Lo que el estudiante debe demostrar cuando trabaja con IA

 

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