Conceptos
Desarrollo educativo
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
El desarrollo educativo (conocido también como desarrollo del profesorado) — los procesos, los programas y los apoyos institucionales que ayudan al personal docente a desarrollar las capacidades, la confianza y la identidad profesional necesarias para enseñar eficazmente con IA. El desarrollo educativo abarca la formación individual, el rediseño del currículo, el cambio de política institucional y el trabajo cultural de dar sentido a lo que la IA generativa significa para la profesión académica.
Preguntas para reflexionar
- Si el profesorado de un mismo departamento describe la IA, por un lado, como un «asistente» humano y, por otro, como una mera «herramienta» o un «buscador», ¿puede un programa de formación tener éxito de verdad antes de sacar a la luz esos modelos mentales subyacentes? ¿Qué podría pasar si el desarrollo se saltara ese paso?
- El desarrollo educativo suele plantearse como cerrar una brecha de capacidades: enseñe al profesorado las herramientas y las adoptará. Pero alguna investigación enmarca la integración de la IA generativa como un cambio a nivel de identidad («¿qué sentido tiene enseñar en un mundo con IA generativa?»). ¿Qué marco cree que es más exacto y qué acciones distintas implica cada uno?
- Los marcos de preparación como EPIQ-AI dividen la preparación del profesorado en dominios epistémico, pedagógico, institucional y de calidad y cumplimiento. Si la preparación es un problema de alineación sociotécnica y no una brecha individual de capacidades, ¿qué dice eso sobre dónde es probable que se quede corto un «taller de IA» aislado?
- ¿Cuándo ha sentido que sus propias suposiciones sobre una tecnología nueva salían a la luz y cambiaban, mediante la conversación, la metáfora o un lenguaje compartido, y no mediante la instrucción? ¿Qué papel cree que desempeñan el lenguaje compartido y el análisis de metáforas para ayudar al personal docente a dar sentido a la IA?
- Piense en un «taller de metáforas» de baja tecnología en el que profesorado, personal y estudiantado articulen si la IA se parece a una navaja suiza, a un ayudante, a una caja negra o a un competidor. ¿Podría sacar a la luz los miedos (incluido el miedo a que la IA sustituya los roles docentes) hacer más por la adopción que una formación más técnica?
Introducción
El desarrollo educativo es el trabajo profesional e institucional mediante el cual el profesorado construye la capacidad de diseñar, enseñar y evaluar bien; en la era de la IA se ha convertido en una condición previa para que cualquier cambio pedagógico surta efecto. El concepto abarca lo individual (la alfabetización en IA, la confianza, la competencia, las actitudes) y lo institucional (los estándares, la política, el aseguramiento de la calidad y la alineación entre las expectativas declaradas sobre la IA y el diseño real de la evaluación). Un hallazgo recurrente es que la evidencia sobre la práctica eficaz va muy por delante de lo que la mayoría de las instituciones ha implementado, lo que convierte el trabajo de desarrollo —y no más investigación primaria— en la restricción vinculante. Las ciencias del aprendizaje producen los hallazgos que este trabajo traslada: allí donde ese campo establece empíricamente cómo aprende la gente y qué diseños cambian los resultados, el desarrollo educativo es la práctica institucional que lleva esa evidencia a cómo el profesorado enseña y evalúa de verdad. Su labor, no obstante, está acotada por un límite institucional: el desarrollo construye capacidad en el personal de dentro de una institución, mientras que las herramientas que después se le pide adoptar suelen construirse fuera de ella, por los desarrolladores de tecnología educativa, cuyas decisiones de diseño y de compra —los valores por defecto, la configurabilidad, lo que sobrevive a la financiación— llegan como restricciones del programa y no como productos suyos.
El desarrollo educativo en la era de la IA
-
Marcos de preparación: el marco EPIQ-AI identifica cuatro dominios de preparación: epistémico, pedagógico, institucional y de calidad y cumplimiento. La preparación del profesorado es un problema de alineación sociotécnica, no solo una brecha individual de capacidades.
-
Compruebe qué describen los niveles de un marco antes de adoptarlo. En 16 marcos de competencia en IA respaldados institucionalmente, el uso de la IA, la evaluación de resultados y la aplicación al dominio eran sustantivos en los 16, mientras que la formulación de problemas (7), la competencia en datos (9) y la creación con IA (8) no lo eran; además, los niveles de competencia describen el desarrollo de quien aprende, el rol ocupacional o el grado, de modo que no son directamente comparables (Fitsilis (2026)).
-
Estándares para la integración tecnológica: Crompton et al. usan la investigación basada en el diseño para desarrollar estándares del profesorado para la integración de la tecnología (incluida la IA) en instituciones de educación superior.
-
Adopción y confianza: la investigación sobre la adopción de la IA por el profesorado identifica las preocupaciones, el apoyo, la confianza y las actitudes como predictores clave. Los programas de desarrollo del profesorado deben abordar los cuatro.
-
Integración curricular: los marcos de cambio institucional y la reforma de la evaluación exigen que el profesorado rediseñe los cursos, y no solo que añada herramientas de IA.
-
Programas de formación: los marcos de capacitación en IA y la formación inicial basada en TPACK ofrecen modelos para una educación en IA estructurada del profesorado.
-
La demanda no es una evaluación de necesidades. 345 docentes de CEGEP de Quebec obtuvieron la puntuación más baja en comprensión técnica (2,706 de 5) y, sin embargo, pidieron aplicaciones prácticas específicas de la disciplina, y calificaron las sesiones anteriores de demasiado generales (Giachini et al. (2026)).
-
Reflexión profesional mediada por IA. El Modelo del Triángulo Reflexivo sitúa la IA como mediadora cognitiva en la autorreflexión, la reflexión colaborativa y la reflexión comunitaria dentro de una comunidad de aprendizaje profesional, probado en un caso de viabilidad de cuatro semanas con seis docentes; el límite que traza es que la perspicacia individual no se convierte automáticamente en conocimiento profesional compartido (Nguyen (2026)).
-
Gobernanza y política: el análisis de las políticas institucionales sobre IA documenta la brecha entre las ambiciones institucionales y la capacidad de apoyo al profesorado.
-
La alfabetización en IA es institucionalmente invisible. Una revisión sistemática de 32 estudios sobre la alfabetización en IA del profesorado de idiomas la encontró ausente de los modelos de carga de trabajo, las políticas de promoción y la asignación de recursos, con un desarrollo fragmentado y una responsabilidad desplazada entre instituciones y organismos: el desarrollo de la alfabetización recae así por defecto en el esfuerzo individual en lugar de en un apoyo estructural (Deng, Çelik y Duran, 2026).
-
Los talleres construccionistas necesitan un mapa. Tres sesiones de 50 minutos llevaron a entre 20 y 25 docentes de la experimentación lúdica con prompts a materiales didácticos reutilizables, pero el personal nuevo en la IA pidió una introducción conceptual antes del espacio de experimentación (Fischer (2026)).
Metáforas y lenguaje compartido en el desarrollo educativo
El profesorado sostiene modelos mentales heterogéneos y a menudo profundamente ambivalentes sobre la IA, y un desarrollo eficaz debe sacarlos a la luz y trabajar con ellos. Gerhardt et al. muestran que el personal docente de ingeniería enmarca la IA mediante metáforas que a la vez construyen y limitan la comprensión (la IA como «asistente» humano frente a «herramienta» o «buscador»); como el profesorado de un mismo departamento sostiene a menudo conceptualizaciones fundamentalmente distintas, un lenguaje compartido y preciso sobre la IA generativa es un requisito previo para un desarrollo eficaz del profesorado y para conversaciones departamentales productivas sobre la adopción.
Un método práctico para sacar a la luz estos modelos mentales es el taller de análisis de metáforas. Vallis, Wilson y Casey (2025) diseñaron y validaron un taller colaborativo de baja tecnología para que profesorado, personal y estudiantado articularan sus metáforas sobre la IA generativa. Las metáforas de los participantes se agruparon en cuatro categorías —Funciones (propias de una herramienta: «navaja suiza»), Roles (propios de una persona: «ayudante», «amienemigo»), Cualidades (incognoscibles: «caja negra», «pendiente resbaladiza») y Agencia (amenazantes: «competidor», «robot siniestro»)—, sacando a la luz tensiones persistentes entre la agencia humana y la de la máquina, y entre lo conocido y lo incognoscible. El taller ayudó a los participantes a sacar a la luz sus suposiciones, a conectar entre roles, a sentir que «no están solos» y a pensar en la ética de la IA generativa, sin exigir conocimientos técnicos. Como herramienta de desarrollo, ofrece a quienes diseñan programas una vía de bajo umbral para sacar a la luz las suposiciones de un equipo antes de rediseñar la evaluación o de desplegar una política, y para abordar los miedos de frente, incluido el miedo a que la IA sustituya los roles docentes.(Fear and awe: Making sense of generative AI through metaphor)
La pregunta de diseño más amplia es cómo elegir una metáfora en primer lugar. Metáforas y analogías reúne la evidencia transversal, y Roe, Perkins y Furze (2025) ofrecen cuatro criterios: accesibilidad, poder explicativo, potencial para la alfabetización crítica en IA y utilidad pedagógica.
La IA generativa como trabajo de identidad, no solo capacitación
Una mirada informada por los conceptos umbral reformula la integración de la IA generativa como una transformación ontológica para el profesorado, y no como una brecha de capacidades. Aplicando la teoría de los conceptos umbral (Meyer & Land), Laidlaw sostiene que la IA generativa reúne las cinco características de un umbral: es transformadora (reconstruye las suposiciones sobre la evaluación, la pedagogía y el rol profesional), problemática (vulnera las creencias sobre la originalidad, la agencia humana y la relación entre esfuerzo y logro), irreversible, integradora (conecta tecnología, pedagogía, epistemología e identidad) y delimitada (la fluidez con la IA generativa se convierte en un nuevo marcador de vigencia profesional).(When faculty ask, "what's the point of teaching?": GenAI as identity crisis, not skills gap)
Desde esta perspectiva, el profesorado que pregunta «¿qué sentido tiene enseñar en un mundo con IA generativa?» no carece de competencia; se encuentra en una fase liminal de cruce del umbral en la que la ansiedad, la resistencia y la confusión son partes necesarias de la transformación y no obstáculos que eliminar. La formación basada en capacidades que responde a una pregunta de competencia que el profesorado no se está haciendo puede volverse periférica respecto a la transformación real, y una gobernanza bien intencionada puede degenerar en una «ilusión de aplicación»: comunicar reglas en lugar de apoyar el cambio.(When faculty ask, "what's the point of teaching?": GenAI as identity crisis, not skills gap)
Implicación de diseño: complemente (no sustituya) la construcción de capacidades con prácticas que sostienen la identidad: sesiones abiertas con preguntas de identidad en lugar de demostraciones técnicas, cohortes continuas específicas de cada disciplina en las que el profesorado explore qué significa la IA generativa para el propósito de su campo, estructuras de mentoría entre pares que respeten ritmos de transformación distintos, y distinción entre la vacilación basada en el miedo (que se beneficia del apoyo) y la no adopción por principios, anclada en valores disciplinares legítimos (que merece respeto).(When faculty ask, "what's the point of teaching?": GenAI as identity crisis, not skills gap) El modelo de taller de metáforas descrito arriba es una concreción de esto: en lugar de partir de la capacitación técnica, se abre con la pregunta interpretativa y cargada de identidad sobre qué significa la IA generativa para los participantes.
Apoyo empírico al marco del trabajo de identidad. Farazouli et al. (2026) aportan evidencia cualitativa directa de este relato: 24 docentes universitarios suecos describieron la irrupción de la IA generativa como alarmante y abrumadora, informando de un «estado de vulnerabilidad» (poca confianza, inseguridad, miedo a «no ir por delante del estudiantado») y de sentirse «atascados» entre los discursos utópicos y distópicos. Su conocimiento y su experiencia limitados, junto con los sentimientos de vulnerabilidad, subrayan la falta de preparación del profesorado para navegar, valorar y adoptar la IA generativa, y los autores sostienen que las instituciones deben ofrecer espacios y tiempos designados para que el profesorado experimente con la IA generativa, intercambie ideas y desarrolle colaborativamente prácticas y directrices a nivel institucional, departamental y de curso. Esto ancla el enfoque del trabajo de identidad y orientado al apoyo en la experiencia que el propio profesorado declara, y no solo en la teoría.
Un programa que trabajó la pregunta de identidad de forma directa. Chick, Morello y Staffey (2026) informan de un instituto de verano de seis semanas que llevó a diez miembros del profesorado de Educación, Ciencias de la Salud, Empresa y otros programas desde una baja fluidez en IA (autovaloración media de 1,89 en una escala de seis puntos) hasta un 60% que declaraba alta confianza para guiar el uso de la IA por parte del estudiantado y un 90% con percepciones positivas, y atribuyen el cambio menos a la formación en herramientas que a una experimentación estructurada y segura que se abrió con la pregunta existencial sobre el valor profesional en lugar de con demostraciones. El cambio de vocabulario es el marcador en el que se apoyan: los marcos iniciales de la IA como «máquina de copiar» o «fuerza deshumanizadora» dieron paso a «asistente curioso», y sus cuatro temas —del miedo a la curiosidad, el deseo de claridad ética que el vacío de política no satisfacía, el diseño inclusivo como amplificador de equidad y el paso del profesorado de guardianes a guías— describen una reorientación parcial y deliberada de la identidad docente. Los diez rediseños de trabajo final son la evidencia más sólida: ocho de diez sitúan la IA como un andamiaje que apoya el pensamiento en lugar de sustituirlo, y la pedagogía simbiótica de los autores formaliza lo que construyeron los participantes: diseño complementario, proceso transparente, integración crítica, razonamiento ético incorporado y refinamiento iterativo. La advertencia es estructural y no individual: los mismos participantes señalaron señales políticas contradictorias, suscripciones personales a herramientas y ninguna reducción de carga para hacer los rediseños, por lo que los autores concluyen que la resistencia nunca fue el problema y que las respuestas fragmentarias que dejan intactas la política y la infraestructura fracasarán incluso con una cohorte entusiasta.
El desarrollo como mediación, y la primera pregunta que se hace quien desarrolla. Sithole (2026) estudia el desarrollo académico —el nombre más antiguo del campo, y el término que usa el International Journal for Academic Development, que publicó el artículo— en dos instituciones sudafricanas históricamente desfavorecidas, y reformula a quienes desarrollan no como implementadores técnicos sino como mediadores digitales que trabajan en tres registros: el pedagógico (traducir el discurso de la IA a una práctica viable de enseñanza, aprendizaje y evaluación), el ético (contener la automatización frente a la integridad académica, la innovación frente al cuidado) y el institucional (trabajar en el espacio liminal entre los imperativos de la dirección y las preocupaciones académicas). Dos hallazgos importan para el diseño de programas. Primero, la pregunta que filtra es contextual antes que técnica —«¿qué significa esto para la enseñanza aquí, para nuestro estudiantado de escuelas pobres?»—, y frenar la adopción cuenta como parte del trabajo y no como resistencia a él. Segundo, el coste afectivo es estructural y no personal: se esperaba que quienes desarrollan proyectaran dominio de unas herramientas cuyas implicaciones aún estaban dilucidando («me siento un impostor. Aprendo IA sobre la marcha, pero la institución espera pericia»), y su respuesta fue el aprendizaje profesional entre pares orientado al juicio y no a la destreza, incluido el intento deliberado de romper las herramientas. La aportación analítica del artículo es separar la desigualdad digital, un problema distributivo, de la colonialidad algorítmica, un problema epistémico que sobrevive al acceso pleno, y situar ambos dentro de la Sur global educación superior, donde se espera que el trabajo de desarrollo sea transformador y no un servicio de apoyo neutro.
La culpa y el malestar moral como señal de desarrollo. Vassallo (2026) aporta la contraparte afectiva del relato identitario. En una encuesta al personal académico de una universidad maltesa (109 respuestas, una tasa de 3,5% que el artículo lee como informativa en sí misma sobre el estado del debate ético), la culpa se asociaba a la ocultación y no a la divulgación: limitar el uso de IA por malestar correlacionaba con el Índice de Culpa por IA en r = 0,62 y evitar divulgarlo a los colegas en r = 0,50, mientras que la divulgación formal en las publicaciones académicas no mostraba relación alguna (r = 0,08). Solo 31,2% veía directrices institucionales claras, y la correlación entre esa claridad y una menor culpa era débil (r = −0,25, p = 0,010), lo que el artículo lee como evidencia de que los mandatos de arriba abajo no pueden resolver un problema en parte emocional y basado en la identidad. Sus recomendaciones son directamente de desarrollo: tratar la culpa y la preocupación por la identidad como respuestas transitorias normales y no como faltas que corregir, usar una experimentación estructurada y de bajo riesgo para que el personal atraviese la ansiedad anticipatoria, y apoyarse en la mentoría de académicos sénior, ya que la culpa era más alta entre el personal en inicio de carrera (M = 2,71) y más baja entre el sénior (M = 2,03).
Orientaciones prácticas para quienes diseñan programas
Para quienes desarrollan al profesorado, para los líderes académicos y para los diseñadores instruccionales que planifican el desarrollo profesional en IA, la evidencia sugiere lo siguiente:
Aborde los cuatro motores de la adopción, no solo el conocimiento. La confianza, las actitudes, el apoyo y las preocupaciones predicen si el profesorado adopta realmente la IA: un taller que solo aporte conocimiento y los ignore difícilmente cambiará la práctica. Diseñe el desarrollo para construir confianza mediante el uso práctico, ofrezca apoyo continuo (no formación puntual) y saque a la luz y responda activamente a las preocupaciones del profesorado.(AI adoption among teachers: Insights on concerns, support, confidence, and attitudes)
Confianza y alfabetización no son objetivos intercambiables: en un SEM de 502 encuestados del profesorado universitario, la alfabetización en IA fue el predictor dominante del bienestar con IA (β = 0,713), mientras que la autoeficacia tecnológica contribuyó poco (β = 0,082) y el apoyo llegó al bienestar solo de forma indirecta (Liu et al. (2026)).
Trate la demanda de directrices y la adecuación de las directrices como problemas separados. El profesorado de una universidad respaldaba con firmeza las medidas institucionales contra el uso poco ético de la IA (M = 4,59) mientras valoraba las directrices existentes como las peor puntuadas (M = 2,99), y señalaba la privacidad de datos y la inclusividad cultural como sus conocimientos más débiles, un objetivo concreto para el desarrollo profesional (Bilgic y Sever, 2026).
Trate la preparación como un problema de alineación sociotécnica. El marco EPIQ-AI muestra que la preparación del profesorado abarca los dominios epistémico, pedagógico, institucional y de calidad y cumplimiento. Los programas que solo forman a la persona pasan por alto las palancas institucionales (política, carga de trabajo, incentivos, estándares de calidad) que habilitan o bloquean el cambio: alinéelas junto con la formación.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)
No equipare la inversión en infraestructura con la transformación. A lo largo de 125 estudios, la inversión institucional en infraestructura de IA generativa y desarrollo educativo se correlacionó solo débilmente con el cambio pedagógico real (r = 0,12), mientras que 60–70% del profesorado se sentía sin preparación para integrar la IA generativa, lo que convierte el desarrollo, y no la adquisición, en la restricción vinculante.(Rathnayake (2026)) Nombre el modo de fallo, no solo el tamaño del efecto. Fajardo-Ramos, Chiappe y Martínez-Pérez (2026) lo llaman innovación simulada: la presencia de herramientas señala progreso, los formatos de enseñanza y evaluación siguen intactos, las tasas de adopción y los cuadros de mando sustituyen al aprendizaje, y el ciclo de lanzamiento tecnológico marca la dirección. Su diagnóstico pide a un programa de desarrollo justificar cada herramienta ante un problema de aprendizaje concreto antes de adoptarla.
Avance hacia el rediseño curricular, no hacia la adopción de herramientas. El objetivo es que el profesorado rediseñe cursos y evaluaciones, no solo que añada herramientas de IA. Ancle el desarrollo profesional en el trabajo de rediseño a nivel de curso y en la reforma de la evaluación, y dé al profesorado marcos estructurados para hacerlo (p. ej., escalas de evaluación, marcos de cambio institucional).(A framework for institutional change in the age of AI)('A bit of chaos and madness': The AI Assessment Scale and the work of assessment reform)
Convoque a la aldea, no al individuo. A lo largo de entrevistas con 12 académicos y 17 estudiantes, el rediseño de la evaluación en la era de la IA generativa superaba la capacidad de cualquier académico individual —se señalaron procesos inflexibles, plazos largos y carga de trabajo—, por lo que los autores proponen un equipo de todo el programa que combine pericia en diseño de evaluación, IA generativa, materia, programa e industria (Nicola-Richmond et al., 2025).
Construya la serie sobre los datos de la propia sala, no sobre buenas prácticas importadas. Perl-Nussbaum y Finkelstein (2026) documentan un modelo ya probado en un gran departamento de física de una universidad pública R1: seis sesiones quincenales de 60 a 75 minutos, con diecinueve miembros del profesorado participando a lo largo de la serie y unos diez en cada reunión, en las que cada sesión se abría con datos locales o materiales procedentes del departamento, pasaba a poner a prueba la IA en grupos pequeños frente a deberes reales y anonimizados del estudiantado, y cerraba con una discusión colectiva. Lo que el profesorado descubrió al probar fue más útil que cualquier paquete que los facilitadores pudieran haber importado: la IA resolvía todos los problemas que probaron, pero su retroalimentación sobre el trabajo real del estudiantado era desigual, dependiente de la consigna y centrada en lo superficial salvo que se le dieran objetivos y rúbricas explícitos, y el estudiantado daba consignas superficiales y modificaba la salida de forma superficial salvo que se modelara un uso productivo. El primer producto concreto fue un repositorio vivo de cinco entradas —declaraciones de política en el programa, materiales para la discusión en clase, la encuesta al estudiantado, tareas de deberes integradas con IA y estructuras de evaluación—, y por eso los autores tratan la estructura de las sesiones como el argumento en sí mismo y no como cualquier contenido que entregara.
Ancle el trabajo en un marco de competencias. El desarrollo también debería construir alfabetización en prompts pedagógica —la capacidad de codificar intenciones pedagógicas en las consignas—, ya que Talebzadeh (2026) encuentra que es la pericia pedagógica, y no la fluidez en IA, lo que determina la calidad del trabajo de diseño asistido por IA del profesorado.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)
Secuencie la comprensión antes de la automatización. Un análisis crítico del discurso de 14 piezas de literatura gris publicadas entre noviembre de 2022 y abril de 2025 que asesoran a profesionales sobre la IA generativa para la alineación constructiva encuentra que la capacidad debe preceder al acceso a las herramientas: como la calidad de la implicación precede a la calidad de la comprensión en un marco constructivista, el riesgo escala de forma inversa a la familiaridad, y quienes son novatos son los más expuestos a aceptar, por su apariencia plausible, salidas verosímiles pero pedagógicamente vacías. McInnes et al. (2026) sostienen además que las unidades de desarrollo deberían resistirse a un encargo tecnocrático —ayudar al profesorado a «adquirir fluidez» en herramientas que hacen «el trabajo pesado» del diseño de cursos—, porque ese marco deja a quienes desarrollan fuera de un bucle cerrado entre docentes e IA generativa y reconfigura un desarrollo relacional y guiado por valores como un mecanismo mediador para adoptar software. La alternativa defendible mantiene a quienes desarrollan el ámbito educativo como curadores y responsables de las reglas de cualquier asistente de alineación aumentado por recuperación y acotado institucionalmente que plantee preguntas incisivas, señale la evaluación insuficiente y excesiva y genere alternativas, pero nunca artefactos terminados, con la escalada al juicio humano en asuntos de acreditación y entre programas tratada como una característica y no como una excepción.
Saque a la luz y aborde los miedos y los modelos mentales. Antes de rediseñar la enseñanza, use un taller de análisis de metáforas (Vallis, Wilson y Casey 2025) para sacar a la luz las suposiciones y ansiedades de un equipo sobre la IA generativa —incluido el miedo a que sustituya los roles docentes— y construya un desarrollo que responda a ellas en lugar de ignorarlas.(Fear and awe: Making sense of generative AI through metaphor)
Modele la alfabetización en IA y mida ganancias reales. El desarrollo del profesorado debería encarnar él mismo las prácticas que enseña —usar la IA pedagógicamente, evaluar críticamente sus salidas— y debería evaluar la competencia demostrada en lugar de la confianza autoinformada, ya que la autopercepción sobreestima de forma sistemática la destreza en IA.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)
No dé por supuesto que la pericia disciplinar se traslada a la IA generativa. Sutedjo, Chowdhury y Liu (2026) encuestaron a 127 miembros del profesorado de universidades estadounidenses orientadas a la investigación con el instrumento TPACK-21 y encontraron que el conocimiento del contenido (CK) no mostraba ninguna correlación significativa con el conocimiento tecnológico ni con ningún dominio integrado con la tecnología (r = 0,11–0,15, ns): la pericia disciplinar no predecía el conocimiento de integración de la IA generativa. Los dominios integrados con la tecnología (TPK, TCK, TPACK) se intercorrelacionaron con tal fuerza (r = 0,81–0,91) que pueden funcionar como un único factor de integración de la IA generativa. En la práctica: construya la integración de la IA generativa mediante actividades específicas de cada disciplina que conecten las posibilidades de la IA generativa con la materia de cada miembro del profesorado, y trate los dominios integrados con la tecnología como una única base compartida de alfabetización en IA generativa en lugar de formarlos como destrezas separadas.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)
Modelos de aula inteligente específicos de cada disciplina. Zhu, Liang, Mao y Wang (2026) muestran cómo un curso de máster en matemáticas puede mejorarse con tecnologías educativas inteligentes (calificación automatizada, recomendaciones personalizadas, retroalimentación múltiple con IA) integradas en las etapas previa, durante y posterior a la clase dentro de un marco tridimensional de aula inteligente. Su cuasiexperimento encontró ganancias estadísticamente significativas en la competencia de diseño de objetivos instruccionales, y ofrece un Modelo D-T-E transferible (Disciplinary Demand–Technological Empowerment–Evaluation Loop) para formadores del profesorado y desarrolladores educativos que quieran llevar los marcos de educación inteligente de los conceptos macro a la práctica específica de cada disciplina.
Mide la asistencia, no la sensación de implicación. En un programa Intelligent-TPACK de seis meses para 64 docentes universitarios, la tasa de asistencia predijo la ganancia en competencia en IA (β = 0,407, p = 0,001) mientras que la participación autopercibida no lo hizo (β = 0,049, p = 0,692), lo que los autores interpretan como inversión conductual concreta frente a implicación superficial (Tan, Cheng y Ling, 2025). El programa combinó clases en línea con tres talleres presenciales, y luego exigió al profesorado revisar sus diseños instruccionales e implementarlos al semestre siguiente; los autores recomiendan incorporar la asistencia a la evaluación del desempeño junto con incentivos significativos.
Compare con lo que el propio profesorado informa. La encuesta de Watson y Rainie (2026) a 1.057 miembros del profesorado estadounidense encuentra una capa institucional débil en aspectos que quienes diseñan programas pueden medir directamente: 59% juzgaba que su institución no estaba preparada para usar la IA generativa eficazmente de cara a preparar al estudiantado para el futuro y 68% decía que no había preparado al profesorado para usarla en la enseñanza y la mentoría, mientras que la respuesta estructural consistía en un grupo de trabajo en 55% de las instituciones, pero en un resultado de formación general en alfabetización en IA solo en 13%. El profesorado no había esperado a la política: 87% escribió sus propias reglas a nivel de tarea frente a 48% que podía señalar una institucional, y nombraron la resistencia de los colegas (82%) y su falta de familiaridad (83%), y no un mandato, como los obstáculos a la adopción departamental. Para los programas de desarrollo, esto aboga por tratar las normas entre pares, un lenguaje compartido de política a nivel de tarea y medidas explícitas de preparación institucional como parte de la intervención, en lugar de dejarlas al documento de política.
La respuesta del profesorado refleja centros de poder, no actitudes. En un estudio de caso instrumental con 33 docentes de escritura, cuatro centros de poder policéntricos —la tendencia global a la IA generativa, la universidad/departamento, los colegas y el estudiantado— moldearon la práctica, y el personal adjunto, limitado por un poder discursivo reducido, pasó de la detección a enseñar un uso aceptable (Zuo et al. (2026)).
- Seis familias de desarrollo profesional, tres bien evidenciadas y una ganadora clara. Una revisión de 78 estudios sobre diseño instruccional apoyado por IA ordena el desarrollo profesional documentado en módulos compactos integrados (2-4 semanas), microaprendizaje de un semestre, ciclos de diseño basados en tareas, cadenas de preguntas colaborativas basadas en el diálogo, codescubrimiento crítico y aprendizaje autodirigido del profesional. La evidencia de resultados es más sólida para los módulos compactos integrados: un módulo de tres semanas produjo ganancias estadísticamente significativas en los seis dominios del Intelligent-TPACK con tamaños del efecto de medios a grandes, y un programa de cuatro semanas con 436 docentes en formación inicial y una condición de control es la evaluación controlada más sólida disponible (Spyropoulou y Kameas, 2026).
- Tres características de diseño separan las intervenciones mejor evidenciadas. La ética integrada como práctica distribuida con puntos de control en cada tarea en lugar de una sesión independiente; la evaluación de la competencia basada en el desempeño mediante planes de clase, registros de decisiones y microenseñanza, motivada directamente por la falta de fiabilidad del autoinforme; y la ingeniería de prompts desarrollada como práctica reflexiva y fundamentada en la pedagogía. La adopción no es la misma palanca que el desempeño: en 200 docentes de Sumatra del Norte, el uso de IA no tuvo efecto directo sobre el desempeño docente (β = 0,112, p = 0,087) mientras que la conducta de ciudadanía organizativa lo vehiculizaba de forma indirecta, de modo que el trabajo de desarrollo del profesorado orientado a un uso colaborativo y de rol extra es la versión que respalda la evidencia (Sherly et al. (2027)). Un estudio complementario de dos semanas encontró ganancias rápidas en conocimiento y confianza a la vez que identificaba la detección de sesgos como la competencia emergente más débil, una brecha que persistió en el módulo más largo, en consonancia con que la capacidad perceptiva ética se desarrolla más despacio que la familiaridad tecnológica.
La escala está documentada; el cambio en las aulas, no. Ussenbay y sus colegas siguieron a 105 docentes de química a lo largo de un programa de seis semanas, y Ma y sus colegas dirigieron un programa en línea de 20 semanas con más de 150 docentes de idiomas de 28 países. White y sus colegas midieron una ganancia de 0,20 DE en los beneficios percibidos en 2.159 docentes escandinavos que recibieron desarrollo profesional en IA generativa. Cada estudio muestra que el desarrollo mueve lo que el profesorado declara; ninguno los sigue hasta un aula para medir qué hizo distinto el estudiantado.
Lo que pide el profesorado se parece más a un aprendizaje en el oficio que a una formación. En el estudio de distrito, 22 docentes pidieron un desarrollo impartido por antiguos docentes que entendieran las restricciones del aula, una guía de una página sobre cuándo ayudan las herramientas y el tiempo de planificación para usar cualquiera de las dos (Dangol et al.). Las instituciones, mientras tanto, optan por construir capacidad en lugar de comprarla: entre aquellas cuya estrategia incluye competencias laborales, el 69% está capacitando al personal y al profesorado existentes (EDUCAUSE, 2026).
La ausencia de desarrollo es una decisión de política con un resultado visible. Rameskumar y sus colegas entrevistaron a 20 educadores que habían construido sus propias reglas porque no llegó ninguna orientación, y Bodek describe un modelo de microaprendizaje diseñado para ajustarse al tiempo que el profesorado tiene de verdad. Los programas que tratan el desarrollo como una capa repetida de apoyo institucional y no como un acontecimiento único informan de la diferencia (AALHE).
El contexto cambia la forma del desarrollo, no la necesidad de él. En educación médica, una residencia en IA trata el desarrollo del profesorado y el aprendizaje conjunto como el mecanismo y no como un añadido (Bursic et al.). Una revisión de 86 recursos de primera infancia identifica el desarrollo de educadores como uno de sus cuatro temas (la revisión). La renovación de la CTE recurre al desarrollo del profesorado cuando el cambio curricular deja al descubierto una brecha de capacidades (Wang). Y entre 146 docentes, la participación en el desarrollo profesional medió en el vínculo entre la motivación y la intención de usar IA generativa (Yuan et al.).
Concepciones erróneas comunes
«Un taller de capacidades es la intervención que necesita el desarrollo educativo.» La preparación es un problema de alineación sociotécnica, no un déficit individual, y por eso un «taller de IA» aislado se queda corto respecto a la necesidad que aborda. Un programa que trabajó la pregunta de forma directa fue un instituto de verano de seis semanas que llevó a diez miembros del profesorado de Educación, Ciencias de la Salud, Empresa y otros programas por un trabajo de nivel identitario. La duración y la cohorte no son incidentales en ese diseño; son lo que lo distingue de un recorrido por funcionalidades.
«Unas directrices institucionales más claras resolverán el malestar del profesorado.» Las directrices ayudan y no llegan al problema. Solo el 31,2% del personal académico de una universidad maltesa percibía directrices institucionales claras, y la correlación entre la claridad de las directrices y una menor culpa era débil (r = −0,25, p = 0,010). Una relación débil de esa magnitud significa que los mandatos de arriba abajo no pueden resolver lo que el artículo lee como un problema en parte emocional y basado en la identidad: la quinta parte de la varianza que explican no es la quinta parte que importa.
«La culpa por el uso de IA indica que se han roto las normas.» Se asocia a la ocultación y no a la divulgación: limitar el uso de IA por malestar correlacionaba con ocultarlo, no con una conducta prohibida. Leer la culpa como evidencia de mala conducta identifica mal su origen, y tratarla como una señal de cumplimiento empujará la conducta aún más lejos de la vista.
«Una baja tasa de respuesta a la encuesta significa que el profesorado no tiene opiniones firmes.» El artículo lee sus 109 respuestas (una tasa del 3,5%) como informativas en sí mismas sobre el estado del debate ético: una baja respuesta a una pregunta sobre el malestar es un hallazgo sobre ese malestar, no una ausencia de él. Y una integración de IA generativa planteada solo como capacitación se pierde la pregunta de identidad que parte del profesorado se está haciendo de verdad: qué sentido tiene enseñar en un mundo con IA generativa.
Conceptos conectados
- Competencia en IA del profesorado
- La docencia
- Metáforas y analogías — Indagación de metáforas y diseño de analogías en el desarrollo del profesorado
- Alfabetización en IA
- Política educativa sobre IA
- Educación superior
- K-12
- Diseño de aprendizaje
- Diseño curricular
- Aprendizaje en el lugar de trabajo
- Formación docente
- Ciencias del aprendizaje
- Desarrolladores de tecnología educativa
- Partes interesadas — paraguas: las personas y los públicos de la educación con IA (quienes aprenden, el profesorado, quienes diseñan, la administración y quienes elaboran políticas)
Artículos conectados
-
Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Análisis crítico del discurso de las orientaciones sobre alineación con IA generativa: quienes desarrollan, reconfigurados como formadores en tecnología
-
Designing faculty standards for technology integration in higher education institutions: a design-based research study — Estándares del profesorado para la integración tecnológica (DBR)
-
Understanding ethical dimensions of AI in higher education: insights from faculty members and students — Dimensiones éticas de la IA: visiones del profesorado y del estudiantado
-
It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Cómo las metáforas del profesorado de ingeniería construyen (y limitan) la comprensión de la IA
-
Fear and awe: Making sense of generative AI through metaphor — Miedo y asombro: dar sentido a la IA generativa mediante metáforas (taller de metáforas para profesorado, personal y estudiantado)
-
Reflecting Reality, Amplifying Bias? Using Metaphors to Teach Critical AI Literacy — Cuatro criterios y cuatro metáforas para enseñar alfabetización crítica en IA
-
Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Gobernar lo invisible: alfabetización en IA entre el profesorado de idiomas
-
AI adoption among teachers: Insights on concerns, support, confidence, and attitudes
-
AI-accelerated End-to-End Framework for Rapid Professional Upskilling
-
'A bit of chaos and madness': The AI Assessment Scale and the work of assessment reform
-
When faculty ask, "what's the point of teaching?": GenAI as identity crisis, not skills gap — La IA generativa como crisis de identidad, no como brecha de capacidades
-
"Will AI steal my glory?": Power relations perceived by college instructors when grappling with Generative AI — Relaciones de poder percibidas por el profesorado universitario que lidia con la IA generativa en la escritura (Zuo, Xu y Dunning 2026)
-
The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Modelo del triángulo reflexivo: la IA como mediadora cognitiva
-
Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Conocimiento TPACK-21 autopercibido del profesorado para la IA generativa (Sutedjo, Chowdhury y Liu 2026)
-
Enhancing teachers' AI competency: A professional development intervention study based on intelligent-TPACK framework — Formación continua Intelligent-TPACK: la asistencia predice las ganancias, la participación autopercibida no
-
Improving instructional design proficiency of master's students in mathematics education through intelligent educational technologies — Modelo de aula inteligente y bucle D-T-E que mejora la competencia de diseño instruccional en un máster de matemáticas (Zhu et al. 2026)
-
The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arquitectura de roles en actividades grupales diferenciadas diseñadas con IA (Talebzadeh 2026)
-
Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence in teaching and learning — Experiencias y percepciones del profesorado universitario sobre la IA generativa: vulnerabilidad, repensar la evaluación y el aprendizaje del estudiantado en riesgo (Farazouli et al. 2026)
-
From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Del miedo a la innovación: un instituto de seis semanas para el profesorado, la pedagogía simbiótica y las condiciones institucionales que no pudo aportar
-
The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — El complejo de culpa por la IA: culpa anticipatoria, ocultación y diferencias por etapa de carrera entre el personal académico (Vassallo 2026)
-
The AI challenge: How college faculty assess the present and future of higher education in the age of AI — Encuesta de AAC&U/Elon a 1.057 miembros del profesorado estadounidense: falta de preparación institucional, gobernanza débil y la brecha de política del 87%/48% (Watson y Rainie 2026)
-
Beyond the algorithm: academic developers as digital mediators in Global South higher education — Quienes desarrollan el ámbito académico como mediadores digitales en la educación superior del Sur global: el desarrollo como praxis sociotécnica
-
A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Una serie de talleres para el uso eficaz de la IA en tiempos inciertos: construir una comunidad de aprendizaje de profesorado de física
-
Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — El bienestar del profesorado con IA depende de la alfabetización
-
The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Compruebe qué describen los niveles de un marco antes de adoptarlo
-
Can education set the agenda for AI? Simulated innovation and pedagogical direction-setting in teacher education — ¿Puede la educación marcar la agenda de la IA? Innovación simulada y orientación pedagógica en la formación docente
-
Chemistry teachers' research competence following AI-supported professional development: a mixed-methods pre-post study — 105 docentes de química en un programa de seis semanas
-
Combining AI and corpus technology in language teaching: Professional development and knowledge co-construction using the CoI framework — Más de 150 docentes de idiomas de 28 países a lo largo de 20 semanas
-
Scandinavian teachers' attitudes toward generative artificial intelligence: Exploration of associations — 2.159 docentes escandinavos; ganancia de 0,20 DE en los beneficios percibidos
-
Teachers’ basic psychological need satisfactions and their intentions to use generative artificial intelligence: the mediating role of engagement in professional development — 146 docentes tras un programa de aprendizaje con IA generativa, con las necesidades mediando la implicación
-
Prompted to Explore: A Microlearning Model for Faculty Development in Generative AI — un modelo de microaprendizaje para el desarrollo del profesorado en IA generativa
-
Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — una residencia en IA en educación médica
-
Shaping early childhood in the age of AI: holistic competencies, pedagogical practices, and ecological support — 86 recursos; el desarrollo de educadores como uno de cuatro temas
-
Relief or displacement? How teachers are negotiating generative AI's role in their professional practice — 22 docentes que piden un desarrollo dirigido por antiguos docentes
-
The Impact of AI on Work in Higher Education — 69% capacitando al personal y al profesorado existentes
-
How Is Shadow AI Legitimized in Higher Education? A Qualitative Study Among Academic Educators in the Absence of Institutional Guidance — 20 educadores que legitiman la IA en la sombra donde faltaba orientación
-
When Legacy Curriculum Meets Artificial Intelligence: A Theoretical Framework for Institutional Renewal in Career and Technical Education — brechas de capacidades que impulsan el desarrollo del profesorado y las decisiones de contratación
-
Capacity and Disposition: A Framework for Understanding GenAI Engagement in Assessment Practice — el desarrollo repetido como una de cinco capas de apoyo
Preguntas frecuentes relacionadas
Recursos relacionados
- Education Agent SkillsUna biblioteca de 165 habilidades de agente fundamentadas en la evidencia que abarcan pedagogía, ciencia del aprendizaje, currículo y evaluación, empaquetadas para Claude, Codex y Hermes.
- FPDS Apps and ResourcesLa página pública de recursos de Faculty Professional Development Services en Hillsborough College, que reúne en un solo lugar sus coaches de diseño con IA, cursos de Canvas y guías de accesibilidad.