IA como apoyo, no como sustituto: mantener el foco en el estudiante

El error metodológico más común al integrar la IA es asumir que la preparación teórica debe preceder a la práctica. Las charlas preventivas sobre los riesgos de los modelos de lenguaje son insuficientes para generar usuarios críticos. La evidencia demuestra que la autorregulación y el juicio evaluativo emergen únicamente cuando el estudiante aplica la herramienta a un problema concreto, bajo mediación docente.

Por esta razón, el diseño instruccional de la actividad es tan determinante como la tecnología misma. Para que la IA opere como una herramienta de pensamiento colaborativo y no como un sustituto, el diseño debe estructurarse obligatoriamente sobre la tríada que fundamenta la autonomía digital:

• Inmersión práctica: El pensamiento crítico requiere un objetivo concreto. El análisis emerge cuando el estudiante choca contra las limitaciones reales, sesgos e inconsistencias de la herramienta durante su ejecución.

• Andamiaje pedagógico: Exige un diseño que estructure la actividad, formule preguntas que desafíen las respuestas de la máquina y establezca fricción cognitiva o límites.

• Ciclos de metacognición: El aprendizaje se consolida cuando el estudiante audita su propio proceso de interacción: qué decisiones delegó, por qué aceptó o rechazó los resultados de la IA y cómo iteraría su estrategia en el futuro.

En consecuencia, la tecnología no hace que el trabajo académico sea más fácil. De hecho, trabajar bien con IA exige más esfuerzo mental que hacerlo sin ella.

En este modelo, los errores, la ambigüedad y las fallas técnicas de la herramienta no son obstáculos a evitar, sino oportunidades para aprender. Al usar la IA como apoyo, el estudiante se convierte en el director de su proyecto. Asumir este rol exige un esfuerzo intelectual y emocional profundo para evaluar los resultados, tolerar la frustración cuando la herramienta falla y saber justificar el razonamiento detrás de cada decisión tomada en colaboración con la máquina.

Tal como se expuso en Autonomía digital: enseñar a decidir en tiempos de IA (Cárdenas, 2026), el uso de la tecnología como herramienta de pensamiento colaborativo exige estructurar el trabajo del estudiante bajo ciclos iterativos de aprendizaje autorregulado: anticipar, ejecutar y evaluar. Es en este ciclo donde se integran las alfabetizaciones necesarias para dominar la herramienta: la competencia funcional permite la ejecución técnica, la crítica detona la evaluación de los resultados, y la creativa guía la planeación estratégica del proyecto. A partir de este marco, a continuación, se desarrolla una propuesta didáctica diseñada bajo estos principios:

Caso práctico: la adaptación de lenguaje técnico a divulgativo

El contexto: La profesora Marcela les pide a sus estudiantes de once que usen una IA para sintetizar y traducir a lenguaje divulgativo un artículo científico sobre cambio climático, con el fin de presentarlo a compañeros de un curso menor. Tarea real, con un destinatario y un propósito claro: que un estudiante de sexto lo entienda.

Cada estudiante debe leer el artículo original antes de interactuar con la IA. Sin esta base de conocimiento, el estudiante carece de un marco de referencia para contrastar y auditar los resultados generados por la herramienta.

Fase 1 — Planificar

En esta etapa se estructuran las cuatro dimensiones del aprendizaje autorregulado:

• Cognición: Antes de estructurar cualquier instrucción, cada grupo extrae la idea central del artículo fuente y determina qué conceptos requieren revisarse. La fricción cognitiva ocurre exclusivamente con el texto base, no hay intervención de la IA en esta sub-fase.

• Metacognición: Se fijan metas específicas derivadas del objetivo general. Por ejemplo: "El texto final tendrá un máximo de 150 palabras, un nivel de lectura para 11 años y explicará el impacto del cambio climático en las cosechas".

• Conducta: El grupo evalúa las opciones y selecciona qué herramienta de IA (ej. Claude, ChatGPT) es la más adecuada según la naturaleza de la tarea.

• Motivación y afecto: Se establece el valor del ejercicio (la importancia de la transposición didáctica) y se anticipa que el primer resultado de la IA probablemente será defectuoso o superficial. Esto prepara psicológicamente al estudiante para ejecutar el ciclo iterativo sin frustrarse ante el primer fallo de la máquina.

Sobre esta base metodológica, se detonan las tres dimensiones de la alfabetización en IA:

• Funcional: Analizan los requerimientos técnicos y redactan el prompt base de forma aislada (en papel o documento de texto, fuera de la interfaz del chatbot). Definen con precisión el rol del sistema, el contexto, la tarea exacta y las restricciones de formato.

• Crítica y Ética: Antes de generar cualquier texto con la máquina, el estudiante define sus métricas de evaluación: ¿cómo auditarán que la adaptación no pierda precisión científica?, ¿qué límites éticos asumen frente a la autoría (ej. prohibición de copiar y pegar sin intervención directa)?

• Creativa: El estudiante diseña la arquitectura narrativa de antemano. Define qué recurso divulgativo utilizará (una analogía, un ejemplo cotidiano, un escenario hipotético) y decide estratégicamente qué elementos redactará por su cuenta y qué procesos de síntesis delegará a la herramienta.

Fase 2 — Iterar

Inicia la interacción directa bajo el modelo de "Humano en el circuito" (Human-in-the-Loop). Los estudiantes ejecutan su prompt base. Tal como se anticipó, los primeros resultados presentan deficiencias inherentes al modelo: textos sintácticamente correctos pero monótonos o simplificaciones excesivas que comprometen el rigor científico.

En esta fase, la iteración exige las cuatro dimensiones del aprendizaje autorregulado:

• Cognición: Al evaluar la brecha entre el resultado esperado y el obtenido, el estudiante aplica flexibilidad cognitiva. Determina si la falla de la IA requiere una micro-corrección (cambiar un verbo o parámetro en el prompt) o un replanteamiento estructural de la instrucción.

• Metacognición: El grupo cruza el texto generado en tiempo real con los criterios definidos en la Fase 1: ¿La transposición didáctica realmente cumple con la restricción de longitud? ¿Mantiene la precisión a pesar de simplificar el vocabulario?

• Motivación y afecto: La intervención de Marcela busca normalizar el fallo del algoritmo, evitando la aceptación pasiva del primer resultado y obligando a los estudiantes a sostener el esfuerzo intelectual ante la inconsistencia de la máquina.

• Conducta: Los grupos triangulan fallos técnicos con sus pares ("¿El modelo también alteró el dato del CO2 en la respuesta de ustedes?") y analizan la arquitectura de las instrucciones ajenas antes de decidir su siguiente acción.

De manera simultánea, la fricción de esta ejecución detona el uso avanzado de las alfabetizaciones en IA:

• Funcional: Los estudiantes abandonan las instrucciones básicas. Ajustan variables, imponen restricciones negativas (ej. "no uses la palabra X") o proveen ejemplos de tono, evaluando empíricamente cómo cada modificación altera el comportamiento y la calidad del modelo.

• Crítica y Ética: Se realiza una verificación contra el artículo fuente. Es aquí donde el estudiante detecta alucinaciones o simplificaciones. Al identificar el error, deciden la estrategia de mitigación: editar el dato manualmente o reestructurar el prompt para obligar a la IA a procesar la información con mayor exactitud.

• Creativa: Obligan a la herramienta a explorar diferentes rutas narrativas (modificando la analogía central o alterando la jerarquía de la explicación).

Fase 3 — Evaluar

Antes de la entrega final, el proceso exige una pausa. El grupo pasa de la ejecución a un análisis retrospectivo, retomando la línea base definida en su planificación inicial.

En esta fase de cierre, el aprendizaje autorregulado se consolida a través de sus cuatro dimensiones:

• Cognición: Se evalúa la trayectoria completa del proceso: la brecha entre la comprensión del texto original, la intención de la primera indicación y los ajustes implementados durante la iteración.

• Metacognición: ¿Qué porcentaje del texto generado se descartó, ¿qué se editó manualmente y qué se aceptó sin cambios? ¿Se cumplió la meta de transposición didáctica o el sesgo de la herramienta desvió el objetivo original?

• Motivación y afecto: El estudiante reconoce su capacidad para auditar y corregir a la máquina.

• Conducta: El grupo documenta el conocimiento procedimental adquirido. Sistematizan qué estrategias y secuencias de interacción fallaron y cuáles funcionaron, creando un uso transferible a futuros desafíos académicos.

Este espacio de reflexión cierra el ciclo afianzando las tres alfabetizaciones en IA:

• Funcional: Los estudiantes documentan la estructura de la instrucción que resultó más eficiente (ej. variables de contexto, rol, restricciones). Convierten el ensayo y error de la fase anterior en una técnica de consulta escalable y reutilizable.

• Crítica y ética: Auditan el producto final contra los límites éticos establecidos en la Fase 1. El estudiante asume la responsabilidad por la precisión del dato científico simplificado, confirmando que la IA operó estrictamente como un medio de procesamiento y no como el autor intelectual del trabajo.

• Creativa: Evalúan la eficacia comunicativa del entregable final. Confirman si el recurso pedagógico elegido (la analogía o el ejemplo) logró conectar con el nivel cognitivo de un estudiante de sexto grado, validando que el producto final mantiene la visión, el estilo y la dirección definida por el estudiante. 

Para que este modelo funcione, el sistema de evaluación debe ser estrictamente coherente con la metodología. Carece de sentido pedagógico calificar de forma exclusiva el documento final cuando el verdadero aprendizaje ocurre en la fricción del proceso. La evaluación debe trasladar su enfoque hacia la iteración. Esto exige auditar el razonamiento del estudiante: pedirle que documente y justifique por qué aceptó, ajustó o descartó las respuestas de la IA. En la era de la automatización, el valor académico abandona la simple generación de contenido para concentrarse de lleno en la curaduría y la edición crítica.

Bibliografía

Anders, A. D., & Speltz, E. D. (2025). Developing generative AI literacies through self-regulated learning: A human-centered approach. Computers and Education: Artificial Intelligence, 100482.

Cárdenas, (2026). Autonomía digital: enseñar a decidir en tiempos de IA. Fundación Convivencia. https://www.fundacionconvivencia.org/post/autonom%C3%ADa-digital-ense%C3%B1ar-a-decidir-en-tiempos-de-ia