Recientemente, en un posgrado, los
participantes debían crear una presentación animada, donde el texto debía ser
mínimo, con un tamaño de fuente superior a los 24 puntos y las imágenes
relacionadas con el contenido. A pesar de que se advirtió de esas características,
la casi totalidad prefirió entregar su trabajo elaborado con IA, sin
modificación alguna. A muchos les escribí: ¿a quién debo calificar, a la IA o a
ti?
Lo mismo me pasó con un grupo de
estudiantes de la mención en tecnología educativa. Les pedí un ensayo; podían
emplear la IA, pero debían explicar qué hicieron. Sin embargo, al preguntarle a
varios de ellos por qué seleccionó esa idea, no pudieron explicarlo. De ese mismo
grupo, otros estudiantes contrastaron las respuestas, y justificaron su
contenido. La pregunta que todos nos hacemos es: ¿Qué estamos evaluando cuando
calificamos únicamente lo que entregan?
La pregunta adquiere importancia cuando la
IA interviene en tareas que antes realizaba el estudiante. La escritura, la
síntesis y la transformación de información pueden distribuirse entre la
persona y el sistema. Esto obliga a precisar qué debe aprender el estudiante y
cómo podrá demostrarlo. Una consigna que permite trabajar con IA necesita
criterios de evaluación coherentes con esa participación.
Acabo de encontrar un artículo de Sun, Dohn
y Rehm (2026) que aporta una perspectiva útil para examinar este problema. Los
autores revisaron 102 estudios empíricos sobre IA generativa en educación
superior. Su interés fue identificar cómo se reparte el trabajo de producir,
evaluar y transformar conocimiento. A partir de ese análisis, plantean una relación
entre las actividades que incorporan IA y las expectativas universitarias sobre
competencia individual.
Una herramienta puede cumplir funciones muy diferentes
En la revisión, 43 estudios se clasificaron
como usos de la IA en función de asistente y otros 43 como facilitador del
desarrollo de competencias. Juntos representan aproximadamente el 84,3 % de todos
los estudios. En el primer caso, el estudiante produce un trabajo y recibe
ayuda para mejorarlo. En el segundo, la interacción se orienta a desarrollar
pensamiento crítico, creatividad o autorregulación. Son configuraciones que
permiten seguir atribuyendo al estudiante la competencia que se pretende
formar.
Los otros usos tuvieron menor presencia.
Ocho estudios correspondieron a generación de productos, cinco a elaboración de
materiales sintéticos y tres a transformación de contenidos. La generación
puede producir un artefacto a partir de pocas instrucciones, los materiales
sintéticos incluyen casos ficticios para practicar y la transformación
convierte un contenido a otro formato, estilo o contexto. Una misma herramienta
puede cumplir cualquiera de estas funciones, por lo que su papel depende de la
actividad diseñada.
Estos porcentajes describen los estudios
seleccionados, no la frecuencia de uso de todos los universitarios. Tampoco
demuestran que una función produzca más aprendizaje que otra. Los autores
interpretan el predominio de ciertas configuraciones como expresión de su
compatibilidad con las expectativas institucionales. Reconocen que la
distribución también puede estar influida por lo que se investiga y publica.
Su aporte consiste en mostrar que cada
forma de participación exige algo diferente. Cuando la IA comenta un texto
escrito por el estudiante, este debe comprender y valorar las sugerencias.
Si genera un texto, necesita examinar su integridad y distinguirlo de una
evidencia real. Cuando transforma un artículo en una infografía, debe comprobar
que conserve los conceptos y relaciones importantes. Pedir el mismo tipo de
explicación en todas estas tareas puede resultar insuficiente.
La contradicción aparece cuando solicitamos
un producto con IA y luego lo calificamos como si toda su elaboración hubiera
sido individual. También aparece cuando aceptamos un resultado bien presentado
sin comprobar qué comprende su autor. En ambos casos falta claridad sobre la
contribución esperada. El estudiante queda obligado a interpretar reglas que
pueden cambiar entre la consigna y la evaluación.
Desde el enfoque histórico cultural, las
herramientas forman parte de la actividad humana y de sus posibilidades de
actuación. El artículo recupera esta comprensión mediante Wertsch y la idea de
«persona más» de Perkins. La competencia puede expresarse en la acción de una
persona con sus herramientas. Sin embargo, un desempeño ampliado por la
tecnología no permite suponer automáticamente que se ha producido aprendizaje.
Necesitamos examinar qué conocimientos y decisiones hacen posible ese desempeño
y cuáles puede explicar el estudiante.
Por eso, prohibir o permitir la IA de
manera general no resuelve el problema pedagógico. El docente debe decidir
qué acciones son necesarias para alcanzar el objetivo. Si busca que el
estudiante construya un argumento, tiene que ofrecer oportunidades para que lo
formule, lo contraste y lo defienda. Si busca que transforme información para un
público específico, necesita evaluar la fidelidad del contenido y las razones
de su adaptación. El lugar de la IA debe definirse a partir de esas exigencias.
Hacer visible la contribución del estudiante
Sun y sus colaboradores proponen tres
principios: transparencia, progresión y reflexión. La transparencia
exige explicar desde el inicio qué puede hacer la IA, qué corresponde al
estudiante y cómo se evaluará su participación. Una indicación como «pueden
usar IA» deja demasiadas cuestiones abiertas. Conviene precisar qué fuentes
deben consultar, qué resultados necesitan verificar y qué decisiones tendrán
que justificar.
La progresión implica diseñar
actividades con diferentes repartos del trabajo. Puede comenzarse con la
revisión de un texto propio, continuar con el análisis de un caso sintético y
después transformar un contenido. El avance depende de los objetivos y
conocimientos previos. Esta secuencia es una orientación propuesta por los
autores, no una fórmula validada para cualquier curso. Su valor está en ampliar
gradualmente las responsabilidades que el estudiante aprende a asumir.
La reflexión permite explicar qué se
hizo y por qué. Para que tenga valor formativo, debe referirse a decisiones
concretas. Resulta más útil justificar por qué se descartó una respuesta que
afirmar de manera general que se utilizó la IA responsablemente. También importa
reconocer una duda que permanece después de revisar el resultado. La reflexión
puede ayudar al docente a retroalimentar el proceso mientras todavía es posible
mejorarlo.
A partir de estos principios, podemos pensar en una actividad de transformación de un artículo académico en una
infografía. Antes de consultar la IA, el estudiante identifica la tesis del
texto y selecciona los conceptos esenciales. Después compara su interpretación
con la propuesta del sistema. Finalmente, revisa qué relaciones se conservaron,
qué información se simplificó y qué errores debió corregir. La evidencia
incluye el producto y una explicación breve de las decisiones que determinaron
su versión final.
Este ejemplo es una propuesta de aplicación
pedagógica, no una actividad evaluada por el estudio. Su interés está en
conectar comprensión, interacción y revisión. La taxonomía de Bloom puede
ayudar a precisar esas exigencias: identificar información, explicar
relaciones, analizar una transformación y valorar su adecuación. Crear un
producto con IA adquiere sentido educativo cuando la tarea ofrece evidencias de
esas acciones. El verbo «crear» en la consigna, por sí solo, no garantiza
un proceso cognitivo complejo.
Hacer visible el aprendizaje tampoco
requiere acumular capturas de pantalla o transcribir conversaciones enteras. La
documentación debe ser suficiente para comprender las decisiones relevantes.
Una comparación entre versiones y una breve defensa pueden aportar más que un
registro extenso sin análisis. La retroalimentación puede centrarse en la
comprensión de la fuente, la calidad de la verificación y la pertinencia de los
cambios realizados.
La revisión de Sun, Dohn y Rehm invita a
reconsiderar qué reconocemos como trabajo competente en la universidad. Sus
explicaciones requieren investigación en las aulas, pero ofrecen preguntas
necesarias para el diseño docente. Cuando la IA participa en la producción,
debemos precisar qué contribución intelectual esperamos del estudiante. Un
buen resultado es parte de la evidencia. Comprenderlo, revisarlo y responder
por las decisiones que lo hicieron posible permite valorar mejor lo aprendido.
Si deseas leer todo el artículo o un
resumen traducido del mismo te invito a https://lectura-alfabetizacion-ia-carlos.cbravoreyes.chatgpt.site/
Sun, Z., Dohn, N. B., y Rehm, M. (2026). Literacy
Demands Placed on Students in Student–GenAI Entanglements in Higher Education.
Postdigital Science and Education. https://doi.org/10.1007/s42438-026-00697-7
