Agonizan los prompts, nacen las skills (parte dos). Una skill para ayudar al profesor a generar una tarea evaluativa para sus estudiantes

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

En la práctica lo que agoniza es el aislamiento del prompt, pierde fuerza la práctica de buscar una instrucción milagrosa, copiarla, cambiar dos palabras y esperar un resultado confiable. Nace una lógica diferente: organizar el conocimiento necesario para que la inteligencia artificial desarrolle un proceso con cierta consistencia.

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

De la conversación con IA al diseño de una skill para evaluar el aprendizaje

Una skill permite organizar las instrucciones como una capacidad reutilizable. Contiene orientaciones sobre qué tarea realizar, qué información solicitar, qué pasos seguir, cómo revisar el resultado y qué límites respetar. Puede incorporar ejemplos, plantillas y otros recursos de apoyo.

En educación, una skill puede orientar el diseño de una evaluación, la preparación de una presentación o la formulación de una microcompetencia, entre otras muchas situaciones. Su valor depende de la calidad del procedimiento pedagógico que contiene, de su adecuación al contexto y de la revisión del profesor.

Para comprenderla, resulta útil distinguir entre pedir un resultado y definir cómo debe construirse. Solicitar «elabora una evaluación sobre este contenido» deja numerosas decisiones abiertas. Una skill puede indicar que, antes de proponer la evaluación, se identifiquen el objetivo, las características de los estudiantes, las condiciones de trabajo y las evidencias que permitirán valorar el aprendizaje.

La diferencia con una conversación tradicional no consiste en que esta última carezca de profundidad. Mediante el diálogo también podemos construir propuestas rigurosas, corregir errores y establecer criterios detallados. De hecho, una conversación bien desarrollada puede ser el punto de partida de una skill.

La diferencia está en cómo se organizan y reutilizan las instrucciones. En una conversación, estas suelen quedar distribuidas entre distintos mensajes. En una skill, se reúnen en un conjunto explícito que puede aplicarse a nuevas situaciones. Esto facilita mantener criterios comunes, revisar el procedimiento y compartirlo, siempre que el entorno utilizado admita ese formato.

La conversación ayuda a construir el procedimiento; la skill permite conservarlo de forma organizada. Ambas formas de trabajo se complementan. Utilizar una skill no elimina el diálogo: puede requerir preguntas, aclaraciones y ajustes durante su aplicación.

Construyendo una skill

Crear una skill comienza por delimitar una tarea. No basta con pedirle a la IA que actúe como especialista. Es necesario precisar qué debe hacer y hasta dónde llega su intervención. Por ejemplo, acompañar el diseño de una evaluación es una tarea distinta de calificar automáticamente los trabajos de los estudiantes.

Después se identifican los datos necesarios para trabajar. En una propuesta educativa pueden ser la asignatura, el objetivo, los destinatarios, el tiempo, los recursos y la modalidad. También se define cómo proceder cuando falta información: qué debe preguntarse y qué aspectos admiten una propuesta provisional.

El siguiente paso consiste en organizar la secuencia de trabajo y establecer los criterios de calidad. La skill necesita indicar qué componentes debe entregar y qué relaciones debe comprobar entre ellos. Una evaluación puede tener una consigna clara y una rúbrica bien redactada, pero seguir siendo inadecuada si ambas valoran aprendizajes diferentes.

Estas instrucciones suelen reunirse en un archivo denominado SKILL.md. Según la tarea y el sistema donde se utilice, pueden acompañarse de plantillas, ejemplos u otros archivos. La parte técnica permite organizar el conjunto; la parte pedagógica determina la calidad de sus orientaciones.

Finalmente, la skill debe probarse con situaciones concretas. Esa revisión permite detectar preguntas innecesarias, criterios ambiguos, exigencias desproporcionadas o resultados incompletos. Crear el archivo no significa que el procedimiento esté terminado.

Este recorrido orientó el desarrollo de Diseñar evaluaciones auténticas, una skill que hemos venido trabajando para acompañar al docente en la construcción de evaluaciones contextualizadas. Su objetivo es relacionar lo que se espera aprender con la actividad, las evidencias, la retroalimentación y los criterios de evaluación.

Un ejemplo para probar la skill

Para examinar su funcionamiento trabajamos una propuesta de Tecnología e Innovación Educativa: cada estudiante elaborará un podcast y una canción vinculados con su emprendimiento personal, real o proyectado. Ambos productos serán individuales y podrán realizarse con IA.

La skill realiza numerosas preguntas al profesor, pero todas siguen un orden lógico, no pasa a la siguiente hasta tanto no esté “satisfecha” con la respuesta del profesor. Esto significa que la respuesta puede ser imprecisa o no estar completa y puede nuevamente preguntar al docente, hasta que considere que la respuesta está acorde a lo que se pide. Esta es la gran diferencia con el prompt y con la conversación a la que estamos acostumbrados.

Mi primera pregunta en la comprobación de la skill se aprecia en la captura del chat

Una vez cargada la skill, se escribe: @ Diseñar evaluaciones auténticas y a partir de aquí se inicia la conversación, que se puede extender por una hora o más, en dependencia de lo que desee obtener. Por supuesto que puede retomar el trabajo cuando lo desee, sin necesidad de estar obligado a realizarlo totalmente en ese tiempo.

En la imagen se muestra la primera pregunta que realiza la skill.

En este caso la skill no se limita solo a responder, como ocurre en el chat tradicional, propone, da soluciones y vuelve a proponer hasta concluir con cada paso.

La imagen muestra la captura de pantalla de otra de las preguntas, durante la etapa de la evaluación de la skill.

Durante la revisión apareció un problema revelador. Uno de los criterios propuestos exigía transformar la respuesta de la IA. Esto podía penalizar a un estudiante que recibiera una primera propuesta adecuada y decidiera conservarla.

Ajustamos el criterio para valorar la revisión y selección del resultado. Mantener una respuesta puede ser una decisión válida si el estudiante explica su correspondencia con lo solicitado. Introducir cambios por obligación no demuestra mayor aprendizaje.

Este ejemplo muestra por qué una skill necesita la intervención del profesor. Las instrucciones pueden organizar el diseño, pero sus propuestas requieren examen. La experiencia docente permite reconocer lo que resulta pertinente para un grupo y corregir lo que excede su preparación.

Lo desarrollado hasta ahora es una propuesta de evaluación, no una demostración de resultados de aprendizaje. Su aplicación permitirá revisar la claridad de las consignas, la utilidad de las evidencias y la adecuación de los criterios.

Crear una skill educativa implica convertir decisiones pedagógicas en un procedimiento que pueda utilizarse, examinarse y ajustarse. En este caso, ese procedimiento se organiza alrededor de una pregunta: ¿qué debe realizar y explicar el estudiante para que el profesor disponga de evidencias suficientes para valorar su aprendizaje?

Instalación de la skill Diseñar evaluaciones auténticas

Paso uno.

Para esta tarea el primer paso es descargar el archivo diseñar evaluaciones autenticas.zip desde este enlace. No lo descomprima, solo lo carga en el chat de ChatGPT, Gemini o Claude, sin importar el tipo de cuenta. En el ZIP se encuentran estos archivos; no es necesario extraerlos, solo suba el ZIP, tal y como lo descargó.

Paso dos.

Cargue el archivo directamente en el chat de su IA preferida. La imagen muestra lo que puede hacer. Se cargó el archivo y a continuación puede escribir: Trabajemos con esta skill

El mensaje que devuelve la IA, es similar a este:

Observe que da diferentes opciones; incluso si ninguna de esas le conviene, puede escribir otra y obtendrá una nueva respuesta. No es un prompt aislado es un conjunto de instrucciones lógicas.

A partir de este momento, se inicia un diálogo, donde es el profesor el que aprueba cada paso. La skill sugiere, propone, pregunta, evalúa, pero nunca decide. Si el profesor no tiene una idea clara de cómo crear su evaluación, la skill lo ayuda. El proceso lleva tiempo, no se puede ejecutar en minutos, pues estaría entregando algo que al probarlo nos daríamos cuenta de que carece de utilidad. Necesita revisión permanente.

En el enlace se puede descargar el resultado de la evaluación que colocamos de ejemplo para verificar la skill. Para volver a la skill, solo escriba @ Diseñar evaluaciones auténticas y se inicia un nuevo diálogo.

En nuestras manos está todo el proceso; de la skill obtenemos el apoyo, pero la decisión final es solo nuestra.

 

 

 

 

 

De usuarios de IA a líderes de la IA

 Cada nueva función de los ecosistemas de inteligencia artificial parece invitarnos a una misma tentación: pedir más y pensar menos. Hoy pueden analizar documentos, generar código, sintetizar información, proponer planes y producir materiales en pocos segundos. Su potencia es real; también lo es el riesgo de aceptar sus respuestas como si fueran decisiones. El reto educativo no consiste en frenar estas innovaciones, sino en evitar que la IA ocupe el lugar que corresponde a quien aprende.

No necesitamos estudiantes que compitan con la inteligencia artificial ni que renuncien a utilizarla. Necesitamos estudiantes que sepan liderarla. Esto significa que mantengan el propósito de la tarea, formulen solicitudes conscientes, detecten los límites de la respuesta, contrasten la información y respondan por la decisión final. La IA puede colaborar con enorme rapidez; la dirección del proceso debe seguir siendo humana.

 De usuarios que reciben a estudiantes que lideran

Aprender con IA no equivale a obtener una respuesta más rápido. Aprender implica reconocer un problema, relacionar datos con conocimientos previos, distinguir lo importante de lo accesorio, valorar evidencia y tomar una postura. Cuando un estudiante copia un texto generado sin comprenderlo, quizá ha terminado una tarea, pero ha dejado fuera la parte que la vuelve formativa.

Por ello, hablar únicamente de “uso responsable” se queda corto. La idea que debemos promover es la de liderazgo del razonamiento: la capacidad de trabajar con una IA sin cederle la autoridad sobre lo que vale como evidencia, lo que debe aceptarse y la decisión que finalmente se tomará. Un líder no delega ciegamente: establece la meta, asigna una tarea, revisa el resultado y asume sus consecuencias.

Esta distinción es decisiva porque la fluidez no garantiza verdad. Un sistema puede presentar una explicación clara, aparentemente completa y hasta acompañada de referencias, pero equivocarse, omitir condiciones del caso, confundir fechas o reproducir sesgos. Incluso si lo anterior no ocurre, el riesgo queda en aceptarlo, sin apenas leerlo. Las orientaciones internacionales insisten en una integración de la IA centrada en las personas y en la necesidad de gestionar, evaluar y validar sus riesgos (Miao & Holmes, 2023; National Institute of Standards and Technology [NIST], 2024).

El liderazgo comienza antes de escribir la pregunta

La calidad de la interacción depende, en buena medida, de la calidad de la solicitud. Pedir “háblame de medicina veterinaria” o “hazme un contrato” es demasiado ambiguo: obliga al sistema a adivinar la finalidad, el nivel de profundidad, el contexto, la legislación aplicable o el tipo de respuesta necesario. Las guías de OpenAI recomiendan instrucciones claras y específicas, con el contexto suficiente para orientar el resultado (OpenAI, s. f.).

Sin embargo, una solicitud precisa no es una fórmula para obtener la verdad. Es, sobre todo, una oportunidad para que el estudiante haga visible su propio razonamiento. Antes de consultar, debe poder delimitar cinco aspectos:

 

Por ejemplo, no es igual pedir “dame información sobre antibióticos en perros” que solicitar una guía de estudio para estudiantes de medicina veterinaria, aclarar que no es una prescripción, exigir guías profesionales verificables e identificar qué datos requieren valoración clínica. En el segundo caso, la persona conserva el volante: define el uso, los límites y la evidencia que necesita.

Cuatro movimientos para liderar la IA

Este liderazgo puede enseñarse y evaluarse mediante cuatro movimientos que no son lineales, sino recursivos. Cada uno obliga a volver a pensar antes de aceptar una respuesta.

1- Delimitar

Antes de abrir la plataforma, el estudiante define el problema, su objetivo, lo que ya sabe, lo que desconoce y el nivel de riesgo de equivocarse. También decide qué parte de la tarea puede delegar sin delegar el aprendizaje que se busca desarrollar. Si la actividad pretende enseñar a argumentar, por ejemplo, no basta con entregar un argumento correcto: debe hacerse visible cómo se construyó y evaluó.

2- Dialogar

La IA no debe utilizarse como una máquina de respuesta única, sino como un espacio de exploración. El estudiante puede pedir alternativas, supuestos, contraargumentos, preguntas pendientes o consecuencias no previstas. La pregunta deja de ser “¿cuál es la respuesta correcta?” y se transforma en “¿qué necesito examinar antes de decidir?”.

3. Contrastar

La fluidez de la respuesta no es evidencia. Las afirmaciones importantes deben verificarse con fuentes adecuadas: artículos científicos, documentos oficiales, normas vigentes, datos originales o el criterio de especialistas. Contrastar también supone clasificar lo recibido: qué está confirmado, qué requiere matiz, qué no puede verificarse y qué debe descartarse. En asuntos de salud, derechos, seguridad o patrimonio, la validación debe ser más rigurosa que en una tarea de bajo impacto.

4. Decidir y dar cuenta

El cierre devuelve explícitamente la responsabilidad a la persona. El estudiante debe explicar qué aceptó, qué modificó, qué rechazó y por qué. Una breve bitácora puede mostrar la evolución de la solicitud, las fuentes consultadas, los errores detectados y las dudas que permanecen. Así, la autoría deja de ser solo la pregunta por quién escribió las palabras y se convierte en una evidencia de quién ejerció criterio sobre ellas.

En profesiones especializadas, verificar no es opcional

La necesidad de formar líderes de IA se vuelve aún más clara en medicina, veterinaria, derecho, ingeniería, psicología o educación especial. En estos campos, una respuesta incorrecta no solo afecta una calificación; puede afectar la salud, la seguridad o los derechos de las personas.

En medicina y en veterinaria, por colocar un ejemplo, la IA puede servir para organizar signos clínicos, comparar hipótesis o preparar preguntas para una consulta. Pero no conoce al paciente, no realiza exploraciones físicas, no interpreta pruebas en su contexto ni asume la responsabilidad clínica. En derecho, puede ayudar a organizar argumentos o identificar términos de búsqueda, pero no garantiza la vigencia de una norma ni su aplicabilidad a una jurisdicción y a unos hechos concretos.

La regla pedagógica es sencilla: a mayor impacto de una decisión, mayor exigencia de evidencia externa, revisión especializada y trazabilidad de la decisión humana. No se trata de prohibir la IA, sino de enseñar a distinguir qué puede apoyar y qué no puede sustituir.

Cambiar la evaluación para hacer visible el pensamiento.

Si queremos estudiantes líderes, también debemos cambiar las consignas. Evaluar solo el producto final ya no permite saber qué comprendió una persona cuando una IA puede generar gran parte de ese producto. La pregunta más valiosa no es “¿este texto fue hecho con IA?”, sino “¿qué hizo cognitivamente el estudiante con lo que la IA le ofreció?”.

Algunas evidencias sencillas pueden transformar la relación con la tecnología:

• mostrar una primera solicitud y una versión mejorada, explicando qué cambió;
• clasificar afirmaciones de la IA como confirmadas, matizadas, no verificables o descartadas;
• justificar por qué una fuente es más confiable que otra;
• explicar qué aporte de la IA se conservó y qué decisiones fueron propias;
• defender oralmente qué habría ocurrido si se aceptaba la primera respuesta sin revisarla.

Estas actividades no hacen más pesado el aprendizaje: lo vuelven visible. También desplazan la seguridad engañosa de “la IA lo dijo” por una práctica profesional más madura: “esto es lo que encontré, así lo verifiqué y esta es la razón por la que tomo esta decisión”.

La autoridad que no debemos delegar

Las innovaciones en IA seguirán creciendo. Precisamente por ello, la tarea educativa no es formar consumidores pasivos de respuestas cada vez más sofisticadas. Es formar personas capaces de orientar, cuestionar, supervisar y utilizar esas capacidades con criterio.

Ser líder ante la IA no significa conocer todos los comandos ni dominar cada plataforma. Significa comprender que toda solicitud expresa una intención, que toda respuesta requiere evaluación y que siempre habrá una decisión que alguien debe asumir. Ese alguien no es la plataforma.

La inteligencia artificial puede acelerar búsquedas, ampliar alternativas y ayudarnos a convertir una idea en un primer borrador. Pero solo se convierte en una aliada educativa cuando el estudiante conserva la tarea más exigente y más humana: razonar con evidencia, reconocer los límites de lo que sabe y responder responsablemente por sus decisiones.

 

Referencias

·         Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693

·         National Institute of Standards and Technology. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). https://doi.org/10.6028/NIST.AI.600-1

·         OpenAI. (s. f.). Prompt engineering. OpenAI API Documentation. Recuperado el 21 de agosto de 2026, de https://developers.openai.com/api/docs/guides/prompt-engineering