Idea intuitiva: la IA no es un robot con conciencia; es software que hace tareas que antes exigían inteligencia humana, como reconocer una cara, traducir o redactar.

Definición: la inteligencia artificial es el campo que construye sistemas computacionales capaces de realizar tareas como percibir, clasificar, predecir o generar contenido a partir de datos. Tres términos que conviene distinguir:
• Aprendizaje automático (machine learning): el sistema ajusta su comportamiento a partir de ejemplos, sin que alguien escriba cada regla.
• Aprendizaje profundo: aprendizaje automático con redes neuronales artificiales de muchas capas (son modelos matemáticos, no neuronas).
• IA generativa: modelos que producen texto, imagen, audio o código nuevos.

Lo que hace: detecta patrones estadísticos en enormes cantidades de datos y produce la salida más probable. Lo que no hace: tener intenciones, experiencia o comprensión del mundo como una persona, ni garantizar que lo que dice sea verdad. Esa diferencia es la base de todo uso pedagógico responsable.

Un modelo de lenguaje (ChatGPT, Gemini, Copilot, Claude) se entrena con enormes colecciones de texto y aprende a predecir el siguiente fragmento (token) de una secuencia. Por eso redacta con fluidez: produce lo que suele seguir a lo que se le escribió.

Consecuencias para el aula:
(1) Alucinaciones: el modelo puede generar datos, citas o leyes falsas con total seguridad. La revisión de Ji y otros (2023, ACM Computing Surveys, 55(12), 1-38, DOI 10.1145/3571730) describe el fenómeno en la generación de lenguaje. Walters y Wilder (2023, Scientific Reports, 13, 14045, DOI 10.1038/s41598-023-41032-5) pidieron revisiones de literatura a ChatGPT: el 55 % de las referencias de GPT-3.5 y el 18 % de las de GPT-4 eran inventadas.
(2) Sesgos: el modelo hereda los patrones y prejuicios de sus datos.
(3) Variabilidad: la misma instrucción puede dar respuestas distintas.

Regla práctica: la IA es un borrador rápido, no una fuente. Todo lo que llegue al aula se verifica.

Una línea de tiempo ayuda a ver que la IA no apareció de la nada:
• 1950: Alan Turing publica «Computing Machinery and Intelligence» y propone el «juego de la imitación» (Mind, 59(236), 433-460, DOI 10.1093/mind/LIX.236.433).
• 1956: en el taller de Dartmouth, convocado por John McCarthy y otros, se consolida el nombre «inteligencia artificial».
• 1997: Deep Blue, de IBM, vence a Garri Kaspárov en un encuentro de ajedrez.
• 2012: la red AlexNet gana el reto ImageNet e impulsa el aprendizaje profundo.
• 2017: investigadores de Google publican la arquitectura Transformer («Attention Is All You Need»), base de los modelos de lenguaje actuales.
• 2022: OpenAI abre ChatGPT al público y masifica la IA generativa.

Lectura pedagógica: hubo décadas de avances y de «inviernos» con expectativas frustradas. Conocer la historia ayuda a desconfiar tanto del pánico como de las promesas exageradas.

Colombia tiene dos documentos de política pública que el docente debe conocer:
• CONPES 3975 de 2019: Política Nacional para la Transformación Digital e Inteligencia Artificial.
• CONPES 4144 de 2025: Política Nacional de Inteligencia Artificial, aprobada el 14 de febrero de 2025, con más de cien acciones hasta 2030. Uno de sus ejes es el desarrollo de capacidades y talento digital, que incluye competencias digitales para docentes y estudiantes (Departamento Nacional de Planeación y MinTIC).

Desafío principal: la brecha digital. No todas las sedes tienen conectividad estable ni equipos suficientes, y muchos estudiantes acceden a la IA solo desde un celular. Esto no exime de la conversación: los estudiantes ya se encuentran con sistemas de IA en redes sociales, buscadores y aplicaciones, y necesitan criterio para usarlos.

Para CENTEC: la pregunta no es si la IA llegará al aula, sino si llegará con guía pedagógica o sin ella.

Caso con nombres ficticios. La profesora Daniela, de Ciencias Sociales de noveno, quiere que sus estudiantes entiendan qué es una alucinación.
Paso 1: proyecta una respuesta de IA sobre la Independencia que incluye un dato falso (por ejemplo, que Simón Bolívar nació en 1784; nació el 24 de julio de 1783).
Paso 2: pide a parejas predecir: «¿todo es correcto?».
Paso 3: cada pareja verifica tres datos en el libro de texto y en una fuente institucional.
Paso 4: discuten por qué la IA se equivocó con tanta seguridad (predice texto probable, no consulta hechos).
Paso 5: boleto de salida: «Explica con una analogía de tu vida diaria cómo produce texto un chatbot».

Errores frecuentes: decir que la IA «piensa» o «sabe»; pedirle a la misma IA que confirme sus datos; rechazar toda la herramienta por un error; usarla sin explicar cómo funciona.
Indicadores: N1 define alucinación; N2 explica la predicción de texto con una analogía; N4 detecta datos falsos en un texto generado.

1. Orientaciones de la UNESCO (2023). La Guía para la IA generativa en la educación y la investigación (DOI 10.54675/EWZM9535) propone un enfoque centrado en el ser humano, validar las herramientas antes de usarlas y una edad mínima de 13 años para su uso en clase. La UNESCO informó que, en una encuesta a más de 450 escuelas y universidades, menos del 10 % tenía orientaciones institucionales sobre IA generativa.
2. Marcos de competencias en IA (UNESCO, 2024). El de docentes (DOI 10.54675/ZJTE2084) define 15 competencias en 5 dimensiones: mentalidad centrada en el ser humano, ética de la IA, fundamentos y aplicaciones, IA en la pedagogía e IA para el desarrollo profesional, con tres niveles (adquirir, profundizar, crear). El de estudiantes (DOI 10.54675/JKJB9835) define 12 competencias en 4 dimensiones.
3. Errores con citas. Aunque los modelos mejoran, siguen inventando referencias (Walters y Wilder, 2023). Verificar sigue siendo obligatorio. Contenido en revisión por el equipo docente responsable.

Una instrucción efectiva suele tener cuatro elementos:
(1) Rol: «Actúa como docente de Ciencias Naturales de grado 8 en Colombia».
(2) Tarea: «Diseña cinco preguntas de análisis sobre fotosíntesis».
(3) Contexto: «Grupo de 30 estudiantes, dos con dificultades lectoras, sin laboratorio; DBA de la unidad».
(4) Formato: «Tabla con pregunta, nivel de Bloom y respuesta esperada».

Por qué ayuda: el modelo produce lo más probable según lo que recibe; si la instrucción es vaga, la respuesta será genérica. Con rol, tarea, contexto y formato, el borrador se acerca a lo que necesitas.

Matiz honesto: esta estructura es una recomendación práctica de uso, no un hallazgo de investigación con tamaño de efecto. Funciona como lista de comprobación.

Privacidad: el contexto se describe sin datos personales. Nunca nombres, documentos, notas ni diagnósticos de estudiantes (Ley 1581 de 2012).

Usos en los que la IA suele aportar sin reemplazar el juicio docente:
(1) Borradores de rúbricas para revisar y ajustar.
(2) Varias representaciones de un mismo concepto (ejemplos, analogías, esquemas), útiles en el marco del Diseño Universal para el Aprendizaje.
(3) Bancos de preguntas por nivel de Bloom, que luego se depuran.
(4) Adaptación de un texto a distintos niveles de lectura.
(5) Situaciones problema con contexto local para el aprendizaje basado en proyectos.
(6) Borradores de retroalimentación que el docente personaliza.

Evidencia: el ensayo de la Education Endowment Foundation (2024) con 259 docentes de ciencias de Year 7 y Year 8 (estudiantes de 11 a 13 años) en 68 colegios ingleses encontró que quienes usaron ChatGPT con una guía dedicaron 56,2 minutos semanales a planear, frente a 81,5 del grupo de comparación (≈31 % menos), sin diferencias de calidad apreciables según un panel independiente. Los autores piden cautela porque la muestra de materiales revisados fue limitada.

En todos los casos: la IA propone y el docente decide.

Hay varios asistentes de uso general: ChatGPT (OpenAI), Gemini (Google), Copilot (Microsoft) y Claude (Anthropic), entre otros. Sus capacidades cambian cada pocos meses, así que conviene elegir por criterios estables:
(1) Integración con lo que ya usas (Google Workspace, Microsoft 365).
(2) Edad mínima y términos de uso, revisados en la fuente oficial. A octubre de 2026: los términos de OpenAI exigen al menos 13 años y permiso de padres o acudientes para menores de 18; los de Claude para consumidores exigen 18 años; Google permite a menores de 13 usar Gemini con una cuenta supervisada que los padres activan en Family Link.
(3) Privacidad: qué datos guarda el servicio y si se usan para entrenar modelos.
(4) Costo y conectividad reales de tus estudiantes.

Para primaria, lo prudente es que el docente use la herramienta en modo demostrativo. Antes de pedir a estudiantes que creen cuentas, revisa términos, autorización de las familias y la política institucional.

Protocolo de cinco preguntas antes de llevar al aula cualquier resultado de IA:
(1) Hechos: ¿cada dato, fecha, cita o norma se puede comprobar en una fuente primaria o institucional?
(2) Pertinencia: ¿los ejemplos tienen sentido para estudiantes de Cali y de la Comuna 15?
(3) Nivel: ¿la pregunta realmente exige el nivel de Bloom que dice?
(4) Sesgos: ¿hay estereotipos de género, etnia, región o clase?
(5) Lenguaje: ¿es claro y adecuado para la edad?

Por qué es obligatorio: los modelos inventan referencias y datos con apariencia de certeza (Walters y Wilder, 2023). Pedirle a la misma IA que se autoverifique no garantiza nada.

Responsabilidad: un error en una guía es del docente que la entregó, venga de un libro, de internet o de una IA. Registrar qué tuviste que corregir te dice cuánto confiar en la herramienta para cada tarea.

Caso con nombres ficticios. El profesor Óscar, de Matemáticas de séptimo, necesita una guía diferenciada sobre proporcionalidad.
Paso 1: escribe la instrucción con rol, tarea, contexto (sin nombres: «tres estudiantes requieren apoyo en lectura, cuatro avanzan rápido») y formato (tabla con tres niveles).
Paso 2: revisa la respuesta con el protocolo de cinco preguntas: encuentra un problema con un precio irreal y una respuesta mal calculada.
Paso 3: corrige, cambia los ejemplos por compras en una tienda del barrio y resuelve él mismo cada ejercicio.
Paso 4: anota en su registro: «Tiempo: 20 minutos; correcciones: 2».
Paso 5: en clase cuenta a sus estudiantes que usó IA para el borrador y que revisó todo.

Errores frecuentes: pegar datos personales en la instrucción; usar el resultado sin resolver los ejercicios; ocultar el uso de IA mientras se les exige transparencia a los estudiantes.
Indicadores: N3 redacta una instrucción completa; N4 detecta errores en el borrador; N5 decide qué conservar.

1. Ahorro de tiempo con guía. El ensayo de la Education Endowment Foundation (diciembre de 2024) halló cerca de un 31 % menos de tiempo de planeación cuando los docentes usaron ChatGPT con una guía de uso, sin diferencias de calidad apreciables. Es un estudio en ciencias de secundaria en Inglaterra; en otros contextos hay que comprobarlo.
2. Referencias inventadas. En Walters y Wilder (2023, DOI 10.1038/s41598-023-41032-5), además de las referencias falsas, el 43 % de las referencias reales de GPT-3.5 y el 24 % de las de GPT-4 tenían errores importantes.
3. Marco docente de la UNESCO (2024). Ubica el uso pedagógico de la IA después de una mentalidad centrada en el ser humano y de la ética: primero el propósito, luego la herramienta (DOI 10.54675/ZJTE2084).
4. Términos de uso. Las edades mínimas y políticas de datos cambian; se revisan en la fuente oficial antes de cada periodo. Contenido en revisión por el equipo docente responsable.

Pregunta clave para cualquier instrumento: «¿podría una IA completar esta tarea con buena nota sin que el estudiante haya aprendido nada?». Si la respuesta es sí, la tarea mide sobre todo acceso a la herramienta.

Tres capas que hacen auténtica una evaluación:
(1) Contexto específico: datos propios, una salida al barrio, una experiencia vivida en clase, una entrevista a un familiar. La IA no tiene esa información.
(2) Proceso visible: borradores fechados, bitácora de investigación, decisiones registradas.
(3) Componente oral: explicar y defender el trabajo.

Ninguna capa sola es suficiente; juntas hacen que la IA sea una ayuda posible, pero no un reemplazo. Límite: la prueba no busca prohibir; algunas tareas pueden permitir IA de forma explícita, siempre que el estudiante declare cómo la usó y demuestre lo aprendido.

Ejercicio rápido: toma tu última tarea para la casa y pásala por la pregunta clave. Si falla, añade al menos dos capas.

El proceso (cómo llegó el estudiante al producto) es más difícil de delegar que el producto final. Estrategias:
(1) Borradores sucesivos con una nota breve: «qué cambié y por qué».
(2) Bitácora de investigación: qué busqué, qué encontré, qué descarté y por qué.
(3) Registro de errores y correcciones, coherente con la pedagogía del error.
(4) Mapa de fuentes con una valoración de la confiabilidad de cada una.
(5) Declaración de uso de IA: qué herramienta, para qué y qué se cambió de su respuesta.

Por qué funciona: la evaluación formativa se basa en recoger evidencia del aprendizaje durante el camino para ajustar la enseñanza; el proceso visible es justamente esa evidencia.

Límite práctico: revisar procesos toma tiempo. Conviene muestrear (revisar a fondo algunos borradores por sesión) y usar listas de cotejo cortas, en lugar de calificar cada paso.

La sustentación es una conversación breve, de tres a diez minutos, en la que el estudiante explica su trabajo y responde preguntas: «¿por qué elegiste esta fuente?», «¿qué pasaría si cambiaras este dato?», «explícame este párrafo con tus palabras».

Por qué es útil: quien comprendió puede justificar sus decisiones, sin importar qué herramientas usó; quien no comprendió suele mostrar la brecha rápido, sin necesidad de detectores. Además, explicar en voz alta obliga a recuperar y organizar lo aprendido, lo que fortalece la memoria.

Adaptaciones para grupos de 35 o más:
• Sustentación grupal con una pregunta individual para cada integrante.
• Muestreo: cada periodo sustenta un tercio del grupo, elegido al azar.
• Audio breve grabado en clase.

Cuidados: preguntas preparadas y una rúbrica corta para ser justos; ajustes razonables para estudiantes con ansiedad o dificultades de comunicación, de acuerdo con el Decreto 1421 de 2017. Una sustentación no debe convertirse en interrogatorio.

Criterios que valoran lo que el estudiante aporta, más allá de un texto pulido:
(1) Evidencia: ¿sustenta sus afirmaciones con fuentes verificadas y bien citadas?
(2) Perspectiva propia: ¿hay una postura argumentada, más allá de resumir?
(3) Proceso: ¿hay borradores, bitácora o decisiones documentadas?
(4) Contextualización: ¿conecta el contenido con su realidad o con datos propios?
(5) Uso transparente de herramientas: ¿declara qué apoyos usó y cómo los revisó?

Cómo redactarlos: cada criterio con tres o cuatro niveles descritos con conductas observables («cita al menos dos fuentes verificadas y explica por qué son confiables»), no con adjetivos («excelente», «bueno»).

Qué pierde peso: ortografía perfecta, extensión y formato. Siguen importando, pero una herramienta los resuelve fácilmente, así que no deben dominar la nota.

Comparte la rúbrica antes de la tarea: así funciona también como guía de aprendizaje.

Caso con nombres ficticios. El profesor Andrés, de Lenguaje de décimo, recibe ensayos muy pulidos y parecidos, y dos citan un libro que no existe.
Paso 1: descarta usar un detector como prueba.
Paso 2: rediseña la tarea: «¿Cómo aparece la violencia en un cuento colombiano leído en clase y cómo se relaciona con un relato de tu familia o tu barrio?» (contexto propio).
Paso 3: pide un borrador inicial en clase, una bitácora de fuentes y una declaración de uso de IA (proceso).
Paso 4: programa sustentaciones de cinco minutos con tres preguntas fijas (oral).
Paso 5: comparte la rúbrica con cinco criterios desde el inicio.

Resultado esperado: la IA puede ayudar a mejorar la redacción, pero el ensayo exige pensamiento propio.
Errores frecuentes: sancionar con base en un detector; prohibir sin enseñar; evaluar solo el producto; no avisar las reglas antes de la tarea.
Indicadores: N5 juzga si una tarea es resoluble solo con IA; N6 diseña una tarea con tres capas y rúbrica.

1. Los detectores no son confiables. Weber-Wulff y otros (2023, International Journal for Educational Integrity, 19, 26, DOI 10.1007/s40979-023-00146-z) probaron 14 herramientas, incluida Turnitin, y concluyeron que no son precisas ni confiables; además, parafrasear o disfrazar el texto reduce mucho su desempeño. OpenAI retiró en 2023 su propio clasificador por baja precisión.
2. Pueden discriminar. Liang y otros (2023, Patterns, 4(7), 100779, DOI 10.1016/j.patter.2023.100779) encontraron que los detectores marcan con frecuencia como «escritos por IA» textos en inglés de personas cuya lengua materna no es el inglés.
3. Mejor producto no es más aprendizaje. En un experimento con 117 universitarios, quienes usaron ChatGPT mejoraron más la nota del ensayo, pero no ganaron más conocimiento ni transferencia; los autores advierten sobre la «pereza metacognitiva» (Fan y otros, 2025, British Journal of Educational Technology, 56(2), 489-530, DOI 10.1111/bjet.13544). Contenido en revisión por el equipo docente responsable.

Un sesgo algorítmico es un error sistemático que favorece o perjudica a ciertos grupos. Suele venir de los datos con que se entrenó el sistema o de las variables elegidas, no de una intención explícita.

Casos documentados:
(1) Reconocimiento facial: Buolamwini y Gebru (2018, Proceedings of Machine Learning Research, 81, 77-91) mostraron que sistemas comerciales de clasificación de género fallaban mucho más con mujeres de piel oscura (errores de hasta 34,7 %) que con hombres de piel clara (hasta 0,8 %).
(2) Salud: Obermeyer y otros (2019, Science, 366(6464), 447-453, DOI 10.1126/science.aax2342) hallaron que un algoritmo usado en Estados Unidos subestimaba la necesidad de atención de pacientes negros porque usaba el gasto en salud como variable sustituta de la necesidad.
(3) Generadores de imágenes: tienden a reproducir estereotipos de profesiones y género.

Lección clave: una variable «neutral» (gasto, barrio, tipo de teléfono) puede funcionar como sustituto de raza o pobreza. Para Colombia, la pregunta es qué variables usan los sistemas que deciden sobre personas.

Muchas plataformas gratuitas financian su servicio con datos de uso. Para el aula, la norma base es la Ley 1581 de 2012 (protección de datos personales):
• Exige autorización previa, expresa e informada para tratar datos personales.
• Define como sensibles, entre otros, los datos de salud, y les da protección especial.
• Su artículo 7 establece reglas especiales para los datos de niños, niñas y adolescentes; la Corte Constitucional (Sentencia C-748 de 2011) condicionó su tratamiento a que responda a su interés superior.

La Superintendencia de Industria y Comercio, en la Circular Externa 002 de 2024 (21 de agosto), dio instrucciones para el tratamiento de datos personales en sistemas de IA: responsabilidad demostrada, estudios de impacto de privacidad cuando haya alto riesgo, seguridad y respeto a los derechos de los titulares; y aclaró que un dato accesible en internet no por eso es de naturaleza pública.

Regla de aula: nunca ingresar nombres, documentos, notas, fotos ni diagnósticos de estudiantes en herramientas de IA. Describir casos en forma anónima.

Un deepfake es un video, audio o imagen sintéticos que imitan a una persona real haciendo o diciendo algo que no ocurrió. A esto se suman cuentas automatizadas que amplifican mensajes y recomendaciones que personalizan lo que cada persona ve.

Lo que dice la investigación: en un experimento con un video falso de un líder político, Vaccari y Chadwick (2020, Social Media + Society, 6(1), DOI 10.1177/2056305120903408) encontraron que el video engañaba a pocos, pero aumentaba la incertidumbre, y esa incertidumbre reducía la confianza en las noticias en redes sociales. El daño no es solo creer lo falso; también es dejar de creer lo verdadero.

Habilidades para enseñar:
(1) Buscar el origen: ¿quién lo publicó primero?
(2) Contrastar con medios reconocidos y verificadores.
(3) Revisar indicios técnicos (voz, labios, luz), sabiendo que cada vez son menos visibles.
(4) Pausar antes de compartir.

Los jóvenes que votarán por primera vez necesitan estas habilidades antes de ejercer el voto.

La Organización Internacional del Trabajo actualizó en 2025 su índice de exposición de las ocupaciones a la IA generativa (Documento de trabajo 140). Hallazgos principales:
• Una de cada cuatro personas trabajadoras en el mundo está en una ocupación con algún grado de exposición.
• Las ocupaciones administrativas y de oficina son las más expuestas.
• Solo alrededor del 3,3 % del empleo mundial está en la categoría de mayor exposición, con más proporción de mujeres (4,7 %) que de hombres (2,4 %).
• La exposición es mayor en países de ingresos altos (34 %) que en los de ingresos bajos (11 %).
• Para la mayoría de los empleos, la OIT espera transformación más que desaparición.

Cómo usarlo en orientación vocacional: exposición no es igual a desempleo. Conviene analizar qué tareas de una profesión cambiarían, qué habilidades se vuelven más valiosas (juicio, comunicación, trabajo con personas, uso crítico de herramientas) y cómo se relaciona con la formación técnica del SENA.

Evita cifras de fuentes sin metodología pública: muchas «predicciones» circulan sin respaldo.

Caso con nombres ficticios. La profesora Lina, de Ética de undécimo, organiza un debate: «¿Debería un algoritmo decidir quién recibe un subsidio?».
Paso 1: presenta un caso hipotético: un sistema que asigna puntajes usando barrio, tipo de vivienda y consumo de servicios.
Paso 2: equipos con roles: familia afectada, entidad pública, ingeniera de datos y Defensoría.
Paso 3: cada equipo busca evidencia (Obermeyer y otros, 2019, como ejemplo de variable sustituta) y prepara dos argumentos y una pregunta.
Paso 4: Lina modera con preguntas: «¿qué variable podría ser sustituta de pobreza?», «¿cómo se apelaría una decisión?».
Paso 5: cierre individual: una propuesta de regla para usar algoritmos en decisiones públicas.

Errores frecuentes: dar la respuesta «correcta» al inicio; debatir sin evidencia; dar su opinión política en lugar de modelar el análisis; usar casos con personas reales identificables.
Indicadores: N4 identifica variables sustitutas; N5 valora riesgos y beneficios; N6 propone una regla justificada.

1. Recomendación de la UNESCO sobre la ética de la IA (2021). Adoptada por los 193 Estados miembros en noviembre de 2021; pone en el centro los derechos humanos, la transparencia, la equidad y la supervisión humana.
2. Unión Europea, Reglamento (UE) 2024/1689. Clasifica como de alto riesgo los sistemas de IA que deciden la admisión a centros educativos, evalúan resultados de aprendizaje, asignan el nivel educativo o vigilan conductas prohibidas en exámenes (anexo III). Aunque no rige en Colombia, es una referencia útil para pensar qué decisiones educativas no deberían dejarse a un sistema sin supervisión humana.
3. Colombia, Ley 2489 de 2025 y Decreto 0769 de 2026. Promueven entornos digitales sanos y seguros para niños, niñas y adolescentes. El decreto (16 de julio de 2026) pide a los colegios actualizar el PEI y el Manual de Convivencia con prevención de riesgos digitales y rutas frente al ciberacoso, y prevé lineamientos de MinTIC para que los desarrolladores, incluidos los de IA, evalúen sesgos y apliquen privacidad desde el diseño. Contenido en revisión por el equipo docente responsable.

Una implementación gradual reduce errores y carga:
• Semana 1, explorar: el docente usa la IA en una tarea propia de bajo riesgo (un borrador de rúbrica o ejemplos) y registra cuánto tuvo que corregir.
• Semana 2, adaptar: produce material diferenciado, lo verifica y lo aplica. Cuenta a los estudiantes que usó IA para el borrador.
• Semana 3, introducir: primera actividad en la que los estudiantes usan IA con guía explícita, reglas claras y declaración de uso (si la edad y los términos lo permiten; en primaria, modo demostrativo).
• Semana 4, reflexionar: evaluación colectiva: ¿qué aprendimos?, ¿cuándo ayudó y cuándo estorbó?

Por qué así: cada paso deja evidencia antes de avanzar, y el docente gana criterio antes de exponer a los estudiantes. La transparencia en la semana 2 modela lo que luego se pedirá a ellos.

Ajuste: si en la semana 1 el registro muestra muchas correcciones para una tarea, esa tarea no es buena candidata. Mejor elegir otra.

En sedes con conectividad débil hay alternativas:
(1) Uso asincrónico: los estudiantes formulan preguntas en clase, el docente las consulta fuera del aula, verifica las respuestas y las trae impresas para analizarlas (incluidos los errores).
(2) Material preparado fuera: guías, ejemplos y bancos de preguntas generados y verificados en casa o en la sala de sistemas, llevados en papel o memoria USB.
(3) Modelos locales: existen aplicaciones que ejecutan modelos pequeños sin internet en un computador. Requieren un equipo con buena memoria, suelen ser menos precisos y también alucinan; son una opción para el docente, no para cada estudiante.
(4) Aprender sobre la IA sin usarla: analizar casos, comparar una respuesta impresa con el libro, debatir sesgos. Esto es alfabetización en IA tan valiosa como el uso directo.

Equidad: si solo algunos estudiantes tienen acceso en casa, las tareas no deben depender de la IA; de lo contrario, se amplía la brecha.

Ante dudas institucionales («produce dependencia y deshonestidad»), un piloto bien diseñado genera evidencia local, que suele convencer más que cualquier estadística externa:
(1) Pregunta: «¿Usar IA para generar retroalimentación borrador mejora la calidad de las revisiones de los ensayos de grado 10?».
(2) Alcance: dos o tres docentes, un periodo, una sola práctica.
(3) Comparación: un grupo con la práctica y otro sin ella, o el mismo grupo antes y después.
(4) Indicadores: desempeño en tareas sin IA, calidad del trabajo con rúbrica, tiempo docente y percepción de los estudiantes.
(5) Reglas éticas: datos anónimos, autorización de las familias cuando se use una herramienta con estudiantes, nada de datos sensibles.
(6) Informe de una página para el consejo académico, con lo que funcionó y lo que no.

Así, quien decide puede ampliar, ajustar o detener la práctica con evidencia, y el debate deja de ser de opiniones. El error del piloto también enseña.

Más actividades con IA no significan más aprendizaje. Cuatro indicadores que triangulan la evidencia:
(1) Desempeño sin la herramienta: pruebas o tareas cortas que el estudiante resuelve solo. Es clave, porque practicar con ayuda puede mejorar la práctica sin mejorar el aprendizaje (Bastani y otros, 2025).
(2) Calidad del trabajo evaluada con rúbrica: evidencia, perspectiva propia, proceso.
(3) Metacognición: el estudiante explica cuándo la IA lo ayudó a entender y cuándo lo sustituyó.
(4) Uso autónomo y crítico: verifica, declara y decide sin que el docente lo pida.

Señales de alerta: notas de tareas que suben mientras las pruebas en clase bajan; textos muy parecidos entre sí; estudiantes que no pueden explicar lo que entregaron.

La motivación y el número de actividades son datos útiles del proceso, pero no prueban aprendizaje. Registra los indicadores en una tabla sencilla por periodo.

Caso con nombres ficticios. El rector de una institución oficial teme que la IA genere trampa. La profesora Marcela, de Inglés de noveno, le propone un piloto.
Paso 1: escucha la preocupación y la toma como información: el riesgo de deshonestidad es real.
Paso 2: propone una pregunta: «¿Un asistente configurado para dar pistas y no respuestas mejora la escritura en inglés?».
Paso 3: durante un periodo, dos grupos usan la IA solo en clase, con reglas y declaración de uso; otro grupo trabaja sin ella. Nadie ingresa datos personales.
Paso 4: compara escritos hechos en clase sin IA, con la misma rúbrica, al inicio y al final.
Paso 5: presenta un informe de una página con resultados, problemas y una recomendación.

Errores frecuentes: usar la IA a escondidas contra una orientación institucional; medir solo satisfacción; generalizar con un solo grupo; olvidar a los estudiantes sin conectividad en casa.
Indicadores: N4 analiza la resistencia; N5 elige indicadores; N6 diseña un piloto ético.

1. El diseño manda. En un experimento controlado en física universitaria con 194 estudiantes, un tutor de IA diseñado con principios de buena enseñanza (pasos guiados, retroalimentación, no dar la respuesta de entrada) produjo más aprendizaje en menos tiempo que una clase activa (Kestin y otros, 2025, Scientific Reports, 15, 17458, DOI 10.1038/s41598-025-97652-6). Es un estudio en un solo curso universitario: no se generaliza sin más a la básica.
2. Sin salvaguardas, daño. Bastani y otros (2025, PNAS, 122(26), e2422633122, DOI 10.1073/pnas.2422633122): el acceso libre a GPT-4 mejoró la práctica (48 %), pero bajó 17 % el desempeño al retirarlo; con un tutor con salvaguardas (127 % en práctica) ese daño se mitigó en buena medida.
3. Política nacional. El CONPES 4144 de 2025 incluye el desarrollo de competencias digitales para docentes y estudiantes, y el Decreto 0769 de 2026 pide actualizar el PEI con prevención de riesgos digitales. Contenido en revisión por el equipo docente responsable.