Agonizan los prompts, nacen las skills (parte dos). Una skill para ayudar al profesor a generar una tarea evaluativa para sus estudiantes

Recientemente escribimos sobre la evolución de los prompts, como el prompt aislado solicita una actuación; mientras 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.

En la práctica lo que agoniza es el aislamiento del prompt, 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.

De la conversación con IA al diseño de una skill para evaluar el aprendizaje

Una skill permite organizar las instrucciones como una capacidad reutilizable. Contiene orientaciones sobre qué tarea realizar, qué información solicitar, qué pasos seguir, cómo revisar el resultado y qué límites respetar. Puede incorporar ejemplos, plantillas y otros recursos de apoyo.

En educación, una skill puede orientar el diseño de una evaluación, la preparación de una presentación o la formulación de una microcompetencia, entre otras muchas situaciones. Su valor depende de la calidad del procedimiento pedagógico que contiene, de su adecuación al contexto y de la revisión del profesor.

Para comprenderla, resulta útil distinguir entre pedir un resultado y definir cómo debe construirse. Solicitar «elabora una evaluación sobre este contenido» deja numerosas decisiones abiertas. Una skill puede indicar que, antes de proponer la evaluación, se identifiquen el objetivo, las características de los estudiantes, las condiciones de trabajo y las evidencias que permitirán valorar el aprendizaje.

La diferencia con una conversación tradicional no consiste en que esta última carezca de profundidad. Mediante el diálogo también podemos construir propuestas rigurosas, corregir errores y establecer criterios detallados. De hecho, una conversación bien desarrollada puede ser el punto de partida de una skill.

La diferencia está en cómo se organizan y reutilizan las instrucciones. En una conversación, estas suelen quedar distribuidas entre distintos mensajes. En una skill, se reúnen en un conjunto explícito que puede aplicarse a nuevas situaciones. Esto facilita mantener criterios comunes, revisar el procedimiento y compartirlo, siempre que el entorno utilizado admita ese formato.

La conversación ayuda a construir el procedimiento; la skill permite conservarlo de forma organizada. Ambas formas de trabajo se complementan. Utilizar una skill no elimina el diálogo: puede requerir preguntas, aclaraciones y ajustes durante su aplicación.

Construyendo una skill

Crear una skill comienza por delimitar una tarea. No basta con pedirle a la IA que actúe como especialista. Es necesario precisar qué debe hacer y hasta dónde llega su intervención. Por ejemplo, acompañar el diseño de una evaluación es una tarea distinta de calificar automáticamente los trabajos de los estudiantes.

Después se identifican los datos necesarios para trabajar. En una propuesta educativa pueden ser la asignatura, el objetivo, los destinatarios, el tiempo, los recursos y la modalidad. También se define cómo proceder cuando falta información: qué debe preguntarse y qué aspectos admiten una propuesta provisional.

El siguiente paso consiste en organizar la secuencia de trabajo y establecer los criterios de calidad. La skill necesita indicar qué componentes debe entregar y qué relaciones debe comprobar entre ellos. Una evaluación puede tener una consigna clara y una rúbrica bien redactada, pero seguir siendo inadecuada si ambas valoran aprendizajes diferentes.

Estas instrucciones suelen reunirse en un archivo denominado SKILL.md. Según la tarea y el sistema donde se utilice, pueden acompañarse de plantillas, ejemplos u otros archivos. La parte técnica permite organizar el conjunto; la parte pedagógica determina la calidad de sus orientaciones.

Finalmente, la skill debe probarse con situaciones concretas. Esa revisión permite detectar preguntas innecesarias, criterios ambiguos, exigencias desproporcionadas o resultados incompletos. Crear el archivo no significa que el procedimiento esté terminado.

Este recorrido orientó el desarrollo de Diseñar evaluaciones auténticas, una skill que hemos venido trabajando para acompañar al docente en la construcción de evaluaciones contextualizadas. Su objetivo es relacionar lo que se espera aprender con la actividad, las evidencias, la retroalimentación y los criterios de evaluación.

Un ejemplo para probar la skill

Para examinar su funcionamiento trabajamos una propuesta de Tecnología e Innovación Educativa: cada estudiante elaborará un podcast y una canción vinculados con su emprendimiento personal, real o proyectado. Ambos productos serán individuales y podrán realizarse con IA.

La skill realiza numerosas preguntas al profesor, pero todas siguen un orden lógico, no pasa a la siguiente hasta tanto no esté “satisfecha” con la respuesta del profesor. Esto significa que la respuesta puede ser imprecisa o no estar completa y puede nuevamente preguntar al docente, hasta que considere que la respuesta está acorde a lo que se pide. Esta es la gran diferencia con el prompt y con la conversación a la que estamos acostumbrados.

Mi primera pregunta en la comprobación de la skill se aprecia en la captura del chat

Una vez cargada la skill, se escribe: @ Diseñar evaluaciones auténticas y a partir de aquí se inicia la conversación, que se puede extender por una hora o más, en dependencia de lo que desee obtener. Por supuesto que puede retomar el trabajo cuando lo desee, sin necesidad de estar obligado a realizarlo totalmente en ese tiempo.

En la imagen se muestra la primera pregunta que realiza la skill.

En este caso la skill no se limita solo a responder, como ocurre en el chat tradicional, propone, da soluciones y vuelve a proponer hasta concluir con cada paso.

La imagen muestra la captura de pantalla de otra de las preguntas, durante la etapa de la evaluación de la skill.

Durante la revisión apareció un problema revelador. Uno de los criterios propuestos exigía transformar la respuesta de la IA. Esto podía penalizar a un estudiante que recibiera una primera propuesta adecuada y decidiera conservarla.

Ajustamos el criterio para valorar la revisión y selección del resultado. Mantener una respuesta puede ser una decisión válida si el estudiante explica su correspondencia con lo solicitado. Introducir cambios por obligación no demuestra mayor aprendizaje.

Este ejemplo muestra por qué una skill necesita la intervención del profesor. Las instrucciones pueden organizar el diseño, pero sus propuestas requieren examen. La experiencia docente permite reconocer lo que resulta pertinente para un grupo y corregir lo que excede su preparación.

Lo desarrollado hasta ahora es una propuesta de evaluación, no una demostración de resultados de aprendizaje. Su aplicación permitirá revisar la claridad de las consignas, la utilidad de las evidencias y la adecuación de los criterios.

Crear una skill educativa implica convertir decisiones pedagógicas en un procedimiento que pueda utilizarse, examinarse y ajustarse. En este caso, ese procedimiento se organiza alrededor de una pregunta: ¿qué debe realizar y explicar el estudiante para que el profesor disponga de evidencias suficientes para valorar su aprendizaje?

Instalación de la skill Diseñar evaluaciones auténticas

Paso uno.

Para esta tarea el primer paso es descargar el archivo diseñar evaluaciones autenticas.zip desde este enlace. No lo descomprima, solo lo carga en el chat de ChatGPT, Gemini o Claude, sin importar el tipo de cuenta. En el ZIP se encuentran estos archivos; no es necesario extraerlos, solo suba el ZIP, tal y como lo descargó.

Paso dos.

Cargue el archivo directamente en el chat de su IA preferida. La imagen muestra lo que puede hacer. Se cargó el archivo y a continuación puede escribir: Trabajemos con esta skill

El mensaje que devuelve la IA, es similar a este:

Observe que da diferentes opciones; incluso si ninguna de esas le conviene, puede escribir otra y obtendrá una nueva respuesta. No es un prompt aislado es un conjunto de instrucciones lógicas.

A partir de este momento, se inicia un diálogo, donde es el profesor el que aprueba cada paso. La skill sugiere, propone, pregunta, evalúa, pero nunca decide. Si el profesor no tiene una idea clara de cómo crear su evaluación, la skill lo ayuda. El proceso lleva tiempo, no se puede ejecutar en minutos, pues estaría entregando algo que al probarlo nos daríamos cuenta de que carece de utilidad. Necesita revisión permanente.

En el enlace se puede descargar el resultado de la evaluación que colocamos de ejemplo para verificar la skill. Para volver a la skill, solo escriba @ Diseñar evaluaciones auténticas y se inicia un nuevo diálogo.

En nuestras manos está todo el proceso; de la skill obtenemos el apoyo, pero la decisión final es solo nuestra.

 

 

 

 

 

Escribir bien para pensar mejor… y dialogar con la inteligencia artificial

En colaboración con Mercedes Leticia Sánchez Ambriz

Durante años, muchos docentes aprendimos que redactar correctamente significaba respetar reglas ortográficas, memorizar conjugaciones verbales o seguir estructuras gramaticales rígidas. Sin embargo, la llegada de la inteligencia artificial está transformando profundamente esta visión. Hoy escribir bien ya no es únicamente una habilidad académica: se ha convertido en una competencia fundamental para pensar, enseñar y comunicarse eficazmente con sistemas inteligentes. Hoy la pregunta tiene un alto valor al interactuar con la IA.  

La inteligencia artificial generativa funciona a través del lenguaje. Plataformas como ChatGPT, Gemini o Claude responden a partir de las instrucciones y contextos que las personas escriben. Esto significa que la calidad de las respuestas depende, en gran medida, de la claridad, precisión y profundidad con la que el docente expresa sus ideas, es decir en cómo preguntar. En consecuencia, la redacción adquiere un nuevo sentido pedagógico: quien aprende a escribir con claridad también aprende a orientar mejor la inteligencia artificial (Gallent-Torres et al., 2023).

La IA está revelando problemas históricos de comunicación

Muchos docentes descubren a diario que la inteligencia artificial produce respuestas vagas, superficiales o incorrectas. Sin embargo, en numerosos casos el problema no radica únicamente en la herramienta, sino en la forma en que se redactan las instrucciones. Cuando una persona escribe ideas ambiguas, desordenadas o poco contextualizadas, la IA también genera respuestas ambiguas y poco útiles. Por el contrario, cuando existe claridad conceptual, intención comunicativa, estructura lógica y contexto suficiente, los resultados suelen ser mucho más precisos y enriquecedores.

Esta situación ha puesto en evidencia problemas históricos relacionados con la comprensión lectora, la argumentación y la producción escrita en distintos sistemas educativos latinoamericanos. Diversos estudios señalan que las debilidades en competencias comunicativas afectan directamente la calidad del aprendizaje y la construcción de pensamiento crítico (Vílchez Ruiz, 2024).

La inteligencia artificial, en cierto modo, obliga a las personas a pensar antes de escribir. Formular una instrucción clara requiere organizar ideas, contextualizar necesidades y definir objetivos. Por ello, escribir deja de ser únicamente un acto mecánico para convertirse en un proceso reflexivo y estratégico.

La escritura ya no solo comunica: ahora también programa

En la actualidad, escribir dejó de ser únicamente una herramienta para comunicarse con otros seres humanos. Ahora también permite interactuar con inteligencias artificiales. Cada indicación escrita funciona como una instrucción algorítmica que guía las respuestas del sistema. Por ello, comienza a consolidarse una nueva competencia educativa que puede denominarse alfabetización algorítmica: la capacidad de construir mensajes claros, contextualizados y estratégicos para interactuar críticamente con sistemas de inteligencia artificial.

Esta alfabetización implica:

• organizar ideas;
• contextualizar problemas;
• formular preguntas complejas;
• argumentar críticamente;
• y expresar necesidades reales de aprendizaje.

En otras palabras, la inteligencia artificial está devolviendo protagonismo al lenguaje y a la capacidad humana de estructurar pensamiento.

El docente como diseñador de pensamiento

Durante mucho tiempo se pensó que la tecnología reemplazaría ciertos procesos educativos. Sin embargo, la IA está demostrando algo diferente: el papel del docente se vuelve aún más importante. Aunque la inteligencia artificial puede generar textos, imágenes, actividades o resúmenes, sigue dependiendo de la capacidad humana para formular preguntas significativas, validar información, contextualizar contenidos y desarrollar pensamiento crítico (Flor-Terán & Sandoval-Reyes, 2024).

Por ello, el docente deja de ser únicamente transmisor de información para convertirse en diseñador de experiencias de aprendizaje mediadas por lenguaje e inteligencia artificial. Un maestro que sabe redactar con claridad puede:

• crear mejores prompts;
• personalizar materiales;
• adaptar contenidos al contexto latinoamericano;
• generar recursos didácticos;
• y orientar procesos de aprendizaje mucho más dinámicos.

La IA amplifica la capacidad pedagógica del docente, pero no sustituye su criterio profesional ni su responsabilidad ética.

Enseñar a escribir en tiempos de IA

La educación latinoamericana enfrenta ahora un desafío importante. Ya no basta con enseñar gramática desde una perspectiva memorística o normativa. Enseñar a escribir implica también enseñar a pensar, interpretar, argumentar y construir conocimiento propio.

Además, el auge de herramientas de IA ha reactivado debates sobre integridad académica, plagio y honestidad intelectual. Diversos autores advierten que el uso irreflexivo de estas tecnologías puede fomentar dependencia intelectual, pérdida de pensamiento crítico y producción de textos superficiales o poco originales (Ibarra Beltrán et al., 2023).

Sin embargo, otros enfoques sostienen que la solución no consiste únicamente en restringir la IA, sino en enseñar a utilizarla éticamente, promoviendo transparencia, pensamiento crítico y responsabilidad autoral (Caldevilla-Domínguez, 2024).

En este contexto, la escritura adquiere una dimensión ética. Un estudiante o docente que redacta con claridad no solo mejora su comunicación, sino que también fortalece su autonomía intelectual y reduce la dependencia excesiva de contenidos generados automáticamente.

Conclusión

La llegada de la inteligencia artificial en la educación no representa únicamente un cambio tecnológico, sino también una transformación profunda en las formas de pensar, escribir y construir conocimiento. En este nuevo escenario, la capacidad de redactar con claridad, argumentar críticamente y contextualizar ideas deja de ser una competencia exclusivamente lingüística para convertirse en una habilidad intelectual y ética fundamental.

Lejos de reemplazar al docente, la inteligencia artificial evidencia la necesidad de fortalecer el pensamiento pedagógico, la interpretación crítica y la honestidad intelectual. La calidad de las respuestas generadas por sistemas inteligentes depende, en gran medida, de la capacidad humana para formular preguntas significativas, estructurar problemas y comunicar ideas con precisión.

Asimismo, la educación latinoamericana enfrenta el desafío urgente de enseñar no solo a utilizar herramientas de IA, sino también a comprender sus implicaciones éticas, cognitivas y sociales. Esto implica formar estudiantes capaces de pensar por sí mismos, evaluar información críticamente y utilizar la inteligencia artificial como apoyo al aprendizaje y no como sustituto de la elaboración intelectual.

En consecuencia, enseñar a escribir en tiempos de inteligencia artificial significa también enseñar a pensar, dialogar críticamente con la tecnología y ejercer una ciudadanía académica responsable. La verdadera innovación educativa no dependerá únicamente del avance tecnológico, sino de la capacidad humana para utilizarlo con criterio, creatividad e integridad.

Referencias

Caldevilla-Domínguez, D. (2024). Usos éticos de la IA en la universidad moderna: Más allá del plagio. EDU Review, 12(1), 57–65. https://doi.org/10.37467/revedu.v12.5184

Flor-Terán, G. A., & Sandoval-Reyes, P. A. (2024). La ética en el uso de la inteligencia artificial (IA) en la educación: desafíos y oportunidades. Polo del Conocimiento, 9(11), 255–282.

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134

Ibarra Beltrán, Á., Aguayo Álvarez, Z., & Velázquez García, R. E. (2023). Desmitificando el plagio digital: percepciones y realidades de la ética estudiantil desde el Centro Universitario de Tonalá. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(5), 1418–1431. https://doi.org/10.56712/latam.v4i5.1403

Vílchez Ruiz, M. I. (2024). Contenido educativo con inteligencia artificial: ¿Restringir o enseñar a personalizar éticamente en el ámbito educativo? Revista Ciencia & Tecnología, 24(44).

 

Hacia un modelo de diseño instruccional basado en prompts

En colaboración con Mercedes Leticia Sánchez Ambriz

Escucha el resumen en audio 

El diseño instruccional (DI) ha transitado desde modelos lineales y conductistas hacia enfoques constructivistas y conectivista. Sin embargo, el surgimiento de la inteligencia artificial generativa (IAGen) marca una ruptura paradigmática impulsada por agentes inteligentes. Nacen nuevos modelos como el Modelo P-S-D (Prompt-Structural Design), que propone el uso de "prompt" no es solo una instrucción técnica, sino el núcleo de la mediación pedagógica y la arquitectura del aprendizaje del siglo XXI.

El pasado y presente del diseño Instruccional

Durante décadas, el DI ha sido el ancla de la educación formal y corporativa. Desde el modelo ADDIE hasta los Principios de Merrill (2002), el objetivo ha sido sistematizar el aprendizaje para garantizar la eficacia instructiva. No obstante, la velocidad de producción de conocimiento actual ha dejado obsoletos los ciclos de desarrollo surgidos desde el siglo pasado. Como señala Siemens (2005) en su teoría del conectivismo, el aprendizaje depende ahora de la diversidad de opiniones y la actualización continua, algo que la IA potencia al redefinir la naturaleza de la “instrucción”.

Para comprender esta transformación, es necesario analizar la evolución del DI a través de sus cuatro etapas fundamentales:

Enfoque conductista (1950-1970): Centrado en el diseño de estímulo-respuesta y objetivos medibles (Gagné, 1965).

Enfoque cognitivista (1980-1990): Prioriza el procesamiento de información y la carga cognitiva (Sweller, 1988).

Enfoque constructivista y Conectivista (2000-2020): Aprendizaje en red, centrado en el estudiante y en contextos reales (Modelo ASSURE).

Era de la Co-creación Sintética (2023-Presente): El diseño asistido y generado por IA, donde la interacción humano-máquina genera el recurso.

Esta línea de tiempo nos muestra cómo algunos diseños hoy son percibidos como estructuras “rígidas” que difícilmente responden a la creciente demanda de personalización masiva. Esto es, porque los métodos clásicos requieren una planificación lineal extensa, mientras que la IAGen permite crear rutas de aprendizaje únicas y adaptativas en cuestión de segundos; una tarea que resultaría inabarcable para un diseñador instruccional trabajando de manera aislada. En consecuencia, el reto pedagógico actual no reside en la falta de herramientas tecnológicas, sino en la urgente transición hacia lo que se denomina una pedagogía de la interacción (Mollick & Mollick, 2023).

Bajo este nuevo enfoque, el diseño instruccional deja de ser un proceso de autoría estática para convertirse en una orquestación dinámica, como se detalla en la siguiente Tabla 1, el cambio no es solo técnico (velocidad y multimodalidad), sino fundamentalmente ontológico: el contenido deja de ser un objeto estático para convertirse en un ecosistema dinámico y evolutivo. Esta comparativa permite visualizar cómo el modelo P-S-D resuelve las rigideces del paradigma tradicional, permitiendo una personalización a escala que anteriormente era inviable por limitaciones de tiempo y recursos humanos.

Tabla 1. Comparativa entre el paradigma de diseño tradicional y el diseño basado en prompts (P-S-D). Fuente: Elaboración propia (2025).

En esta tabla se confronta la agilidad vs. rigidez: es decir, que los modelos tradicionales requieren ciclos largos de revisión; el diseño basado en prompts permite la prototipación rápida, lo que facilita ajustar contenidos según el feedback inmediato del aula.

Desplazamiento del foco: La tabla destaca que el diseñador instruccional deja de ser un “redactor” para ser un “estratega”. Esto justifica la necesidad de nuevas competencias en ingeniería de prompts y curaduría ética.

Democratización multimodal: La capacidad de generar audio, imagen y video a partir de instrucciones textuales reduce la brecha de acceso a recursos de alta calidad, permitiendo que instituciones con menos presupuesto (como las de estratos 1, 2 y 3 mencionadas) cuenten con materiales de primer nivel.

La transición hacia el Modelo P-S-D (Prompt-Structural Design) representa la solución técnica y pedagógica ante el desfase de los modelos rígidos. Mientras que el DI tradicional se enfocaba en la construcción de materiales, este modelo se centra en la configuración de agentes inteligentes capaces de generar experiencias de aprendizaje en tiempo real. Al adoptar el "prompt" como unidad mínima de diseño, el educador no solo programa una instrucción, sino que define un ecosistema de respuesta que se adapta a las necesidades socioemocionales y cognitivas identificadas en el diagnóstico situacional.

Conclusiones

La integración de la inteligencia artificial generativa en el ámbito educativo no debe entenderse como una sustitución del pensamiento pedagógico, sino como una extensión de la capacidad creativa del docente. Tras el análisis de la evolución del diseño instruccional y la propuesta del modelo P-S-D, se concluye lo siguiente:

El modelo P-S-D rompe la barrera del tiempo en la creación de contenidos. Al automatizar la fase operativa mediante el Seed Prompting, el diseñador instruccional recupera su rol estratégico, permitiéndole enfocarse en la curaduría crítica y la personalización que los modelos lineales como ADDIE no podían ofrecer a escala.

El éxito de una intervención didáctica ya no dependerá solo de la calidad del material estático, sino de la precisión con la que el diseñador sea capaz de traducir objetivos pedagógicos complejos en lenguajes que la IA pueda procesar éticamente.

A pesar del carácter sintético de la producción asistida por IA, el modelo P-S-D fortalece la agencia humana. Al reducir la carga administrativa y de redacción, el docente puede dedicar mayor atención a los procesos de inclusión, convivencia escolar y apoyo socioemocional, garantizando que la tecnología sea una aliada en la formación integral y no un factor de exclusión.

Sin duda, se puede decir, que estamos frente al nacimiento de un diseño instruccional más fluido, a través de la conversación técnica con la IA que se convierte en la herramienta más potente para potenciar la inteligencia colectiva y preparar a los estudiantes para un entorno digital en constante mutación.

 

Referencias

Bates, A. W. (2019). Teaching in a Digital Age: Guidelines for designing teaching and learning. Tony Bates Training and Insights Plan IT.

Gagné, R. M. (1965). The Conditions of Learning. Holt, Rinehart and Winston.

Merrill, M. D. (2002). First principles of instruction. Educational Technology Research and Development, 50(3), 43-59.

Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven Approaches for Students, with Prompts. Wharton Interactive Model Paper.

Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning.

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.

.