1.2 Ensinar sobre a IA e ensinar coa IA
Mensaxe clave
Se só lembra unha frase desta páxina: a IA é un navegador GPS. Salva a condutora que xa ten un mapa na cabeza e impide, sen que se note, que quen non o ten chegue a construílo nunca.
O problema do GPS
Para conducir un taxi en Londres, primeiro hai que superar unha proba de coñecementos: 320 rutas establecidas nas 113 millas cadradas (uns 290 km²) situadas a menos de seis millas (uns 10 km) de Charing Cross. Transport for London concede ata dous anos de preparación antes mesmo de que comecen os exames.
As condutoras que superaron a proba tamén usan GPS, e ninguén as considera peores por iso. A proba de coñecementos non perdeu o seu valor cando chegou o dispositivo. O GPS converteuse no que fai segura a condución. Unha condutora que leva a cidade na cabeza usa o GPS para o que non pode saber: o accidente na ponte ou o tráfico desta noite. E decátase cando a manda por unha rúa que está levantada por obras desde abril.
Agora poña unha recén chegada no mesmo taxi e co mesmo GPS. Chega a todos os enderezos. Durante un tempo, non se distingue da condutora experimentada. Pero, seguindo as instrucións do GPS, non está a construír nada. Despois dun ano xirando á esquerda cando llo indican, segue sen poder cruzar a cidade sen o dispositivo e non é capaz de saber cando se equivoca.
Fig. 1: “O resultado depende de quen conduce” (imaxe xerada con IA, Google Gemini)
Á esquerda, a condución comeza cun mapa na cabeza e o GPS achega o que a condutora non pode saber. Isto chámase “descarga beneficiosa”. Á dereita, a condutora non ten ningún mapa na cabeza e o dispositivo é a súa única orientación. Isto chámase “descarga prexudicial”.
Isto é o que a investigación chama un esquema: o coñecemento previo organizado dunha persoa. Cando existe, delegar traballo nunha máquina libera recursos. Os investigadores chámanlle descarga cognitiva beneficiosa. Porén, cando o coñecemento aínda ten que desenvolverse, o mesmo proceso pode impedir que se forme. Isto chámase descarga cognitiva prexudicial.
Un estudo con arredor de mil estudantes de secundaria mostra como sucede isto nunha aula de matemáticas. Un grupo practicou cun chatbot sen restricións e outro sen el. Mentres o tiña, o grupo do chatbot obtivo un 48 % máis nos exercicios de práctica. Despois chegou un exame sen o chatbot. Os mesmos estudantes que resolveran tan ben os exercicios obtiveron agora un 17 % menos ca o grupo que nunca usara o chatbot de IA. Un terceiro grupo usou unha versión da IA deseñada para non dar as respostas e formular preguntas no seu lugar. Ese grupo non perdeu nada.
Ese terceiro grupo resume toda a cuestión do deseño. Un GPS que indica o destino e axuda a atopar a ruta ensina a cidade. Un GPS que di xire á esquerda en 200 metros non o fai, por bos que sexan os seus datos. A investigación chama a esta diferenza salvagardas (guardrails), e o deseño decide se axuda o seu alumnado a aprender o mapa da cidade ou simplemente a chegar ao destino.
Lembre: vostede ten o coñecemento. O seu alumnado, na materia que vostede imparte, aínda non. Esa asimetría é a esencia de todo o capítulo.
Voices of the field
“Neste momento, as ferramentas ás que recorre o alumnado están feitas para resolver problemas, non para ensinar, e esa é a principal dificultade no meu traballo actualmente.”
Dous andares, non dous temas
Na literatura académica, estes dous ámbitos considéranse campos distintos. Pódense imaxinar como dous andares dun edificio: a maioría dos docentes está no baixo e non hai ningunha escaleira que leve ao primeiro andar.
Nun estudo con 90 docentes de centros de formación profesional de Baviera inscritos nunha formación sobre IA, o profesorado valorou os seus coñecementos sobre IA cun 3,4 sobre 5 de media, pero a súa capacidade para empregala no ensino moito máis baixo, cun 2,6. Saber e facer separáranse. Un ensaio en cinco países europeos comprobou despois se a formación podía pechar esa fenda. Participaron 736 docentes de Francia, Irlanda, Italia, Luxemburgo e Eslovenia, divididos en dous grupos. Un grupo recibiu un curso en liña e apoio durante o ensaio; o outro recibiu o mesmo curso en liña ao remataren o ensaio. Os resultados mostraron que aumentaron os coñecementos e a capacidade de xulgar o que podía facer unha ferramenta. Pero na maioría dos países o uso habitual da IA na aula non cambiou: os docentes probaron ferramentas e volveron ao que facían antes.
Esta é a fenda entre coñecemento e acción. Os cursos producen coñecemento, pero cambiar a práctica require acompañamento, experimentación e colegas cos que reflexionar. A transferencia hai que deseñala, non esperala.
Voices of the field
“O único inconveniente deste webinario é que non o podemos probar directamente.”
O que fai realmente o profesorado
A constatación máis sólida en todos os países resulta, discretamente, sorprendente: o profesorado usa a IA de forma intensiva para si mesmo e apenas co seu alumnado. En Alemaña, o 52 % dos docentes usa ferramentas de IA varias veces ao mes ou máis. Pero, entre os que usan a IA, só o 29 % deixa que o seu alumnado traballe con ela na aula. Así, o debate público sobre “a IA na aula” é en boa medida un debate sobre algo que aínda non sucede a grande escala.
Fig. 2: “Diferenza entre o uso da IA para a preparación e o seu uso na aula” (imaxe xerada con IA, Google Gemini)
O que si está a suceder é un alivio da carga de traballo, e aquí as noticias son boas. Nun ensaio en Inglaterra, 259 docentes de 68 centros recibiron ChatGPT e unha guía para planificar clases de ciencias para alumnado de 11 a 13 anos. Dedicaron uns 56 minutos semanais á planificación, fronte a 81 no grupo de comparación. Avaliadores independentes que descoñecían de que grupo procedía cada clase non atoparon indicios de diferenzas de calidade. Nunha ampla enquisa nos Estados Unidos, os docentes que usan a IA polo menos unha vez por semana estimaron un aforro de case seis horas semanais; trátase da súa propia estimación, non dunha medición.
E paga a pena deterse nun patrón. Na mesma enquisa estadounidense, os centros cunha política sobre IA tiñan máis docentes que usaban a IA (sete de cada dez fronte a seis de cada dez) e, polo tanto, aforraban en total arredor dunha cuarta parte máis de tempo docente. Para cada docente que usa a IA todas as semanas, a diferenza era pequena. Trátase da valoración do propio profesorado e non dunha medición, e unha enquisa non pode mostrar en que dirección vai a frecha: quizais os centros ben organizados simplemente fan ben as dúas cousas. Pero é o contrario do que espera a maioría da xente: as normas claras e o uso intensivo aparecen xuntos, non enfrontados. 1.4 Uso da IA conforme á normativa
Voices of the field
“É importante tela como complemento, pero desde logo sen deixar que ChatGPT leve toda a clase.”
Por que a ferramenta non é o esencial
Se buscaba unha clasificación das mellores ferramentas de IA, a investigación vaino decepcionar e despois, nunha segunda lectura, liberalo. Cando os investigadores reúnen moitos estudos independentes e se preguntan que distingue as aulas nas que a IA axudou moito daquelas nas que apenas axudou, a resposta nunca é a marca do software. É o que se lle pediu ao alumnado que fixese con ela. Os seguintes puntos resumen resultados importantes da investigación, aínda que todos se basean en poucos estudos.
- En matemáticas, o alumnado que usou a IA para transformar, é dicir, para reelaborar unha solución ou construír sobre o seu propio intento, avanzou arredor de dúas veces e media máis ca o alumnado que a usou só para enriquecer tarefas habituais, como practicar ou comprobar respostas.
- O alumnado que usou a IA en grupo avanzou arredor dun 70 % máis ca o que a usou en solitario.
- Cando a IA se usou para dar retroalimentación sobre o traballo do alumnado, os avances estiveron entre os maiores. O uso da IA para gamificar as clases produciu un avance demasiado pequeno para consideralo demostrado.
A pedagoxía é máis importante ca a tecnoloxía empregada. Cando os investigadores clasificaron os estudos segundo o que facía realmente o alumnado, a actividade importou máis ca a ferramenta. Curiosamente, atopouse o mesmo patrón coa xeración anterior de ferramentas dixitais nos centros de secundaria. Os resultados dependen en gran medida de se o profesorado recibira formación para usalas.
Unha boa retroalimentación non é o mesmo ca unha retroalimentación que funciona. Nun experimento, 70 estudantes universitarios escribiron un ensaio argumentativo e revisárono unha semana despois. Asignáronse ao chou a tres grupos: un recibiu retroalimentación dun docente experimentado, outro dun chatbot cunha instrución sinxela e outro do mesmo chatbot, ao que se lle pediu que analizase o ensaio paso a paso. Avaliada coa mesma rúbrica, a retroalimentación do chatbot paso a paso foi a mellor das tres. Foi mellor ca a do chatbot sinxelo e mellor ca a do docente. Despois chegaron as revisións, e os tres grupos melloraron en medida moi semellante. A mellor retroalimentación do estudo non produciu máis mellora ca a peor valorada. Uns comentarios mellores non deron lugar a un ensaio mellor.
Este resultado cuestiona unha suposición moi estendida: que unha mellor retroalimentación leva a unha mellor aprendizaxe. Evidentemente, por si soa non o fai. A retroalimentación só ten efecto se se incorpora: se se le, se entende, se aplica e se comprende o suficientemente ben como para que o estudante poida facelo correctamente sen axuda a vez seguinte. O pescozo de botella é a incorporación, non a calidade.
Máis non sempre é mellor. Nun segundo estudo, con 60 alumnos de Year 11 (15-16 anos) e 240 textos, a IA xerou moitos máis comentarios sobre o contido ca o profesorado. Pero o alumnado actuou con máis frecuencia a partir dos comentarios do profesorado. Ante trinta correccións precisas, un alumno pode deixar de diagnosticar e poñerse a priorizar, ou simplemente limitarse a obedecer. Se un alumno se limita a seguir as indicacións, en realidade está a dicir que a revisión non era necesaria. Volve ser o GPS, pero noutro nivel: dálle unha retroalimentación moi detallada, do tipo “xire á esquerda en 200 metros”, sobre o seu propio texto.
Importa quen o di. Non sabemos con certeza por que se incorporan con máis frecuencia os comentarios do profesorado. Trátase de interpretación, non de medición, pero a explicación máis probable é que a retroalimentación se percibe como un acto entre persoas. O que ten que dicir alguén que sabe o que fixo vostede o trimestre pasado e que verá o que fai con iso é distinto da mesma frase xerada a petición.
Que se deriva para a práctica. Unha análise agrupada de estudos sobre retroalimentación automatizada da escrita, realizada antes de que existisen os chatbots actuais, chegou a resultados semellantes. A retroalimentación tivo máis efecto cando o alumnado debía aplicala a un texto novo ca cando só revisaba o texto que tiña diante, e máis cando se usou ao longo de varias sesións ca nunha soa. E cómpre dicir algo máis con xustiza: en comparación coa ausencia de retroalimentación, a retroalimentación da IA si axuda. Nun estudo dun equipo alemán con 459 alumnos de bacharelato, a retroalimentación xerada pola IA mellorou lixeiramente as súas revisións e a súa motivación.
E a mesma división aparece a grande escala. Un equipo agrupou 228 estudos: a IA mellorou de forma clara e constante o que o alumnado era capaz de producir, mentres que calquera avance na súa capacidade de planificar, supervisar e corrixir a propia aprendizaxe foi tan pequeno que podería deberse ao azar. A programación móstrao con máis nitidez: o alumnado cun asistente de IA foi mensurablemente máis rápido, pero ao final non era mellor ca o que traballou sen el. Facer máis e mellorar non son o mesmo, e a IA sepáraos.
Europa como espello
En Europa, as enquisas sobre o uso da IA polo profesorado van desde arredor de nove de cada dez nunha mostra checa ata arredor de un de cada sete en Francia. As enquisas difiren en método e data: a cifra checa procede dunha pequena enquisa de 2025 a 317 docentes e conta calquera experiencia coa IA, mentres que a cifra francesa procede da enquisa internacional da OCDE ao profesorado TALIS 2024, na que algo menos da metade dos docentes checos declararon usar a IA no seu ensino.
Francia creou un dos maiores programas públicos de IA do continente: software de práctica adaptativa en matemáticas e francés, gratuíto para todo o alumnado do primeiro curso do ensino secundario superior. Aínda así, o profesorado francés usa pouco a IA e só o 9 % recibiu algunha formación sobre IA, fronte ao 38 % de media nos países da OCDE.
Noruega incorporou o problema do GPS á súa política educativa (polo menos como recomendación), tal como o faría unha autoescola de taxistas: primeiro apréndese co mapa e despois engádese o dispositivo. En xuño de 2026, Noruega recomendou que, como norma xeral, o alumnado de 1.º a 7.º curso non teña acceso á IA. Entre 8.º e 10.º curso, a IA pode introducirse de forma gradual e coidadosa, unha vez que o profesorado teña a competencia necesaria para guiar o seu uso. No ensino secundario superior, o alumnado debería aprender a usar a IA cun propósito claro.
O punto cego
Hai un risco da IA que raramente se nomea, e a imaxe tamén o recolle: o coñecemento do mapa de Londres non é permanente. Unha condutora que segue as frechas durante cinco anos non conserva a cidade na cabeza. Esvaécese, e deixa de decatarse da rúa levantada. A súa competencia profesional mantense facendo precisamente as cousas que a IA mellor absorbe: redactar a tarefa, anticipar o erro conceptual e preparar a explicación. Cando a IA asume o traballo a través do cal se forma o criterio, o alivio convértese en descualificación. Nun panel alemán de expertos en e-learning, 65 de cada 100 agardaban que a IA xenerativa fixese perder ás persoas competencias importantes, fronte a 44 o ano anterior. En medicina, o efecto xa se mediu: despois de que o apoio da IA se volvese habitual nas colonoscopias, os médicos que traballaban sen ela detectaban menos lesións precancerosas ca antes.