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

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Agonizan los prompts, nacen las skills

 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