INTRODUCCION
Definición
La inteligencia artificial (IA) es un campo interdisciplinar de las ciencias de la computación que estudia el diseño, desarrollo y aplicación de sistemas capaces de realizar tareas que, si fueran ejecutadas por seres humanos, requerirían el uso de capacidades cognitivas como el razonamiento, la planificación, el aprendizaje, la comprensión del lenguaje, la percepción del entorno o la toma de decisiones.
A diferencia de los programas tradicionales, que siguen instrucciones predefinidas, muchos sistemas de IA actuales están diseñados para adaptarse a nuevas situaciones mediante el análisis de grandes volúmenes de datos. Este tipo de aprendizaje, denominado aprendizaje automático (machine learning), permite a las máquinas reconocer patrones complejos, mejorar su rendimiento con la experiencia y, en algunos casos, generar contenido de manera autónoma (como imágenes, textos o música).
La IA combina conocimientos procedentes de diversas disciplinas, como la lógica, la estadística, la lingüística, la filosofía y la neurociencia, y tiene múltiples aplicaciones en sectores tan diversos como la medicina, la educación, el transporte, la industria o los servicios digitales.
Más allá de su dimensión técnica, el desarrollo y uso de la inteligencia artificial plantea interrogantes éticos, sociales y educativos, especialmente en lo relativo a la toma de decisiones automatizadas, la transparencia de los algoritmos, el tratamiento de los datos y el impacto sobre el trabajo humano, la equidad y la privacidad.
2.1. El test de Turing
Una forma clásica de conceptualizar la IA fue propuesta por Alan Turing en 1950 mediante su famoso "Test de Turing". Esta prueba plantea un criterio para determinar si una máquina puede exhibir un comportamiento inteligente comparable al humano.
En el test, un evaluador humano mantiene conversaciones por escrito con dos participantes ocultos: un humano y una máquina. Según los criterios originales, la prueba se considera superada si la máquina logra convencer al evaluador, durante al menos el 70% del tiempo (aproximadamente 3,5 minutos), de que está interactuando con una persona real. De lo contrario, se determina que la máquina no ha superado el desafío.
No fue hasta 2014 cuando una IA llamada "Eugene Goostman", que simulaba ser un niño de 13 años, logró engañar al 33% de los jueces. Como el umbral establecido era del 30%, se consideró que la prueba había sido superada por primera vez.
En 2022, ChatGPT se convirtió en la segunda IA en superar oficialmente el test.
Un estudio de la Universidad de Stanford realizó el test de Turing a un GPT4 y aseguraba que el modelo mostraba rasgos de comportamiento y personalidad que son estadísticamente indistinguibles de un humano aleatorio de entre decenas de miles de sujetos humanos de más de 50 países. En otra investigación de la Universidad de California , el 54% de los interlocutores pensaron que GPT-4 eran humano después de una conversación de cinco minutos.
.png)
2.2. El experimento de la habitación china
En el contexto de la inteligencia artificial y como respuesta al Test de Turing, el filósofo John Searle propuso en 1980 el famoso experimento mental conocido como "La Habitación China".
En este experimento, Searle imagina a una persona encerrada en una habitación con un gran libro de reglas. Esta persona, que no sabe nada de chino, recibe mensajes escritos en caracteres chinos a través de una ranura. Siguiendo meticulosamente las instrucciones del libro, que le indica qué símbolos escribir en respuesta a los símbolos recibidos, la persona devuelve respuestas en perfecto chino a través de otra ranura.
Desde el exterior, parecería que quien está dentro comprende chino perfectamente —pasaría un "Test de Turing" para el idioma chino— pero en realidad, la persona simplemente manipula símbolos sin entender su significado.
El argumento de Searle es que esto refleja exactamente lo que hacen los sistemas de IA: pueden procesar símbolos y generar respuestas aparentemente inteligentes siguiendo reglas programadas, pero carecen de verdadera comprensión o consciencia. En otras palabras, una máquina podría superar el Test de Turing sin realmente "entender" nada, solo manipulando símbolos según reglas establecidas.
Este experimento sigue siendo central en los debates filosóficos sobre si la IA puede desarrollar una genuina comprensión o si simplemente simula la inteligencia mediante el procesamiento de patrones.
2.3. Tipos de IA
Actualmente, podemos categorizar la Inteligencia Artificial en tres grandes niveles según su alcance y capacidades, cada uno representando un escalón en la evolución de estos sistemas inteligentes.
Inteligencia Artificial Estrecha (ANI)
También conocida como IA Débil o Narrow AI, la Inteligencia Artificial Estrecha se refiere a sistemas diseñados y entrenados para tareas específicas. Estos sistemas son excelentes en su dominio particular, pero no poseen capacidades generales de razonamiento fuera de su área designada.
Ejemplos incluyen asistentes virtuales como Siri o Alexa, sistemas de reconocimiento facial, algoritmos de recomendación en plataformas como Netflix o Spotify, y programas de ajedrez como Deep Blue. Toda la IA que experimentamos actualmente pertenece a esta categoría.
Inteligencia Artificial General (AGI)
La Inteligencia Artificial General, también llamada IA Fuerte o Strong AI, describe sistemas hipotéticos con la capacidad de comprender, aprender y aplicar conocimientos a través de múltiples dominios, equiparables a la inteligencia humana.
Un sistema AGI podría realizar cualquier tarea intelectual que un ser humano pueda hacer, incluyendo aprender de la experiencia, razonar abstractamente, planificar a futuro y adaptarse a nuevos entornos.
Hace solo un año se decía que la IA General quizá podría llegar entre 2030 y 2045. Sin embargo, actualmente se comenta que es posible ver los primeros indicios de una AGI antes a final de 2025 o en 2026. Sam Altman, CEO de OpenAI, ha declarado recientemente que ya tienen una hoja de ruta para alcanzar la AGI. Elon Musk dice que llegará en breve; Dario Amodei, CEO de Anthropic, asegura que podremos ver opciones en 2026 o en 2027. Otros grandes miembros de corporaciones como Mustafá Suleyman, director de Microsoft AI; y Jensen Huang, director general de NVIDIA, lo retrasan unos años más, pero ya parece que todo el mundo tiene claro que llegar, llegará.
Superinteligencia Artificial (ASI).
La Superinteligencia Artificial representaría sistemas que superan significativamente la inteligencia humana en prácticamente todos los campos, desde la creatividad hasta el razonamiento científico. Como propuso el filósofo Nick Bostrom, una ASI podría desarrollar capacidades más allá de nuestra comprensión actual, potencialmente revolucionando campos como la medicina, la física o la tecnología a un ritmo acelerado. Este concepto permanece en el ámbito de la especulación y la ciencia ficción, con debates éticos significativos sobre sus potenciales implicaciones.
2.4. La inteligencia artificial generativa.
La Inteligencia Artificial Generativa representa una categoría especializada dentro de la IA que se centra en la capacidad de crear contenido nuevo, en lugar de simplemente analizar o clasificar información existente. Estos sistemas utilizan algoritmos avanzados, principalmente basados en arquitecturas de redes neuronales profundas, para generar contenido original que mantiene características similares a los datos con los que han sido entrenados.
A diferencia de los sistemas de IA tradicionales que siguen reglas explícitas o toman decisiones basadas en patrones identificados, los modelos generativos aprenden las distribuciones probabilísticas subyacentes en los datos de entrenamiento para luego producir nuevos ejemplos que podrían pertenecer a esa misma distribución.
El funcionamiento de la IA generativa se basa principalmente en dos componentes:
Aprendizaje de patrones: durante la fase de entrenamiento, estos modelos son expuestos a enormes cantidades de datos (textos, imágenes, sonidos, etc.) de los cuales aprenden patrones, estructuras y características.
Generación de contenido: una vez entrenados, pueden crear nuevos contenidos que comparten similitudes estructurales con los datos originales, pero sin ser copias exactas.
La IA generativa representa uno de los avances más significativos en el campo de la inteligencia artificial, con el potencial de redefinir nuestra relación con la tecnología y los procesos creativos. A medida que estas herramientas continúan evolucionando, será crucial desarrollar marcos éticos y regulatorios que maximicen sus beneficios mientras mitigan sus riesgos potenciales.
2.5 FUNCIONALIDADES (INVESTIGACION PROFUNDA)
La inteligencia artificial conversacional ha ido evolucionando en lo largo del tiempo dando lugar a nuevas funcionalidades.
Los primeros modelos de inteligencia artificial conversacional que se popularizaron fueron los denominados chatbots. Su funcionamiento es sencillo: el usuario escribe una entrada, y la IA genera una respuesta casi inmediata. Están diseñados para mantener una conversación fluida, resolver dudas básicas o simular interacciones naturales en tiempo real. Son eficaces en tareas de asistencia rápida, orientación general o respuestas repetitivas. Si ya has probado ChatGPT o cualquier otra IA, casi con toda seguridad lo has hecho a través de un chatbot, ya que es la opción que aparece por defecto en la mayoría de los modelos.
Con los avances recientes, han aparecido nuevas funcionalidades que amplían significativamente las posibilidades de uso educativo y profesional de estas herramientas. Actualmente, además de los chatbots, encontramos modelos con capacidades más sofisticadas, como los razonadores y los investigadores profundos.
Razonadores: están diseñados para llevar a cabo procesos de análisis más elaborados. Son capaces de estructurar ideas, comparar conceptos, generar textos complejos y sostener argumentos con coherencia. Se utilizan, por ejemplo, para redactar ensayos, resolver problemas lógicos, diseñar actividades didácticas o analizar situaciones desde distintos enfoques. Su capacidad va más allá de la respuesta inmediata: razonan antes de contestar, y en ocasiones pueden tardar hasta unos minutos en darnos la respuesta. Y además, ¡podemos ver esa cadena de razonamiento! Si nos imaginamos el ejemplo de la habitación china, podríamos decir que en este caso al persona que está dentro tendría más libros y más tiempo para consultar su respuesta, y además podríamos ver lo que hace a través de una pared transparentes
Investigación profunda (Deep Research): es como si tuvieras un investigador automático, capaz de navegar por Internet, analizar múltiples fuentes y generar informes detallados sobre temas específicos. Su funcionalidad es revisar la red y ahorrarnos horas de trabajo de búsqueda. A diferencia de los modelos estándar que responden basándose en datos preexistentes, Deep Research puede acceder a información actualizada en tiempo real, interpretar contenido textual y visual, y elaborar informes estructurados con referencias a las fuentes consultadas. Este proceso puede tardar entre 5 y 30 minutos, dependiendo de la complejidad del tema.
Esta evolución permite seleccionar el modelo más adecuado según el tipo de tarea que se desee realizar, optimizando así el uso de la inteligencia artificial en el entorno educativo y profesional.
La importancia de elegir el modelo adecuado.
Es fundamental distinguir entre estas tres opciones —chatbot, razonador e investigador profundo— porque cada una responde a necesidades distintas. Esta distinción será especialmente relevante cuando, en el módulo 2 del curso, comencemos a trabajar de forma práctica con las IA conversacionales.
En función del tipo de contenido que deseemos generar (una explicación breve, un texto argumentativo o una síntesis documentada), nos convendrá elegir un modelo u otro. Esta elección consciente nos permitirá aprovechar mejor el potencial de la herramienta, optimizar tiempos y obtener resultados más precisos y útiles para nuestro contexto educativo o profesional.
Cuándo conviene usar un razonador en educación
Los modelos de inteligencia artificial con capacidad de razonamiento avanzado (razonadores) son especialmente útiles en situaciones educativas que requieren procesos cognitivos de orden superior, como el análisis, la síntesis, la argumentación o la toma de decisiones fundamentadas.
A diferencia del chatbot, que responde de forma rápida y directa, el razonador no se limita a ofrecer información, sino que la procesa, organiza y desarrolla en función del objetivo propuesto. Por ello, es recomendable utilizarlo cuando el docente o el alumnado necesiten una elaboración más estructurada y reflexiva de los contenidos.
Situaciones en las que conviene utilizar un razonador:
Diseño de tareas compleja.
Ejemplo: generar una secuencia didáctica para trabajar el pensamiento crítico a partir de fuentes históricas diversas.
Análisis comparativo de conceptos.
Ejemplo: comparar el feudalismo europeo con las estructuras sociales en el Japón medieval, destacando semejanzas y diferencias.
Redacción de textos argumentativos o ensayísticos.
Ejemplo: elaborar un ensayo sobre los riesgos y beneficios del uso de IA en la educación.
Resolución de problemas con explicación razonada.
Ejemplo: explicar paso a paso cómo resolver un problema matemático aplicando razonamiento lógico.
Elaboración de rúbricas, criterios o justificaciones pedagógicas.
Ejemplo: crear una rúbrica para evaluar trabajos de investigación en 4.º de ESO, con justificación de cada indicador.
Interpretación de textos complejos o fragmentos literarios.
Ejemplo: analizar un poema de la Generación del 27 desde una perspectiva temática y estilística.
El razonador es especialmente valioso cuando se espera que la IA piense antes de responder, y no simplemente que responda. Utilizar esta funcionalidad permite obtener propuestas más ricas, coherentes y adaptadas a un nivel de profundidad acorde al trabajo educativo.
Cuándo conviene usar la funcionalidad de Deep Research en educación.
Deep Research es especialmente útil para:
Preparación de clases con contenido reciente, por ejemplo avances científicos, novedades legislativas o contextos sociales en evolución.
Elaboración de informes o materiales didácticos con base documental contrastada.
Desarrollo de investigación: se puede utilizar Deep Research para recopilar datos de múltiples fuentes y usarlos como base para nuestros trabajos, artículo o proyectos de restauración.
Deep Research es una herramienta especialmente valiosa cuando se busca ir más allá de una respuesta directa y se necesita construir conocimiento a partir de múltiples fuentes, con perspectiva y profundidad.
1.2. IA en educación
1. La IA Generativa en educación
La adopción de la inteligencia artificial generativa, basada en modelos de lenguaje cada vez más avanzados, se ha convertido en una realidad tangible que está transformando el mundo de la enseñanza y el aprendizaje. Después de unos primeros años de experimentación, la comunidad educativa se beneficia de las posibilidades que ofrecen estas herramientas para personalizar, adaptar y enriquecer los procesos formativos.
Durante décadas, los docentes han tenido dificultades, faltas de medios y de tiempo para poder abarcar de forma extensiva la creación de recursos personalizados, y aplicar adaptaciones curriculares a clases diversas con variadas necesidades o ritmos de aprendizaje. En este contexto, la IA generativa surge como un recurso valioso para impulsar opciones que ayuden a desarrollar una enseñanza más personalizada y adaptativa.
Estos modelos generativos permiten crear recursos y materiales a la medida de cada grupo o alumno, ajustando el nivel de complejidad o extensión en función de sus necesidades. Y además, hacerlo de forma fácil y rápida, facilitando el trabajo docente.
El beneficio más inmediato para el profesorado radica en la optimización de su tiempo. La creación asistida de ejercicios, cuestionarios y guías facilita el diseño de materiales educativos de alta calidad de forma rápida y eficaz, dejando más margen para la interacción directa con el alumnado.
La retroalimentación además se vuelve más ágil, ya que la IA generativa puede analizar respuestas y facilitar la resolución de dudas, lo que ayuda a detectar fortalezas y debilidades de forma inmediata, permitiendo al docente intervenir con orientaciones muy personalizadas.
Sin embargo, esta tecnología también plantea retos que no deben ignorarse. La calidad y fiabilidad de la información generada sigue siendo un punto clave: aunque los modelos de lenguaje han mejorado notablemente, no están exentos de ofrecer resultados imprecisos o sesgados. Es fundamental que el profesorado valide el contenido y supervise su adecuada integración en la dinámica del aula. La protección de datos y la privacidad también cobra relevancia cuando se trata de analizar el progreso de cada estudiante, ya que se manejan datos sensibles que requieren un tratamiento responsable.
Por último, la formación docente resulta esencial para que quienes enseñan puedan entender, seleccionar y utilizar con acierto estas herramientas, integrándolas de manera coherente con sus estrategias pedagógicas.
En definitiva, la IA generativa aplicada de forma ética y consciente, representa un apoyo cada vez más sólido para lograr una educación más significativa y acorde con las necesidades de cada estudiante. El potencial de esta tecnología para generar contenidos, analizar el rendimiento individual y ofrecer retroalimentación instantánea es un paso hacia la transformación de la enseñanza, siempre y cuando se acompañe de una visión pedagógica clara, un valor diferencial del componente humano y de un compromiso con el bienestar integral de quienes aprenden.

Video generado con herramientas de IA.
1. La IA Generativa en educación
1.1. Utilidades de la IA Generativa
El potencial a medio plazo de la IA en la educación es muy amplio, y actualmente ya se dispone de variedad de herramientas para facilitar la creación y personalización de recursos para sus estudiantes.
Algunas de las utilidades actúales de la IA generativa en docencia son:
- Creación de contenido textual:
Creación de contenido: la IA puede ayudar al profesorado a generar contenidos base sobre su materia que, una vez revisados, adecuados y personalizados, se pueden aplicar para su uso con el alumnado.
Optimización de texto: los modelos de lenguaje pueden corregir gramaticalmente un texto; reescribirlo en otro formato o con otras palabras; generar listas a partir de esa información, etc...
Adaptación de contenido: a partir de un contenido base, la IA puede ampliarlo, resumirlo o personalizarlo para determinados niveles educativos o necesidades concretas.
Material adicional: a través de la IA se puede complementar de forma rápido un tema generando material adicional. Se podrían usar modelos de lenguaje para textos complementarios, clarificar dudas frecuentes o crear contenido para el desarrollo de paisajes de aprendizaje relacionados con ese tema.
Creación de escenarios o casos de estudio: los docentes pueden diseñar escenarios o casos que los estudiantes deben resolver, discutir o analizar: la IA basada en texto puede ayudar a elaborar guiones para presentaciones, videos o podcasts
Ejemplificación: al enseñar conceptos abstractos, el docente puede pedir a la IA que genere ejemplos concretos o anécdotas que faciliten la comprensión.
Autoevaluaciones y exámenes: la IA generativa puede ayudar a crear preguntas y ejercicios de prueba, asegurando variedad y ofreciendo nuevas ideas o recursos al cuerpo docente.
- Generación de Imágenes y gráficos:
Ilustraciones personalizadas: en lugar de depender exclusivamente de imágenes genéricas de bancos de fotos, la IA generativa visual puede crear ilustraciones adaptadas al contenido específico que se esté enseñando.
Diagramas y gráficos: algunas herramientas de IA permiten la generación o adaptación de diagramas basados en descripciones textuales, lo que puede ser útil para visualizar conceptos complejos.
- Creación y edición de videos:
Videos explicativos: algunas herramientas de IA permiten la creación de videos basados en texto. Un docente a partir de cualquier texto puede realizar un video animado de manera automática.
Edición automática: sobre un video base algunas herramientas de IA pueden ayudar a su edición.
- Creación y edición de presentaciones:
Presentaciones automáticas a través de herramientas de IA se pueden generar presentaciones completas simplemente indicando el tema a tratar. La IA propondrá un texto, seleccionará las imágenes y creará las transiciones.
Diseño automático: en función del contenido ingresado la IA generará las diferentes diapositivas con imágenes y transiciones.
- Contenidos para aula invertida: a través de la IA es sencillo y rápido generar contenidos que el alumnado puede usar en los modelos de flipped classroom.
- Estimulación creativa: en materias como literatura o arte, se puede usar la IA generativa para proponer ejercicios creativos. Por ejemplo, generar comienzos de historias que los estudiantes deben completar, o proponer temas y estilos para elaborar ilustraciones que se basen en los trabajos de determinados artistas.
- Inspiración e ideas: la IA puede aportar a los docentes ideas e inspiración para crear contenidos, enfoques nuevos o utilidades a aplicar en su docencia.
Si bien el potencial a medio plazo de la IA en la educación es mucho mayor, estas herramientas pueden ya hoy ser de gran ayuda para los docentes en su labor diaria, permitiendo la creación de materiales más variados y personalizados y ahorrando tiempo en tareas rutinarias.
2. Modelo 80/20
El modelo 80/20 : equilibrando eficiencia y calidad humana.
La irrupción de la inteligencia artificial en los flujos de trabajo contemporáneos ha transformado radicalmente nuestra manera de crear, analizar y procesar información. En este contexto, el modelo 80/20 emerge como un paradigma especialmente valioso para aprovechar al máximo el potencial de la IA sin sacrificar la calidad y el rigor que solo la supervisión humana puede garantizar.
La sinergia IA-humano: un nuevo paradigma.
La premisa fundamental del modelo 80/20 aplicado a la IA establece que aproximadamente el 80% del trabajo puede ser facilitado por herramientas de inteligencia artificial, mientras que el 20% restante requiere intervención humana, crítica para que el resultado final sea realmente valioso. Esta distribución no es arbitraria, sino que refleja un equilibrio óptimo entre automatización y criterio humano.
El 80% potenciado por la IA.
En la parte automatizada del proceso, la IA demuestra su valor inigualable en diversas tareas:
Procesamiento de grandes volúmenes de datos con una velocidad imposible para el cerebro humano.
Generación de borradores y contenido inicial que sirven como punto de partida sólido.
Búsqueda y síntesis de información de múltiples fuentes.
Traducción y adaptación de contenidos a diferentes formatos o audiencias.
Análisis de patrones y tendencias en conjuntos complejos de datos.
Automatización de tareas repetitivas que consumirían tiempo valioso.
La IA proporciona así un andamiaje robusto que potencia enormemente nuestra productividad, permitiéndonos avanzar con rapidez donde antes habríamos invertido horas o incluso días.
El crítico 20% humano.
Sin embargo, ese 20% de intervención humana resulta absolutamente insustituible para garantizar que el resultado final sea:
Preciso: verificando hechos, datos y afirmaciones generadas por la IA.
Contextualizado: ajustando la información a las necesidades específicas de cada situación.
Ético: asegurando que el contenido respete principios morales y valores humanos.
Original: aportando perspectivas innovadoras que trasciendan lo que la IA puede derivar de datos existentes.
Significativo: conectando el contenido con experiencias de la persona que supervisa ese contenido y lo adapta a necesidades humanas auténticas.
Este tiempo dedicado a la revisión crítica, complementación y refinamiento representa la diferencia entre un trabajo mediocre y uno de auténtica calidad.
Implementación efectiva del modelo 80/20.
Para implementar eficazmente este modelo en flujos de trabajo con IA:
Define claramente los objetivos antes de involucrar a la IA, estableciendo parámetros precisos. Esto es intervente para partir de tus propias ideas y mejorar la calidad del resultado.
Utiliza la IA para el trabajo inicial de investigación, generación y organización.
Reserva tiempo dedicado exclusivamente a la revisión humana crítica.
Desarrolla protocolos de verificación para áreas comunes donde la IA pueda fallar.
Mantén un enfoque iterativo, donde la IA y la supervisión humana se retroalimenten.
Beneficios del enfoque 80/20.
Esta metodología ofrece ventajas sustanciales: Eficiencia optimizada sin sacrificar calidad.
Reducción de errores al combinar las fortalezas de la IA con el juicio humano.
Mayor creatividad al liberar recursos cognitivos para tareas de mayor valor.
Resultados más relevantes y adaptados a necesidades específicas.
Desarrollo continuo de habilidades críticas en humanos, evitando la dependencia total de la IA.
Beneficios educativos del modelo 80/20.
La aplicación adecuada de este enfoque puede conducir a:Mayor personalización del aprendizaje sin aumentar la carga docente.
Atención más individualizada al liberar tiempo para la interacción directa.
Desarrollo de competencias digitales tanto en docentes como en estudiantes.
Mejora en la equidad educativa al facilitar recursos adaptados a diversas necesidades.
Actualización continua de contenidos aprovechando las capacidades de la IA.
El modelo 80/20 para trabajar con IA no es, por tanto, una simple distribución de tiempo o esfuerzo, sino una filosofía de creación de contenidos que reconoce tanto el extraordinario potencial de la tecnología como los valores insustituibles que aporta la intervención humana. En este paradigma, la IA actúa como un asistente sofisticado que amplifica las capacidades docentes, mientras que el componente humano aporta la perspectiva crítica, ética y emocional que da sentido y propósito al proceso educativo.
En la intersección de ambos es donde encontramos los resultados verdaderamente transformadores.
2. Modelo 80/20
2.1. Revisiones y optimizaciones
Como se ha comentado, el uso de la IA no debe en eliminar por procesos de revisión y adaptación humana, cruciales para garantizar la calidad y relevancia del contenido en el aula. Utilizar la IA como una herramienta de apoyo a la docencia es una buena opción; pero usarla sin una revisión y verificación por parte del docente entraña problemas.
Los educadores deben tener en cuenta una serie de elementos al emplear la IA:
Revisión de exactitud: aunque los modelos de IA suelen ser precisos, pueden generar información incorrecta, no adecuada para un determinado contexto o incompleta. Es crucial que el docente revise y verifique la información antes de compartirla con los estudiantes, para asegurar que está alineada con las fuentes académicas o curriculares de referencia.
Identificación de sesgos: los modelos de IA se entrenan con grandes cantidades de datos, pero pueden reproducir los sesgos o prejuicios presentes en esos datos. El cuerpo educativo debe ser crítico con el contenido generado y estar alerta ante posibles sesgos o perspectivas unilaterales con el fin de crear contenidos equilibrados y con variedad de perspectivas, si el tema lo precisa.
Propiedad intelectual: es importante ser conscientes de que algunos contenidos generados por la IA pueden basarse en fuentes protegidas por derechos de autor. Comprobar que los contenidos no infringen los derechos de autor, solicitar a la IA que identifique las fuentes utilizadas o usar herramientas de IA basadas en fuentes puede ser una buena opción a la hora de generar contenidos.
Contenidos muy específicos: aunque la IA procesa alta cantidad de datos, no siempre tiene información para ofrecer información de cos contenidos asociados a contextos muy concretos, utilizando paralelos para dar respuestas que no siempre serán del todo precisas. En estos casos la revisión de la información es de mayor importancia para asegurar la veracidad del contenido.
Contextos locales: lo que funciona en un contexto educativo o cultural puede no ser apropiado o relevante en otro. Es crucial adaptar y revisar el contenido generado por la IA para garantizar que sea culturalmente apropiado y relevante para el contexto educativo específico.
Hay que recordar siempre que es esencial llevar a cabo una revisión exhaustiva de los contenidos generados por IA para garantizar que la información sea adecuada, precisa y alineada con los objetivos de aprendizaje.
2. Modelo 80/20
2.2. Criterios
Usar la inteligencia artificial en educación no es cuestión de delegar, sino de acompañar con criterio. Como docentes, no basta con saber “qué puede hacer”, sino discernir cuándo conviene usarla, por qué y con qué propósito. Ahí es donde entran en juego las buenas prácticas, no como normas rígidas, sino como marcos de sentido que nos ayudan a educar con responsabilidad.
Una buena práctica, por ejemplo, es verificar siempre la información que la IA nos ofrece. Puede ser brillante al redactar una unidad didáctica o sugerir una actividad, pero si no contrastamos su contenido, corremos el riesgo de reproducir errores sin darnos cuenta.
Además, cuando trabajamos con un alumnado que ya aplica la IA, conviene enseñar a utilizar estas herramientas como punto de partida, no como resultado final. Que sirvan para explorar, plantear hipótesis, generar ideas, pero no para sustituir el proceso de pensamiento propio ni las redacciones finales. La IA no debe convertirse en una muleta que atrofie la reflexión, sino en una herramienta que, bien utilizada, puede estimularla.
Y hay algo más: la IA aprende de datos. Y esos datos, en muchos casos, no nos representan del todo. No siempre incluyen diversidad cultural, enfoques pedagógicos alternativos o realidades locales. Por eso es tan importante que, como profesionales de la educación, participemos activamente en este proceso. No sólo usando la IA, sino moldeando su uso desde una mirada crítica y pedagógica.
Este curso no pretende dar recetas cerradas, sino abrir caminos. Conocer las posibilidades, explorar los límites y, sobre todo, colocar nuestra voz docente en el centro del uso educativo de la inteligencia artificial.
Porque la tecnología avanza, pero el criterio lo tenemos que seguir poniendo nosotros.
Cómic de idea original humana. Imágenes hechas con ChatGPT imágenes. Edición en Canva.
Uno de los retos actuales vinculados al uso de la inteligencia artificial es la creciente dificultad para distinguir entre los contenidos generados por personas y aquellos creados por sistemas automatizados.
Herramientas basadas en IA pueden producir textos, imágenes o incluso sonidos con un alto grado de realismo, lo que plantea nuevas preguntas sobre la autoría, la veracidad y la interpretación de la información.
Antes de abordar estos aspectos en profundidad, este ejercicio propone una primera toma de contacto con este fenómeno: se trata de observar, comparar y reflexionar.
IMPORTANTE: no se busca identificar con exactitud qué ha sido generado por una IA, sino explorar hasta qué punto somos capaces de percibir diferencias, qué criterios utilizamos y qué dudas surgen en el proceso. Esta actividad servirá como punto de partida para abrir el debate y compartir impresiones.
De los siguientes textos, ¿reconocerías cuáles estarían hechos por IA? Anota tus resultados y comparte tu opinión en el foro.
En las siguientes imágenes, ¿podrías reconocer las hechas con IA?


No hay comentarios:
Publicar un comentario
Nota: solo los miembros de este blog pueden publicar comentarios.