Playbook ES 0. Acerca del Playbook DUAL.AI.TEACHer Objetivos del Playbook Este playbook está dirigido a vosotros, docentes, equipos directivos y profesorado universitario, que deseáis adquirir los conocimientos necesarios sobre el uso de la Inteligencia Artificial (IA) en los centros educativos y sobre cómo transformar vuestras instituciones para un (mejor) uso de la IA. La IA en la escuela y en la formación del profesorado puede utilizarse para diversos fines. En lo que respecta a la enseñanza, distinguimos entre «enseñar sobre la IA» y «enseñar con IA» para transmitir conocimientos específicos de cada materia.  El desarrollo de la Inteligencia Artificial avanza a un ritmo extremadamente rápido, y su uso está permeando cada vez más nuestra sociedad, entrando en aspectos de la vida cotidiana y también en la educación. Esta omnipresencia conlleva múltiples implicaciones, a menudo interconectadas, que abarcan dimensiones éticas, sociales, económicas, legales y culturales, y que afectan a cuestiones como la protección de datos, la equidad y la no discriminación, la transparencia algorítmica, la seguridad técnica y la rendición de cuentas. Precisamente por la velocidad de esta difusión y la magnitud de sus consecuencias, existe una necesidad creciente de directrices compartidas, marcos regulatorios y herramientas de gobernanza capaces de orientar el desarrollo tecnológico en una dirección responsable y sostenible. Estructura del Playbook Para abordar todos estos aspectos, hemos estructurado el playbook de la siguiente manera: El Capítulo 1 destaca los aspectos fundamentales que es esencial comprender para poder usar la IA en la educación. El Capítulo 2 se centra en la práctica docente y ofrece una serie de ejemplos para diferentes materias escolares. El Capítulo 3 describe el marco de competencias propuesto en el proyecto DUAL.AI.TEACHer. Todos los ejemplos del Capítulo 2 están vinculados al modelo de competencias y a los objetivos de aprendizaje que se derivan de él. El Capítulo 4 explica cómo podéis obtener las cualificaciones necesarias para usar la IA en un contexto educativo. El Capítulo 5 está dirigido a los centros educativos y universidades que desean mejorar sistemáticamente las competencias en IA de su profesorado actual y futuro e integrar la IA en la vida escolar cotidiana. El Capítulo 6 contiene una lista de referencias, así como un glosario completo de los términos específicos relacionados con la inteligencia artificial que se utilizan en el Playbook. Cómo orientarse en el Playbook Fig. 1: «Los caminos hacia la maestría» (imagen generada con IA, Google Gemini) Para el profesorado Hay distintas maneras de utilizar el Playbook.  Opción 1: Buscáis ideas para vuestro próximo día de clase, ya sea para enseñar al alumnado sobre la IA o para usar la IA en la enseñanza de contenidos de vuestra materia. En ese caso, id directamente al Capítulo 2, donde añadimos continuamente nuevas buenas prácticas. Esperamos que encontréis lo que buscáis. Si no es así, escribidnos un correo para que podamos desarrollar un nuevo recurso que cubra la carencia que hayáis detectado. Opción 2: Queréis conocer el marco legal que regula el uso de la IA. En ese caso, id al Capítulo 1.1. Opción 3: Queréis obtener la cualificación necesaria para enseñar sobre la IA de forma eficaz e incorporar la IA a la enseñanza de vuestra materia.  En ese caso, os invitamos a realizar nuestra prueba inicial y a seguir después nuestros módulos de cualificación. Al obtener microcredenciales, podéis emprender un desarrollo profesional completo y adaptado a vuestra experiencia. Para los equipos directivos  ¿Estáis preparados para emprender con vuestro centro un viaje apasionante que lleve la IA a vuestro mundo profesional? En el Capítulo 5, trazamos una hoja de ruta clara que os guía en cada paso del camino. Nuestro programa de cualificación os permite preparar a vuestro claustro para la aventura que tenéis por delante. Para el profesorado universitario La IA está dejando su huella en la formación del profesorado, a veces con trazos firmes y a veces de forma sutil. Si entendemos la formación del profesorado como un trayecto que comienza en la universidad y se construye con el tiempo, el Capítulo 5 os ofrece una hoja de ruta para inspirar y acompañar al futuro profesorado mientras explora el cambiante panorama de la IA. 1. La IA en la Educación 1.1 Potencial y Riesgos Si solo recordáis una frase de esta página: la IA ha llegado a las escuelas como un medicamento que viene sin prospecto. Como docente, no sabéis cuándo usar la IA, os faltan las instrucciones de dosificación y no hay información sobre los efectos secundarios. Este capítulo sirve como el prospecto del Playbook. ¿Debería la IA venir con un prospecto, como un medicamento? ¿Conocéis ese papelito que va dentro de cada caja de medicamentos? Ese que probablemente descartáis sin mirarlo siquiera. Puede parecer aburrido, pero ese pequeño papel es un triunfo silencioso del siglo pasado. Ese prospecto detalla cuatro elementos esenciales: qué trata el medicamento, cuánto tomar, las sorpresas que puede traer y quién debe evitarlo. Detrás de cada línea de ese prospecto hay toda una maquinaria: ensayos clínicos, reguladores y una responsabilidad de revelar los errores. Nadie cree que el prospecto en sí cure. Su verdadero poder es hacer que el medicamento sea seguro para cualquiera. Esa es la magia que nos falta cuando dejamos que la IA enseñe sin orientación. Las herramientas de IA que ahora se instalan silenciosamente en vuestra escuela heredan un problema más antiguo que la propia IA: la tecnología educativa rara vez ha venido con instrucciones. En el Reino Unido, una revisión encontró que solo 7 de cada 100 empresas de tecnología educativa habían sometido sus productos a un ensayo aleatorizado, y solo 12 de cada 100 habían buscado una certificación externa. Las escuelas rara vez piden más. En una encuesta realizada en 17 estados estadounidenses, solo 11 de cada 100 docentes y miembros de equipos directivos habían solicitado pruebas revisadas por pares antes de adoptar una nueva herramienta. El resultado, en muchos casos, es dinero desperdiciado. En EE. UU., por término medio, dos tercios de las licencias de software educativo quedaron sin usar, y 98 de cada 100 nunca se utilizaron de forma intensiva. El EdTech Genome Project, también en EE. UU., analizó unas 7000 herramientas educativas con un valor de 13 000 millones de dólares y descubrió que 85 de cada 100 o bien no eran adecuadas o bien se habían implantado de forma incorrecta. Este capítulo puede parecer la sección árida y necesaria, pero revela las historias ocultas detrás de las normas. Cuenta lo que realmente ocurrió, a quién afectó, y arroja luz sobre los efectos secundarios, incluso aquellos que llegaron silenciosamente a niños que nunca dieron su consentimiento. Potencial de la IA La mayoría de los estudios sobre el potencial de la IA se centran en estudiantes universitarios. El alumnado escolar ha aparecido hasta ahora relativamente poco en estos estudios. Y la mayoría de los estudios se refieren a intervenciones a corto plazo, que duran desde unas horas hasta unas semanas. En consecuencia, el llamado efecto novedad puede haber influido positivamente en los resultados. Una amplia revisión de 68 experimentos encontró exactamente este patrón: cuanto más corto era el estudio y menor el número de participantes, mayor era el beneficio de la IA del que se informaba. (1) Dejad que la IA explique un tema nuevo y reservad la práctica para vuestra clase Imaginad esto. Mañana, cuando un alumno o alumna se pierda un tema o necesite que le expliquen de nuevo ese concepto complicado, dejad que un tutor de IA se encargue de la primera explicación. Reservad la práctica para vuestra clase, donde cobra vida el aprendizaje real. Por qué es importante. En un ensayo bien controlado, un tutor de IA enseñó contenidos nuevos al menos tan bien como una buena clase. En un estudio de Harvard, 194 estudiantes de física aprendieron dos temas. Para uno de los temas, usaron un tutor de IA desarrollado para este fin. Para el otro tema, aprendieron en una clase de aprendizaje activo bien llevada, con debate y resolución de problemas por parejas, no una clase magistral. Cada estudiante completó ambos enfoques, de modo que nadie puede alegar que el grupo más fuerte recibió el mejor tratamiento. En una prueba realizada inmediatamente después, los estudiantes enseñados por la IA obtuvieron resultados significativamente más altos. Los investigadores registraron un tiempo mediano de 49 minutos para completar la tarea, frente a los 60 minutos asignados para la clase en el horario. Los autores son cautelosos al interpretar estos resultados: el material era nuevo para los estudiantes, y gran parte de la tarea consistía simplemente en explicarlo bien. Se niegan expresamente a extender su resultado a tareas que exigen relacionar varias ideas. Y se trataba de estudiantes universitarios, no de alumnado de 2.º de la ESO. Una amplia revisión que combinó los resultados de 228 estudios apunta en la misma dirección, con un límite importante. La IA generativa produjo mayores avances en conocer y comprender que formas más antiguas de IA, como los sistemas de tutoría inteligente y el software de práctica adaptativa. Pero este fue el único de los cuatro resultados medidos por la revisión en el que la IA generativa obtuvo ventaja. Para profundizar. Kestin, G., Miller, K., Klales, A., Milbourne, T., y Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, artículo 17458. Acceso libre, DOI 10.1038/s41598-025-97652-6. El artículo describe cómo se diseñó y controló el tutor. Esto resulta útil para quien desee desarrollar su propio tutor de IA. (2) Aprovechar mejor el tiempo de planificación de las clases Imaginad esto. Ahorrad parte del tiempo que necesitáis para planificar las clases utilizando la IA para redactar un primer borrador de vuestra planificación y luego revisarlo a fondo. Por qué es importante. Nadie discute que la carga de trabajo del profesorado es alta. Por ello, uno de los posibles beneficios de la IA es aprovechar mejor las horas de trabajo. Un ensayo realizado en Inglaterra investigó si el uso específico de la IA para planificar clases puede reducir la carga de trabajo docente. Los investigadores asignaron aleatoriamente a 259 profesores de ciencias de 68 escuelas a un grupo que usaba ChatGPT junto con una guía en línea sobre cómo usarlo bien, o a un grupo al que se pidió que no usara IA generativa en absoluto. El profesorado del grupo de ChatGPT dedicó unos 56 minutos semanales a planificar las clases de ciencias de los dos primeros cursos de secundaria (alumnado de 11 a 13 años), frente a unos 81 minutos en el grupo de comparación. Un panel de especialistas en la materia evaluó la calidad de las planificaciones, sin saber si estas se habían creado con o sin ayuda de la IA. Los especialistas no encontraron pruebas de que la calidad de las planificaciones difiriera. Sin embargo, deben destacarse dos puntos. (1) El profesorado utilizó la herramienta cada vez menos a medida que pasaban las semanas. Los evaluadores lo interpretan como el paso de una fase de aprendizaje a la rutina; pero también puede significar que el ahorro de tiempo no se mantiene por sí solo sin apoyo. (2) El ensayo midió el tiempo que el profesorado dedicaba a planificar las clases, no los resultados de aprendizaje del alumnado. «Todo se reduce al tiempo. Incluso el profesorado que ve el valor de la IA rara vez tiene tiempo para aprender a usarla». Para profundizar. Roy, P., Poet, H., Staunton, R., Aston, K., y Thomas, D. (2024, 12 de diciembre). ChatGPT in lesson preparation: A Teacher Choices Trial. NFER, encargado por la Education Endowment Foundation y la Hg Foundation. Gratuito en educationendowmentfoundation.org.uk. (3) Ofrecer mejor apoyo al alumnado que no se beneficia plenamente de las clases estándar Imaginad esto. Vuestra escuela decide cómo quiere gastar sus fondos. Quiere comprar un chatbot de IA. ¿Qué probabilidad creéis que hay de que los proveedores del chatbot os aporten pruebas de los beneficios del bot para las distintas materias? Por qué es importante. El proveedor puede remitirse a la investigación sobre alumnado con discapacidad, uno de los campos de la IA en educación estudiados desde hace más tiempo y que con facilidad se pasa por alto al asignar fondos. En un análisis de 29 estudios con 41 grupos de alumnado con discapacidad, los investigadores encontraron beneficios moderados en una amplia variedad de contextos. Pero leed la letra pequeña. En siete de cada diez de estos estudios, «IA» significaba un robot, normalmente humanoide, a menudo manejado por un investigador fuera de la vista del niño o la niña. Solo uno de cada cinco estudios utilizó software. Por tanto, esto no es prueba de que un chatbot vaya a ayudar a un alumno autista en vuestra clase. Tampoco pudieron los revisores determinar qué hace que estas intervenciones sean eficaces. A partir de su investigación, no pudieron identificar por qué los estudios que funcionaron diferían de los que no lo hicieron. Para profundizar. Zhang, L., Carter, R. A., Jr., Liu, Y., y Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. Gratuito, DOI 10.3102/00346543241293424. La verdadera joya es la tabla de estudios incluidos: revela de inmediato lo poco que este campo se centra realmente en las herramientas que hoy se comercializan para las escuelas. (4) Enseñar al alumnado cómo falla la IA Imaginad esto. Pedid a vuestra clase que cree diez imágenes de «un médico» y diez de «una enfermera». Contad quién aparece en cada conjunto y luego iniciad un debate: ¿de dónde vienen estos patrones y quién tomó esas decisiones? Fig. 1: «Prompt de un solo intento: a doctor, a nurse (un médico, una enfermera)» (imagen generada con IA, NanoBanana 2) Por qué es importante. La versión clásica de esta lección puede parecer anticuada, y precisamente por eso merece atención. Durante años, la demostración era predecible: pedir un médico y aparecía un hombre. En una prueba de la organización sin ánimo de lucro AlgorithmWatch, Midjourney representaba casi siempre a los médicos como hombres blancos, mientras que Adobe Firefly hacía intentos visibles, aunque imperfectos, de diversificar. Un estudio revisado por pares de 2400 imágenes de cirujanos generadas con IA encontró la misma división entre productos: dos de tres generadores populares casi no mostraban mujeres, mientras que el tercero se acercaba a la proporción real de mujeres en la cirugía. Probad hoy el mismo prompt y puede que aparezca una médica o un enfermero (Fig. 1). Pero no os dejéis engañar pensando que el sesgo ha desaparecido. Un análisis de 2026 de 1344 imágenes de tres generadores populares reveló lo contrario: al pedir una «persona competente», un sistema no mostró ninguna mujer. Lo que ha cambiado no es el sesgo, sino la capa en la que vive, ¡y esa es la lección importante! Detrás de todas estas imágenes hay decisiones humanas: con qué se entrenó el sistema y qué decidieron después sus creadores que debía mostrar. Esta segunda decisión es ajustable, invisible y la toma una empresa. La primera capa de decisiones humanas es lo que el sistema ha absorbido. Millones de imágenes, creadas y etiquetadas por personas, cada una reflejando el mundo tal como ya era. Esta es la capa que revela la lección clásica sobre el sesgo, y el alumnado la comprende con facilidad: la máquina se convirtió en un reflejo de lo que se le dio de comer. La segunda capa está determinada por lo que una empresa decide mostraros a continuación, aunque esta influencia no deja rastro alguno en la propia imagen. Aquí ocurren tres cosas, cada una descrita por sus creadores en sus propias palabras. Vuestras palabras se reescriben antes de que el modelo las reciba. Según la propia documentación para desarrolladores de OpenAI: «usamos GPT-4 para optimizar todos vuestros prompts antes de pasarlos a DALL-E» — y «esta función no se puede desactivar por el momento». Lo que escribió vuestro alumno no es lo que se le pidió a la máquina. El aspecto se completa cuando el prompt lo deja abierto. OpenAI, describiendo su técnica de diversidad: «Esta técnica se aplica a nivel de sistema cuando se le da a DALL·E un prompt que describe a una persona sin especificar raza o género, como “bombero”». Después de aplicarla, los usuarios tenían doce veces más probabilidades de decir que las imágenes mostraban personas de orígenes diversos. «Un médico» es exactamente ese tipo de prompt. Y ese ajuste puede fallar. Google, tras pausar la generación de imágenes de Gemini en 2024: «Nuestro ajuste para garantizar que Gemini mostrara una variedad de personas no tuvo en cuenta los casos en los que claramente no debía mostrarse esa variedad». Así que cuando un alumno o alumna escribe «un médico» y aparece una mujer, la imagen no ofrece ninguna pista sobre qué capa la hizo aparecer. Esa incertidumbre no es un defecto de la lección. Es la lección misma. La vieja narrativa afirmaba que la máquina simplemente absorbía los prejuicios de la sociedad. La nueva narrativa va más al fondo y perdura más: ¡una empresa tomó una decisión! No podéis detectar esa decisión en el resultado, y puede cambiar un martes cualquiera, en silencio, sin previo aviso. Esa verdad perdura a través de cada nuevo modelo. La lección del estereotipo se desvanece. Esta es la lección que merece la atención del alumnado, y perdurará más allá de la próxima actualización del modelo: la imagen no es un simple reflejo de la realidad, y no ocurrió por casualidad. Alguien tomó una decisión. Fig. 2: «Por qué la imagen generada a partir de un prompt como “dibuja un médico” tiene el aspecto que tiene y por qué la propia imagen no os lo dirá» (imagen generada con IA, NanoBanana 2) Esta lección puede empezar pronto. Cuando 209 estudiantes finlandeses de 12 clases de 6.º y 7.º curso exploraron este tema, el porcentaje que podía explicar el sesgo usando datos pasó de unos 7 de cada 100 a 44 de cada 100. La reserva honesta: el estudio midió lo que los niños y niñas podían explicar, no lo que harían más adelante. «El sesgo no es exclusivo de la IA. Incluso los libros de texto pueden contenerlo. Lo importante es saber sobre el azar, sobre los datos que hay detrás de una respuesta y sobre las posibles distorsiones». Para profundizar. Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. Gratuito, DOI 10.1177/14614448241252820. El estudio no tenía grupo de comparación: leedlo como un diseño de aula prometedor, no como una prueba. Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Online first. Gratuito, DOI 10.1177/14614448261435197. Ali, R., et al. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. DOI 10.1001/jamasurg.2023.5695. Las declaraciones de los propios fabricantes: OpenAI (2022), Reducing bias and improving safety in DALL·E 2; Depue, W. (2023), What’s new with DALL·E 3?, OpenAI Cookbook; Raghavan, P. (2024), Gemini image generation got it wrong. We’ll do better, Google. ¿Qué solidez tienen en este momento los resultados de la investigación sobre el potencial de la IA? Lo más importante. Si alguien os cita un estudio, haced dos preguntas antes de dar por válida su conclusión: «¿Quiénes eran los participantes y cuánto duró el estudio?» Por qué es importante. En 2025, un metaanálisis de 51 estudios informó de un gran beneficio de ChatGPT en el rendimiento académico del alumnado. El artículo se leyó cientos de miles de veces y sirvió de base para numerosas afirmaciones seguras en las salas de profesores. El 22 de abril de 2026, la revista retiró el artículo. Una retractación significa que una revista retira oficialmente algo que ha publicado; el artículo sigue siendo visible, marcado con la nota «RETRACTED» (retractado), para que cualquiera que lo haya citado pueda reconocerlo. Dos investigadores que no habían participado en el estudio habían detectado discrepancias en el análisis. El editor de la revista escribió que los problemas «socavan la confianza del editor en la validez del análisis». Los autores no respondieron a la correspondencia sobre este asunto. Esto no significa que la IA no tenga ningún impacto. Existen estudios reputados que demuestran beneficios moderados. Este campo de investigación tampoco está aún bien definido, porque es relativamente nuevo y muy dinámico. Significa que la cifra que se citaba con frecuencia era incorrecta, y que hicieron falta un año y dos expertos externos para darse cuenta de ello. Otra reserva merece mencionarse. Al menos en matemáticas, cuanto más se acerca la evidencia al contexto escolar, menor es el efecto. En el conjunto de las materias el panorama es desigual: algunas revisiones recientes encuentran efectos mayores en las escuelas que en las universidades, pero los estudios escolares siguen siendo pocos y pequeños. Para profundizar. La propia retractación tiene una página, es gratuita y merece la pena leerla precisamente por ser breve: Wang, J., y Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking. Humanities and Social Sciences Communications, 13, 528. DOI 10.1057/s41599-026-07310-z. El original retractado era HSSC 12, 621 (2025). Sigue vigente: Wu, X., Zhu, P., Zhang, J., Yin, M., y Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13, 684. Gratuito, DOI 10.1057/s41599-026-07019-z. La cifra referida solo al ámbito escolar en matemáticas: Yi, L., Liu, D., Jiang, T., y Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. DOI 10.1007/s10763-024-10499-7. Un análisis combinado más amplio y más reciente: Han, X., Peng, H., y Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. DOI 10.1016/j.edurev.2025.100714. Riesgos de la IA (1) Hacer algo no es lo mismo que aprender Imaginad esto. Antes de poner una tarea que un chatbot pueda completar, pensad cuál es el propósito de esa tarea. ¿Podría ser buena idea cambiarla? Por qué es importante. ¿Se aprende más rápido con un chatbot? Cerca de mil alumnos y alumnas de secundaria (13 a 16 años) practicaron matemáticas en tres grupos: uno con un chatbot estándar, otro con una versión programada para no dar la respuesta directamente y hacer una pregunta de seguimiento, y otro sin chatbot. Mientras usaba el chatbot, el grupo con el chatbot estándar completó un 48 % más de ejercicios de práctica que el grupo sin chatbot. Después, todos hicieron el mismo examen sin chatbot. El resultado, que al principio pareció sorprendente, fue que el grupo que usó el chatbot estándar obtuvo un 17 % peor rendimiento que el alumnado que no había usado ningún chatbot. El grupo que había trabajado con el chatbot que no daba la respuesta directamente no mostró ninguna caída de rendimiento en la prueba en comparación con el grupo sin chatbot, y además practicó más. El alumnado que usó el chatbot estándar no fue ni perezoso ni hizo trampas. Trabajaron más y aprendieron menos, porque lo que la herramienta eliminó no fue el esfuerzo, sino el desafío cognitivo que constituye el aprendizaje. «La IA hace que sea muy fácil obtener una solución sin entenderla». Para profundizar. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122, e2422633122. DOI 10.1073/pnas.2422633122. (2) Los detectores de IA castigan al alumnado equivocado Imaginad esto. Recibís la redacción de un estudiante para corregir. Con curiosidad sobre su autenticidad, la introducís en un detector de IA. El resultado aparece: la redacción fue casi con toda seguridad escrita por IA. Por qué es importante. Usáis el detector de IA para garantizar la equidad, pero para un grupo en concreto, los detectores tienen exactamente el efecto contrario. Un detector no reconoce texto generado por máquina. Mide cuán predecible es la redacción. Y precisamente ahí está el problema, por ejemplo, cuando un alumno escribe en una lengua extranjera, tiene poca práctica escribiendo o dispone de un vocabulario cotidiano limitado. Su escritura es predecible. Cuando siete detectores de uso extendido analizaron 91 redacciones escritas por hablantes no nativos para el examen de inglés TOEFL, recopiladas en un foro chino en línea, las señalaron erróneamente como generadas por máquina en alrededor de seis de cada diez casos. Las redacciones de alumnado estadounidense de octavo curso escritas en su lengua materna, el inglés, se clasificaron casi todas correctamente. Una herramienta que genera falsos positivos exactamente para un grupo no es neutral. Además, ese grupo es el que menos capacidad tiene de defenderse. Para profundizar. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., y Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Gratuito, DOI 10.1016/j.patter.2023.100779. (3) ¿Dónde diablos acabarán los datos del alumnado? Imaginad esto. Usáis una herramienta de IA que ofrece vuestra escuela. Intentad averiguar adónde van los datos del alumnado. Por qué es importante. ¿Puede vuestra escuela garantizar que los datos no se transmiten a un tercero? Un tercero es una empresa que no es ni vuestra escuela ni el desarrollador de la aplicación. Normalmente son empresas de publicidad o analítica que reciben datos mientras el alumno trabaja. Nadie en la escuela eligió a esa empresa. Cuando los investigadores realizaron un análisis técnico de 163 productos educativos recomendados por gobiernos durante los cierres escolares relacionados con la pandemia, 145 de ellos procesaban los datos de menores de un modo que ponía en peligro o vulneraba sus derechos, al transmitir datos a 196 terceras empresas o concederles acceso, principalmente del sector publicitario. De los 42 gobiernos que desarrollaron sus propios productos en lugar de comprarlos, 39 habían desarrollado productos con el mismo problema. El estudio abarca productos de 2021, y es posible que algunos hayan cambiado desde entonces. Sin embargo, no podemos descartar que ocurra lo mismo con las aplicaciones de IA. Para profundizar. Human Rights Watch (2022). «How dare they peep into my private life?»: Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. Gratuito en hrw.org. Los anexos por país permiten consultar qué se recomendó en cada lugar. (4) La IA llega la última donde más se necesita Imaginad esto. ¿Cuánta formación habéis recibido ya sobre aprender acerca de la IA o sobre enseñar con IA en vuestra materia? Por qué es importante. En un experimento, personas adultas con y sin formación universitaria resolvieron una tarea empresarial similar a las del mundo laboral. Con un asistente de IA, desaparecieron aproximadamente tres cuartas partes de la brecha entre ambos grupos. Cuando los investigadores retiraron después el asistente, una parte considerable de la brecha volvió a aparecer. Los autores concluyen que la IA hizo gran parte del trabajo y que solo una parte de la mejora se mantuvo una vez retirada. Una encuesta a directores de escuelas estadounidenses añade la segunda mitad del panorama: cuanto más desfavorecido era el alumnado de una escuela, menos había hecho la escuela para integrar la IA (menos normativas, menos formación del profesorado, menos orientación sobre el uso por parte del alumnado). Se trata de una correlación, no de una prueba de causalidad. En conjunto: una buena herramienta puede reducir una brecha mientras esté en manos del alumno. Pero tiende a llegar a las escuelas que menos la necesitan, y solo una parte de su beneficio permanece cuando se retira. Las cifras alemanas muestran el mismo patrón. Entre 1590 jóvenes de 14 a 20 años, el 80 % de las familias más acomodadas, pero solo el 55 % de las menos acomodadas, veían la IA como una oportunidad para la escuela. El uso sigue la misma pendiente: entre los jóvenes que usan herramientas de IA, el 70 % del alumnado del Gymnasium (secundaria de orientación académica) las usa para la escuela o los deberes, frente al 58 % en otros centros de secundaria. ¿Y la formación profesional del profesorado? Una encuesta a más de diez mil docentes en Inglaterra reveló que el 45 % del profesorado de escuelas privadas ya había recibido formación reglada sobre IA, frente al 21 % en escuelas públicas. Dentro del sistema público, la cifra oscilaba entre el 26 % en las escuelas con alumnado más acomodado y el 18 % en las de alumnado menos acomodado. Para profundizar. Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., y Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper 34851). Documento de trabajo, aún sin revisión por pares. Campos, C., y Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper 35347). Latham, K., y Montacute, R. (2025). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. Gratuito en suttontrust.com. Vodafone Stiftung Deutschland (2024), Pioniere des Wandels; mpfs (2024), JIM-Studie 2024. Ambos gratuitos, en alemán. (5) Lo que mejora al aprender con IA no es necesariamente lo que se ve Imaginad esto. Introducís un nuevo chatbot en vuestra docencia y el alumnado se muestra entusiasmado por usarlo. Por qué es importante. Una amplia revisión de 228 estudios analizó cuatro aspectos distintos que la IA podría mejorar: conocer y comprender; aplicar lo que se sabe; el lado afectivo, como la motivación y la implicación; y la capacidad de planificar, supervisar y corregir el propio aprendizaje. Tres de los cuatro mejoraron. El último no, hasta donde los estudios permitían saber. En cuanto a conocer y comprender, la IA generativa obtuvo mejores resultados que formas más antiguas de IA, como los sistemas de tutoría inteligente y el software de práctica adaptativa. En cuanto a aplicar el conocimiento y al lado afectivo, la IA generativa no obtuvo mejores resultados que el software más antiguo del que ya disponen muchas escuelas. En cuanto a la autorregulación, el efecto combinado fue pequeño y podría deberse al azar; además, había demasiado pocos estudios para preguntarse qué tipo de IA podría ayudar. Solo un puñado de los resultados procedía de ensayos aleatorizados, y el entusiasmo que veis en las primeras semanas es justo lo que mejor captan los estudios cortos. Una breve nota al margen: en esta revisión, los mayores avances se encontraron en las artes y las humanidades. Para profundizar. Yeo, G. H., y Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), artículo 110. DOI 10.1007/s10648-025-10085-5. 1.2 Enseñar Sobre la IA vs. Enseñar con IA Mensaje clave La IA es un GPS. Beneficia al conductor que ya lleva el mapa en la cabeza y frena, a quien no lo tiene, de llegar a aprenderlo. El efecto depende de la persona, no del producto. Sostenemos que enseñar sobre la IA es la condición previa para enseñar con IA. Hay que conocer la máquina para poder comprobar la respuesta que ha producido. Saber no es lo mismo que hacer. El profesorado valora su conocimiento sobre IA por encima de su capacidad para enseñar con ella, y la formación por sí sola no cierra esa brecha. El profesorado usa la IA entre bastidores, no en clase. En Alemania, la mitad del profesorado usa la IA varias veces al mes o más; de ellos, menos de un tercio deja que el alumnado trabaje con ella en clase. La pedagogía vence a la tecnología. Usar la IA para reelaborar el propio trabajo y construir sobre él vence a usarla solo para practicar o consultar; trabajar en grupo vence a trabajar solo; la retroalimentación vence a la gamificación. Una retroalimentación mejor no es un aprendizaje mejor. En un experimento, unos comentarios de la IA valorados como mejores que los de un docente dieron lugar a revisiones que no fueron mejores. Lo que decide es si la retroalimentación se pone en práctica. La IA aumenta la producción, no el aprendizaje autodirigido. Unas reglas claras y un uso intensivo aparecen juntos. En una amplia encuesta estadounidense, las escuelas con una política de IA tenían más docentes que usaban la IA y, por tanto, ahorraban más tiempo en total, no menos. Proteged vuestro propio mapa. El alivio se convierte en pérdida de competencia cuando la IA absorbe el trabajo que construye y mantiene el criterio. Si solo recordáis una frase de esta página: la IA es un GPS. Beneficia al conductor que ya lleva el mapa en la cabeza y frena, silenciosamente, a quien no lo tiene, de llegar a construirlo alguna vez. El problema del GPS Para conducir un taxi en Londres, primero hay que aprobar un examen de conocimiento: 320 rutas establecidas dentro de las 113 millas cuadradas en un radio de seis millas desde Charing Cross, para el cual Transport for London concede hasta dos años antes de que empiecen siquiera los exámenes. Los conductores examinados también usan GPS, y nadie piensa peor de ellos por ello. El examen de conocimiento no perdió su valor cuando llegó el dispositivo. El GPS se convirtió en lo que hace que la conducción sea segura. Una conductora que lleva la ciudad en la cabeza usa el GPS para lo que no puede saber: el accidente en el puente o el tráfico de esta noche. Y se da cuenta cuando la desvía por una calle que llevan meses reparando desde abril. Ahora poned a una recién llegada en el mismo taxi con el mismo GPS. Llega a todas las direcciones. Durante un tiempo, es indistinguible de la conductora experimentada. Pero al seguir las instrucciones del GPS, no está construyendo nada. Después de un año girando a la izquierda cuando se lo indican, sigue sin poder cruzar la ciudad sin el dispositivo, y no sabe reconocer cuándo se equivoca. Fig. 1: «El resultado depende de quien conduce» (imagen generada con IA, Google Gemini) A la izquierda, la conducción empieza con un mapa en la cabeza. El GPS añade lo que la conductora no puede saber. Esto se llama «externalización beneficiosa». A la derecha, la conductora no tiene ningún mapa en la cabeza. El dispositivo es su única orientación. Esto se llama «externalización perjudicial». El mismo GPS, dos conductoras, resultados opuestos. La diferencia nunca estuvo en el dispositivo. Hablamos de algo más que de una imagen. Los estudios con conductores muestran que quienes dependen mucho del GPS se forman un mapa mental más pobre de su entorno. Un estudio de tres años mostró que un uso más intensivo iba acompañado de un deterioro más pronunciado de la memoria espacial. Y la psicología sabe desde hace dos décadas que el mismo apoyo que ayuda a un principiante puede estorbar a quien ya domina la materia. Lo mismo ocurre a la inversa. El efecto de una herramienta de IA depende mucho más de lo que la persona usuaria ya sabe que de la propia herramienta. Esto es lo que los investigadores llaman un esquema, el conocimiento previo organizado de una persona. Cuando ya está presente, delegar el trabajo en una máquina os libera. Los investigadores llaman a esto externalización cognitiva beneficiosa. Sin embargo, cuando el conocimiento aún debe desarrollarse, el mismo proceso puede impedir que se forme. Esto se llama externalización cognitiva perjudicial. Un estudio con cerca de mil estudiantes de secundaria muestra esto ocurriendo en una clase de matemáticas. Un grupo practicó con un chatbot sin restricciones, otro sin él. Mientras lo tuvo, el grupo con chatbot obtuvo una puntuación un 48 % más alta en los problemas de práctica. Luego llegó un examen sin el chatbot. Ahora, los mismos estudiantes que habían resuelto tan bien los problemas de práctica obtuvieron un 17 % peor resultado que el grupo que nunca había usado el chatbot de IA. Un tercer grupo usó una versión de IA diseñada para no dar las respuestas directamente y, en su lugar, hacer preguntas. Ese grupo no perdió nada. Ese tercer grupo es toda la cuestión de diseño. Un GPS que nombra el destino y os ayuda a encontrar la ruta os enseña la ciudad. Un GPS que dice gira a la izquierda en 200 metros no lo hace, por buenos que sean sus datos. Los investigadores llaman a esta diferencia barreras de seguridad, y el diseño decide si ayudáis a vuestro alumnado a aprender el mapa de la ciudad o simplemente a encontrar el destino. Recordad esto: vosotros tenéis el conocimiento. Vuestro alumnado, en la materia que impartís, todavía no. Esa asimetría es todo el capítulo. «Ahora mismo, las herramientas a las que recurre el alumnado están hechas para resolver problemas, no para enseñar, y esa es actualmente la principal dificultad de mi trabajo». Dos plantas, no dos temas En la literatura académica, estas dos áreas se consideran campos distintos. Podéis pensar en ellas como dos plantas de un edificio, con la mayoría del profesorado en la planta baja y sin escalera que lleve a la primera planta. En un estudio con 90 docentes de centros de formación profesional de Baviera que se habían inscrito en una formación sobre IA, el profesorado valoró su conocimiento sobre IA con una media de 3,4 sobre 5, pero su capacidad para usarla en su docencia mucho más baja, con un 2,6. El saber y el hacer se habían desconectado. Un ensayo en cinco países europeos puso a prueba después si la formación podía cerrar esa brecha. Participaron 736 docentes de Francia, Irlanda, Italia, Luxemburgo y Eslovenia, divididos en dos grupos. Un grupo recibió un curso en línea y apoyo durante el ensayo; el otro recibió el mismo curso en línea una vez finalizado el ensayo. Los resultados mostraron que aumentaron el conocimiento y la capacidad para juzgar lo que una herramienta podía hacer. Pero en la mayoría de los países el uso habitual de la IA en el aula no cambió: probaron herramientas y volvieron a lo que hacían antes. Esta es la brecha entre saber y actuar. Los cursos generan conocimiento, pero cambiar la práctica requiere acompañamiento, experimentación y compañeros con quienes pensar. La transferencia hay que diseñarla, no esperar a que ocurra. «El único inconveniente de este webinar es que no podemos probarlo directamente». Lo que el profesorado hace en realidad El hallazgo más sólido entre países es sorprendente, aunque de forma discreta: el profesorado usa la IA intensamente para sí mismo y casi nada con su alumnado. En Alemania, el 52 % del profesorado usa herramientas de IA varias veces al mes o más. Pero, de quienes usan la IA, solo el 29 % deja que su alumnado trabaje con ella en clase. Así que el debate público sobre «la IA en el aula» es, en gran medida, un debate sobre algo que todavía no ocurre a gran escala. Fig. 2: «Diferencia entre el uso de la IA para preparar las clases y su uso en el aula» (imagen generada con IA, Google Gemini) Lo que sí está ocurriendo es un alivio de la carga de trabajo, y aquí las noticias son buenas. En un ensayo realizado en Inglaterra, 259 docentes de 68 escuelas recibieron ChatGPT y una guía para planificar clases de ciencias para alumnado de 11 a 13 años. Dedicaron unos 56 minutos semanales a planificar, frente a 81 en el grupo de comparación. Evaluadores independientes que no sabían de qué grupo procedía cada clase no encontraron indicios de una diferencia de calidad. En una amplia encuesta estadounidense, el profesorado que usa la IA al menos una vez por semana estimó un ahorro de casi seis horas semanales; se trata de su propia estimación, no de una medición. Y hay un patrón que merece detenerse a considerar. En la misma encuesta estadounidense, las escuelas con una política de IA tenían más docentes que usaban la IA (siete de cada diez frente a seis de cada diez) y, por tanto, ahorraban en total alrededor de un cuarto más de tiempo docente. Para el docente individual que usa la IA cada semana, la diferencia era pequeña. Se trata del relato del propio profesorado, no de una medición, y una encuesta no puede mostrar en qué dirección va la flecha causal: puede que las escuelas bien organizadas simplemente hagan bien ambas cosas. Pero es lo contrario de lo que la mayoría esperaría: unas reglas claras y un uso intensivo aparecen juntos, no enfrentados. 1.4 Uso Conforme de la IA «Es importante tenerla como complemento, pero desde luego no dejar que ChatGPT dirija toda la clase». Por qué la herramienta no es lo importante Si buscabais un ranking de las mejores herramientas de IA, la investigación os decepcionará y luego, en una segunda lectura, os liberará. Cuando los investigadores reúnen muchos estudios separados y preguntan qué diferencia a las aulas donde la IA ayudó mucho de aquellas donde apenas ayudó, la respuesta nunca es la marca del software. Es lo que se pidió al alumnado que hiciera con ella. Los siguientes puntos resumen resultados de investigación importantes. Pero todos se basan en pocos estudios. En matemáticas, el alumnado que usó la IA para reelaborar una solución o construir sobre su propio intento ganó aproximadamente dos veces y media más que el alumnado que la usó solo para enriquecer tareas habituales, como practicar o comprobar respuestas. El alumnado que usó la IA en grupo ganó alrededor de un 70 % más que quienes la usaron en solitario. Cuando la IA se usó para dar retroalimentación sobre el trabajo del alumnado, las mejoras estuvieron entre las mayores. Usar la IA para gamificar las clases produjo una mejora demasiado pequeña como para considerarla demostrada. La pedagogía es más importante que la tecnología utilizada. Cuando los investigadores han clasificado los estudios según lo que el alumnado hacía realmente, la actividad importó más que la herramienta. Curiosamente, se observó el mismo patrón con la generación anterior de herramientas digitales en secundaria. Los resultados dependen en gran medida de si el profesorado había recibido formación para usarlas. Una buena retroalimentación no es lo mismo que una retroalimentación que funciona. En un experimento, 70 estudiantes universitarios escribieron un ensayo argumentativo y lo revisaron una semana después. Se les asignó al azar a tres grupos: uno recibió retroalimentación de un profesor experimentado, otro de un chatbot con una instrucción sencilla, y otro del mismo chatbot instruido para razonar el ensayo paso a paso. Evaluada con la misma rúbrica, la retroalimentación del chatbot paso a paso fue la mejor de las tres. Fue mejor que la del chatbot sencillo y mejor que la del profesor. Luego llegaron las revisiones, y los tres grupos mejoraron aproximadamente lo mismo. La mejor retroalimentación del estudio no produjo más mejora que la peor valorada. Unos mejores comentarios no produjeron un mejor ensayo. Este resultado desafía una suposición común: que una mejor retroalimentación produce un mejor aprendizaje. Evidentemente, por sí sola no lo hace. La retroalimentación solo sirve de algo si se pone en práctica: se lee, se entiende, se actúa en consecuencia y se comprende lo bastante bien como para que el estudiante pueda acertar sin ayuda la próxima vez. El cuello de botella es la puesta en práctica, no la calidad. Más no siempre es mejor. En un segundo estudio, con 60 estudiantes de 4.º de la ESO y 240 textos escritos, la IA produjo muchos más comentarios relacionados con el contenido que el profesorado. Pero el alumnado puso en práctica más a menudo los comentarios del profesorado. Ante treinta correcciones precisas, un estudiante puede dejar de diagnosticar y empezar a priorizar, o simplemente obedecer. Si un estudiante sigue las reglas al pie de la letra, básicamente está diciendo que la revisión era innecesaria. Es el GPS otra vez, pero en otro nivel. Os da una retroalimentación muy detallada, como «gira a la izquierda en 200 metros», aplicada a vuestro propio texto. Quién lo dice importa. No sabemos con certeza por qué los comentarios del profesorado se ponen en práctica más a menudo. Esto es cuestión de interpretación, no de medición, pero la explicación más probable es que la retroalimentación se percibe como un acto entre personas. Lo que dice alguien que sabe lo que hicisteis el trimestre pasado y verá lo que hacéis con ello es diferente de la misma frase generada bajo demanda. Qué implica esto para la práctica. Un análisis combinado de estudios sobre retroalimentación automatizada de textos, realizado antes de que existieran los chatbots actuales, llegó a resultados similares. La retroalimentación tuvo más efecto cuando el alumnado tenía que aplicarla a un texto nuevo que cuando solo revisaba el texto que tenía delante, y más cuando se usó a lo largo de varias sesiones que una sola vez. Y hay que decir una cosa más con justicia: en comparación con no recibir ninguna retroalimentación, la retroalimentación de la IA sí ayuda. En un estudio de un equipo alemán con 459 estudiantes de bachillerato, la retroalimentación generada por IA mejoró moderadamente sus revisiones y su motivación. Y la misma división aparece a gran escala. Un equipo combinó 228 estudios: la IA mejoró clara y consistentemente lo que el alumnado podía producir, mientras que cualquier ganancia en su capacidad de planificar, supervisar y corregir su propio aprendizaje fue lo bastante pequeña como para deberse al azar. La programación lo muestra con más claridad. El alumnado con un asistente de IA fue medible más rápido, y no mejor al final que quienes no lo tenían. Hacer más y mejorar no son lo mismo, y la IA los separa. Europa como espejo En toda Europa, las encuestas sobre el uso de la IA por parte del profesorado van desde unos nueve de cada diez en una muestra checa hasta aproximadamente uno de cada siete en Francia. Las encuestas difieren en método y momento: la cifra checa procede de una pequeña encuesta de 2025 a 317 docentes y cuenta cualquier experiencia con la IA, mientras que la cifra francesa procede de la encuesta internacional de la OCDE al profesorado TALIS 2024, en la que algo menos de la mitad del profesorado checo declaró usar la IA en su docencia. Francia construyó uno de los mayores programas estatales de IA del continente: un software de práctica adaptativa en matemáticas y francés, gratuito para todo el alumnado del primer curso de bachillerato. Sin embargo, el profesorado francés usa poco la IA y solo el 9 % ha recibido alguna formación en IA, frente al 38 % de media en los países de la OCDE. Noruega ha plasmado el problema del GPS en su política (al menos como recomendación) tal como lo haría una autoescuela de taxistas: primero aprender con el mapa y después añadir el dispositivo. En junio de 2026, Noruega recomendó que, por norma general, el alumnado de 1.º a 7.º curso no tenga acceso a la IA. Entre 8.º y 10.º curso, la IA puede introducirse de forma gradual y cuidadosa, una vez que el profesorado tenga la competencia necesaria para guiarla. En la educación secundaria superior, el alumnado debe aprender a usar la IA con un propósito. El punto ciego Rara vez se nombra un riesgo de la IA, y la imagen también lo alcanza: el conocimiento del mapa de la ciudad de Londres no es permanente. Una conductora que sigue las flechas durante cinco años no conserva la ciudad en la cabeza. Se desvanece, y deja de notar la calle en obras. Vuestra pericia se mantiene haciendo precisamente aquello que la IA mejor absorbe: redactar la tarea, anticipar el error conceptual y elaborar la explicación. Cuando la IA se hace cargo del trabajo mediante el cual se forma el criterio, el alivio se convierte en pérdida de competencia. En un panel alemán de expertos en e-learning, 65 de cada 100 esperaban que la IA generativa hiciera perder a las personas competencias importantes, frente a 44 el año anterior. En medicina, el efecto ya se ha medido: después de que el apoyo de la IA se generalizara en las colonoscopias, los médicos que trabajaban sin ella detectaban menos lesiones precancerosas que antes. Usad el GPS. Pero conservad el mapa. 1.3 Uso Responsable de la IA Mensaje clave La responsabilidad es una cuestión de diseño, no de control. La detección de IA no funciona correctamente. Y la detección de IA es injusta cuando falla. Los detectores señalan erróneamente trabajos humanos como escritos por IA y pasan por alto trabajos escritos por IA. Las autoridades educativas de Francia y los Países Bajos desaconsejan su uso. La invención con aparente seguridad y los sesgos heredados se derivan de cómo se construyen y evalúan estos sistemas. La consecuencia debería ser: enseñarlos, en lugar de esperar una solución. El principio de trabajo es: pensar primero, luego la IA. Hacer que las personas se comprometan con su propia respuesta vence a explicar la máquina, e incorporar límites en el software elimina el daño que causa el acceso sin restricciones. Los prompts por sí solos no bastan. Un chatbot al que se le pide actuar como tutor tiende a volver a dar las respuestas directamente, lo que convierte los límites fiables en una cuestión de compra. La amplificación es lo predeterminado; la equiparación debe construirse a partir del acceso, el diseño y el acompañamiento juntos. Lo más escaso, pero también lo más importante de los tres, es un docente formado. La inclusión es la ganancia más clara, y donde el propio profesorado ve el argumento más convincente. Si solo recordáis una frase de esta página: los diques se están rompiendo. Enseñad a nadar. El diario de lectura, una segunda mirada Volvamos a nuestro estudiante de 3.º de la ESO y su diario de lectura sospechosamente pulido. El instinto es casi universal, y es el instinto de un buen docente: averiguar si usó IA. Construir un dique mejor. Este capítulo trata de por qué ese instinto, por sí solo, no lleva a ninguna parte. Veremos a continuación qué funciona en su lugar. Empecemos por la parte incómoda. El profesorado no puede distinguir de forma fiable un texto de IA de un texto del alumnado. En dos estudios de un equipo alemán, se dio a 89 docentes en formación y a 200 docentes con experiencia una mezcla de redacciones de estudiantes y de chatbot y se les pidió que las clasificaran. Ningún grupo lo logró de forma fiable, pero ambos estaban seguros de poder hacerlo. La experiencia ayudó solo un poco: el profesorado con experiencia siguió sin detectar la mayoría de los textos de IA. En una universidad británica, los investigadores enviaron respuestas generadas por chatbot a exámenes en línea reales y sin supervisión a través de los canales normales, sin avisar a quienes corregían. «Podéis usarla, pero tenéis que ser capaces de explicar el resultado con vuestras propias palabras». El detector que falla con el alumnado equivocado Los investigadores probaron siete de los detectores de IA más usados con redacciones del examen TOEFL escritas por personas que aprendían inglés como lengua extranjera, recopiladas en un foro chino en línea. Junto a ellas, colocaron redacciones de estudiantes estadounidenses nativos de 8.º curso. El trabajo de los hablantes nativos se clasificó correctamente casi siempre. De las redacciones en lengua extranjera, más de seis de cada diez fueron señaladas erróneamente como escritas por máquina. El mecanismo no es ningún misterio. Muchas de estas herramientas no detectan el trabajo de los grandes modelos de lenguaje. Lo que miden es la previsibilidad. Un texto que usa palabras comunes en el orden esperado puntúa como artificial. Quienes escriben en una segunda lengua, con un vocabulario más reducido y estructuras de frase más rígidas, pueden producir exactamente esa señal. Por otro lado, los detectores entrenados para una prueba concreta, así como los estudios en otros idiomas, muestran diferencias menores. Hasta ahora no hay en el mercado ningún detector lo bastante fiable como para acusar a nadie de engaño intencionado. Los errores de la herramienta recaen sistemáticamente sobre el alumnado que ya carga con más dificultades. Las instituciones han hecho los números. La Universidad de Vanderbilt señaló que, aunque una herramienta así se equivocara solo el 1 % de las veces, eso seguiría significando unos 750 trabajos señalados erróneamente al año de entre sus 75 000 entregas. En consecuencia, la desactivaron. Una guía elaborada por investigadores para el ministerio federal de educación de Alemania es tajante: la tecnología «no es lo bastante fiable como para aportar una prueba jurídicamente segura». Una prueba europea independiente de catorce detectores llegó al mismo veredicto: «ni precisos ni fiables». Buena parte de Europa ya ha dejado de debatir esto. El ministerio de educación de Francia y su autoridad de protección de datos aconsejan a las escuelas no usar detectores, y la agencia neerlandesa de TIC Kennisnet los considera muy poco fiables. En la educación superior, algunas universidades, como la ZHAW de Zúrich, prohíben usarlos para calificar. En Inglaterra, los organismos examinadores solo permiten el software de detección como un elemento más de un juicio que corresponde al docente, que es quien «mejor conoce a su alumnado». También merece la pena llevarse a casa una cuestión de protección de datos: pegar el trabajo de un estudiante en una herramienta en línea supone tratar sus datos personales. Para ello se necesita una base jurídica y un contrato con el proveedor. → 1.4 Uso Conforme de la IA Parece que el pánico por las trampas es más liviano que el ruido que lo rodea. Los investigadores encuestaron a estudiantes de tres institutos estadounidenses antes de que existiera ChatGPT y de nuevo después. Las trampas se mantuvieron, en líneas generales, donde estaban. Una encuesta de seguimiento a más de 4000 estudiantes de otros seis institutos estadounidenses, un año después, llegó al mismo resultado. La verdadera pregunta nunca fue «¿cómo lo pillo?». Es: ¿qué sigue midiendo una tarea para casa una vez que su producto puede generarse a demanda? «Al principio lo veía como hacer trampas. Ahora lo veo como una señal de que la propia tarea tiene que cambiar». Dos cosas que no se van a arreglar sin más, así que hay que enseñarlas La invención con aparente seguridad viene integrada de serie. Estos sistemas generan continuaciones plausibles de un texto, y plausible no es lo mismo que verdadero. Las revisiones de la investigación coinciden en que ninguna técnica ha eliminado todavía el problema, aunque puede reducirse y detectarse en parte. La razón es que las pruebas estándar usadas para evaluar los grandes modelos de lenguaje premian una suposición hecha con seguridad por encima de admitir incertidumbre, así que, mientras se midan así, persistirá una cierta tasa de falsedades fluidas y bien formadas. Los sesgos del material de entrenamiento también vienen integrados. Y además no se reducen a medida que mejoran los modelos. Un estudio europeo sobre estereotipos de género en distintos idiomas encontró que los modelos más grandes, incluso tras el entrenamiento adicional pensado para hacerlos más seguros y justos, a veces estereotipan más, no menos. Si una propiedad no se puede eliminar mediante ingeniería, se convierte en materia de enseñanza. Y puede enseñarse: en un programa finlandés, el porcentaje de estudiantes capaces de explicar de dónde procedía el sesgo de un generador de imágenes pasó del 7 % al 44 %. La consecuencia para la enseñanza debe ser formar en el análisis del error en lugar de en evitar el error. Dicho de otro modo: los fallos de la máquina se convierten en la lección. «Dejad que el alumno compruebe la solución del chatbot como si fuera el profesor. Buscando los errores es como por fin aprende el método». Qué funciona: diseño, no control La evidencia apunta a un principio sencillo y fácil de recordar: pensar primero, luego la IA. Haced que la persona se comprometa primero. En un experimento con unas 200 personas adultas, quienes tenían que tomar su propia decisión antes de ver la sugerencia de la máquina aceptaron sus sugerencias erróneas con menos frecuencia que quienes veían una breve explicación del razonamiento de la máquina. Explicar la IA no resolvió el problema. Lo que ayudó fue forzar el juicio propio. Forzar el juicio significa obligar a pensar. Como pensar cansa, a los participantes estos métodos fueron los que menos les gustaron, y ayudaron sobre todo a quienes ya disfrutaban del pensamiento esforzado. Es lo que todos conocéis como el efecto Mateo: a quien más tiene, más se le da. Incorporad los límites al sistema. El chatbot del Capítulo 1.2, que no daba las respuestas directamente y en su lugar hacía preguntas, es la misma idea llevada al software: el alumnado que lo usó no perdió nada en el examen, mientras que quienes usaron la versión sin restricciones salieron mal parados. Haced visible el proceso en lugar de perseguir el producto. Borradores, notas de trabajo, una breve conversación sobre el trabajo.  Esto os muestra lo que un estudiante es capaz de hacer sin que nadie tenga que demostrar qué hizo. Dinamarca está poniendo a prueba este principio: en las escuelas participantes, el alumnado puede usar IA mientras se prepara para el examen oral de inglés, y el examen escrito incluye una parte manuscrita sin ayudas. Dos límites merecen conocerse antes de confiar en esto. El primero: el consejo popular de que el profesorado simplemente indique a un chatbot que actúe como tutor socrático puede no sobrevivir a una conversación larga. Las primeras pruebas, procedentes de un estudio con estudiantes simulados que aún no ha sido revisado por pares (octubre de 2026), sugieren que, bajo una presión persistente, estos tutores vuelven a dar las respuestas directamente. Los límites fiables tienen que estar incorporados al sistema, lo que los convierte en una decisión de compra más que en una habilidad de prompting. El segundo: hacer que una IA explique su razonamiento suena como la salvaguarda obvia, pero las explicaciones no evitan de forma fiable el exceso de confianza. En un estudio, dejaron sin cambios la aceptación de consejos erróneos por parte de las personas, y las explicaciones demasiado técnicas o demasiado simplificadas pueden aumentar la confianza mal depositada. La explicación es solo una condición para el aprendizaje. Actitud: dos modos de fallo, no uno Nos preocupa que el profesorado deposite demasiada confianza en la IA. Sin embargo, deberíamos preocuparnos igual por lo contrario. Incluso las personas con experiencia pueden dejarse llevar por el exceso de confianza. En un pequeño piloto en escuelas estadounidenses, cuatro de cada diez docentes encuestados consideraron que la retroalimentación de una herramienta de calificación con IA no era útil, era mayoritariamente vaga o incluso incorrecta. La investigación sobre el sesgo de automatización muestra que las personas tienden a aceptar la sugerencia de una máquina incluso cuando tienen motivos para dudar de ella. Detectar un error y corregirlo son pasos distintos. El polo opuesto es la ocultación. El profesorado esconde su propio uso de la IA de sus colegas y de su alumnado, prohibiéndoles hacer lo que ellos mismos hacen: el 77 % usa la IA en privado, mientras que el 57 % dice que el alumnado nunca debería usarla para generar ideas. Mientras tanto, un estudio con estudiantes académicamente destacados de 1.º a 3.º de la ESO encontró que entre un tercio y dos quintas partes ya afirmaban que la IA sabe más que sus profesores. Una profesión que oculta sus prácticas no puede servir de modelo de una práctica responsable, y la transparencia no es solo una cortesía. Es el mecanismo por el que funciona la enseñanza con el ejemplo. ¿La IA nivela el terreno de juego o lo inclina? En tareas relacionadas con el trabajo, la IA iguala las diferencias. En un experimento, los participantes con niveles educativos más altos rindieron significativamente mejor que los de niveles más bajos. Con un asistente de IA, desaparecieron aproximadamente tres cuartas partes de esa brecha. Al retirar de nuevo el asistente, una parte considerable de la brecha volvió a aparecer. Lo que la IA cerró fue la brecha en la producción, no la brecha en la capacidad. En tareas de aprendizaje, ocurre lo contrario. Un estudio no encontró ningún beneficio medio en absoluto, sino una distancia creciente entre el alumnado que ya sabía mucho y el que no. Otro observó a estudiantes que escribían en una lengua extranjera: quienes escribían peor recibieron más correcciones de la IA y consiguieron aplicar con éxito menos de ellas, y varios encontraron desalentadora la avalancha de retroalimentación. La retroalimentación sin la capacidad de priorizarla no ayuda; sepulta. La brecha ya existe antes de que nadie toque una herramienta. En Alemania, el 80 % del alumnado de los hogares más favorecidos ve la IA como una oportunidad, frente al 55 % de los menos favorecidos. En Gran Bretaña, la división pasa por la sala de profesores más que por el armario de dispositivos: el 45 % del profesorado de escuelas privadas ha recibido formación formal en el uso de la IA, frente al 21 % en las públicas. Dentro del sector público, las escuelas más ricas vuelven a superar a las más pobres. Una encuesta de 2026 a más de 25 000 menores de 17 países europeos encuentra la misma división social en cuánto y de qué forma tan variada usan la IA. Una frase de un comentarista resume todo el problema mejor que cualquier cifra: «los ricos tienen acceso tanto a la tecnología como a personas que les ayudan a usarla, mientras que los pobres solo tienen acceso a la tecnología». Así que el cuello de botella es qué alumno tiene un docente que ha recibido formación. La IA compensa cuando tres cosas se sostienen juntas: acceso seguro, una herramienta diseñada para aprender en lugar de para responder, y un docente que acompaña su uso. Quitad cualquiera de las tres, y en su lugar amplifica. Como las tres tienden a estar presentes en las mismas escuelas y ausentes en las mismas escuelas, la amplificación es lo predeterminado, y la equiparación es algo que hay que construir. 1.4 Uso Conforme de la IA Aviso: Hemos investigado este capítulo con cuidado, pero el derecho de la IA es un ámbito que cambia con rapidez. Las normas pueden haber cambiado desde su publicación, así que comprobad siempre la situación jurídica actual y adaptadla a vuestra legislación nacional cuando sea necesario. Este capítulo no constituye asesoramiento jurídico. Mensaje clave No existe un vacío legal. El derecho de protección de datos siempre ha sido aplicable. El calendario se movió. Las obligaciones de alto riesgo para la IA educativa empiezan el 2 de diciembre de 2027, no en agosto de 2026. Comprobad los materiales de vuestra escuela (véase también 1.6). Ya vinculante desde febrero de 2025. Los sistemas que leen las emociones del alumnado a partir de su cara o su voz están prohibidos, y las escuelas que usan IA deben tomar medidas para desarrollar la alfabetización en IA de su personal. Desde agosto de 2026, los chatbots deben indicar que son IA y los deepfakes deben etiquetarse. La capa más difícil es la protección de datos. Ningún dato personal del alumnado sin un contrato que excluya el entrenamiento con vuestros datos; el consentimiento normalmente no es válido; eliminar los nombres no anonimiza. En derechos de autor, el problema es lo que subís. La excepción docente no cubre introducir obras protegidas en una IA. Los detectores no sirven como prueba. Los tribunales han aceptado conclusiones extraídas de hechos concretos. Las reglas deben ser claras de antemano, y pedir que se declare el uso vence a prohibir. Las calificaciones siguen siendo humanas. Nos parece obvio, pero es importante señalarlo: aprobar automáticamente la sugerencia de una IA no es una decisión humana. La responsabilidad recae en la contratación, no en vosotros — y el cumplimiento normativo habilita. Las escuelas con reglas claras son aquellas cuyo profesorado declara ahorrar más tiempo. Si solo recordáis una frase de esta página: el cumplimiento normativo es una casa, no un muro. ¿Qué puedo hacer? Tened presentes estos cuatro pasos antes de escribir, pegar o subir nada. Usad el siguiente esquema como guía general. Los requisitos de vuestro país pueden diferir de los que se indican aquí. Por eso, comprobad siempre la normativa específica de vuestro país y de vuestro centro. Fig. 1: «...» (imagen generada con IA, ...) «Ni siquiera tenemos claro qué podemos hacer, y menos aún en lo que respecta a la protección de datos». El diario de lectura, una tercera mirada Nuestro estudiante de 3.º de la ESO, su diario de lectura, la sospecha de su profesor. En el Capítulo 1.2, era una cuestión de aprendizaje; en el Capítulo 1.3, de criterio profesional. Aquí es un expediente judicial. En diciembre de 2025, el Tribunal Administrativo de Hamburgo, Alemania, resolvió sobre una solicitud urgente en este caso. El profesor de inglés había notado que el diario de lectura estaba escrito con un nivel de ortografía, gramática y vocabulario muy superior al del examen de clase del chico sobre el mismo libro. Más tarde, el alumno admitió haber usado ChatGPT, y la escuela calificó el diario como un intento de engaño. Su padre solicitó al tribunal medidas urgentes; el tribunal las rechazó. Su razonamiento va más allá de este caso: el alumnado debe asumir que tiene que hacer su trabajo completamente solo, salvo que se haya permitido expresamente una ayuda, por lo que el uso no declarado de IA cuenta como engaño incluso sin una norma escrita contra la IA. (En este caso, de hecho, el profesor había dicho a la clase que no se permitía ChatGPT). Una salvedad que conviene tener presente desde el principio: se trata de un único tribunal, en un procedimiento de urgencia, y la decisión no es firme. Este es un buen momento para abordar el malentendido más común en este campo. No existe un vacío legal. Nunca lo ha habido. La casa tiene tres plantas La mayoría del profesorado imagina el derecho sobre la IA como un único muro en construcción en algún lugar de Bruselas. Sin embargo, es más útil imaginar una casa en la que ya vivís. Los cimientos son la protección de datos. Son estructurales. Se colocaron hace años. Rigen vuestra mañana de martes. La planta superior es la Ley de IA de la UE, la ley europea sobre IA, que clasifica los sistemas según su potencial de daño e impone obligaciones más estrictas cuanto mayor es el riesgo. Está parcialmente ocupada y todavía en construcción, con la fecha de finalización recién retrasada. Las puertas y ventanas son el derecho de autor y la normativa de exámenes: pequeños y específicos, y en contacto diario sin que os deis cuenta. Fig. 2: «El cumplimiento normativo es una casa» (imagen generada con IA, ...) Planta baja: la protección de datos, más clara de lo que muchos piensan Tratar los datos personales de alguien siempre requiere una base legal. Como organismo público, el permiso de una escuela procede esencialmente de sus obligaciones legales conforme a la normativa escolar. No existe una licencia general que venga incluida con ser docente. De ahí se derivan tres consecuencias, que forman el núcleo práctico de este capítulo. El consentimiento no es una solución. Una solución obvia sería simplemente pedírselo a las familias. Sin embargo, este enfoque tiene dos inconvenientes. Primero, el consentimiento debe darse libremente. En un contexto escolar donde las calificaciones son un factor, la petición de un docente no constituye una elección libre. Segundo, el consentimiento debe ser informado, algo difícil de lograr cuando nadie sabe dónde acabarán los datos. El permiso debe proceder de la normativa escolar, no de una firma, ya que esto traslada la responsabilidad hacia arriba, lejos de vosotros. Eliminar los nombres no anonimiza los datos. En 2024, las autoridades alemanas de protección de datos declararon conjuntamente que, si alguien todavía puede ser identificado a partir del contexto, el dato sigue siendo personal. Esto es especialmente problemático en las escuelas porque los tipos de texto con los que el profesorado más quiere ayuda —como redacciones, escritura libre y diarios de aprendizaje— identifican a su autor por el estilo. La línea divisoria es el contrato: un proveedor puede tratar vuestros datos si lo hace estrictamente según vuestras instrucciones y existe un acuerdo por escrito a tal efecto. Sin embargo, en el momento en que usa lo que escribís para sus propios fines, el arreglo se derrumba, porque ya no trabaja en vuestro nombre. Así que la prueba práctica es esta: ¿existe tal acuerdo, y excluye el entrenamiento con vuestros datos? Si no, no debería introducirse ningún dato personal. Dos notas al margen que merece la pena señalar: los datos relativos a la salud y la discapacidad están sujetos a una protección aún más estricta según el derecho de la UE. No deben introducirse en una herramienta de IA. Y cuando el profesorado usa dispositivos privados, al menos dos estados alemanes (Renania del Norte-Westfalia y Baviera) dejan claro que la responsabilidad en materia de protección de datos recae en la escuela y en su dirección, que debe autorizar ese uso. Planta superior: lo que la Ley de IA exige ya y lo que todavía no He aquí la corrección que deja obsoletas la mayoría de las guías existentes. En julio de 2026, mediante un reglamento modificativo conocido como Digital Omnibus, la UE aplazó el conjunto más pesado de obligaciones de la Ley de IA para la educación, las correspondientes a los sistemas clasificados como de alto riesgo, es decir, los sistemas usados para decidir admisiones, evaluar lo que ha aprendido el alumnado o vigilarlo durante los exámenes, de agosto de 2026 al 2 de diciembre de 2027. Muchos materiales escritos en 2025 y principios de 2026 todavía imprimen la fecha antigua. Si un documento de vuestra escuela lo hace, necesita una nota a pie de página. La corrección más útil va en el sentido contrario: lo que ya se aplica se subestima, y lo que se discute sin parar todavía no se aplica. Dos cosas son vinculantes desde el 2 de febrero de 2025. El reconocimiento de emociones en las escuelas está prohibido. Los sistemas que afirman leer los sentimientos del alumnado a partir de su cara, su voz o su cuerpo —análisis del estado de ánimo, puntuación del «compromiso» a partir de una cámara web— están en la breve lista de prácticas que la Ley simplemente prohíbe, con excepciones limitadas por motivos médicos o de seguridad. Las herramientas que solo detectan el cansancio o si alguien está mirando la pantalla son una zona gris; es una cuestión de contratación, no del aula. Las escuelas que despliegan IA deben tomar medidas para desarrollar la alfabetización en IA de su personal. Desde julio de 2026, la ley establece que no hay que garantizar ningún nivel concreto, pero no hacer nada no es una opción. Esta obligación no lleva aparejada ninguna multa a escala de la UE, por lo que se pasa por alto ampliamente; las autoridades nacionales pueden exigir su cumplimiento desde agosto de 2026. A partir del 2 de diciembre de 2026, queda prohibida la IA que crea deepfakes sexualizados de personas identificables. Leed esa segunda obligación junto al Capítulo 1.2 y algo encaja. La brecha entre saber sobre la IA y ser capaz de enseñar con ella ya no es solo un problema profesional. Desde febrero de 2025, las escuelas están legalmente obligadas a trabajar en ello. Desde el 2 de agosto de 2026, los chatbots deben informar a los usuarios de que son IA, y los proveedores deben marcar el contenido generado por IA de forma legible por máquina; las propias escuelas deben etiquetar los deepfakes y los textos escritos por IA que publiquen para informar al público. Una ficha de trabajo revisada por un docente no necesita etiqueta. A partir del 2 de diciembre de 2027, se aplican las obligaciones para los sistemas de alto riesgo: los sistemas usados para decidir quién es admitido, evaluar lo que ha aprendido el alumnado o vigilarlo durante los exámenes. Quien use un sistema así asume entonces obligaciones propias, entre ellas la de encomendar la supervisión a personas que tengan, en palabras de la Ley, «la competencia, la formación y la autoridad necesarias». Puertas y ventanas: derechos de autor y exámenes Contraintuitivamente, lo que sale es la parte fácil. Un texto o una imagen que una IA genera por sí sola no tiene autor humano en el sentido que exige el derecho de autor, así que suele estar libre de derechos de autor; cuando una persona le da forma mediante sus propias decisiones creativas, el resultado puede quedar protegido. Sin embargo, eso no garantiza que esté «limpio»: en una sentencia muy comentada, un tribunal de Múnich determinó que un chatbot había memorizado letras de canciones y las había reproducido casi palabra por palabra. El tribunal situó la responsabilidad en el proveedor, no en la persona que escribió la petición. La sentencia no es firme. La excepción que permite al profesorado copiar material para sus clases cubre exactamente eso: copiar una parte limitada de una obra, para esa clase. Subir una obra protegida a un sistema de IA comercial es un acto diferente, y la excepción no lo contempla. El material elaborado específicamente para la enseñanza escolar, como los libros de texto y los cuadernos de trabajo, queda en principio excluido de la excepción, siempre que haya licencias fácilmente disponibles para él. ¿Cuánto debería preocuparos esto? Menos de lo que sugiere la brecha, y más que nada. La cuestión es genuinamente incierta: ningún tribunal superior se ha pronunciado sobre ella, y la literatura especializada considera que las excepciones existentes encajan mal con la situación. Cuando un titular de derechos presenta objeciones, la reclamación sería civil y, en la práctica, es un asunto de política escolar y contratación pública más que algo que un docente individual pueda resolver. Lo que está claro en la práctica es el caso concreto. Es la línea que trazan las editoriales educativas, y es la que merece la pena recordar: el material de libros de texto escolares y de editoriales no debería introducirse en herramientas de IA en absoluto, ni escaneado ni retecleado, ni siquiera para generar una ficha de trabajo. La jurisprudencia en este campo es actualmente inconsistente en toda Europa. En febrero de 2026, el Tribunal Administrativo de Kassel, Alemania, resolvió dos casos universitarios de la misma manera, y con contundencia: aunque la universidad no tenía una prohibición explícita de la IA, la línea se cruzó «ya con un único uso no declarado de IA generativa». Las sentencias no son firmes. Ese mismo mes, un tribunal administrativo de París, en un procedimiento de urgencia, impidió que una universidad sancionara a un estudiante porque no había establecido de antemano ninguna norma sobre el uso de la IA. Un tribunal de apelación sueco había llegado antes a un resultado similar: un estudiante había entregado tres citas inventadas, pero las normas del curso permitían «todas las ayudas» en el trabajo para casa, así que no había ninguna norma que infringir. En los Países Bajos, en cambio, el tribunal administrativo supremo del país confirmó en julio de 2025 una sanción contra un estudiante de Derecho que había presentado cuatro fuentes inexistentes: el fraude quedó probado más allá de toda duda razonable, y no importaba si había tenido intención de engañar. Así que el patrón entre jurisdicciones no depende de los países. Depende de si existía una norma de antemano, y de si el engaño quedó realmente demostrado. De la práctica se derivan tres reglas. Los detectores no cargan con la prueba. Es la escuela la que tiene que demostrar el engaño. Los tribunales han aceptado conclusiones extraídas de hechos concretos: fuentes que resultan no existir, una clara diferencia entre lo que un estudiante escribe y lo que es capaz de explicar oralmente, saltos repentinos de nivel dentro de un mismo texto, una confesión. El estudiante puede entonces explicarse. El estilo de escritura por sí solo es una base débil: destacados comentaristas jurídicos alemanes dudan de que pueda sostener una conclusión. La salida de un detector es, en el mejor de los casos, un motivo para mirar con más atención. La tasa de fallos recogida en el Capítulo 1.3 lo hace inutilizable como prueba. Las reglas deben ser claras antes de la evaluación, no después. Ni una prohibición total ni un permiso total se sostienen. Lo que funciona es una declaración de trabajo independiente con una cláusula sobre la IA, más el deber de declarar qué se usó. Declarar en lugar de prohibir. Las calificaciones siguen siendo humanas. Las personas tienen derecho a no ser objeto de decisiones con efectos jurídicos tomadas únicamente por una máquina, y las escuelas no tienen base jurídica para tomar tales decisiones mediante software; una calificación es una de ellas. La Conferencia Permanente de Ministros de Educación y Cultura de Alemania lo formula con más fuerza todavía: la evaluación es una tarea que solo el profesorado puede realizar. Fundamentalmente, dar el visto bueno formalmente a la sugerencia de una IA no cuenta como una decisión humana. Así que el hallazgo de que las personas a menudo aceptan una retroalimentación de IA defectuosa es un problema jurídico además de pedagógico. «Cada uno experimenta por su cuenta, así que las reglas cambian de una clase a otra». Derecho, ética y didáctica convergen, por tanto, en la misma respuesta: evaluar el proceso, no solo el producto. La verdadera dirección de la responsabilidad En respuesta, Alemania ha introducido entornos escolares de IA provistos por el Estado. Son plataformas evaluadas con contratos negociados, en lugar de dejar que el profesorado se registre en lo que sea gratuito. Aunque esto resuelve problemas que el profesorado individual no puede resolver por sí solo, siguen siendo criticadas por cómo se gobiernan, si el profesorado realmente las acepta y si las evaluaciones que sustentan son sólidas. Como el despliegue difiere de un estado federado a otro, hará falta tiempo para ver cómo le va al profesorado con las plataformas. Lo distintivo es más limitado de lo que podría parecer al principio, y merece la pena precisarlo. Alemania es el único sistema que hemos encontrado en el que un organismo público —el FWU, propiedad de los estados federados— desarrolla y gestiona la plataforma él mismo, con contratistas técnicos. Francia proporciona un software de práctica adaptativa para toda una promoción, pero lo encargó: una empresa privada escribió el software y otra aloja los datos. Varios otros países han comprado acceso a chatbots comerciales; la mayoría de los demás solo ofrece orientaciones. Construirla vosotros mismos no os da automáticamente más control. La plataforma alemana funciona con los mismos modelos de lenguaje comerciales que todas las demás, en servidores europeos, como ha señalado una asociación del sector. En cambio, el sistema francés está alojado en Francia bajo la certificación de seguridad más alta emitida por el Estado francés. Un país construyó la superficie y alquila el motor, mientras que el otro compró el software y conserva las llaves del edificio. Ninguna de las dos opciones es claramente la más soberana, algo que conviene tener presente antes de usar ese término. Los Países Bajos adoptaron un enfoque diferente, y merece la pena conocerlo porque ofrece una respuesta más honesta a la misma pregunta. En lugar de construir o comprar, las escuelas y universidades neerlandesas unieron fuerzas e hicieron evaluar formalmente a los principales proveedores. Cuando examinaron el asistente de IA de Microsoft, encontraron dos problemas que no pudieron resolverse: los criterios de un filtro de contenido automático que el proveedor no quiso revelar, y la retención de dieciocho meses de datos de diagnóstico que no podía justificarse. Negociaron. En marzo de 2026, sin embargo, el proveedor se negó a cambiar. La evaluación sigue por tanto en ámbar, y se aconseja a las escuelas neerlandesas actuar con cautela y usar su propio criterio caso por caso, en lugar de dar el visto bueno. Un país eliminó el riesgo construyendo a su alrededor, mientras que otro lo examinó de cerca y decidió que aún no estaba listo. Ambos enfoques ofrecen soluciones al problema planteado al principio de este capítulo. La comparación también zanja una cosa más. La queja de que el profesorado prefiere el chatbot gratuito al oficial no se debe a un fallo de implementación en Alemania. En Estonia, donde el Estado negoció el acceso para el alumnado de secundaria superior, apenas algo más de un tercio usaba el chatbot oficial semanalmente siete meses después del inicio del programa. Resultó que la mayoría ya usaba herramientas gratuitas antes de que empezara. En todas partes, el entorno evaluado compite con el más cómodo. Proporcionar la herramienta oficial es necesario. Pero no es suficiente. Sin embargo, el argumento estructural se mantiene: el cumplimiento normativo es una condición habilitadora, no un obstáculo. ¿Recordáis lo que se dijo en el Capítulo 1.2? Las escuelas con reglas claras tenían más docentes que usaban la IA y ahorraban más tiempo en total. Las reglas no frenaron el uso. 1.5 Estado Actual de la IA en la Educación Mensaje clave La IA ya se usa ampliamente en contextos educativos. Enseñar con IA. La IA la usa actualmente el profesorado para preparar o mejorar planificaciones de clase, para evaluar y para diferenciar contenido según los distintos niveles educativos. Enseñar sobre la IA. El alumnado usa la IA aunque no tiene ninguna base sobre qué es la IA, cuáles son sus limitaciones y cómo usarla de forma responsable. Se necesita comprensión técnica y pensamiento crítico. El profesorado y el alumnado necesitan entender cómo funcionan los modelos de lenguaje (entrenamiento, tratamiento de datos, naturaleza predictiva) y desarrollar habilidades prácticas de verificación, desde detectar citas inventadas hasta comprobar los hechos del contenido generado por IA. Hay que definir el uso responsable y la postura ética. Se necesita una comprensión del panorama legal y ético (Ley de IA, RGPD), junto con un enfoque de la IA como apoyo y no como sustituto del pensamiento humano, basado en la transparencia y la rendición de cuentas, además de una instrucción explícita en el uso de prompts como competencia enseñable. Se necesitan equidad y nuevos modelos de evaluación. Hay que salvaguardar el acceso equitativo a las herramientas de IA (financiación pública, modelos abiertos, políticas de edad mínima), junto con un cambio en la evaluación: de calificar el producto final a evaluar el proceso y la capacidad del alumnado de interactuar críticamente con la salida de la IA. Si solo recordáis una frase de esta página: la IA ya está presente en los contextos educativos, pero no está regulada. Se necesitan marcos estructurados que apoyen el desarrollo profesional del profesorado, mejorando su conocimiento y permitiéndoles enseñar con IA y sobre la IA. Usos Actuales de la IA en Contextos Educativos Hoy en día, la inteligencia artificial (IA) está integrada en la práctica educativa cotidiana, mucho más allá de los proyectos piloto. Las aplicaciones habituales incluyen plataformas de aprendizaje adaptativo, sistemas de tutoría inteligente, calificación automatizada y planificación de clases asistida por IA para el profesorado (OCDE, 2026). Sin embargo, el cambio más visible es el uso directo de herramientas de propósito general tanto por parte del alumnado como del profesorado. Enseñar con IA El profesorado usa cada vez más la IA como herramienta de apoyo en múltiples etapas de su trabajo, desde la planificación de clases (OCDE, 2026). Más allá del diseño de las clases, el profesorado usa la IA para diferenciar contenido según distintos niveles de competencia, generar materiales de práctica y apoyar el proceso de calificación. Al mismo tiempo, la adopción no está exenta de fricciones: el 72 % del profesorado expresó preocupación por que la IA pudiera permitir al alumnado presentar como propio un trabajo generado por IA, lo que refleja una tensión más amplia entre los beneficios prácticos de la IA para la enseñanza y sus implicaciones para la integridad académica (OCDE, 2026). Enseñar sobre la IA Además de usar la IA como herramienta docente, existe una necesidad creciente de enseñar al alumnado sobre la propia IA: cómo funciona, sus limitaciones y cómo usarla de forma responsable. Esto incluye construir una comprensión básica de los modelos de lenguaje como motores de predicción y no como bases de datos, lo que explica su tendencia a las alucinaciones, así como habilidades prácticas como comprobar los hechos de la salida de la IA y reconocer citas inventadas (UNESCO, 2024). También implica desarrollar el pensamiento crítico en torno al uso de prompts, pasando de seguir instrucciones a formularlas, e inculcar conciencia sobre las dimensiones éticas y legales del uso de la IA, incluida la privacidad de los datos y la Ley de IA de la UE. El Marco de Competencias en IA para Docentes de la UNESCO (2024) plantea esto como una competencia profesional central, argumentando que el propio profesorado necesita formación en estas áreas antes de poder enseñarlas eficazmente al alumnado. ¿Qué falta? Además de los marcos institucionales y los datos de adopción, es importante entender cómo se desarrollan estas dinámicas en la práctica. En el marco del proyecto DUAL.AI.TEACHer se llevó a cabo una serie de talleres. Se convocó a numerosos actores del ámbito educativo para recabar perspectivas de primera mano sobre el uso actual de la IA en la enseñanza. Estos talleres sacaron a la luz un conjunto de necesidades e inquietudes concretas expresadas por los educadores, que abarcan aspectos prácticos, pedagógicos y de formación. Las siguientes secciones describen estas necesidades en detalle. Comprender cómo funciona la IA. Tanto el alumnado como el profesorado necesitan entender cómo se construyen y entrenan los modelos de lenguaje, y qué ocurre con sus datos una vez proporcionados. También necesitan comprender la naturaleza de estos modelos como motores de predicción y no como bases de datos, lo que explica su tendencia a las alucinaciones. El profesorado necesita un curso sencillo de nivel general que cubra los fundamentos de cómo funcionan los LLM. Pensamiento crítico, cuestionamiento y verificación de la IA. El alumnado y el profesorado necesitan poder cuestionar las respuestas generadas por IA y reconocer información inventada. También se necesitan habilidades prácticas de verificación, desde comprobar la salida de la IA contra fuentes oficiales hasta detectar imágenes y vídeos generados por IA. El alumnado necesita pasar de seguir instrucciones a formularlas, pensando de forma crítica sobre el resultado deseado. Ética, protección de datos y regulación. Se necesita una comprensión general de los aspectos éticos y legales del uso de la IA, incluidas la Ley de IA de la UE y el RGPD. Un uso seguro y responsable es esencial para prevenir prácticas ilegales, junto con conciencia sobre cuestiones relacionadas como el sesgo en los materiales didácticos y la falta de fiabilidad de los detectores de IA. Uso responsable. La IA debe usarse con criterio, como apoyo y no como sustituto, dejando espacio para el pensamiento propio del alumnado. La transparencia importa, y se espera que el alumnado señale qué partes son suyas, en línea con el pensamiento de la «escritura ciborg». También se necesitan la apropiación y la rendición de cuentas por parte del alumnado. Habilidades prácticas. El uso de prompts debe tratarse como una competencia enseñable, no como algo que se adquiere de forma autónoma. Tanto el profesorado como el alumnado necesitan instrucción explícita en la redacción de prompts eficaces, y el profesorado necesita formación en ingeniería de prompts para la planificación de clases, la diferenciación y la calificación. También se necesita una familiaridad más amplia con las herramientas para adecuarlas a cada materia. Equidad e infraestructura. El acceso a la IA está en el centro de una preocupación creciente por la equidad, ya que los distritos más ricos pueden permitirse mejores herramientas, ampliando las brechas de competencia entre escuelas. Se necesita financiación pública para garantizar un acceso equitativo con independencia de los recursos de cada escuela, priorizando los modelos de IA abiertos frente a los corporativos como parte de este esfuerzo. También hay que definir una edad mínima para el uso de la IA. Evaluación. Se necesita un enfoque distinto de la evaluación, centrado en el proceso más que en el producto final, incluyendo las reflexiones del alumnado sobre los borradores generados por IA. También se necesitan tareas que integren la IA, calificando al alumnado por su capacidad de criticar, comprobar los hechos y editar la salida de la IA, lo que plantea preguntas sobre el papel humano cuando el propio profesorado depende de la IA para calificar. También se necesitan métodos concretos de aula, como comprobar los hechos de un texto de IA, comparar respuestas de chatbots, debatir el uso de la IA en los deberes e incorporar herramientas no digitales como los rotafolios. «Quien enseña con IA tiene que poder verificar cada respuesta que da, porque los errores ocurren. Sin un conocimiento sólido de la materia no los detectaréis». 1.6 Legislación Aviso: Hemos investigado este capítulo con cuidado, pero el derecho de la IA es un ámbito que cambia con rapidez. Las normas pueden haber cambiado desde su publicación, así que comprobad siempre la situación jurídica actual y adaptadla a vuestra legislación nacional cuando sea necesario. Este capítulo no constituye asesoramiento jurídico. Mensaje clave La Ley de IA de la UE es la base legal. El reglamento de la UE sobre IA está en vigor desde agosto de 2024 y se implementa progresivamente hasta 2027. Se aplica no solo a las empresas tecnológicas, sino también a los centros educativos. La alfabetización en IA es una obligación, no un curso que marcar como hecho. Los centros educativos deben apoyar a su personal en el desarrollo de la alfabetización en IA. Varios usos de la IA están prohibidos por completo. Entre ellos: inferir las emociones del alumnado a partir de datos faciales o de voz, IA que explota las vulnerabilidades de los menores para distorsionar su comportamiento, y la creación de bases de datos de reconocimiento facial o la inferencia de rasgos como la raza o la religión a partir de datos biométricos. El riesgo depende de la decisión, no del producto. Las herramientas habituales de redacción, investigación, traducción y planificación de clases no son de alto riesgo por el mero hecho de usarse en el ámbito escolar. Se convierten en de alto riesgo en cuanto influyen en la admisión, las trayectorias educativas, los resultados de los exámenes o las decisiones de empleo. No todo lo generado por IA necesita una etiqueta. La obligación de transparencia recae principalmente en el proveedor; el material revisado por un docente con control editorial humano está exento. La IA de alto riesgo necesita una persona que pueda anularla. El resultado de la IA nunca es la decisión definitiva. Hay que comprender sus límites y estar en condiciones de ignorar o anular su resultado. La Ley de IA se suma a otras leyes, no las sustituye. La normativa nacional de protección de datos, educación, empleo, protección de la infancia y derechos de autor sigue aplicándose junto a ella. El RGPD regula los datos, no solo la herramienta. Incluso un sistema de IA que cumpla con la Ley de IA puede seguir estando prohibido si trata datos personales del alumnado o del personal sin una base legal válida. Si solo recordáis una frase de esta página: usad la IA para apoyar vuestro criterio profesional, no para sustituirlo: se aplican normas más estrictas en cuanto la IA ayuda a tomar decisiones sobre calificaciones, trayectorias educativas o personas. La Ley de IA de la UE La Ley de IA de la UE (Reglamento (UE) 2024/1689) es el reglamento único de la UE, basado en el riesgo, para la inteligencia artificial. En lugar de regular productos concretos, clasifica los sistemas de IA según el riesgo que suponen y les asigna obligaciones en consecuencia: desde la prohibición total de un pequeño conjunto de prácticas, pasando por obligaciones adicionales para los usos «de alto riesgo», hasta la ausencia de normas especiales para las herramientas cotidianas. Se aplica directamente en todos los Estados miembros, tanto a organizaciones públicas como privadas. La normativa se implementa por fases. Está en vigor desde el 1 de agosto de 2024; desde el 2 de febrero de 2025 ya son vinculantes las prácticas prohibidas que se describen más abajo y la obligación de desarrollar la alfabetización en IA (Art. 4); a partir del 2 de agosto de 2026 se aplicará la mayoría de sus disposiciones restantes. Fig. 1: «La hoja de ruta de la IA» (imagen generada con IA, ...) ¿Quién es responsable del uso de la IA? Si un centro educativo introduce y controla un sistema de IA, el centro o la autoridad educativa suele ser el responsable del despliegue (Art. 3(4)). Por lo general, el docente no es un responsable del despliegue independiente cuando usa la herramienta siguiendo las instrucciones del centro, pero debe seguir esas instrucciones y toda la normativa pertinente en materia escolar y de protección de datos. El profesorado necesita saber qué está usando Los centros educativos y las autoridades educativas deben adoptar las medidas oportunas para apoyar el desarrollo de la alfabetización en IA entre quienes usan sistemas de IA en su nombre (Art. 4). La Ley de IA no especifica un nivel concreto de competencia, certificado o formato de formación. Estos dependen más bien del sistema de IA utilizado, de cómo se use y de a quién pueda afectar. Prácticas de IA prohibidas por completo para los centros educativos La Ley de IA prohíbe por completo ocho prácticas de IA (Art. 5); cuatro de ellas son directamente relevantes para los centros educativos: El uso de sistemas de IA en centros educativos para inferir emociones o intenciones a partir de datos biométricos (como las características faciales o de voz del alumnado) está generalmente prohibido. Existen excepciones limitadas por motivos médicos o de seguridad (Art. 3(39); Art. 5(1)(f)). Están prohibidos, con independencia de la intención, los sistemas de IA que exploten las vulnerabilidades de una persona debidas a la edad (como en el caso de los menores), la discapacidad o su situación social o económica, de forma que distorsionen su comportamiento y les causen daño (Art. 5(1)(b)). Está prohibido crear o ampliar una base de datos de reconocimiento facial mediante el rastreo indiscriminado de imágenes de internet o de circuitos cerrados de televisión (CCTV). Esto es relevante si un centro educativo se plantea usar una herramienta de reconocimiento facial para el control de asistencia o la vigilancia de exámenes (Art. 5(1)(e)). Está prohibido usar datos biométricos para categorizar a las personas con el fin de inferir rasgos protegidos como la raza, las opiniones políticas, la religión o la orientación sexual. Esto es relevante para cualquier herramienta basada en datos biométricos, como el software de supervisión de exámenes, que vaya más allá de su finalidad declarada (Art. 5(1)(g)). ¿El contenido generado por IA siempre necesita una etiqueta? Si el alumnado interactúa directamente con un sistema de IA, como un chatbot, debe ser informado de que está interactuando con IA. Normalmente es el proveedor del sistema quien debe dejarlo claro (Art. 50(1)). Los centros educativos y el profesorado deben señalar los deepfakes o los textos generados por IA publicados sobre asuntos de interés público, cuando se usen en el aula (Art. 50(4)). Este requisito no se aplica cuando el contenido generado por IA ha sido objeto de una revisión humana efectiva o de control editorial, y una persona o institución asume la responsabilidad editorial de su publicación. Por tanto, una ficha de trabajo asistida por IA y revisada por un docente no requiere automáticamente una etiqueta. Cuándo la IA en la educación se convierte en alto riesgo Las herramientas habituales de redacción, traducción, investigación y planificación de clases no son de alto riesgo por el mero hecho de usarse en el trabajo. La clasificación depende de la finalidad prevista del sistema, no simplemente del producto que se use (Art. 6 · Anexo III). Los sistemas de IA pueden clasificarse como de alto riesgo cuando están destinados a: Para el profesorado Para los centros educativos decidir sobre el acceso, la admisión o la asignación del alumnado a centros o programas educativos o de formación profesional; evaluar los resultados de aprendizaje del alumnado o dirigir sus procesos de aprendizaje; valorar el nivel educativo adecuado que un alumno o alumna recibirá o al que podrá acceder; o detectar comportamientos prohibidos del alumnado durante los exámenes. (Anexo III, punto 3) contratar o seleccionar docentes, incluida la selección de candidaturas; decidir sobre las condiciones contractuales, la promoción o la finalización de la relación laboral de un docente; asignar tareas en función del comportamiento o los rasgos personales de un docente; o evaluar el desempeño del profesorado. (Anexo III, punto 4) Una herramienta de comprobación o preparación limitada también puede quedar fuera de la categoría de alto riesgo si no influye de forma significativa en una decisión. Sin embargo, un sistema educativo que elabora perfiles de personas se considera siempre de alto riesgo. Qué implica la IA de alto riesgo para los centros educativos y el profesorado Que un sistema de IA se clasifique como de alto riesgo no excluye automáticamente su uso en los centros educativos. Pero los sistemas de alto riesgo conllevan obligaciones (Art. 26): Estas obligaciones para la IA de alto riesgo en el ámbito educativo se aplican a partir del 2 de diciembre de 2027, aunque las prohibiciones anteriores y la obligación de alfabetización en IA ya se aplican hoy. Para el profesorado Para los centros educativos usarla solo para su finalidad aprobada y seguir sus instrucciones; no tratar su resultado como una decisión definitiva; comprender sus principales limitaciones y las fuentes de error más probables; estar atentos a la dependencia excesiva de resultados aparentemente convincentes; y estar preparados para ignorar o anular su resultado. proporcionar una supervisión humana competente y autorizada; garantizar que los datos de entrada bajo su control sean pertinentes y suficientemente representativos; supervisar el sistema y responder ante riesgos o incidentes graves; conservar los registros generados automáticamente durante al menos seis meses cuando dichos registros estén bajo su control; y informar con antelación al alumnado, al profesorado o a las personas afectadas cuando el sistema contribuya a tomar decisiones sobre ellas. Los organismos públicos y las organizaciones privadas que prestan servicios públicos también pueden tener que realizar una evaluación de impacto sobre los derechos fundamentales antes de usar IA de alto riesgo (Art. 27). Las autoridades públicas y las organizaciones que actúen en su nombre pueden además tener que registrar el sistema en la base de datos de la UE (Art. 49). La responsabilidad de hacerlo, ya sea del centro educativo o de su autoridad educativa, depende del sistema escolar nacional. La Ley de IA no es la única normativa relevante La Ley de IA no sustituye a la normativa europea o nacional en materia de protección de datos, educación, empleo y participación de los trabajadores, protección de la infancia o derechos de autor (Art. 2(7)). Por ejemplo, que una herramienta no sea de alto riesgo no significa que se puedan subir a ella trabajos del alumnado o datos personales. Una herramienta puede ser aceptable conforme a la Ley de IA y, aun así, estar prohibida por la normativa de protección de datos o por las normas de vuestro centro. El RGPD El RGPD (Reglamento (UE) 2016/679) es la normativa de la UE en materia de protección de datos. Desempeña un papel complementario junto a la Ley de IA: mientras la Ley de IA se pregunta si y cómo puede usarse un sistema de IA en general, el RGPD se plantea una pregunta más concreta: ¿pueden tratarse de esta manera estos datos concretos sobre esta persona concreta? Cumplir una de las dos normas no significa automáticamente que se cumpla la otra. Se aplica en cuanto intervienen datos personales. Nombres, direcciones de correo electrónico escolares, trabajos del alumnado, grabaciones de voz, transcripciones, fotografías, calificaciones, asistencia y datos de progreso de aprendizaje son todos datos personales (Art. 4). La mayoría de las herramientas de IA que se usan en clase afectan al menos a uno de ellos. Se necesita una base jurídica para tratarlos. Las bases en las que suelen apoyarse los centros educativos son una obligación legal o una misión realizada en interés público; el consentimiento también es posible, pero debe darse libremente y, en el caso del alumnado de menor edad, debe darlo un progenitor o tutor legal (Art. 6, Art. 8). Algunos datos necesitan protección adicional. Los datos de salud, los datos biométricos y los datos que revelen el origen racial o étnico, la religión o rasgos similares son «categorías especiales de datos» y están, en principio, prohibidos sin una excepción específica (Art. 9) — una de las razones por las que la Ley de IA prohíbe además, por separado, varias prácticas de inferencia biométrica en los centros educativos. Hay que saber quién es responsable. El centro educativo suele ser el «responsable del tratamiento»; un proveedor de IA que trate datos por cuenta del centro es un «encargado del tratamiento» y necesita un acuerdo de tratamiento de datos que detalle sus obligaciones (Art. 28). Conviene comprobar esto antes de implantar una nueva herramienta en todo el centro. Los datos que salen de la UE necesitan una salvaguarda. Muchas herramientas de IA populares están alojadas fuera de la UE. Los datos personales solo pueden viajar allí si existe una decisión de adecuación u otra salvaguarda aprobada, como cláusulas contractuales tipo (Art. 44). El alumnado y el personal conservan sus derechos. Pueden solicitar información sobre lo que se conserva sobre ellos, pedir su corrección o eliminación, y oponerse a decisiones basadas únicamente en el tratamiento automatizado que les afecten de forma significativa (Art. 15–Art. 22) — un derecho que se suma y refuerza los requisitos de supervisión humana de la Ley de IA para los sistemas de alto riesgo. En la práctica: antes de introducir datos reales del alumnado o del personal en una herramienta de IA, comprobad que vuestro centro la ha autorizado, no compartáis más datos personales de los que requiera la tarea y, cuando solo estéis probando una herramienta, utilizad preferentemente ejemplos anonimizados o ficticios. Dónde encontrar ayuda La aplicación de la normativa se organiza de forma distinta en cada país de la UE. Dado que las responsabilidades nacionales pueden cambiar, consultad la lista actualizada de la Comisión Europea de autoridades nacionales de vigilancia del mercado. Cualquier persona (un docente, un alumno, un progenitor) puede presentar una reclamación ante esa autoridad si considera que se ha incumplido la Ley de IA (Art. 85). Cuando un sistema de alto riesgo, como una herramienta de admisión o de vigilancia de exámenes, ha llevado a una decisión que afecta significativamente a un alumno o alumna, este (o sus progenitores) también puede solicitar una explicación de esa decisión concreta (Art. 86). Normativa nacional de vuestro país La Ley de IA es de aplicación en toda la UE, pero los organismos de aplicación, la normativa escolar y la práctica en materia de protección de datos varían según el país. Aquí se añadirán notas específicas de cada país socio del Playbook: Austria Chequia Alemania Letonia Polonia Eslovaquia Eslovenia España 2. Buenas Prácticas y Ejemplos de Aula 2.1 Introducción El Capítulo 1 explicaba cuándo ayuda la IA, dónde perjudica y qué normas se aplican. Este capítulo muestra cómo se traduce todo ello en un día de clase normal. Los ejemplos se desarrollan materia por materia, empezando por biología, inglés como lengua extranjera, historia y matemáticas. A lo largo del proyecto se irán añadiendo más materias. Cada ejemplo parte de una situación de la enseñanza cotidiana y muestra cómo puede usarse la IA, qué hace el docente y dónde pueden torcerse las cosas. Los ejemplos aplican tres ideas del Capítulo 1: la IA solo apoya el aprendizaje si el alumnado piensa primero, hay que saber un poco sobre la IA antes de enseñar con ella, y las reglas deben estar claras antes de que empiece la tarea. Leed lo de «buenas prácticas» con modestia. Las prácticas de las que informa el profesorado en toda Europa son enfoques prometedores, no recetas probadas, y ninguna de ellas se ha evaluado todavía. Tomad cada ejemplo como punto de partida: probadlo, adaptadlo a vuestra clase y contrastadlo con las normas de vuestro centro. Una lista de comprobación resume las preguntas que conviene plantearse antes de que la IA entre en vuestra clase. Con el sistema de etiquetas integrado, en la esquina superior izquierda, podéis buscar las distintas materias y filtrar por clases y por formación del profesorado. Fig. 1: «Ejemplo del sistema de etiquetas» 2.2 Biología: Simulaciones de Vibe-Coding en el Aula Dinámica Depredador-Presa (modelo de Lotka-Volterra) Asignatura: Biología  ·  Curso: 9 (14-15 años)  ·  Duración: 1 clase doble (90 min) ·  IA: Aprender CON IA  Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva):   «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.»   AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva):   «El profesorado puede aplicar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles.» Al final de la clase, el alumnado podrá: describir las variables clave (población de presas, población de depredadores) y los parámetros (tasa de crecimiento, tasa de depredación, eficiencia de conversión, tasa de mortalidad) del modelo de Lotka-Volterra; formular y comprobar hipótesis sobre la dinámica de poblaciones utilizando una simulación interactiva; ampliar una simulación existente con capas adicionales de complejidad ecológica (por ejemplo, una capacidad de carga, una segunda especie, un factor estacional) escribiendo prompts estructurados para un modelo de lenguaje de IA; evaluar críticamente los supuestos y las limitaciones del modelo (Naturaleza de la Ciencia), incluyendo por qué introducir aleatoriedad o un factor adicional puede desestabilizarlo. Mensaje clave: El alumnado no necesita programar desde cero. Leer y probar una simulación ya existente y, después, usar un LLM para añadir una capa de realismo ecológico cada vez, es suficiente para construir una comprensión genuina de un modelo biológico dinámico — y, tarde o temprano, para descubrir por sí mismo exactamente dónde ese modelo alcanza sus límites. Fig. 1: «Dinámica depredador-presa (modelo de Lotka-Volterra)» (imagen generada con IA, ChatGPT GPT Image 2) Contenido Los modelos matemáticos y las simulaciones informáticas son herramientas especialmente valiosas en ecología, porque permiten expresar sistemas muy complejos mediante ecuaciones matemáticas. Esto hace posible realizar experimentos in silico y comprobar hipótesis sobre el modelo en situaciones donde un experimento real resultaría demasiado costoso, demasiado lento, éticamente difícil o directamente peligroso. Manipular una población real de depredadores, por ejemplo, rara vez es una opción. Al mismo tiempo, todo modelo es necesariamente una simplificación de la realidad, y es precisamente ahí donde residen sus debilidades: los ecosistemas reales son mucho más complejos de lo que cualquier modelo puede llegar a capturar por completo. El modelo de Lotka-Volterra es un ejemplo clásico de este tipo de simplificación aplicada a la dinámica depredador-presa. Representa el sistema mediante dos variables de estado (el tamaño de la población de presas y de depredadores) y cuatro parámetros (la tasa de crecimiento intrínseca de las presas, el coeficiente de tasa de depredación, la tasa de reproducción del depredador por presa consumida y la tasa de mortalidad del depredador). Bajo sus supuestos idealizados, el modelo predice oscilaciones periódicas y sostenidas en las que los cambios en la población de depredadores van por detrás de los de la población de presas. Este comportamiento surge de un bucle de retroalimentación: a medida que aumenta la población de presas, hay más alimento disponible para los depredadores, lo que permite que su población crezca. El aumento de la depredación hace entonces que la población de presas disminuya, lo que reduce el alimento disponible para los depredadores y provoca un descenso de su población. Con menos depredadores, la población de presas puede recuperarse, y el ciclo vuelve a empezar. Para producir este ciclo limpio, el modelo asume varios supuestos fuertes. Es  determinista (los mismos valores iniciales siempre producen exactamente la misma curva); es un sistema cerrado de dos especies que excluye todo factor abiótico (temperatura, precipitación, estación) y todo otro factor biótico (plantas de las que se alimentan las presas, una tercera especie, enfermedades); y hace que el crecimiento de cada población dependa únicamente del tamaño de la otra población. Las poblaciones reales rara vez cumplen estos supuestos. Los nacimientos, las muertes y los encuentros están sujetos al azar, y una versión estocástica (aleatoria) del mismo modelo tiende a alejarse del ciclo limpio e incluso puede colapsar (por ejemplo, con la extinción de la población de depredadores) en casos en los que la versión determinista predice una oscilación estable. Del mismo modo, añadir un único factor que faltaba (por ejemplo, una tasa de crecimiento dependiente de la temperatura, o un límite en el propio suministro de alimento de las presas) suele bastar para romper el ciclo limpio de dos variables. Esto no es un defecto que haya que ocultar al alumnado, es la lección central sobre la Naturaleza de la Ciencia de esta actividad. Un modelo puede ser genuinamente útil y, al mismo tiempo, seguir siendo una aproximación deliberadamente limitada de la realidad, y usarlo bien significa saber exactamente qué factores deja fuera. En la actividad principal de esta clase, el alumnado lo descubre por sí mismo intentando añadir precisamente este tipo de factores. Plan de clase Fase Tiempo Actividad Introducción 8 min El profesorado muestra una gráfica sin etiquetar de una serie de datos reales depredador-presa (por ejemplo, lince/liebre); el alumnado describe el patrón y formula primeras hipótesis. Explicación 12 min El profesorado presenta las variables y los parámetros del modelo mediante un diagrama sencillo (sin necesidad de ecuaciones diferenciales). Exploración 15 min El alumnado pone a prueba sus hipótesis por parejas en una simulación HTML ya preparada y registra sus observaciones. Adaptación 35 min Por parejas, el alumnado trabaja durante 2-3 rondas de predecir → formular prompt → probar → diagnosticar (preguntas guía más abajo), pidiendo cada vez al LLM que añada una capa más de realismo ecológico a la simulación (un límite al suministro de alimento de las presas, una segunda especie, un factor estacional/abiótico) hasta que el ciclo limpio de dos variables se rompa visiblemente. Reflexión 20 min Debate en gran grupo, guiado por preguntas como: ¿En qué ronda dejó la simulación de producir un ciclo limpio y repetitivo? ¿Qué deja fuera deliberadamente el modelo original, y por qué? ¿Qué lo convierte en una simplificación útil y no simplemente en algo erróneo? Preguntas guía: añadiendo capas de complejidad Por parejas, trabajad en tantas de las siguientes rondas como el tiempo permita en los 35 minutos (la mayoría completa dos; la tercera es una ampliación para quienes terminen antes). Cada ronda sigue el mismo ciclo de cuatro pasos: Ronda 1 — limitar el suministro de alimento de las presas (una capacidad de carga): Predecir: Antes de empezar a escribir el prompt, preguntaos: ¿qué esperáis que le ocurra al ciclo si el crecimiento de las presas se ralentiza al hacerse grande la población, en lugar de crecer sin límite? Dibujad la curva que esperáis. Prompt: Pedid a la IA que añada una población máxima sostenible de presas a la simulación, y que explique con sus propias palabras cómo cambió la ecuación de crecimiento para conseguirlo. Probar y comparar: Ejecutad la nueva simulación con los mismos valores iniciales que antes. Comparad la simulación anterior con la nueva: ¿cómo cambiaron las variables? ¿Por qué? Diagnosticar: ¿Qué supuesto del modelo original (alimento ilimitado para las presas) acabáis de eliminar? ¿Es este factor biótico o abiótico? Ronda 2 — añadir otro factor (biótico o abiótico): Predecir: Si ahora una tercera especie compite con las presas por el alimento, o también se alimenta de ellas, o si el crecimiento de las presas depende ahora de la temperatura, ¿qué esperáis que le ocurra al ciclo original de dos especies? Prompt: Elegid otro factor y escribid un prompt pidiendo a la IA que lo añada como una nueva variable vinculada a las ya existentes, especificando exactamente cómo debe interactuar con la población de presas o de depredadores. Probar y comparar: Observad la simulación durante varios ciclos. ¿Sobrevive el ritmo original de las dos especies, se distorsiona o desaparece? Diagnosticar: El modelo original asumía que cada población depende únicamente de la otra. ¿Sigue siendo cierto tras esta ronda? ¿Qué relación ecológica real representa vuestro nuevo factor? Ronda opcional 3 — introducir aleatoriedad: Predecir: Si un parámetro (por ejemplo, la tasa de depredación) ya no es fijo, sino que se elige al azar dentro de un rango en cada paso temporal, ¿qué esperáis para la estabilidad a largo plazo de las poblaciones? Prompt: Pedid a la IA que sustituya un parámetro constante por un valor aleatorio y que registre si alguna de las dos poblaciones llega a cero. Probar y comparar: Ejecutad la simulación varias veces con los mismos ajustes. ¿Obtenéis el mismo resultado cada vez? ¿Llega a colapsar alguna población? Diagnosticar: ¿Por qué los mismos valores de parámetro «promedio» pueden llevar a veces a la extinción aquí, cuando el modelo determinista nunca lo predijo? Pregunta de cierre (para la fase de Reflexión): ¿En qué ronda dejó la simulación de producir un ciclo limpio y repetitivo, y qué os dice eso sobre cuántos factores del mundo real tiene que dejar fuera el modelo original de Lotka-Volterra para seguir siendo resoluble y fácil de interpretar? Materiales Un portátil por pareja de alumnos, con navegador Acceso a una interfaz de chat de LLM a través de internet, o un modelo instalado localmente si el acceso a internet está restringido en el centro Simulación depredador-presa en HTML ya preparada (archivo único, con controles deslizantes para parámetros seleccionados) Una plantilla breve de prompting/ficha de trabajo para las rondas de «añadir capas de complejidad» (predecir → prompt → probar → diagnosticar) Preguntas guía para la fase de exploración y la reflexión sobre la Naturaleza de la Ciencia (finalidad del modelo frente a límites del modelo) 2.3 Inglés como Lengua Extranjera Adecuación Comunicativa en Inglés Asignatura: Inglés como Lengua Extranjera  ·  Curso: 9 (14-15 años)  ·  Duración: 1 clase doble (90 min) ·  IA: Aprender CON IA  Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva):   «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.»   AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva):   «El profesorado puede aplicar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles.» Al final de la clase, el alumnado podrá: distinguir entre un inglés gramaticalmente correcto y un inglés adecuado al contexto; identificar diferencias de vocabulario, tono y registro según la situación comunicativa; formular prompts estructurados que especifiquen destinatario, propósito, contexto, nivel de lengua y tono; comparar el lenguaje generado por IA e identificar formulaciones inapropiadas o poco naturales; revisar el lenguaje generado por IA aplicando su propio criterio lingüístico; comprobar si una respuesta generada por IA cumple los requisitos indicados en un prompt. Mensaje clave: La IA puede generar un inglés fluido y gramaticalmente correcto, pero esto no lo convierte automáticamente en un lenguaje natural o adecuado para una situación concreta. Cambiando el destinatario, el propósito y el contexto de una conversación generada por IA, el alumnado aprende a evaluar las sugerencias de la IA y a usar su propio conocimiento del idioma para tomar las decisiones finales. Fig. 1: «Adecuación comunicativa en inglés» (imagen generada con IA, ChatGPT GPT Image 2) Contenido Comunicarse con éxito en una lengua extranjera requiere algo más que producir frases gramaticalmente correctas. Quienes hablan una lengua adaptan constantemente su vocabulario, la estructura de sus frases, la cortesía y el tono según el destinatario, el propósito y el contexto de la comunicación. Por eso, una misma intención puede expresarse de formas muy distintas dependiendo de quién habla con quién. Una petición dirigida a un amigo cercano puede ser breve e informal, mientras que la misma petición dirigida a un docente, un empleador o una persona desconocida suele requerir un vocabulario distinto, estructuras más corteses y un grado diferente de formalidad. Estas diferencias forman parte del registro, que describe cómo cambia el lenguaje según la situación social y comunicativa. Para el alumnado que aprende un idioma, el registro puede ser difícil de reconocer, porque una frase puede ser gramaticalmente correcta y, aun así, sonar poco natural o inapropiada en un contexto concreto. Los ejemplos de los libros de texto suelen ofrecer distinciones claras entre lenguaje formal e informal, mientras que la comunicación real es mucho más flexible. La edad, la relación entre quienes hablan, las expectativas culturales, el medio de comunicación y el propósito comunicativo pueden influir todos en el lenguaje que se utiliza. Un mensaje que suena natural en una conversación entre adolescentes, por ejemplo, puede sonar demasiado informal en un correo dirigido a un docente, mientras que una expresión adecuada para una carta formal puede sonar innecesariamente distante en una conversación cotidiana. La IA generativa puede producir y adaptar diálogos muy rápidamente, lo que la hace útil para explorar estas diferencias. Cambiando elementos concretos de un prompt, como la relación entre quienes hablan, el nivel de lengua, el propósito o el grado de formalidad, el alumnado puede generar varias versiones de la misma situación comunicativa y comparar cómo cambia el lenguaje. Al mismo tiempo, el lenguaje generado por IA no es automáticamente fiable por el simple hecho de sonar fluido. Un modelo puede producir un lenguaje demasiado formal, repetitivo, culturalmente forzado, incoherente con el nivel solicitado o no del todo alineado con las instrucciones dadas en el prompt. Además, la IA generativa funciona de forma probabilística, lo que significa que prompts similares pueden producir formulaciones distintas. Esta limitación es un elemento central de la actividad, no algo que deba ocultarse al alumnado. La IA resulta más útil cuando el alumnado trata su resultado como material lingüístico que analizar, en lugar de como una respuesta que aceptar. En esta clase, el alumnado examina primero cómo cambia el registro según el contexto comunicativo y después usa un LLM para modificar una variable comunicativa cada vez. Comparan los diálogos resultantes, identifican qué elecciones lingüísticas funcionan y cuáles no, y revisan partes del resultado por sí mismos. De este modo, el alumnado practica tanto la competencia comunicativa en inglés como la alfabetización práctica en IA: dar instrucciones claras, comprobar si esas instrucciones se han seguido y usar su propio criterio lingüístico para decidir si el resultado final es adecuado. Plan de clase Fase Tiempo Actividad Introducción 10 min El profesorado muestra dos mensajes breves que comunican la misma petición, por ejemplo uno dirigido a un amigo y otro a un docente. El alumnado identifica diferencias de vocabulario, cortesía y tono, y propone quién podría haber escrito cada mensaje. Explicación 10 min El profesorado presenta los conceptos de destinatario, propósito, contexto y registro. Juntos, identifican rasgos del inglés formal e informal y debaten por qué un lenguaje gramaticalmente correcto no es necesariamente un lenguaje adecuado. Exploración 15 min Por parejas, el alumnado examina un breve diálogo generado por IA para una situación cotidiana. Identifican expresiones útiles y señalan todo lo que suene poco natural, demasiado formal, demasiado informal o inadecuado para su nivel de inglés. Adaptación 35 min El alumnado trabaja durante 2-3 rondas de predecir → prompt → comparar → diagnosticar. En cada ronda, cambian un aspecto del contexto comunicativo y piden a la IA que adapte el diálogo. Reflexión 20 min El alumnado compara sus versiones y debate qué cambios afectaron más al lenguaje. Identifican en qué casos la IA siguió bien las instrucciones, en cuáles no, y qué expresiones cambiarían ellos mismos. Preguntas guía: añadiendo capas de complejidad Por parejas, trabajad en tantas de las siguientes rondas como el tiempo permita durante la fase de adaptación de 35 minutos. La mayoría de las parejas debería completar dos rondas, mientras que la tercera puede usarse como ampliación: Ronda 1 — Cambiar la relación entre quienes hablan: Predecir: Imaginad que la misma petición se dirige a un amigo cercano y a un docente. ¿Qué esperáis que cambie? Pensad en el vocabulario, los saludos, la estructura de las frases y la cortesía. Prompt: Pedid a la IA que reescriba el diálogo para una relación distinta entre quienes hablan. Por ejemplo: Reescribe esta conversación entre dos amigos como una conversación entre un alumno y un docente. Mantén el mismo significado, pero usa un inglés natural y cortés adecuado para un nivel B1. Comparar: Comparad el diálogo original y el nuevo. Identificad al menos tres cambios lingüísticos. Diagnosticar: ¿Cambió la IA solo palabras sueltas, o también la estructura de las frases, los saludos, las peticiones y las expresiones de despedida? ¿Qué cambios son adecuados? ¿Hay algo que cambiaríais vosotros mismos? Ronda 2 — Cambiar el propósito comunicativo: Ahora el alumnado cambia lo que uno de los hablantes quiere conseguir. Por ejemplo: pedir información → presentar una queja aceptar una invitación → rechazarla con cortesía pedir ayuda → solicitar permiso conversación informal → petición formal Predecir: ¿Qué lenguaje esperáis que cambie cuando cambia el propósito de la conversación? Prompt: Cread un prompt más detallado que incluya: hablante + situación + propósito + nivel de lengua + tono Por ejemplo: Crea un diálogo breve de nivel B1 entre un cliente y un empleado de cafetería. El cliente recibió el pedido equivocado y quiere resolver el problema con cortesía. Usa un inglés cotidiano y natural, y limita el diálogo a ocho líneas. Comparar: Comprobad si el diálogo generado cumple cada parte de la instrucción. Diagnosticar: Elegid una expresión que funcione bien y otra que reescribiríais. Explicad por qué. Ronda opcional 3 — Añadir restricciones y poner a prueba a la IA: El alumnado hace sus instrucciones más específicas. Por ejemplo: Reescribe la conversación para dos jóvenes de 15 años. Mantén el inglés en nivel B1. Que suene cercano y natural, pero evita el argot. Conserva el mismo propósito comunicativo. Predecir: ¿Qué partes del diálogo anterior esperáis que cambien? Prompt: Pedid a la IA que produzca la versión revisada. Comparar: Comprobad la respuesta frente a cada requisito del prompt. Diagnosticar: ¿Qué instrucciones siguió la IA correctamente? ¿Cuáles ignoró o interpretó de otra manera? Pregunta de cierre (para la fase de Reflexión): ¿En qué momento cambiar la situación comunicativa exigió algo más que sustituir unas pocas palabras, y qué os dice esto sobre comunicarse eficazmente en otro idioma? A continuación: si un diálogo generado por IA es gramaticalmente correcto, ¿cómo podéis decidir si es realmente adecuado y natural para esta situación concreta? Materiales Un portátil o tableta por pareja de alumnos, con navegador Acceso a una interfaz de chat de LLM aprobada a través de internet, o un modelo instalado localmente si el acceso a internet está restringido en el centro Un diálogo inicial breve de nivel aproximado B1 Una plantilla breve de prompting/ficha de trabajo para las rondas de adaptación (predecir → prompt → comparar → diagnosticar) Una lista de comprobación lingüística que cubra significado, gramática, vocabulario, registro, naturalidad y cumplimiento de las instrucciones Ejemplos preparados por el profesorado de comunicación formal e informal Una breve pauta de uso de la IA que recuerde al alumnado no introducir información personal y tratar el lenguaje generado por IA como material para analizar y mejorar, no como una solución ya dada 2.4 Ciencias Sociales: IA, medios y realidad ¿Podemos creernos todo lo que vemos? Asignatura: Ciencias Sociales · Curso: 5 (10-11 años) · Duración: 1 clase doble (90 min) · IA: Aprender SOBRE IA Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado   EA-FC-2a (ÉTICA DE LA IA × FACILITAR LA COMPETENCIA DIGITAL EN IA DEL ALUMNADO, Nivel 2 – Implementación Reflexiva)   «El profesorado puede implementar actividades de aprendizaje que desarrollen el razonamiento ético del alumnado sobre la IA, justificadas por las decisiones metodológicas.» Al final de la clase, el alumnado podrá:   explicar con palabras sencillas qué puede hacer la IA generativa con textos e imágenes; distinguir entre información, opinión y contenido generado artificialmente; identificar indicios que pueden hacer que una imagen, un texto o una afirmación parezcan sospechosos o poco fiables; explicar por qué una respuesta o una imagen generada por IA no es automáticamente verdadera; identificar formas de comprobar la información antes de aceptarla o compartirla; debatir cómo la IA puede influir en la comunicación, los medios y la vida cotidiana de las personas; justificar su propia opinión sobre el uso responsable de los contenidos generados por IA; Mensaje clave: La IA puede producir textos e imágenes convincentes, pero convincente no significa verdadero. Antes de creer o compartir algo, tenemos que preguntarnos de dónde procede, qué evidencias lo respaldan y si podemos verificarlo en otro lugar. Contenido La inteligencia artificial forma parte cada vez más de la comunicación cotidiana. Los sistemas de IA pueden generar textos, imágenes y otras formas de contenido que pueden parecer creadas por una persona. Esto abre nuevas posibilidades, pero también nuevos retos para la manera en que las personas comprenden y evalúan la información. Para el alumnado de esta edad, la pregunta importante no es necesariamente cómo funciona técnicamente la IA, sino cómo los contenidos generados por IA pueden afectar a las personas y a la sociedad. La clase introduce la IA a través de una situación social familiar: la información que encontramos en la vida cotidiana. El profesorado presenta ejemplos de textos e imágenes y pide al alumnado que decida si el contenido es real, editado o generado por IA. El énfasis no está en enseñar al alumnado a detectar la IA a la perfección. De hecho, una de las conclusiones centrales de la clase es que la apariencia por sí sola no es una forma fiable de establecer si algo es verdad. En cambio, el alumnado aprende un proceso de verificación sencillo: PARAR → PREGUNTAR → COMPROBAR → COMPARAR → DECIDIR La actividad conecta con el énfasis del currículo de Ciencias Sociales en el desarrollo del pensamiento crítico, el análisis de evidencias, la formación y expresión de opiniones y la investigación del entorno social. El currículo incluye específicamente el papel y la influencia de los medios de comunicación como uno de los temas sociales propuestos para 5.º curso. El currículo también anima explícitamente al profesorado a desarrollar el pensamiento racional y crítico planteando preguntas que exijan razonar, investigando evidencias, analizando datos que respalden o cuestionen las conclusiones y considerando distintas interpretaciones. Es importante señalar que el alumnado no interactúa directamente con un sistema de IA durante la clase. El profesorado maneja la herramienta de IA y presenta a la clase los resultados seleccionados. El papel del alumnado es observar, preguntar, comparar y evaluar el contenido. Plan de clase Fase Tiempo Actividad Introducción 10 min El profesorado muestra dos o tres imágenes o textos breves relacionados con una situación familiar. Cada alumno o alumna decide individualmente: ¿Esto es real? ¿Cómo lo sabes? Explicación 15 min El profesorado presenta la IA en un lenguaje adecuado a la edad: qué puede hacer la IA generativa y por qué los contenidos generados por IA pueden resultar convincentes. Demostración 15 min El profesorado utiliza en directo una herramienta de IA para generar una imagen o un texto breve a partir de un prompt sencillo. El alumnado observa con qué rapidez se puede crear el contenido y comenta qué produce realmente la IA. Investigación 30 min Los grupos reciben varios ejemplos de información o de contenido. Utilizan una lista de verificación y deciden qué se creerían, qué cuestionarían y qué comprobarían con más detalle. Reflexión 20 min Debate con toda la clase: ¿Podemos fiarnos de una imagen solo porque parece real? ¿Y de un texto? ¿Quién es responsable si creamos o difundimos información falsa? Preguntas guía:  El alumnado trabaja estas situaciones junto con el profesorado. La IA la maneja únicamente el profesorado. 1. Ronda 1 — PARAR: no te lo creas de inmediato El profesorado muestra al alumnado una imagen generada por IA de una situación familiar; por ejemplo, una fotografía aparentemente realista de un acontecimiento insólito en Eslovenia. Antes de desvelar nada, el alumnado responde: ¿Esta imagen parece real? ¿Qué te hace pensarlo? ¿Qué detalles hacen que resulte creíble? ¿Hay algo que parezca extraño? El profesorado desvela que la imagen se generó con IA y explica brevemente cómo la IA generativa puede crear imágenes de aspecto realista. ¿Qué nos hizo creer que la imagen era real? ¿Buscamos evidencias o simplemente nos fiamos de lo que veíamos? ¿Podría alguien utilizar una imagen así para engañar a otras personas? Diagnóstico: El alumnado identifica la diferencia entre «esto parece real» y «tengo evidencias de que esto es real». Idea clave: Una apariencia realista no es una prueba de que algo sea verdad. 2. Ronda 2 — PREGUNTAR: ¿quién lo ha creado y por qué? El profesorado presenta un breve texto generado por IA con formato de noticia. Por ejemplo, el profesorado pide a un sistema de IA que produzca un artículo breve sobre un acontecimiento imaginario en un centro educativo esloveno. El alumnado no interactúa con la IA, sino que analiza el resultado. ¿Quién ha escrito o creado esto? ¿De dónde procede supuestamente la información? ¿El texto identifica alguna fuente? ¿Aporta evidencias? ¿Podemos verificar la información? ¿Por qué podría alguien querer publicar esa información? ¿El texto suena seguro aunque no sepamos si es verdad? El alumnado descubre que un texto puede sonar seguro, informativo y convincente y, aun así, carecer de una fuente fiable o de evidencias. Idea clave: Una respuesta que suena segura no es necesariamente una respuesta correcta. 3. Ronda 3 — COMPROBAR Y COMPARAR: vamos a verificarlo El profesorado presenta una afirmación ficticia: «Se ha introducido una nueva norma en Eslovenia: el alumnado ya no puede utilizar el móvil los sábados.» La afirmación es deliberadamente sencilla y lo bastante verosímil como para llevar al alumnado a plantearse cómo la comprobaría. Al alumnado no se le pide simplemente que responda «verdadero» o «falso». En cambio, tiene que diseñar una estrategia de verificación. ¿Dónde comprobaríais esta información? ¿A quién podríais preguntar? ¿Os fiaríais de una publicación en redes sociales? ¿Consultaríais una sola fuente o varias? ¿Qué contaría como una buena evidencia? ¿De qué fuente os fiaríais más? ¿Qué os haría cambiar de opinión? A continuación, el profesorado demuestra cómo se podría comprobar la afirmación utilizando distintos tipos de fuentes. El alumnado reconoce que comprobar la información es un proceso, y no simplemente decidir si algo «parece verdad».  4. Ronda opcional — IA frente a persona El profesorado pregunta a un sistema de IA: «¿Por qué es importante conservar el patrimonio cultural?» - La IA genera una respuesta breve. Después, el alumnado elabora de forma independiente su propia respuesta sin IA. La clase compara ambas. ¿Qué ha respondido bien la IA? ¿Qué falta? ¿La IA está dando información, una opinión o ambas cosas? ¿Conoce la IA nuestro entorno local tan bien como nosotros? ¿Qué respuesta resultaría más útil para presentar nuestro patrimonio cultural local? ¿Puede una respuesta generada por IA sustituir a nuestro propio pensamiento? Esto conecta con el énfasis del currículo en el patrimonio cultural, en la comprensión del pasado y del presente por parte del alumnado y en su capacidad de explicar y justificar sus propios puntos de vista. Actividad de cierre: construir una norma de aula Al final de la clase, el profesorado y el alumnado elaboran conjuntamente un cartel sencillo para el aula: 5 PREGUNTAS ANTES DE COMPARTIR PARAR ¿Tengo que creerme esto de inmediato? PREGUNTAR ¿Quién ha creado o publicado esto? COMPROBAR ¿Dónde puedo verificar la información? COMPARAR ¿Dicen lo mismo otras fuentes fiables? DECIDIR ¿Tengo evidencias suficientes para creerlo o compartirlo? El cartel se convierte en el principal resultado práctico de la clase. Pregunta de cierre: Si un ordenador puede crear una imagen o un texto que parece totalmente real, ¿qué deberíamos hacer antes de creerlo o de compartirlo con otras personas? Materiales Un ordenador y un proyector para el profesorado; acceso a una herramienta de IA/LLM manejada por el profesorado; 2-3 imágenes y textos generados por IA preparados de antemano; varios ejemplos de información real y ficticia; una ficha de trabajo PARAR → PREGUNTAR → COMPROBAR → COMPARAR → DECIDIR; distintas fuentes que el alumnado pueda utilizar para la verificación; una pizarra o un cartel para construir la norma de clase «5 preguntas antes de compartir». El papel del profesorado y el papel del alumnado Un principio de diseño central de esta clase es que el uso de la IA lo dirige el profesorado. Profesorado Alumnado Maneja la herramienta de IA. Observa el resultado de la IA. Crea ejemplos seleccionados. Formula preguntas sobre el contenido. Demuestra cómo genera la IA textos e imágenes. Identifica razones para fiarse de la información o para cuestionarla. Aporta ejemplos y contraejemplos Compara distintas fuentes. Modela estrategias de verificación Desarrolla su propia estrategia de verificación. Guía el debate Explica y justifica sus conclusiones. Hace visibles las limitaciones de la IA. Reflexiona sobre cómo compartir información de forma responsable. Así pues, el alumnado aprende sobre las capacidades, las limitaciones y las consecuencias sociales de la IA sin necesidad de tener su propio acceso a un sistema de IA. 2.5 Interdisciplinar: Diseño de clases con apoyo de IA Diseño didáctico con apoyo de IA Asignatura: Desarrollo Profesional Docente ·  Grupo destinatario: Profesorado ·  Duración: 1 taller (90 min) ·  IA: Aprender CON IA  Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-DR-2b (Fundamentos y aplicaciones de la IA × Recursos Digitales, Nivel 2 – Implementación Reflexiva):   «El profesorado puede implementar estrategias de prompting, iteración y refinamiento para obtener recursos generados por IA que resulten utilizables.»   AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva):   «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.» Al final de la sesión, las personas participantes podrán: formular un prompt estructurado para crear una actividad de aprendizaje en su propia área de conocimiento; evaluar una actividad generada por IA en cuanto a su pertinencia pedagógica, su exactitud y su adecuación al grupo destinatario; identificar elementos del material generado por IA que requieren verificación o adaptación humana; mejorar un resultado inicial de la IA mediante prompting, iteración y revisión manual; integrar la IA en una clase manteniendo un papel pedagógico claro para el profesorado y el alumnado. Mensaje clave: La IA generativa puede acelerar la preparación de las clases, pero rara vez una actividad de aprendizaje utilizable surge de un solo prompt. Un diseño de clases con apoyo de IA eficaz es un proceso iterativo en el que el profesorado define el objetivo pedagógico, genera ideas, evalúa el resultado, lo refina y toma las decisiones didácticas finales. Fig. 1: «Diseño instruccional asistido por IA» (imagen generada con IA, ChatGPT GPT Image 2) Contenido La IA generativa puede apoyar al profesorado en muchas de las tareas que conlleva la preparación de clases: generar ideas de actividades, adaptar materiales a distintos grupos de alumnado, producir ejemplos y preguntas o sugerir formas alternativas de explicar un tema. El estudio de caso letón Datorium demuestra este enfoque práctico del desarrollo de la competencia docente en IA: el profesorado se familiariza primero con la IA y sus aplicaciones educativas y pasa después a la experimentación práctica, la planificación de clases, la evaluación y el desarrollo de materiales diferenciados. A la aplicación en el aula le siguen la reflexión y la retroalimentación, de modo que el uso de la IA se convierte en parte de un proceso iterativo de aprendizaje profesional y no en un ejercicio técnico puntual. La utilidad de la IA generativa para el diseño de clases depende en gran medida de la información y de las restricciones que aporte el profesorado. Una petición como «Crea una clase sobre el cambio climático» deja la mayoría de las decisiones pedagógicas en manos del sistema de IA. Un prompt más estructurado puede especificar la asignatura, la edad del alumnado, sus conocimientos previos, el objetivo de aprendizaje, la duración, el método didáctico, los recursos disponibles y el producto que se espera del alumnado. Añadir estos elementos no garantiza una buena clase, pero da al profesorado un mayor control sobre lo que produce la IA y hace que el material resultante sea más fácil de evaluar frente al objetivo de aprendizaje previsto. Incluso un prompt detallado puede producir material inexacto desde el punto de vista factual, débil desde el punto de vista pedagógico, poco realista para el tiempo de clase disponible o inadecuado para un grupo concreto de alumnado. La IA puede sugerir actividades sin tener en cuenta la dinámica del aula, dar por supuestos recursos que no están disponibles, generar tareas que en realidad no miden el objetivo de aprendizaje enunciado o proporcionar contenidos que parecen convincentes pero que requieren verificación factual. Por este motivo, el material educativo generado por IA debería tratarse como un borrador y no como un recurso didáctico terminado. Así pues, el proceso de aprendizaje central de esta actividad no consiste simplemente en aprender a escribir un «buen prompt». El profesorado recorre un ciclo repetido de definir → generar el prompt → evaluar → refinar → verificar. Se parte de un objetivo de aprendizaje real del propio contexto docente, se utiliza la IA para proponer una actividad, se evalúa el resultado con criterios pedagógicos, se refina el prompt cuando es necesario y, por último, se introducen modificaciones propias antes de considerar que la actividad está lista para el aula. Esto refleja el énfasis del estudio de caso Datorium en la experimentación práctica, la co-creación, la aplicación en el aula y la reflexión, manteniendo al mismo tiempo la responsabilidad pedagógica y la validación en manos del profesorado. Plan de clase Fase Tiempo Actividad Introducción 10 min Las personas participantes identifican una tarea de preparación de clases para la que la IA podría resultar útil. La persona que facilita presenta la IA como asistente o co-creadora, y no como diseñadora autónoma de clases. Explicación 15 min Las personas participantes comparan un prompt sencillo con un prompt educativo estructurado y examinan cómo el contexto adicional modifica la actividad de aprendizaje generada. Exploración 15 min Cada participante selecciona un objetivo de aprendizaje real de su asignatura y pide a un LLM que genere una actividad breve de aula para abordarlo. Adaptación 35 min Las personas participantes recorren dos o tres rondas de prompt → evaluar → refinar → verificar, añadiendo progresivamente restricciones pedagógicas y comprobando la actividad resultante. Reflexión 25 min Las personas participantes comparan su resultado inicial de la IA con la versión final lista para el aula e identifican qué mejoras vinieron del prompting y cuáles requirieron su propio juicio profesional. Preguntas guía: del resultado de la IA a una actividad lista para el aula Ronda 1 — Definir el propósito pedagógico: Antes de lanzar el prompt a la IA, define: ¿Quién es el alumnado? ¿Qué debería saber o ser capaz de hacer? ¿Qué conocimientos previos tiene? ¿Cuánto tiempo hay disponible? ¿Qué debería hacer realmente el alumnado durante la actividad? Genera una actividad inicial y compárala con el objetivo de aprendizaje previsto. Diagnóstico: ¿La actividad ayuda realmente al alumnado a alcanzar el objetivo o solo guarda relación con el mismo tema? Ronda 2 — Añadir las restricciones del aula: Refina el prompt añadiendo condiciones realistas como el tamaño del grupo, los materiales disponibles, la duración de la clase, el nivel del alumnado, el método didáctico o los requisitos de accesibilidad. Genera la actividad revisada y compárala con la primera versión. Comparación: Comprueba si el diálogo generado sigue cada parte de la instrucción. Diagnóstico: ¿Qué cambios mejoraron la actividad? ¿Qué condiciones del aula sigue sin tener en cuenta la IA? Ronda 3 opcional — Verificar y recuperar el control: Evalúa la actividad final generada por IA en cuanto a: exactitud factual; alineación con el objetivo de aprendizaje; adecuación al grupo de alumnado; temporización realista; claridad de las instrucciones; accesibilidad e inclusión; papeles del profesorado y del alumnado. A continuación, las personas participantes realizan al menos un cambio manual sin pedir a la IA que lo revise. Así pues, la comparación final no es «¿Qué prompt produjo la mejor respuesta de la IA?» sino más bien «¿Qué tuvo que aportar el profesorado para convertir una idea generada por IA en una actividad de aprendizaje utilizable?» Pregunta de cierre (para la fase de reflexión): ¿En qué momento la actividad generada por IA requirió algo más que simplemente mejorar el prompt, y qué te dice esto sobre el papel del profesorado en el diseño de clases con apoyo de IA? A continuación: si una actividad de aprendizaje generada por IA parece completa y bien estructurada, ¿cómo puedes decidir si es realmente adecuada desde el punto de vista pedagógico y está lista para utilizarla con el alumnado? Materiales Un portátil o una tableta por participante, con navegador Acceso a una interfaz de chat de LLM aprobada, o a un modelo instalado localmente Un objetivo de aprendizaje o un tema de clase real del contexto docente de cada participante Una plantilla de prompting educativo estructurado Una ficha de trabajo breve para el ciclo definir → generar el prompt → evaluar → refinar → verificar Una lista de verificación de evaluación que cubra la pertinencia pedagógica, la exactitud, la adecuación al alumnado, la viabilidad y la alineación con los objetivos de aprendizaje Ejemplo de un prompt sencillo y de un prompt educativo más estructurado 2.6 Historia: Reconstrucción del pasado Un día en la Riga medieval: ¿qué pueden decirnos realmente las fuentes? Asignatura: Historia · Curso: 7 (13-14 años) · Duración: 1 clase doble · IA: Aprender CON IA Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva):   «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.»   AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva):   «El profesorado puede aplicar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles.» Al final de la clase, el alumnado podrá: extraer información sobre la vida urbana medieval a partir de fuentes escritas, visuales y arqueológicas; distinguir entre evidencia, inferencia razonable y especulación; explicar aspectos del comercio, la artesanía y la vida cotidiana en la Riga medieval; combinar evidencias de varias fuentes para construir una reconstrucción histórica; formular prompts que obliguen a la IA a trabajar a partir de las evidencias históricas proporcionadas; analizar la información para comprender la importancia de las fuentes fiables. Mensaje clave: Lo que se muestra no es necesariamente lo que ocurrió. Las reconstrucciones históricas combinan evidencia, inferencia razonable y especulación. Comprender el pasado significa reconocer la diferencia entre lo que sabemos por las fuentes, lo que podemos concluir razonablemente y lo que se ha imaginado para rellenar los huecos y contar una historia mejor. Fig. 1: «Un día en la Riga medieval: ¿qué pueden decirnos realmente las fuentes?» (imagen generada con IA, ChatGPT GPT Image 2) Contenido Los historiadores no pueden observar directamente la vida cotidiana en la Edad Media. En su lugar, la reconstruyen a partir de los rastros que dejaron las personas: documentos escritos, edificios, objetos, imágenes, hallazgos arqueológicos y otras evidencias. Fuentes distintas responden a preguntas distintas. Un registro comercial puede revelar qué mercancías entraban en una ciudad, mientras que un objeto arqueológico puede decirnos algo sobre lo que la gente poseía o utilizaba. Ninguna fuente por sí sola puede recrear un día entero de la vida de una persona. La Riga medieval constituye un caso de estudio útil. Riga se desarrolló rápidamente a partir de comienzos del siglo XIII y se convirtió en un centro importante que conectaba el comercio entre Europa occidental, Livonia y las tierras situadas más al este. A finales del siglo XIII se había convertido en una gran ciudad comercial hanseática. El comercio y la artesanía impulsaron el crecimiento de organizaciones de mercaderes y artesanos como los gremios. Los medios actuales pueden hacer que el pasado parezca mucho más completo de lo que las evidencias conservadas permiten en realidad. Los contenidos históricos generados con IA, como Chloe VS History, por ejemplo, presentan vívidas escenas de «viaje en el tiempo» en las que quien las ve parece visitar escenarios históricos como el Londres de la peste negra. La ropa, las calles, los edificios, las personas y las actividades cotidianas se presentan como si estuvieran siendo observadas directamente. Sin embargo, esas escenas son reconstrucciones: algunos detalles pueden basarse en evidencias históricas, otros pueden ser inferencias razonables y otros pueden ser especulativos o inexactos. El mismo problema aparece en las películas históricas. A Knight's Tale crea un mundo reconociblemente medieval a través de las armaduras, los torneos, la vestimenta, la arquitectura y los roles sociales, al mismo tiempo que introduce deliberadamente música, lenguaje y comportamientos modernos. Por eso constituye un recordatorio útil de que algo puede parecer convincentemente histórico sin representar exactamente lo que ocurrió. La IA generativa funciona de manera similar. Puede combinar fragmentos de evidencia histórica en una reconstrucción coherente de un día en la Riga medieval, pero también puede rellenar los huecos con detalles que nunca estuvieron presentes en las fuentes. Algunos añadidos pueden ser históricamente plausibles; otros pueden pertenecer a otra región, a otro siglo o a otro grupo social. Por tanto, el alumnado necesita distinguir entre tres niveles de certeza: Evidencia – lo que las fuentes históricas respaldan directamente. Inferencia – lo que puede concluirse razonablemente a partir de esa evidencia. Especulación – lo que se ha imaginado para rellenar los huecos. Plan de clase Fase Tiempo Actividad Introducción 10 min Ver un vídeo medieval generado con IA de Chloe VS History. El alumnado identifica qué lo hace creíble y se pregunta qué detalles están realmente respaldados por evidencias. Explicación 10 min Presentar evidencia – inferencia – especulación y practicar cómo distinguirlas. Exploración 15 min El alumnado analiza fuentes sobre la Riga medieval sin IA y establece qué se puede saber realmente. Adaptación 1 20 min La IA reconstruye un día en la Riga medieval a partir de evidencias limitadas. El alumnado identifica dónde rellena los huecos. Adaptación 2 20 min Se añaden más fuentes y un prompting más estricto. El alumnado compara las dos reconstrucciones. Reflexión 25 min El alumnado transfiere el mismo marco de pensamiento crítico a una película histórica de ambientación medieval. Preguntas guía: del resultado de la IA a una actividad lista para el aula Introducción — Mostrar aproximadamente 30-60 segundos de la visita generada con IA de Chloe VS History (TikTok/Youtube) al Londres de la peste negra de 1348: Pregunta para el debate: «¿Qué hace que esto parezca una visita real al Londres medieval?» Plantear el problema: «¿Cómo sabemos realmente que estos detalles son históricamente exactos?» Principio clave de esta clase (la importancia de las fuentes) Plantear el problema: «¿Cómo sabemos realmente que estos detalles son históricamente exactos?» Principio clave de esta clase (la importancia de las fuentes) Evidencia histórica → inferencia → especulación Explicación — Objeto arqueológico: un peine medieval: Proporcionar afirmaciones sobre el objeto que deben clasificarse en las categorías evidencia, inferencia y especulación. Ejemplo: Se descubrió un peine de hueso en la Riga medieval - evidencia Algunas personas habitantes de Riga usaban peines - inferencia La persona propietaria se peinaba cada mañana antes de ir al mercado - especulación  Exploración — Trabajo en grupo. Análisis de fuentes: 4 fuentes diferentes sobre la Riga medieval. A) Riga como ciudad comercial hanseática. Texto del Museo de Historia de Riga y de la Navegación, «Riga como parte de Livonia (siglos XIII-XVI)». B) Evidencias arqueológicas del comercio hanseático. Imágenes del Museo de Historia de Riga y de la Navegación, «Evidencias arqueológicas del comercio de la Hansa en Riga». C) Lista de importaciones y exportaciones de Riga. Información comercial del Museo de Historia de Riga y de la Navegación, «Evidencias arqueológicas del comercio de la Hansa en Riga». D) Las ordenanzas de construcción de Riga de 1293, que restringieron la construcción de casas de madera tras un incendio. El alumnado completa una ficha de trabajo para cada fuente respondiendo a las siguientes preguntas sobre ella: ¿Qué sabemos? ¿Qué podemos inferir razonablemente? ¿Qué seguimos sin saber? La IA rellena los huecos que faltan: Prompt que utiliza el alumnado: Utilizando únicamente las Fuentes A y B, describe una mañana en la Riga medieval desde la perspectiva de una persona joven de la ciudad. Escribe aproximadamente 150 palabras. Haz que la escena resulte vívida, pero no introduzcas información que no pueda inferirse razonablemente de las fuentes. El alumnado anota la respuesta de la IA: Evidencia Inferencia razonable Sin respaldo / especulación La IA revisa su trabajo utilizando más evidencias: Prompt mejorado: Revisa la reconstrucción utilizando las Fuentes A-D. Después de cada detalle histórico importante, indica su fuente, por ejemplo [Fuente B]. Si algo no se afirma directamente pero se infiere razonablemente de las fuentes, escribe [Inferencia]. Elimina los detalles que no puedan respaldarse ni inferirse razonablemente. Comparar: Versión 1 → Versión 2 Encontrar: un detalle que se haya vuelto más preciso; un detalle que la IA haya eliminado; un detalle nuevo respaldado por evidencias; un detalle que siga necesitando ser cuestionado. Reflexión/Transferencia de conocimientos Mostrar una escena breve o un fotograma apropiados para el aula de A Knight's Tale (2001) Pregunta para el debate: A partir de los principios clave de esta clase, qué destaca como evidencia, como inferencia y como especulación. Si quienes hacen películas cambian detalles históricos para contar una historia mejor, ¿es eso necesariamente incorrecto? Reflexión final individual:   El alumnado completa: Algo puede parecer históricamente convincente cuando... Antes de creer algo que veo en una película histórica, debería... Una película histórica puede inventar o cambiar detalles, pero.. Materiales Proyector/pizarra digital interactiva con altavoces. Vídeo medieval generado con IA de Chloe VS History para la introducción. Imagen de un peine medieval de hueso procedente de Riga. Minificha de trabajo Evidencia-Inferencia-Especulación. Dosier de fuentes sobre la Riga medieval: texto sobre el comercio hanseático, imágenes de hallazgos arqueológicos, lista de importaciones/exportaciones, ordenanzas de construcción de 1293. Ficha de análisis de fuentes. Dispositivos del alumnado con acceso a una herramienta de IA generativa aprobada. Fichas de prompt de IA y de comparación para las Rondas 1 y 2. Clip breve o fotograma de A Knight's Tale (2001) para la reflexión.     2.7 Informática / Ciencias Naturales: IA para un problema real del centro ¿Puede la IA ayudarnos a separar los residuos en el centro? Asignatura: Informática / Ciencias Naturales ·  Grupo destinatario: 7 (13-14 años) ·  Duración: 1 clase doble ·  IA: Aprender CON IA  Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva):   «El profesorado comprende los principios básicos de la IA y del aprendizaje automático y puede demostrarlos mediante ejemplos prácticos.»   AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva):   «El profesorado puede guiar al alumnado en la experimentación con herramientas de IA, en la prueba de sus resultados y en la reflexión crítica sobre su fiabilidad.» Al final de la clase, el alumnado podrá: explicar con palabras sencillas cómo aprende un modelo de IA a partir de ejemplos entrenar y probar un modelo sencillo de clasificación de imágenes  identificar casos en los que el modelo produce resultados incorrectos explicar cómo influye la calidad de los ejemplos en el rendimiento de la IA mejorar el modelo a partir de las pruebas; • valorar si la solución de IA sería útil y fiable en una situación real del centro educativo. Mensaje clave: La IA puede ayudar con problemas de la vida real, pero no comprende automáticamente lo que ve. Aprende a partir de ejemplos aportados por personas y, por tanto, sus resultados tienen que probarse y evaluarse. Fig. 1: «¿Puede la IA ayudarnos a separar los residuos en el centro?» (imagen generada con IA, ChatGPT GPT Image 2) Contenido La separación de residuos es una cuestión cotidiana en muchos centros educativos. El alumnado utiliza cada día papel, botellas de plástico, envases de alimentos y otros materiales, pero estos objetos no siempre acaban en el contenedor de reciclaje correcto. Esta situación familiar ofrece una forma sencilla de explorar cómo funciona la inteligencia artificial. El alumnado investiga si un sistema de IA podría reconocer un objeto y recomendar a qué contenedor de reciclaje pertenece. Durante la actividad, el alumnado crea un modelo básico de clasificación de imágenes con categorías como papel, plástico y otros residuos. Proporciona a la IA varios ejemplos, entrena el modelo y después lo prueba con objetos nuevos. La actividad demuestra un principio importante del aprendizaje automático: la IA aprende patrones a partir de los ejemplos que recibe. Si los ejemplos son demasiado parecidos, incompletos o están mal seleccionados, el modelo puede producir resultados inesperados. Por tanto, el alumnado no se limita a crear un modelo que funcione. Lo prueba deliberadamente con ejemplos difíciles, investiga sus errores e intenta mejorarlo. Por ejemplo, puede descubrir que una botella de plástico aplastada se clasifica de forma distinta a una botella normal, o que el fondo de una imagen afecta al resultado. La clase conecta un concepto básico de IA con una situación real del centro educativo. Al mismo tiempo, anima al alumnado a pensar de forma crítica sobre la fiabilidad y la responsabilidad humana: aunque un sistema de IA dé una recomendación, siguen siendo las personas quienes tienen que decidir si el resultado tiene sentido. Plan de clase Fase Tiempo Actividad Enganche 10 min El profesorado muestra varios objetos de residuo cotidianos y pregunta al alumnado dónde deben ir. La clase debate si la IA podría tomar automáticamente la misma decisión. Explicación 10 min El profesorado presenta la clasificación de imágenes y explica que la IA aprende a partir de ejemplos. Se demuestra brevemente la herramienta de IA seleccionada. Exploración 20 min En grupos pequeños, el alumnado crea categorías como papel, plástico y otros residuos, prepara ejemplos y entrena su primer modelo. Adaptación 1 20 min El alumnado prueba el modelo con objetos nuevos y anota dónde acierta y dónde se equivoca. Adaptación 2 20 min El alumnado mejora los ejemplos de entrenamiento, vuelve a entrenar el modelo y compara los nuevos resultados con la primera versión. Reflexión 10 min El alumnado debate si su sistema de IA sería lo bastante fiable para un uso real en el centro y cuáles son sus limitaciones. Preguntas guía: del experimento con IA a la aplicación en la vida real Enganche – ¿Podría la IA decidir dónde van nuestros residuos? El profesorado muestra varios objetos habituales, por ejemplo: una hoja de papel, una botella de plástico, una caja de cartón, un vaso de yogur, un lápiz. El alumnado decide primero por sí mismo dónde debería ir cada objeto. Después, preguntad: ¿Podría un ordenador tomar la misma decisión a partir de la imagen de una cámara? ¿Cómo sabría que algo es papel o plástico? ¿Qué información necesitaría? ¿Podría equivocarse alguna vez? Presentad el reto: Crear un modelo de IA que ayude al alumnado a decidir qué contenedor de reciclaje utilizar. Explicación – ¿Cómo aprende un clasificador de IA? El profesorado demuestra una herramienta sencilla de clasificación de imágenes. Se pueden crear tres categorías: Papel – Plástico – Otros Explicad que el modelo no recibe una definición como: «El plástico es un material fabricado a partir de polímeros.» En cambio, recibe ejemplos e intenta identificar patrones. Preguntad al alumnado: Si solo mostramos a la IA botellas de plástico, ¿entenderá todos los tipos de plástico? ¿Cuántos ejemplos podría necesitar? ¿Deberían tener todas las fotos el mismo aspecto? ¿Qué podría ocurrir si todos los objetos de papel se fotografían sobre una mesa blanca? Idea clave: Los ejemplos que aportamos influyen en lo que aprende la IA. Exploración - Construir el primer modelo El alumnado trabaja en grupos pequeños. Cada grupo recopila o utiliza ejemplos ya preparados para las tres categorías. Por ejemplo: Papel ficha de trabajo periódico cartón bolsa de papel Plástico botella de plástico vaso de plástico envase Otros lápiz objeto metálico envase de alimentos de otro tipo tejido El alumnado entrena su primer modelo. A continuación, prueba varios ejemplos fáciles. Para cada prueba anota: Objeto → Resultado esperado → Resultado de la IA → Correcto / Incorrecto En esta fase, el objetivo no es alcanzar una precisión perfecta. El alumnado debe entender primero cómo se comporta el sistema. Adaptación 1 – Intentad hacer que la IA falle Ahora el alumnado prueba el sistema con ejemplos más difíciles. Por ejemplo: una botella de plástico aplastada; papel de colores; cartón con un recubrimiento de plástico; un objeto desde otro ángulo; un objeto más alejado de la cámara; el mismo objeto sobre un fondo distinto. Preguntad: ¿Qué ejemplos reconoció correctamente la IA? ¿Dónde se equivocó? ¿Qué tenían de diferente esos ejemplos? ¿Podría ser que la IA esté reaccionando al color o al fondo en lugar de al objeto en sí? ¿Qué información puede faltar en los ejemplos de entrenamiento? El alumnado identifica una debilidad de su modelo. Adaptación 2 – Mejorar el modelo Cada grupo introduce uno o varios cambios. Por ejemplo: añadir más ejemplos; utilizar distintos tipos de papel o de plástico; fotografiar los objetos desde varios ángulos; utilizar fondos distintos; equilibrar el número de ejemplos de cada categoría. El alumnado vuelve a entrenar el modelo y repite algunas de sus pruebas anteriores. Compara: Versión 1 → Versión 2 Preguntad: ¿Ha mejorado el modelo? ¿Qué cambio ayudó? ¿Sigue habiendo ejemplos que no puede clasificar de forma fiable? ¿Añadir más datos resolvería siempre el problema? ¿Cuántas pruebas serían necesarias antes de utilizar el sistema en la realidad? Reflexión - ¿Utilizaríamos realmente esta IA en el centro?  Presentad una situación hipotética: El centro quiere instalar una cámara junto a los contenedores de reciclaje. El alumnado muestra un objeto a la cámara y la IA recomienda qué contenedor utilizar. El alumnado decide si recomendaría la idea. Debatid: ¿Os fiaríais del modelo actual? ¿Qué podría ocurrir si da una respuesta equivocada? ¿Debería el alumnado poder ignorar siempre su recomendación? ¿Qué pruebas adicionales serían necesarias? ¿Podría la cámara generar problemas de privacidad? ¿Dónde podría resultar útil un sistema de IA similar fuera del centro educativo? El alumnado completa: Nuestra IA funcionó bien cuando… Nuestra IA tuvo problemas cuando… Antes de utilizar este sistema en la vida real, tendríamos que… Pregunta final de reflexión: Cuando un sistema de IA da una recomendación, ¿quién debería decidir si esa recomendación es lo bastante buena como para utilizarla? Materiales Un ordenador o una tableta para cada grupo Conexión a internet Acceso a una herramienta de IA sencilla de clasificación de imágenes Cámara web o cámara del dispositivo Ejemplos limpios de papel, plástico y otros objetos cotidianos Como alternativa, fotografías preparadas de los objetos Una ficha de trabajo sencilla para anotar los resultados de las pruebas Proyector / pizarra digital interactiva para el profesorado Tabla preparada opcional para comparar la Versión 1 y la Versión 2 del modelo   2.8 Matemáticas: ¿Sabe calcular realmente la máquina? Un primer encuentro con la IA en el aula de matemáticas de primaria: reconocimiento de voz con la „Recheneule“ Asignatura: Matemáticas ·   Curso: 2 (7-8 años) ·   Duración: 1 clase (50 min) ·   IA: Aprender SOBRE IA Ejemplo de un centro real: Este ejemplo se basa en la práctica documentada de la Volksschule Hagenberg im Mühlkreis (Alta Austria), una KI-Pilotschule (centro piloto de IA) oficial del Ministerio Federal de Educación de Austria. Desde segundo curso, su profesorado introduce la IA de forma lúdica para preparar al alumnado ante sus oportunidades y sus riesgos (la directora Martina Ketterer-Hager). Un elemento central es el proyecto digicase / DLPL, en el que el alumnado practica el pensamiento algorítmico, incluido el juego de matemáticas con reconocimiento de voz „Die schlaue Recheneule“, desarrollado junto con la PH Linz. Esta clase construye una sesión completa en torno a esa herramienta real. Está alineada con la KI-Initiative del Ministerio y con la brújula de cuatro direcciones Verstehen, Anwenden, Reflektieren, Mitgestalten (comprender, aplicar, reflexionar, participar). Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-FC-1a (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital en IA del Alumnado, Nivel 1 – Conciencia Orientativa): «El profesorado puede resumir los conceptos fundamentales de la IA que el alumnado debería comprender, incluyendo ejemplos adecuados a su edad.» AF-FC-1b (Nivel 1 – Conciencia Orientativa): «El profesorado puede reconocer los límites técnicos de los sistemas de IA actuales que el alumnado necesita captar.» Al final de la clase, el alumnado podrá: •    decir con palabras sencillas que la „Recheneule“ es un programa de ordenador que intenta oír el número que dicen en voz alta, y que no es una persona y no siempre entiende; •    resolver en voz alta tareas sencillas de suma y resta con la herramienta y leer si el ordenador ha oído el número correcto; •    darse cuenta de al menos una cosa que hace que la IA oiga mejor o peor, y nombrarla (hablar con claridad, estar cerca del micrófono, un aula en silencio); •    comprobar el ordenador: cuando la lechuza muestra un número equivocado, calcular por sí mismos la respuesta correcta y decir si el error lo ha cometido el alumno o la alumna o el ordenador. Mensaje clave: El alumnado no se limita a usar la herramienta: la observa. Al hacer sus cuentas en voz alta con la „Recheneule“ y ver cuándo oye el número correcto y cuándo se confunde, el alumnado de segundo curso hace su primer descubrimiento sobre la IA: es una máquina útil pero imperfecta, y quien sabe la respuesta correcta sigue siendo la persona. Esto sienta la base de un hábito para toda la vida: comprobar, no solo confiar. Fig. 1: «Un primer encuentro con la IA en el aula de matemáticas de primaria: reconocimiento de voz con la “Recheneule”» (imagen generada con IA, ChatGPT GPT Image 2) Contenido El alumnado de corta edad se encuentra con la inteligencia artificial mucho antes de poder explicarla: asistentes de voz en casa, cámaras que detectan caras, aplicaciones que completan sus frases. Tanto el KI-Basiscurriculum austriaco como la KI-Initiative del Ministerio subrayan que la alfabetización en IA debería comenzar pronto y de forma lúdica, y que tiene tanta cabida en el aula de primaria como en cursos posteriores. La Volksschule Hagenberg im Mühlkreis, una KI-Pilotschule, hace exactamente esto: desde segundo curso su profesorado introduce la IA a través de juegos, con el proyecto digicase / DLPL como eje, de modo que el alumnado construya una primera noción concreta de lo que estas máquinas pueden y no pueden hacer. La „Recheneule“ (la «lechuza calculadora lista») es uno de estos juegos, y encaja a la perfección en la clase de matemáticas. Utiliza reconocimiento de voz —una forma de IA— de modo que un alumno o una alumna puede decir un número en voz alta y el programa intenta reconocerlo y utilizarlo en un cálculo. La herramienta es deliberadamente sencilla y, como señalan sus creadores, todavía experimental: que oiga correctamente depende del micrófono, de la claridad con la que se hable y del silencio que haya en el aula. Para alguien de siete años esto no es un defecto que haya que ocultar, sino la lección entera. Cuando la lechuza muestra el número equivocado, el alumno o la alumna puede ver con sus propios ojos que la máquina lista no ha entendido, y que quien sigue sabiendo que tres más cuatro son siete es él o ella. Esto es lo que hace que la herramienta resulte valiosa para enseñar SOBRE la IA a esta edad. No se pide al alumnado que entienda cómo funciona por dentro el reconocimiento de voz; se le pide que lo observe, que consiga que funcione mejor hablando con claridad y acercándose al micrófono, y que se dé cuenta de cuándo falla. En el lenguaje del KI-Basiscurriculum, este es el primer paso desde el Verstehen (una máquina está escuchando, no una persona) hasta el Reflektieren (no siempre acierta, y yo puedo comprobarlo). El profesorado mantiene las matemáticas en primer plano: el objetivo de la operación sigue siendo la operación, y la lechuza es una compañera de juego cuyas respuestas el alumnado aprende a comprobar. En esta clase, el alumnado predice si la lechuza le oirá, lo prueba, mira lo que muestra y habla sobre por qué a veces se equivoca: una versión sencilla y adaptada a la edad del ciclo predecir → probar → comprobar → hablar que se utiliza a lo largo de todos estos ejemplos. El objetivo es una primera experiencia alegre de la IA como una ayuda útil que todavía necesita que una persona la compruebe. Plan de clase  Fase Tiempo Actividad Calentamiento 8 min En la alfombra, el profesorado pregunta dónde ha oído el alumnado a una máquina «escuchar» una voz (teléfono, altavoz, tableta). Juntos acuerdan una idea sencilla: un ordenador puede intentar oírnos, pero no es una persona y puede equivocarse. Demostración 7 min El profesorado demuestra la „Recheneule“ una vez en la pantalla grande, diciendo un número con claridad y después murmurando otro, para que la clase vea a la lechuza acertar y luego equivocarse. La clase adivina por qué. Probar (por parejas) 20 min Por parejas, ante una tableta con auriculares con micrófono, se turnan: una persona dice en voz alta el resultado de una operación sencilla (por ejemplo, «tres más cuatro» → dice «siete») y la otra observa qué número muestra la lechuza y marca una carita sonriente (lo ha oído bien) o una carita seria (lo ha oído mal) en una hoja sencilla. Comprobar 8 min Por cada «lo ha oído mal», la pareja calcula por sí misma la respuesta correcta y decide conjuntamente: ¿lo ha dicho mal la persona o lo ha oído mal la lechuza? Rodean con un círculo a quien ha cometido el error. Hablar 7 min De vuelta en la alfombra: ¿Qué ayudó a la lechuza a oírnos? (hablar con claridad, estar cerca, estar en silencio). Cuando la lechuza se equivocó, ¿seguíamos sabiendo nosotros la respuesta correcta? ¿Quién manda en la operación, la lechuza o nosotros? Preguntas guía: predecir → probar → comprobar → hablar Las parejas trabajan estas rondas breves durante la fase «Probar». La formulación se mantiene sencilla para que el profesorado pueda decirla en voz alta; las parejas más pequeñas o más rápidas pueden hacer más rondas. 1.    Ronda 1 - ¿me oirá la lechuza? Predecir: Antes de hablar: ¿crees que esta vez la lechuza oirá tu número? Pulgar arriba o pulgar abajo. Probar: Di en voz alta tu respuesta a la operación, con claridad y cerca del micrófono. Comprobar: Mira el número que muestra la lechuza. ¿Es tu número? Marca una carita sonriente (sí) o una carita seria (no). Hablar: Si se ha equivocado, ¿qué podríamos cambiar? ¿Hablar más alto? ¿Más despacio? ¿Estar más en silencio en el aula? 2.    Ronda 2 - ¿quién se ha equivocado? Predecir: Primero sabes de cabeza la respuesta a la operación. ¿Qué debería mostrar la lechuza? Probar: Di la respuesta. Observa a la lechuza. Comprobar: Si la lechuza muestra un número distinto, calculad vosotros mismos la operación. ¿Cuál es la respuesta correcta? Hablar: ¿Lo hemos dicho mal nosotros o lo ha oído mal la lechuza? Rodea con un círculo al alumno o a la alumna, o a la lechuza, en tu hoja. 3.    Ronda 3 (ampliación) - ponérselo difícil a propósito: Predecir: ¿Qué pasará si susurramos, o si hablamos mientras habla un compañero o una compañera? ¿Nos seguirá oyendo la lechuza? Probar: Probadlo una vez susurrando y otra vez con un poco de ruido, solo para verlo. Comprobar: ¿Se equivocó la lechuza en más números cuando la situación era más difícil? Contad las caritas serias. Hablar: Entonces, ¿qué necesita la lechuza de nosotros para funcionar bien? Decidlo en una sola frase. Pregunta de cierre (para la fase «Hablar»): Cuando la lechuza mostró el número equivocado, ¿seguíamos sabiendo la respuesta correcta? Entonces, ¿quién tiene que comprobar la operación: el ordenador o nosotros? A continuación: La lechuza es lista, pero puede oír mal. ¿En qué otras situaciones podría equivocarse una máquina lista, y qué podríamos hacer siempre para comprobarlo? Materiales Una tableta (u ordenador) por pareja con un micrófono que funcione; se recomienda encarecidamente unos auriculares con micrófono por tableta, ya que sus creadores señalan que la calidad del micrófono y el silencio del aula son importantes. El juego de matemáticas con reconocimiento de voz „Recheneule“ del proyecto digicase / DLPL (dlpl.at), abierto en un navegador, con el acceso al micrófono permitido. Una pantalla grande o un proyector para la demostración del profesorado. Una ficha de trabajo muy sencilla por pareja: filas con una casilla para marcar carita sonriente / carita seria y un pequeño círculo «¿alumnado o lechuza?» para el paso de comprobación. Una lista breve de operaciones preparadas al nivel de la clase (sumas y restas hasta 20), para que las matemáticas sigan siendo el centro. Un rincón silencioso o una distribución de asientos separada para que el reconocimiento de voz tenga las mejores posibilidades de funcionar. 2.9 Programación: Asistencia en tareas seleccionadas Aprender a programar sin que la IA escriba el código Asignatura: Programación ·  Curso: 9 (14-15 años) ·  Duración: 1 clase doble (90 min) ·  IA: Asistencia CON IA  Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva):   «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.»   AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva):   «El profesorado puede aplicar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles.»   Al final de la clase, el alumnado podrá: saber cómo utilizar la IA para realizar tareas repetitivas o de apoyo en programación, como sangrar el código o escribir los comentarios pedir a un modelo de IA que proponga mejoras en el código, sin darle el código en sí, de modo que el alumnado pueda autoevaluar sus conocimientos evaluar críticamente al modelo de IA cuando se le pregunta cómo optimizaría el código dado Mensaje clave: El alumnado necesita conocer los fundamentos de la programación si quiere evaluar los resultados que ofrece un modelo. Por eso, en los primeros pasos del aprendizaje de la programación el alumnado debe utilizar los modelos de IA para tareas de apoyo y repetitivas relacionadas con la programación, pero no para producir código. También puede utilizar el modelo para pedir posibles mejoras del código y poner así a prueba sus capacidades de programación. Fig. 1: «Aprender a programar sin que la IA escriba el código» (imagen generada con IA, Google Gemini 3.6 Thinking) Contenido La enseñanza de la programación está cambiando en un contexto en el que los sistemas de IA pueden generar, explicar y revisar código. Aunque estas herramientas ofrecen nuevas oportunidades de aprendizaje, también plantean un reto educativo importante: el alumnado necesita conocimientos suficientes de programación para evaluar si una sugerencia generada por IA es correcta, eficiente o siquiera pertinente para la tarea que tiene entre manos. Sin una comprensión básica de los conceptos de programación, el alumnado puede aceptar soluciones incorrectas, pasar por alto errores o no reconocer alternativas mejores. Por este motivo, aprender los fundamentos de la programación sigue siendo esencial, incluso cuando se dispone de herramientas de IA. En los cursos introductorios de programación, la IA debería situarse como una herramienta de apoyo al aprendizaje y no como programadora sustituta. El alumnado puede utilizar la IA de forma eficaz para tareas repetitivas o de bajo nivel que no reducen el esfuerzo cognitivo que supone aprender a programar. Algunos ejemplos son dar formato y sangrar el código, generar comentarios de documentación, explicar mensajes de error, resumir reglas de sintaxis o ayudar al alumnado a entender la finalidad de determinadas construcciones de programación. Estos usos permiten al alumnado centrar su atención en la lógica subyacente, los algoritmos y los procesos de resolución de problemas, que son el núcleo de la competencia en programación. Otro uso productivo de la IA es la revisión de código. En lugar de pedir a un modelo de IA que escriba una solución, el alumnado puede escribir primero su propio código y después pedir al modelo que identifique posibles mejoras. La IA puede sugerir nombres de variables más claros, una mejor organización del código, menos redundancia, mayor legibilidad o enfoques alternativos que el alumnado puede evaluar de forma independiente. Esto convierte a la IA en una compañera de retroalimentación, y permite al alumnado comparar su propio razonamiento con sugerencias externas y valorar los puntos fuertes y débiles de sus soluciones. Sin embargo, la retroalimentación generada por IA no debería aceptarse de forma acrítica. Los modelos pueden recomendar cambios innecesarios, ineficientes o basados en suposiciones incorrectas sobre la finalidad del código. Por tanto, un objetivo central de esta clase es desarrollar la capacidad del alumnado de evaluar críticamente las sugerencias de la IA. El alumnado aprenderá a preguntar a un modelo de IA no solo qué mejoras propone, sino también por qué considera beneficiosos esos cambios. Al comparar el razonamiento del modelo con principios de programación establecidos, el alumnado puede juzgar si la optimización propuesta mejora realmente el código o si solo representa una decisión de diseño distinta. Esta clase trata la IA como una herramienta que apoya la reflexión, la autoevaluación y la mejora de la calidad del código, y no como generadora de código. El alumnado practica escribiendo sus propios programas, utilizando la IA para tareas de apoyo, pidiendo retroalimentación sobre su trabajo y analizando críticamente la calidad de las respuestas que recibe. El objetivo último es ayudar al alumnado a convertirse en mejores programadores y programadoras y, a la vez, en personas usuarias de sistemas de IA mejor informadas. Plan de clase Fase Tiempo Actividad Introducción 10 min El profesorado presenta dos soluciones breves de código para el mismo problema: una escrita por un alumno o una alumna y otra generada por un modelo de IA. El alumnado debate qué solución parece más clara, más eficiente o más fácil de entender. Explicación 10 min El profesorado presenta los usos adecuados de la IA en la enseñanza de la programación y subraya la distinción entre tareas de apoyo, revisión de código y generación de código. Exploración 15 min El alumnado trabaja por parejas en un pequeño ejercicio de programación e identifica qué tareas podrían delegarse adecuadamente en un asistente de IA y cuáles deberían seguir siendo responsabilidad propia. Ciclo de mejora 35 min El alumnado escribe su propia solución y completa 2 o 3 rondas de escribir → preguntar → evaluar → revisar, utilizando la IA únicamente para tareas de apoyo y sugerencias de mejora. Reflexión 20 min Debate con toda la clase sobre la utilidad y las limitaciones de la retroalimentación de la IA, centrado en cómo determinó el alumnado si las sugerencias eran valiosas o no.   Preguntas guía: añadir complejidad por capas El alumnado realiza tantas rondas como permita el tiempo durante los 35 minutos del ciclo de mejora. Cada ronda sigue el mismo proceso de cuatro pasos: Escribir → Preguntar → Evaluar → Revisar Ronda 1 — Utilizar la IA para tareas de apoyo Escribir: completa de forma autónoma un ejercicio breve de programación. Preguntar: pide apoyo a la IA para una tarea no relacionada con la programación en sí, como: mejorar el sangrado, generar comentarios, explicar un mensaje de error, describir qué hace una función. Evaluar: ¿la explicación de la IA describe con exactitud el código? ¿Los comentarios generados son útiles y comprensibles? Revisar: incorpora los cambios que resulten útiles, asegurándote de que la lógica del programa siga siendo enteramente obra tuya. Ronda 2 — Pedir sugerencias de mejora Escribir: revisa el programa que has terminado e identifica las partes que podrían mejorarse. Preguntar: pide sugerencias de mejora sin permitir que la IA reescriba el código. Por ejemplo: «Sugiere tres formas de mejorar la legibilidad y el mantenimiento de este programa, pero no proporciones código de sustitución.» Evaluar: ¿qué sugerencias parecen valiosas? ¿Qué sugerencias tendrían poco impacto en el programa? Revisar: implementa las mejoras con las que estés de acuerdo y comprueba si el programa sigue comportándose correctamente. Ronda 3 — Evaluar críticamente los consejos de optimización Escribir: selecciona una sección de tu código que realice una tarea repetitiva o que utilice bucles. Preguntar: pide sugerencias de optimización y exige a la IA que justifique sus recomendaciones. Ejemplo de prompt: «Explica cómo podría optimizarse este código y por qué cada optimización propuesta mejoraría el rendimiento o la legibilidad. No proporciones el código optimizado.» Evaluar: ¿las optimizaciones propuestas son realmente beneficiosas? ¿Cuáles están respaldadas por un razonamiento claro? ¿Cuáles parecen innecesarias o difíciles de justificar? Revisar: decide qué recomendaciones implementar y explica tu razonamiento.   Preguntas de reflexión: ¿Qué sugerencias de la IA resultaron más útiles para mejorar tu código? ¿La IA dio alguna sugerencia con la que no estuvieras de acuerdo? ¿Por qué? ¿Cómo determinaste si una optimización merecía la pena? ¿Cuándo resulta más útil la IA durante el proceso de programación? ¿Qué tareas de programación debería seguir realizando el alumnado? ¿Por qué son necesarios los conocimientos de programación para evaluar la retroalimentación generada por IA? ¿Cómo puede el alumnado evitar volverse demasiado dependiente de las herramientas de IA al aprender a programar?    Pregunta de cierre (para la fase de reflexión): ¿Cuántos conocimientos de programación hacen falta para determinar si una sugerencia de la IA mejora realmente un programa, y qué riesgos surgen cuando las personas usuarias se apoyan en consejos generados por IA sin comprender ellas mismas el código?   Materiales Un portátil por pareja de alumnado con un entorno de programación Acceso a un asistente de chat de IA o a un modelo de lenguaje alojado localmente Un ejercicio breve de programación adecuado al nivel de experiencia del alumnado Una ficha de trabajo que siga el ciclo escribir → preguntar → evaluar → revisar Preguntas de reflexión centradas en la alfabetización en IA y la evaluación crítica  Ejemplos de código opcionales que ilustren buenas y malas prácticas de programación  2.10 Arte: Huellas dactilares del estilo ¿De quién es el pincel, de quién la voz? Detectar los rasgos característicos de artistas con IA Asignatura: Arte y Literatura  ·  Curso: 9 (14-15 años)  ·  Duración: 1 clase doble  ·  IA: Aprender CON IA Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva): «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.» AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva): «El profesorado puede aplicar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles.» Al final de la clase, el alumnado podrá: •     identificar rasgos estilísticos observables en pinturas y poemas (por ejemplo, color, pincelada, composición; léxico, imágenes, ritmo); •     distinguir entre un rasgo observado, un patrón estilístico recurrente y una atribución especulativa; •     explicar elementos característicos del estilo de artistas o poetas concretos; •     combinar evidencias de varias obras para construir un «perfil de estilo» de quien las creó; •     formular prompts que obliguen a la IA a justificar su análisis estilístico haciendo referencia a obras concretas; •     analizar las descripciones de estilo generadas por IA para comprender el riesgo de sobregeneralización y de atribución errónea. Mensaje clave: Reconocer un «estilo» no es lo mismo que comprenderlo. La IA puede detectar patrones superficiales en muchas obras, pero distinguir una firma estilística genuina de un rasgo casual o de una interpretación inventada sigue requiriendo un juicio humano fundamentado en obras reales.   Contenido La historia del arte y los estudios literarios rara vez tienen acceso directo a las intenciones de quien crea. En su lugar, reconstruyen el «estilo» de una persona artista comparando muchas obras: la pincelada, el color y la composición en pintura, o la elección de palabras, las imágenes y el ritmo en poesía. Una sola pintura o un solo poema pueden apuntar a una preferencia, pero solo un patrón que se repite en varias obras convierte esa preferencia en un rasgo característico genuino. Vincent van Gogh constituye un caso de estudio útil. A lo largo de aproximadamente una década de producción intensa desarrolló rasgos reconocibles al instante: un impasto espeso, pinceladas cortas y direccionales y contrastes de color audaces, a menudo complementarios. Como estos rasgos se repiten en cientos de pinturas, la investigación puede describirlos como una firma estilística real y no como una elección puntual. Las herramientas de IA de imagen pueden generar hoy en segundos imágenes convincentes «al estilo de Van Gogh». Estas imágenes suelen reproducir marcadores superficiales reconocibles —pinceladas en remolino, paletas de amarillos y azules—, pero también pueden exagerar o inventar detalles que nunca fueron característicos de su obra real, o mezclar rasgos tomados por completo de otros artistas. El mismo problema aparece con el texto. Las herramientas de IA de escritura pueden imitar a una poeta como Emily Dickinson reproduciendo marcadores superficiales —guiones, rimas imperfectas, versos cortos— sin captar necesariamente las cualidades temáticas y estructurales que los estudios consideran genuinamente características de su obra. Por tanto, el alumnado necesita distinguir entre tres niveles de certeza: Rasgo – lo que se observa directamente en una obra concreta. Patrón – un rasgo que se repite en varias obras confirmadas y que puede calificarse razonablemente de característico. Atribución – una afirmación sobre el significado, la influencia o la autoría que va más allá de lo que las propias obras pueden sostener. Plan de clase Fase Tiempo Actividad Enganche 10 min Mostrad dos imágenes generadas por IA «al estilo de Van Gogh»: una más próxima a su técnica real y otra exagerada. El alumnado intenta adivinar cuál es más fiel y debate por qué. Explicación 10 min Presentad Rasgo – Patrón – Atribución y practicad cómo distinguirlos con el detalle de una pintura auténtica. Exploración 15 min El alumnado estudia 3-4 obras auténticas de una persona artista o poeta sin IA y anota qué rasgos se repiten realmente. Adaptación 1 20 min La IA escribe una descripción de estilo a partir de una sola obra o de un prompt limitado. El alumnado identifica dónde inventa rasgos sin respaldo. Adaptación 2 20 min Se añaden más obras y un prompt más estricto que exige citar las fuentes. El alumnado compara las dos descripciones de estilo. Reflexión 25 min El alumnado traslada el mismo marco de pensamiento crítico a un caso discutido de autentificación o atribución artística.   Preguntas guía: del resultado de la IA a una actividad lista para el aula •     Enganche — Mostrad dos imágenes generadas por IA «al estilo de Van Gogh» (una más próxima a su técnica real y otra exagerada o estereotipada): ◦     Pregunta para el debate: «¿Qué hace que esto parezca un Van Gogh auténtico?» ◦     Presentad el problema: «¿Cómo sabemos qué detalles estilísticos son realmente característicos de esta persona artista?» Principio clave de esta clase (comparar varias obras auténticas) ◦     Rasgo observable → patrón recurrente → atribución o interpretación •     Explicación — Mirada atenta a una obra auténtica (por ejemplo, un detalle de La noche estrellada o una estrofa de un poema de Dickinson): ◦     Proporcionad afirmaciones sobre la obra que haya que clasificar como rasgo, patrón o atribución. Ejemplo: ◦     En esta pintura se ven pinceladas cortas y entrecortadas – rasgo ◦     Van Gogh utilizaba con regularidad pinceladas cortas y direccionales en sus obras tardías – patrón ◦     Utilizaba estas pinceladas para expresar su agitación emocional interior – atribución •     Exploración — Trabajo en grupo. Analizar obras auténticas: 3-4 obras de la misma persona artista o poeta, por ejemplo: A) Dos o tres reproducciones de pinturas del mismo periodo de su trayectoria. B) Imágenes de detalle o primeros planos que muestren la pincelada o la escritura a mano. C) Notas breves sobre la técnica o la biografía procedentes de un museo o de una fuente literaria. D) Una obra contrastante de otra persona artista o poeta, para comparar. El alumnado rellena una ficha de trabajo para cada obra respondiendo a: ¿Qué rasgos observamos? ¿Qué patrones se repiten en las obras? ¿Qué sigue siendo solo nuestra interpretación? •     La IA escribe una descripción de estilo: Prompt utilizado por el alumnado: basándote únicamente en esta imagen o en este poema, describe el estilo característico de quien lo creó en unas 150 palabras. Menciona solo rasgos que sean realmente visibles o estén presentes en la obra. El alumnado anota sobre la respuesta de la IA: ◦     Rasgo ◦     Patrón razonable ◦     Sin respaldo / atribución •     La IA revisa su trabajo con más evidencias: Prompt mejorado: Revisa la descripción de estilo utilizando las fuentes A-D. Después de cada afirmación estilística, cita la obra concreta que la respalda, por ejemplo [Obra B]. Si una afirmación es un patrón más amplio inferido a partir de varias obras, escribe [Patrón]. Elimina toda afirmación que no pueda respaldarse. Comparad: Versión 1 → Versión 2 Encontrad: ◦     un detalle que haya ganado precisión; ◦     un detalle que la IA haya eliminado; ◦     un rasgo nuevo respaldado por evidencias; ◦     una afirmación que siga siendo cuestionable. •     Reflexión / transferencia del conocimiento Mostrad un ejemplo breve y adecuado para el aula de un caso discutido de autentificación de una obra de arte o de atribución de un poema. Pregunta para el debate: ◦     A partir de los principios clave de esta clase, ¿qué destaca como rasgo, qué como patrón y qué como atribución? ◦     Si un pastiche generado por IA imita con éxito la superficie de un estilo, ¿significa eso que ha captado los rasgos reales de quien lo creó? Reflexión individual final: El alumnado completa: 1.   Un rasgo estilístico se convierte en un «rasgo característico» real cuando… 2.   Antes de fiarme de la descripción que hace una IA del estilo de una persona artista, debería… 3.   La IA puede imitar la superficie de un estilo, pero… Materiales •     Proyector / pizarra digital interactiva con altavoces. •     Dos imágenes generadas por IA «al estilo de…» para el enganche. •     Imagen de detalle o fragmento de una obra auténtica de la persona artista o poeta elegida. •     Minificha de trabajo Rasgo–Patrón–Atribución. •     Dosier de fuentes: 3-4 obras auténticas (imágenes o textos de poemas) más notas breves sobre técnica o biografía. •     Ficha de análisis de fuentes. •     Dispositivos del alumnado con acceso a una herramienta de IA generativa aprobada (de texto y/o de imagen). •     Fichas de trabajo de prompts de IA y de comparación para las rondas 1 y 2. •     Ejemplo de un caso discutido de autentificación o atribución para la reflexión. 2.11 Ingeniería: Confía, pero verifica el circuito ¿Funciona realmente? Contrastar las explicaciones de circuitos de la IA con mediciones reales Asignatura: Física / Tecnología (Ingeniería básica)  ·  Curso: 8 (13-14 años)  ·  Duración: 1 clase doble  ·  IA: Aprender CON IA Competencias relacionadas con la IA (Marco DUAL.AI.TEACHer) – nivel docente Objetivos de aprendizaje específicos de la asignatura – nivel del alumnado AF-TL-2b (Fundamentos y aplicaciones de la IA × Enseñanza y Aprendizaje, Nivel 2 – Implementación Reflexiva): «El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado.» AF-FC-2b (Fundamentos y aplicaciones de la IA × Facilitar la Competencia Digital (en IA) del Alumnado, Nivel 2 – Implementación Reflexiva): «El profesorado puede aplicar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles.» Al final de la clase, el alumnado podrá: •     montar un circuito sencillo en serie o en paralelo a partir de un esquema utilizando una placa de pruebas; •     medir tensión, intensidad y resistencia con un multímetro; •     calcular los valores esperados aplicando la ley de Ohm y compararlos con las mediciones reales; •     distinguir entre un valor medido, un valor calculado o predicho y una explicación generada por IA; •     identificar errores en un esquema o en una explicación de circuitos generados por IA contrastándolos con mediciones reales; •     formular prompts que obliguen a la IA a mostrar sus pasos de cálculo para poder comprobarlos. Mensaje clave: Una explicación de un circuito generada por IA puede sonar completamente segura y aun así estar equivocada. La única forma de saber si un circuito se comporta realmente como se afirma es medirlo y contrastar los números con la física subyacente, no fiarse de un texto que suena convincente.   Contenido Ni la ingeniería ni la física se fían sin más de un esquema de circuito o de una explicación escrita de cómo funciona. En su lugar, se monta, se mide y se calculan los valores esperados a partir de los primeros principios: la ley de Ohm y las leyes de Kirchhoff. Un esquema puede parecer del todo correcto sobre el papel, pero solo una medición real confirma si la corriente circula efectivamente como se afirma. Un circuito sencillo en serie —una pila, una resistencia y un LED— constituye un caso de estudio útil. La ley de Ohm (V = I × R) predice exactamente cuánta corriente debería circular para una tensión y una resistencia dadas. Como el comportamiento real de los componentes puede variar ligeramente (tolerancia, resistencia interna, temperatura), la intensidad medida suele acercarse a la predicción calculada, aunque no siempre coincida exactamente con ella, lo que en sí mismo es una lección útil sobre la diferencia entre un modelo y la realidad. Las herramientas de IA pueden generar hoy esquemas de circuitos y explicaciones de su comportamiento en cuestión de segundos. Estas explicaciones suelen sonar fluidas y seguras, e incluso pueden incluir un cálculo completo con la ley de Ohm, pero también pueden contener errores reales: un valor de resistencia incorrecto, un lazo interrumpido o incompleto, un componente conectado con la polaridad equivocada o una afirmación verosímil pero físicamente imposible sobre el flujo de corriente. Se trata de un punto débil bien documentado: los modelos de lenguaje no son calculadoras y pueden producir explicaciones de apariencia técnica que no se sostienen cuando el circuito se monta y se prueba de verdad. Un tono seguro no es prueba de que una afirmación técnica sea correcta. Por tanto, el alumnado necesita distinguir entre tres niveles de certeza: Medición – el valor que el multímetro marca realmente en el circuito montado. Cálculo – el valor predicho a partir de las leyes de Ohm y de Kirchhoff con los valores conocidos de los componentes. Afirmación – lo que una herramienta de IA sostiene sobre el comportamiento del circuito, y que debe contrastarse con los dos anteriores antes de poder fiarse de ello. Plan de clase Fase Tiempo Actividad Enganche 10 min Mostrad una explicación generada por IA de un circuito sencillo con un LED que contenga un error oculto (por ejemplo, un valor de resistencia equivocado). El alumnado intenta adivinar si es correcta y por qué. Explicación 10 min Presentad Medición – Cálculo – Afirmación y practicad la ley de Ohm con un ejemplo resuelto sencillo. Exploración 15 min El alumnado monta un circuito sencillo en serie sobre una placa de pruebas y mide tensión, intensidad y resistencia sin IA. Adaptación 1 20 min La IA predice o explica el comportamiento del circuito únicamente a partir de un esquema o de una descripción. El alumnado compara sus afirmaciones con sus propias mediciones y cálculos. Adaptación 2 20 min El alumnado facilita a la IA los valores exactos de los componentes y le exige un cálculo paso a paso con la ley de Ohm. Después compara las dos respuestas de la IA. Reflexión 25 min El alumnado traslada el mismo hábito de verificación a otro ámbito, como una calculadora de fitness o de salud basada en IA.   Preguntas guía: del resultado de la IA a una actividad lista para el aula •     Enganche — Mostrad una explicación generada por IA de un circuito sencillo con un LED que contenga un error oculto (por ejemplo, un valor de resistencia demasiado bajo para proteger el LED): ◦     Pregunta para el debate: «¿Suena correcta esta explicación? ¿Cómo lo comprobaríamos realmente?» ◦     Presentad el problema: «Una explicación puede sonar segura y aun así estar equivocada: ¿qué demostraría que es correcta o incorrecta?» Principio clave de esta clase (la medición por encima de una formulación convincente) ◦     Medición → cálculo → afirmación (por comprobar) •     Explicación — Ejemplo resuelto con un circuito sencillo en serie (pila, resistencia, LED): ◦     Proporcionad afirmaciones sobre el circuito que haya que clasificar como medición, cálculo o afirmación. Ejemplo: ◦     El multímetro marca 9 mA de intensidad en el circuito – medición ◦     La ley de Ohm predice 9,1 mA para estos valores de componentes – cálculo ◦     La IA sostiene que este circuito «funcionará de forma fiable en cualquier configuración» – afirmación (por verificar) •     Exploración — Trabajo en grupo. Montar y medir un circuito real: Materiales y pasos para cada grupo, por ejemplo: A) Un esquema de circuito que muestre una pila, una resistencia y un LED en serie. B) Una placa de pruebas, cables puente y los componentes indicados. C) Un multímetro y una hoja de referencia breve sobre cómo medir tensión, intensidad y resistencia. D) Una tabla del código de colores de las resistencias y la tensión directa nominal del LED. El alumnado rellena una ficha de trabajo respondiendo a: ¿Qué medimos? ¿Qué predice la ley de Ohm? ¿En qué difieren ambas y en qué medida? •     La IA predice o explica el circuito: Prompt utilizado por el alumnado: dado un circuito con una pila de 9 V, una resistencia de 470 Ω y un LED rojo en serie, explica cuánta corriente circulará y por qué. Muestra tu razonamiento. El alumnado anota sobre la respuesta de la IA: ◦     Coincide con nuestra medición ◦     Coincide con nuestro cálculo ◦     Sin respaldo / hay que comprobarlo •     La IA revisa su trabajo con requisitos más estrictos: Prompt mejorado: Recalcula la intensidad paso a paso aplicando la ley de Ohm, mostrando la fórmula y cada valor sustituido. Indica los supuestos que hagas sobre la caída de tensión directa del LED y señala todo aquello que habría que medir para confirmarlo. Comparad: Versión 1 → Versión 2 Encontrad: ◦     una cifra que haya ganado precisión; ◦     un supuesto que la IA haya hecho explícito; ◦     un valor que ahora coincida con vuestra medición; ◦     una afirmación que siga necesitando una comprobación independiente. •     Reflexión / transferencia del conocimiento Mostrad un ejemplo breve y adecuado para el aula de un cálculo de fitness, nutrición o salud generado por IA (por ejemplo, «tu ingesta diaria de calorías recomendada es…»). Pregunta para el debate: ◦     A partir de los principios clave de esta clase, ¿qué es aquí una medición, qué un cálculo y qué una afirmación? ◦     Si una respuesta de la IA suena segura y utiliza fórmulas de apariencia correcta, ¿significa eso que el resultado es fiable? Reflexión individual final: El alumnado completa: 1.   Una afirmación técnica se vuelve fiable cuando… 2.   Antes de fiarme de la explicación de una IA sobre cómo funciona algo, debería… 3.   La IA puede sonar segura sobre un proceso técnico, pero… Materiales •     Proyector / pizarra digital interactiva. •     Placas de pruebas, cables puente, resistencias, LED y portapilas (un juego por grupo). •     Multímetros (uno por grupo). •     Tabla del código de colores de las resistencias y hoja de referencia de la tensión directa de los LED. •     Minificha de trabajo Medición–Cálculo–Afirmación. •     Ficha de trabajo con el esquema del circuito y ficha de análisis de fuentes. •     Una explicación de circuito generada por IA que contenga un error deliberado, para el enganche. •     Dispositivos del alumnado con acceso a una herramienta de IA generativa aprobada. •     Fichas de trabajo de prompts de IA y de comparación para las rondas 1 y 2. •     Ejemplo de un cálculo de fitness o salud generado por IA para la reflexión. 3. Marco de Competencias Pedagógicas en IA El Marco de Competencias DUAL.AI.TEACHer es el resultado de un análisis cruzado de DigCompEdu, AI Pioneers y el Marco de Competencias en IA de la UNESCO para Docentes. En lugar de crear nuevas estructuras desde cero, se seleccionaron marcos existentes que ya abordan dimensiones complementarias para las competencias profesionales del profesorado en la era de la IA.El Marco de Competencias en IA de la UNESCO para Docentes define los principios fundamentales, valores, conocimientos y habilidades críticas que el profesorado debe desarrollar para comprender el papel de la IA en la educación y utilizarla para mejorar la enseñanza y el aprendizaje de forma ética, eficaz, segura y responsable.El DigCompEdu, que proporciona una estructura pedagógica clara para las actividades profesionales del profesorado, resulta útil para conectar las competencias relacionadas con la IA con la práctica docente cotidiana.El AI Pioneers amplía el DigCompEdu con competencias específicas de IA, lo que resulta valioso para tender un puente entre la competencia digital-pedagógica y las prácticas docentes concretas relacionadas con la IA.El UDL (Diseño Universal para el Aprendizaje) y el EntreComp aportaron perspectivas complementarias que refuerzan la dimensión inclusiva y centrada en el alumnado, y contribuyen a los aspectos de creatividad e innovación. 3.1 Dimensiones El Marco DUAL.AI.TEACHer está estructurado como una matriz bidimensional completa que describe un total de 18 competencias fundamentales, cada una de las cuales surge de la intersección de las dos dimensiones principales en torno a las cuales se organiza el marco. La dimensión horizontal define las áreas principales que caracterizan las prácticas de enseñanza y aprendizaje, recogiendo la dimensión pedagógica del marco. La dimensión vertical recoge los aspectos clave de la IA, reflejando las facetas tecnológicas y éticas implicadas en su integración en contextos educativos. Esta estructura permite que el marco vincule de forma sistemática las competencias pedagógicas con los conocimientos y habilidades relacionados con la IA, garantizando que cada competencia identificada refleje tanto un objetivo educativo como una dimensión específica de comprensión o aplicación de la IA. Dimensión horizontal del DUAL.AI.TEACHer La dimensión horizontal del marco se basa en el marco DigCompEdu, que identifica las áreas clave que caracterizan las prácticas de enseñanza y aprendizaje en entornos digitales. Estas áreas abarcan las actividades pedagógicas fundamentales que lleva a cabo el profesorado, desde el compromiso profesional y la gestión de recursos digitales hasta el diseño e impartición de experiencias de aprendizaje, la implementación de estrategias de evaluación y la promoción de la participación activa y las competencias digitales del alumnado. Teniendo en cuenta el Marco AI Pioneers, el Marco DUAL.AI.TEACHer adopta esta dimensión para fundamentar las competencias relacionadas con la IA en las prácticas pedagógicas más amplias ya reconocidas como esenciales para una enseñanza eficaz, alineándolas con dichas prácticas. La dimensión horizontal se organiza en los siguientes seis ámbitos: Compromiso Profesional: Este ámbito se centra en el uso de recursos basados en IA para las interacciones profesionales, como la comunicación, la colaboración y el desarrollo, en relación con los distintos agentes implicados en contextos institucionales. Recursos Digitales: Este ámbito se centra en la selección, creación, adaptación, uso, evaluación y difusión responsables de recursos basados en IA para el aprendizaje. Enseñanza y Aprendizaje: Este ámbito se centra en la posible integración y la posterior gestión de recursos basados en IA en los procesos de enseñanza y aprendizaje. Evaluación: Este ámbito se centra en la posible integración de recursos basados en IA en los procesos de evaluación educativa. Empoderamiento del Alumnado: Este ámbito se centra en el uso de recursos basados en IA para apoyar y potenciar estrategias de enseñanza y aprendizaje centradas en el alumnado. Facilitar la Competencia Digital (en IA) del Alumnado: Este ámbito se centra en las competencias pedagógicas necesarias para apoyar y guiar al alumnado en el desarrollo de su propia competencia digital en IA. Dimensión vertical del DUAL.AI.TEACHer La dimensión vertical del marco se basa en el Marco de Competencias en IA para Docentes de la UNESCO, que originalmente identifica cinco aspectos clave de la competencia en IA relevantes para la práctica docente: mentalidad centrada en el ser humano, ética de la IA, fundamentos y aplicaciones de la IA, pedagogía de la IA y desarrollo profesional en IA. A efectos del Marco DUAL.AI.TEACHer, estos cinco aspectos se han reducido a tres. Dos de las áreas originales, concretamente la Pedagogía de la IA y el Desarrollo Profesional en IA, se eliminaron, ya que la dimensión horizontal ya contenía esos ámbitos, aunque en una forma ligeramente distinta. Además, la intersección entre las dimensiones vertical y horizontal generaba competencias redundantes. Por ello, se decidió excluirlas del eje vertical para evitar solapamientos y garantizar la coherencia conceptual de toda la matriz. La dimensión vertical se articula en torno a los siguientes tres aspectos: Mentalidad centrada en el ser humano: Este aspecto se refiere al conjunto de valores y actitudes que el profesorado debe tener presentes al abordar las interacciones entre personas e IA, con el fin de dar prioridad a las necesidades, el criterio y el bienestar de las personas. Ética de la IA: Este aspecto describe los principios éticos fundamentales, la normativa, las políticas institucionales y las directrices prácticas que regulan el uso de la IA, que el profesorado necesita comprender, aplicar en su práctica diaria y ayudar a adaptar a necesidades y contextos educativos específicos. Fundamentos y aplicaciones de la IA: Este aspecto define el conocimiento conceptual y las habilidades transferibles que el profesorado necesita para comprender cómo funciona la IA, así como para seleccionar, aplicar y adaptar de forma creativa entornos de aprendizaje que estén eficazmente respaldados por prácticas de enseñanza y aprendizaje basadas en IA. De los tres aspectos conservados, dos se consideran aspectos transversales de la IA (Mentalidad centrada en el ser humano y Ética de la IA), ya que no pertenecen a un área temática específica, sino que representan dimensiones transversales que influyen y permean todo el espectro de las prácticas docentes, los valores y la conducta profesional relacionados con la IA. El tercer aspecto (Fundamentos y aplicaciones de la IA) se considera un aspecto específico de contenido de la IA, ya que se refiere al conocimiento conceptual y a las habilidades técnicas específicas que el profesorado necesita adquirir para comprender, seleccionar y aplicar herramientas de IA en su práctica docente. Fig. 1: «Las dimensiones del marco DUAL.AI.TEACHer» (diagrama generado con IA, OpenAI Codex) 3.2 El Marco de Competencias DualAITeacher La intersección de las dimensiones horizontal y vertical de la matriz da como resultado un conjunto de dieciocho competencias, cada una de las cuales representa un punto de convergencia específico entre un área pedagógica y un aspecto de la IA. Estas competencias definen lo que el profesorado necesita saber, comprender y ser capaz de hacer para integrar la IA en su práctica docente de forma eficaz y responsable, combinando competencias pedagógicas con valores, conciencia ética y conocimientos técnicos que requiere un entorno educativo potenciado por IA. DUAL.AI Compromiso Profesional Recursos Digitales Enseñanza y Aprendizaje Evaluación Empoderamiento del Alumnado Facilitar la Competencia Digital (en IA) del Alumnado Mentalidad centrada en el ser humano El profesorado puede mantener una perspectiva centrada en el ser humano al usar la IA en la comunicación profesional, la creación de redes y el desarrollo institucional y profesional El profesorado puede garantizar la supervisión humana y la capacidad de decisión del alumnado en los procesos apoyados por IA para seleccionar, crear y evaluar recursos digitales. El profesorado puede mantener la capacidad de decisión del alumnado, las relaciones humanas y el criterio docente en el centro de la enseñanza y el aprendizaje apoyados por IA. El profesorado puede garantizar la responsabilidad humana y la equidad en los procesos de evaluación asistidos por IA El profesorado puede usar la IA para atender las diversas necesidades y estilos de aprendizaje, situando la dignidad humana, la equidad y el derecho a la educación en el centro de toda práctica inclusiva El profesorado puede modelar y cultivar actitudes centradas en el ser humano hacia la IA como parte del desarrollo de la competencia digital (en IA) reflexiva del alumnado Ética de la IA El profesorado puede aplicar principios éticos y conciencia normativa a su propio uso de la IA en la práctica profesional y en contextos institucionales El profesorado puede identificar y mitigar los riesgos éticos en los recursos de aprendizaje generados o mejorados por IA. El profesorado puede integrar el razonamiento ético en las decisiones sobre si usar la IA, y cómo hacerlo, en estrategias de enseñanza y actividades de aprendizaje El profesorado puede garantizar que las prácticas de evaluación asistidas por IA cumplan criterios de equidad, transparencia y conformidad legal, permitiéndole reflexionar sobre la retroalimentación y mejorar sus prácticas de evaluación El profesorado puede abordar las dimensiones éticas de la personalización mediante IA, incluidos los riesgos de desigualdad, uso indebido de datos y exclusión El profesorado puede formar al alumnado en un uso responsable, crítico y éticamente informado de las tecnologías de IA Fundamentos y aplicaciones de la IA El profesorado puede aplicar conocimientos fundamentales de IA para fundamentar decisiones profesionales, interactuar de forma crítica con herramientas de IA y liderar el aprendizaje profesional relacionado con la IA en contextos institucionales El profesorado puede seleccionar y usar de forma crítica herramientas de IA para crear, adaptar y mejorar recursos educativos digitales, basándose en una comprensión técnica de los sistemas de IA El profesorado puede aplicar su comprensión de cómo funcionan los sistemas de IA para tomar decisiones informadas y críticas sobre la integración de la IA en la enseñanza y el aprendizaje, mejorando su propia práctica docente y sus enfoques de diseño instructivo El profesorado puede aplicar conocimientos de IA para diseñar, implementar y evaluar prácticas de evaluación eficientes y equitativas potenciadas por IA, y mejorar sistemáticamente sus prácticas de evaluación El profesorado puede seleccionar estrategias pedagógicas y herramientas de IA que apoyen la personalización y la inclusión, basándose en una comprensión informada de su funcionamiento El profesorado puede desarrollar en el alumnado la comprensión de las tecnologías de IA y sus implicaciones sociales como parte del desarrollo de la competencia en IA 3.3 Niveles de Progresión y Operadores Hacer Trazable el Desarrollo de Competencias Las 18 competencias fundamentales del marco DUAL.AI.TEACHer son relativamente abstractas y ofrecen una estructura global del campo de competencias. Para facilitar la autoevaluación o la evaluación por parte de otras personas, y para poder trazar el desarrollo individual de las competencias, cada una de las competencias fundamentales se operacionaliza mediante objetivos de aprendizaje observables, diferenciados en tres niveles de progresión. Los niveles se basan en uno de los modelos más utilizados en educación: la taxonomía de Bloom revisada (Anderson y Krathwohl, 2001; Krathwohl, 2002). Su idea central es sencilla: los procesos cognitivos evolucionan desde recordar y comprender, pasando por aplicar y analizar, hasta evaluar y crear. Por tanto, lo que cambia de un nivel a otro no es el contenido o el tema, sino la profundidad cognitiva del pensamiento y la actuación que un docente puede demostrar con él. Niveles de Progresión y Operadores Esta profundidad cognitiva se refleja en la formulación de los objetivos de aprendizaje. Cada objetivo se construye en torno a un verbo (un operador) tomado directamente de la taxonomía (por ejemplo, reconocer, implementar, criticar). El operador indica lo que se espera que haga un docente en ese nivel, y hace que el objetivo de aprendizaje sea concreto y observable. Nivel En la práctica, el profesorado puede... Procesos cognitivos (operadores) Nivel 1 Conciencia Orientativa desarrollar una orientación profesional inicial aprendiendo qué es la IA, qué puede hacer y qué está en juego. Reconocen y recuerdan conceptos y herramientas clave de IA, ponen ejemplos, los clasifican y resumen con sus propias palabras las principales oportunidades y riesgos. Recordar (reconocer, recordar) Comprensión Básica (interpretar, ejemplificar, clasificar, resumir) Nivel 2 Implementación Reflexiva aplicar y evaluar críticamente prácticas relacionadas con la IA en su propia enseñanza. Utilizan herramientas de IA de forma intencionada en las clases y la evaluación, explican y comparan distintos enfoques y resultados, comparan los resultados generados por IA con su propio criterio profesional, y analizan beneficios, limitaciones y supuestos subyacentes. Comprensión Avanzada (explicar, comparar) Aplicar (ejecutar, implementar) Analizar (diferenciar, organizar, atribuir) Evaluar (comprobar, criticar) Nivel 3 Liderazgo Transformador diseñar de forma responsable y seguir desarrollando la práctica educativa relacionada con la IA, asumiendo un papel de liderazgo más allá de su propia aula. Evalúan las prácticas de IA conforme a criterios pedagógicos y éticos, crean nuevos enfoques potenciados por IA, y apoyan a sus compañeros y a su centro en el uso responsable de la IA. Crear (generar, planificar, producir) La Lógica Detrás de los Niveles Los niveles se construyen progresivamente unos sobre otros. Cada nivel superior se apoya en los procesos cognitivos de los niveles inferiores. Sin embargo, siguiendo a Krathwohl (2002), se trata de una jerarquía de complejidad creciente y no de un conjunto de etapas estrictamente separadas. Las categorías vecinas pueden solaparse, y los límites entre niveles son difusos más que nítidos. Mientras que el Nivel 1 proporciona la base necesaria y el Nivel 3 representa un papel ampliado en innovación y liderazgo profesional, el Nivel 2 constituye la dimensión objetivo principal para el profesorado. Todo el profesorado debería ser capaz de integrar la IA de forma intencionada en su propia práctica, valorar sus resultados aplicando su criterio profesional, y reflexionar críticamente sobre sus beneficios pedagógicos, sus limitaciones y sus supuestos subyacentes. Por tanto, el Nivel 2 describe el nivel de competencia necesario para una práctica docente informada, responsable y reflexiva en un entorno educativo influido por la IA. 3.4 Objetivos de Aprendizaje DualAITeacher Para cada una de las dieciocho competencias identificadas se ha definido un conjunto de tres objetivos de aprendizaje específicos (a - c), con el fin de traducir la competencia en resultados concretos y prácticos. Estos objetivos de aprendizaje especifican los conocimientos, las habilidades y las actitudes que se espera que el profesorado desarrolle para alcanzar la competencia correspondiente, ofreciendo una descripción más detallada y práctica de lo que implica dominar esa competencia en la práctica.  Fig. 1: «Navegar por los objetivos de aprendizaje» (diagrama generado con IA, OpenAI Codex) Al desglosar cada competencia en objetivos de aprendizaje claramente definidos en distintos niveles, el Marco DUAL.AI.TEACHer facilita su aplicación práctica en el desarrollo profesional, el diseño de la formación y la autoevaluación, ofreciendo al profesorado un plan concreto para construir y demostrar progresivamente sus competencias relacionadas con la IA. Nivel 1 – Conciencia Orientativa Nivel 1 Compromiso Profesional Recursos Digitales Enseñanza y Aprendizaje Evaluación Empoderamiento del Alumnado Facilitar la Competencia Digital (en IA) del Alumnado Mentalidad centrada en el ser humano HM-PE-1a El profesorado puede reconocer casos de uso habituales de la IA en la comunicación y creación de redes profesionales, así como las situaciones en las que debe prevalecer el criterio humano, la presencia o la construcción de relaciones. HM-PE-1b El profesorado puede reconocer sus propias necesidades de aprendizaje relacionadas con la IA y las herramientas que apoyan su desarrollo profesional continuo. HM-PE-1c El profesorado puede resumir cómo se usa la IA en su centro para la participación de las partes interesadas y el desarrollo organizativo, incluidas las oportunidades y los riesgos que genera para la capacidad de decisión humana, la inclusión y los valores educativos. HM-DR-1a El profesorado puede resumir cómo las herramientas de IA pueden apoyar la selección, creación, personalización y gestión de recursos digitales, incluyendo qué pasos requieren supervisión humana y criterio pedagógico. HM-DR-1b El profesorado puede reconocer criterios de calidad habituales para materiales de aprendizaje generados o mejorados por IA, incluidos los indicadores que señalan cuándo un recurso necesita revisión humana. HM-DR-1c El profesorado puede interpretar cómo la capacidad de decisión y la autonomía del alumnado pueden preservarse o verse socavadas por recursos generados o personalizados por IA, incluyendo cuándo debe implicarse al alumnado en las decisiones sobre el uso de los recursos. HM-TL-1a El profesorado puede reconocer, entre las formas en que la IA puede usarse en la instrucción, qué decisiones pedagógicas deben permanecer en manos humanas. HM-TL-1b El profesorado puede reconocer situaciones en clases apoyadas por IA en las que la capacidad de decisión del alumnado, la interacción humana o las relaciones docente-alumnado podrían reforzarse o debilitarse, junto con los indicadores de un uso pedagógicamente significativo de la IA. HM-TL-1c El profesorado puede clasificar el uso de la IA en la enseñanza como apoyo a la toma de decisiones pedagógicas o como sustitución de esta, y sus implicaciones para la responsabilidad y la calidad del aprendizaje. HM-A-1a El profesorado puede reconocer, entre los usos de la IA en la evaluación, qué decisiones evaluativas deben seguir siendo responsabilidad humana. HM-A-1b El profesorado puede reconocer riesgos habituales de la evaluación asistida por IA para la equidad, la transparencia y el bienestar del alumnado, incluidas las señales de que es necesaria una revisión humana de los resultados generados por IA. HM-A-1c El profesorado puede clasificar la IA en la evaluación como apoyo al criterio docente o como sustitución de este, y sus implicaciones para la responsabilidad y la confianza del alumnado. HM-EL-1a El profesorado puede reconocer, entre las formas en que las herramientas de IA pueden apoyar a un alumnado diverso, qué necesidades del alumnado pueden y no pueden atender. HM-EL-1b El profesorado puede recordar riesgos habituales de la diferenciación apoyada por IA para la inclusión y la equidad, incluidas las señales de que una herramienta de IA está restringiendo en lugar de ampliar las oportunidades de un alumno. HM-EL-1c El profesorado puede interpretar cómo se aplican la dignidad humana, la equidad y el derecho a la educación al uso de la IA en aulas inclusivas, incluyendo cuándo la capacidad de decisión y el sentido de pertenencia del alumnado deben prevalecer sobre la eficiencia o la estandarización. HM-FC-1a El profesorado puede reconocer qué significa modelar una relación con la IA centrada en el ser humano y críticamente informada delante del alumnado, incluyendo cómo sus propias prácticas y afirmaciones comunican actitudes sobre la IA. HM-FC-1b El profesorado puede clasificar las disposiciones que apoyan la competencia reflexiva del alumnado en IA y las situaciones de aula en las que estas disposiciones pueden cultivarse. HM-FC-1c El profesorado puede reconocer la diferencia en su propia enseñanza sobre la IA entre transmitir conocimiento y cultivar actitudes centradas en el ser humano, y sus implicaciones para su papel como docente. Ética de la IA EI-PE-1a El profesorado puede recordar los principios éticos clave que se aplican a su propio uso profesional de la IA, así como la importancia de cada principio en un contexto profesional. EI-PE-1b El profesorado puede reconocer los marcos legales y normativos que regulan el uso de la IA en la comunicación, la colaboración y el desarrollo profesionales. EI-PE-1c El profesorado puede reconocer situaciones en su práctica profesional en las que está en juego un principio ético o un requisito normativo. EI-DR-1a El profesorado puede recordar los riesgos éticos habituales en los recursos de aprendizaje generados o mejorados por IA, junto con sus efectos en el alumnado. EI-DR-1b El profesorado puede reconocer los marcos legales y normativos relevantes para los recursos generados por IA y cuándo se aplican. EI-DR-1c El profesorado puede clasificar las fuentes de riesgo ético derivadas de sesgos, imprecisiones o autoría inadecuada por IA en un recurso de aprendizaje concreto. EI-TL-1a El profesorado puede recordar los principios éticos relevantes para el uso de la IA en la enseñanza y el aprendizaje, incluidas sus implicaciones para las decisiones didácticas. EI-TL-1b El profesorado puede reconocer los problemas éticos específicos de la IA en las aulas y cuándo surgen en una situación de enseñanza. EI-TL-1c El profesorado puede resumir los pasos de un proceso de razonamiento ético para decidir si usar la IA en una clase y cómo hacerlo (decisiones fundamentadas frente a la adopción acrítica o el rechazo por defecto). EI-A-1a El profesorado puede recordar los principales riesgos para la equidad de la evaluación asistida por IA y cómo puede afectar cada uno al alumnado. EI-A-1b El profesorado puede reconocer las obligaciones de transparencia en la evaluación asistida por IA, como la divulgación de la participación de la IA, la explicación de los resultados y la posibilidad de que el alumnado impugne las decisiones o solicite una revisión humana. EI-A-1c El profesorado puede interpretar por qué la evaluación educativa se considera de alto riesgo según los marcos legales y normativos aplicables a la IA en la evaluación. EI-EL-1a El profesorado puede recordar los principales riesgos éticos de la personalización basada en IA y cómo puede afectar cada uno al alumnado. EI-EL-1b El profesorado puede clasificar los tipos de datos del alumnado utilizados por la personalización mediante IA y su grado de sensibilidad. EI-EL-1c El profesorado puede interpretar por qué la IA educativa personalizada se considera de alto riesgo según los marcos legales y basados en derechos. EI-FC-1a El profesorado puede recordar cuáles son las principales cuestiones éticas que plantea la IA y que son relevantes para el alumnado, incluidas las implicaciones ambientales y de privacidad. EI-FC-1b El profesorado puede clasificar qué cuestiones éticas corresponden a cada etapa educativa, de forma adecuada a la edad y al contexto. EI-FC-1c El profesorado puede interpretar un uso de la IA por parte del alumnado que resulte éticamente problemático y por qué constituye una cuestión ética y no solo una infracción de normas. Fundamentos y aplicaciones de la IA AF-PE-1a El profesorado puede resumir los conceptos fundamentales de cómo funcionan los sistemas de IA actuales y qué herramientas de IA habituales se utilizan en la práctica educativa profesional. AF-PE-1b El profesorado puede ejemplificar criterios relevantes para evaluar una herramienta de IA para una tarea profesional. AF-PE-1c El profesorado puede interpretar por qué las limitaciones de una herramienta de IA la convierten en la opción equivocada en situaciones habituales de su trabajo profesional. AF-DR-1a El profesorado puede resumir los conceptos fundamentales de cómo funcionan los principales tipos de herramientas de IA utilizadas para la creación de recursos, aportando los ejemplos correspondientes. AF-DR-1b El profesorado puede clasificar la fiabilidad del resultado de cada tipo de herramienta seleccionada para sus tareas correspondientes, incluyendo errores evitables. AF-DR-1c El profesorado puede recordar los criterios técnicos para seleccionar una herramienta de recursos con IA y qué implica cada uno. AF-TL-1a El profesorado puede resumir los conceptos fundamentales de cómo funcionan los principales tipos de sistemas de IA utilizados en la enseñanza, aportando los ejemplos correspondientes. AF-TL-1b El profesorado puede clasificar la fiabilidad del resultado de cada tipo de herramienta seleccionada para su contexto de aula, incluyendo errores evitables. AF-TL-1c El profesorado puede interpretar cómo la comprensión técnica orienta decisiones realistas sobre si, cuándo y cómo integrar la IA en una clase. AF-A-1a El profesorado puede resumir los conceptos fundamentales de cómo funcionan los principales tipos de sistemas de IA utilizados en la evaluación, aportando ejemplos típicos de cada uno. AF-A-1b El profesorado puede clasificar qué mide realmente cada tipo de herramienta de evaluación, qué es incapaz de medir y en qué situaciones tiende a fallar. AF-A-1c El profesorado puede ejemplificar por qué merece la pena plantear determinadas preguntas técnicas sobre una herramienta de evaluación con IA. AF-EL-1a El profesorado puede resumir los conceptos fundamentales de cómo funcionan los principales tipos de IA utilizados para la personalización y la inclusión, incluyendo ejemplos típicos. AF-EL-1b El profesorado puede clasificar qué puede y qué no puede hacer de forma fiable cada tipo de herramienta, así como las áreas en las que su rendimiento tiende a fallar para grupos concretos de alumnado. AF-EL-1c El profesorado puede clasificar lo que una herramienta de IA afirma medir o hacer frente a lo que realmente mide o hace, incluyendo por qué esta distinción importa para la inclusión. AF-FC-1a El profesorado puede resumir los conceptos fundamentales de la IA que el alumnado debería comprender, incluyendo ejemplos adecuados a su edad. AF-FC-1b El profesorado puede reconocer los límites técnicos de los sistemas de IA actuales que el alumnado necesita comprender. AF-FC-1c El profesorado puede interpretar las habilidades prácticas de IA que el alumnado debería desarrollar y cómo se manifiesta el dominio de cada una en una etapa educativa determinada. Nivel 2 – Implementación Reflexiva Nivel 2 Compromiso Profesional Recursos Digitales Enseñanza y Aprendizaje Evaluación Empoderamiento del Alumnado Facilitar la Competencia Digital (en IA) del Alumnado Mentalidad centrada en el ser humano HM-PE-2a El profesorado puede diferenciar, en situaciones concretas de comunicación y creación de redes mediadas por IA en su propia práctica, cuándo usar, adaptar o evitar la IA según criterios centrados en el ser humano. HM-PE-2b El profesorado puede organizar un plan de desarrollo profesional apoyado en IA que integre herramientas de IA en sus rutinas de aprendizaje, salvaguardando su crecimiento, autonomía y colaboración entre iguales. HM-PE-2c El profesorado puede explicar principios centrados en el ser humano en debates institucionales o grupos de trabajo sobre IA, proponiendo ajustes a los procedimientos, políticas o prácticas de comunicación relacionados con la IA. HM-DR-2a El profesorado puede implementar recursos generados o mejorados por IA en su contexto de enseñanza, conforme a criterios pedagógicos y centrados en el ser humano. HM-DR-2b El profesorado puede comparar herramientas basadas en IA para crear y seleccionar recursos digitales con el fin de elegir la más adecuada para un propósito didáctico específico. HM-DR-2c El profesorado puede implementar formas de implicar al alumnado en la evaluación y el uso de recursos mejorados por IA que refuercen su capacidad de decisión y la calidad pedagógica. HM-TL-2a El profesorado puede implementar clases apoyadas por IA en las que su propio criterio pedagógico guíe cuándo, cómo y por qué se usa la IA, preservando la capacidad de decisión del alumnado y la interacción humana. HM-TL-2b El profesorado puede explicar el impacto del uso de la IA en la interacción, la participación y los procesos de aprendizaje en el aula, salvaguardando mediante estrategias didácticas las interacciones docente-alumnado y las relaciones entre iguales que sean significativas. HM-TL-2c El profesorado puede implementar formas de definir cómo se usa la IA en las clases y cómo esto refuerza la capacidad de decisión del alumnado y la calidad pedagógica. HM-A-2a El profesorado puede implementar herramientas de evaluación asistida por IA en su propia práctica, basando la decisión evaluativa final en una lectura crítica de los resultados de las herramientas y en criterios pedagógicos y centrados en el ser humano. HM-A-2b El profesorado puede comprobar que las calificaciones, análisis o comentarios generados por IA sean justos, precisos y estén alineados con los objetivos de aprendizaje, ajustando las prácticas de evaluación para salvaguardar la equidad y un apoyo significativo al alumnado. HM-A-2c El profesorado puede explicar al alumnado y a otras partes interesadas cómo se usó la IA en un proceso de evaluación y el papel del criterio humano en el resultado final, de un modo que preserve la confianza y la capacidad de decisión del alumnado. HM-EL-2a El profesorado puede implementar herramientas de IA para apoyar a alumnado con diferentes capacidades, procedencias y preferencias, basando las decisiones en la equidad, la dignidad y la pedagogía inclusiva. HM-EL-2b El profesorado puede explicar cómo afecta la diferenciación apoyada por IA a la participación, la autonomía y el sentido de pertenencia del alumnado en su propia práctica, salvaguardando la inclusión y un aprendizaje significativo para todo el alumnado. HM-EL-2c El profesorado puede implementar formas de implicar al alumnado y, cuando proceda, a las familias o al personal de apoyo, en las decisiones sobre la personalización apoyada por IA, reforzando la capacidad de decisión del alumnado, la confianza y la equidad educativa. HM-FC-2a El profesorado puede llevar a la práctica visible prácticas de IA centradas en el ser humano, basando sus decisiones en objetivos educativos y de ciudadanía. HM-FC-2b El profesorado puede implementar situaciones de aprendizaje que inviten al alumnado a reflexionar sobre sus propias actitudes, capacidad de decisión y responsabilidades en relación con la IA, reforzando su implicación crítica. HM-FC-2c El profesorado puede organizar diálogos con el alumnado sobre el papel de la IA en sus vidas, en los centros educativos y en la sociedad, que contribuyan a una capacidad de decisión informada y a una participación responsable en un mundo permeado por la IA. Ética de la IA EI-PE-2a El profesorado puede aplicar principios éticos y requisitos normativos a decisiones concretas sobre su propio uso profesional de la IA, justificándolas en relación con la integridad, la transparencia, la responsabilidad y la sostenibilidad. EI-PE-2b El profesorado puede deducir respuestas fundamentadas a dilemas éticos que surgen en la interacción profesional mediada por IA. EI-PE-2c El profesorado puede explicar las normas institucionales sobre IA, las prácticas éticamente fundamentadas y cómo su propia conducta contribuye a una cultura profesional digna de confianza. EI-DR-2a El profesorado puede diferenciar, mediante criterios estructurados, qué riesgos éticos están presentes en los recursos generados o mejorados por IA en su propia práctica y cuán graves son. EI-DR-2b El profesorado puede implementar estrategias concretas para mitigar los riesgos derivados de los recursos generados por IA. EI-DR-2c El profesorado puede explicar de forma transparente al alumnado y a sus compañeros la participación de la IA y los riesgos residuales de un recurso, de un modo que refuerce la confianza y apoye el aprendizaje. EI-TL-2a El profesorado puede aplicar principios éticos a decisiones concretas sobre el uso de la IA en su propia enseñanza, justificándolas en términos de beneficio pedagógico y riesgo ético. EI-TL-2b El profesorado puede deducir respuestas fundamentadas y defendibles ante dilemas éticos relacionados con la IA en la instrucción. EI-TL-2c El profesorado puede explicar al alumnado y a sus compañeros el razonamiento ético detrás de sus decisiones didácticas relacionadas con la IA, de un modo que configure la cultura del aula y la confianza. EI-A-2a El profesorado puede criticar, en las herramientas y resultados de evaluación asistida por IA en su propia práctica, el cumplimiento de los estándares de equidad, transparencia y conformidad legal, ajustando su práctica en consecuencia. EI-A-2b El profesorado puede implementar prácticas de transparencia en su propia evaluación que refuercen la confianza y la comprensión del alumnado. EI-A-2c El profesorado puede deducir los cambios necesarios en su práctica de evaluación a partir de la retroalimentación asistida por IA para garantizar la equidad. EI-EL-2a El profesorado puede criticar las herramientas y prácticas de personalización basadas en IA en su propio contexto en relación con los riesgos de uso indebido de datos, discriminación y confinamiento curricular. EI-EL-2b El profesorado puede implementar salvaguardas concretas en su propia práctica de personalización que protejan al alumnado. EI-EL-2c El profesorado puede explicar de forma transparente al alumnado y a las familias cómo la IA personaliza el aprendizaje, qué datos se utilizan y qué derechos tiene el alumnado, reforzando la confianza y la equidad. EI-FC-2a El profesorado puede implementar actividades de aprendizaje que desarrollen el razonamiento ético del alumnado sobre la IA, justificadas por las decisiones metodológicas adoptadas. EI-FC-2b El profesorado puede deducir diseños que ayuden al alumnado a sopesar valores en conflicto, a partir de los supuestos que se desprenden del razonamiento ético que demuestran al usar la IA. EI-FC-2c El profesorado puede deducir oportunidades de aprendizaje a partir de un uso éticamente cuestionable de la IA por parte del alumnado. Fundamentos y aplicaciones de la IA AF-PE-2a El profesorado puede comparar herramientas de IA para sus propias tareas profesionales, utilizando conocimientos técnicos fundamentales de IA para seleccionar herramientas según sus capacidades y limitaciones técnicas. AF-PE-2b El profesorado puede implementar ajustes en su uso de herramientas de IA que reflejen cómo funciona realmente el sistema subyacente y mejoren la calidad de los resultados. AF-PE-2c El profesorado puede explicar conceptos técnicos sobre herramientas de IA a sus compañeros en un lenguaje accesible, contribuyendo a un diálogo colegiado informado sobre la IA en la práctica profesional. AF-DR-2a El profesorado puede comparar herramientas de IA para tareas específicas de creación de recursos en su propia práctica, con el fin de seleccionar herramientas según sus capacidades y limitaciones técnicas. AF-DR-2b El profesorado puede implementar estrategias de creación de prompts, iteración y refinamiento para obtener recursos generados por IA que sean utilizables. AF-DR-2c El profesorado puede explicar a sus compañeros cuándo debe sustituirse una herramienta por otra herramienta, otro enfoque o un recurso sin IA. AF-TL-2a El profesorado puede comparar herramientas de IA para fines específicos de enseñanza y aprendizaje en su propia práctica, con el fin de seleccionar herramientas según sus capacidades y limitaciones técnicas. AF-TL-2b El profesorado puede organizar elementos de la clase que integren el uso de la IA con roles pedagógicos claros y estrategias para verificar los elementos del resultado. AF-TL-2c El profesorado puede implementar ajustes en sus enfoques de diseño instructivo y en el uso de herramientas de IA basándose en su rendimiento técnico. AF-A-2a El profesorado puede comparar herramientas de IA para tareas de evaluación específicas en su propia práctica, basándose en las capacidades técnicas, los límites y la fiabilidad de la herramienta. AF-A-2b El profesorado puede implementar flujos de trabajo de evaluación que combinen resultados de IA con una revisión humana estructurada, reconociendo cuándo un resultado de IA es demasiado poco fiable. AF-A-2c El profesorado puede implementar mejoras en su uso de herramientas de evaluación con IA basándose en su rendimiento técnico. AF-EL-2a El profesorado puede comparar herramientas de IA considerando sus capacidades técnicas y su rendimiento para la personalización, la accesibilidad y la inclusión del alumnado concreto implicado. AF-EL-2b El profesorado puede implementar configuraciones personalizadas de herramientas de IA para un uso inclusivo, centradas en el alumnado que más lo necesita. AF-EL-2c El profesorado puede diferenciar cómo rinden realmente las herramientas de IA con distintos alumnos en su práctica, cambiando de herramienta o combinando la IA con alternativas sin IA. AF-FC-2a El profesorado puede organizar actividades de aprendizaje que construyan la comprensión conceptual del alumnado sobre cómo funciona la IA. AF-FC-2b El profesorado puede implementar orientaciones que ayuden al alumnado a desarrollar habilidades prácticas de IA, adaptando las tareas a los conocimientos previos del alumnado y a las herramientas de IA disponibles. AF-FC-2c El profesorado puede explicar las implicaciones sociales de la IA desde una perspectiva técnica y las formas en que el alumnado puede implicarse con ellas. Nivel 3 – Liderazgo Transformador Nivel 3 Compromiso Profesional Recursos Digitales Enseñanza y Aprendizaje Evaluación Empoderamiento del Alumnado Facilitar la Competencia Digital (en IA) del Alumnado Mentalidad centrada en el ser humano HM-PE-3a El profesorado puede planificar nuevas prácticas centradas en el ser humano para la comunicación y creación de redes profesionales mediadas por IA dentro de su equipo o centro, modelándolas y asesorando a sus compañeros en su uso. HM-PE-3b El profesorado puede generar formatos innovadores de aprendizaje profesional apoyado en IA que refuercen la autodirección y el crecimiento profesional colectivo en toda la comunidad educativa. HM-PE-3c El profesorado puede planificar procesos de cambio institucional que integren un uso de la IA centrado en el ser humano en el compromiso profesional e influyan en la cultura de su organización. HM-DR-3a El profesorado puede planificar flujos de trabajo para la creación y curación de recursos digitales apoyada en IA que incorporen la supervisión humana, la voz del alumnado y la responsabilidad pedagógica como práctica habitual, y compartirlos con sus compañeros. HM-DR-3b El profesorado puede generar criterios de calidad, protocolos de revisión o documentos de orientación para recursos mejorados por IA y difundirlos dentro de su equipo, centro o comunidad profesional más amplia. HM-DR-3c El profesorado puede planificar prácticas colaborativas que transformen cómo se producen, comparten y mejoran los recursos digitales mejorados por IA en toda la comunidad educativa. HM-TL-3a El profesorado puede generar enfoques de enseñanza innovadores apoyados en IA que sitúen explícitamente en el centro la capacidad de decisión del alumnado, las relaciones humanas y el criterio docente, poniéndolos a prueba y compartiendo los resultados con sus compañeros. HM-TL-3b El profesorado puede generar principios pedagógicos y elaborar los correspondientes formatos de clase o protocolos de aula para un uso de la IA centrado en el ser humano en la enseñanza y el aprendizaje, y difundirlos dentro de su equipo o comunidad profesional. HM-TL-3c El profesorado puede planificar el desarrollo colaborativo de prácticas que transforme cómo se usa la IA en la enseñanza y el aprendizaje en su centro o en un contexto educativo más amplio. HM-A-3a El profesorado puede planificar prácticas de evaluación asistida por IA que salvaguarden explícitamente la responsabilidad humana, la equidad y el propósito pedagógico, y compartir estos diseños con sus compañeros. HM-A-3b El profesorado puede generar principios, protocolos de revisión u orientaciones para el uso responsable de la IA en la evaluación dentro de su equipo, centro o comunidad profesional más amplia. HM-A-3c El profesorado puede planificar el desarrollo colaborativo de prácticas de evaluación apoyadas en IA que transforme cómo se lleva a cabo la evaluación en su contexto educativo. HM-EL-3a El profesorado puede generar entornos de aprendizaje inclusivos apoyados en IA que sitúen explícitamente en el centro la dignidad, la equidad y la capacidad de decisión del alumnado para grupos diversos, y compartir estos diseños con sus compañeros. HM-EL-3b El profesorado puede generar principios de práctica inclusiva, listas de verificación de accesibilidad o protocolos de diferenciación para el uso de la IA dentro de su equipo, centro o comunidad profesional más amplia. HM-EL-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se usa la IA para avanzar en la equidad y el derecho a la educación en su contexto. HM-FC-3a El profesorado puede generar enfoques de aula que modelen y cultiven explícitamente actitudes centradas en el ser humano hacia la IA en distintas materias o niveles, poniéndolos a prueba y compartiéndolos con sus compañeros. HM-FC-3b El profesorado puede generar principios, rituales de aula o formatos pedagógicos para cultivar una ciudadanía crítica en IA en el alumnado, y difundirlos dentro de su equipo o comunidad profesional. HM-FC-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se cultivan las disposiciones del alumnado hacia una IA centrada en el ser humano en su contexto educativo. Ética de la IA EI-PE-3a El profesorado puede generar directrices éticas, ayudas para la toma de decisiones o códigos de práctica para el uso de la IA en el ámbito profesional, y compartirlos dentro de su equipo o centro. EI-PE-3b El profesorado puede planificar mecanismos institucionales de revisión o rendición de cuentas que refuercen el cumplimiento ético y normativo en el uso profesional de la IA. EI-PE-3c El profesorado puede planificar el desarrollo de normas éticas compartidas y prácticas de IA responsables dentro de su organización educativa, dando forma a una cultura en la que el uso de la IA sea fundamentado, transparente y responsable. EI-DR-3a El profesorado puede elaborar protocolos de revisión, listas de verificación de riesgos o planes de mitigación para los recursos de aprendizaje generados por IA, y compartirlos con sus compañeros. EI-DR-3b El profesorado puede planificar prácticas de equipo o de departamento que conviertan la identificación y mitigación de riesgos en una parte habitual del desarrollo y la curación de recursos. EI-DR-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se gestionan los riesgos éticos en los recursos generados por IA en su contexto educativo. EI-TL-3a El profesorado puede generar ayudas estructuradas para la toma de decisiones éticas sobre el uso de la IA en la enseñanza y el aprendizaje, y compartirlas con sus compañeros. EI-TL-3b El profesorado puede planificar prácticas de aula o de departamento que conviertan el razonamiento ético sobre la IA en una parte habitual de la planificación didáctica, y difundirlas dentro de su comunidad profesional. EI-TL-3c El profesorado puede planificar un trabajo colaborativo que transforme cómo se integra el razonamiento ético en la enseñanza apoyada en IA en su contexto educativo. EI-A-3a El profesorado puede elaborar protocolos de comprobación de equidad, transparencia y cumplimiento normativo para la evaluación asistida por IA en su contexto, y compartirlos con sus compañeros. EI-A-3b El profesorado puede planificar rutinas de reflexión estructurada que conviertan la retroalimentación de la evaluación en una mejora sistemática de la práctica. EI-A-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se sostienen la equidad, la transparencia y el cumplimiento legal en la evaluación asistida por IA en su contexto educativo. EI-EL-3a El profesorado puede elaborar protocolos de revisión ética, listas de verificación de datos o marcos de salvaguarda para la personalización basada en IA en su contexto, y compartirlos con sus compañeros. EI-EL-3b El profesorado puede planificar prácticas de equipo o de centro que conviertan la identificación de riesgos, la minimización de datos y la revisión humana en elementos habituales del uso personalizado de la IA. EI-EL-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se gestionan los riesgos éticos de la personalización mediante IA en su contexto educativo. EI-FC-3a El profesorado puede planificar secuencias de aprendizaje más largas, formatos de proyecto o unidades interdisciplinares que desarrollen sistemáticamente el razonamiento ético del alumnado en IA y su responsabilidad ambiental. EI-FC-3b El profesorado puede generar marcos, vocabularios o rutinas adecuados a la edad para cultivar la capacidad de decisión ética del alumnado en relación con la IA. EI-FC-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se desarrolla la capacidad de decisión ética del alumnado en IA en su contexto educativo. Fundamentos y aplicaciones de la IA AF-PE-3a El profesorado puede planificar procedimientos de evaluación, marcos de selección de herramientas o materiales de acogida que ayuden a sus compañeros a aplicar conocimientos técnicos fundamentales de IA a decisiones profesionales, y compartirlos dentro del centro. AF-PE-3b El profesorado puede generar formatos de aprendizaje profesional relacionados con la IA que desarrollen la alfabetización en IA en su equipo o centro. AF-PE-3c El profesorado puede generar capacitación institucional en IA que transforme cómo los conocimientos técnicos fundamentales de IA orientan la práctica en su contexto educativo. AF-DR-3a El profesorado puede planificar flujos de trabajo técnicos o documentos de orientación para la creación de recursos apoyada en IA y compartirlos con sus compañeros. AF-DR-3b El profesorado puede generar usos novedosos de herramientas de recursos con IA que aprovechen sus capacidades reales en lugar de su novedad, poniéndolos a prueba y difundiendo los resultados dentro de su comunidad profesional. AF-DR-3c El profesorado puede planificar capacitación en herramientas de IA para el diseño de recursos que transforme cómo se usa la IA para los recursos educativos en su contexto. AF-TL-3a El profesorado puede generar formatos didácticos técnicamente fundamentados o elaborar plantillas de clase para una enseñanza integrada con IA y compartirlos con sus compañeros. AF-TL-3b El profesorado puede generar enfoques de enseñanza novedosos apoyados en IA que aprovechen las capacidades reales de los sistemas de IA actuales, poniéndolos a prueba y difundiendo los resultados dentro de su comunidad profesional. AF-TL-3c El profesorado puede planificar capacitación en IA para la enseñanza y el aprendizaje que transforme cómo los conocimientos técnicos fundamentales de IA dan forma al diseño instructivo en su contexto educativo. AF-A-3a El profesorado puede planificar protocolos de evaluación técnica, rutinas de validación de herramientas o plantillas de flujo de trabajo para la evaluación mejorada por IA en su contexto, y compartirlos con sus compañeros. AF-A-3b El profesorado puede planificar prácticas sistemáticas para seguir y mejorar el rendimiento técnico de las herramientas de evaluación con IA, y difundirlas dentro de su equipo o centro. AF-A-3c El profesorado puede planificar capacitación en IA para la evaluación que transforme cómo los conocimientos técnicos fundamentales de IA dan forma a la práctica evaluativa en su contexto educativo. AF-EL-3a El profesorado puede generar orientaciones técnicas, marcos de selección de herramientas o plantillas de configuración para un uso inclusivo de la IA en su contexto, y compartirlos con sus compañeros. AF-EL-3b El profesorado puede generar usos novedosos de herramientas de IA para la personalización y la accesibilidad que se basen en una comprensión realista de lo que los sistemas actuales pueden y no pueden hacer, poniéndolos a prueba y difundiendo los resultados dentro de su comunidad profesional. AF-EL-3c El profesorado puede planificar capacitación en IA para la inclusión que transforme cómo los conocimientos técnicos fundamentales de IA dan forma a la práctica inclusiva en su contexto educativo. AF-FC-3a El profesorado puede planificar secuencias de aprendizaje más largas, formatos de proyecto o unidades interdisciplinares que desarrollen sistemáticamente la alfabetización técnica en IA del alumnado, y compartirlas con sus compañeros. AF-FC-3b El profesorado puede elaborar recursos pedagógicos adecuados a la edad, analogías o formatos de actividad para enseñar los fundamentos de la IA y las habilidades prácticas en IA, y difundirlos dentro de su comunidad profesional. AF-FC-3c El profesorado puede planificar iniciativas colaborativas que transformen cómo se desarrolla la competencia técnica del alumnado en IA en su contexto educativo. 4. Certificación y Microcredenciales 4.1 Ruta de Certificación ¿Qué es la certificación? La ruta de certificación DUAL.AI.TEACHer ofrece al profesorado una forma estructurada de demostrar sus competencias en dos áreas complementarias: Enseñanza Potenciada por IA y Alfabetización en IA. El profesorado puede optar por una de las dos vías de certificación o por ambas, según sus conocimientos previos, su rol profesional y sus necesidades de desarrollo. La ruta de certificación combina autoevaluación, actividades de aprendizaje y preparación, evaluación formal y certificación digital. Elige tu vía La certificación DUAL.AI.TEACHer consta de dos vías complementarias: Vía A: Enseñanza Potenciada por IA (CON IA) – centrada en el uso pedagógico de la IA en la enseñanza y el aprendizaje. Vía B: Alfabetización en IA (SOBRE IA) – centrada en la comprensión por parte del profesorado de los conceptos, oportunidades, limitaciones y uso responsable de la IA. Los participantes pueden optar por una de las dos vías de certificación o por ambas, según sus conocimientos previos, su rol profesional y sus necesidades de desarrollo. Una autoevaluación preliminar ayudará a los candidatos a identificar la vía más adecuada. ¿Cómo funciona la certificación? El proceso de certificación sigue una secuencia común para ambas vías: El docente descubre la certificación DUAL.AI.TEACHer. El candidato se registra en la plataforma ICEP. El candidato completa una autoevaluación preliminar y elige la Vía A o la Vía B. El candidato aprende y se prepara utilizando los contenidos proporcionados, incluida la obtención de insignias en el MOOC. El candidato reserva una cita para el examen. El candidato realiza el examen. Tras superarlo, se emite el certificado. El certificado puede compartirse a través de Europass, donde instituciones externas pueden comprobar su validez. El certificado caduca a los cinco años. Fig. 1: «Proceso de Registro, Autoevaluación y Selección de la Ruta de Certificación» Aprendizaje y preparación Tras seleccionar una vía de certificación, los candidatos entran en la fase de aprendizaje y preparación. Utilizan los contenidos de aprendizaje proporcionados y pueden obtener insignias a través del MOOC como parte de su preparación para la evaluación de certificación. El proceso de preparación incluye acceso a materiales de aprendizaje, actividades de apoyo, autoevaluación, tareas prácticas y seguimiento del progreso. El candidato puede seguir aprendiendo, repetir actividades cuando sea necesario, o avanzar hacia la evaluación de certificación una vez que esté suficientemente preparado. Fig. 2: «Proceso de Aprendizaje y Preparación» Evaluación y certificación La evaluación de certificación se realiza mediante un examen en línea para cada vía de certificación. El formato de evaluación previsto incluye: Formato: Examen en línea Contenido: 30 preguntas de opción múltiple Plataforma: Plataforma de certificación ICEP Idioma: Inglés e idiomas nacionales Intentos: Hasta 2 intentos por candidato Supervisión: Supervisión/proctoring remoto Los candidatos realizan la evaluación de la vía elegida tras la fase de preparación y la autoevaluación de preparación. Superar el examen conlleva la emisión del certificado correspondiente. La evaluación puede incluir los siguientes tipos de preguntas: Respuesta única correcta Opción múltiple Verdadero/Falso Estos formatos de respuesta seleccionada están pensados para favorecer una evaluación objetiva, coherente y escalable, permitiendo además una corrección automatizada eficiente. Fig. 3: «Proceso de Examen y Certificación entre el Candidato y el ICEP» ¿Qué vía es la adecuada para mí? Las dos vías de certificación responden a necesidades e intereses profesionales distintos. La Vía A – Enseñanza Potenciada por IA (CON IA) está pensada para el profesorado que quiere usar la IA en la enseñanza y el aprendizaje de forma pedagógicamente significativa, segura y profesionalmente responsable. En el Diseño de la Ruta de Certificación, esto se ilustra a través de Maja Novak, una docente de secundaria que ya experimenta con IA generativa para la preparación de clases, materiales diferenciados, actividades de aula y retroalimentación formativa. Su principal objetivo es pasar de un uso experimental de la IA a una práctica profesional más informada y reflexiva. Fig. 4: «Recorrido del Candidato – Vía A: Enseñanza Potenciada por IA» La Vía B – Alfabetización en IA (SOBRE IA) está pensada para el profesorado que quiere fortalecer su propia comprensión y la de su alumnado sobre los conceptos, limitaciones, riesgos y uso responsable de la IA. Esto se ilustra a través de Luka Horvat, un docente de bachillerato que quiere ayudar a su alumnado a convertirse en usuarios críticos, informados y responsables de la IA, prestando especial atención a cuestiones como la desinformación, los sesgos, la privacidad, la transparencia, el uso de datos, la capacidad de decisión humana y el impacto social de la IA. Fig. 5: «Recorrido del Candidato – Vía B: Alfabetización en IA» Los candidatos pueden optar por una de las dos vías o por ambas, según sus conocimientos previos, su rol profesional y sus necesidades de desarrollo. Una autoevaluación preliminar apoya la selección de la vía más adecuada. Acreditación y Reconocimiento Tras superar la evaluación, los candidatos reciben un certificado digital correspondiente a la vía de certificación completada. El modelo de certificación incluye: Emisión: Certificado digital tras superar la evaluación Validez: 5 años desde la fecha de emisión Registros de certificación: Mantenidos por ICEP en una base de datos central Alcance: Certificación independiente para la Vía A y la Vía B; los candidatos que completan ambas vías reciben ambas credenciales La certificación tiene como objetivo apoyar el reconocimiento de las competencias del profesorado relacionadas con la IA y su desarrollo profesional continuo. También pretende apoyar el reconocimiento y la portabilidad de estas competencias en distintos contextos europeos. Más Información En el documento completo Diseño de la Ruta de Certificación DUAL.AI.TEACHer se ofrecen más detalles sobre la estructura de la certificación, el recorrido del candidato, los criterios de evaluación, el procedimiento de examen, las funciones y responsabilidades, la validación piloto y la sostenibilidad. 4.2 Microcredenciales Las Microcredenciales Las microcredenciales son titulaciones breves y específicas que certifican resultados de aprendizaje y competencias concretos adquiridos mediante formaciones o cursos breves.  Características:  Aprendizaje de corta duración - Se completa en horas, días o semanas, y no en años. Basadas en competencias - Centradas en un conjunto de competencias o una materia única y bien definida (por ejemplo, análisis de datos o gestión de proyectos). Prueba verificable - Se entregan mediante insignias digitales seguras o certificados que contienen metadatos sobre lo aprendido. Beneficios principales: Flexibilidad - Permite una mejora rápida de competencias o una recualificación sin compromisos económicos a largo plazo. Empleabilidad - Ofrece a las entidades empleadoras una prueba transparente y fácilmente verificable de las competencias prácticas. Acumulabilidad - A menudo pueden combinarse o «acumularse» con el tiempo para contar en titulaciones o grados más amplios La Arquitectura de Microcredenciales y Certificación La estrategia de certificación de DUAL.AI.TEACHer establece un mecanismo formal, de alcance europeo, para validar las competencias en IA del profesorado. Vías de certificación duales: Vía A - Enseñanza Potenciada por IA: Valida la competencia en el uso de herramientas de IA para el diseño de clases, la enseñanza adaptativa, la evaluación automatizada y la optimización de los flujos de trabajo. Vía B - Alfabetización en IA y Educación para la Ciudadanía: Valida la competencia para enseñar al alumnado pensamiento computacional, sesgo algorítmico, privacidad de los datos y ciudadanía ética en relación con la IA. Marco estructural y alineamiento: Organismo gestor: Dirigido por el ICEP (Institute of European Certification of Personnel), un organismo acreditado de certificación y cualificación conforme a SNAS / ISO 17024. Alineamiento con estándares: Cotejado con DigCompEdu (competencia digital docente), EntreComp (innovación), el Diseño Universal para el Aprendizaje (DUA), ESCO, el EQF y las directrices de EUROPASS Digital Credentials. Público destinatario: Alcanza a más de 400 docentes en formación y en ejercicio a lo largo de la vida del proyecto. Arquitectura técnica y proceso de acreditación: Insignias digitales: La finalización de un módulo en el MOOC del WP3 emite automáticamente insignias digitales abiertas para microcompetencias concretas (por ejemplo, Uso Ético de la IA, Prompt Engineering, Evaluación Adaptativa). Se pueden compartir fácilmente en redes profesionales como LinkedIn, lo que aporta una prueba verificable de las competencias. Evaluación segura y validación: Las personas candidatas realizan un examen digital estandarizado y supervisado a distancia (30 preguntas de opción múltiple), alojado en la plataforma digital segura del ICEP ( competenceinstitute.com). Se dispone de un máximo de dos intentos de examen. La certificación en línea se ofrecerá al final del curso completo como herramienta de evaluación para verificar todos los conocimientos y competencias que se han aprendido y mejorado a lo largo de todo el curso, que consta de todos los módulos, capítulos e itinerarios de aprendizaje, y verificarlos después mediante un examen de certificación internacional.  Certificación europea portable: Superar el proceso con éxito otorga certificados digitales formales y microcredenciales válidos durante 5 años en toda la UE. Las credenciales pueden exportarse directamente a los portafolios de perfil de EUROPASS y a LinkedIn. 5. Hoja de Ruta de Integración de la IA 5.1 Cómo Usar la Hoja de Ruta Este capítulo presenta la Hoja de Ruta de Integración DUAL.AI.TEACHer. La hoja de ruta describe nueve etapas que llevan a la formación del profesorado desde su primera conversación estratégica sobre la IA hasta una estructura permanente para ella. La hoja de ruta abarca la formación inicial del profesorado en las universidades, así como los centros educativos y el desarrollo profesional docente. Este capítulo está dirigido a quienes dirigen programas de formación del profesorado en las universidades, a las personas responsables del desarrollo profesional docente y a los equipos directivos de los centros educativos. No es, deliberadamente, un texto único pensado para leerse de principio a fin. Leed la parte que corresponda a vuestro papel. Etapa Empezad con Después Cualquier persona 5.2 Se lee en dos minutos y os da el modelo completo Equipo directivo de un centro educativo o persona responsable del desarrollo profesional en un centro educativo 5.2 5.3, escrita para los centros educativos Quien trabaja en una institución de formación del profesorado (dirección de programas, profesorado formador, garantía de calidad) 5.2 5.4, la versión completa, leída en orden Docentes que buscan práctica de aula 5.2 Podéis quedaros ahí. Los capítulos 5.2 y 5.3 son los escritos para vosotros Leer la versión completa La sección 5.4 describe cada una de las nueve etapas en detalle: en qué consiste la etapa, por qué está diseñada de esa manera y cómo podéis saber que la habéis completado. Es la versión de referencia de la hoja de ruta y está escrita para usarse dos veces. Leedla una vez en orden, para ver por qué las etapas están ordenadas como están y cuáles dependen unas de otras. Después, volved a etapas concretas a medida que trabajéis en ellas, que es como la mayoría de las instituciones la utilizará en la práctica. Quienes lleguen desde 5.3 no necesitan 5.4 para poder actuar, pero cualquier etapa descrita allí de forma breve se expone con detalle en 5.4. Las dos secciones se encuentran en la Etapa 6, Integrar la IA en el Desarrollo Profesional Continuo: es donde las instituciones de formación del profesorado organizan el desarrollo profesional continuo que los centros educativos aprovechan. 5.2 Hoja de Ruta (Versión Resumida) Nuestro punto de partida El proyecto DUAL.AI.TEACHer se propone desarrollar una hoja de ruta clara y adaptable, de siete a diez etapas, que ayude a las instituciones de formación del profesorado a integrar la IA tanto en la formación inicial docente como en el desarrollo profesional continuo. La hoja de ruta se centra en el cambio institucional más que en iniciativas individuales y se desarrolló junto con profesorado formador. Dos modelos ya existentes aportaron fundamentos especialmente relevantes. El primero es un modelo de educación superior de seis etapas, resumido como «aprender a aprender de nuevo». Avanza desde la reformulación de las conversaciones institucionales sobre la IA, pasando por la confianza y la gobernanza, la soltura del personal, el cambio curricular y el rediseño de la enseñanza y la evaluación, hasta la amplificación en el conjunto de la institución (Black, 2025). Su principal fortaleza es que trata la IA como motor de transformación institucional y no simplemente como una cuestión de herramientas. El segundo es una hoja de ruta de implementación de IA generativa en cuatro fases para centros educativos y distritos escolares: establecer una base, desarrollar al personal, actualizar lo que se enseña, y evaluar y avanzar. Su fortaleza reside en su enfoque operativo y en el énfasis en la implementación concreta. Ambos modelos hacen aquello que se proponen: uno se dirige a las universidades en su conjunto y el otro a los centros educativos y los distritos escolares. Las instituciones de formación del profesorado se sitúan a caballo entre ambos contextos, y ahí es donde vimos margen para ampliar el trabajo existente. Estas instituciones transforman su propia docencia al mismo tiempo que preparan al futuro profesorado para contextos que escapan a su control directo. Atender únicamente a la transformación interna dejaría los currículos relacionados con la IA en manos de personal con escasa experiencia práctica, mientras que atender solo a la futura práctica de aula modernizaría el programa sin cambiar la institución que lo imparte. La hoja de ruta DUAL.AI.TEACHer se apoya en ambos modelos y conecta las dos dimensiones. Fig. 1: «Hoja de Ruta de Integración DUAL.AI.TEACHer: nueve etapas para la integración institucional de la IA en la formación del profesorado» Dos ejes bajo las etapas En lugar de combinar paso a paso los dos modelos de referencia, la hoja de ruta se construye en torno a dos ejes paralelos. El primero es la transformación institucional: estructuras, gobernanza, currículo y las condiciones formales que posibilitan o limitan el uso de la IA. Este eje sigue la lógica de reformular para amplificar del modelo de educación superior y se apoya en investigación consolidada. La Difusión de Innovaciones identifica la posibilidad de experimentar y la observabilidad como características que facilitan la adopción de innovaciones, lo que fundamenta el énfasis de la Etapa 7 en una implementación piloto visible (Neal et al., 2018). El segundo es la capacidad humana, que actúa como el eje de calidad de la hoja de ruta. La formación no puede reducirse a talleres aislados. La investigación sobre desarrollo profesional docente eficaz destaca la duración sostenida, el foco de contenido, la práctica, la reflexión, la retroalimentación y el acompañamiento (Lipowsky y Rzejak, 2021). Por ello, estos principios orientan el diseño de las actividades formativas a lo largo de toda la hoja de ruta, desde el profesorado formador en la Etapa 3 hasta el profesorado en ejercicio en la Etapa 6. Un taller puntual por sí solo no supone haber completado una etapa. La Hoja de Ruta de un Vistazo Etapa Tarea Completada cuando Alineamiento Estratégico Evaluar dónde se encuentra realmente la institución y acordar qué quiere conseguir, con implicación del equipo directivo y un equipo interfuncional constituido. La situación de partida y el objetivo están recogidos por escrito. Gobernanza Facilitadora Establecer orientaciones para toda la institución sobre el uso de la IA, la protección de datos, la integridad, la declaración del uso y la revisión de herramientas, formuladas en torno a lo que es posible y no a lo que está prohibido. El personal puede responder «¿puedo hacer esto?» sin tener que preguntar a nadie. Capacitación del Profesorado Formador Desarrollar la capacidad de quienes enseñan mediante un aprendizaje profesional sostenido, centrado en el contenido e integrado en la práctica, con acompañamiento y reflexión. El desarrollo es continuo, no un único taller. Codiseñar el Currículo Llevar la IA al programa formal revisando los programas de las asignaturas y los resultados de aprendizaje, anclándola en la didáctica específica de cada materia y no en un módulo independiente. Los resultados de aprendizaje relacionados con la IA aparecen en la documentación habitual de los módulos de varias asignaturas. Pedagogía y Evaluación Rediseñar las tareas de aprendizaje y la evaluación para que sean auténticas y conscientes de la IA, y modelar una enseñanza con IA integrada para que el alumnado la experimente como aprendiz. Los formatos de evaluación se han revisado, no solo complementado con una declaración del uso de la IA. Integrar la IA en el Desarrollo Profesional Continuo Convertir el desarrollo profesional continuo en una oferta estructurada con microcredenciales acumulables, asegurando el brazo dirigido al profesorado en ejercicio. La oferta tiene una estructura publicada y una credencial reconocida. Pilotar en Contextos Auténticos Probar los módulos rediseñados, el desarrollo profesional continuo y las evaluaciones con cohortes reales y recoger la retroalimentación de forma sistemática. Existe retroalimentación documentada que ha dado lugar a revisiones identificables. Evaluar, Aprender y Adaptar Revisar las ganancias de competencia, la participación, la viabilidad, la equidad y el impacto, y utilizar la evidencia para revisar. La evidencia ha cambiado algo, no solo ha llenado un informe. Institucionalizar, Escalar Convertir la iniciativa en estructura permanente: titularidad, funciones, recursos, garantía de calidad, renovación. El trabajo continúa después de que las personas que lo iniciaron hayan seguido su camino. AI for Education. (s. f.). AI adoption roadmap for education institutions. Black, A. (2025, 3 de diciembre). Learning to learn again: A roadmap for higher education institutions in the age of AI. enablinginsights. Lipowsky, F., y Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung. Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., y McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446. 5.3 Hoja de Ruta para Centros Educativos A quién se dirige esta sección Equipos directivos, jefaturas de estudios y personas responsables del desarrollo profesional en un centro educativo. No hace falta que hayáis leído por completo las secciones anteriores. Si ya habéis leído las nueve etapas de la sección 5.2, esta sección os explica cómo se aplican a un centro educativo; si no lo habéis hecho, podéis empezar aquí. Dónde entran los centros educativos en la hoja de ruta. Esta hoja de ruta se desarrolló para las instituciones de formación del profesorado, pero su lógica de cambio no es exclusiva de ellas, y una de las etapas afecta directamente a los centros educativos. La Etapa 6, Integrar la IA en el Desarrollo Profesional Continuo, es el brazo dirigido al profesorado en ejercicio: es donde las instituciones de formación del profesorado organizan el desarrollo profesional continuo al que asiste vuestro profesorado. Ese es vuestro punto de entrada. Lo que la institución de formación ofrece como Etapa 6 llega a vuestro centro en forma de desarrollo profesional, y que eso cambie algo en vuestras aulas depende de las condiciones que existan dentro del propio centro.  Por qué no podéis empezar ahí y quedaros ahí. Enviar al profesorado a un curso puntual es el enfoque más habitual y, al mismo tiempo, difícilmente cambia la práctica por sí solo. Lo que funciona es una implicación sostenida con un foco de contenido claro, oportunidades de práctica y un seguimiento en forma de acompañamiento o colaboración (Lipowsky y Rzejak, 2021). Esto tiene una consecuencia directa para un equipo directivo. El recurso escaso no es el curso; es el tiempo protegido posterior en el que el profesorado prueba algo, lo comenta con sus colegas y lo ajusta.  Fig. 1: «Hoja de Ruta de Integración DUAL.AI.TEACHer: nueve etapas para la integración institucional de la IA en la formación del profesorado» Las tres etapas prioritarias en un centro educativo La Etapa 6 es vuestro punto de conexión, pero las Etapas 1 a 3 crean las condiciones que hacen que funcione.  Etapa 1, Alineamiento Estratégico. Determinad dónde se encuentra realmente vuestro centro. Una parte de vuestro profesorado ya utiliza la IA, otra parte la evita, y es posible que los centros no tengan una imagen clara de la práctica actual. Un balance breve y honesto vale más que un documento estratégico. Nombrad lo que queréis conseguir y estad preparados para la respuesta de que la IA no es ahora mismo el problema más urgente de vuestro centro; ese es un resultado legítimo de esta etapa. Etapa 2, Gobernanza Facilitadora. Esto es especialmente importante en los centros educativos y resulta fácil pasarlo por alto. El profesorado y el alumnado necesitan saber qué está permitido, cómo debe declararse el uso de la IA, qué herramientas se han revisado en materia de protección de datos y qué se considera deshonestidad académica. Cuando esto no está claro, ocurren dos cosas a la vez: el profesorado más prudente evita la IA por completo y quien se siente seguro la utiliza sin ningún límite acordado. Unas orientaciones claras y facilitadoras ayudan a abordar ambas situaciones. No hace falta que sean extensas. Etapa 3, Capacitación del Profesorado. En la hoja de ruta original, esta etapa se refiere al profesorado formador; en vuestro centro se refiere a vuestro claustro. Se aplican las mismas condiciones de calidad. Valorad empezar con un grupo reducido de colegas dispuestos a participar en una o dos materias, en lugar de un despliegue para todo el claustro, y haced visibles sus resultados al resto del profesorado. Las innovaciones se extienden cuando los colegas pueden verlas funcionar en su propio contexto (Neal et al., 2018). Qué es diferente en un centro educativo Tres condicionantes distinguen vuestra situación de la de una institución de formación del profesorado, y la hoja de ruta debería leerse teniéndolos presentes. Tenéis menos autonomía curricular. Las Etapas 4 y 5 presuponen una institución que puede revisar sus propios contenidos formativos. Buena parte de vuestro currículo puede venir fijada por marcos nacionales o normativos, y vuestro margen de maniobra está en cómo se enseñan las materias y cómo se evalúan los aprendizajes, no en lo que está prescrito. Leed esas etapas como si trataran del diseño de tareas y de la práctica evaluadora. Vuestro profesorado dispone de menos tiempo de libre disposición. Una institución de formación del profesorado puede asignar tareas de desarrollo a su personal académico como parte de sus funciones. En un centro educativo, cada hora de desarrollo compite directamente con la docencia. Esto hace que la Etapa 2 resulte desproporcionadamente valiosa: unas orientaciones cuestan poco tiempo y eliminan una gran cantidad de fricción. Estáis más cerca de las consecuencias. Los centros educativos experimentan de forma especialmente directa las consecuencias prácticas de las cuestiones relacionadas con la equidad, los datos del alumnado y el acceso. Por esa razón la Etapa 8 pregunta explícitamente por la equidad. Lipowsky, F., y Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung. Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., y McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446. 5.4 Hoja de Ruta Completa para Instituciones de Formación del Profesorado A quién se dirige esta sección Decanos y decanas, responsables de programas, formadores y formadoras de docentes y personas responsables de la garantía de calidad en instituciones que forman al profesorado. Esta hoja de ruta se escribió principalmente para vosotros, y esta sección da por supuesto que habéis leído las nueve etapas del apartado 5.1. A diferencia de quienes leen desde un centro educativo, las instituciones de formación del profesorado necesitan considerar la hoja de ruta en su conjunto, porque las etapas abordan distintos aspectos del cambio institucional que dependen unos de otros. Fig. 1: «Hoja de Ruta de Integración DUAL.AI.TEACHer: nueve etapas para la integración institucional de la IA en la formación del profesorado» 1. Alineamiento Estratégico De la reacción a la estrategia La mayoría de las instituciones no parte de cero. Parte de un mosaico de iniciativas individuales, usos informales de herramientas y preocupaciones sin resolver. La primera etapa hace visible ese punto de partida y lo convierte en una dirección estratégica compartida. El equipo directivo abre el proceso en lugar de delegarlo, porque las etapas posteriores exigen decisiones sobre personal, recursos y currículo que necesitan respaldo institucional. La institución evalúa su grado de preparación, sus necesidades y sus prioridades, y constituye un equipo de dirección transversal que incluya a formadores y formadoras de docentes, al personal de TI, al estudiantado y a la garantía de calidad. Implicar al estudiantado no es algo simbólico: vive el currículo de forma directa y, en la formación del profesorado, forma parte además de la futura profesión. La etapa se ha completado cuando la institución puede formular por escrito en qué punto se encuentra, qué quiere lograr y quién es responsable de llevar el trabajo adelante. 2. Gobernanza Facilitadora La orientación llega pronto porque la incertidumbre puede convertirse en una barrera importante para la adopción. El personal que no sabe qué está permitido puede evitar la IA por completo o usarla sin expectativas compartidas. La institución elabora una orientación de alcance institucional que cubre el uso de la IA, la protección de datos, la integridad académica, las expectativas de declaración de uso y un procedimiento de revisión y aprobación de herramientas. La decisión de diseño determinante es el enfoque: la orientación debería explicar qué es posible y bajo qué condiciones, en lugar de consistir principalmente en prohibiciones. El borrador de la orientación se difunde para recabar comentarios antes de su aprobación, lo que mejora tanto su utilidad práctica como su legitimidad. La etapa se ha completado cuando el personal puede encontrar con facilidad una respuesta clara a la pregunta «¿Puedo hacer esto?» y sabe a quién dirigirse cuando un caso queda fuera de la orientación. 3. Capacitación del Profesorado Formador Los formadores y formadoras de docentes no pueden modelar prácticas que no han tenido ocasión de explorar por sí mismos. Esta etapa desarrolla su capacidad mediante un aprendizaje profesional sostenido en lugar de puntual, vinculado a los contenidos y a la didáctica específica de cada materia en lugar de centrado principalmente en herramientas, y anclado en la práctica a través de la colaboración, el acompañamiento y la reflexión estructurada. Son rasgos asociados de forma consistente a un desarrollo profesional docente eficaz (Lipowsky y Rzejak, 2021). Las competencias se cotejan con el Marco de Competencias DUAL.AI.TEACHer y con el Marco de Competencias en IA para Docentes de la UNESCO, de modo que el desarrollo tenga a la vez una dirección y un punto de referencia. La integración de la IA debería apoyarse en la experiencia profesional que ya poseen los formadores y formadoras de docentes, en lugar de tratar la IA como una competencia técnica aparte. Un único taller no completa esta etapa. La etapa se ha completado cuando los formadores y formadoras de docentes disponen de oportunidades sostenidas para desarrollar, aplicar y reflexionar sobre la práctica relacionada con la IA en sus propios contextos de enseñanza. 4. Codiseñar el Currículo Aquí la IA pasa de ser una actividad extracurricular a formar parte del programa formal. Se revisa la documentación de asignaturas y módulos, y los resultados de aprendizaje se alinean con el marco de competencias, de modo que lo que se enseña, se practica y se evalúa apunte en la misma dirección. Un principio de diseño central de esta hoja de ruta es que la alfabetización en IA y la pedagogía potenciada por la IA deberían integrarse dentro de la didáctica de cada materia en lugar de quedar confinadas en un módulo independiente. Un curso específico sobre IA puede resultar útil como paso de transición, pero corre el riesgo de transmitir que la IA es un tema aparte y no una parte de la enseñanza cotidiana de las materias. El codiseño con los formadores y formadoras de docentes es importante porque quienes vayan a impartir el programa revisado deben haber participado en su definición. La etapa se ha completado cuando los resultados de aprendizaje relacionados con la IA son visibles en la documentación habitual de varias materias o módulos y están conectados con el conjunto del programa, en lugar de quedar aislados en un único curso. 5. Pedagogía y Evaluación Cambiar el currículo sobre el papel no basta si la enseñanza y la evaluación permanecen inalteradas. Esta etapa rediseña las tareas de aprendizaje y los formatos de evaluación para que sean auténticos, multimodales y conscientes de la IA, y para que la evaluación se centre en lo que el futuro profesorado es capaz de comprender, justificar, crear y aplicar, y no en productos que un sistema generativo puede elaborar a petición. Igual de importante es el efecto de modelado: el profesorado en formación debería experimentar como aprendiz una enseñanza integrada con la IA y bien fundamentada antes de que se espere de él que la utilice profesionalmente. La formación del profesorado tiene aquí una oportunidad singular, porque el estudiantado experimenta prácticas de enseñanza mientras desarrolla al mismo tiempo su propia práctica profesional. La etapa se ha completado cuando los resultados de aprendizaje relacionados con la IA se reflejan en la práctica real de enseñanza y evaluación, y no solo se añaden a las descripciones de los módulos o a los requisitos de declaración de uso. 6. Integrar la IA en el Desarrollo Profesional Continuo Las instituciones de formación del profesorado no solo preparan al futuro profesorado; también apoyan a quienes ya trabajan en los centros educativos. Esta etapa convierte el desarrollo profesional continuo en una oferta estructurada en lugar de una serie de eventos aislados. Se aplican las mismas condiciones de calidad que en la Etapa 3: una implicación sostenida, un foco de contenido claro, oportunidades de práctica y un seguimiento mediante colaboración, retroalimentación o acompañamiento. En el modelo DUAL.AI.TEACHer, este trabajo puede vincularse a la ruta de certificación desarrollada en la T2.6, lo que permite que el aprendizaje profesional se construya a lo largo del tiempo. La Etapa 6 crea además una conexión bidireccional con los centros educativos: las instituciones aportan aprendizaje profesional, mientras que el profesorado en ejercicio devuelve a la formación del profesorado la experiencia actual del aula. La etapa se ha completado cuando el aprendizaje profesional del profesorado en ejercicio constituye una oferta coherente y sostenida con una progresión clara, en lugar de un calendario de eventos sueltos e inconexos. 7. Pilotar en Contextos Auténticos Los módulos rediseñados, las ofertas de desarrollo profesional continuo y los formatos de evaluación se ponen a prueba con cohortes reales en condiciones realistas, y se recoge de forma sistemática la retroalimentación de los formadores y formadoras de docentes, del estudiantado y de otras personas participantes. Pilotar reduce el riesgo de escalar un enfoque antes de haberlo probado en la práctica. Además hace visible la implementación: los colegas pueden ver cómo funciona un enfoque en un contexto parecido al suyo, comentar los resultados y adaptarlo antes de una adopción más amplia. El propósito del pilotaje no es, por tanto, demostrar que el diseño era correcto, sino descubrir qué hay que cambiar. La etapa se ha completado cuando la retroalimentación documentada procedente de una implementación auténtica ha dado lugar a revisiones identificables. 8. Evaluar, Aprender y Adaptar La evaluación pregunta si los cambios lograron lo que se pretendía con ellos. Según la intervención, esto puede incluir el desarrollo de competencias, la participación, la viabilidad, la equidad, la experiencia del personal y del estudiantado y los efectos más amplios sobre el programa. La equidad se considera de forma explícita porque la integración de la IA puede reducir algunas desigualdades a la vez que crea o refuerza otras, por ejemplo entre materias, grupos de personal o estudiantes con distintos niveles de acceso y apoyo. Las evidencias se emplean después para revisar el currículo, el desarrollo profesional, la evaluación y la implementación. Esta etapa establece también un ciclo periódico de revisión de la orientación elaborada en la Etapa 2, que deberá evolucionar a medida que cambien las tecnologías, las prácticas y las condiciones normativas. 9. Institucionalizar y Escalar La etapa final traslada el trabajo que ha funcionado desde el estatus de proyecto a las estructuras habituales de la institución. Esto implica una titularidad clara, responsabilidades definidas, recursos adecuados e integración en los procesos existentes, como el desarrollo de programas y la garantía de calidad. El escalado debería seguir el contexto, la capacidad y el perfil propios de la institución, y no un único modelo genérico. Institucionalizar significa también crear mecanismos de renovación: las tecnologías de IA, las prácticas educativas y las necesidades institucionales seguirán cambiando, de modo que el propio modelo no puede permanecer fijo. La etapa se ha completado cuando el trabajo continúa después de que las personas que lo iniciaron se hayan marchado. Vuestra posición específica Las instituciones de formación del profesorado asumen dos mandatos a la vez. Transformáis vuestra propia docencia y preparáis al futuro profesorado para aulas que no controláis, en condiciones que no podéis predecir del todo y con una tecnología que quizá haya cambiado para cuando vuestro alumnado egresado llegue allí. Ambos mandatos están estrechamente conectados. Centrarse solo en la transformación interna conlleva el riesgo de generar currículos relacionados con la IA sin una conexión suficiente con la futura práctica de aula. Centrarse solo en la futura práctica de aula conlleva el riesgo de modernizar el programa sin cambiar la institución que lo imparte. Por eso la hoja de ruta trata ambas dimensiones de forma conjunta. La Etapa 3 hace posible lo que viene después. Buena parte del trabajo posterior depende de la capacidad de los formadores y formadoras de docentes. Su experiencia reside en sus disciplinas y en la didáctica de sus materias, así que integrar la IA no es simplemente cuestión de añadir otra herramienta. El desarrollo profesional debe conectar el uso de la IA con la enseñanza, el aprendizaje y la evaluación propios de cada materia, en lugar de tratarlo como una competencia técnica genérica. Por esta razón, la Etapa 3 merece una atención especial cuando los recursos son limitados. Dónde se complica la Etapa 4. El principio de que la alfabetización en IA debería integrarse dentro de la didáctica de cada materia en lugar de tratarse únicamente en un módulo independiente es fácil de enunciar, pero mucho más difícil de aplicar. Un módulo independiente puede asignarse a una sola persona, mientras que una integración distribuida exige que muchos colegas replanteen partes de su propia docencia. Cuando un módulo independiente resulte útil como paso de transición, lo ideal es que esté conectado con un plan a más largo plazo de integración en todo el programa. Vuestra palanca distintiva en la Etapa 5. La Etapa 5 pone de relieve un rasgo particular de la formación del profesorado: vuestro estudiantado es aprendiz ahora y docente después. Por tanto, cómo le enseñáis pasa a formar parte de lo que aprende sobre la enseñanza. Si el profesorado en formación experimenta como aprendiz una enseñanza integrada con la IA y bien fundamentada, encuentra modelos concretos sobre los que después podrá reflexionar y que podrá adaptar en su propia práctica. Enseñar sobre la IA sin modelar su uso pedagógico ofrece una experiencia muy distinta. Por eso la Etapa 5 va más allá de la mera reforma de la evaluación. La Etapa 6 es vuestra interfaz con los centros educativos. Vuestra oferta de desarrollo profesional continuo es la puerta de entrada. Extiende el alcance de vuestra institución más allá del futuro profesorado hasta quienes ya trabajan en las aulas. Al mismo tiempo, la colaboración con el profesorado en ejercicio puede devolver a la formación del profesorado la experiencia actual del aula. El desarrollo profesional continuo puede funcionar, por tanto, no solo como un servicio prestado a los centros educativos, sino también como un canal de aprendizaje recíproco entre los centros y las instituciones de formación del profesorado. Lo que vosotros podéis hacer y los centros educativos no Las instituciones de formación del profesorado suelen tener un margen mayor para revisar programas y evaluaciones, acceso a capacidad investigadora y un mandato para trabajar con varios centros educativos. Esto confiere un valor especial a las Etapas 7 y 8: lo aprendido mediante los pilotos y la evaluación puede orientar no solo a vuestra propia institución, sino también a los centros asociados y al sistema en su conjunto. Hacer visibles esas experiencias puede además favorecer la adopción de nuevas prácticas en otros lugares.  Por dónde empezar si todo es urgente. Empezad por la Etapa 2 y la Etapa 3. La gobernanza reduce la incertidumbre, mientras que la capacidad del personal crea las condiciones para un trabajo significativo en las Etapas 4 a 6. Empezar por la revisión del currículo antes de que el personal tenga capacidad para implementarla conlleva el riesgo de producir cambios sobre el papel que resultan difíciles de materializar en la práctica. 6. Recursos y Glosario 6.1 Recursos Publicaciones revisadas por pares Ali, R., Tang, O. Y., Connolly, I. D., Abdulrazeq, H. F., Mirza, F. N., Lim, R. K., Johnston, B. R., Groff, M. W., Williamson, T., Svokos, K., Libby, T. J., Shin, J. H., Gokaslan, Z. L., Doberstein, C. E., Zou, J., & Asaad, W. F. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. https://doi.org/10.1001/jamasurg.2023.5695 Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman. Autenrieth, D., & Schluchter, J.-R. (2026). Künstliche Intelligenz und inklusive Bildung: Empirische Perspektiven auf Einstellungen und Nutzungsmuster von Lehrkräften [Artificial intelligence and inclusive education: Empirical perspectives on teachers' attitudes and usage patterns]. Medienimpulse, 64(1). https://doi.org/10.21243/mi-01-26-24  Barnes, M., & Tour, E. (2026). Teachers' use of generative AI: A 'dirty little secret'? Language and Education, 40(1), 24–39. https://doi.org/10.1080/09500782.2025.2485935 Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122 BEKIARIDIS, G. (author) and ATTWELL, G. (ed.), Supplement to the DigCompEDU Framework: Outlining the Skills and Competences of Educators Related to AI in Education, AI Pioneers – Work Package 3, Erasmus+ Programme, European Union, 2024. Available at: https://aipioneers.org/wp-content/uploads/2024/01/WP3_Supplement_to_the_DigCompEDU_English.pdf  BLOOM, B.S. (ed.), ENGELHART, M.D., FURST, E.J., HILL, W.H. and KRATHWOHL, D.R., Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain, David McKay Company, New York, 1956. Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287 Dier, M. (2025). KI-Kompetenzprofile von Lehrkräften an beruflichen Schulen: Vom Wissen zum didaktischen Handeln [AI competence profiles of vocational school teachers: From knowledge to didactic action]. Journal of Technical Education, 13(2), 66–85. https://doi.org/10.48513/joted.v13i2.328 Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13(1), Article 559. https://doi.org/10.1057/s41599-026-06903-y Farrokhnia, M., Latifi, S., Papadopoulos, P. M., Hogenkamp, L., Gijlers, H., Khosravi, H., & Noroozi, O. (2026). Generative AI offers more, but students revise less: Comparing the effects of teacher and AI feedback on student essay revisions. International Journal of Educational Technology in Higher Education, 23(1), Article 6. https://doi.org/10.1186/s41239-026-00579-9 Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students' performance. Frontiers in Artificial Intelligence, 6, Article 1162454. https://doi.org/10.3389/frai.2023.1162454 Jaggy, A.-K., Jansen, T., Fütterer, T., & Trautwein, U. (2026). Almighty ChatGPT? Development of gifted secondary school students' AI (mis)conceptions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0001063 Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6  Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218. Lee, V. R., Pope, D., Miles, S., & Zárate, R. C. (2024). Cheating in the age of generative AI: A high school survey study of cheating behaviors before and after the release of ChatGPT. Computers and Education: Artificial Intelligence, 7, Article 100253. https://doi.org/10.1016/j.caeai.2024.100253 Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779 Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students' mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education Sciences, 16(1), Article 140. https://doi.org/10.3390/educsci16010140 Maršálek, R., & Teplá, M. (2026). "Is AI inevitable?" Development of attitudes and practices of Czech teachers between 2023 and 2025. Education Sciences, 16(2), Article 335. https://doi.org/10.3390/educsci16020335 MIAO, F. and CUKUROVA, M., AI Competency Framework for Teachers, UNESCO, 2024. ISBN 978-92-3-100707-1. DOI: https://doi.org/10.54675/ZJTE2084  REDECKER, C., European Framework for the Digital Competence of Educators: DigCompEdu, PUNIE, Y. (ed.), EUR 28775 EN, Publications Office of the European Union, Luxembourg, 2017. ISBN 978-92-79-73494-6 (pdf). DOI: https://doi.org/10.2760/159770. JRC107466. Rind, I. A. (2026). Conceptualizing the impact of AI on teacher knowledge and expertise: A cognitive load perspective. Education Sciences, 16(1), Article 57. https://doi.org/10.3390/educsci16010057 Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7 Rowe, J., Klimaszewski, M., Guillou, L., Vallor, S., & Birch, A. (2025). EuroGEST: Investigating gender stereotypes in multilingual language models. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 32074–32096). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.emnlp-main.1632 Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), Article e0305354. https://doi.org/10.1371/journal.pone.0305354 Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066 Tian, Z., Liu, A., Esbenshade, L., Sarkar, S., Zhang, Z., He, K., & Sun, M. (2025). Implementation considerations for automated AI grading of student work. In J. Wilson, C. Ormerod, & M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full papers (pp. 9–20). National Council on Measurement in Education. https://aclanthology.org/2025.aimecon-main.2/  Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. https://doi.org/10.1177/14614448241252820 Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12(1), Article 621. https://doi.org/10.1057/s41599-025-04787-y  Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Advance online publication. https://doi.org/10.1177/14614448261435197 Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13(1), Article 684. https://doi.org/10.1057/s41599-026-07019-z Yan, D., & Zhang, S. (2024). L2 writer engagement with automated written corrective feedback provided by ChatGPT. Humanities and Social Sciences Communications, 11, Article 1086. https://doi.org/10.1057/s41599-024-03543-y Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), Article 110. https://doi.org/10.1007/s10648-025-10085-5  Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7 Yu, H., & Xie, Q. (2025). Generative AI vs. teachers: Feedback quality, feedback uptake, and revision. Language Teaching Research Quarterly, 47, 113–137. https://doi.org/10.32038/ltrq.2025.47.07 Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. https://doi.org/10.3102/00346543241293424 Preprints, documentos de trabajo e informes de investigación Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347  Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper No. 34851; rev. October 2026). National Bureau of Economic Research. https://doi.org/10.3386/w34851  Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate (arXiv:2509.04664v1) [Preprint]. arXiv. https://arxiv.org/abs/2509.04664  Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? (arXiv:2409.09047v2) [Preprint]. arXiv. https://arxiv.org/abs/2409.09047  Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education [Report]. Australian Network for Quality Digital Education; University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475 Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming (arXiv:2605.04779v1) [Preprint]. arXiv. https://arxiv.org/abs/2605.04779  Shao, J., Wu, Q., Zhang, H., Sun, S., & Zhuang, J. (2026). Mitigating scaffolding collapse in Socratic tutors via representation alignment (arXiv:2607.19371v1) [Preprint]. arXiv. https://arxiv.org/abs/2607.19371 Paris, A., Labetoulle, A., Bezjak, S., Butler, D., Cardoso-Leite, P., Chesné, J.-F., Kirsch, C., Mori, S., Nardi, A., Nencioni, P., Niewint, J., Rossi, F., Storai, F., Toci, V., & Mirazchiyski, P. V. (2023). Comparative European evaluation report (AI4T – Artificial Intelligence for and by Teachers, Deliverable D3.3). Cnesco-Cnam; France Éducation international. https://cnesco.fr/wp-content/uploads/2024/05/AI4T_WP3_D3.3_Comparative-European-Evaluation-Report.pdf  Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices Trial [Evaluation report]. National Foundation for Educational Research; Education Endowment Foundation; The Hg Foundation. https://www.nfer.ac.uk/publications/chatgpt-in-lesson-preparation-a-teacher-choices-trial/ Staksrud, E., Mascheroni, G., Milosevic, T., Ní Bhroin, N., Ólafsson, K., Şengül-İnal, G., & Stoilova, M. (2026). European children's use and understanding of generative AI: EU Kids Online 2026 (EU Kids Online Reports No. 1). London School of Economics and Political Science. https://doi.org/10.21953/researchonline.lse.ac.uk.00137132 Estadísticas e informes de organizaciones Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084 OECD. (2025). Results from TALIS 2024: The state of teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en UNESCO. (2023). Global education monitoring report 2023: Technology in education – A tool on whose terms? https://doi.org/10.54676/UZQV8501 Encuestas e informes de fundaciones, ONG… Bellio, N., & Kayser-Bril, N. (2024, March 4). Wie Bildgeneratoren die Welt zeigen: Stereotypen statt Vielfalt [How image generators show the world: Stereotypes instead of diversity]. AlgorithmWatch. https://algorithmwatch.org/de/bildgeneratoren-stereotypen/ Human Rights Watch. (2022, May 25). "How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. https://www.hrw.org/report/2022/05/25/how-dare-they-peep-my-private-life/childrens-rights-violations-governments Latham, K., & Montacute, R. (2025, July). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. https://www.suttontrust.com/wp-content/uploads/2025/07/Artificial-advantage.pdf Medienpädagogischer Forschungsverbund Südwest. (2024). JIM-Studie 2024. Jugend, Information, Medien: Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger [JIM study 2024: Youth, information, media]. https://mpfs.de/studie/jim-studie-2024/ Michel, L. P., & Goertz, L. (2025). mmb-Trendmonitor 2024/2025. Weiterbildung und digitales Lernen heute und in drei Jahren [mmb trend monitor 2024/2025: Continuing education and digital learning today and in three years] (Results of the 19th mmb Learning Delphi). mmb Institut. https://www.mmb-institut.de/wp-content/uploads/mmb-Trendmonitor_2024-2025.pdf Robert Bosch Stiftung. (2026). Deutsches Schulbarometer 2026: Befragung Lehrkräfte [German School Barometer 2026: Teacher survey] (Survey conducted by forsa). https://www.bosch-stiftung.de/sites/default/files/documents/2026-06/RBSG_Deutsches_Schulbarometer_Lehrkr%C3%A4fte_2026.pdf Trucano, M. (2023, July 10). AI and the next digital divide in education. Brookings Institution. https://www.brookings.edu/articles/ai-and-the-next-digital-divide-in-education/ Vodafone Stiftung Deutschland. (2024, March). Pioniere des Wandels: Wie Schüler:innen KI im Unterricht nutzen möchten [Pioneers of change: How students want to use AI in the classroom] (Survey conducted by infratest dimap). https://www.vodafone-stiftung.de/pioniere-des-wandels/ Walton Family Foundation, & Gallup. (2025, June). Teaching for tomorrow: Unlocking six weeks a year with AI. https://news.gallup.com/poll/691967/three-teachers-weekly-saving-six-weeks-year.aspx Documentos institucionales Børne- og Undervisningsministeriet, Styrelsen for Undervisning og Kvalitet. (2025, August 22). Forsøg med prøverne i engelsk A (stx) [Trial of the English A examinations (stx)] (Case 25/23313). https://www.uvm.dk/-/media/filer/uvm/udd/gym/pdf25/aug/250822-forsoeg-med-proeverne-i-engelsk-a--stx-.pdf  Commission nationale de l'informatique et des libertés. (2025, June 20). Enseignant : comment utiliser un système d'IA dans le respect du RGPD ? [Teachers: How to use an AI system in compliance with the GDPR]. https://www.cnil.fr/fr/enseignant-usage-systeme-ia  Department of Education Northern Ireland. (2026, May 6). Givan announces roll-out of AI tools and training for Northern Ireland teachers [Press release]. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers  Der Hamburgische Beauftragte für Datenschutz und Informationsfreiheit. (2023, November 13). Checkliste zum Einsatz LLM-basierter Chatbots [Checklist for the use of LLM-based chatbots]. https://datenschutz-hamburg.de/fileadmin/user_upload/HmbBfDI/Datenschutz/Informationen/20231113_Checkliste_LLM_Chatbots_DE.pdf  European Commission. (2026, September 7). Market surveillance authorities under the AI Act. https://digital-strategy.ec.europa.eu/en/policies/market-surveillance-authorities-under-ai-act  FWU Institut für Film und Bild in Wissenschaft und Unterricht. (n.d.). AIS.chat (vormals telli). Retrieved October 16, 2026, from https://fwu.de/ais-chat/  Haridus- ja Teadusministeerium. (2026, March 8). Europe's top PISA performer showcases AI Leap programme as global summit opens in Tallinn [Press release]. https://www.hm.ee/en/news/europes-top-pisa-performer-showcases-ai-leap-programme-global-summit-opens-tallinn  Joint Council for Qualifications. (2025). AI use in assessments: Protecting the integrity of qualifications (Effective from 30 April 2025). https://www.jcq.org.uk/exams-office/malpractice/artificial-intelligence/ Kennisnet. (2026, January 15). Toetsing en generatieve AI in het voortgezet onderwijs [Assessment and generative AI in secondary education] (updated April 28, 2026). https://www.kennisnet.nl/  Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder. (2024, May 6). Orientierungshilfe: Künstliche Intelligenz und Datenschutz [Guidance: Artificial intelligence and data protection] (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf  Kultusministerkonferenz. (2024, October 10). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen [Recommendation for education administrations on artificial intelligence in school education] (Resolution of the Bildungsministerkonferenz; rev. ed. March 2025). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf Ministère de l'Éducation nationale. (2025, June 13). Cadre d'usage de l'IA en éducation [Framework for the use of AI in education]. https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647  Ministère de l'Éducation nationale. (2026, February). M.I.A. Seconde, une approche personnalisée de la remédiation en français et en mathématiques [M.I.A. Seconde: A personalised approach to remediation in French and mathematics]. Éduscol. https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques  Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, January 15). 20-tisíc licencií ChatGPT Edu podporí rozvoj digitálnych zručností budúcich učiteľov [20,000 ChatGPT Edu licences will support future teachers' digital skills] [Press release]. https://www.minedu.sk/20-tisic-licencii-chatgpt-edu-podpori-rozvoj-digitalnych-zrucnosti-buducich-ucitelov/  Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, May 12). Ministerstvo chce do konca roka sprístupniť AI nástroje pre všetkých učiteľov na Slovensku [The ministry wants to make AI tools available to all teachers in Slovakia by the end of the year] [Press release]. https://www.minedu.sk/ministerstvo-chce-do-konca-roka-spristupnit-ai-nastroje-pre-vsetkych-ucitelov-na-slovensku/  Ministerium für Schule und Bildung des Landes Nordrhein-Westfalen. (n.d.). Dienstanweisung für die automatisierte Verarbeitung von personenbezogenen Daten in der Schule (BASS 10-41 Nr. 4). Retrieved October 16, 2026, from https://bass.schule.nrw/17585.htm  Bayerisches Staatsministerium für Unterricht und Kultus. (n.d.). Private Endgeräte im Dienstgebrauch [Private devices for official use]. Retrieved October 16, 2026, from https://www.km.bayern.de/gestalten/digitalisierung/datensicherheit/private-endgeraete-im-dienstgebrauch  Office of Qualifications and Examinations Regulation. (2026, March). SLT briefing pack: AI and coursework integrity (Version 2.5). https://www.gov.uk/government/organisations/ofqual  Scheiter, K., Bauer, E., Omarchevska, Y., Schumacher, C., & Sailer, M. (2025). Künstliche Intelligenz in der Schule: Eine Handreichung zum Stand in Wissenschaft und Praxis [Artificial intelligence in schools: A guide to the state of research and practice]. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend. https://www.empirische-bildungsforschung-bmbfsfj.de/img/KI_Review.pdf  Statsministerens kontor, & Kunnskapsdepartementet. (2026, June 19). Ny nasjonal anbefaling: Kunstig intelligens skal i all hovedsak ikke brukes i barneskolen [New national recommendation: AI should as a rule not be used in primary school] [Press release]. https://www.regjeringen.no/no/aktuelt/kunstig-intelligens-skal-i-all-hovedsak-ikke-brukes-i-barneskolen/id3166807/  SURF. (2026, May 27). Privacy risks Microsoft 365 Copilot remain 'orange' despite improvements. https://www.surf.nl/en/news/privacy-risks-microsoft-365-copilot-remain-orange-despite-improvements  Transport for London. (2022, March). The Knowledge of London: An introduction to learning the Knowledge of London and the examination process. https://foi.tfl.gov.uk/FOI-0355-2425/Introduction%20to%20Knowledge%20Booklet%20(March%202022).pdf  Vanderbilt University, Brightspace Support. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/  Verband Bildungsmedien. (n.d.). Urheberrecht und KI [Copyright and AI]. Schulbuchkopie.de. Retrieved October 16, 2026, from https://www.schulbuchkopie.de/index.php/urheberrecht-und-ki  ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2026). Verwendung generativer KI-Systeme bei Leistungsnachweisen [Use of generative AI systems in assessments] (Richtlinie Z-RL, Version 4.0.0). https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf  Fuentes de prensa AI Leap Foundation. (n.d.). AI Leap (TI-Hüpe). Retrieved October 16, 2026, from https://tihupe.ee/en  Depue, W. (2023, November 6). What's new with DALL·E 3? OpenAI Cookbook. https://developers.openai.com/cookbook/articles/what_is_new_with_dalle_3  EvidenceB. (2022, November 30). EvidenceB et Docaposte remportent le marché public pour offrir un service de remédiation en français et en mathématiques pour tous les nouveaux lycéens de France [Press release]. https://evidenceb.fr/evidenceb-et-docaposte-remportent-le-marche-public/  OpenAI. (2022, July 18). Reducing bias and improving safety in DALL·E 2. https://openai.com/index/reducing-bias-and-improving-safety-in-dall-e-2  Raghavan, P. (2024, February 23). Gemini image generation got it wrong. We'll do better. The Keyword (Google). https://blog.google/products/gemini/gemini-image-generation-issue/ Legislación Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation), OJ L 119, 4.5.2016, p. 1. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng — consolidated version of 27 July 2026: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727  Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), OJ L, 2026/1744, 24.7.2026 (in force 27 July 2026; corrigendum 29 September 2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng  Gesetz über Urheberrecht und verwandte Schutzrechte (Urheberrechtsgesetz – UrhG) [German Copyright Act], §§ 2, 16, 44a, 44b, 60a, 97. https://www.gesetze-im-internet.de/urhg/  Schulgesetz für Baden-Württemberg (SchG), § 115b. https://www.landesrecht-bw.de/  Bayerisches Hochschulinnovationsgesetz (BayHIG), as amended by the Act of 8 May 2026 (GVBl. p. 208). https://www.gesetze-bayern.de/  Resoluciones judiciales Verwaltungsgericht Hamburg, Beschluss vom 15. Dezember 2025, 2 E 8786/25 (interim relief, § 123 VwGO; not final). https://justiz.hamburg.de/resource/blob/1128534/4a02d061e1d2a47e4ff1449241831117/2-e-8786-25-beschluss-vom-15-12-25-data.pdf  Verwaltungsgericht Kassel, Urteile vom 25. Februar 2026, 7 K 2134/24.KS und 7 K 2515/25.KS (appeal admitted; not final). Press release No. 1/2026 of 26 February 2026. https://verwaltungsgerichtsbarkeit.hessen.de/presse/unzulaessige-nutzung-kuenstlicher-intelligenz-bei-studentischen-pruefungsleistungen  Landgericht München I, Urteil vom 11. November 2025, 42 O 14139/24 (GEMA v. OpenAI; appeal pending before the OLG München).  Raad van State (Afdeling bestuursrechtspraak), uitspraak van 30 juli 2025, 202501708/1/A2, ECLI:NL:RVS:2025:3585. https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RVS:2025:3585  Tribunal administratif de Paris, ordonnance du 12 février 2026, n° 2600972 (référé).  Kammarrätten i Göteborg, dom den 14 juli 2023, mål nr 4285-23. Reported in Processrätt (2023, November 4), https://processratt.se/kammarratten-i-goteborg-upphaver-disciplinnamndens-beslut-om-fusk-med-ai-verktyg/ 6.2 Glosario y Términos Clave Término Sinónimos Definición A Actividad de evaluación inglés: Assessment Activity Actividad que se utiliza para valorar si se han alcanzado los resultados de aprendizaje. Acumulabilidad Acumulable; inglés: Stackability Posibilidad de combinar microcredenciales a lo largo del tiempo para que cuenten para obtener cualificaciones mayores. Adquisición Contratación, decisión de compra; inglés: Procurement Proceso mediante el cual un centro o una administración selecciona y adquiere herramientas de IA. En esta fase se aseguran límites fiables y garantías contractuales; por eso la responsabilidad recae en quien realiza la adquisición y no en cada docente. Agencia del alumnado Autonomía del alumnado; inglés: Learner agency Capacidad del alumnado para tomar sus propias decisiones sobre su aprendizaje, también sobre el uso de recursos generados por IA. El profesorado debe preservarla en los procesos apoyados por IA. AI Pioneers   Marco que amplía DigCompEdu con competencias específicas en IA para el profesorado. Ajuste del modelo Ajuste, entrenamiento de seguridad; inglés: Tuning Ajustes que realiza un proveedor tras el entrenamiento inicial para orientar lo que un sistema muestra o dice, por ejemplo, para hacerlo más seguro, más justo o más diverso. El ajuste no es visible en el resultado, puede fallar y puede cambiar sin previo aviso. Alfabetización en IA inglés: AI literacy Comprensión de los conceptos, oportunidades, limitaciones y uso responsable de la IA. Según el art. 4 del Reglamento de IA, los centros deben favorecer su desarrollo entre el personal que utiliza IA (obligatorio desde el 2 de febrero de 2025); no se prescribe ningún nivel, certificado ni formato concreto. También es el nombre de la Vía B de certificación. Alojamiento de datos inglés: Data hosting Lugar donde se almacenan y tratan los datos, p. ej., en servidores europeos o fuera de la UE. Los datos que salen de la UE necesitan una garantía. Alucinación inglés: Hallucination Fluida, segura de sí misma, falsa. No es un defecto a la espera de un parche, sino una consecuencia de la forma en que los sistemas generan texto. Andamiaje inglés: Scaffolding Guía estructurada del docente que ayuda al alumnado a utilizar una herramienta o a completar una tarea que todavía no podría realizar por sí solo. Anonimización inglés: Anonymisation Modificar los datos de forma que una persona ya no pueda ser identificada, ni siquiera por el contexto. Borrar los nombres no es anonimizar, sobre todo en redacciones y diarios de aprendizaje que delatan a su autor por el estilo. Aprendizaje automático ML; inglés: Machine learning Enfoque en el que un sistema de IA aprende patrones a partir de los ejemplos que recibe en lugar de seguir reglas escritas a mano. Si los ejemplos son demasiado parecidos, incompletos o están mal elegidos, el modelo produce resultados inesperados. Aprovechamiento de la retroalimentación Aprovechamiento; inglés: Feedback uptake Si la retroalimentación se lee, se entiende, se pone en práctica y se comprende lo bastante bien como para que el alumno pueda hacerlo bien sin ayuda la próxima vez. El cuello de botella es el aprovechamiento, no la calidad. Asistente de IA inglés: AI Assistant Herramienta de IA que realiza trabajo en nombre del usuario. Puede reducir la diferencia de resultados entre usuarios, pero no la diferencia de capacidades. Autoridad de vigilancia del mercado inglés: Market surveillance authority Autoridad nacional que vela por el cumplimiento del Reglamento de IA. Cualquier persona, incluidos docentes, alumnado y familias, puede presentar una reclamación ante ella (art. 85 del Reglamento de IA). B Barreras de seguridad inglés: Guardrails Límites incorporados en un sistema para que apoye el pensamiento en lugar de sustituirlo. Base de datos de la UE inglés: EU database Registro de la UE en el que las autoridades públicas pueden tener que inscribir los sistemas de IA de alto riesgo que utilizan (art. 49 del Reglamento de IA). Brecha entre conocimiento y acción inglés: Knowledge-Action Gap La distancia medible entre saber sobre IA y enseñar de forma distinta gracias a ese saber. C Calificación automatizada Puntuación automatizada, evaluación automatizada; inglés: Automated grading Uso de software para puntuar o calificar trabajos. En el examen de certificación se aplica a las preguntas de respuesta cerrada. Caso de uso inglés: Use Case Escenario concreto que describe cómo se aplica la IA en la práctica docente. Categorías especiales de datos inglés: Special category data Datos personales que requieren una protección adicional, como los datos de salud, de discapacidad, los datos biométricos o los que revelan el origen étnico o la religión (art. 9 RGPD). En principio, vedados salvo que se aplique una excepción específica. Categorización biométrica inglés: Biometric categorisation Uso de datos biométricos para clasificar a las personas con el fin de inferir rasgos protegidos como la raza, las opiniones políticas, la religión o la orientación sexual. Prohibida por el Reglamento de IA. Certificado inglés: Certificate Documento formal que reconoce la adquisición de competencias. Chatbot de IA Chatbot; inglés: AI Chatbot Programa que conversa en lenguaje natural; hoy en día suele estar basado en un modelo de lenguaje grande. Cita inventada Fuente inventada; inglés: Fabricated citation Referencia producida por la IA a una fuente que no existe. Detectar este tipo de fuentes es una habilidad de verificación clave y uno de los indicios típicos de un uso no declarado de la IA. Clasificación de imágenes Clasificador de imágenes; inglés: Image classification Tarea de IA en la que un modelo, tras ser entrenado con ejemplos, ordena imágenes en categorías (p. ej., papel, plástico, otros) y después se pone a prueba con objetos nuevos. Cláusulas contractuales tipo CCT, SCC; inglés: Standard contractual clauses Cláusulas contractuales aprobadas por la UE que protegen los datos personales transferidos fuera de la UE cuando no existe una decisión de adecuación. Código de competencia Código de objetivo de aprendizaje; inglés: Competence code Etiqueta de un objetivo de aprendizaje, p. ej., AF-TL-2b: aspecto de la IA (HM, EI, AF) – ámbito pedagógico (PE, DR, TL, A, EL, FC) – nivel de progresión (1–3) y objetivo (a–c). Competencia inglés: Competence Lo que un docente sabe, sabe hacer y está dispuesto a hacer, descrito de forma que pueda enseñarse y comprobarse. Competencia docente en IA inglés: Teacher AI Competence Conocimientos, habilidades y actitudes del profesorado para enseñar con IA y sobre la IA, tal como se estructuran en el marco DUAL.AI.TEACHer. Competencia fundamental inglés: Core competency Una de las 18 competencias del marco DUAL.AI.TEACHer, cada una situada en la intersección de un ámbito pedagógico y un aspecto de la IA. Conocimiento factual inglés: Factual knowledge Conocimiento de hechos y conceptos. Los tutores de IA pueden apoyar su adquisición. Contrato de encargo del tratamiento DPA, acuerdo de tratamiento de datos; inglés: Data processing agreement Contrato escrito entre el centro y el proveedor que especifica cómo puede tratar el proveedor los datos personales (art. 28 RGPD). La prueba práctica: ¿excluye el entrenamiento con tus entradas? Criterio de evaluación inglés: Assessment Criterion Regla o referencia que se utiliza para valorar si se ha alcanzado un resultado de aprendizaje. Cumplimiento normativo en IA Uso conforme de la IA; inglés: AI Compliance Usar la IA de acuerdo con la normativa de protección de datos, el Reglamento de IA, los derechos de autor y la normativa de exámenes. El cumplimiento normativo posibilita el uso en lugar de obstaculizarlo. Curso inglés: Course Conjunto estructurado de módulos de formación diseñado para ofrecer una experiencia de aprendizaje completa. D Datos biométricos inglés: Biometric data Datos procedentes de características físicas como el rostro o la voz. Son una categoría especial de datos según el RGPD, y varios usos de la IA basados en ellos están prohibidos en los centros educativos. Datos de diagnóstico Telemetría; inglés: Diagnostic data Datos técnicos que un proveedor recopila sobre el uso de su servicio. Cuánto tiempo se conservan es una cuestión de protección de datos. Datos de entrenamiento Material de entrenamiento, ejemplos de entrenamiento; inglés: Training data Ejemplos a partir de los cuales aprende un sistema de IA, como millones de imágenes etiquetadas por personas. Los sesgos de este material se trasladan a los resultados del sistema y no desaparecen simplemente porque los modelos sean más grandes. Datos personales inglés: Personal data Cualquier información sobre una persona identificable, p. ej., nombres, direcciones de correo electrónico del centro, trabajos del alumnado, grabaciones de voz, fotos, calificaciones, datos de asistencia y de progreso en el aprendizaje. Los datos siguen siendo personales si alguien puede ser identificado por el contexto. Decisión automatizada Toma de decisiones automatizada; inglés: Automated decision-making Decisión basada únicamente en un tratamiento automatizado que afecta significativamente a una persona. Una calificación es una decisión de este tipo; dar por buena de manera meramente formal la propuesta de una IA no cuenta como decisión humana. Decisión de adecuación inglés: Adequacy decision Decisión de la UE según la cual un país no perteneciente a la UE protege adecuadamente los datos personales, de modo que pueden transferirse a él. Deepfake Ultrafalso Contenido de imagen, audio o vídeo generado o manipulado con IA que parece auténtico. Debe indicarse cuando se utiliza en el aula (art. 50.4 del Reglamento de IA). Dependencia excesiva Exceso de confianza; inglés: Overreliance Confiar en los resultados de la IA más de lo que merecen, por ejemplo, aceptando calificaciones o retroalimentación erróneas. El profesorado que utiliza IA de alto riesgo debe estar activamente atento a ello. Derechos de autor inglés: Copyright Protección jurídica de las obras. En el caso de la IA, lo que se genera suele estar libre de derechos de autor, pero subir obras protegidas a un sistema de IA no está cubierto por la excepción docente. Desarrollo profesional continuo DPC, formación permanente; inglés: Continuing professional development Formación profesional para docentes que ya trabajan en centros educativos. La etapa 6 de la hoja de ruta la convierte en una oferta estructurada con microcredenciales acumulables. Descarga cognitiva inglés: Cognitive Offloading Delegar trabajo mental a algo externo a la propia mente. Es útil cuando el conocimiento ya está asentado, y perjudicial cuando todavía se está formando. Descualificación inglés: Deskilling Erosión lenta de la pericia profesional cuando una herramienta absorbe el trabajo mediante el cual se mantiene esa pericia. Detector de IA inglés: AI Detector Software que afirma identificar textos escritos por una máquina. Lo que realmente mide es la previsibilidad. Determinista inglés: Deterministic Que produce siempre exactamente el mismo resultado a partir de los mismos valores de partida. Difusión de innovaciones inglés: Diffusion of innovations Teoría sobre cómo se extienden las innovaciones: se adoptan con más facilidad cuando pueden probarse (posibilidad de prueba) y verse en funcionamiento (observabilidad). DigCompEdu   Marco Europeo para la Competencia Digital del Profesorado. Aporta la estructura pedagógica (dimensión horizontal) del marco DUAL.AI.TEACHer. Dimensión inglés: Dimension Cada una de las grandes áreas en que se divide el marco; cada una agrupa competencias que van juntas en la práctica. Dimensión de inclusión inglés: Inclusion Dimension Dimensión centrada en la accesibilidad, la equidad y la inclusión en la enseñanza y el aprendizaje apoyados por IA. Dimensión ética inglés: Ethical Dimension Dimensión que aborda las consideraciones éticas relacionadas con el uso de la IA en la enseñanza y el aprendizaje. Dimensión horizontal Dimensión pedagógica; inglés: Horizontal dimension Los seis ámbitos de la práctica docente del marco DUAL.AI.TEACHer, tomados de DigCompEdu: Compromiso Profesional, Recursos Digitales, Enseñanza y Aprendizaje, Evaluación, Empoderamiento del Alumnado y Facilitar la Competencia Digital (en IA) del Alumnado. Dimensión vertical Dimensión de IA; inglés: Vertical dimension Los tres aspectos de la IA del marco DUAL.AI.TEACHer, tomados del marco de la UNESCO: mentalidad centrada en el ser humano, ética de la IA, y fundamentos y aplicaciones de la IA. Directivo escolar Dirección del centro, director; inglés: School Administrator Persona responsable de dirigir un centro educativo, como el director o el subdirector. El capítulo 5.3 se dirige directamente a estas personas. Directriz política inglés: Policy Guideline Documento de política educativa que orienta el desarrollo de competencias y prácticas docentes. Diseño Universal para el Aprendizaje DUA, UDL; inglés: Universal Design for Learning Marco para un diseño inclusivo y centrado en el alumnado. Se utiliza para reforzar la dimensión inclusiva del marco. Docente Profesor; inglés: Teacher Persona responsable de diseñar e impartir actividades de enseñanza y aprendizaje. Dominio competencial Área de competencia; inglés: Competence Domain Grupo de competencias relacionadas dentro de un marco. E Edición del curso inglés: Course Run Instancia concreta de impartición de un curso, con participantes inscritos y un periodo definido. Efecto amplificador Amplificación frente a igualación; inglés: Amplification effect La IA tiende a ampliar las brechas existentes. Solo iguala cuando se cumplen tres condiciones a la vez: acceso seguro, una herramienta diseñada para aprender y no para dar respuestas, y un docente que acompaña su uso con andamiaje. Efecto Mateo inglés: Matthew effect Quienes ya tienen ventajas son los que más se benefician: «al que tiene, se le dará más». Efecto novedad inglés: Novelty effect Efecto positivo temporal que se produce simplemente porque algo es nuevo. Puede inflar los resultados de los estudios a corto plazo. Elaboración de perfiles Perfilado; inglés: Profiling Evaluación automatizada de personas para analizar o predecir sus características o su comportamiento. Un sistema de IA educativo que elabora perfiles de personas se considera siempre de alto riesgo. Encargado del tratamiento inglés: Processor Según el RGPD, organismo que trata datos personales por cuenta del responsable del tratamiento y siguiendo estrictamente sus instrucciones, por ejemplo, un proveedor de IA. Ensayo controlado aleatorizado ECA, RCT, ensayo controlado; inglés: Randomised controlled trial Estudio en el que los participantes se asignan aleatoriamente a grupos, de modo que las diferencias en los resultados pueden atribuirse a la intervención. Enseñar con IA Aprender CON IA; inglés: Teaching with AI Utilizar la IA como herramienta para el propio trabajo docente, desde la planificación hasta la retroalimentación. Enseñar sobre la IA Aprender SOBRE la IA; inglés: Teaching about AI Convertir la propia IA en objeto de la clase, para que el alumnado comprenda cómo funciona y dónde falla. Entorno escolar de IA Plataforma verificada; inglés: School AI environment Plataforma de IA para centros educativos, proporcionada y verificada por el Estado, con contratos negociados, que se ofrece en lugar de dejar que el profesorado se registre en herramientas gratuitas. EntreComp   Marco Europeo de la Competencia Emprendedora. Ha aportado la creatividad y la innovación al marco. Entrenamiento con las entradas de los usuarios inglés: Training on user inputs Cuando un proveedor utiliza lo que los usuarios escriben o suben para sus propios fines, en especial para entrenar sus modelos. Solo pueden introducirse datos personales si un acuerdo escrito lo excluye. Equidad No discriminación; inglés: Fairness Principio según el cual la IA y su uso no deben perjudicar sistemáticamente a las personas, p. ej., detectores de IA que señalan erróneamente textos de hablantes no nativos. ESCO   Clasificación europea de capacidades, competencias, cualificaciones y ocupaciones. La certificación está alineada con ella. Escritura cíborg inglés: Cyborg writing Escritura en la que la IA amplía el pensamiento de quien escribe en lugar de sustituirlo, y en la que el alumnado señala qué partes son propias. Esquema inglés: Schema Conocimiento organizado de una persona. Estocástico Aleatorio; inglés: Stochastic Sujeto al azar, de modo que la misma configuración puede dar lugar a resultados diferentes. Estudiante Alumno; inglés: Learner Persona que participa en actividades de aprendizaje para adquirir conocimientos, habilidades o competencias. Ética de la IA inglés: Ethics of AI Principios éticos, normativas, políticas institucionales y pautas prácticas que rigen el uso de la IA y que el profesorado necesita comprender y aplicar. Es un aspecto transversal de la dimensión vertical. Europass   Plataforma de la UE a través de la cual pueden compartirse certificados digitales y en la que terceras instituciones pueden comprobar su validez. Evaluación de impacto relativa a los derechos fundamentales FRIA; inglés: Fundamental rights impact assessment Evaluación que los organismos públicos y las organizaciones que prestan servicios públicos pueden tener que realizar antes de utilizar IA de alto riesgo (art. 27 del Reglamento de IA). Examen en línea inglés: Online Exam Evaluación formal y estructurada que se realiza en línea como parte del proceso de evaluación. Excepción docente inglés: Teaching exception Excepción a los derechos de autor que permite al profesorado reproducir una parte limitada de una obra para su clase. No cubre la subida de obras protegidas a un sistema de IA, y quedan excluidos los materiales destinados a la enseñanza escolar, principalmente los libros de texto. Explicabilidad Explicación de la IA; inglés: Explainability Capacidad de un sistema de IA de mostrar cómo ha llegado a su resultado. Las explicaciones no evitan de forma fiable el exceso de confianza; las explicaciones demasiado técnicas o demasiado simplificadas pueden incluso aumentar una confianza injustificada. Extracción no selectiva Scraping; inglés: Untargeted scraping Recopilación masiva y automatizada de imágenes de internet o de grabaciones de videovigilancia sin un fin o una persona concretos. F Falso positivo inglés: False Positive Un trabajo correcto y honesto señalado erróneamente. Es el error que perjudica al alumnado. Filtro de contenidos inglés: Content filter Mecanismo automático que bloquea o modifica contenidos que un proveedor considera inadecuados. Sus criterios a menudo no se hacen públicos. Formación inicial del profesorado FIP; inglés: Initial teacher education Formación universitaria del futuro profesorado. Formador de docentes Formador del profesorado; inglés: Teacher educator Personal académico que imparte docencia en la formación inicial del profesorado. Desarrollar sus capacidades es la etapa 3 de la hoja de ruta. Fundamentos y aplicaciones de la IA inglés: AI foundations and applications Conocimientos conceptuales y habilidades transferibles para comprender cómo funciona la IA y para seleccionar, aplicar y adaptar herramientas de IA. Es el aspecto específico de contenido de la dimensión vertical. G Gamificación Ludificación; inglés: Gamification Uso de elementos de juego en las clases. El uso de la IA para la gamificación produjo una mejora demasiado pequeña como para considerarla demostrada. Generación de código inglés: Code generation Dejar que la IA escriba código de programación. Los principiantes deberían evitarlo, porque todavía no pueden juzgar si el código es correcto. Generador de texto a imagen Generador de imágenes; inglés: Text-to-image generator IA generativa que crea imágenes a partir de un prompt escrito. Lo que muestra depende de sus datos de entrenamiento y de los ajustes realizados por su proveedor. H Herramienta de IA inglés: AI Tool Cualquier aplicación que utiliza IA para apoyar una tarea. Hoja de ruta de integración inglés: Integration Roadmap Itinerario paso a paso que recorre un docente o una institución desde el primer contacto con la IA hasta una práctica consolidada; en DUAL.AI.TEACHer, nueve etapas. Hub digital inglés: Digital Hub Plataforma central en línea que reúne los recursos, los cursos y el intercambio comunitario de un proyecto. I IA Inteligencia artificial; inglés: AI Sistemas informáticos que realizan tareas asociadas al pensamiento humano, como reconocer patrones, procesar el lenguaje o generar contenidos, en su mayoría aprendiendo a partir de datos. IA generativa GenAI; inglés: Generative AI IA que crea textos, imágenes u otros contenidos nuevos a partir de un prompt. IA sostenible inglés: Sustainable AI Desarrollar y utilizar la IA teniendo en cuenta sus efectos medioambientales, sociales y económicos a largo plazo. ICEP Institute of European Certification of Personnel Organismo de certificación acreditado (ISO 17024) que gestiona la plataforma y el examen de certificación y conserva los registros de certificación. Ingeniería de prompts Prompting; inglés: Prompt engineering Redactar prompts eficaces como habilidad que puede enseñarse, por ejemplo, para planificar clases, diferenciar y calificar. Insignia digital Insignia digital abierta (Open Badge); inglés: Digital Badge Forma digital y compartible de un certificado o una microcredencial. Interfaz de chat de un LLM Asistente de chat de IA; inglés: LLM chat interface Ventana de chat en el navegador a través de la cual los usuarios trabajan con un modelo de lenguaje grande. L Licencia inglés: Licence   M Marco de Competencias en IA para Docentes de la UNESCO inglés: UNESCO AI Competency Framework for Teachers Marco de la UNESCO (2024) que define los principios, valores, conocimientos y habilidades que el profesorado necesita para utilizar la IA de forma ética, eficaz y segura. Fuente de la dimensión vertical. Marco de Competencias Pedagógicas en IA Marco de Competencias DUAL.AI.TEACHer; inglés: AI Pedagogical Competency Framework Estructura que ordena las competencias docentes relacionadas con la IA en dimensiones y niveles y las vincula con resultados y evaluaciones, alineando aspectos pedagógicos, éticos y técnicos. Marco europeo inglés: European Framework Marco de referencia que ofrece definiciones normalizadas de competencias a escala europea. Marco Europeo de Cualificaciones MEC (EQF); inglés: European Qualifications Framework Marco de referencia de la UE que hace comparables las cualificaciones entre países. La certificación está alineada con él. Marco pedagógico inglés: Pedagogical Framework Conjunto estructurado de principios y enfoques pedagógicos que orienta el diseño de la enseñanza y el aprendizaje. Mentalidad centrada en el ser humano inglés: Human-centred mindset Valores y actitudes que el profesorado necesita en la interacción entre personas e IA para dar prioridad a las necesidades, el juicio y el bienestar de las personas. Es un aspecto transversal de la dimensión vertical. Metaanálisis Revisión; inglés: Meta-analysis Estudio que combina los resultados de muchos estudios independientes sobre la misma pregunta. Microcredencial inglés: Micro-credential Certificación más pequeña que abarca un conjunto concreto de competencias en lugar de un itinerario completo; puede acumularse para obtener cualificaciones mayores. Modelo abierto Modelo de IA abierto; inglés: Open model Modelo de IA cuyos componentes están disponibles abiertamente, a diferencia de los modelos propietarios de las empresas. Se recomienda como parte de un acceso equitativo a la IA financiado con fondos públicos. Modelo de enseñanza inglés: Teaching Model Enfoque pedagógico que define cómo se estructuran la enseñanza y el aprendizaje, incluido el papel de la IA. Modelo de IA inglés: AI model Núcleo entrenado de un sistema de IA que genera salidas a partir de entradas. Modelo de lenguaje grande (LLM) LLM; inglés: Large Language Model (LLM) Modelo de IA entrenado con grandes cantidades de texto que genera continuaciones plausibles de un texto; es la base de los chatbots. Funciona como un motor de predicción, no como una base de datos. Modelo instalado localmente Modelo alojado localmente; inglés: Locally installed model Modelo de lenguaje que se ejecuta en un dispositivo o servidor propio del centro. Es una alternativa cuando el acceso a internet en el centro está restringido. Módulo de formación inglés: Training Module Unidad estructurada de formación que desarrolla competencias mediante actividades y materiales de aprendizaje. Motor de predicción Salida probabilística; inglés: Prediction engine Los modelos de lenguaje generan una continuación plausible de un texto en lugar de buscar datos en una base de datos. Esto explica por qué alucinan y por qué prompts similares pueden producir respuestas diferentes. N Nivel de progresión Nivel; inglés: Progression level Cada uno de los tres niveles en los que se describe cada competencia fundamental: Nivel 1 Conciencia Orientativa, Nivel 2 Implementación Reflexiva (el objetivo principal para el profesorado) y Nivel 3 Liderazgo Transformador. O Obligación de transparencia Obligación de etiquetado, deber de divulgación; inglés: Transparency obligation Obligación, según el art. 50 del Reglamento de IA, de informar a las personas cuando interactúan con una IA y de revelar los deepfakes y los textos generados por IA sobre asuntos de interés público. Están exentos los contenidos que han pasado por una revisión humana y un control editorial, por lo que una ficha de trabajo revisada por el docente no necesita etiqueta. Operador inglés: Operator Verbo en torno al cual se construye un objetivo de aprendizaje (p. ej., reconocer, implementar, criticar). Indica lo que se espera que haga un docente en ese nivel y hace que el objetivo sea observable. P Pensamiento computacional Pensamiento algorítmico; inglés: Computational thinking Abordar los problemas de una forma que podría ejecutar un ordenador, por ejemplo, dividiéndolos en pasos y reconociendo patrones. Personalización Personalización con IA; inglés: Personalisation Adaptar recursos, tareas o apoyos a cada estudiante con ayuda de la IA. Puede favorecer la inclusión, pero también conlleva riesgos de desigualdad, uso indebido de datos y exclusión. Plan de clase inglés: Lesson Plan Planificación detallada de una sesión de enseñanza, que incluye objetivos, actividades y la integración de herramientas de IA. Plataforma de aprendizaje adaptativo inglés: Adaptive learning platform Plataforma que ajusta el contenido, el ritmo o el itinerario de aprendizaje a cada estudiante. Plataforma MOOC inglés: MOOC Platform Plataforma digital que se utiliza para impartir cursos, gestionar a los participantes y alojar contenidos de aprendizaje. Playbook   Guía estructurada que traslada las competencias en IA a la práctica docente mediante casos de uso, modelos pedagógicos y recursos de formación. Prácticas de IA prohibidas inglés: Prohibited AI practices Ocho usos de la IA prohibidos sin excepción por el Reglamento de IA (art. 5) desde el 2 de febrero de 2025. Cuatro afectan a los centros educativos: el reconocimiento de emociones, la explotación de vulnerabilidades, las bases de datos de reconocimiento facial no selectivas y la categorización biométrica. Previsibilidad inglés: Predictability Grado en que la formulación de un texto es esperable. Los detectores de IA miden la previsibilidad, no la autoría de una máquina, por lo que señalan erróneamente textos sencillos o escritos en una segunda lengua. Profesorado universitario inglés: University Faculty Personal universitario que participa en la formación del profesorado; uno de los grupos destinatarios del playbook. Prompt Instrucción Instrucción que un usuario da a un sistema de IA. Su formulación, su contexto y sus restricciones determinan el resultado. Prompt estructurado inglés: Structured prompt Prompt que especifica algo más que el tema, por ejemplo, destinatarios, finalidad, contexto, nivel de lengua, tono, edad del alumnado, objetivo de aprendizaje, duración y resultado esperado. Ofrece más control sobre el resultado, pero no garantiza que sea bueno. Prompt único inglés: One-shot prompt Prompt enviado una sola vez, sin refinamiento ni seguimiento. (En el uso técnico, el término también puede designar un prompt que contiene un ejemplo resuelto.) Prompting iterativo Refinamiento de prompts; inglés: Iterative prompting Mejorar un resultado de la IA en varias rondas en lugar de confiar en un único prompt: definir el objetivo, formular el prompt, evaluar el resultado, refinarlo y verificarlo. Protección de datos inglés: Data protection Protección jurídica de los datos personales. Es el fundamento sobre el que descansa el derecho de la IA y se ha aplicado desde siempre; en la UE, principalmente el RGPD. Proveedor Proveedor de IA; inglés: Provider Empresa que desarrolla y ofrece un sistema de IA. Normalmente es responsable de informar a los usuarios de que están interactuando con una IA; cuando trata datos para un centro, actúa como encargado del tratamiento según el RGPD. R Reconocimiento de emociones inglés: Emotion recognition IA que pretende inferir sentimientos o intenciones a partir de datos biométricos, p. ej., detección de la atención, análisis del estado de ánimo o puntuación de la «implicación» mediante una cámara web. Prohibido en los centros educativos desde el 2 de febrero de 2025, con excepciones limitadas por motivos médicos o de seguridad. Reconocimiento de voz inglés: Speech recognition Forma de IA en la que un programa intenta reconocer palabras o números hablados. Su funcionamiento depende del micrófono, de la claridad con la que habla la persona y del silencio en la sala. Reconocimiento facial inglés: Facial recognition IA que identifica a las personas por su rostro, p. ej., para controlar la asistencia o supervisar exámenes. Está prohibido crear o ampliar bases de datos de reconocimiento facial mediante la extracción no selectiva de imágenes. Recurso educativo abierto (REA) REA, OER; inglés: Open Educational Resource (OER) Material de enseñanza y aprendizaje publicado con una licencia abierta que permite su uso, adaptación y difusión libres. Reescritura de prompts inglés: Prompt rewriting Un proveedor modifica automáticamente el prompt de un usuario antes de que lo reciba el modelo, por ejemplo, para añadir detalles o diversidad. El usuario no ve el cambio, de modo que lo que escribió no es lo que se le pidió a la máquina. Registros Logs; inglés: Logs Registros generados automáticamente por un sistema de IA. Los responsables del despliegue de sistemas de alto riesgo deben conservarlos durante al menos seis meses cuando los registros estén bajo su control. Reglamento de IA de la UE Reglamento de Inteligencia Artificial, Reglamento (UE) 2024/1689, AI Act; inglés: EU AI Act Normativa única de la UE para la IA, basada en el riesgo. Clasifica los sistemas de IA según el riesgo que suponen, desde las prácticas prohibidas, pasando por los usos de alto riesgo, hasta las herramientas cotidianas sin normas especiales, y se aplica a organizaciones públicas y privadas, incluidos los centros educativos. En vigor desde el 1 de agosto de 2024, con aplicación escalonada hasta 2027. Responsabilidad Rendición de cuentas; inglés: Accountability Responder de las decisiones sobre el uso de la IA y de sus consecuencias. La responsabilidad recae siempre en las personas y las instituciones, nunca en el sistema. Responsable del despliegue inglés: Deployer Organización que introduce y controla un sistema de IA, normalmente el centro educativo o la administración educativa. Un docente que utiliza la herramienta siguiendo las instrucciones del centro no suele ser un responsable del despliegue independiente. Responsable del tratamiento inglés: Controller Según el RGPD, el organismo responsable del tratamiento de datos personales. En el ámbito escolar suele ser el centro educativo. Resultado de aprendizaje inglés: Learning Outcome Enunciado medible que describe lo que se espera que un estudiante sepa o sea capaz de hacer. Retractación inglés: Retraction Retirada oficial de un artículo publicado por parte de una revista. El artículo sigue siendo visible, marcado como «RETRACTED», para que cualquiera que lo haya citado pueda reconocerlo. Revisión de código Revisión de código asistida por IA; inglés: Code review El alumnado escribe primero su propio código y después pide a la IA que sugiera mejoras, en lugar de dejar que escriba la solución. Las sugerencias deben evaluarse de forma crítica. RGPD Reglamento General de Protección de Datos, Reglamento (UE) 2016/679; inglés: GDPR Normativa de protección de datos de la UE. Mientras que el Reglamento de IA se pregunta si un sistema de IA puede utilizarse y cómo, el RGPD se pregunta si determinados datos sobre una persona concreta pueden tratarse de una manera concreta. Ruta de certificación inglés: Certification Pathway Itinerario mediante el cual se validan y reconocen formalmente las competencias; aquí, como una ruta doble (Vía A y Vía B). S Seguridad técnica inglés: Technical safety Fiabilidad y solidez de un sistema de IA para que funcione según lo previsto y no cause daños. Servidor inglés: Server Ordenador que almacena y procesa datos para otros a través de una red. La ubicación de los servidores de una herramienta de IA (p. ej., en la UE) influye en qué normas de protección de datos se aplican. Sesgo inglés: Bias Inclinaciones heredadas del material del que ha aprendido un sistema, que no se reducen de forma fiable aumentando el tamaño del sistema. Sesgo de automatización Exceso de confianza; inglés: Automation Bias Aceptar la sugerencia de una máquina sin comprobarla de forma independiente. Sistema de IA de alto riesgo IA de alto riesgo; inglés: High-risk AI system Sistema de IA cuya finalidad prevista lo somete a obligaciones estrictas. En educación: decidir sobre la admisión, evaluar resultados de aprendizaje u orientar el aprendizaje, valorar el acceso a niveles educativos y detectar comportamientos prohibidos en exámenes; en relación con el personal: contratación, promoción, asignación de tareas y evaluación del desempeño. Las obligaciones se aplican a partir del 2 de diciembre de 2027. Sistema de tutoría inteligente ITS; inglés: Intelligent tutoring system Software de aprendizaje consolidado que guía al alumnado con tareas y retroalimentación adaptadas. Soberanía digital inglés: Digital sovereignty Control sobre los propios datos, la infraestructura y las decisiones tecnológicas. Construir una plataforma propia no da automáticamente más control, por lo que el playbook aconseja usar el término con cautela. Software de práctica adaptativo inglés: Adaptive practice software Software de práctica que ya se utiliza en los centros y que ajusta los ejercicios a las respuestas del alumno. Los chatbots de IA generativa mostraron efectos mayores sobre el conocimiento y la comprensión. Supervisión de exámenes Proctoring, supervisión remota; inglés: Proctoring Vigilancia de exámenes mediante software, por ejemplo, a través de la cámara web. La IA que detecta comportamientos prohibidos durante los exámenes se considera de alto riesgo; el examen de certificación utiliza supervisión remota. Supervisión humana inglés: Human oversight Requisito de que personas competentes, formadas y autorizadas supervisen un sistema de IA de alto riesgo, comprendan sus límites y puedan desestimar o anular sus resultados. Supervisar sin pericia no es supervisar. T Taxonomía de Bloom revisada inglés: Revised Bloom's taxonomy Modelo en el que los procesos cognitivos evolucionan desde recordar y comprender, pasando por aplicar y analizar, hasta evaluar y crear (Anderson y Krathwohl, 2001). Base de los niveles de progresión. Tercero inglés: Third party Empresa que no es ni el centro ni el desarrollador de la aplicación; normalmente, empresas de publicidad o de analítica que reciben datos mientras el alumno trabaja. Transparencia algorítmica inglés: Algorithmic transparency Grado en que puede comprenderse cómo llega un sistema de IA a sus resultados y quién ha decidido cómo se comporta. Tutor de IA inglés: AI Tutor Sistema de IA diseñado para explicar contenidos y guiar al alumnado. Puede apoyar la adquisición de conocimientos factuales. Tutor socrático inglés: Socratic tutor Chatbot al que se indica que formule preguntas orientadoras en lugar de dar respuestas. Si se configura solo mediante un prompt, en las conversaciones largas tiende a volver a dar respuestas, por lo que los límites fiables deben incorporarse al propio sistema. U Unidad de aprendizaje inglés: Learning Unit Actividad de aprendizaje concreta que realiza el estudiante dentro de un módulo. Unidad de contenido inglés: Content Unit El componente de aprendizaje reutilizable más pequeño que se utiliza en planes de clase y módulos. V Vía de certificación Vía A, Vía B; inglés: Certification track Una de las dos certificaciones complementarias: la Vía A, Enseñanza Potenciada por IA (CON IA), y la Vía B, Alfabetización en IA (SOBRE IA). El profesorado puede realizar una de ellas o ambas. Vibe coding   Crear o ampliar software describiendo en lenguaje natural lo que debe hacer y dejando que una IA escriba el código. En el playbook, el alumnado amplía una simulación existente mediante prompts en lugar de programar desde cero.