Educación en artes, diseño y medios

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Educación en artes, diseño y medios — las disciplinas de taller y de escenario en las que se aprende haciendo: arquitectura y diseño espacial, diseño de interiores, interpretación musical, composición y análisis, arte visual y generación de imágenes, medios digitales y narrativa digital, y tecnología escénica y de espectáculos. En los artículos de esta base de conocimiento, las preguntas recurrentes son si la IA generativa erosiona el oficio y el desarrollo de habilidades o los desplaza a un nivel superior, cómo cambian la crítica y la evaluación del trabajo creativo cuando un artefacto pulido es barato de producir, cuánto de cada disciplina descansa en la práctica corporeizada y material, y quién queda incluido cuando las herramientas creativas se vuelven generativas. La cobertura se concentra en la educación superior y en estudios de un solo taller o un solo curso, así que la mayoría de los hallazgos que siguen son evidencia de caso y no afirmaciones sobre toda una disciplina.

Preguntas para reflexionar

• En un estudio de taller de arquitectura, los equipos que usaron un flujo de trabajo de IA generativa más realidad extendida informaron de menos confianza en su propia capacidad de diseño después, y quienes evaluaron a ciegas puntuaron sus presentaciones igual o peor que las de un grupo de control. ¿Qué necesitaría saber antes de concluir que las herramientas perjudicaron el aprendizaje, y qué le llevaría a concluirlo de todos modos?
• La enseñanza de taller siempre se ha apoyado en la crítica y en el proceso visible: bocetos, maquetas, iteraciones sucesivas. Si un estudiante puede producir una imagen de aspecto acabado en un minuto, ¿qué debería examinar realmente la crítica?
• En un trabajo final de narrativa digital basado en proyectos, las ideas del estudiantado se valoraron como más originales de lo que resultaron de coherentes sus obras acabadas. ¿Dónde está realmente el aprendizaje difícil: en generar ideas o en integrarlas?
• Una revisión sobre educación musical distingue los generadores autónomos como Suno y Udio de los asistentes de composición interactivos como el Continuator, y sostiene que solo los segundos son educativamente productivos. ¿Está de acuerdo, y cuál es su criterio para la distinción?
• Se describe a los diseñadores de Malasia como personas que pasan de ser generadoras primarias de formas a curadoras críticas de la salida de la máquina. Si ese es el destino, ¿qué debería enseñar primero un curso de diseño de primer año?
• Los intérpretes de cuerda ciegos y con baja visión aprenden el arco por el tacto y la propiocepción, porque la demostración visual no está a su disposición. ¿Qué implica eso para los sistemas de retroalimentación en las artes que recurren por defecto a una pantalla?

Introducción

Lo que estas disciplinas comparten es el taller o la sala de ensayo como lugar del aprendizaje, con un artefacto producido y el proceso que hay detrás como objeto de evaluación. La IA entra de varias formas: un generador de imágenes en el taller de arquitectura y diseño de interiores, una herramienta de composición y análisis en música, un socio espacial dentro de entornos inmersivos, un calificador automático de análisis escritos y —en la iluminación escénica— una ayuda orientada al docente que convierte la intención pedagógica hablada en demostraciones ejecutables. Las secciones siguientes recorren lo que informan los estudios y después extraen las preguntas transversales de oficio, evaluación y acceso.

Esta página es el hogar disciplinar de las materias de taller y de artes escénicas, y es más estrecha que sus vecinas. La IA educativa específica de cada disciplina sostiene el argumento general de que la investigación sobre IA en la educación debe ser consciente del dominio en todas las asignaturas; esta página trata de lo que es específico del hacer. La creatividad cubre el constructo cognitivo allí donde aparece —el pensamiento divergente, el riesgo de homogeneización de la asistencia con un único modelo, la protección del acto generativo de quien aprende—, incluso en matemáticas y en la programación creativa; esta página cubre las disciplinas en las que la producción creativa es el currículo. El pensamiento de diseño cubre la ideación y el encuadre de problemas centrado en las personas como pedagogía general; esta página cubre los talleres donde ese proceso se enseña, se supervisa y se juzga. La educación en humanidades y ciencias sociales trata la interpretación, la autoría y la argumentación en campos centrados en el texto y enumera las artes entre sus áreas constitutivas; aquí las artes y los medios se sacan de ese marco interpretativo y se centran en la práctica material, espacial, sonora y performativa. La educación en diseño separa de este mismo territorio la mitad profesional: esta página abarca los talleres y las artes escénicas cuyo rasgo compartido es el hacer, mientras que la educación en diseño sigue la trayectoria formativa más estrecha de quienes diseñan productos, servicios, interacciones, interiores y arquitectura —evaluación por portafolio, expectativas de acreditación, empleabilidad— y trata el proceso de taller detrás de un artefacto, y no el artefacto mismo, como objeto de evaluación.

Pedagogía de taller y la crítica bajo la IA generativa

Las herramientas generativas llegan a estas disciplinas a través de un ritual ya existente: trabajo hecho en público, mostrado incompleto y criticado. Lo que muestran las fuentes es que la IA cambia el medio de ese proceso de forma más fiable y los extremos menos. En el estudio GenARch, Xiao et al. (2026) introdujeron un flujo de trabajo de IA generativa más realidad extendida multiusuario en un taller real de diseño arquitectónico de grado y encontraron una división complementaria del trabajo: la IA generativa externalizaba las ideas, dando a los equipos algo concreto que señalar, comparar y discutir, mientras que la realidad extendida apoyaba la evaluación, permitiendo al estudiantado juzgar proporción, adyacencia, iluminación y contexto del sitio a escala real.

La herramienta era torpe en ambos extremos del proceso. Al principio, los equipos aún no tenían ideas que codificar en un prompt; más tarde, los conceptos más ricos facilitaban la ingeniería de prompts pero elevaban las expectativas de seguimiento de restricciones, y cuando la precisión importaba el estudiantado volvía a SketchUp y Revit. Informaron de un fallo de fidelidad dimensional —«le pedí que hiciera una pared de 10 pies de un modelo 3D y no medía 10 pies»—, de una latencia de activos de segundos a minutos y de una atención compartida que se desviaba cuando los miembros del equipo miraban partes distintas de un modelo. Dar un visor a cada participante no produjo por sí solo una colaboración coordinada.

Las responsabilidades del taller sí cambiaron. En un estudio longitudinal sobre modelos generativos en talleres de diseño, Gül et al. (2026) distinguen el uso de la IA generativa como estímulo visual en la ideación temprana de un uso combinatorio que amplía el espacio de soluciones durante el desarrollo, y sitúan el problema pedagógico en la competencia y no en el acceso: sin el discernimiento para diferenciar entre modelos y usarlos deliberadamente, la abundancia de salida produce fijación en el diseño y bloqueo estético. Su conclusión desplaza el rol docente de transmitir el oficio hacia acompañar cuándo, cómo y por qué delegar la exploración creativa.

Arquitectura, diseño espacial y diseño de interiores

Un estudio de grupos focales en Derby da al taller un resultado más favorable. Kapsalis (2026) reunió a dos grupos de ocho estudiantes de arquitectura de niveles 3 a 5 en una sesión de 90 minutos con un flujo de trabajo de generación y edición de imágenes ejecutado localmente y ajustado finamente para interiores residenciales. El estudiantado produjo unas 80 imágenes por sesión, unas diez cada uno, con tasas de aceptación superiores al 60%. La generación de ideas (4,5) y la experimentación (4,2) autoinformadas obtuvieron las puntuaciones más altas en la subescala creativa, mientras que el refinamiento de las decisiones finales (3,7) recibió un apoyo menos uniforme: parte del estudiantado encontró que la herramienta sacaba a la luz combinaciones no consideradas, y otra parte, que distraía con detalles que no encajaban con el concepto. El autor lo enmarca como un «micromundo» construccionista que amplía el espacio de búsqueda creativa sin sustituir el pensamiento de diseño, y señala evidencia de encuesta según la cual casi el 70% del estudiantado de arquitectura ya usa herramientas de IA por su cuenta mientras más del 95% declara no haber recibido formación en IA formal.

El diseño de interiores plantea la cuestión de la formación profesional con más nitidez. Syed Abdul Rahman (2026) describe a los diseñadores malasios desplazándose de generadores primarios de formas hacia mediadores críticos y curadores de la salida de la máquina, con plataformas de visualización que comprimen los plazos y amplían la gama de opciones producibles dentro de un presupuesto. Citando trabajo empírico sobre la preferencia de la clientela (Lan et al., 2025), el artículo señala que la salida de IA se valora mucho por su singularidad cuando predominan los criterios estéticos, pero que los diseñadores humanos mantienen una ventaja clara cuando se enfatizan los requisitos funcionales, ergonómicos y contextuales, y que los diseños generados a menudo carecen de especificidad cultural, de respuesta climática y de constructibilidad fiable en un mercado que negocia condiciones tropicales, convivencia multigeneracional y principios espaciales islámicos. Su recomendación curricular es de secuenciación y no de sustitución: enseñar CAD/BIM, conocimiento de la construcción y factores humanos antes de la exploración generativa, y evaluar el pensamiento crítico y la reflexión ética junto con la calidad visual.

Música y artes escénicas

La música se trata aquí como el arte más expuesto a un cambio económico que comenzó antes de la IA generativa. Briot (2026) sostiene que la desmaterialización hundió el valor por unidad de la música grabada en unos dos órdenes de magnitud mucho antes de que los modelos generativos fueran comercialmente relevantes, que los pagos por reproducción siguen en el orden de 0,003–0,005 $, y que la IA generativa prolonga un modelo de valor ya roto en lugar de crearlo. Su distinción relevante para la enseñanza contrasta los generadores autónomos como Suno y Udio —piezas completas y estilísticamente coherentes a partir de un prompt de texto, con una estructura opaca e incontrolable— con los asistentes de composición interactivos como FlowComposer y el Continuator, donde quien toca música impone las restricciones y conserva la intencionalidad, y el Continuator aprende en tiempo real el estilo de un intérprete como socio de improvisación. Solo ese segundo tipo, sostiene, es educativamente productivo, porque el primero sitúa al estudiantado como consumidor de la salida de la máquina. El currículo recomendado convierte la producción y la soltura con la estación de trabajo de audio digital en competencias centrales y defiende la interpretación en conjunto como la dimensión corporeizada y social más resistente a la sustitución.

La evaluación en música se está empujando hacia la automatización, con límites que conviene señalar. Lin, Jin y Min (2026) evaluaron GPT-4o-mini frente a las puntuaciones medias docentes en 300 respuestas universitarias de análisis musical en Armonía, Forma, Razonamiento y Terminología, y encontraron que la ingeniería de prompts de cadena de pensamiento con pocos ejemplos concordaba más con las medias docentes y que la recuperación aumentada puntuaba sistemáticamente de más; la concordancia era además más débil en Terminología que en Razonamiento, así que los autores abogan por una calibración específica de cada estrategia, una validación por dimensiones y una supervisión humana continuada.

La pedagogía vocal ofrece la formulación más clara del problema entre medición y valor. Li (2026) sostiene que la enseñanza vocal asistida por IA no debe juzgarse por la precisión con que mide afinación, estabilidad, vibrato y tempo, porque la misma desviación medida puede indicar una imprecisión técnica, una inflexión expresiva o un artefacto de grabación, y porque las salidas medibles no representan la coordinación corporeizada de quien aprende. El marco separa la evidencia que la IA hace visible, los procesos humanos de aprendizaje que la interpretan (conciencia corporal, monitorización metacognitiva, práctica autorregulada, motivación) y los resultados que se siguen, juzgados por eficacia, equidad y sostenibilidad. La enseñanza instrumental para músicos con discapacidad lleva más lejos la cuestión de la corporeidad: Shi et al. (2026) trabajaron con cuatro intérpretes de cuerda ciegos y con baja visión de nivel avanzado y tres docentes, y encontraron que la técnica de arco se enseña convencionalmente mediante demostración visual —no disponible para estas personas— y que las señales táctiles y kinestésicas la sustituyen. La instrucción inclusiva, según ellos, debería construirse con el estudiantado con discapacidad y no adaptarse a posteriori para él.

La tecnología escénica y de espectáculos es donde la instrucción asistida por IA se ha diseñado y evaluado de forma más concreta. Liang et al. (2026) construyeron LumiNote, un sistema de realidad virtual asistido por LLM que convierte la intención hablada de un docente, anclada por un puntero láser, en anotaciones espaciales revisables, demostraciones de iluminación ejecutables y explicaciones de jerga. De 55 prompts docentes y 531 pares de acciones generadas, se aplicaron 380 (71,6%); los efectos visuales formaron la categoría de prompts más numerosa (27 de 55) con una adopción alta (212 de 245 acciones, 86,5%), mientras que las peticiones específicas de un aparato resultaron las más débiles: 26 de 28 rechazos se remontaron a malinterpretaciones de referencias direccionales como «la luz de la izquierda». El profesorado usó las sugerencias como un proceso de refinamiento y no como un plan de clase terminado: de 147 sugerencias rechazadas o modificadas con seguimiento, 127 (86,4%) provocaron un nuevo prompt y solo una un ajuste manual directo. Su carga de trabajo bajó (NASA-TLX de 3,50 a 2,22) y las sesiones se acortaron (de 19 minutos 34 segundos a 12 minutos 33 segundos) a medida que el esfuerzo pasaba de la configuración de bajo nivel a la expresión. El hallazgo más agudo es un desajuste de representación: las señales que el profesorado valoró como más útiles para externalizar el razonamiento experto no fueron las que 24 estudiantes podían seguir, y estos prefirieron un puntero láser (M = 5,50) y el etiquetado en consola con valores (M = 5,33) frente a flechas espaciales y un avatar (ambos M = 4,58), aunque las medidas de resultados del estudiantado no mostraron diferencias significativas.

Artes visuales, generación de imágenes y medios digitales

Las herramientas de texto a imagen son el caso en el que el flujo de trabajo iterativo del taller está más directamente en juego, y la evidencia no es una historia simple de ganancia o pérdida. Liu, Meng y Zhang (2026) encuestaron a 417 estudiantes de arte y diseño junto con grupos focales y entrevistas con docentes, y encontraron que la expectativa de rendimiento, la influencia social, el valor de novedad y la competencia creativa predecían positivamente la intención de usar herramientas de texto a imagen, mientras que la expectativa de esfuerzo y las condiciones facilitadoras la predecían negativamente, lo que interpretan como un uso orientado al atajo en trabajos de curso donde la facilidad y la disponibilidad permiten una salida rápida en lugar de una implicación sostenida. Su paradoja de la competencia es el resultado notable: la competencia creativa sostiene la intención, pero también predice un uso real más selectivo y contenido, ya que el estudiantado sopesa autoría, originalidad y preservación de habilidades frente a la eficiencia. Abogan por una pedagogía que aborde la alfabetización en IA en torno al proceso creativo, la elaboración de prompts y la evaluación de la salida, con el proceso y el esfuerzo del taller como objeto evaluado.

La producción de medios digitales muestra lo que puede hacer un proceso estructurado. Tian et al. (2026) estudiaron un trabajo final de narrativa digital basado en proyectos de 15 semanas, «Creative Shanzhou», en el que 426 estudiantes de último año de grado, guiados por 48 mentores en una proporción aproximada de 1:9, tradujeron patrimonio cultural local en narrativas multimodales. Las valoraciones expertas de las 92 obras resultantes fueron más fuertes en novedad (M = 4,21, DE = 0,72), seguidas de eficacia (3,96) y globalidad (3,68), con un 43% de los proyectos por debajo de 3,5 en globalidad: el estudiantado generaba ideas originales con más éxito de lo que las integraba. En un subgrupo de Animación de 31 estudiantes, las puntuaciones de pensamiento creativo figurativo subieron de 77,23 a 94,68 (diferencia de medias 17,45, t(30) = 4,55, p < 0,001, d de Cohen = 0,82). En los proyectos analizados, la IA sirvió como organizadora de información, referencia visual, ayuda a la ideación y herramienta de edición, mientras que el estudiantado conservó la elección del tema, la interpretación narrativa, la construcción de significado cultural y las decisiones finales; el ejemplo mejor puntuado atribuyó su coherencia a una implicación humana sostenida con el material de origen y no al acabado de la IA. El proyecto terminó en una exposición pública de tres días, y 31 obras fueron adoptadas por la Oficina de Cultura y Turismo local.

Los entornos inmersivos aportan el contracaso más favorable en el diseño profesional. Jin et al. (2027) implementaron AI-IVE-PBL —aprendizaje basado en proyectos dentro de un entorno virtual inmersivo habilitado para IA con un agente como asistente docente— en un curso de primer año de diseño de interiores profesional, como un bucle de cinco fases: descubrimiento, visualización, modelado, comunicación y refinamiento. En un cuasiexperimento de dos grupos de 12 semanas (63 respuestas válidas, 31 frente a 32), la condición inmersiva más agente obtuvo puntuaciones más altas en capacidad de diseño (η²p = 0,138) y capacidad creativa (η²p = 0,111) con ANCOVA y la prueba previa como covariable, y elevó la implicación cognitiva (d = 0,90) y conductual (d = 0,75), la motivación (d = 0,74) y la satisfacción (d = 0,69), a la vez que redujo la carga cognitiva declarada (d = −0,52). El pensamiento innovador y la implicación afectiva se movieron en la dirección esperada sin alcanzar significación. Todos los resultados fueron autoinformados, sin artefactos de rendimiento ni valoraciones expertas, y por eso los autores contrastan su resultado con el estudio de taller de arquitectura anterior.

Oficio, habilidad y la evaluación del trabajo creativo

La cuestión del oficio aparece en varias formas, y las fuentes discrepan sobre cuánto preocuparse. Kapsalis (2026) informa de un mecanismo de nivelación en el nivel de entrada: el estudiantado que se describía como poco hábil para el dibujo encontró que la herramienta abría el acceso a la expresión visual sin eliminar la necesidad de juicio. Frente a eso, Syed Abdul Rahman (2026) advierte de que la adopción acrítica arriesga graduados sin razonamiento espacial fundacional, conocimiento de materiales o evaluación crítica independiente, y señala la prevención de la pérdida de cualificación entre profesionales al inicio de su carrera como una preocupación regulatoria central. El desacuerdo es en parte de secuenciación: ambos favorecen los fundamentos técnicos antes de la exploración generativa.

Lo que sí es consistente es una reubicación de lo que se evalúa. El estudio de Derby midió la confianza procedimental en la sesión en 3,7 sobre 5, pero la confianza en transferir esas habilidades fuera del taller solo en 2,6: una brecha que su autora atribuye a la exposición de una única sesión y califica como problema de nivel curricular. El análisis de Malasia recomienda proyectos de taller que exijan una evaluación comparativa de itinerarios de diseño con IA y sin IA, además de criterios que premien el pensamiento crítico junto con la calidad visual. Los resultados de la puntuación automática en música apuntan en la misma dirección: la concordancia con las medias docentes era específica de cada dimensión, y los autores insisten en la supervisión humana y no en la delegación total. Li (2026) añade que tratar la salida medida como valor educativo en sí mismo reduce la formación vocal a corrección de salidas y optimización de puntuaciones. La propuesta convergente es que la evaluación creativa siga examinando el proceso, la iteración y la toma de decisiones justificada precisamente porque el artefacto acabado ya no los evidencia.

Acceso e inclusión en el aprendizaje artístico

La accesibilidad en las artes se trata menos como cumplimiento normativo que como cuestión de diseño y de práctica material. Shi et al. (2026) es el caso más claro: como la técnica de arco se enseña normalmente mediante demostración visual, los músicos ciegos y con baja visión dependen de canales táctiles y kinestésicos, y el codiseño liderado por personas con discapacidad del estudio produjo estrategias arraigadas en la propia práctica de esos músicos, y no adaptaciones añadidas a un diseño visual por defecto.

Otros dos hallazgos complican cualquier relato simple de las herramientas generativas como igualadoras. En el estudio de Derby, cerca de un tercio de los participantes declaró una discapacidad y casi una quinta parte informó de una dificultad específica de aprendizaje; los ítems de inclusividad se agruparon entre 3,8 y 4,1 y correlacionaron fuertemente con sentir que la sesión era accesible (ρ = 0,74) y con seguir el ritmo independientemente del uso previo de IA (ρ = 0,81), y el estudiantado menos seguro dibujando informó de no sentirse en desventaja: un efecto igualador modesto en una única sesión de 90 minutos, no un aprendizaje demostrado. La brecha de representación de LumiNote muestra el otro lado: las señales que ayudan a los expertos a externalizar su razonamiento no son las que pueden seguir las personas novatas, así que un diseño que sirve bien al profesorado puede dejar al estudiantado a la deriva, y los autores sitúan el LLM como capa de mediación que debe traducir entre ambos. El estudio GenARch registra una decisión de equidad relacionada: tras la recogida de datos, las tecnologías se liberaron para el estudiantado de control en lugar de retenerlas. De quién son las referencias estéticas y culturales que reproducen los modelos generativos, y si un acceso más amplio a los servicios de diseño expande la demanda o intensifica la competencia en el segmento medio, son cuestiones que el análisis de Malasia plantea y que siguen abiertas.

Conceptos conectados

• Creatividad
• Pensamiento de diseño
• IA generativa
• Aprendizaje basado en proyectos
• Aprendizaje encarnado
• Evaluación auténtica
• Alfabetización en IA
• Equidad
• Realidad virtual y aumentada
• La IA en las disciplinas
• Educación en diseño

Artículos conectados

• Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study — IA generativa más realidad extendida multiusuario en un taller de arquitectura real: roles complementarios, autoconfianza de diseño a la baja y ninguna ventaja en el portafolio (Xiao et al. 2026)
• Gen-AI-tecture: using generative AI to support architectural students in design tasks — Un flujo de trabajo de imágenes específico de la disciplina y ejecutado localmente en un taller de arquitectura: más espacio de búsqueda creativa y menos ansiedad ante la crítica (Kapsalis 2026)
• Development and applications of Generative AI in architectural design studios — Estudio longitudinal de taller y la plataforma GAI-A: la IA generativa como estímulo y ampliación del espacio de soluciones, con la fijación en el diseño como riesgo (Gül et al. 2026)
• Artificial Intelligence as Catalyst and Contested Terrain: Transforming Interior Design Practice, Pedagogy, and Professional Regulation in Malaysia — Los diseñadores de interiores como curadores de la salida de la máquina, y qué deberían hacer al respecto el currículo y la regulación profesional (Syed Abdul Rahman 2026)
• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Aprendizaje basado en proyectos dentro de un entorno inmersivo habilitado para IA en diseño de interiores profesional (Jin et al. 2027)
• In the AI era: A project-based digital storytelling framework for art and design education — Un trabajo final de narrativa digital de 15 semanas con 426 estudiantes: novedad fuerte, integración débil, la IA como herramienta y no como autora (Tian et al. 2026)
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — Aceptación del texto a imagen entre 417 estudiantes de arte y diseño, y la paradoja de la competencia del uso selectivo (Liu, Meng y Zhang 2026)
• Challenges for Musical Education in the Age of AI and Digital Transformation — Economía del streaming, generadores autónomos frente a asistentes de composición y repensar el currículo musical (Briot 2026)
• Comparative Validation of GPT-4o-mini and Teacher Mean Scores for Automated Scoring of Music Analysis Responses: Single-Pass Deployment, Repeatability, and Strategy-Specific Bias — Evaluar GPT-4o-mini frente a las medias docentes en 300 respuestas de análisis musical (Lin, Jin y Min 2026)
• Beyond Output Metrics: Reframing AI-Assisted Vocal Pedagogy Through Human Learning and Educational Value — Por qué la precisión de la medición no es valor educativo en la enseñanza vocal asistida por IA (Li 2026)
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision — Diseño liderado por personas con discapacidad de la instrucción de cuerda táctil y kinestésica para músicos ciegos y con baja visión (Shi et al. 2026)
• LumiNote: LLM-Assisted Multimodal Instruction for VR Stage Lighting Education — Instrucción en realidad virtual asistida por LLM para iluminación escénica, y la brecha entre las representaciones expertas y las novatas (Liang et al. 2026)