
Durante
décadas, la taxonomía de Bloom ha orientado la planificación educativa mediante
una clasificación de procesos cognitivos que, en su versión revisada, comprende
recordar, comprender, aplicar, analizar, evaluar y crear. Su contribución ha
sido fundamental para formular objetivos educativos, organizar experiencias
formativas y evaluar diferentes niveles de complejidad cognitiva.
Sin
embargo, la expansión de la inteligencia artificial (IA) generativa plantea una
paradoja educativa: actualmente es posible obtener productos complejos sin
haber desarrollado necesariamente los procesos cognitivos que tradicionalmente
intervenían en su elaboración.
Una
persona solicita una infografía y la obtiene en segundos. Pide un mapa
conceptual y recibe conceptos organizados jerárquicamente. Solicita un video
educativo y la IA genera imágenes, narraciones y secuencias explicativas.
También puede producir ensayos, resúmenes y análisis aparentemente bien
fundamentados.
Desde
una perspectiva centrada exclusivamente en el producto, podría parecer que
hemos alcanzado el nivel superior de la taxonomía: crear. Pero ¿obtener
una creación demuestra que hemos desarrollado las capacidades cognitivas
necesarias para elaborarla?
Producir
un recurso no equivale necesariamente a comprender su contenido. Una
presentación visualmente atractiva puede ocultar desconocimiento conceptual; un
ensayo bien argumentado puede elaborarse sin una reflexión propia suficiente;
incluso un mapa conceptual puede representar relaciones que su usuario sería
incapaz de explicar. La inteligencia artificial no elimina la necesidad de
aprender, pero transforma las condiciones en las que demostramos lo aprendido.
¿Qué
sucede cuando la evidencia aparente de aprendizaje puede generarse antes de que
ocurra el aprendizaje?
Ante
esto, surge la siguiente pregunta ¿Y si
invertimos nuestro punto de partida?
En
lugar de considerar la elaboración de un producto como la culminación del
aprendizaje, podemos comenzar con un recurso generado mediante IA y utilizarlo
para reconstruir los procesos cognitivos necesarios para comprenderlo,
examinarlo críticamente y transformarlo. Estamos modificando el punto de
partida de la experiencia de aprendizaje.
No
se trata de invertir mecánicamente los seis niveles de Bloom ni de sustituir
una secuencia rígida por otra. La taxonomía revisada clasifica procesos
cognitivos que pueden combinarse durante el aprendizaje, sin establecer que
toda experiencia educativa deba recorrerlos obligatoriamente en un orden
determinado.
Lo
que aquí se propone es una retroingeniería
cognitiva del aprendizaje: partir de un producto generado
mediante inteligencia artificial para identificar y reconstruir deliberadamente
los conocimientos y procesos cognitivos que permiten comprenderlo, analizarlo,
evaluarlo y transformarlo con criterio propio.
Pensemos
en una infografía sobre el cambio climático generada mediante IA. El recurso
presenta conceptos, datos, causas, consecuencias e imágenes explicativas. Su
apariencia puede ser impecable, pero ello no garantiza que quien lo solicitó
comprenda los fenómenos representados.
En
lugar de concentrarnos únicamente en su diseño, podríamos preguntarnos: ¿qué
conceptos reconoce el estudiante?, ¿cuáles puede explicar sin recurrir a la
herramienta?, ¿qué relaciones comprende?, ¿qué información necesita verificar?
y ¿qué interpretación propia puede construir?
Estas
preguntas modifican la función pedagógica del recurso. El producto deja
de considerarse una evidencia suficiente de aprendizaje y se convierte en un objeto
de análisis que permite explorar los conocimientos y procesos cognitivos
del estudiante.
Esta
perspectiva encuentra puntos de convergencia con el trabajo de Gonsalves, quien
propone reconsiderar la taxonomía de Bloom frente a las exigencias cognitivas
de la interacción con IA generativa. Su investigación exploratoria destaca la
importancia de considerar procesos cognitivos, afectivos y metacognitivos
durante estas interacciones.
La
retroingeniería cognitiva comparte esta preocupación, pero plantea un enfoque
específico: utilizar el producto generado como punto de partida para
reconstruir y examinar los procesos intelectuales del estudiante.
Volver a recordar para aprender a pensar
En
determinados discursos educativos, recordar suele interpretarse como una
capacidad elemental frente a procesos considerados superiores, como analizar,
evaluar o crear. Sin embargo, esta interpretación puede conducir a subestimar
la importancia de los conocimientos fundamentales. Recordar no implica
necesariamente reproducir información de manera mecánica. También comprende
reconocer conceptos, recuperar conocimientos relevantes e identificar elementos
necesarios para interpretar situaciones nuevas.
¿Cómo
analizar un fenómeno si desconocemos sus componentes? ¿Cómo evaluar la
veracidad de una afirmación si carecemos de referentes conceptuales? ¿Cómo
formular una interpretación fundamentada si dependemos exclusivamente de las
explicaciones proporcionadas por una herramienta? La disponibilidad
inmediata de respuestas puede favorecer una ilusión de conocimiento: confundir
el acceso a la información con su comprensión.
Por
ello, recuperar la importancia del primer nivel de Bloom no representa un
retroceso pedagógico. Puede constituir una decisión educativa deliberada para
fortalecer conocimientos que la automatización permite omitir en determinadas
circunstancias.
La
intención no es privilegiar la memorización ni relegar los procesos cognitivos
superiores, sino reconocer que el pensamiento crítico requiere conocimientos
sobre los cuales ejercerse.
Un
docente que desconoce los fundamentos de una teoría difícilmente podrá
identificar las imprecisiones de una respuesta generada mediante IA. Del mismo
modo, un estudiante que no comprende un concepto puede aceptar una explicación
incorrecta simplemente porque se presenta con claridad y coherencia aparente. En
este escenario, recordar y comprender adquieren una relevancia renovada:
contribuyen a establecer los referentes conceptuales necesarios para
interactuar críticamente con los sistemas de inteligencia artificial.
Del producto terminado al pensamiento crítico
La
posibilidad de generar recursos educativos mediante instrucciones formuladas en
lenguaje natural ha transformado las condiciones de producción de contenidos
académicos y plantea nuevos desafíos para la evaluación del aprendizaje. Tradicionalmente,
los trabajos académicos se han valorado considerando su estructura, contenido,
presentación, originalidad y cumplimiento de los objetivos establecidos. Estos
criterios conservan su importancia, pero pueden resultar insuficientes cuando un
sistema automatizado es capaz de producir resultados que satisfacen buena parte
de esas exigencias.
La
evaluación no debería limitarse a determinar si el producto está correctamente
elaborado. También debe permitir identificar qué conocimientos movilizó el
estudiante, qué decisiones tomó, qué información verificó y hasta qué punto
puede justificar sus interpretaciones.
Esta
preocupación coincide con las orientaciones del MIT Sloan Teaching &
Learning Technologies, que recomiendan diseñar experiencias educativas
considerando las capacidades de la IA y estableciendo evidencias apropiadas
para demostrar los resultados de aprendizaje esperados.
En
este contexto, la mediación docente adquiere particular relevancia. No
basta con enseñar a formular instrucciones eficaces para obtener mejores
respuestas. También es necesario fortalecer el dominio conceptual, la
contrastación de fuentes, la identificación de errores y la formulación de
juicios fundamentados.
De
lo contrario, existe el riesgo de confundir la competencia instrumental para
utilizar una herramienta con la capacidad intelectual para comprender y evaluar
sus resultados. Esto no implica rechazar la inteligencia artificial ni
desconocer sus posibilidades educativas. Por el contrario, permite aprovecharla
para diversificar las representaciones del conocimiento, explorar perspectivas
alternativas y enriquecer las experiencias de aprendizaje.
La
distinción fundamental es que la inteligencia artificial puede
producir resultados asociados con tareas cognitivamente complejas, pero su
calidad no demuestra, por sí misma, que el usuario haya desarrollado las
capacidades correspondientes.
Por
ello, necesitamos evaluar no solamente aquello que se entrega, sino también lo
que se comprende y las decisiones que el estudiante puede defender de
manera autónoma.
De la propuesta conceptual a su aplicación
educativa
Para
que la retroingeniería cognitiva trascienda el plano conceptual, resulta
necesario considerar cómo podría incorporarse a las experiencias de enseñanza y
evaluación.
Una
posible aplicación consistiría en presentar a los estudiantes un producto
generado mediante IA y solicitarles que realicen un proceso de reconstrucción
intelectual organizado en cinco momentos:
1.
Reconocimiento conceptual: identificar los términos, principios y
conocimientos fundamentales presentes en el producto.
2.
Reconstrucción de significados: explicar los conceptos y
relaciones representados mediante conocimientos propios y fuentes pertinentes.
3.
Análisis crítico: examinar la organización del contenido,
sus supuestos y posibles inconsistencias.
4.
Verificación y evaluación: contrastar las afirmaciones con fuentes
confiables, identificar errores y justificar los juicios formulados.
5.
Transformación fundamentada: modificar o reconstruir el
producto original mediante decisiones intelectualmente justificadas.
Estos
momentos no constituyen una nueva jerarquía cognitiva ni deben interpretarse
como etapas obligatoriamente secuenciales. Representan una posible organización
didáctica de procesos que pueden desarrollarse de manera iterativa.
La
propuesta permitiría complementar la evaluación del producto con explicaciones
orales, análisis de errores, defensa de decisiones y actividades de
transferencia a situaciones nuevas. No obstante, su efectividad deberá
examinarse mediante investigaciones que permitan establecer sus posibles
beneficios y limitaciones.
Cuando crear ya no es suficiente
La
inteligencia artificial generativa invita a revisar algunas de nuestras
concepciones sobre las evidencias del aprendizaje. Durante mucho tiempo,
elaborar un producto original representó una manifestación importante de
determinadas capacidades cognitivas. Actualmente, esa relación requiere una
interpretación más cuidadosa.
La
creación continúa siendo un proceso cognitivo relevante. Lo que ha cambiado es
que el producto observable puede obtenerse con una participación intelectual
del usuario muy variable. Por ello, reconsiderar el recorrido habitual asociado
con la taxonomía de Bloom no significa cuestionar el valor de sus procesos
cognitivos, sino recuperar su importancia en un entorno donde los resultados
pueden aparecer antes de que exista una comprensión suficiente.
La
retroingeniería cognitiva del aprendizaje constituye, por ahora, una propuesta
conceptual que requiere desarrollo metodológico y validación empírica. Su
propósito consiste en utilizar los productos generados mediante IA como
oportunidades para recuperar, examinar y fortalecer los procesos intelectuales
que sustentan el aprendizaje.
Quizá
sea momento de dejar de preguntar únicamente qué recursos pueden elaborar los
estudiantes con inteligencia artificial y comenzar a preguntar qué saben,
qué comprenden, qué pueden explicar y qué decisiones son capaces de justificar
después de utilizarla. Porque producir información no equivale
necesariamente a apropiarse intelectualmente de ella.
Si la inteligencia artificial
puede entregarnos una creación en segundos, nuestra responsabilidad educativa
consiste en preservar y fortalecer los procesos cognitivos que permiten
comprenderla, cuestionarla y transformarla.
Tal
vez no necesitemos invertir la pirámide de Bloom. Tal vez necesitemos
reconsiderar qué significa aprender cuando las máquinas pueden producir aquello
que tradicionalmente utilizábamos para demostrarlo.
Referencias
1.
Anderson
LW, Krathwohl DR, editors. A taxonomy for learning, teaching, and assessing: a
revision of Bloom's taxonomy of educational objectives. New York: Longman;
2001.
2.
Gonsalves
C. Generative AI's impact on critical thinking: revisiting Bloom's taxonomy. J
Mark Educ. 2026;48(1):4-19. doi:10.1177/02734753241305980.
3.
MIT
Sloan Teaching & Learning Technologies. 4 steps to design an AI-resilient
learning experience [Internet]. Cambridge (MA): Massachusetts Institute of
Technology; [fecha desconocida; citado 2026 nov 5]. Disponible en: https://mitsloanedtech.mit.edu/ai/teach/4-steps-to-design-an-ai-resilient-learning-experience/
