top of page

La IA llegó al microcurrículo. ¿Ahora qué hacemos con ella?

hace 13 minutos
10 min de lectura

Socio-Consultor Estudio Elefante 


Si tiene algún comentario o sugerencia agradecemos nos lo haga saber a través del correo info@estudielefante.co 

Somos Estudio Elefante. ¡La fuerza detrás de las grandes ideas!


La pregunta ya no es si los estudiantes van a utilizar inteligencia artificial, sino si nuestros microcurrículos saben qué hacer con ella. Permitir su uso en una actividad es sencillo; lo difícil es decidir qué no conviene delegarle, porque allí puede estar ocurriendo buena parte del aprendizaje.



La conversación sobre IA también es una conversación sobre diseño curricular


Desde Estudio Elefante acompañamos a Instituciones de Educación Superior (IES) en procesos de transformación curricular, fortalecimiento docente y Aseguramiento del Aprendizaje (AoL). En ese trabajo, el microcurrículo ocupa un lugar especialmente interesante: allí las grandes declaraciones sobre el perfil de egreso y los Resultados de Aprendizaje deben convertirse en experiencias concretas. Qué hará el estudiante, para qué lo hará, con qué recursos, qué acompañamiento recibirá y qué evidencias permitirán reconocer lo aprendido. 


La Inteligencia Artificial (IA) introduce una nueva variable en ese diseño. Ya no basta con formular una actividad y definir el producto esperado. Necesitamos preguntarnos qué papel tendrá la IA durante el proceso y, especialmente, qué actividad cognitiva debe permanecer bajo la responsabilidad del estudiante porque está vinculada con el aprendizaje que buscamos desarrollar.


Esta preocupación no es nueva. El principio de alineación constructiva, desarrollado por John Biggs y profundizado junto con Catherine Tang, plantea la necesidad de articular los Resultados de Aprendizaje con las actividades que realiza el estudiante y con la evaluación (Biggs & Tang, 2011). La llegada de la IA no elimina esa necesidad. La vuelve más visible y nos enfrenta a una pregunta incómoda: ¿Quién está realizando ahora la actividad cognitiva que pretendíamos desarrollar? 


Para explorar esta tensión, propongo una conversación hipotética entre un profesor y un estudiante. Podrían pertenecer a Administración, Medicina, Derecho, Ingeniería o Educación. Lo interesante es lo que ocurre cuando descubren que decir "puedes usar IA" no resuelve por sí solo la pregunta pedagógica. 


Las tres reglas que siguen no constituyen una política de uso ni una lista de prohibiciones. Son criterios para revisar el diseño microcurricular a partir de lo que profesor y estudiante descubren cuando intentan ponerse de acuerdo sobre el papel de la IA en el aprendizaje. 



Regla 1. No aceptes la primera respuesta de la IA 


Momento de diálogo:

  • Profesor: Para esta actividad quiero que analices el problema, revises la evidencia disponible y construyas una posición. 

  • Estudiante: ¿Puedo utilizar IA? 

  • Profesor: Sí. 

  • Estudiante: Perfecto. Le pido que analice el problema y me dé una posición sustentada. 

  • Profesor: No exactamente. Quiero que revises críticamente lo que produzca. 

  • Estudiante: Entonces "puedes usar IA" necesitaba algunas instrucciones adicionales. 


Lo que empiezan a descubrir:

El estudiante plantea una objeción razonable. Si la instrucción pide producir una respuesta y permite utilizar IA, ¿Por qué no emplearla precisamente para generar esa respuesta? El profesor, por su parte, descubre que su intención pedagógica estaba en un lugar que nunca hizo explícito. No le interesaba solamente obtener un producto, sino que el estudiante analizara información, contrastara argumentos y construyera un juicio propio. 


La diferencia es fundamental. La respuesta de la IA puede convertirse en el final de la actividad o en el material con el cual comienza el trabajo intelectual del estudiante. La cuestión no es únicamente qué produce la herramienta, sino qué oportunidades de aprendizaje genera el profesor a partir de ese resultado. 


La mirada del elefante consultor al diseño microcurricular:

Al revisar microcurrículos con equipos docentes, es común encontrar actividades que piden una respuesta, pero no definen qué debe hacer el estudiante con ella. 


Esta primera regla invita a diseñar actividades en las que el estudiante no consuma pasivamente las respuestas de la IA, sino que deba hacer algo intelectualmente relevante con ellas. Si el Resultado de Aprendizaje implica analizar, evaluar o argumentar, podemos pedirle que identifique afirmaciones que requieren verificación, contraste respuestas con los materiales del curso, detecte vacíos, cuestione supuestos o construya posiciones alternativas.


La secuencia también importa. Podemos solicitar que el estudiante formule primero su respuesta y después la compare con la de la IA, evitando que el primer marco de interpretación provenga siempre de la herramienta. Por ejemplo, una actividad podría pedirle obtener una respuesta inicial de la IA, identificar tres afirmaciones que requieren verificación, contrastarlas con fuentes académicas y construir una respuesta alternativa explicando por qué la considera más sólida. En este caso, la IA proporciona material para el análisis, pero el estudiante conserva la responsabilidad de juzgar. 


La decisión microcurricular no se resuelve, entonces, escribiendo "se permite el uso de IA". Consiste en definir para qué entra la herramienta y qué hará cognitivamente el estudiante con lo que produzca. La IA no necesariamente tiene que darnos menos cosas sobre las cuales pensar; puede ofrecernos mejores oportunidades para hacerlo.

Regla 2. No le entregues a la IA lo que el estudiante debe aprender


Momento de diálogo 

  • Profesor: En este caso quiero que identifiques las variables, analices las alternativas y tomes una decisión. 

  • Estudiante: Puedo pedirle a la IA que compare las alternativas y me recomiende la más conveniente. 

  • Profesor: Pero justamente quiero que aprendas a tomar esa decisión. 

  • Estudiante: Entonces tenemos que ponernos de acuerdo. ¿Qué puede hacer la IA y qué tengo que hacer yo? 


Lo que empiezan a descubrir:

Aquí aparece el centro de la conversación. El estudiante no está intentando necesariamente evadir el aprendizaje. Está utilizando una herramienta capaz de realizar muchas de las operaciones que tradicionalmente incluimos en las actividades académicas. El profesor descubre que no puede dejar exclusivamente en manos del estudiante la responsabilidad de adivinar qué puede delegar. Si una operación cognitiva es fundamental para alcanzar el Resultado de Aprendizaje, el diseño debe hacerla visible y preservar oportunidades para practicarla. 


La pregunta deja de ser cuánto puede hacer la IA y se concentra en qué necesitamos que haga el estudiante.

Esta distinción es importante porque una misma herramienta puede sustituir una operación intelectual o contribuir a desarrollarla, dependiendo de cómo se incorpore a la experiencia de aprendizaje. 


La mirada del elefante consultor al diseño microcurricular:

Cuando acompañamos el rediseño de actividades, hay una pregunta que nos ayuda a decidir qué conviene dejar en manos del estudiante. 


Antes de incorporar IA a una actividad, proponemos una prueba sencilla: si la IA hace esta parte por el estudiante, ¿Qué deja de aprender el estudiante? Si la respuesta coincide con aquello que pretendíamos enseñar o evaluar, tenemos un problema de diseño. 


Supongamos que queremos desarrollar argumentación. El estudiante puede construir su posición y utilizar después la IA como contraparte para recibir objeciones progresivamente más complejas. Si buscamos fortalecer la escritura, puede elaborar un primer borrador y utilizar la herramienta para recibir retroalimentación a partir de una rúbrica. Si queremos desarrollar la toma de decisiones profesionales, la IA puede representar a un paciente, cliente o integrante de un equipo y reaccionar frente a las decisiones del estudiante. También puede funcionar como tutor socrático, ofreciendo preguntas y pistas que orienten la resolución de problemas sin entregar inmediatamente la solución. 


En estos casos, la IA acompaña, desafía, retroalimenta o simula, mientras el estudiante conserva la tarea cognitiva central. Esto no significa defender el esfuerzo por el esfuerzo. Hay actividades académicas que exigen mucho tiempo y producen poco aprendizaje, y no necesitamos preservarlas por nostalgia curricular. Copiar veinte páginas a mano puede ser agotador, pero el cansancio no es un Resultado de Aprendizaje.


El criterio debe ser más preciso: ¿Qué esfuerzo intelectual está vinculado con la capacidad que queremos desarrollar? La IA puede reducir esfuerzos instrumentales y, simultáneamente, aumentar la exigencia cognitiva.

Una herramienta que construye el argumento por el estudiante probablemente le exige menos que una que identifica contradicciones, presenta objeciones y lo obliga a defender sus decisiones.

Por ejemplo, el profesor podría pedirle analizar un caso y tomar una decisión sustentada. Solo después entraría la IA para cuestionarla desde tres perspectivas diferentes. Finalmente, el estudiante tendría que revisar sus argumentos y explicar qué mantuvo, qué modificó y por qué. La herramienta participa activamente, pero no sustituye la operación intelectual vinculada con el Resultado de Aprendizaje. 


Esta decisión también tiene una dimensión curricular. No basta con que cada profesor establezca individualmente qué puede delegarse. Los equipos académicos necesitan reconocer qué capacidades deben desarrollarse a lo largo del plan de estudios y cómo puede incorporarse la IA sin comprometer su progresión. De lo contrario, podríamos terminar con asignaturas que promueven el desarrollo de determinadas capacidades mientras otras permiten delegar precisamente las operaciones necesarias para consolidarlas. 


La IA no debería ahorrar el esfuerzo intelectual que produce aprendizaje. Debería ayudarnos a convertirlo en una experiencia más profunda y significativa. 

Regla 3. No confundas una buena respuesta con aprendizaje 


Momento de diálogo:

  • Estudiante: Aquí está mi informe. El análisis está completo, la argumentación es sólida y las referencias están organizadas. 

  • Profesor: Es un muy buen trabajo. Ahora quisiera que me expliques por qué descartaste la segunda alternativa. 

  • Estudiante: ¿Eso también se evaluaba? 

  • Profesor: Necesito saber cómo llegaste a la decisión. 

  • Estudiante: Entonces quizá no estamos evaluando solamente el informe.


Lo que empiezan a descubrir:

En este punto la conversación cambia. El estudiante ha cumplido con producir aquello que se le pidió. La dificultad está ahora del lado del profesor: ¿Qué puede inferir acerca del aprendizaje a partir de ese producto? 


Con la IA generativa se vuelve más evidente algo que siempre debimos tener presente: un producto de alta calidad no demuestra, por sí solo, que el estudiante haya desarrollado todas las capacidades que asociamos con él. El estudiante también necesita conocer esta distinción. Si lo que interesa es observar su capacidad de analizar, justificar o decidir, las evidencias correspondientes no deberían aparecer sorpresivamente después de entregar el trabajo. Deben formar parte del diseño, las instrucciones y los criterios de evaluación desde el principio. 


La mirada del elefante consultor al diseño microcurricular:

En los procesos de Aseguramiento del Aprendizaje solemos ver que un buen producto se toma por evidencia suficiente.


Esta tercera regla conecta directamente el uso de IA con el Aseguramiento del Aprendizaje (AoL). Si los Resultados de Aprendizaje establecen que el estudiante debe analizar, argumentar, diseñar, diagnosticar o tomar decisiones, necesitamos evidencias que permitan valorar razonablemente el desarrollo de esas capacidades. 


El producto final puede constituir una evidencia valiosa, pero su calidad no siempre permite establecer qué aprendió el estudiante ni qué operaciones cognitivas realizó. Por eso, podemos complementarlo con una defensa de las decisiones tomadas, la comparación entre versiones, la explicación de qué recomendaciones de la IA fueron aceptadas o descartadas, o la resolución de una variación del problema original. 


No se trata de convertir al profesor en detective y cada evaluación en un episodio de CSI: ChatGPT. Tampoco de demostrar que el estudiante trabajó completamente solo. En su desempeño profesional utilizará IA, bases de datos, programas especializados y el conocimiento de otras personas.

El desafío consiste en diseñar evidencias que permitan reconocer qué puede hacer el estudiante, tanto de manera autónoma como cuando trabaja con esas ayudas, según las capacidades que se pretende desarrollar. 


La guía de UNESCO sobre inteligencia artificial generativa en educación e investigación propone un enfoque centrado en las personas, con especial atención a la agencia humana y a las implicaciones pedagógicas y éticas de estas tecnologías (UNESCO, 2023). Desde el microcurrículo, esta perspectiva tiene una consecuencia concreta: no basta con declarar que la IA puede utilizarse. Necesitamos decidir cuándo entra, para qué entra y qué decisiones deben permanecer bajo la responsabilidad del estudiante. 


Esto plantea una distinción especialmente importante para el Aseguramiento del Aprendizaje: no todo producto permite obtener evidencias suficientes del aprendizaje que buscamos valorar. Si las instituciones utilizan los resultados de las evaluaciones para valorar el logro de los Resultados de Aprendizaje, necesitan examinar si las evidencias recogidas permiten sustentar esas conclusiones. 


La IA no invalida automáticamente las evaluaciones existentes, pero sí nos obliga a revisar qué estamos observando, qué podemos inferir y qué decisiones de mejora podemos tomar a partir de esa información. Así, una pregunta que comienza en el diseño de una actividad termina conectándose con la capacidad institucional para reconocer y mejorar los aprendizajes alcanzados. 



Cuando la conversación vuelve al microcurrículo


Al final, el profesor y el estudiante parecen haber avanzado hacia un acuerdo menos simple, pero pedagógicamente más útil. 


  • Profesor: Entonces, ¿vas a utilizar IA? 

  • Estudiante: Probablemente. 

  • Profesor: ¿Para qué? 

  • Estudiante: Esa parece ser la pregunta que deberíamos haber discutido desde el principio. 


Desde la perspectiva del diseño microcurricular, las tres reglas conducen a una misma decisión: hacer explícito el papel de la IA dentro de la experiencia de aprendizaje.

No aceptar la primera respuesta significa diseñar qué hará el estudiante con ella; no entregarle a la IA lo que debe aprender implica identificar la tarea cognitiva central y preservar oportunidades para practicarla; y no confundir una buena respuesta con aprendizaje exige diseñar evidencias pertinentes para valorar el logro del Resultado de Aprendizaje.


Sin embargo, estas decisiones no pueden quedar exclusivamente en manos de cada profesor. Una actividad puede estar bien diseñada y, aun así, no guardar suficiente coherencia con las experiencias que se desarrollan en otras asignaturas. Por eso, incorporar inteligencia artificial al microcurrículo exige algo más interesante que agregar una política de uso o una casilla al formato. Nos invita a revisar la alineación entre Resultados de Aprendizaje, actividades, mediaciones y evaluación, pero también a construir acuerdos curriculares sobre qué capacidades queremos desarrollar y cómo reconoceremos su logro. 


La tecnología cambia, pero la pregunta pedagógica permanece: ¿Qué necesitamos que ocurra en el estudiante para poder decir que aprendió? Antes de incluir IA en una actividad, conviene preguntarnos qué hará el estudiante con las respuestas de la herramienta, qué dejaría de aprender si delegara determinadas operaciones y qué evidencias permitirán valorar el logro del Resultado de Aprendizaje. Estas preguntas no buscan restringir el uso de la tecnología, sino orientar decisiones que mantengan el aprendizaje en el centro del diseño.


Una conversación institucional que vale la pena abrir


Si los estudiantes ya utilizan IA para aprender y producir, quizá la pregunta más importante para las instituciones de educación superior no sea cuánto deben permitirles utilizarla, sino si sus microcurrículos hacen explícito qué debe aprender el estudiante, qué puede hacer con IA, qué no conviene delegar y qué evidencias permitirán reconocer el aprendizaje alcanzado. 

Responderla no corresponde únicamente al profesor en la soledad de su asignatura. Requiere conversaciones curriculares, criterios compartidos y capacidades institucionales para conectar Resultados de Aprendizaje, diseño de actividades, evaluación y Aseguramiento del Aprendizaje. También supone reconocer que incorporar IA no es simplemente actualizar recursos didácticos, sino revisar algunas de las decisiones que dan coherencia a la experiencia formativa. 


Desde Estudio Elefante, este es precisamente el tipo de conversación que buscamos acompañar con los equipos académicos: revisar las decisiones que conectan el diseño curricular con las experiencias reales de aprendizaje y construir criterios compartidos para integrar la IA con sentido pedagógico.


El desafío no consiste en diseñar contra la inteligencia artificial ni en adaptar apresuradamente cada actividad a sus posibilidades, sino en asegurarnos de que, mientras la IA aprende a hacer cada vez más cosas, nuestros estudiantes sigan teniendo oportunidades para aprender aquello que realmente importa. 

¿Estamos aprovechando la llegada de la IA para revisar la coherencia de nuestros microcurrículos o simplemente estamos incorporando una nueva herramienta a actividades que seguimos diseñando de la misma manera? 


Referencias 

  • Biggs, J., & Tang, C. (2011). Teaching for quality learning at university: What the student does (4th ed.). Open University Press. 

  • UNESCO. (2023). Guidance for generative AI in education and research. https://doi.org/10.54675/EWZM9535

Comentarios


bottom of page