¿Cómo debería incorporar la alfabetización en IA a mi curso?

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

El enfoque más sólido es tratar la alfabetización en IA como parte del aprendizaje disciplinar, y no como una lección aparte sobre cómo usar ChatGPT. El estudiantado desarrolla una alfabetización en IA más útil cuando usa, cuestiona, verifica, critica y toma decisiones sobre la IA en tareas auténticas del curso de forma repetida, en lugar de limitarse a aprender técnicas de indicaciones o a asistir a una sesión de orientación puntual. La instrucción eficaz combina la competencia práctica con la evaluación crítica, la conciencia ética, la metacognición y la atención a cuándo no se debe confiar en la IA ni usarla.

Un principio de diseño útil es pensar primero, IA después. Pida al estudiantado que forme una interpretación, solución, argumento, predicción o borrador inicial antes de consultar la IA. Después pueden comparar su razonamiento con la salida de la IA, identificar coincidencias y discrepancias, verificar las afirmaciones y decidir qué adoptar, si acaso algo. Esto evita que la IA sustituya el trabajo cognitivo que la tarea pretende desarrollar. Este enfoque conecta directamente con las preocupaciones sobre la delegación cognitiva y el mal uso de la IA, donde el rendimiento inmediato puede mejorar aunque el aprendizaje independiente se resienta.

Una síntesis de 2026 de 72 estudios empíricos sobre IA generativa en la educación en informática afina la idea y le pone números. La IA generativa eleva de forma fiable la finalización a corto plazo y reduce el tiempo de tarea (36 estudios, el resultado más sólido y más replicado del corpus), pero esas ganancias de eficiencia «no se transfieren al rendimiento independiente» (21 estudios): el estudiantado completa más mientras comprende menos, salvo que la implicación crítica con la salida se exija estructuralmente. El beneficio también depende de los conocimientos previos: los estudiantes bien preparados convierten la ayuda de la IA en capacidad duradera, mientras que los menos preparados corren el riesgo de usarla como una muleta que elimina el fallo productivo. Los autores recomiendan el acceso gradual como opción predeterminada: primero fundamentos sin IA, después uso guiado con tareas de explicación obligatorias y, por último, crítica reflexiva. Véase Generative AI in computing education: a systematic review and a framework for responsible integration.

Exija evaluación, no solo generación

Las actividades de alfabetización en IA deberían exigir evaluación, no solo generación. El estudiantado puede anotar una respuesta de IA para señalar errores factuales, afirmaciones sin respaldo, sesgos, perspectivas ausentes, confianza inapropiada o razonamiento disciplinar débil. Pueden comparar la salida de la IA con lecturas, evidencia empírica, estándares profesionales o una rúbrica del curso.

Un patrón especialmente útil es hacer que la IA produzca algo plausible pero imperfecto y pedir al estudiantado que actúe como crítico o editor. Identificar los errores de la IA es una vía importante hacia una mejor calibración y hacia el pensamiento de orden superior.

Trate la evaluación como una competencia enseñable por derecho propio, no como un subproducto del conocimiento de la materia. En la síntesis sobre educación en informática, el estudiantado obtuvo resultados significativamente peores al corregir código generado por IA que en tareas tradicionales de examen de programación, evidencia directa de que evaluar y reparar la salida de la IA no se transfiere automáticamente desde la habilidad disciplinar general, y de que sin instrucción el estudiantado corre el riesgo de reenviar trabajo incorrecto sin sentido crítico. La revisión consolida esto en su marco VIE (Verification, Implementation, Equity) y sostiene que la implicación crítica debería ser un componente calificado y observable del trabajo del estudiantado, y no una aspiración dejada a la discreción, «el mecanismo común que vincula todas las intervenciones eficaces del corpus».

Haga la alfabetización en IA disciplinar y recurrente

Los trabajos más recientes también cuestionan las concepciones de la alfabetización en IA como listas de habilidades y muestran cómo se ve eso en la práctica. Burriss et al. pidieron a 22 estudiantes de undécimo grado que compusieran anuncios de servicio público en vídeo sobre los problemas de IA y ética con los que convivían realmente: la vigilancia escolar, los «pases de pasillo» electrónicos y la acusación algorítmica de plagio. Anclada en la alfabetización posthumanista crítica y la composición multimodal, la unidad pidió a los jóvenes traducir principios abstractos en películas emocionalmente resonantes; el estudiantado representó de forma abrumadora el daño como algo que surge de una responsabilidad entrelazada entre humanos y máquinas, y no de una herramienta malvada, dio la vuelta a la narrativa del fraude para señalar la dependencia excesiva de los adultos de una IA defectuosa, y aun así cerró con la agencia («la solución está a nuestro alcance»). Los autores sostienen que la narrativa y la producción creativa y colaborativa pertenecen al centro de la pedagogía crítica de la alfabetización en IA, y que exigir al estudiantado componer sobre la IA, para un público real, desarrolla una competencia crítica que las escalas de competencia convencionales, que presuponen un rendimiento medible individualmente, no pueden ver. Véase "Young Scholar[s] on the Beat": multimodal composition as a form of critical AI literacy pedagogy.

Cuando sea posible, haga estas actividades específicas de la disciplina y recurrentes. Las reglas genéricas como «comprueba si la IA alucina» son menos útiles que mostrar al estudiantado cómo se ve una salida de IA poco fiable en su campo: citas inventadas en historia, supuestos inválidos en economía, interpretaciones engañosas de la evidencia experimental en biología, decisiones de diseño mal justificadas en ingeniería o escritura superficialmente fluida pero metodológicamente débil en psicología.

La síntesis sobre alfabetización en IA de esta base de conocimiento sostiene que el avance hacia la evaluación crítica se hace más evidente cuando las experiencias de alfabetización en IA son sostenidas y están integradas en el trabajo auténtico del curso, en lugar de en talleres aislados. Véase A Practical Five-Stage Continuum for AI Literacy in Higher Education. Esto es coherente con la evidencia cuantitativa: un metaanálisis de 59 intervenciones de alfabetización en IA encontró los efectos más grandes en las pedagogías integradas y reflexivas, aunque advierte que las intervenciones centradas en el conocimiento muestran efectos medidos mayores que las dirigidas a habilidades, actitudes o ética.

Incluya el aprendizaje colaborativo

Las actividades colaborativas pueden reforzar este trabajo. El marco ICAP sugiere ir más allá de la exposición pasiva hacia una implicación activa, constructiva e interactiva. El estudiantado puede comparar indicaciones por parejas, debatir si una respuesta de IA es fiable, revisar conjuntamente un producto generado por IA o explicar a sus pares por qué aceptaron o rechazaron determinadas sugerencias.

Es importante señalar que la evidencia respalda diseños cognitivamente activos y colaborativos. Véase Systematic Review of Collaborative Learning Activities for Promoting AI Literacy.

Evalúe el juicio demostrado, no solo la confianza

La evaluación debería centrarse en el juicio demostrado y no en la confianza ni en la habilidad autoinformada. El estudiantado suele sobreestimar su capacidad de evaluar la IA. En lugar de preguntar si «se siente seguro usando IA», déles tareas que les exijan detectar errores, verificar fuentes, mejorar una salida, explicar limitaciones o justificar por qué un uso concreto de la IA es apropiado.

Esta base de conocimiento destaca un desajuste significativo entre la alfabetización en IA autoinformada y la basada en el rendimiento, y recomienda la evaluación basada en el rendimiento. Véanse AI Literacy Assessment: Self-Reported vs Performance Misalignment y GLAT: The Generative AI Literacy Assessment Test.

Esto importa porque el uso sin supervisión acaba adoptando la forma más débil. El estudio presagio–proceso–producto de Yan et al. con 38 estudiantes universitarios encontró que el 76.32% se apoyaba en un patrón de un solo turno (preguntar, obtener la respuesta, parar), que el 78.94% integraba la IA generativa solo antes de empezar o después de redactar, y que incluso los estudiantes orientados al dominio recurrían a procesos superficiales: una paradoja de la eficiencia en la que se gana velocidad a costa del trabajo cognitivo que construye los esquemas («la velocidad a la que se te olvida también es muy alta»). Los autores sitúan la causa en un «vacío institucional»: el profesorado prohíbe copiar, pero rara vez enseña un uso productivo. Exigir artefactos del proceso (el historial del diálogo, una nota de reflexión sobre cómo se usó la IA, un registro de revisiones) hace visible el flujo de trabajo y convierte la autorregulación en algo calificable. Véase From cognitive outsourcing to reallocation: a 3P analysis of student–generative AI engagement in unsupervised assessments.

La medición basada en escenarios le da una medida del juicio y no de la confianza. Reed et al. (2026) presentaron viñetas a estudiantes universitarios (usar IA para mejorar la gramática del propio borrador, generar términos de búsqueda antes de hacer uno mismo la lectura, entregar un diario de reflexión generado por IA sin aportación personal, editar mínimamente una tarea generada) y les preguntaron si cada una era ética. El patrón que describen es que el estudiantado converge en los casos claros y diverge más donde la herramienta hizo parte del trabajo intelectual, que es exactamente la frontera que una política de curso tiene que enunciar. Eso convierte las viñetas en un instrumento utilizable en el aula: sacan a la superficie los desacuerdos en los que su política se apoya silenciosamente y miden el juicio sobre un caso, no la competencia autoinformada.

Problemas y advertencias

No equipare la alfabetización en IA con la ingeniería de indicaciones. El estudiantado puede volverse técnicamente competente con la IA y seguir siendo mal juez de su salida. Algunas dimensiones de la alfabetización en IA orientadas a habilidades se asocian positivamente con la dependencia declarada de la IA, lo que sugiere que la formación operativa sin autorregulación, sin confianza académica y sin apoyo metacognitivo puede fomentar inadvertidamente una mayor dependencia.

La alfabetización en IA tiene una dimensión interaccional, y presupone justamente las habilidades que pretende construir. La demostración en ocho rondas de Brunnström y Palmqvist de un «estudiante ingenuo» usando un chatbot en un examen para llevar a casa encontró que la salida predeterminada era «pulida pero pedagógicamente escasa», y que alcanzar un bucle de aprendizaje utilizable requería ocho rondas de metaintervenciones del estudiante («simplifica», «esto es abrumador, ¿puedes condensarlo?»). Llaman a esa capacidad alfabetización en la interacción con IA: dirigir, evaluar y aprender de la interacción iterativa con la IA generativa, y extraen una conclusión rotunda sobre equidad: dado que el uso no guiado impone una competencia que está distribuida de forma desigual, la IA generativa «puede ser más beneficiosa para los estudiantes que ya están en ventaja». Enseñar la interacción, y no solo la herramienta, es por tanto una medida de equidad tanto como una medida pedagógica. Véanse AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education y ¿Cómo está impactando la IA al estudiantado?.

Del mismo modo, la instrucción en alfabetización no puede resolver por sí sola los problemas del modelo. La formación puede reducir algunos errores sin eliminarlos. En la investigación sobre la adulación contextual, la instrucción en alfabetización en IA y en indicaciones redujo el reflejo directo de los errores de los usuarios, pero no impidió del todo que esos errores se propagaran al asesoramiento posterior de la IA. El estudiantado necesita, por tanto, entender que «mejores indicaciones» no hacen que un sistema de IA sea intrínsecamente fiable. Véanse The Hidden Cost of Contextual Sycophancy y AI Sycophancy.

La equidad también importa. El estudiantado llega a los cursos con distinto acceso previo a herramientas de pago, distinta experiencia formulando indicaciones, distintos antecedentes lingüísticos y distintos niveles de confianza digital. Exigir un uso sofisticado de la IA sin ofrecer un acceso equitativo y un apoyo básico puede convertir la exposición previa en una ventaja académica. El acceso, las habilidades y los resultados son dimensiones separadas de la brecha digital.

Ejemplos de la base de conocimiento sobre IA en Educación

• Economía: el estudiantado resuelve primero un problema de economía, obtiene una respuesta de IA generativa, la compara con su razonamiento, critica la IA, reflexiona y debate con sus pares. Véase Fostering Generative AI Literacy in Economics.
• Psicología: el estudiantado evalúa una nota de prensa generada por ChatGPT contra una rúbrica del curso, identifica debilidades y la revisa. Esto desarrolla a la vez la alfabetización disciplinar, la de retroalimentación y la de IA. Véase Using Generative AI to Promote Psychological, Feedback, and AI Literacies.
• Biología: las actividades de alfabetización en IA se integran en el aprendizaje disciplinar en lugar de enseñarse como un tema técnico aparte. Véase Integrating AI Literacy Education in a Biology Class.
• Trabajo de curso sobre bases de datos y diseño: el estudiantado analiza errores generados por IA y mejora iterativamente las indicaciones y las soluciones, usando el análisis de fallos como actividad de aprendizaje. Véase The Pedagogy of AI Mistakes.
• Cursos universitarios interdisciplinares: el modelo LearnAI usa la cocreación con IA en el momento oportuno, integrada en todas las disciplinas, en lugar de un único módulo genérico de alfabetización en IA. Véase LearnAI: Just-in-Time AI Co-Creation Across Disciplines.
• Física: un curso introductorio de física de partículas rediseñado permitió la IA generativa como socio explícito en problemas con forma de investigación, pero un examen escrito sin ayuda (media de 20.6 sobre 80, con solo dos estudiantes que llegaron a 40) advirtió de que el rendimiento asistido y el conocimiento recuperable de forma independiente son logros distintos, por lo que los autores sostienen que la alfabetización en IA, incluido cómo verificar las respuestas generadas y tratar la IA como maestra y no como copiadora, debería enseñarse temprano, junto con práctica específica sin ayuda. Véase AI in particle physics education: research problems and foundational skills.
• Diseño curricular a nivel de programa: el Continuo de alfabetización en IA ofrece un modelo de desarrollo que lleva al estudiantado del no uso o el uso acrítico hacia el uso informado, la evaluación crítica y la mejora. Véase A Practical Five-Stage Continuum for AI Literacy in Higher Education.

Conclusión práctica

Un diseño de curso práctico no es simplemente «Semana 2: cómo usar ChatGPT». En lugar de eso, identifique varios puntos en los que la IA se cruza con juicios disciplinares importantes y construya ciclos repetidos de:

pensamiento independiente → uso de IA → verificación → crítica → revisión → reflexión

Con el tiempo, el estudiantado debería poder explicar no solo cómo usó la IA, sino por qué confió en unas salidas y rechazó otras, qué verificó, qué trabajo cognitivo siguió siendo su responsabilidad y cuándo usar IA socavaría el propósito de la tarea.

Esa combinación se acerca mucho más al constructo de alfabetización en IA que respalda la base de evidencia actual que la competencia operativa por sí sola. Para saber cuán sólida es realmente esa base de evidencia y dónde se debilita, véase ¿Qué evidencia hay sobre las intervenciones de alfabetización en IA en la educación superior?.