Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

La docencia

Creada 2026-09-25 · Actualizada 2026-09-25

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

La docencia: cómo la IA remodela el trabajo, la identidad y la agencia de quienes educan. Con más de 50 artículos que examinan esta dimensión, la base de conocimiento documenta una transformación fundamental: de autoridad única del conocimiento a orquestadora de entornos de aprendizaje en los que colaboran personas e IA. Esta página va más allá de describir ese cambio: detalla lo que el profesorado realmente hace de otro modo, cómo puede adaptar su práctica y cómo se conecta con diseño del aprendizaje, alfabetización en IA y integridad académica.

Preguntas para reflexionar

  • La página describe el giro del profesorado «de autoridad única del conocimiento a orquestadora de entornos de aprendizaje en los que colaboran personas e IA». ¿Qué gana y qué pierde como docente cuando deja de ser la fuente principal de contenido?
  • Sostiene que la IA reasigna el recurso más escaso del profesorado, la atención, desde la producción de materiales hacia la interpretación de quien aprende. ¿Le resulta convincente este replanteamiento y qué haría usted de verdad con el tiempo recuperado?
  • La investigación citada en la página muestra al profesorado como diseñador activo de IA, alguien que escribe los prompts y los andamiajes que dan forma al comportamiento de la IA para su estudiantado, en lugar de como consumidor pasivo. ¿Qué haría falta para que usted (o el profesorado que conoce) se sintiera diseñador de IA y no usuario de ella?
  • En el extremo del espectro del «trabajo en equipo entre docente e IA», el profesorado orquesta un equipo formado por estudiantes, tutores de IA y recursos curriculares. ¿Dónde sigue siendo insustituible el juicio humano en ese equipo y qué podría erosionarse en silencio si la orquestación se deja mayormente en manos de la IA?
  • Si la atención del profesorado se reasigna de producir materiales a interpretar a quien aprende, ¿qué competencias y qué riesgos nuevos introduce eso, y quién apoya al profesorado para desarrollarlas?

Introducción

La docencia designa aquí el rol profesional tal como la IA lo remodela: menos entrega de contenido, más orquestación de participantes humanos y máquinas, interpretación de lo que el estudiantado entiende realmente y diseño de las condiciones en las que el uso de la IA es legítimo. Las páginas reunidas bajo este concepto documentan el trabajo en equipo entre docente e IA y el cambio de los flujos de trabajo, las competencias que el rol exige ahora y la tensión entre las ganancias de eficiencia y la atención que requiere el apoyo individual. Se sitúa junto al desarrollo educativo, la alfabetización en IA y la evaluación como uno de los roles que determinan si la integración de la IA cambia la práctica o solo la decora. Las ciencias del aprendizaje son el campo de investigación cuyas evidencias reconfiguran esta posición: describen y ponen a prueba cómo ocurre el aprendizaje y qué diseños lo cambian, mientras que esta página cubre el rol en el aula que tiene que actuar sobre esas evidencias en el momento.

Cómo la IA transforma la docencia

  • De instructor a orquestador: Cinco niveles de trabajo en equipo entre docente e IA y la investigación sobre la orquestación de la agencia trazan el espectro que va de la IA como herramienta a la IA como socio docente. En el extremo más lejano, el profesorado orquesta un equipo que incluye estudiantes, tutores de IA y recursos curriculares, en lugar de impartir todo el contenido por sí mismo.

  • Transformación de los flujos de trabajo: How AI Is Changing Teaching Workflows documenta cómo la IA desplaza el tiempo del profesorado desde la entrega de contenido hacia actividades de mayor valor, como el apoyo individual, la retroalimentación y el diseño curricular. El recurso más escaso del profesorado, la atención, se reasigna de producir materiales a interpretar a quien aprende. Una revisión sistemática sobre el personal docente de idiomas (Li et al. 2026) corrobora esto: el personal docente valora la IA generativa sobre todo para el trabajo preparatorio (planificación de clases, creación de materiales, apoyo a la escritura) y duda, en cambio, ante su uso en el aula en directo, y su adopción está moldeada por factores de identidad profesional, pedagógicos, técnicos, institucionales y de integridad académica, con lagunas de competencia que corresponden a la episteme (comprender las capacidades y los límites de la IA), la techne (ingeniería de prompts, diseño de tareas y evaluaciones enriquecidos con IA, detección de texto generado por IA) y la phronesis (juicio ético, manejo de sesgos y privacidad, juicio sensible al contexto). documenta cómo la IA desplaza el tiempo del profesorado desde la entrega de contenido hacia actividades de mayor valor, como el apoyo individual, la retroalimentación y el diseño curricular. El recurso más escaso del profesorado, la atención, se reasigna de producir materiales a interpretar a quien aprende.

  • Exigencias de competencia: los marcos de competencia del profesorado en IA definen lo que el personal docente necesita saber, desde la soltura básica con las herramientas hasta una orquestación con fundamento pedagógico. Los estudios de adopción identifican las barreras reales: la confianza, el apoyo institucional y las preocupaciones por la carga de trabajo. Bai y Hsieh (2026) añaden peso empírico a esto con un modelo de ecuaciones estructurales sobre 898 docentes universitarios chinos: la innovación docente apoyada en IA generativa depende menos de un conocimiento tecnológico aislado de la IA y más de una competencia en IA integrada en lo pedagógico y lo disciplinar (alfabetización en IA e identidad profesional), y ambas mediaron parcialmente la relación entre competencia e innovación, una señal para construir el desarrollo del profesorado en torno a una competencia en IA integrada y ligada a la identidad, y no a una formación que se limite a las herramientas.

  • Codiseño y agencia: los prompts escritos por el profesorado y el vibe coding para docentes muestran al personal docente como diseñador activo de IA, y no como consumidor pasivo: escribe los prompts y los andamiajes que dan forma al comportamiento de la IA para su estudiantado. En la planificación de clases de artes STEAM para niños, Luo y Tahir (2025) confirmaron experimentalmente que cómo delega el profesorado en ChatGPT importa: cubrir lagunas de contenido en una clase esbozada por el propio docente (el método preferido por el 60% y el recomendado) preservó la autonomía de diseño del profesorado y a la vez elevó la calidad de la planificación valorada por especialistas (mediana 20,5 frente a 17,6, p = .002, efecto grande), superando a dejar que la IA generara planes completos o que solo revisara uno ya terminado. La IA sirvió principalmente como fuente de inspiración y colaboradora para detectar lagunas, más que como origen de innovación plenamente original, lo que refuerza que el profesorado sigue siendo el agente de diseño y el juez del resultado, incluso al detectar fallos de seguridad infantil y sesgos culturales que la herramienta pasó por alto. Una revisión sistemática del codiseño de tareas de aprendizaje entre profesorado e IA (Wang, Liu e Islam 2026) constata que esta postura de codiseñador sigue siendo desigual: el modo dominante es todavía la IA como asistente y generadora de contenido. Y Talebzadeh (2026) muestra que la agencia del profesorado como «diseñador de aprendizaje bilingüe» es lo que convierte las actividades grupales diseñadas con IA en una instrucción diferenciada y alineada con la zona de desarrollo próximo.

  • Preparación del profesorado en formación: la formación basada en TPACK y los programas de desarrollo educativo preparan al futuro profesorado para aulas aumentadas con IA antes de que entre en ellas. El juego de roles con estudiantes simulados extiende esto a la práctica real: un bot de ChatGPT personalizado (Student GPT) que interpreta a un estudiante de secundaria cargado de ideas erróneas matemáticas permite al profesorado en formación ensayar el diagnóstico y la guía del razonamiento del estudiantado en un entorno de bajo riesgo, preparándolo para una tarea docente central: leer y corregir el pensamiento del estudiantado.

  • Una frontera orientada al profesorado en la que apenas ha entrado la base de evidencia: Štefánik et al. (2026) reúnen Edustories, 1.492 estudios de caso escritos por docentes sobre aulas reales de primaria y secundaria (el comportamiento desafiante del estudiantado, la intervención que intentó el profesorado y lo que ocurrió después), precisamente porque la mayor parte de la investigación sobre IA en educación se ha centrado en la asistencia individualizada al estudiantado, mientras que la mayor parte de la enseñanza ocurre en aulas colectivas. Al comparar cuatro familias de modelos de lenguaje en la predicción de si una intervención tuvo éxito, los modelos más fuertes alcanzaron un 58% de precisión frente al 64% de las personas expertas; los autores leen esa diferencia en ambas direcciones, como un límite de la asistencia actual orientada al profesorado y como prueba de un potencial emergente. Lo que la página gana con esto es un techo medido, y no una afirmación de capacidad: el consejo al profesorado debe ser mejor que el juicio experto antes de poder confiarse, y hoy el orden es el inverso.

  • Dónde entra realmente la IA en el trabajo, según la tarea: Holster (2026) separa la adopción de la asignación usando datos de TALIS 2024 de 56.669 docentes, con una muestra de asignación de 24.058 usuarios de IA en 46 sistemas educativos. Una tarea valorada un punto por encima de la demanda media del propio docente tenía más probabilidades de recibir ayuda de la IA (OR = 1,163), pero la dirección difiere según la tarea: la planificación aumenta con la demanda (OR = 1,084), la evaluación y la corrección disminuyen (OR = 0,921) y el apoyo y la adaptación para la educación especial aumentan de forma pronunciada (OR = 1,442, con una horquilla prevista del 34,0% al 50,3% a lo largo del rango de demanda). La lectura en términos de competencia y de política es que el profesorado ya mantiene humana la corrección de alto riesgo y recurre a la IA para el trabajo de adaptación individualizada, así que una orientación que trate el uso docente de la IA como un único comportamiento se perderá dónde hace falta apoyo de verdad.

Cómo se ve realmente el cambio de rol: ejemplos concretos

La abstracción «orquestador» se entiende mejor con cambios concretos del día a día en el trabajo docente:

  • De escribir cada hoja de trabajo a curar borradores generados por IA. Un docente que antes dedicaba una tarde a preparar una ficha diferenciada ahora pide a una IA tres versiones con distintos niveles de dificultad y luego dedica esa misma tarde a revisarlas y adaptarlas: un giro de la autoría al juicio editorial. Los flujos de trabajo de Curriculum-as-Code hacen explícita esa cadena, y la revisión sistemática de Kibar e Ilgaz muestra a la IA actuando como «compañera de trabajo» que esboza el contenido y que la persona diseñadora refina después. La validación experta de planificaciones de ciencias generadas por IA explicita lo que ese juicio editorial debe ponderar: Karaismailoglu, Surmeli y Yildirim (2026) encontraron que once especialistas en didáctica de las ciencias valoraron las planificaciones de sexto curso de ChatGPT-4 y de una herramienta centrada en la educación como borradores utilizables (7 de 11 las juzgaron «aplicables con correcciones» y solo 3 directamente «aplicables»), y que las preferencias se separaron de las puntuaciones brutas (7 prefirieron la herramienta educativa, mejor puntuada, y 4 la planificación de propósito general), porque el juicio ponderaba dimensiones afectivas y contextuales más allá de la fidelidad estructural. El profesorado sigue siendo el árbitro de si un borrador de IA, y cómo, se convierte en una clase enseñable y arraigada en su contexto.
  • De dar clase magistral a acompañar en tiempo real. En lugar de ofrecer la misma explicación a toda la clase, el profesorado deriva cada vez más las preguntas rutinarias a un tutor de IA y concentra el tiempo cara a cara en el estudiantado que necesita juicio humano: los estudios sobre flujos de trabajo documentan exactamente esta reasignación de la atención.
  • De calificar a diseñar evaluaciones que la IA no puede burlar. El personal docente deja de apoyarse en tareas basadas en el recuerdo que los LLM resuelven sin esfuerzo y diseña en su lugar evaluaciones auténticas, escalas de evaluación y tareas formativas que preservan las mejoras en el aprendizaje.
  • De enseñar contenido a enseñar su uso. El trabajo del profesorado incluye cada vez más modelar cómo hacer prompts, cómo evaluar y cómo usar la IA de forma responsable: un currículo de alfabetización en IA entretejido en cada asignatura, y no una materia aparte.
  • De leer cuadros de mando a actuar sobre ellos, con contexto. Mejia-Domenzain et al. (2026) muestran que el modo en que el profesorado usa de verdad los cuadros de mando analíticos varía según el contexto: el profesorado de aula invertida (universidad) seguía una exploración secuencial y prefería la adaptación a nivel de asignatura y mostrar los cuadros de mando en clase, mientras que el profesorado de formación profesional volvía a las páginas de resumen y usaba la herramienta sobre todo para sesiones de acompañamiento individual. Las acciones que proponía el profesorado estaban moldeadas por el contenido representado y por su nivel de enseñanza, y no por el tipo de gráfico: el profesorado universitario prefería pruebas semanales y adaptación de la asignatura, y el de formación profesional, un acompañamiento directo e individualizado. Esto apunta a un diseño de cuadros de mando sensible al contexto y a necesidades de apoyo docente diferenciadas, en lugar de una interfaz analítica única para todos.
  • De guardián a facilitador con criterio de la retroalimentación sobre la colaboración. Los pilotos en aula de Community Builder (CoBi) muestran que el rol del profesorado determina de forma decisiva la integridad de la implementación: el profesorado que usó las observaciones y las visualizaciones de la IA para suscitar metacognición y reflexión crítica sobre la colaboración logró un uso de alta integridad, mientras que quien dejó que el sistema derivara hacia la monitorización del rendimiento, o se desviara hacia conversaciones generales sobre IA, no lo logró. Al profesorado también le preocupaba quedar «en evidencia» por la retroalimentación en tiempo real y prefería la revisión antes y después de la acción frente a la visualización en directo, lo que subraya que orquestar una IA de colaboración en toda el aula exige un aprendizaje profesional sustancial, y no solo soltura con la herramienta.

La metáfora de la orquestación

La metáfora dominante en la base de conocimiento es la orquestación: el profesorado coordina estudiantes, tutores de IA y recursos curriculares. Esto contrasta con los relatos de sustitución: la IA aumenta la docencia humana en lugar de reemplazarla. La evidencia empírica respalda esta postura: una revisión sistemática guiada por PRISMA de 42 estudios (2023-2025) encontró que los LLM igualan a las personas evaluadoras en tareas breves y bien estructuradas, pero que su rendimiento decae en trabajos más largos, multilingües y matizados, y concluyó que los LLM no pueden reemplazar por completo al profesorado y que los sistemas híbridos de evaluación con intervención humana logran la mayor eficacia calificadora (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). La mirada de la orquestación replantea la habilidad central del docente como juicio: decidir cuándo una persona, una IA o una actividad de aprendizaje diseñada es el instrumento adecuado para un estudiante y un momento concretos. Una revisión PRISMA de 2026 sobre 29 estudios de intervención docente en la instrucción basada en IA en K-12 afina la metáfora hasta un ciclo de cuatro fases (monitorización, juicio, intervención y orquestación) y muestra por qué ninguna fase puede darse por supuesta. El profesorado prefería un control compartido, aceptando, modificando, rechazando o anulando las sugerencias de la IA; parte del personal retrasaba deliberadamente la intervención para que el estudiantado pudiera esforzarse primero de forma productiva; y los cuadros de mando que ampliaban la conciencia también podían sobrecargar la atención o exceder lo que una sola persona podía atender físicamente. Sus tres estrategias (traducción pedagógica de la salida de la IA, diseño del apoyo al aprendizaje y reconstrucción de las estructuras de interacción) describen el trabajo como recontextualización más que como aprobación, lo que sitúa al profesorado más cerca del papel de mediador que del de revisor humano en el bucle.

Roles docentes en evolución y críticos

Trabajos recientes amplían la metáfora de la orquestación hacia conceptualizaciones de rol más ricas:

  • Coorquestador en las transiciones de actividad. Yang et al. (2026) usan citas rápidas participativas con 17 docentes y 13 estudiantes para mapear cómo debería distribuirse el control a lo largo de las etapas de una actividad de aula (los momentos anteriores a las transiciones entre el trabajo individual y el colaborativo, durante ellas y posteriores a ellas) en una herramienta de coorquestación que permite emparejamientos dinámicos en tiempo real. El principio de diseño que emerge es que el control no es un punto fijo: el profesorado y el estudiantado quieren cantidades distintas de agencia en cada etapa, y la herramienta debería permitir al profesorado ajustar en tiempo real la agrupación, las transiciones de actividad y el momento de la intervención, conservando a la vez una anulación docente. Esto sitúa al profesorado como coorquestador de todo el entorno de aprendizaje en vivo, un rol más específico que la metáfora general de la orquestación y centrado en las decisiones granulares y momento a momento sobre quién trabaja con quién, cuándo y con qué apoyo, y conecta la investigación sobre tutoría individual con el diseño a escala de aula.
  • El «coreógrafo cognitivo». Los marcos poshumanistas reformulan al profesorado como coreógrafo cognitivo que orquesta la cognición distribuida entre sistemas biológicos y artificiales, yendo más allá de modelos instrumentalistas como el TPACK y SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitador, coinvestigador y supervisor ético. En el aprendizaje de las ciencias, los roles del profesorado pasan de transmisores de conocimiento a facilitadores y coinvestigadores, y adquieren nuevas responsabilidades como supervisores éticos del uso responsable de la IA por parte del estudiantado.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Mediador de principios de aprendizaje. El personal docente operacionaliza principios de aprendizaje antiquísimos (la cognición experiencial, situada y distribuida) a través de la IA, y trata la IA como una herramienta que potencia, en lugar de reemplazar, el rol orientador de quien educa.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Identidad profesional inestable y vulnerable. Farazouli et al. (2026) documentan el lado emocional de la reconfiguración del rol: 24 docentes universitarios suecos vivieron la irrupción de la IA generativa como alarmante y abrumadora, y describieron un «estado de vulnerabilidad» (poca confianza, inseguridad y miedo a «no ir por delante del estudiantado») y la sensación de estar «atascados» entre los discursos utópicos y distópicos. La IA generativa los llevó a reevaluar sus prioridades (cultivar el pensamiento crítico, el juicio evaluativo y el uso ético de la IA generativa) y a cuestionar su propio papel futuro y el de la universidad en un panorama que se percibía «fuera de control». Esto presenta el cambio del rol docente como algo identitario y cargado de emoción, y no solo como un cambio de habilidades o de flujos de trabajo.
  • Quienes desarrollan la docencia académica como mediadores digitales, incluso como freno. Sithole (2026) entrevista a doce desarrolladores académicos y diseñadores del aprendizaje de dos instituciones sudafricanas históricamente desfavorecidas y encuentra que su rol pasa de facilitar una docencia reflexiva a ser intermediario tecnológico y solucionador de problemas, con una mediación que abarca la pedagogía, la ética y la política institucional. El movimiento distintivo es tratar la ralentización como parte del trabajo: una participante describe traducir entre «lo que quiere la dirección, lo que puede hacer la tecnología y lo que de verdad preocupa al profesorado», y nombrar el plagio, la dependencia del estudiantado y la externalización del pensamiento antes de que el entusiasmo marque el ritmo: «No es solo apoyo técnico; también es negociación». El mismo estudio documenta el coste afectivo («Me siento como una impostora. Aprendo IA sobre la marcha, pero la institución espera pericia») y la respuesta de aprendizaje profesional: espacios entre pares que ponen a prueba las herramientas y las rompen a propósito, con la mira puesta en el juicio más que en la destreza, y un rechazo explícito del binario entre adopción y resistencia: «No estoy en contra de la IA; estoy a favor del contexto».
  • Selectividad con criterio en lugar de adopción o resistencia. Adiozaman y Segar (2026) entrevistaron tres veces a lo largo de un semestre a dos académicos con más de diez años de experiencia y encontraron un trabajo identitario organizado en torno a tres tensiones interrelacionadas (pedagogía frente a plataforma, educador frente a facilitador y cuidado frente a cumplimiento), que no desembocaron en una postura asentada sino en una selectividad con criterio: decisiones sensibles al contexto guiadas por valores pedagógicos, compromiso ético y juicio profesional. Describen una trayectoria que va de una orientación implícita, pasando por estrategias de mitad de semestre como pedir al estudiantado que explique su razonamiento y rediseñar tareas y evaluación, hasta posturas que se mantuvieron deliberadamente abiertas en lugar de fijas, con el rechazo de un uso concreto tratado como un ejercicio legítimo de juicio y no como un fallo de adopción. Esto aporta la contraparte constructiva a la vulnerabilidad documentada antes: lo que el cambio de rol exige es juicio, así que las respuestas institucionales construidas en torno a la formación en herramientas atacan el problema equivocado.
  • La semiautonomía como punto de operación preferido. Dai et al. (2026) encuestaron a 287 docentes con experiencia en IA generativa de 27 países y regiones y encontraron que situaban la herramienta en los niveles semiautónomos de una escala de automatización: 130 eligieron el nivel 2 («asistencia al profesorado»), 94 el nivel 3 («automatización parcial») y exactamente uno el nivel 6, describiéndola como «auxiliar», «andamiaje», «complemento» o «socio». La utilidad percibida dominó su intención de adopción (β = .832, p < .001), mientras que la autonomía artificial percibida influyó en la intención solo indirectamente a través de la utilidad, y la aversión al riesgo deprimió la intención sin mermar la utilidad, porque sus preocupaciones se referían al uso del estudiantado: el engaño y la integridad, el debilitamiento del conocimiento fundamental y del pensamiento de orden superior, las alucinaciones, la reducción de la interacción humana y los riesgos éticos, legales y de equidad. La etiqueta «frenemy» («amigo-enemigo») captura con precisión la postura: la IA generativa se valora como herramienta de apoyo pero se desconfía de ella como agente autónomo. El corolario para el rol docente es que el profesorado quiere seguir siendo el agente que decide y resolver caso por caso (disciplina, necesidades del estudiantado, tipo de tarea, momento), así que las herramientas de orquestación deberían construirse en torno a la supervisión humana y al juicio caso por caso, y no a promesas de autonomía.
  • La autoridad permanece en el profesorado; la capacidad solo crece dentro de ella. Reichert, Briceno, Tabarsi y Barnes (2026) pidieron a seis docentes de secundaria de los cursos 6 a 12 (ciencias sociales, matemáticas, ciencia animal, ciencias y informática y robótica) que prototiparan en papel un chatbot basado en un LLM para su propia aula, y encontraron que todos los prototipos codificaban la misma postura: el sistema era un experto acotado, especializado pero ceñido a un dominio definido y supervisado por el profesorado. El profesorado trazó dos fronteras. Las fronteras de autoridad se derivaban de la responsabilidad profesional y legal: el control sobre qué aprende el estudiantado y cómo se lo mantiene a salvo no podía delegarse, así que la supervisión (registros completos de conversación, alertas en tiempo real ante consultas inapropiadas y anulación manual) se trataba como un deber del rol y no como una comprobación sobre la herramienta. Las fronteras de experiencia se derivaban de lo que el modelo no puede saber: las trayectorias individuales del estudiantado, la dinámica del aula y las normas institucionales. La delegación se repartía entonces de forma selectiva por la instrucción: el profesorado recibía con agrado que la IA presentara contenido, aportara problemas de práctica, andamiara y diera retroalimentación formativa, pero seguía informando por sí mismo al estudiantado de los objetivos y de la evaluación sumativa. Esto dota a la preferencia por la semiautonomía documentada antes de una arquitectura concreta: la autoridad del profesorado es el elemento fijo y la capacidad de la IA crece solo dentro de ella.
  • El profesorado como evaluador cargado de valores. Luo y Dawson (2026) muestran que calificar trabajo asistido por IA generativa no es un acto neutral basado en criterios, sino un juicio de valor moldeado por la conjetura del profesorado sobre quién es el estudiante (honestidad, diligencia), de qué es capaz (independencia, destreza con la IA generativa, dominio disciplinar), cómo se relaciona con los demás (confianza) y si la decisión conduce a buenos resultados (justicia, beneficencia). El profesorado suele carecer de conciencia sobre las orientaciones de valor que subyacen a su calificación, y estas varían según la disciplina (las humanidades más críticas con el uso de IA generativa; las ciencias duras y aplicadas, con menos dificultades de calificación) y la postura epistemológica (absolutista, multiplista o evaluativista). Esto sitúa al profesorado como un profesional evaluador cuyo juicio, y no solo el uso de herramientas, debe apoyarse y hacerse transparente.
  • El profesorado como árbitro de explicaciones pedagógicamente significativas. Como la confianza del profesorado en las recomendaciones de la IA aumenta cuando las explicaciones se formulan en su lenguaje curricular y pedagógico y no en los internos crudos del modelo, las herramientas eficaces deben «hablar» el dominio del profesorado. En un experimento intra-sujeto, Feldman-Maggor et al. (2025) encontraron que las explicaciones guiadas por el dominio de una herramienta de agrupación con IA se confiaban y aceptaban mucho más que las basadas en datos sobre la importancia de las variables, lo que sitúa el vocabulario pedagógico del profesorado como la interfaz por la que la IA se gana la confianza y el uso, y su juicio sobre si una explicación es pedagógicamente sólida como un factor decisivo en la adopción.

Estos roles conectan el trabajo docente con la cognición distribuida, el aprendizaje situado, el aprendizaje corporeizado y la pedagogía crítica, y reformulan al profesorado como diseñador y guía ético del aprendizaje mediado por IA, y no como un mero usuario.

  • Las decisiones apoyadas en IA se concentran donde hay datos de comportamiento. Köroğlu et al. (2026) revisaron 27 estudios empíricos (2016-2025) e identificaron ocho tipos de decisiones docentes, y encontraron que el apoyo de la IA se concentra en las decisiones de instrucción, retroalimentación y evaluación, mientras que las decisiones curriculares, sobre el entorno de aprendizaje, emocionales, éticas y administrativas apenas recibían apoyo. Los cuadros de mando de la analítica del aprendizaje fueron el sistema más común, al procesar texto y datos de registro en indicadores conductuales de rendimiento e implicación; los datos multimodales y basados en la interacción, los sistemas agénticos y los resultados cognitivos, metacognitivos, motivacionales y afectivos eran todos comparativamente escasos en el corpus revisado. La lectura práctica para el profesorado es que el espacio de decisión que abre una herramienta de IA está acotado por los datos que muestra, así que elegir una herramienta es también elegir qué decisiones docentes reciben recursos.

Cómo debería adaptar el profesorado sus prácticas docentes a la IA

La evidencia de la base de conocimiento converge en un conjunto de adaptaciones concretas:

Diseñar el envoltorio pedagógico de la IA, no solo la herramienta. La misma IA produce grandes mejoras en el aprendizaje o un daño neto según cómo se diseñe la actividad en torno a ella. Kibar e Ilgaz y la evidencia sobre las mejoras en el aprendizaje son coherentes: el trabajo del docente es diseñar la experiencia de aprendizaje, tratando la IA como un componente dentro de una actividad estructurada y no como el motor de respuestas. Andamiar primero un intento del estudiantado y dejar después que la IA acompañe: esa es la diferencia entre la evaluación y la inflación del rendimiento.

Exigir un punto de control con intervención humana. En lugar de aceptar la salida de la IA al pie de la letra, enseñar al estudiantado a evaluar, corregir y apropiarse del trabajo asistido por IA. La alfabetización en IA desde el uso justo plantea esto como un equilibrio entre la productividad de la IA y el florecimiento humano genuino y la autoría. Diseñar las tareas para que la IA ayude a redactar pero quien aprende siga siendo el agente de la evaluación y la revisión.

Adaptar la evaluación a la era de la IA. Alejarse de las tareas que los LLM pueden completar literalmente y avanzar hacia evaluaciones auténticas, basadas en el proceso y presenciales. Las escalas de evaluación ofrecen al profesorado una rúbrica para decidir cuánta asistencia de IA es legítima en cada etapa, y la evidencia metaanalítica muestra que la IA puede apoyar el pensamiento de orden superior cuando el diseño de la evaluación lo exige.

Proteger las condiciones de un aprendizaje duradero. Como las respuestas de la IA hacen que aprender parezca fácil, el profesorado debe diseñar para contrarrestar la brecha entre rendimiento y aprendizaje. Lodge y Loble advierten que el éxito sin esfuerzo con la IA puede enmascarar la ausencia de aprendizaje; el profesorado debería incorporar esfuerzo productivo, exigir demostraciones de dominio sin ayuda y tratar las respuestas asistidas por IA como un punto de partida, no como el resultado final.

Planificar el medio de impartición. La adaptación no es neutral respecto al medio: la enseñanza y el aprendizaje en línea con IA multiplica tanto las oportunidades (personalización escalable, apoyo permanente) como los riesgos (integridad, externalización). Diseñar el envoltorio de la IA con la misma deliberación en entornos en línea y presenciales.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Incorporar la alfabetización en IA a la docencia

La alfabetización en IA no es un módulo aparte: está entretejida en cómo el profesorado diseña cada asignatura. Entre los enfoques eficaces figuran:

Garantizar la integridad académica en la era de la IA

La integridad académica con IA es un problema de diseño, no de vigilancia. El profesorado se adapta:

  • Reformulando la integridad en torno al proceso y la autoría. En lugar de la detección, poner el acento en la integridad académica como uso transparente y documentado. la IA agéntica y la investigación con estudiantes fantasma muestra que el riesgo para la integridad cambia cuando el estudiantado despliega agentes de IA en su nombre, así que el profesorado debe definir qué significa la autoría cuando el «fantasma» es una IA.
  • Usando la declaración y el encuadre. Cómo se enmarca el uso de la IA ante el estudiantado (como muleta o como herramienta legítima) determina si lo declaran. Las normas de transparencia (por ejemplo, declarar el uso de IA) reducen el incentivo a ocultarlo.
  • Diseñando para eliminar el incentivo de hacer trampas. Las evaluaciones auténticas, basadas en el proceso y presenciales (exámenes orales, portafolios, resolución de problemas observada) hacen que externalizar resulte menos atractivo que las herramientas de detección de IA. Las escalas de evaluación y la evaluación auténtica son la alternativa constructiva a las carreras armamentísticas de detección.
  • La regulación a nivel de tarea es como el profesorado gobierna de verdad la IA. el estudio de Chirikov (2026) sobre más de 31.000 programas de asignaturas muestra que el profesorado actúa cada vez más como regulador a nivel de tarea en lugar de aplicar reglas generales: restringe la IA para redactar y revisar (79% de las asignaturas) y para razonar y resolver problemas (65%), la permite para editar y corregir (83%) y para el apoyo al estudio (80%), y deja la ideación y la planificación como lo más disputado (46% la permite y 54% la restringe). Esta diferenciación, construida sobre qué tareas desplaza la IA y cuáles potencia, es una alternativa concreta y liderada por el profesorado a la política de adoptar o prohibir, y da al rol docente un lugar central en la formación de la política.

Conectar la docencia con el diseño del aprendizaje

La docencia y el diseño del aprendizaje son dos caras de la misma moneda: los juicios diarios del profesorado son la ejecución en vivo de la experiencia de aprendizaje diseñada. La IA estrecha esta conexión:

Relación con la identidad del estudiantado

El rol docente y la identidad del estudiantado son caras recíprocas del mismo proceso humano, y la IA remodela ambos.

  • La identidad docente es una identidad profesional; la identidad de quien aprende es una identidad de aprendizaje. La página sobre el rol docente documenta cómo la IA remodela el trabajo, la identidad y la agencia de quienes educan, es decir, su autocomprensión profesional en evolución (véase el planteamiento de Laidlaw sobre la IA generativa como crisis de identidad). La identidad del estudiantado es el constructo paralelo para quien aprende: quién es y en quién se está convirtiendo como estudiante, en términos disciplinares, profesionales, creativos y académicos.
  • Están acopladas causalmente. El profesorado que sufre una disrupción identitaria (incertidumbre sobre su propósito profesional en medio de la IA generativa) es menos capaz de apoyar el desarrollo identitario de su estudiantado: quien duda de su rol difícilmente puede validar el sentido emergente de sí mismo de sus estudiantes en el mismo dominio. A la inversa, el profesorado que sostiene una identidad profesional segura está mejor situado para andamiar la pertenencia y la autoría del estudiantado.
  • Modos de fallo distintos. La identidad docente se ve amenazada por la obsolescencia del rol y el propósito (la pregunta «¿para qué enseñar?»). La identidad de quien aprende se ve amenazada por la pérdida de autoría y la competencia (la pregunta «¿esto es realmente mío / soy lo bastante bueno?»). Ambas son respuestas de nivel identitario (y no solo de habilidades) a la IA.
  • Ambas son cuestiones de desarrollo profesional y de pedagogía. Apoyar la identidad docente corresponde al desarrollo educativo y a la competencia del profesorado en IA; apoyar la identidad de quien aprende corresponde a la experiencia del estudiantado, la evaluación auténtica y la agencia. Un sistema bien diseñado e integrado con IA atiende a las dos, porque la identidad del profesorado es la condición bajo la cual se forman las identidades de quien aprende.

El codiseño docente de la alfabetización temprana en IA

  • Codiseño docente en la alfabetización temprana en IA. Lee (2026) muestra que dos docentes de preescolar y dos de infantil que codiseñaron el currículo Play With AI (PL-AI) experimentaron un crecimiento sustancial de su confianza y su agencia pedagógica, y que el codiseño fomentó la apropiación del currículo, la práctica reflexiva y una adaptación significativa. Esto sitúa al profesorado como codiseñador central, y no solo implementador, de currículos de alfabetización en IA apropiados para el desarrollo, un modelo con implicaciones para la formación del profesorado en la educación infantil y primaria en IA.

El profesorado que codiseña recursos de aprendizaje con IA

  • El rol del profesorado se extiende al codiseño de recursos de aprendizaje con IA: las simulaciones codiseñadas entre profesorado e IA para la enseñanza STEM con drones mantuvieron la salida de la IA generativa pedagógicamente válida y contextualmente pertinente, y el profesorado es el destinatario previsto de la Escala de Alfabetización en IA del Profesorado. Una integración eficaz de la IA generativa depende cada vez más de la implicación del profesorado en el diseño.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Metadatos

NivelK 12, Higher Ed
Público destinatarioInstructors, Faculty Developers, Learners
Learning and instructionAndamiaje
Technologies and techniquesTutoría inteligente
Foundations of AI in educationAlfabetización en IA, Educational Development, Learning Design, Teacher AI Competency
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.