En colaboración con Mercedes Leticia Sánchez Ambriz
No dejes de escuchar el podcast en este enlace
Recientemente
conversaba con un colega de trabajo y me explicaba que con la IA vuela en su actividad
docente, pero que siempre siente que se queda atrás con las herramientas de IA
que conoce. Es una sensación persistente: con la inteligencia artificial no se
llega a un final. Se aprende una herramienta y aparece otra que la desplaza, o
la misma plataforma cambia y obliga a reaprender. Esa experiencia suele expresarse
como un problema de falta de tiempo, de disciplina o de actualización
insuficiente.
Pero este problema humano, tiene una interpretación pedagógica muy
diferente: el objeto de aprendizaje se mueve con más rapidez que los ciclos
formativos. Si los contenidos se construyen alrededor del funcionamiento de
una herramienta, el curso queda atado a un objetivo inestable. El efecto es
predecible: frustración, dispersión, dependencia de tutoriales y una idea
equivocada de competencia digital, entendida como dominio de la herramienta. En
este caso el medio se convierte en el centro del proceso, quitando su lugar al
aprendizaje del estudiante.
Una sugerencia
El punto de partida es distinguir dos formas de organizar este proceso.
Una forma consiste en dominar procedimientos propios de un producto, menús,
opciones, plantillas, atajos y formatos. Esa ruta produce resultados rápidos,
pero caduca en cuanto cambia el producto. Otra forma consiste en
construir capacidades que se transfieren entre herramientas: formular
problemas, dialogar con los algoritmos, verificar, justificar, documentar,
tomar decisiones con responsabilidad. En esta segunda ruta, la herramienta es
un medio. La competencia se conserva, aunque la plataforma cambie.
Esta distinción reordena la enseñanza universitaria. Si el currículo evalúa
la herramienta, cualquier actualización provoca la sensación de reinicio. Si el
currículo evalúa el desempeño intelectual mediado por IA, el cambio tecnológico
deja de ser un obstáculo y se vuelve un cambio de entorno de trabajo. En
términos didácticos, el problema no es la innovación, es haber puesto la
meta en un objeto móvil.
Para que esta idea no se quede en lo declarativo, conviene traducirla a principios
de formación que permanezcan estables y puedan aplicarse con cualquier
herramienta. Un criterio es la formulación del problema académico: qué
se quiere lograr, con qué condiciones, qué evidencia será aceptable, qué
limitaciones existen. Otro es la construcción de instrucciones y diálogo con
la IA: pedir alternativas, delimitar supuestos, solicitar contraejemplos,
exigir que la respuesta se ajuste a un formato evaluable. A los anteriores se
suma la verificación: contrastar con fuentes, revisar coherencia
interna, detectar afirmaciones sin respaldo, corregir errores conceptuales y de
citación. La trazabilidad: dejar registro de qué aportó la IA, qué
cambió el estudiante, y por qué lo cambió es otro criterio que podemos aplicar
en clases. Otro criterio es el uso ético: no delegar el juicio
académico, no ocultar la mediación de la herramienta, cuidar datos y evitar
atajos que terminen en plagio o en trabajo sin comprensión.
En un trabajo anterior denominado “El Viejo y el mar como simulador de
toma de decisiones con inteligencia artificial en educación superior” y que
puede
leer desde aquí comentamos como a partir del análisis de una obra literaria
o científica podemos emplear la IA siguiendo un grupo de reglas que culminan
con un registro de evidencias que el estudiante debe presentar. Sí seguimos este
camino es el estudiante el responsable de desafiar la IA y no al revés
como suele suceder.
Cuando las ideas anteriores se convierten en el centro del curso, aparece
una consecuencia directa: el programa deja de quebrarse cuando cambia la
herramienta. En lugar de enseñar una aplicación como contenido principal, se
enseña una práctica académica con mediación de IA. La herramienta se trabaja
como ejemplo y se puede sustituir sin reescribir el diseño didáctico.
Un ejemplo en Ciencias de la Educación lo muestra con claridad. En una asignatura
que imparto, los estudiantes deben crear el sistema de evaluación de una
asignatura. Hasta aquí parece sencilla la tarea, pero no es así. Ellos tienen
que empezar por crear una institución escolar, diseñar su estructura,
seleccionar las facultades, carreras y en una de ellas describir todas las
asignaturas. Al principio se copian todo de la IA, pero en la medida en que van
presentando públicamente sus resultados, deben volver al inicio para rediseñar
todo con su propio criterio. Con un enfoque centrado en herramienta, el
estudiante aprende a trabajar con la herramienta, pero no aprende a crear el
sistema de evaluación exigido.
Por el contrario, al enfocarnos en las competencias, el estudiante debe
definir el desempeño, justificar los criterios, construir niveles, proponer
evidencias, anticipar errores, y utilizar la IA para revisar consistencia,
sugerir redacción, proponer variantes y detectar ambigüedades. La evidencia
evaluable no es la habilidad de navegar la interfaz, es la calidad del
instrumento y la solidez de las decisiones que lo sustentan. Si mañana cambian
las plataformas, la tarea sigue siendo la misma, y el aprendizaje también.
Este modo de diseñar reduce un riesgo frecuente en la formación con IA: la
fatiga por actualización permanente y la sobreexposición a novedades. Al poner
el énfasis en criterios pedagógicos, el estudiante aprende a decidir cuándo un
cambio tecnológico requiere reentrenamiento y cuándo solo exige adaptación
menor. Aprende a sostener un criterio de calidad por encima del entusiasmo por
lo nuevo. En educación superior, esa estabilidad es pedagógicamente deseable:
permite profundidad, continuidad de desempeño y evaluación más justa.
A manera de conclusión.
La sensación de no ver el final con la IA suele aparecer cuando se confunde
el objetivo con el dominio de un producto. Si la meta es aprender herramientas,
siempre habrá reinicio porque el ecosistema cambia sin pausa. Si la meta es
construir capacidades transferibles, el cambio tecnológico deja de invalidar el
aprendizaje. La docencia universitaria gana consistencia cuando evalúa
desempeño intelectual mediado por IA: formular problemas, dialogar con
criterio, verificar, justificar, documentar y actuar con responsabilidad. El
final no es dominar una IA. El final es sostener un trabajo académico riguroso,
aunque la herramienta cambie.
