En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

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

La competencia en IA del profesorado — los conocimientos, las habilidades y las disposiciones que el profesorado necesita para integrar la IA en la enseñanza y el aprendizaje de forma eficaz, ética y equitativa. Va más allá del uso técnico de herramientas e incluye la integración pedagógica, la alfabetización evaluativa, el juicio ético y la confianza para usar bien la IA. La competencia en IA del profesorado es la contraparte docente de la alfabetización en IA y se desarrolla mediante el desarrollo profesional. Es central para cómo se transforma el rol docente en las aulas aumentadas por IA.

Preguntas para reflexionar

  • El profesorado es «el factor decisivo» de que la IA mejore el aprendizaje: las herramientas solo ayudan cuando el profesorado puede planificar su uso, andamiarlo y evaluar los resultados. ¿Coincide eso con su experiencia o cree que la herramienta importa más que el profesorado?
  • La competencia en IA del profesorado abarca el dominio técnico, la integración pedagógica, la alfabetización evaluativa y el juicio ético. ¿Cuál de estas dimensiones cree que falta más y cuál es la más difícil de formar?
  • La investigación documenta una brecha entre la habilidad en IA que el profesorado se atribuye y la que realmente tiene. ¿Por qué cree que las personas sobreestiman su preparación y qué haría falta para cerrar esa brecha con honestidad?
  • Un programa intensivo de desarrollo profesional produjo grandes ganancias en habilidad pedagógica con IA en la investigación citada, lo que sugiere que la habilidad técnico-pedagógica es formable. Si eso es cierto, ¿por qué sigue habiendo tanto profesorado que parece no estar preparado? ¿Qué se lo impide?
  • Si alguien puede «usar bien la IA», ¿qué significa «bien» para usted y cómo sabría que lo ha logrado en lugar de haberse limitado a adoptar la herramienta?

Introducción

La competencia en IA del profesorado importa porque el profesorado es el factor decisivo de que la IA mejore el aprendizaje. La investigación muestra de forma consistente que las herramientas de IA solo se traducen en mejores resultados cuando el profesorado puede planificar su uso, andamiar el uso que hace el estudiantado, evaluar los resultados e integrarlos en una enseñanza coherente. La literatura examina las dimensiones de esta competencia, las brechas entre la autopercepción y la habilidad real, y el desarrollo profesional que la construye.

Nunez-Canal et al. (2026) vinculan directamente la competencia en IA del personal docente con los resultados del estudiantado y, apoyándose en las teorías del capital humano y de las partes interesadas sobre una encuesta a profesorado de negocios y economía, sostienen que la inversión de las universidades en la competencia del profesorado no es discrecional.

  • La formación en prompting ahorra tiempo pero no mejora los materiales. En un ensayo controlado aleatorizado preregistrado con 204 docentes, Appel, Fervers y Piepenburg (2026) encontraron que ChatGPT mejoró la calidad de los materiales de preparación de clases y redujo el tiempo de preparación en un 34%, mientras que la formación previa en IA añadió una reducción adicional del 21% de tiempo sin mejorar la calidad valorada (Appel et al., 2026). El profesorado formado escribió prompts más largos e iteró menos; ambas rutas alcanzaron la misma calidad.

Dimensiones centrales de la competencia

La investigación converge en varias dimensiones interconectadas:

  • Dominio técnico: elaborar prompts eficaces para objetivos educativos, evaluar herramientas de IA por su idoneidad pedagógica y su seguridad, y resolver fallos en tiempo real. Un programa intensivo de desarrollo profesional en IA generativa documentó ganancias significativas en los cinco componentes del AI-PCK (en conjunto, d = 2,36), lo que muestra que la habilidad técnico-pedagógica es formable.

  • Especificar los flujos de trabajo de los agentes: cuando el profesorado configura un chatbot en lenguaje natural, el fallo dominante es la pérdida de intención y no los datos erróneos —los bots se saltaron pasos obligatorios del flujo de trabajo en el 53,8% de las conversaciones de usuarios finales y omitieron el establecimiento de expectativas en el 33,4% (Liu et al. (2026)), de modo que escribir pasos ordenados y explícitos es una dimensión competencial entrenable por sí misma.

  • El conocimiento pedagógico es la capa decisiva. Un estudio transnivel de educación en IA en secundaria (46 docentes, 2.832 estudiantes) encontró que el conocimiento técnico de la IA por sí solo era insuficiente —e incluso podía reducir ligeramente la percepción del estudiantado sobre la IA para el bien social—, mientras que el conocimiento pedagógico de la IA impulsaba las percepciones del estudiantado y su intención de aprender IA. Los marcos de competencia deberían, por tanto, ponderar el conocimiento pedagógico de la IA como la dimensión pivotal y no como un añadido blando.

  • Integración pedagógica: vincular el uso de la IA a los objetivos de aprendizaje, diseñar andamiaje que apoye la metacognición y la auto-regulación del estudiantado, e integrar la IA en el diseño instruccional. La investigación sobre AI-TPACK modela cómo el profesorado combina conocimiento tecnológico, pedagógico y de contenido mediante flujos de trabajo multi-agente, mientras que un marco de colaboración docente-IA de cinco niveles (transaccional → sinérgico) captura cómo la IA generativa puede reemplazar, complementar o aumentar la competencia docente.

  • Competencia investigadora: usar la IA para el análisis de datos de aula es una dimensión formable de la pericia docente; un programa de seis semanas apoyado por IA con 105 docentes de química produjo ganancias pre-post en todas las dimensiones medidas (dz de Cohen 0,47 a 0,63, p < 0,001) (Ussenbay et al. (2026)). También desplazó las percepciones del profesorado sobre la IA desde la recuperación y la escritura hacia la planificación de la investigación y la toma de decisiones informada por datos.

  • Alfabetización evaluativa: evaluar el contenido generado por IA y las producciones del estudiantado con IA, y comprender cómo cambia la validez cuando el estudiantado usa IA. Esto conecta con la evaluación automatizada, la detección de IA y la agenda más amplia de rediseño de la evaluación. En el caso de los sistemas de recomendación, se extiende a juzgar si las explicaciones de una IA son genuinamente comprensibles y pedagógicamente significativas: Feldman-Maggor et al. (2025) encontraron que el profesorado confiaba más en las recomendaciones de agrupamiento de la IA cuando las explicaciones se formulaban en el lenguaje de la disciplina (curricular) que cuando exponían características crudas del modelo, una habilidad para exigir y valorar la calidad de las explicaciones en lugar de aceptar resultados opacos.

  • La selección de modelo y el diseño de prompts como habilidades demostrables: la alfabetización en IA instrumental incluye saber qué modelo usar y cómo formular la tarea. Jacobsen et al. (2026) hicieron que ChatGPT-4, Claude 3 y Gemini Advanced criticaran los objetivos de planificación de clases de 153 docentes en formación bajo cuatro prompts variados sistemáticamente (N = 240 retroalimentaciones en el estudio 1 y 345 en el estudio 2), con la retroalimentación valorada en nueve categorías de calidad. La elección de modelo por sí sola explicó el 26,9% de la varianza en la calidad valorada (18,4% en el estudio 2) y el diseño del prompt añadió un 15,9% adicional significativo (5,7%); la única característica decisiva del prompt fue el lenguaje técnico específico de la disciplina, cuya eliminación redujo significativamente la calidad (β = −0,412), mientras que añadir ejemplos y suprimir la instrucción de cadena de pensamiento no supuso ninguna diferencia significativa en el estudio 1. Su lectura —que la terminología de la materia tanto desbloquea contenido relevante de los datos de entrenamiento como enmarca la petición de forma profesional, como hace el role prompting— junto con una regla práctica de usar el modelo de frontera actual más capaz, convierte la elección de modelo en una decisión didáctica y no técnica.

  • Uso ético y crítico: reconocer el sesgo en los resultados de la IA, proteger los datos del estudiantado (privacidad) y garantizar resultados equitativos (equidad en la educación con IA). El uso culturalmente relevante de la IA examina cómo el profesorado puede usar los LLM para diversificar los materiales en lugar de reforzar las normas dominantes.

  • La representación visual es una dimensión medible propia. Chen et al. (2026) validaron una escala de cinco dimensiones para generar, juzgar y actuar sobre representaciones visuales con 566 docentes de cinco provincias del oeste de China, con un alfa de las subescalas de 0,911 a 0,934; mide la capacidad declarada, sin test-retest y sin observación de la práctica.

  • La responsabilidad ética es distribuida, no individual. En siete casos nacionales se sitúa al profesorado como guardián moral del uso de la IA mientras carece de apoyo institucional y epistémico, de modo que la alfabetización ética en IA tiene que extenderse a la agencia crítica y política y no solo a la habilidad técnica (Raffaghelli et al. (2026)).

  • Confianza y actitudes: la confianza del profesorado condiciona la adopción. La investigación sobre adopción encuentra que la confianza, el apoyo y la utilidad percibida determinan si el profesorado usa realmente la IA, y que las orientaciones del personal docente condicionan la adopción en la investigación y en la enseñanza.

  • En una encuesta de cinco países con 1.405 docentes de K-12, la preparación en IA predijo creencias positivas sobre el valor instruccional de la IA generativa (B = 0,59, R² = 0,50) pero predijo una mayor preocupación por la creatividad (B = 0,18), y esos mismos predictores explicaron solo el 7% y el 6% de la preocupación: construir preparación por sí solo deja la preocupación intacta (Xiu et al. (2026)).

La preparación debería ordenarse y medirse en consecuencia: el modelo Capacidad–Decisión sitúa la capacidad demostrada de IA antes que la actitud y la confianza y propone indicadores de desempeño en lugar de autoinforme únicamente —tareas de diseño de clases, tareas de evaluación de prompts sembradas con errores, juicios de validez de contenido y rúbricas de artefactos de aula (Mnguni (2026)).

La preparación emocional y moral es una dimensión distinta. Vassallo (2026) encuestó al personal académico de una universidad maltesa (109 respuestas) y construyó un Índice de Culpa por IA (α = 0,88) a partir de cuatro ítems de emoción moral, y encontró que la culpa anticipatoria pesaba más que el remordimiento experimentado después del uso: la afirmación más respaldada era la preocupación de que usar IA menoscabe la propia credibilidad (34,9% de acuerdo), seguida de sentirse como si se hiciera trampa al usarla (25,7%), mientras que el remordimiento posterior al uso solo alcanzó el 9,2%. Los hallazgos que importan para los marcos de competencia son que quienes no la usaban declararon más culpa que quienes la usaban (M = 3,25 frente a M = 2,32) y que la culpa descendía a medida que aumentaba la seguridad profesional: el personal académico al inicio de su carrera declaró la más alta (M = 2,71) y el personal sénior la más baja (M = 2,03). La preparación emocional no queda, por tanto, recogida por las medidas de habilidad o de confianza, y el artículo sostiene que los marcos de competencia deberían tratar la culpa y la preocupación identitaria como respuestas transitorias normales y no como defectos que corregir.

Una versión más fuerte de ese reencuadre sostiene que la IA generativa es un concepto umbral y no una brecha de habilidades: un relato autoetnográfico argumenta que la ansiedad y la resistencia del profesorado son constitutivas del cruce del umbral, de modo que la formación basada en habilidades fracasa y la no adopción con principios debería respetarse en lugar de corregirse (Laidlaw (2026)).

La competencia se manifiesta como reparación, no solo como prompting. Con 7 docentes de matemáticas de secundaria que reescribieron 143 problemas, Walkington et al. (2026) codificaron 415 prompts de seguimiento: la mayoría corregía el realismo, la legibilidad o la estructura matemática, y seis detectaron resultados inapropiados o sesgados —el juicio docente operando como supervisión de la tarea generada y no como fluidez en el prompting.

Dos dimensiones son compromisos, no puntuaciones. Feng y Carolus (2026) sintetizan 58 estudios de educación escolar y sitúan el conocimiento contextual y el crecimiento profesional continuo entre las seis dimensiones de la alfabetización en IA del profesorado, junto al conocimiento y las habilidades basados en TPACK, la ética, la dimensión psicológica y una específica de la IA generativa. Trece de los artículos revisados construyen su conceptualización docente sobre TPACK. Leer el crecimiento como dimensión y no como resultado cambia lo que un marco de competencia tiene que medir: la trayectoria de un docente y las restricciones de su escuela pasan a formar parte de la competencia, y no son condiciones a su alrededor.

Construir competencia no responde a la vía del desgaste. En la misma encuesta a 436 docentes universitarios de diseño, Ding et al. (2026) encontraron que el uso de IA generativa elevaba a la vez la autoeficacia docente (β = 0,322) y la ansiedad ante la IA (β = 0,268), y la ansiedad predecía menos enseñanza innovadora y más retirada del trabajo (β = −0,152 y β = 0,264). Un programa de desarrollo profesional que solo construye habilidad deja intacta la segunda vía: los moderadores eran el apoyo organizativo y la ruptura del contrato psicológico, no la competencia.

La brecha de competencia

Un hallazgo clave es la brecha entre la competencia autoinformada y la basada en el desempeño. La investigación sobre la evaluación de la alfabetización en IA documenta una discrepancia sustancial (de hasta ~40%) entre lo que el profesorado cree que puede hacer y lo que puede demostrar realmente: el profesorado que se siente seguro con las habilidades de IA a menudo carece de capacidades fundacionales de prompting y evaluación. Esto motiva una evaluación basada en el desempeño de la competencia docente en lugar de confiar en el autoinforme, y conecta con la autoevaluación calibrada. Una encuesta nacional a 2.586 docentes de secundaria nigerianos midió las dos caras con instrumentos separados —una conciencia de la IA moderada (M = 3,13 de 8) frente a una habilidad pedagógica en IA menor (M = 2,47 de 5)—, y el profesorado al inicio y a mitad de su carrera declaraba una habilidad mayor que sus colegas con más experiencia (Olurinola et al., 2026).

La preparación es el obstáculo más documentado en la literatura sobre matemáticas. Una revisión de 54 estudios de educación matemática encontró la integración tecnológico-pedagógica y la preparación del profesorado como el reto informado con más frecuencia (38 de 54), por delante de la validez y la integridad de la evaluación (26) y de la dependencia excesiva (24) (Manto et al. (2026)).

La brecha no está solo entre la habilidad percibida y la real, sino en la amplitud de lo que el profesorado sabe: una encuesta nacional a 2.018 docentes de secundaria ucranianos encontró que el 84% declaraba usar IA en su práctica profesional mientras que solo el 11% podía nombrar un servicio de IA especializado más allá de ChatGPT (Marienko, Markova y Semerikov (2026)). Una segunda estrechez se aprecia en lo que el profesorado aporta de forma voluntaria y no en lo que puede nombrar: 53 docentes en activo que etiquetaron sus propios casos de aula frente al Marco de Alfabetización en IA de la OCDE describieron 43 prácticas alfabetizadas en IA frente a solo 10 fallos (Wang et al., 2026). Sus selecciones de competencias se agruparon en el juicio práctico (evaluar los resultados de la IA, N = 38) y rara vez alcanzaron el sesgo social (N = 5), la alineación ética (N = 6) o el consumo energético de la IA (N = 9).

Una encuesta a 132 docentes en Indonesia encontró una aceptación casi universal junto a una comprensión mecanicista muy escasa: el 96,2% respaldaba el uso de la IA por parte del profesorado, pero solo el 4,6% nombró la tokenización o la decodificación y el 21,5% creía que ChatGPT buscaba en una base de datos o en internet (Aji et al. (2026)). Una actitud favorable no es evidencia de un modelo mental utilizable de la herramienta.

  • El uso y la formación específica en IA generativa asientan las actitudes; la confianza general no. En TALIS 2024, el profesorado escandinavo que había usado IA generativa puntuó 0,72 desviaciones estándar más en el acuerdo con los beneficios y 0,26 desviaciones estándar menos en la incertidumbre sobre ellos, el desarrollo profesional específico en IA generativa añadió 0,20 desviaciones estándar, y quienes la usaban también coincidían más a menudo con las preocupaciones sobre la tergiversación (White et al., 2026). Entre 425 profesionales de K-12, la capacidad de vigilancia epistémica predijo una preparación calibrada para la IA con β = .675 mientras que la motivación autónoma no lo hizo (β = .076), y solo 143 declararon una política escrita clara sobre IA (Song, 2026).

La brecha se ve tanto en el artefacto como en el autoinforme. Un colaboratorio interinstitucional de profesorado en la formación docente, en el que formadores de docentes integraron la IA en sus propios cursos de didáctica, informó de que los futuros docentes podían producir planificaciones de clase asistidas por IA muy pulidas sin ser capaces de explicar por qué una planificación encajaba con el estudiantado y con los estándares, ya que la planificación en sí no dice nada sobre el razonamiento que hay detrás. Calificar la justificación en lugar del producto es una respuesta posible. El marco de pedagogías de la práctica sugiere otra, al tratar el ensayo como una aproximación de la práctica: el ensayo mediado por IA con retroalimentación estructurada posterior al ensayo aumentó el uso de preguntas de sondeo y exploración por parte de los futuros docentes, aunque sus propios juicios sobre su desempeño seguían divergiendo de lo que registraban las personas observadoras.

Un modelo a nivel de facultad sugiere que parte de la señal del autoinforme es institucional y no individual. Moreira-Choez et al. (2026) predijeron la banda de competencia digital autoevaluada de 315 docentes universitarios y encontraron que la afiliación era el mayor contribuyente global, por delante de la edad y del título, con bandas de competencia docente divididas entre un 90,1% y un 42,9% de nivel alto según la institución (χ² = 82,710; V = 0,512). Una puntuación de competencia que sigue a la universidad que emplea a la persona encuestada está midiendo contexto tanto como capacidad.

Una autoevaluación a la baja tras la formación puede indicar aprendizaje, y no pérdida. En un programa de desarrollo profesional Intelligent-TPACK de formación continua de seis meses con 64 docentes universitarios de Hong Kong frente a 61 controles, la competencia global en IA aumentó alrededor de media desviación típica (d de Cohen = −.521), aunque algunos docentes de ambos grupos puntuaron menos en la prueba posterior que en la previa (Tan, Cheng y Ling, 2025). Las entrevistas atribuyeron los descensos a un paso de la incompetencia inconsciente a la consciente —la recalibración que predice el efecto Dunning–Kruger— y no a una pérdida de destreza. Los autores concluyen que el autoinforme pre-post infravalora una intervención, porque parte de la ganancia llega como corrección a la baja del propio instrumento.

La brecha puede invertirse a lo largo de la trayectoria formativa. En educación médica de posgrado, doce médicos que dirigen el trabajo curricular en IA esperaban que el personal residente llegara a ser más fluido con la IA que muchos de sus docentes, y propusieron aprendizaje y enseñanza conjuntos en lugar de una actualización unidireccional del profesorado (Bursic et al. (2026)). Las mismas entrevistas describieron unidades de informática todavía no lo bastante maduras para liderar el desarrollo curricular, lo que sitúa la restricción en la capacidad institucional además de en la habilidad individual.

La brecha también se manifiesta como no participación. Watson y Rainie (2026) encuestaron a 1.057 docentes universitarios estadounidenses a finales de 2025 y encontraron que el 26% no usa en absoluto herramientas de IA generativa, con un tercio que decide no usarlas para enseñar y una no utilización concentrada en las artes y las humanidades (40%). El lado institucional de la brecha era mayor que el individual: el 68% dijo que su institución no había preparado al profesorado para usar la IA generativa en la docencia y la tutoría, y el profesorado señaló la resistencia de sus colegas (82%) y su falta de familiaridad (83%) como los principales obstáculos a la adopción departamental, un panorama en el que la creación de capacidades, las normas entre pares y la política tienen que moverse a la vez.

La adopción pasa por el juicio sobre la disciplina y no por el entusiasmo general. En entrevistas con 14 docentes de cuatro universidades chinas, los participantes juzgaban útil la IA por las exigencias de conocimiento de su propio campo, la mantenían en un papel auxiliar y condicionaban su uso a un propósito claro y a que el estudiantado pensara primero (Xiong et al. (2026)). Su preocupación más constante no era su propia habilidad, sino que el estudiantado entregara el proceso de pensamiento.

La formación inicial elude en gran medida la dimensión ética de la competencia. Una revisión sistemática sobre la IA en la formación inicial del profesorado de matemáticas de primaria (Pinto et al. 2026, 11 estudios seleccionados de 341 registros) encontró que las intervenciones se concentraban en ganancias técnicas y pedagógicas a corto plazo, con nueve de los once estudios consistiendo en intervenciones breves de una a seis sesiones, e informó de que la ética se abordaba solo en tres de los once estudios. Los marcos de competencia nombran el juicio ético como dimensión; la literatura de formación inicial destinada a construirlo rara vez lo enseña o lo mide.

  • Siete clústeres de competencia, con la ética como el eslabón más débil. Una síntesis temática de 78 estudios arroja clústeres de ingeniería de prompts, evaluación crítica de los resultados de la IA, conciencia ética y detección de sesgos, alineación pedagógica y de contenido, alfabetización conceptual en IA, supervisión humana y reflexión. La ingeniería de prompts fue la más documentada de forma consistente y se comporta como un espectro de desarrollo y no como una habilidad única, lo que llevó a quienes hicieron la revisión a sostener que se entiende mejor como razonamiento pedagógico ejercido a través de un nuevo medio: el prompt como decisión de diseño externalizada. La conciencia ética fue la competencia menos documentada en los estudios de formación inicial (Spyropoulou y Kameas, 2026).
  • El profesorado sobreestima su propia habilidad de evaluación. Más allá del hallazgo de que solo el 38,3% de los objetivos de aprendizaje generados por IA cumplían todos los criterios de calidad sin revisión, los futuros docentes sobreestiman sistemáticamente su capacidad para evaluar los resultados de un chatbot, lo que la revisión lee como un posible déficit perceptivo y no declarativo. Por eso sus autoras y autores sostienen que la competencia debería evaluarse mediante artefactos de desempeño (planificaciones de clase, registros de decisiones, microenseñanza) y no mediante autoinforme: la falta de fiabilidad de la autoevaluación queda demostrada en la propia literatura a la que la formación pretende responder.

Desarrollo profesional que funciona

La literatura sobre desarrollo profesional identifica enfoques eficaces:

  • Programas intensivos y fundamentados en la teoría: un programa intensivo de desarrollo profesional en IA generativa con 163 docentes y futuros docentes produjo ganancias significativas en todos los componentes del AI-PCK, y los futuros docentes fueron quienes más se beneficiaron. El desarrollo profesional basado en la teoría de la autodeterminación muestra que una formación que apoya las necesidades mejora la alfabetización en IA, las actitudes y la implicación del profesorado, a la vez que reduce la ansiedad.
  • Enfoques basados en el diseño e integrados: la formación en alfabetización en IA generativa basada en investigación de diseño aborda el énfasis excesivo en el conocimiento técnico y en las herramientas anteriores a la IA generativa; los marcos integradores y de desarrollo y la integración de competencias socioemocionales amplían la alfabetización más allá de la técnica pura.
  • Indagación y práctica auténtica: los modelos de indagación apoyados por IA construyen alfabetización en IA y desempeño auténtico en los futuros docentes.
  • Preparación específica del contexto: el marco de preparación EPIQ-AI subraya que la preparación del personal docente es una cuestión sociotécnica que exige alinear la capacidad del profesorado, la gobernanza y el aseguramiento de la calidad.
  • El apoyo debe diferenciarse según la experiencia y la competencia en IA. Choi et al. (2026) encontraron que la forma en que el profesorado interactúa realmente con la IA al diseñar clases depende de la interacción entre la experiencia docente y la competencia en IA, y no de cada una por separado. El profesorado con experiencia y alta competencia en IA adapta críticamente los resultados de la IA al contexto (reprompting, ampliación), mientras que las personas noveles —incluso las técnicamente fluidas— tienden a aceptar directamente las respuestas de la IA y rara vez consideran al estudiantado y el contexto. Esto aboga por un desarrollo profesional basado en perfiles: listas de comprobación para evaluar respuestas y plantillas de prompts para las personas noveles, y desarrollo práctico de habilidades para el profesorado con experiencia y menor competencia en IA.
  • El beneficio de tiempo sigue también la experiencia y la confianza, y no solo el diseño del apoyo. En el ensayo de Roy et al. (2026) sobre un asistente de planificación de clases con IA, la reducción de la carga de trabajo fue mayor para el profesorado con menor confianza en su conocimiento de la materia, menor conocimiento pedagógico, menos tiempo en la profesión o mayor confianza con la tecnología. La competencia y la confianza forman parte, por tanto, del efecto de la intervención y no solo de su adopción.

La configuración de creencias es un segundo eje de perfilado: entre 40.680 docentes de TALIS 2024, el mismo estado de no uso ocultaba barreras opuestas —el 83,3% del perfil Indiferente aducía reservas pedagógicas mientras que el 66,2% del perfil de Apoyo Mesurado aducía conocimientos y habilidades insuficientes (Fang y Jin (2026)). El aprendizaje profesional relacionado con la IA siguió la pertenencia a un perfil de forma más consistente que la edad o la titulación.

  • El profesorado no comparte una única concepción de la IA. Un estudio fenomenográfico con 16 docentes daneses de educación superior encontró tres concepciones de enseñar con IA y tres de aprender con IA, así que un único modelo de taller llega solo a una parte de cualquier grupo docente (Stenalt (2026)).
  • El codiseño y la alfabetización pedagógica en prompts son competencias, no añadidos. Una revisión sistemática del codiseño docente-IA de tareas de aprendizaje (Wang, Liu e Islam 2026, 28 estudios) encuentra que el modo de colaboración dominante es la IA como asistente y generadora de contenido, y sitúa una brecha en las capacidades de codiseño más pleno y de asociación dialógica del profesorado. Talebzadeh (2026) muestra que el desarrollo profesional que empareja la formación técnica en IA con el razonamiento pedagógico —construyendo una «alfabetización pedagógica en prompts» (codificar el PCK en los prompts)— es lo que permite al profesorado convertir los resultados de la IA en actividades grupales diferenciadas eficaces.
  • El microaprendizaje puede desarrollar la competencia en IA del profesorado universitario. Cechovsky (2026) refinó dos módulos de formación profesional a lo largo de dos discusiones de grupo en línea hasta convertirlos en cinco principios de diseño —estructura y orientación claras, apoyo de guía y navegación, segmentación y modularización, presentación multimodal y activación de quien aprende— y encontró que la navegación en la plataforma y la localización de los módulos eran las principales barreras prácticas.
  • La intención de adopción depende de la satisfacción de necesidades. En un modelo estructural de 146 docentes, la satisfacción de la necesidad de competencia predijo la intención de usar IA generativa a través de la motivación intrínseca y de la implicación en el desarrollo profesional (indirecto 0,233), mientras que la satisfacción de autonomía y de relación no lo hicieron (Yuan et al., 2026).
  • Estructuras que construyen competencia, en lugar de listas de competencia. Perl-Nussbaum y Finkelstein (2026) dirigieron una comunidad de aprendizaje docente de seis sesiones quincenales en un gran departamento de física R1 público —diecinueve docentes a lo largo de la serie, unos diez en cada reunión— en la que cada sesión abría con datos locales, pasaba a una prueba en grupos pequeños de la IA frente a deberes reales y anonimizados del estudiantado y cerraba con una discusión colectiva, y produjo un repositorio compartido de cinco entradas en lugar de un paquete de formación. La alfabetización evaluativa puede construirse del mismo modo mediante una herramienta de diseño: en el piloto de Paula et al. (2026), ocho coordinadores de cursos experimentados de STEM y Salud desarrollaron su alfabetización evaluativa criticando los borradores de evaluación de un GPT personalizado contra los estándares disciplinares, aunque los resultados fallaban repetidamente el contexto disciplinar, ignoraban la secuenciación de temas y en un caso arrastraban referencias fabricadas a lo largo de prompts repetidos. Los ocho mantuvieron el juicio académico en sus manos y rechazaron la automatización de extremo a extremo, lo que convierte la crítica estructurada de borradores generados en el mecanismo de desarrollo, y no la formación en la herramienta.
  • Las sesiones breves pueden mover la aceptación sin mover la adopción. Mesenhöller y Böhme (2026) evaluaron una sesión INSIGHT de tres horas con 100 docentes alemanes y encontraron que la utilidad percibida y la facilidad de uso percibida aumentaron significativamente (utilidad t(99) = -3,24, p = 0,002, d = 0,32; facilidad de uso d = 0,25), mientras que la intención conductual de usar tecnologías basadas en IA para la diferenciación no cambió. Los autores señalan que sus líneas base ya eran favorables, por lo que es plausible un efecto techo. La lectura para el diseño de desarrollo profesional es limitada pero útil: una sesión breve puede cambiar cómo el profesorado juzga las herramientas de IA sin cambiar si planea usarlas, que es el tipo de cambio que necesita continuidad y no un evento puntual.
  • El personal docente prefiere la fluidez pero atribuye el aprendizaje al andamiaje. En 41 docentes, una línea base de GPT-4o fue preferida en conjunto (21 frente a 13), pero al modelo de tres pasos ajustado (identificar, explorar, desarrollar) se le atribuyó más a menudo el aprendizaje (18 frente a 13), y ambos juicios coincidieron solo el 39% de las veces (Molnar et al. (2026)).
  • Apoyo institucional: el desarrollo profesional debe ir acompañado de infraestructura institucional (política, cambio institucional) para una adopción sostenible.
  • Las herramientas de autoría no garantizan la fidelidad pedagógica. Riahi et al. (2026) estudiaron a 27 docentes de secundaria que configuraban chatbots educativos en talleres de desarrollo profesional, y analizaron grupos focales junto con registros de configuración e interacción. El profesorado trataba el chatbot como un andamiaje instruccional acotado por reglas definidas por él mismo, pero la alineación basada en registros entre intención y conducta era más fuerte para la capacidad de respuesta (88,9%) y la persona (81,5%) que para las reglas (70,4%) y el propósito (59,3%). Los controles configurables por sí solos no trasladan la intención pedagógica a la conducta, así que expresar, probar y refinar la pedagogía de un chatbot es en sí mismo una competencia que las herramientas de autoría tienen que apoyar.

Un contraejemplo basado en el diseño trata la competencia como situacional y no como un peldaño de una escalera. El estudio basado en el diseño de Eyal (2025) con 22 formadores de docentes de educación superior hizo que las personas participantes examinaran cinco marcos de evaluación publicados y codiseñaran una alternativa organizada en torno a tres ejes interrelacionados: la adecuación al contexto (infraestructura, factores socioculturales, necesidades locales, etapa de desarrollo), las necesidades profesionales (disciplina, pedagogía, liderazgo, apoyo) y el desarrollo dinámico. El modelo rechaza los niveles de competencia fijos y permite una progresión no lineal, y se acompaña de un cuestionario de autoevaluación reflexiva de 20 ítems valorado de 1 a 5. Su validación es solo cualitativa, sin pruebas cuantitativas de fiabilidad, por lo que se sostiene como contribución de diseño y no como instrumento validado.

  • Estimación metaanalítica. Guo et al. (2026) agruparon 212 tamaños del efecto de 34 estudios y estiman la formación continua en alfabetización en IA del profesorado en g = 0,76 (IC del 95% [0,50, 1,02]), más fuerte para las habilidades (g = 0,91) y más débil para actitudes y valores (g = 0,61); corregir la aparente selección de publicaciones rebaja la estimación a alrededor de g = 0,49.

  • La asistencia predice las ganancias allí donde la sensación de participar no lo hace. En ese mismo programa de seis meses, la tasa de asistencia predijo la ganancia de competencia (β = 0,407, p = ,001) mientras que la participación autopercibida no lo hizo (β = 0,049, p = ,692), y la disciplina, la experiencia docente y la categoría profesional explicaron poco; los autores leen la asistencia como inversión conductual y la participación percibida como implicación superficial (Tan, Cheng y Ling, 2025).

  • Los valores van por detrás de las habilidades también en un programa específico de dominio. En un programa de un año en Hong Kong con 30 docentes de inglés, el conocimiento de estrategias de evaluación multimodal subió de 3,13 a 4,15 sobre 5 (η² parcial = 0,571) y la competencia de apoyo al estudiantado de 3,05 a 3,98 (0,482), ambos significativos, mientras todos los subdominios de valor se mantuvieron estadísticamente planos bajo un alfa corregido por Bonferroni de 0,006. El profesorado atribuyó las ganancias a la coplanificación en el centro y a las reuniones de clúster entre escuelas, y no solo a los talleres (Jiang et al., 2026).

  • Los planes de IA son una línea base, y la mediación es la competencia. Veintiséis docentes principiantes que revisaban planificaciones de clase generadas por IA reescribieron las tareas, añadieron modelado y apoyos lingüísticos, clarificaron los objetivos y reconstruyeron la secuenciación en torno a la logística del aula, y describieron su papel como revisar y personalizar en lugar de aceptar el resultado (Integrating AI in Lesson Planning: Critical Reflection and Thoughtful Implementation).

La formación sin tiempo en el horario no llega al estudiantado. La revisión de iRAISE de 2026 en cuatro países plantea el punto de forma estructural: los currículos, la formación docente y los materiales solo tienen un impacto limitado a menos que las escuelas reserven tiempo para enseñar alfabetización digital y en IA, mediante lecciones dedicadas o proyectos a lo largo del curso (Cerioli, 2026).

Medir la competencia en IA del profesorado

Guillén-Gámez (2026) validó un instrumento diagnóstico basado en el modelo TAM con 434 docentes en activo. La intención conductual fue el principal predictor de la competencia digital para usar IA generativa en la planificación curricular, con la autoeficacia como motor de raíz.

Un estudio psicométrico desarrolló la Escala de Alfabetización en IA del Profesorado (TAILS) para medir la alfabetización en IA específicamente en la formación de profesorado de idiomas, operacionalizando las seis dimensiones del marco ED-AI. El instrumento cubre una carencia de evaluaciones escritas para estudiantes o usuarios generales y no para el profesorado.

El panorama de instrumentos se ha revisado desde entonces. La revisión sistemática de Zainal, Mohd Matore y Maat (2026) sobre instrumentos de medición de la alfabetización en IA del profesorado compara qué miden realmente las escalas disponibles y dónde divergen, que es lo primero que hay que leer antes de adoptar una.

La competencia en IA del profesorado y la transformación del rol docente

A medida que la IA asume tareas rutinarias de instrucción y evaluación, la contribución distintiva del profesorado se desplaza hacia la orquestación, el juicio y la relación: decidir cuándo y cómo se usa la IA, andamiar la agencia del estudiantado y su uso crítico, garantizar la equidad y ofrecer el apoyo social y emocional que la IA no puede dar. Esto reencuadra la competencia docente en torno a la supervisión con intervención humana, el juicio ético y el apoyo al aprendizaje autorregulado, y conecta con el rol docente y con la protección frente a la dependencia excesiva.

Implicaciones para la práctica

Quienes desarrollan al profesorado pueden orientar el desarrollo profesional al conocimiento pedagógico de la IA y no a la fluidez con herramientas. Los programas que construyeron conocimiento pedagógico del contenido informaron de grandes ganancias pre-post, lo que sugiere que el techo es más alto de lo que implica un taller único, y la formación técnica por sí sola no movió las percepciones del estudiantado en los estudios revisados.

Quienes forman al profesorado pueden separar las dos cosas que compra la formación en prompting. El tiempo ahorrado en la preparación es un beneficio y mejores materiales es otro, y la evidencia respalda el primero sin respaldar el segundo. Un programa que promete ambos decepcionará en calidad.

El profesorado puede escribir las instrucciones de los agentes como pasos ordenados. Cuando el profesorado configuró chatbots en lenguaje natural, el fallo dominante fue un paso omitido del flujo de trabajo y no un dato erróneo, así que la habilidad que merece practicarse es especificar la secuencia y las precondiciones, no añadir más detalle sobre el contenido.

Quienes dirigen escuelas pueden financiar las condiciones que hacen usable la competencia: tiempo de trabajo remunerado, un lugar en el horario y apoyo específico por materia. La comparación de iRAISE encontró que la confianza del profesorado decidía si las herramientas se usaban siquiera, y la confianza sigue a la práctica con apoyo y no a la formación sola.

Quienes dirigen departamentos pueden evaluar la competencia por demostración. Las escalas de autoinforme y la demostración divergen, y los instrumentos revisados aquí miden constructos muy distintos, así que un portafolio de clases impartidas o de trabajo estudiantil calificado dice más que una encuesta de preparación.

Concepciones erróneas

  • «La formación en prompting mejora los materiales del profesorado.» La formación en prompting compra tiempo, no mejores materiales: en un ensayo controlado aleatorizado preregistrado con 204 docentes, Appel, Fervers y Piepenburg (2026) encontraron que ChatGPT mejoró el tiempo dedicado mientras la calidad del material no acompañó. La ganancia de eficiencia es real y no es la ganancia de calidad.
  • «Cuando el profesorado configura un chatbot, el fallo es un error factual.» Cuando el profesorado configura un chatbot en lenguaje natural, el fallo dominante es la pérdida de intención y no los datos erróneos —los bots se saltan el paso que el docente pretendía. El seguimiento de instrucciones falla de forma estructural y no factual.
  • «La habilidad técnica es la capa decisiva.» El conocimiento pedagógico es la capa decisiva: un estudio transnivel de la educación en IA en secundaria Shen et al., 2026. La competencia que determina el resultado es aquella en la que menos invierten la mayoría de los programas de formación.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Recursos relacionados

  • Claw-ED
    Un asistente docente local-first que convierte su propio currículo en borradores de lecciones editables, materiales para el estudiantado y diapositivas, usando un modelo que usted elija.
  • EduPrompts
    La biblioteca gratuita y en crecimiento de Eric Curts con más de 160 prompts de IA ya preparados para centros educativos, organizada por tarea docente y en transición de Gemini Gems a Gemini Skills.
  • Playlab
    Una plataforma de creación sin ánimo de lucro en la que el profesorado crea, comparte y evalúa sus propias aplicaciones de IA, fundamentadas en su currículo, ejecutadas con el modelo que elija y con visibilidad para el profesorado integrada.
  • Teacher Hive
    Una plataforma de alojamiento de uso gratuito de Tony Vincent donde el profesorado publica aplicaciones web de aula generadas por IA, las comparte por enlace o código QR y explora cientos de aplicaciones creadas por otros docentes.
  • TeacherServer
    Una amplia biblioteca gratuita de generadores didácticos de propósito único — planes de clase, hojas de trabajo, objetivos del IEP, rúbricas, estudios de caso, problemas matemáticos — para el profesorado de K-12 y el profesorado universitario.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.