hambre de aprender y probar.
