Todo profesor sabe, o debería saber, qué es una buena retroalimentación. Es específica, llega a tiempo, se puede accionar y, en el mejor de los casos, sucede en forma de conversación. Tampoco es una preferencia pedagógica entre otras, porque la investigación acumulada durante décadas, desde el trabajo clásico de Black y Wiliam hasta el modelo del feedback de Hattie y Timperley, viene mostrando que la evaluación formativa y el retorno que la acompaña se cuentan entre las palancas más potentes de las que dispone un profesor para mejorar el aprendizaje de sus estudiantes. Lo recordé ya en el artículo anterior y conviene tenerlo presente aquí, porque es la medida exacta de lo que se pierde cuando la retroalimentación no ocurre, y en la evolución industrializadora y burocratizadora que ha atravesado la universidad durante las últimas décadas se ha ido abandonando, por dos razones que se refuerzan entre sí. La primera es la falta de tiempo, porque con grupos grandes y con decenas o cientos de entregas la buena retroalimentación no escala, y lo que no escala acaba por no ocurrir. La segunda, menos evidente y probablemente más determinante, es que la retroalimentación resulta casi invisible en los sistemas de normas, regulaciones e incentivos que gobiernan la actividad docente, donde lo que se registra, se audita y se reconoce es la calificación, y casi nunca el acompañamiento que debería precederla. Una tarea que consume mucho tiempo y que institucionalmente no cuenta queda condenada a desaparecer o a sostenerse sobre el voluntarismo de cada profesor. La consecuencia es una retroalimentación tardía, genérica o inexistente, con un coste muy elevado, porque los estudiantes no reciben las señales y los apoyos que les ayudarían a mejorar su proceso cuando todavía hay margen para hacerlo.
En los dos artículos anteriores de esta serie me ocupé de las consecuencias emergentes del uso de la inteligencia artificial generativa por parte del estudiante. El primero describió la crisis de credibilidad que se abre cuando los entregables y los exámenes dejan de probar lo que decían probar, y el segundo desarrolló el rediseño de la evaluación que devuelve a la nota evidencias que solo se producen aprendiendo. Este tercero aborda la otra cara del mismo fenómeno, el uso de la inteligencia artificial generativa por parte del profesor. La misma tecnología que ha roto las evidencias puede amplificar su trabajo justo en el cuello de botella que acabo de describir, siempre que conserve lo que llamaré el último kilómetro, el juicio sobre la calidad del pensamiento y la relación con cada estudiante.
Conviene acotar desde el principio de qué trata este texto y de qué no. Me ocupo aquí solo de la evaluación y el acompañamiento, aunque casi todo lo que sigue, las formas de trabajar y las herramientas, se aplica igual a otras dimensiones del trabajo educativo de un profesor, como el diseño pedagógico de una asignatura, la producción de materiales y recursos, la preparación de una clase o incluso la gestión de su propia investigación. Lo que cambia de un ámbito a otro es el contenido del proceso, no el método, de modo que quien recorra este camino en la evaluación tendrá ya recorrida buena parte del camino en los demás. Elijo este ámbito porque la evaluación entendida como acompañamiento es, con diferencia, la función más abandonada de la educación superior, precisamente por las restricciones de tiempo y de recursos que acabo de nombrar, y por eso es también donde una tecnología capaz de amplificar la capacidad de un profesor puede producir un impacto mayor. Amplificar aquello que ya funciona razonablemente bien produce mejoras apreciables pero marginales; amplificar aquello que se dejó de hacer por imposibilidad material cambia la naturaleza de lo que un profesor puede ofrecer.
Conviene precisar también de dónde viene lo que sigue. Buena parte procede del acompañamiento a profesores universitarios que realizamos desde Eutika y, en especial, del Plan IMPULSO Docente de la UC3M. De ese trabajo salen dos materiales de naturaleza distinta y complementaria. El primero es la investigación cuyos resultados presenté en el artículo anterior, sesenta y cinco entrevistas en profundidad con profesorado universitario sobre cómo evalúan y qué problemas encuentran, de las que cincuenta y siete cuentan con transcripción completa y forman el corpus de análisis. El segundo son las numerosas sesiones grupales y talleres que hemos venido facilitando, cuyo valor no es estadístico sino de otro orden, porque permiten escuchar y provocar conversaciones informales en las que se genera un clima de confianza donde el profesorado se atreve paulatinamente a compartir lo que vive y lo que piensa, incluido aquello que no aparece en ninguna encuesta.
Las evidencias que aportan ambos materiales apuntan en la misma dirección. En las entrevistas, la sobrecarga de trabajo y la falta de tiempo aparecen como nudo crítico en 35 de los 57 casos, y la necesidad de una retroalimentación más frecuente, en la práctica totalidad del corpus (52). En las sesiones grupales el patrón dominante es el agobio ante una carga de trabajo, buena parte de ella burocrática, que impide desarrollar con los estudiantes el trabajo que de verdad parece valioso. Y ante esa constatación aparece, casi siempre y casi de forma retórica, la misma conclusión, la reclamación a la institución de más recursos, que en la práctica significa más recursos humanos, más profesorado y ayudantes, y la reducción del tamaño de grupos. El cuello de botella, por tanto, es el problema que el propio profesorado nombra con más insistencia cuando se le pregunta qué le impide acompañar mejor.
Fueron precisamente esas conversaciones las que detonaron el ejercicio de reflexión que origina este texto. La reclamación es legítima y el diagnóstico que la sustenta es correcto, pero la ampliación humana de los equipos docentes no es esperable, ni en el volumen que el problema exige ni en el plazo en que haría falta, de modo que seguir esperándola equivale en la práctica a aceptar que la retroalimentación siga sin ocurrir. Si eso es así, conviene buscar vías alternativas, y la que me parece más potente consiste en pensar la IA no como una herramienta que ahorra unos minutos, sino como la posibilidad de trabajar con un equipo de especialistas sintéticos, y altamente capaces, que aumentan la capacidad del profesor. La diferencia entre ambas lecturas no es de grado. Un ayudante descarga trabajo; un equipo bien diseñado descarga trabajo y además permite hacer cosas que antes sencillamente no se hacían.
Un caso de una asignatura de ingeniería resume la tensión con precisión. Una prueba de evaluación presencial sobre el propio código que ha escrito el estudiante funciona bien pedagógicamente y resiste a la IA, pero revisarla consume un tiempo desmesurado, de modo que los entregables se quedan sin retroalimentación. El problema no está en el diseño de la prueba sino en el tiempo de revisión, y ahí la IA cambia la ecuación. Lo que sigue ofrece un marco, un método para llevarlo al diseño concreto de una asignatura, un caso real reconstruido, los límites que conviene reconocer y una brújula ética. En ningún caso pretende ser un protocolo, y esto es coherente con el hecho de que las soluciones reales del profesorado que hemos ido observando son deliberadamente heterogéneas, porque dependen de factores como el campo de conocimiento y el grado en que la IA penetra en esa disciplina, el curso o la madurez del estudiante.
Copiloto, no piloto automático
No es de esperar que la IA desarrolle juicio pedagógico o empatía, ni puede tener conocimiento del contexto de un estudiante específico o de un aula concreta, de modo que en un sentido profundo no puede, y seguramente no debería, evaluar. La afirmación exige precisión porque se malinterpreta con facilidad en las dos direcciones. Un modelo actual puede aplicar una rúbrica, localizar un error, valorar la coherencia de un argumento y redactar un retorno razonable, y con un proceso de trabajo bien diseñado lo hace con solvencia. Lo que no puede es emitir un juicio sobre el aprendizaje de una persona concreta, porque eso exige conocer su trayectoria, lo que ha sucedido en el aula, el punto del que partía y aquello que en esa disciplina y en ese curso merece considerarse un avance, y exige además una sensibilidad y una responsabilidad que residen en el profesor.
Lo que la IA puede hacer, y hace bien, es amplificar la capacidad del profesor en tres frentes donde el tiempo disponible es un cuello de botella evidente. Puede producir un primer retorno sobre borradores y entregas, revisando la coherencia con la rúbrica, la estructura y los errores recurrentes. Puede detectar patrones en grupos grandes de estudiantes, ya sea en cohortes numerosas o de forma longitudinal agregando información de sucesivas cohortes, esos errores compartidos y esas lagunas frecuentes que resultan invisibles cuando se revisa entrega por entrega. Y puede sintetizar evidencias, señales y datos dispersos para preparar la conversación con el estudiante, que es donde el acompañamiento se materializa y donde se produce el efecto que se busca sobre su actitud y su comportamiento.
Merece la pena detenerse en la palabra conversación, porque es central en el acompañamiento y arrastra un imaginario demasiado estrecho. Al hablar de conversación entre profesor y estudiante se piensa casi siempre en un encuentro presencial entre dos personas, y ese es solo uno de sus formatos posibles. Una conversación puede ser presencial u online, síncrona o asíncrona, individual o en grupo, y puede sostenerse igual en un despacho, en un comentario devuelto sobre una entrega, en un audio de tres minutos o en una sesión colectiva donde se discuten los errores que ha cometido media clase. Decidir el formato de cada conversación forma parte del diseño que hace el profesor, y es una de las decisiones que más determinan si el acompañamiento acaba ocurriendo o no.
Lo que la IA no debe hacer es el último kilómetro, el juicio sobre la calidad del pensamiento, la decisión matizada, la relación con un estudiante concreto y su historia. Ese tramo es precisamente donde reside el valor del profesor. Un copiloto potente descarga de trabajo y mejora las decisiones de quien conduce; un piloto automático al que se cede el control podría acabar estrellándose cuando aparece algo que no estaba previsto.
En las asignaturas donde este planteamiento funciona, la IA entra con un papel declarado y limitado. Una profesora de administración de empresas la incorporó como segunda mirada sobre los trabajos, un análisis adicional que enriquece su valoración sin reemplazarla, de modo que sigue decidiendo ella pero con más información para comprender y tomar decisiones. En una asignatura de informática se diseñó un tutor conversacional que atiende y filtra las dudas de los estudiantes y deriva al profesor los casos que lo requieren, con lo que la IA amplía el alcance de la atención y el último kilómetro sigue siendo humano. Nombrar de antemano qué hace la IA y qué se reserva el profesor es la primera decisión de diseño, y probablemente la más importante, porque un uso que no puede describirse en esos términos no está listo para delegarse.
Cinco ideas para usar bien la IA
Antes de diseñar cualquier uso conviene disponer de un marco de comprensión y acción, porque la diferencia entre un uso superficial y uno que transforma en positivo el trabajo docente no está en la herramienta sino en cómo se piensa. Ese marco tiene dos mitades que responden a preguntas distintas y que conviene no confundir. La primera reúne tres ideas que ayudan a comprender la propia práctica educativa y qué es hoy la IA, y por eso empieza por la naturaleza cognitiva del trabajo docente, sigue por el tipo de modelos que conviene usar y termina en la forma irregular que tiene la frontera dentro de la cual la IA hace bien su trabajo. La segunda reúne dos ideas que ayudan a diseñar los procesos de trabajo, cómo se organiza un proyecto con IA y cómo se entiende una asignatura como un conjunto de flujos de trabajo susceptibles de ser intervenidos. Las dos mitades se necesitan. Comprender sin diseñar deja el potencial en conversación de café, y diseñar sin comprender produce automatizaciones frágiles que se abandonan al primer tropiezo.
Conviene decir también de dónde sale este marco y con qué pretensiones se ofrece. No es el resultado de una revisión sistemática de la literatura ni la recomendación de ningún organismo, sino una propuesta personal construida sobre tres materiales, la experimentación sostenida con IA en los proyectos que desarrollamos en Eutika, el acompañamiento a profesores universitarios que ya la usan en su docencia y las conversaciones con profesionales de otros ámbitos que se enfrentan al mismo problema desde fuera de la universidad. Hay además una advertencia que importa igual que el contenido. En un campo que se mueve a esta velocidad, un marco como este tiene una caducidad corta, de modo que conviene tomarlo como una hipótesis de trabajo sometida a revisión permanente, y no como un conjunto de principios estables. Yo mismo lo he reescrito varias veces en los últimos dos años, y doy por hecho que volveré a hacerlo.
1. El profesor es un profesional cognitivo
El profesor realiza un trabajo cognitivo, y merece la pena detenerse en qué significa exactamente y qué implicaciones tiene. Las actividades resultan reconocibles cuando se enumeran y se describen. Un profesor gestiona conocimiento, en el sentido de buscarlo, seleccionarlo, organizarlo, mantenerlo actualizado y decidir qué parte es relevante en una asignatura. Lo recombina, porque enseñar consiste en buena medida en traducir un cuerpo de conocimiento a una secuencia que alguien que no lo posee pueda recorrer, y esa traducción es un trabajo de reordenación, de analogía y de ejemplo que rara vez se reconoce como creación. Y lo crea, en la investigación y también en la docencia, cuando produce un problema nuevo, un caso, un criterio de valoración o una explicación que no existía antes. Los objetos sobre los que operan esas actividades tampoco son abstractos, son textos, datos, demostraciones, código, imágenes, rúbricas, exámenes, informes y conversaciones, es decir, artefactos simbólicos que se leen, se producen y se juzgan. Nada de eso es material, y todo ello es manipulable por un sistema que opera precisamente sobre símbolos.
De ahí surgen impactos que las transformaciones tecnológicas anteriores no habían provocado a este tipo de profesionales. Las oleadas previas de automatización afectaron primero al trabajo manual y solo después, y de forma limitada, al administrativo, mientras que la IA afecta antes y con más profundidad a las profesiones intelectuales. El profesorado queda así, por primera vez, en el centro del impacto y no en su periferia.
Conviene además reconocer un matiz relevante. Una parte considerable de ese trabajo cognitivo es repetitiva y tediosa. Revisar decenas o centenares de exámenes que responden a la misma pregunta, inspeccionar cuarenta entregas de código buscando los mismos cinco errores o redactar por enésima vez el mismo comentario sobre la estructura de un informe son tareas cognitivas, sin duda, pero de una clase que no aporta absolutamente nada a quien las realiza, más allá del conocimiento agregado sobre el grupo que casi nunca se llega a extraer por falta de tiempo.
Y aquí aparece la idea que a mí me resulta más productiva de todas. Buena parte del trabajo de un profesor se apoya en un conocimiento experto construido a lo largo de años que en su mayor parte no está codificado ni explicitado en ningún sitio, y que le permite ejecutar, casi sin advertirlo, procedimientos muy precisos. Cuando revisa un examen no improvisa, sigue una secuencia estable de comprobaciones, aplica umbrales que sabría reconocer aunque quizás no enunciar y resuelve los casos ambiguos con criterios que ha ido depurando entrega tras entrega. Ese procedimiento existe, es riguroso y solo vive en su cabeza. Lo que ha cambiado es que hoy puede explicitarse, codificarse y externalizarse, y un procedimiento externalizado de esa naturaleza, capaz de ejecutarse sobre casos nuevos, es en esencia parte de lo que llamamos inteligencia artificial. La dificultad del ejercicio, conviene subrayarlo, no está en la tecnología sino en la codificación del conocimiento, porque obliga a explicitar un criterio que nunca se había necesitado formular.
Reconocerlo abre dos vías de valor de naturaleza muy distinta. La más inmediata es la agilidad, y suele ser la puerta de entrada, porque no se trata de hacer algo mejor sino de hacerlo con la misma calidad en una fracción del tiempo, descargando lo repetitivo sobre un sistema que no se cansa. La otra tarda más en aparecer y solo emerge con el uso, pero es la que de verdad cambia el trabajo, y es la calidad. Un razonamiento que puede prolongarse sin fatiga, junto con la capacidad de leer cientos de entregas y extraer de ellas patrones, permite abordar análisis que antes quedaban fuera de alcance, no por incapacidad del profesor sino porque el coste en horas los volvía inasumibles. Diagnosticar con precisión qué ha entendido mal un grupo de ciento veinte estudiantes, y en qué punto exacto del razonamiento se rompe su comprensión, es un buen ejemplo de esto último, una tarea que nadie declaraba imposible y que sencillamente no se hacía.
2. Modelos de lenguaje de propósito general, y ser propietario del proceso
Conviene utilizar preferentemente los modelos de frontera de propósito general antes que las herramientas de nicho encapsuladas, esas aplicaciones que revisan exámenes o ensayos, generan rúbricas o producen retroalimentación automática dentro de un flujo cerrado, y hay dos razones para hacerlo. Los modelos generales están en la vanguardia y evolucionan a un ritmo que ninguna herramienta de nicho alcanza, de modo que la distancia entre unos y otras crece con cada generación en lugar de reducirse. Y, sobre todo, permiten diseñar procesos propios en lugar de limitarse a ejecutar aquello que la herramienta determinó que alguien querría hacer. Es la lección que el sistema educativo no ha aprendido de las prácticas de la industria de la tecnología educativa, construida durante años sobre cajas negras. Con la integración de la IA tenemos una nueva oportunidad de lograr que la inteligencia esté en el proceso que el profesor diseña, y no en el modelo o la herramienta cerrada que lo ejecuta.
Esta idea es una de las bases del proyecto Universidad Cero, donde la he formulado en términos de arquitectura institucional. La inteligencia pedagógica no debe residir en los modelos ni en las infraestructuras que los proveen, que son piezas muy potentes pero intercambiables, sino vivir en los diseños, los criterios y las herramientas que están en manos de los profesores y de las instituciones, porque es ahí donde se acumula lo que hace educativa a una tecnología. Lo desarrollé al describir el sistema operativo educativo que ese proyecto propone, y el argumento se sostiene igual a escala de una asignatura que a escala de una universidad. Los modelos son los procesadores, rápidos, potentes e intercambiables; lo que hace pedagógico al conjunto es la capa que se construye encima, y esa capa es una inversión que sobrevive al cambio de proveedor.
De ahí se deriva un argumento de propiedad que importa a medio plazo y que conviene desplegar en tres pasos. El primero es el principio. Un profesor, y una institución, deberían ser dueños de los procesos y las herramientas con los que trabajan, porque los proveedores cambian sus condiciones, suben los precios, modifican sus productos o cierran servicios, y quien ha construido su práctica dentro de una caja negra se encuentra atrapado el día en que eso ocurre.
El segundo paso consiste en entender de qué está hecha esa infraestructura. Un sistema de IA resulta de la combinación de un modelo de lenguaje, que es el motor cognitivo donde reside la capacidad de razonar, y de una interfaz o aplicación que organiza el trabajo con él. Entre los modelos están hoy Claude, de Anthropic, con sus variantes Opus o Fable, la familia GPT, de OpenAI, Gemini, de Google, o Kimi, de Moonshot AI, y entre las interfaces, entornos como Claude Cowork o NotebookLM. Lo habitual es usar ambas piezas de forma integrada, y por eso la distinción se pierde con facilidad, hasta el punto de que mucha gente llama ChatGPT al modelo cuando ChatGPT es la interfaz y GPT el motor que la mueve (paradójicamente, y esto conecta con la cuarta idea, OpenAI ha acabado usando ChatGPT, un nombre que nació designando un chatbot, para bautizar también su entorno de trabajo por proyectos). Pero esa integración no es una necesidad técnica, y separarlas mentalmente ayuda a decidir mejor.
El tercer paso es el criterio que se deriva de los dos anteriores. Lo verdaderamente importante es poder trabajar con modelos de frontera y con interfaces que permitan desarrollar proyectos sofisticados, en el sentido que describo en la cuarta idea, y que dejen el conocimiento generado bajo control de quien lo genera, de manera que pueda transferirse a otra interfaz o a otro modelo cuando convenga. Ese es también el filtro con el que mirar las herramientas que la propia universidad provee y soporta, que son un excelente punto de partida por las garantías institucionales y de protección de datos que ofrecen, siempre que cumplan esas dos condiciones.
3. La frontera irregular
Lo que la IA hace bien y lo que hace mal en un momento dado no se separa mediante una línea nítida, sino por una frontera irregular y en constante evolución, la jagged frontier que describió Ethan Mollick. La frontera de la IA es rugosa, de modo que un mismo sistema puede hacer un trabajo brillante en tareas que parecerían difíciles y resultar torpe, o directamente cometer errores, en otras aparentemente más sencillas, sin que la dificultad aparente permita anticipar de qué lado caerá cada una. Y se desplaza con cada nueva generación de modelos, lo que convierte cualquier mapa en provisional y obliga a revisar de vez en cuando los juicios ya emitidos.
De ahí se sigue una incertidumbre doble que conviene tener presente cada vez que se aborda un uso potencial. Cuando un intento fracasa resulta difícil determinar con seguridad si se debe a que la tarea cae fuera de la frontera, a que el proyecto está mal diseñado o a que el sistema no se ha entrenado lo suficiente. Las explicaciones suelen ser todas plausibles pero conducen a decisiones opuestas, abandonar o insistir, lo que explica buena parte de los abandonos prematuros.
Esa incertidumbre tiene una consecuencia que va más allá de lo técnico y que a mí me parece la más importante de esta idea. Conviene abordar el uso de la IA en la práctica educativa con una mentalidad exploratoria y experimental, asumiendo que se trata de un proceso de aprendizaje, personal y también colectivo, que el profesorado hará bien en abrazar como parte de su propia evolución profesional. El conocimiento sobre dónde está hoy la frontera no se puede consultar en ningún manual, se construye probando y compartiendo los intentos, incluidos y sobre todo los que salen mal, con los colegas que exploran el mismo terreno.
Hay además un matiz que afecta de forma particular a la universidad. Por la naturaleza del trabajo académico, situado por definición en la vanguardia del conocimiento, el profesorado tiende a trabajar justo sobre esa frontera, lo que explica la frecuencia con la que aparece la observación de que en tal disciplina la IA todavía no funciona. A veces es cierto, pero en otras ocasiones el terreno era fértil y el uso no era suficientemente sofisticado, y la única manera de saber en cuál de los dos casos se está consiste en explorar la frontera de forma deliberada, con experimentos acotados y evaluables.
4. Del modo chatbot al modo proyecto
El salto de calidad no viene solo de cambiar de modelo sino de cambiar de forma de trabajar, y esta es probablemente la idea con más consecuencias prácticas de las cinco. Conviene recordar, como antídoto contra la fascinación por el atajo, aquella burbuja según la cual escribir prompts sería la profesión del futuro, y dónde ha quedado en apenas tres años.
La distinción se apoya en la diferencia entre modelo e interfaz que acabo de describir. El chatbot es una interfaz, y no es en sí mismo el problema. La limitación del modo chatbot está en que la conversación empieza de cero cada vez, de modo que el sistema no dispone de más contexto que el que quepa dentro de ella, no conserva lo aprendido cuando termina y obliga a reconstruir en cada sesión el marco completo del trabajo. Lo que empobrece el resultado no es la ventana de chat, es la ausencia de contexto y de memoria.
El modo proyecto invierte esas dos carencias. Un proyecto es un proceso largo, incluso permanente, compuesto por una secuencia de tareas con interacciones múltiples entre el profesor y la IA, y esa continuidad temporal es lo que abre la posibilidad del entrenamiento y de la mejora continua, hasta el punto de que un mismo modelo produce resultados muy diferentes según se trabaje de un modo o del otro.
Tres componentes hacen posible ese salto. El contexto es el conjunto de fuentes y de conocimiento experto que el profesor cura, estructura y explicita para definir el campo de juego, el universo de conocimiento, en el que la IA debe trabajar, y cumple una función doble, porque acota qué información resulta relevante y a la vez incorpora el criterio que no está en ninguna fuente pública. Construirlo es, ante todo, un ejercicio de documentación exigente que obliga a explicitar conocimiento, y es posiblemente la parte del proceso que más tiempo consume pero también la más influyente en el resultado que se puede obtener. Las instrucciones fijan las reglas del juego, y conviene entenderlas de forma amplia, porque no se limitan al estilo o al formato, sino que determinan a quién se dirige lo que se produce, cómo debe usarse el contexto, qué nivel de rigor o de especulación se admite, qué grado de automatización se acepta y, sobre todo, en qué momentos y con qué rol participa el humano y cómo valida lo que la IA ha hecho. La memoria, por último, la gestiona el sistema y es el componente menos visible y probablemente el más determinante, porque permite que lo aprendido en un uso esté disponible en el siguiente sin que el profesor haga nada, y porque en los sistemas actuales se depura sola, conservando lo relevante y descartando lo accesorio.
Estos tres componentes no son una abstracción. Se corresponden con funcionalidades concretas de las interfaces pensadas para trabajar por proyectos, como Claude Cowork o NotebookLM, donde el contexto toma la forma de un espacio en el que se cargan fuentes documentales, las instrucciones la de un conjunto de reglas persistentes que gobiernan todo lo que ocurre dentro de ese espacio, y la memoria la de un registro que el sistema mantiene y actualiza entre sesiones. La dificultad práctica es que cada proveedor bautiza estas piezas a su manera, y esa diversidad terminológica hace difícil reconocer el mismo patrón al pasar de una herramienta a otra, de modo que buena parte del esfuerzo inicial se va en traducir conceptos que en el fondo son equivalentes.
Un ejemplo modesto muestra la diferencia mejor que cualquier descripción. Un profesor de teoría política volcó todo el contenido de su asignatura en un espacio de proyecto y, con ese contexto detrás, la IA pudo evaluar (en este caso como experimento) un examen extraordinario manuscrito, y lo hizo realmente bien. El mismo modelo, preguntado en una conversación suelta, producía un resultado bastante peor, no porque le faltara capacidad sino porque le faltaba el contexto específico de la asignatura.
La forma de arrancar también importa, y bastante. Dedicar tiempo al contexto antes que a ninguna otra cosa, presentar después al sistema la secuencia de tareas prevista pero pedirle primero un análisis crítico que detecte fallos, huecos de información o incoherencias en el propio planteamiento, y solo entonces ejecutar el proceso ya revisado y mejorado, produce resultados incomparablemente mejores que empezar a pedir salidas desde el primer minuto. Viene luego el entrenamiento, que no es una metáfora sino una fase real de interacciones sucesivas en las que el profesor corrige, matiza y afina hasta que el sistema produce lo que esperaba con la calidad que exige, y que requiere una inversión de tiempo que conviene tener en cuenta desde el principio. Y cuando un caso de uso ha demostrado que funciona y va a repetirse muchas veces, tiene sentido consolidarlo en un agente, que no es más que un programa que integra y automatiza una secuencia de tareas ya validada.
Merece la pena insistir en una consecuencia de todo lo anterior que suele pasar desapercibida. Los dos modos producen resultados tan distintos que en la práctica no parecen la misma tecnología, y buena parte de los problemas, sesgos y limitaciones que muchos usuarios atribuyen a la IA en general provienen en realidad de la forma de trabajar con ella, y no de la IA en sí misma ni de la elección de uno u otro modelo. Quien juzga la herramienta desde el modo chatbot está juzgando la versión más pobre de las capacidades que tiene al alcance de su mano.
5. Entender el proceso de aprendizaje como un conjunto de workflows
La quinta idea conecta el marco con el diseño de los proyectos que integran IA, y la enuncio aquí para desarrollarla en la sección siguiente. La propuesta consiste en dejar de preguntarse dónde usar IA en abstracto y empezar por conceptualizar la asignatura como lo que realmente es, uno o varios procesos de aprendizaje que discurren en el tiempo. Un caso muy habitual es el de una asignatura que avanza por dos carriles en paralelo, uno clásico basado en clases magistrales y exámenes y otro centrado en un proyecto que genera entregables sucesivos. Cada proceso suele estructurarse a su vez en fases que terminan en un momento evaluativo o, en la jerga del diseño, en un punto de contacto (touchpoint). En el carril clásico del ejemplo anterior serían los exámenes parciales; en el proyecto, los hitos asociados a entregables específicos. Es en esos puntos de contacto, como planteábamos en el artículo anterior, donde el aprendizaje se hace visible y donde el profesor emite su juicio, ya sea mediante una prueba robusta, una defensa dialogada o la lectura de las evidencias que el proceso ha ido produciendo.
Cada uno de esos momentos evaluativos, tomado junto con el tramo de proceso que lo precede, puede describirse como un flujo de trabajo con protagonistas identificados, el profesor, el estudiante y, cuando se incorpore, la IA. Lo llamaré workflow, que es el término habitual cuando se habla de procesos de trabajo con IA y el que va a encontrar quien busque documentación o herramientas para construirlos. Describir un workflow consiste en identificar qué tareas realiza cada protagonista, con qué secuencia y con qué interacciones, incluyendo tanto las cognitivas (diagnosticar, valorar, decidir, redactar un retorno), como las instrumentales que suelen darse por invisibles precisamente porque nadie las considera parte del trabajo intelectual (como escanear, renombrar archivos, volcar calificaciones, enviar correos). Sobre esa descripción, y solo sobre ella, tiene sentido preguntarse dónde entra la IA, porque cada intervención posible se trata entonces como lo que es, una hipótesis. La palabra no es retórica. Una parte de esas intervenciones no funcionará, y averiguar cuáles antes de haber rediseñado por completo la asignatura es parte de lo que esta forma de trabajar aporta.
Anatomía de un workflow con IA
El método que se deriva de esa quinta idea puede organizarse en cuatro pasos, y el orden entre ellos no es indiferente.
El primer paso consiste en describir el flujo base, todavía sin IA. La tentación de dibujar un flujo único para toda la asignatura conduce a un mapa inabarcable, de modo que resulta mucho más productivo tomar un solo momento evaluativo junto con sus conexiones con el aprendizaje previo, por ejemplo un hito intermedio de un proyecto largo que suele descomponerse en tres o cuatro ciclos, cada uno cerrado por un bucle de retroalimentación. Hacerlo produce por sí solo un diagnóstico que la mayoría de los profesores no ha realizado nunca, porque el trabajo docente rara vez se examina como un proceso, y casi siempre revela que una parte considerable del tiempo se va en tareas que nadie había contabilizado.
El segundo paso identifica sobre ese mapa qué tareas, o qué tramos que agrupan varias tareas, pueden mejorarse en agilidad o en calidad con la incorporación de IA. Conviene abordar esta fase con una mentalidad abierta y una lógica experimental, explorando incluso posibilidades de cambio profundo. En unos casos el flujo permanecerá igual, en otros solo se alterará cómo se ejecuta una tarea concreta, y en otros la incorporación de la IA obligará a modificar el flujo por completo.
El tercer paso convierte cada oportunidad en un proyecto en el sentido de la cuarta idea, con su contexto, sus instrucciones y su fase de entrenamiento, y lo somete a validación contra el criterio del propio profesor sobre un conjunto reducido de casos antes de usarlo con el grupo completo. Esa validación puede realizarse a veces en un entorno totalmente controlado, cuando se cuenta con datos y evidencias recopilados previamente y no hace falta la interacción con estudiantes, y otras veces implica acciones experimentales con los estudiantes en el desarrollo real de la asignatura.
El cuarto paso llega solo cuando la validación resulta satisfactoria, y consiste en escalar el uso a la práctica operativa y, en ocasiones, incorporar automatizaciones completas mediante la creación de agentes dedicados.
Llevemos ahora esta forma de pensar y trabajar a un caso concreto. Lo que sigue reconstruye el flujo de trabajo de una profesora de informática que ha llevado el rediseño más lejos que la mayoría, hasta el punto de que conviene leerlo como un caso extremo y no como un punto de partida razonable, porque prácticamente todas las tareas de su ciclo de evaluación han pasado por la pregunta de si la IA podía intervenir en ellas.
Primero, el flujo sin IA. Su asignatura combina la práctica continuada de programación con pruebas frecuentes, que es el diseño correcto para una materia donde se aprende haciendo y donde la evidencia de aprendizaje se falsifica con facilidad si se deja en manos de un entregable. El ciclo, tal como funcionaba antes, era el que reconocerá cualquiera que imparta una asignatura así con grupos grandes. Los estudiantes entregan código y realizan pruebas en papel; la profesora inspecciona el código una entrega tras otra, que es la tarea más tediosa y menos formativa de todo su trabajo; revisa después las pruebas manuscritas; traslada las calificaciones al sistema; y, cuando llega el momento de devolver algo más que una nota, el tiempo se ha agotado. La retroalimentación queda comprimida hasta un comentario genérico, o directamente desaparece. Nada de esto se debe a un mal diseño pedagógico, sino a que un buen diseño pedagógico resulta insostenible en horas.
Segundo, qué implica incorporar IA. El error más común consiste en entender la incorporación de la IA como pedirle que revise las entregas. Un flujo de revisión y retroalimentación con IA no es solo eso, sino una secuencia diseñada en la que cada tramo de la IA queda conectado con un paso de validación humana, de modo que la IA nunca cierre por sí sola un juicio que llegue al estudiante. Y no todas las intervenciones son de la misma naturaleza. Algunas son puramente instrumentales y su valor está en desbloquear el resto, como ocurre con la digitalización del papel. Otras son cognitivas y exigen contexto, criterio explicitado y una rúbrica que la profesora haya validado antes. Y algunas obligan a cambiar el flujo, no solo a acelerarlo, porque abren posibilidades que antes no existían y que carecía de sentido plantearse.
Tercero, el flujo rediseñado. La IA propone enunciados a partir del contexto de la asignatura y la profesora selecciona y construye la prueba. Los estudiantes la realizan en el aula, en papel. Las hojas se digitalizan, incluyendo la disponibilidad de una fotocopiadora que desgrapa y escanea, porque el manuscrito ha dejado de ser un cuello de botella desde que la capacidad de la IA para leer texto escrito a mano resulta sorprendentemente buena. La IA diagnostica entonces una muestra, digamos la cuarta parte de las entregas, y propone una rúbrica que la profesora revisa y fija. Con esa rúbrica ya validada, la IA revisa el conjunto por lotes y produce dos salidas de naturaleza distinta, un informe individual para cada estudiante y un informe agregado con los patrones de error del grupo. La profesora revisa por excepción los casos dudosos y los que se alejan del patrón, que consumen una fracción del tiempo original, y el envío de los retornos individuales queda automatizado. Sobre ese flujo se ha ido añadiendo, de forma incremental, un tutor conversacional que atiende las dudas de los estudiantes durante el proceso y deriva a la profesora los casos que lo requieren.
El catálogo de intervenciones posibles no se agota ahí, y conviene ordenarlo porque va de lo instrumental a lo estratégico. En el extremo instrumental están tareas como escanear y ordenar entregas, renombrar archivos, transcribir manuscrito o volcar calificaciones, que no tienen ningún interés intelectual y consumen un tiempo sorprendente. En una zona intermedia aparecen la generación del informe agregado de errores, la preparación de materiales de refuerzo para las lagunas detectadas o la redacción de un primer borrador de retorno individual. Y en el extremo estratégico se sitúan decisiones que afectan al propio diseño de la evaluación, como calibrar la dificultad de un examen antes de administrarlo, algo que hace un profesor de teoría de la señal, o replantear qué momento evaluativo tiene sentido mantener cuando la revisión deja de ser el factor limitante. Es en ese extremo donde el retorno es mayor, y también donde casi nadie empieza.
La clave del diseño no está en cuántos pasos ejecuta la IA, sino en que cada tramo suyo esté conectado con procesos de revisión y validación humana. Y aparece un beneficio que casi nadie anticipa. Cuando el mapa de errores muestra que muchos estudiantes cometen exactamente el mismo fallo, parte de la responsabilidad está en el diseño educativo, y el bucle se cierra de verdad cuando el profesor vuelve sobre su propia práctica y la mejora. En nuestras entrevistas, este uso de la IA como infraestructura del propio trabajo docente aparece en 12 de los 57 casos, una minoría que señala un potencial transformador a corto plazo. Mientras el debate público sobre IA y universidad sigue girando casi por completo alrededor de la integridad académica, una parte del profesorado ya ha reconstruido su forma de trabajar con estas herramientas, casi siempre en solitario y sin que la institución llegue a enterarse o le proporcione soporte.
El efecto real lo resume mejor que nada la respuesta de esa misma profesora cuando se le preguntó si ahora trabaja menos. Respondió que trabaja lo mismo, con una diferencia sustancial: “ya no inspecciono código, que era la tarea más desagradable de mi trabajo, y el tiempo que he liberado lo dedico a dar retroalimentación. Soy más feliz, y el aprendizaje es mejor”. El valor no estuvo en ahorrar tiempo sino en reasignarlo a lo que de verdad redunda en un mejor aprendizaje.
Del dato a la acción
Al hablar de IA y datos existe la tentación de dar el salto a cuadros de mando de analítica del aprendizaje que la mayoría de las instituciones no tienen ni, en realidad, necesitan tal como se entiende hoy en día. La versión realista y útil es más sobria y consiste en aprovechar las señales simples que los sistemas ya producen, accesos, entregas, intentos, siguiendo una cadena que va de la huella a la acción. La huella es el rastro que deja la actividad del estudiante, la señal es el dato que se extrae de ese rastro, la interpretación es la lectura pedagógica que le da sentido y la acción es la intervención docente que se deriva de ella.
El criterio que ordena toda la cadena puede formularse en una idea sencilla: un dato sin acción pedagógica es vigilancia, y un dato con acción pedagógica es acompañamiento. El mapa de patrones de error del apartado anterior, que acaba mejorando el diseño de la asignatura, es un buen ejemplo de señal convertida en acción. En una asignatura de informática se utilizó un registro binario, cuántas veces ejecuta cada estudiante el corrector automático, como señal indirecta de su proceso de trabajo y no como instrumento de control. La misma huella podía servir para vigilar o para acompañar, y la diferencia estuvo por completo en lo que se decidió hacer con ella.
Hay una segunda recomendación, esta dirigida a la institución. Cuando una universidad descubre este terreno, su reflejo es construir de entrada un sistema institucional cerrado que lo resuelva todo, y esa suele ser la peor manera de empezar, porque impone una práctica antes de que la práctica exista. Resulta mucho más productivo, al menos en esta fase, proporcionar a los profesores herramientas y libertad para experimentar, dejar que construyan sistemas propios que funcionan solo para sus asignaturas, y consolidar después esa innovación distribuida en infraestructuras institucionales puestas al servicio de quienes ya han demostrado qué funciona. El orden, aquí también, forma parte del método.
Merece la pena situar esta discusión en su contexto, porque la conversión de las universidades en organizaciones orientadas por datos avanza con una lógica propia que no siempre coincide con la mejora del aprendizaje, como han analizado Komljenovic, Sellar y Birch. Para quien quiera una panorámica accesible en español de lo que la analítica del aprendizaje puede y no puede aportar, el Observatorio del Tecnológico de Monterrey publicó una síntesis útil con casos institucionales documentados.
Los límites del amplificador
Amplificar no es delegar, y el argumento se sostiene mejor si los límites se nombran con precisión. La IA se equivoca, y lo hace además con una apariencia de verosimilitud que dificulta detectar el error, de modo que en evaluación puede producir una retroalimentación incorrecta con consecuencias reales para un estudiante. Los testimonios que hemos recogido oscilan entre “me sale muy bien” y “alucina mucho, siempre hay que revisar”, y las dos afirmaciones son ciertas a la vez porque describen posiciones distintas de la frontera irregular, o formas diferentes de trabajar con la herramienta. De ahí que la validación no sea un añadido opcional sino parte constitutiva del diseño, en la línea de lo que sostienen Mollick y sus colegas cuando analizan usos educativos de agentes con acompañamiento humano.
Existe además una fricción de adopción que no es técnica sino de paciencia. “Acabo aburrida de discutir con ella”, decía una profesora refiriéndose a la IA, y es una objeción real, legítima y frecuente que conviene tomar como un dato sobre el diseño del proceso más que como una resistencia al cambio, porque un flujo que exige discutir cada resultado es un flujo mal entrenado o mal acotado. Hay también un riesgo de pérdida de destreza, el de-skilling, que en el caso docente adopta una forma específica y preocupante, ya que delegar por completo las revisiones supone perder el contacto directo con cómo piensan los estudiantes, que es la materia prima del oficio. La analogía del GPS ayuda a situarlo sin dramatismo, porque casi todo el mundo lo usa y ha perdido algo de sentido de la orientación, y lo ha asumido como parte del cambio. La decisión no consiste en evitar la herramienta sino en elegir de forma consciente qué se quiere preservar y con qué pérdidas se puede vivir, una elección que también atraviesa el aprendizaje de los estudiantes, como argumenté en Aprender lento para pensar rápido.
Conviene además no prometer lo que muy probablemente no va a suceder. Liberar tiempo no significa, en general, trabajar menos, sino reasignar horas de una tarea mecánica a otra más profunda y valiosa. Un profesor de comunicación audiovisual llegó a este terreno por otro camino, porque su modelo de retroalimentación era rico pero no escalaba ni se transfería a otros, y la salida, aún en construcción, consiste en documentar y estructurar ese criterio con ayuda de la IA para poder extenderlo, ganando alcance sin perder lo que lo hace valioso.
Queda un límite delicado y revelador. A veces el estudiante no quiere ser evaluado por una máquina. Una profesora que probó la revisión automática en una plataforma de lectura social tuvo que retirarla porque sus estudiantes reclamaban su mirada, “queremos que tú hables, nos interesa tu feedback”. Es el contraejemplo más saludable de todos, porque señala un valor humano, ser leído por su profesor, que no conviene externalizar aunque técnicamente sea posible.
La ética como brújula
En el artículo anterior sostuve que la ética no es el freno del rediseño sino su brújula, y dejé el argumento apuntado a la espera de este texto, porque es en el uso docente de la IA donde las decisiones se vuelven más concretas. Lo regulado por la universidad o por los gobiernos constituye el marco, pero deja amplias zonas grises, y está bien que así sea porque obliga a construir un criterio propio. Ese criterio puede ordenarse en cinco tensiones que conviene resolver de forma consciente sobre el propio diseño, y no dejar que se resuelvan solas.
Privacidad y transparencia. La primera pregunta es si los estudiantes saben qué datos se recogen sobre ellos, y la segunda, menos habitual y más incómoda, si el profesor comparte con ellos cómo usa él la IA al evaluar. La transparencia no puede ser unidireccional.
Sesgo algorítmico. Lo difícil no son los errores, que resultan visibles y se corrigen, sino los sesgos que la herramienta no muestra y que se incorporan sin que nadie los advierta. Detectarlos y corregirlos requiere una actitud de alerta y cuestionamiento continuos, lo que implica integrar de antemano las estrategias para su detección.
Pérdida de destreza docente. Dónde está la línea entre delegar y abdicar es una decisión personal, y conviene tomarla explícitamente, con el criterio del GPS, sabiendo qué se preserva y con qué se puede vivir.
Propósito del dato. Un buen test consiste en preguntarse si el profesor confiaría en un sistema que, además de acompañar a sus estudiantes, sirviera para evaluarlo a él. La respuesta dice mucho sobre para qué se está construyendo.
No perder el rumbo. La última tensión ordena a las demás. Para no dejarse llevar por la fascinación del potencial algorítmico, cada cierto tiempo conviene comprobar si lo que se ha construido mejora el aprendizaje o ha derivado, sin decisión explícita, en vigilar y controlar.
A estas cinco se añade una tensión de justicia que recorre toda la serie, la equidad. No todos los estudiantes acceden a la misma IA ni con las mismas destrezas. Diseñar la docencia con IA implica también decidir que la herramienta no amplíe una desigualdad previa, lo que en la práctica significa que toda actividad pueda resolverse con las herramientas que la institución provee, y exigir a la institución un estándar de capacidad y calidad.
Un caso ilustra el criterio mejor que cualquier principio. En el programa de acompañamiento a escala de Georgia State University, las alertas predictivas contribuyeron a reducir las brechas de rendimiento a una escala masiva precisamente porque el último contacto siguió siendo humano, con un tutor que llamaba al estudiante cuando el sistema levantaba la señal. El mismo dato podía acompañar o vigilar, y la diferencia estuvo en el propósito con el que se diseñó el sistema completo. Esa es también la conclusión de quienes vienen analizando el estado de la cuestión en la educación superior, donde la ética aparece como la ventaja competitiva y no como el obstáculo, porque es lo que sostiene la confianza sin la cual ninguna innovación educativa se adopta.
Por dónde empezar
El primer movimiento no requiere en realidad ninguna herramienta. Consiste en tomar una asignatura, conceptualizarla como el proceso o los procesos de aprendizaje que la recorren, localizar sus momentos evaluativos y elegir uno solo para describir su flujo de trabajo real, sin IA, con todas las tareas que consume, las cognitivas y las instrumentales. Sobre ese mapa se identifica la tarea de retroalimentación que más tiempo consume y que peor escala, que es casi siempre la mejor candidata para empezar, y se convierte en un pequeño proyecto que se entrena con un grupo reducido, se valida contra el criterio del propio profesor y solo después se escala.
De las conversaciones con profesorado que ya ha recorrido este camino emerge además un orden de prioridades. Antes de incorporar IA conviene repensar y simplificar para liberar tiempo, porque introducir tecnología en un diseño sobrecargado solo añade complejidad a la complejidad. Después conviene desacoplar la evaluación formativa de la calificación, que es el rediseño que el artículo anterior desarrolla. Solo entonces tiene sentido incorporar la IA, primero para ganar eficiencia en lo mecánico y después, cuando la experiencia lo permite, para ganar eficacia en el acompañamiento. Y todo ello con un enfoque experimental, midiendo el impacto real sobre el aprendizaje y la dedicación que exige, porque un rediseño que no sea sostenible en carga docente no sobrevive al cuatrimestre. Ninguno de estos pasos resuelve por sí solo el problema, y su valor está justamente en la secuencia.
La promesa, al final, no es un profesor sustituido sino un profesor liberado para hacer más de aquello que solamente él puede hacer, acompañar el pensamiento de cada estudiante. Hay incluso un efecto inesperado y esperanzador, y es que algunos docentes que han diseñado con ayuda de IA asignaturas en las que no eran del todo expertos han acabado siendo mejores profesores, porque el ejercicio de explicitar el propio criterio para poder delegarlo obliga a examinarlo. El criterio, la decisión, el último kilómetro, siguen siendo suyos.
En este artículo y el anterior hemos explorado soluciones ante la crisis inminente que amenaza a la universidad, la de credibilidad, relacionada con la evaluación, y la oportunidad que la acompaña. Pero la serie dejó planteadas, desde el primer artículo, dos preguntas de más fondo, qué debe aprenderse hoy en la universidad y cómo se aprende en tiempos de IA, las crisis de significado y de método. A ellas, y al mapa completo que las conecta con todo lo anterior, dedicaré el próximo artículo, y posiblemente el final, de esta serie.
Referencias
Todas las citas del texto, en orden alfabético.
Black, P. & Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education, 5(1), 7–74.
Castañeda Garza, G. (2023). Analíticas de aprendizaje como herramienta de apoyo para la educación superior. Observatorio del Instituto para el Futuro de la Educación, Tecnológico de Monterrey.
EDUCAUSE (2025). Ethics Is the Edge: The Future of AI in Higher Education. EDUCAUSE Review.
Eutika · El profesor en el centro de la transformación: el Plan IMPULSO Docente UC3M. Blog de Eutika.
Freire, J. (2026). Aprender lento para pensar rápido. Substack.
Freire, J. (2026). El sistema operativo educativo: qué significa realmente. Substack. Parte de la serie del proyecto Universidad Cero.
Freire, J. (2026). La inminente crisis de credibilidad de la universidad. Substack.
Freire, J. (2026). Rediseñar la evaluación cuando el estudiante usa IA generativa. Substack.
Georgia State University. Approaching Student Success With Predictive Analytics. Student Success.
Hattie, J. & Timperley, H. (2007). The Power of Feedback. Review of Educational Research, 77(1).
Komljenovic, J., Sellar, S. & Birch, K. (2024). Turning universities into data-driven organisations: seven dimensions of change. Higher Education, 89.
Mollick, E. (2023). Centaurs and Cyborgs on the Jagged Frontier. One Useful Thing.
Mollick, E. R., Mollick, L., Bach, N., Ciccarelli, LJ, Przystanski, B. & Ravipinto, D. (2024). AI Agents and Education: Simulated Practice at Scale. SSRN.








