Director Diplomado en Inteligencia Artificial Escuela de Pedagogía PUCV
Pontificia Universidad Católica de Valparaíso
Los que llevan un tiempo realizando docencia en cualquier nivel, no habrán tardado en notar que una de las cosas más difíciles de evaluar -y de medir- en el estudiantado, es la dimensión actitudinal. A diferencia de los conocimientos o de las habilidades, las actitudes se expresan en decisiones, procesos y formas de enfrentar el aprendizaje que no siempre son visibles ni fácilmente cuantificables. En ese escenario, la inteligencia artificial no ha hecho más que aumentar dicha dificultad dado que el profesorado ya no solo debe preocuparse de la relación persona a persona, sino que también del vínculo entre el estudiante y ChatGPT, Gemini y las múltiples herramientas generativas con las que en mayor o menor medida interactúan cotidianamente (Sevilla & Barrios, 2024).
En ese escenario, las primeras reacciones sobre la irrupción de la IA, algunas más asertivas que otras, la observaban con cierto recelo, con la incredulidad de la nueva tecnología emergente en un sistema educativo que aún intentaba recuperarse del letargo impuesto por la pandemia; la IA fue vista como otra tecnología destinada a optimizar el tiempo docente. Los docentes la comenzaron a usar en la preparación de material didáctico, en la redacción de unas instrucciones, en la elaboración de una rúbrica o pauta de evaluación e incluso, en aquellos que todavía no medían la distancia del tema, en retroalimentar evidencias de aprendizaje. No obstante, ese efecto casi milagroso de la instantaneidad de la inteligencia artificial se truncó con los inconvenientes que trae la curiosidad humana. Comenzaron a aparecer ensayos, guías, infografías e imágenes que denotaban un uso y abuso de herramientas generativas o, lo que era lo mismo, evidencias de aprendizaje que invisibilizaban el alcance de los aprendizajes esperados y distorsionaban la evaluación como se había concebido hasta entonces.
Este último punto entorpece aquellos principios que fundamentan la evaluación, es decir, que no solamente se trata de comprobar lo que se aprende sino que “(…) también suele explicar por qué no se ha producido.” (Santos Guerra, 2014, p. 14). Por esa razón, la pregunta ya no es solo qué evidencia se obtiene, sino también cuán auténtica es, cuánto representa realmente el pensamiento del estudiante y qué parte del proceso fue delegada a una herramienta tecnológica. Paradójicamente, el problema no radica en que la inteligencia artificial participe del proceso de aprendizaje. De hecho, bien utilizada, puede favorecer la comprensión, ofrecer retroalimentación inmediata, estimular la creatividad y ampliar las oportunidades de aprendizaje. La dificultad aparece cuando la evaluación continúa centrándose exclusivamente en el producto final, ignorando el proceso que permitió construirlo. En esas condiciones, una respuesta impecablemente redactada deja de ser sinónimo de aprendizaje y comienza a transformarse en un indicador insuficiente para emitir un juicio pedagógico.
Frente a este escenario, diversas instituciones han optado por rediseñar sus evaluaciones para reducir la posibilidad de utilizar inteligencia artificial. Entre las estrategias más frecuentes se encuentran el retorno a exámenes presenciales supervisados, las evaluaciones orales, las presentaciones en clase, los portafolios, las tareas auténticas vinculadas al contexto profesional e incluso sistemas de evaluación híbridos que combinan distintas modalidades. Sin embargo, ninguna de estas propuestas ha demostrado constituir una solución definitiva. Como sostienen Corbin et al. (2026), cada alternativa implica ventajas y desventajas: mientras algunas fortalecen la autenticidad de los aprendizajes, otras incrementan significativamente la carga de trabajo docente, reducen oportunidades de creatividad o presentan dificultades logísticas para cursos numerosos. En consecuencia, el desafío no radica en encontrar una evaluación a prueba de IA, sino en diseñar estrategias coherentes con los propósitos formativos de cada contexto.
Solo por poner un ejemplo, una metodología que el Ministerio de Educación ha tratado de instaurar la última década ha sido el Aprendizaje Basado en Proyectos (ABP). De sus múltiples fases podría ser lógico que en la de investigación la inteligencia artificial debiese ser incorporada, dado que la búsqueda más simple en Google te da como resultado una respuesta elaborada por IA y lo que se evalúa es el pensamiento crítico y la selección de información. Del mismo modo, la planificación que deben hacer colaborativamente no deba estar mediada por la herramienta, puesto que se evalúa el trabajo en equipo, la anticipación, la organización, etc.
La idea de incorporar IA en el proceso de evaluación no se trata solamente de innovación didáctica en la sala de clases o en una manera de hacerse cargo de la alfabetización digital de nuestros estudiantes, sino en establecer y aprender a leer las oportunidades pedagógicas que puede presentar en diferentes ámbitos de integración. Sin embargo, leer esas oportunidades exige un proceso previo de desarrollo de competencias digitales docentes. No basta con conocer las herramientas disponibles; es necesario comprender qué pueden aportar, cuáles son sus limitaciones y, sobre todo, en qué momento del proceso de enseñanza y aprendizaje su incorporación agrega valor pedagógico. En otras palabras, integrar IA no consiste en usarla porque existe, sino en reconocer cuándo, cómo y para qué utilizarla. En esa línea, la UNESCO desde el año 2023, ha alentado a los docentes a fomentar:
(…) metodologías críticas para evaluar los beneficios y los riesgos de la IA, garantizando a la vez la capacidad de acción y la responsabilidad humanas, y la comprensión del impacto social de la IA y sus implicancias para la ciudadanía en la era de la IA. (UNESCO, 2025, p. 23).
El conocimiento que tienen los docentes sobre los alcances de la IA va a incidir directamente en las contribuciones pedagógicas que pueden aportar para el aprendizaje y, por lo tanto, en el proceso evaluativo. Celik (2022) hizo un aporte temprano a la materia al incorporarlo en el ya clásico modelo TPACK, la intelligence haciendo el i-TPACK manifestando que la parte ética es obligatoria con el uso de inteligencia artificial. Pero lo ético no debe ahondar en buscar la trampa o la evasión de alguna tarea hecha con un LLM, puesto que se se enfrentará a software de detección de IA, como ZeroGPT, en el que los investigadores ni los informáticos todavía tienen evidencias de tasas de acierto que avalen y justifiquen declarar un trabajo modificado o alterado por una herramienta de inteligencia artificial (Tisgaris & Teixeira, 2026). Es más, diferentes autores aciertan en presentar la transparencia en su uso como una propuesta más sólida a la hora trabajar con aplicaciones generativas de texto (Suchikova et al., 2026).
Es aquí, retomando la idea que abrió este texto, donde la dimensión actitudinal adquiere una relevancia inédita. Ya no basta con preguntarse si un estudiante sabe utilizar inteligencia artificial, sino cómo decide utilizarla. ¿La emplea para comprender mejor un contenido o para evitar el esfuerzo intelectual? ¿La utiliza para contrastar ideas, formular preguntas y mejorar sus producciones, o simplemente para reemplazar su propio razonamiento? Estas decisiones no son únicamente técnicas; son profundamente éticas y reflejan habilidades como la honestidad académica, la autonomía, la responsabilidad y el pensamiento crítico, competencias que difícilmente pueden ser sustituidas por un algoritmo. Es decir, hay que comenzar en repensar también la evaluación tradicional de contenidos y habilidades y comenzar a remirar qué se ha hecho hasta el momento con las formas de estar y ser del estudiantado; lo que es lo mismo, entender que el proceso evaluativo también es fenómeno moral.
Quizá el desafío educativo más importante que nos plantea la inteligencia artificial no sea aprender a detectarla ni prohibirla, sino aprender a evaluar aquello que ninguna herramienta puede generar por el estudiante: la calidad de sus decisiones, la intención con la que aprende y la responsabilidad con la que construye conocimiento. Tal vez la pregunta que deberíamos hacernos ya no sea “¿este trabajo fue hecho con IA?”, sino “¿qué demuestra este trabajo sobre la forma en que este estudiante aprendió?”. Y responder esa pregunta también implica que el profesorado sea capaz de reconocer en qué momentos la IA potencia el aprendizaje y en cuáles resulta innecesaria o incluso contraproducente. Integrarla con sentido pedagógico exige, precisamente, esa capacidad de leer las oportunidades que ofrece cada etapa del proceso educativo.
Referencias
Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers' professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468
Corbin, T., Bearman, M., Boud, D., & Dawson, P. (2026). The wicked problem of AI and assessment. Assessment & Evaluation in Higher Education, 51(4), 736–752. https://doi.org/10.1080/02602938.2025.2553340
Santos Guerra, M. A. (2014). La evaluación como aprendizaje: cuando la flecha impacta en la diana. (2.ª ed.). Narcea.
Sevilla Muñoz, T. C., & Barrios Aquise, M. (2024). Actitudes de los estudiantes de educación básica hacia la inteligencia artificial: Una adaptación. Revista InveCom: Estudios Transdisciplinarios en Comunicación y Sociedad, 4(2). https://doi.org/10.5281/zenodo.10612162
Suchikova, Y., Tsybuliak, N., Teixeira da Silva, J. A., & Nazarovets, S. (2026). GAIDeT (Generative AI Delegation Taxonomy): A taxonomy for humans to delegate tasks to generative artificial intelligence in scientific research and publishing. Accountability in Research, 33(3). https://doi.org/10.1080/08989621.2025.2544331
UNESCO. (2025). Marco de competencias de IA para docentes (L. Pavón, Trad.). https://doi.org/10.54675/AQKZ9414
