BLOG

LA INTELIGENCIA ARTIFICIAL GENERATIVA PARA EL APRENDIZAJE 

 

James Moreno Herrera 

Ingeniero electrónico 

https://orcid.org/0000-0001-8792-4748 

 
INTRODUCCIÓN 

 

La Inteligencia Artificial (IA) está transformando la educación mediante herramientas capaces de apoyar la planeación de clases, la creación de recursos, la evaluación y el aprendizaje personalizado. Tanto así que, los docentes requieren competencias digitales para incorporar la IA de forma crítica y responsable, fortaleciendo el pensamiento científico, la indagación y el aprendizaje activo; en línea con los objetivos de desarrollo sostenible, especialmente el ODS 4: “garantizar una educación inclusiva, equitativa y de calidad y promover oportunidades de aprendizaje durante toda la vida para todos”. 

 

Al tiempo, la incorporación de la IAGen (IA generativa) obliga a las instituciones de educación a reconsiderar el por qué, el qué y el cómo se concibe el proceso de aprendizaje, mediante el uso de herramientas digitales que realmente beneficien y empoderen a docentes, estudiantes e investigadores a partir de su uso ético y efectivo. 

 

En consecuencia, este documento brinda una visión práctica para integrar la IA durante el aprendizaje en el aula con criterios pedagógicos y éticos. Se propone un marco metodológico para contribuir a “redefinir nuevos horizontes para la educación y a fundamentar nuestro pensamiento colectivo y acciones colaborativas que puedan conducir a un futuro de aprendizaje digital centrado en el ser humano para todos” ​(UNESCO, 2024)​.  

 

No obstante, dicho marco no trata de resolver los problemas que enfrentan los sistemas educativos, los cuales derivan de la complejidad del ser humano más que de la apropiación de una tecnología. 

 

Para responder a los problemas educativos de larga data, es clave mantener la idea de que la capacidad humana y la acción colectiva, y no la tecnología, son los factores determinantes para encontrar soluciones eficaces a los desafíos fundamentales enfrentados por las sociedades. ​(UNESCO, 2024)​ 

 

LA INTELIGENCIA ARTIFICIAL 

 

La Inteligencia Artificial tradicional está en la capacidad de analizar datos existentes a partir de patrones con el fin de clasificar información, mientras que la Inteligencia Artificial Generativa puede crear un contenido completamente nuevo a partir de instrucciones. Es decir que además de analizar y categorizar, crea algo nuevo que no existía antes ​(Anthropic, 2026)​. 

 

Inteligencia Artificial Generativa 

 

“La IA Generativa (IAGENen) es una tecnología de inteligencia artificial (IA) que genera contenidos de forma automática en respuesta a instrucciones escritas en interfaces conversacionales de lenguaje natural (prompts)” ​(UNESCO, 2024)​. Basada en el aprendizaje automático, permite automatizar el tratamiento de la información y la presentación de resultados. Esto, en todo caso, se debe considerer como habilidades de pensamiento de orden inferior ya que la IAGen no puede crear nuevas ideas o soluciones a los retos del mundo real.  

 

De hecho, los humanos deberían encargase del pensamiento crítico, el juicio, la creatividad y la supervision ética mientras la IAGen pueda proveer velocidad, escalamiento, reconocimiento de patrones y capacidad de procesamiento de grandes volúmenes de información.  

 

Por otra parte, la IAGen también plantea multiples problemas inmediatos relacionados con cuestiones como la seguridad, la privacidad de los datos, los derechos de autor y la manipulación ​(UNESCO, 2024)​. 

 

En la Figura 1 se describen las técnicas usadas en la IAGen. 

 

 

Figura 1. Técnicas usadas en la IAGEN. Fuente: ​(UNESCO, 2024)​ 

 

Lo anterior ha sido possible gracias a la confluencia de algoritmos, datos y capacidad de computación (Figura 2).  

 

Según ​Anthropic (2026)​, en el año 2017 se logró una arquitectura transformadora para las redes neuronales consistente en el procesamiento de secuencias de texto manteniendo las relaciones entre palabras en pasajes largos, lo cual es fundamental para el lenguaje en contexto. Por otra parte, la explosión de los datos digitales globales acumulados mediante el Internet resultó ser la materia prima para el entrenamiento de modelos de lenguaje grande (LLM) aprovechando los enormes aumentos en la potencia computacional. 

 

 

Figura 2. Tres pilares que hacen posible la IAGen. Fuente: ​(Anthropic, 2026)​ 

 

En la Figura 3 se presenta un flujograma que sintetiza el funcionamiento de la IA generativa de texto mediante el Transformador Generativo Preentrenado (GPT), a partir de la comprensión estadística entre palabras, frases y conceptos.  

 

Figura 3. Flujograma del funcionamiento de la IAGen de texto basada en GPT. Fuente: propia a partir de ​UNESCO (2024)​ 

 

En dicho flujograma se observan unos filtros o guardrails a la entrada y a la salida del proceso. Cabe resaltar que todos los modelos comerciales (ChatGPT, Claude, Gemini, entre otros) incorporan dichos mecanismos de seguridad, conocidos también como bandarillas. No obstante, existen modelos abiertos que conservan sesgos derivados de su entrenamiento y pueden incorporar comportamientos indeseados de seguridad. Ahora bien, los modelos comerciales y especialmente los aplicados a la educación, evitan la generación de instrucciones para actividades peligrosas o ilegales; reducen la producción de contenido de odio, acoso o explotación; protegen en cierta medida la privacidad y datos personales; e incluso adaptan las respuestas si se detecta que podrían estar siendo utilizadas por menores de edad. Pero los guardrails no son 100% infalibles contituyéndose una limitante de la IAGen.  

 

Otra limitante son las alucinaciones, Este riesgo se materializa cuando una IA responde con seguridad algo que es incorrecto. Así mismo, es menester precisar que los sistemas basados en IA cambian con el tiempo, es decir que las empresas actualizan tanto el modelo como las políticas de seguridad, lo cual también se considera una limitante. 

Por otra parte, la característica de la IAGen de entregar una salida o resultado de manera probabilística y no determinística, puede contribuir a la creatividad de su interlocutor humano, sin embargo dicha salida se puede manipular a partir del ajuste de la aleatoriedad de datos. Dicho ajuste se denomina temperatura, significando ello un limitante adicional. 

 

Por último, la ventana de contexto supone una limitante más. Dicha ventana establece el alcance de la información a la que tiene acceso la IA, que en todo caso es finita y se restringe únicamente a la disponible en la WEB. Además, comprende las instrucciones (prompts), las respuestas de la IA y cualquier otra información compartida por el usuario (Figura 4). 

 

Figura 4. La ventana de contexto de la IAGEN. Fuente: ​(Anthropic, 2026)​ 

 

En contraste, es preciso señalar tres características que hacen potente a la IAGen (Figura 5): en primer lugar su capacidad de procesar información durante el entrenamiento, en segundo lugar su capacidad de adaptabilidad mediante aprendizaje contextual y por último sus capacidades emergentes y escalables. 

 

Figura 5. Lo que hace poderosa a la IAGen. Fuente: ​(UNESCO, 2024)​ 

 

Con respecto a los modelos de IAGen de imágenes y de música, estos utilizan redes generativas antagónicas (RGAs), las cuales constan de dos partes (dos “adversarios”), el “generador” y el “discriminador”. 

 

En el caso de las RGAs de imágenes, el generador crea una imagen aleatoria en respuesta a un prompt, y el discriminador intenta distinguir entre la imagen generada y las reales. Posteriormente, el generador utiliza el resultado del discriminador para ajustar sus parámetros y crear otra imagen. El proceso se repite, quizás miles de veces, y el generador crea imágenes cada vez más realistas que el discriminador distingue progresivamente menos de las reales. ​(UNESCO, 2024)​ 

 

Luego de comprender los conceptos descritos anterioremente, es fundamental identificar un marco de relacionamiento entre el ser humano y la IA. De acuerdo con ​Anthropic (2026)​ para una interacción fuída (efectiva, eficiente, ética y segura) se deben considerar cuatro competencias clave. 

 

Las competencias clave: 4D 

 

Las competencias clave 4D que sugiere Antropic para una interacción fluída con la IA son: Delegación (cuándo deben trabajar los humanos y cuándo la IA), Descripción (cómo alcanzar una comunicación clara con los sistemas de IA), Dicernimiento (cómo evaluar lo que proporciona la IA), Diligencia (cómo asegurar interacciones responsables y transparentes). 

 

Para una efectiva Delegación, el humano debe tener claro el objetivo y el problema que está resolviendo, ser conciente de lo que está fuera del alcance de la IA y reservarse el análisis crítico y las conclusiones. En otras palabras, el humano debe tomar las decisiones estratégicas que le permitan dividir eficazmente el trabajo; para lo cual se requiere la comprensión de lo que se desea ejecutar. 

 

Lo anterior supone un riguroso proceso de reflexión a partir de cuestionamientos razonables. ​Anthropic (2026)​ lo denomina la conciencia del problema, es decir, la capacidad de definir claramente los objetivos del proyecto y comprender qué trabajo es necesario realizar antes de incorporar la IA. Además se require un conocimiento práctico de las herramientas basadas en IA, identificando en ellas fortalezas y limitaciones, lo cual supone una recurrente experimentación con los modelos de IA disponibles. A esto lo denomina Antropic la concienciación sobre la plataforma. Finalmente, se require la delegación de tareas, de tal forma que se determina claramente dentro del flujo de trabajo cuáles tareas requiren automatización y cuáles tendrían mayor valor si se trabajan independientemente. O ¿cuál enfoque de interación aplica para el desarrollo eficiente del proyecto?: la automatización (velocidad), el aumento (colaboración) o el agenciamiento - IA agéntica (actividades rutinarias). 

 

Luego, la Descripción va más allá de dar indicaciones, ya que se trata de mantener conversaciones detalladas, contextualizadas, estableciendo un formato de resultado deseado, suministrando la información base que la IA podría utilizar para resolver el problema, inclusive cuidando el tono y el estilo durante la interacción. Se trata además de guiar la conversación evitando desviaciones, ya que en general, la calidad de las respuestas de la IA dependen en gran medida de la claridad con que se describe lo que se desea. En síntesis se debe considerar: el contexto, el resultado esperado, el formato de salida, el público objetivo y el estilo adecuado. Esto es lo que denomina ​Anthropic (2026)​ la descripción del producto. También se puede suministrar a la IA una descripción del proceso, esto es un método o una guía para lograr el objetivo. Y más aún, se puede describir el desempeño deseado, es decir el alcance y el detalle de la interacción con la IA, esto es los aspectos conductuales. 

 

En este punto vale la pena describir los principios de la ingeniería de prompts, los cuales realmente no se apartan de aquellos que comprenden una conversación humana: claridad, contexto relevante y ejemplos concretos. No obstante con la IA se debe ser más explicitos considerando siempre la ventana de contexto limitada. De acuerdo con ​Anthropic (2026)​, los consejos básicos sobre instrucciones para una interacción eficaz con la IA son: entregar el contexto,  ofrecer ejemplos sobre cómo  realizar un buen trabajo, especificar las limitaciones de salida, dividir las tareas complejas en pasos, dar un espacio para el procesamiento de la IA, y por último definer el rol, estilo o tono. Estos tips aplicados de manera iterativa permiten refinar el prompt, como en todo proceso de retroalimentación, tal como se observa en la Figura 6. 

 

Figura 6. Proceso iterativo para una instrucción efectiva . Fuente: ​(Anthropic, 2026)​ 

 

Ahora bien, discernir significa evaluar cuidadosamente lo que suministra la IA: ¿el resultado realmente ayuda a avanzar?, ¿está alineado con los valores institucionales? ¿está basado en datos creíbles, ciertos o actualizados?. Aquí se puede separar lo que es útil y lo que no, con juicio y criterio. ¿Lo que se separa require un refinamiento? o ¿se debe descartar por completo? 

 

Es decir que el dicernimiento es el control de calidad de la IA, para lograr establecer si el resultado obtenido es realmente valioso o puede resultar problemático ​(Anthropic, 2026)​, esto es el discernimiento del producto, lo cual implica por una parte tener experiencia o dominio de la temática y por otra conocer los limitantes de la IA (guardrails infalibles, alucinaciones, ajuste de temperatura, ventana de contexto, entre otros). Además, se debe tener la capacidad de cuestionar no solamente el resultado sino el cómo se llegó a dicho resultado, esto es lo que Antropic denomina el proceso de discernimento: ¿exitieron errores lógicos durante la interacción? ¿lapsos de atención? ¿medidas inapropiadas? ¿se ignoro algún detalle? ¿se dió una interpretación sin evaluar todas las alternativas? ¿la iteracción derivó en un razonamiento circular sin salida? También conviene evaluar el comportamiento de la IA durante la interacción, es decir el discernimiento en el desempeño: ¿existe una mejor manera para que la IA se comunique?, ¿fue suficiente y útil la información que suministró?, ¿ respondió bien a las instrucciones dadas? o ¿la interación fue innecesariamente compleja? 

 

Por último la diligencia se refiere al control e imparcialidad de las decisiones derivadas de las respuestas obtenidas, de tal forma que se eviten sesgos y se afecte a partes interesadas. La información recibida es exacta y verificable? ¿se han protegido los datos confidenciales? ¿se está afrontando la responsabilidad por las decisiones derivadas del trabajo colaborativo con IA? ¿se está siendo transparente? ¿los productos finales alcanzados mediante la IA están respaldados por los seres humanos?. Es decir, ser concientes de las implicaciones que puede tener una interacción y un producto generado por la IA, en un contexto amplio, considerando criterios éticos personales y profesionales, valores institucionales y organizacionales, estándares sectoriales y marcos legales y regulatorios. 

 

En síntesis, las competencias basadas en  las 4D (delegación, descripción, discernimiento y diligencia) son clave para dominar la IA de forma eficaz, eficiente, ética y segura. Dichas competencias se relacionan entre sí (Figura 7) y en conjunto forman un ciclo de concientización, instrucción, evaluación y transparencia que impulsa la calidad. 

 

Figura 7. Competencias clave 4D para la interacción con la IA . Fuente: ​(Anthropic, 2026)​ 

 

 

EdGPT 

 

Los modelos EdGPT corresponden a modelos de IAGen que se entrenan con datos específicos para fines educativos, orientados al codiseño curricular y a la generación de materiales educativos apropiados, como planes de clases, cuestionarios y actividades interactivas ​(UNESCO, 2024)​. Algunos ejemplos son EduChat, MathGPT,   Curipod, Genspark.ai, manus.im (presentaciones interactivas), MagicSchool.ai (recursos de evaluación), NotebookLM, entre otros. 

 

También, los modelos EdGPT impulsan el desarrollo del profesor como diseñador consciente de experiencias de aprendizaje enriquecidas por herramientas digitales, ajustadas a las características reales de sus estudiantes y del entorno institucional, sin que las tecnologías no se conviertan en un fin en sí mismas, sino en un medio de aprendizaje. 

 

No obstante, dichos modelos presentan desafíos, por ejemplo, determinar cómo pueden “ir más allá del conocimiento de las asignaturas para apuntar también a la pedagogía centrada en el estudiante y a las interacciones positivas docente-estudiante” ​(UNESCO, 2024)​. Dichas interacciones deben lograr un enfoque reflexivo, sin malgastar tiempo ni energía; haciéndolo de manera honesta y responsable, protegiendo la privacidad del docente y de los estudiantes. 

 

De igual forma, es importante utilizar las herramientas educativas basadas en IAGen, para lograr una enseñanza más personalizada, colaborativa, creativa y significativa; esto es adaptar contenidos según el ritmo y estilo de aprendizaje del estudiante con retroalimentación inmediata ​(Lizbeth Casa Tinoco et al., 2025)​. 

 

En consecuencia, es indispensable desarrollar competencias pedagógicas, críticas y reflexivas que permitan a los docentes seleccionar, adaptar y utilizar estas herramientas de forma ética, efectiva y curricularmente pertinente. Esto es, convertir las actividades que el docente ya realiza, en oportunidades para el uso significativo de herramientas digitales. 

 

Cuando los docentes utilizan estas herramientas no como sustitutos, sino como extensiones pedagógicas y de acompañamiento oportuno de su práctica habitual, se generan experiencias más dinámicas y pertinentes, en las que el aprendizaje no es solo receptivo, sino exploratorio, visual y procesual. ​(Lizbeth Casa Tinoco et al., 2025)​ 

 

En ese sentido, la Figura 8 sintetiza tres enfoques teóricos de aprendizaje y resalta el aprendizaje adaptativo basado en el uso de IA para un proceso inclusivo y a la medida. 

 

Figura 8. Enfoques modernos de aprendizaje . Fuente: ​Lizbeth Casa Tinoco et al. (2025)​ 

 

 

Controversias e implicaciones de la IAGEN en la educación 

 

De acuerdo con ​UNESCO (2024)​, algunas de las implicaciones del uso de la IAGen en la educación son: 

 

La desigualdad en el acceso de  suficientes  datos y en la potencia computacional por parte del Sur Global, creándose una dependenccia tecnológica e informática del Norte Global. Además esto tiene como consecuencia, una reducción en  la diversidad de opiniones, es decir mantiene al margen las voces ya marginadas. 

El lento trámite de generación de políticas de regulación frente al uso de IA, así como el acceso y uso de datos domésticos. 

El riesgo por la violación de derechos de propiedad intellectual debido al uso de contenidos WEB sin consentimiento. 

La opacidad en los resultados obtenidos mediante la IAGen al no lograrse una inspección total de las RNAs. 

El contenido sesgado y con errores pese a las barandillas (guardrails). 

La falta de comprensión del mundo real, dado que finalmente la IAGen no está informada del mundo real ni de las relaciones humanas. 

La creación de deepfakes y las llamadas fake news, o noticias falsas. 

 

 

CONCLUSIONES 

 

Son múliples los sistemas basados en IAGen disponibles actualmente para facilitar la labor docente en actividades como la planeación, el desarrollo y la evaluación del aprendizaje. Constituyéndose una herramienta digital útil, siempre y cuando la interacción entre el humano y la IA se realice de manera efectiva, eficiente, ética y segura; considerando el proceso iterativo y de refinamiento sugerido por Antropic: Delegar, Describir, Discernir y Diligenciar. 

 

Así mismo, los investigadores, los docentes y los estudiantes deben adoptar una visión crítica de la aplicación de la IAGen en la educación, considerando que existe una brecha entre el entrenamiento y el control de los modelos de IA y que aún son mínimas las regulaciones en materia de protección de propiedad intelectual. También, deben ser conscientes que los sistemas de IAGen de texto  pueden generar material ofensivo y  antiético; y que son sistemas que en últimas encadenan palabras pero no comprenden la realidad. 

 

Por último, los resultados de la IAGen de texto representan solo la visión más dominante en el mundo, de acuerdo con sus datos de entrenamiento, de tal forma que algunos de sus entregables pueden estar sesgados. Por ello no se debe aceptar dicha información al pie de la letra sino que debe ser evaluada siempre en forma crítica. 

 

 

Referencias bibliográficas 

 

​​Anthropic. (2026). Introduction to AI Fluency. https://anthropic.skilljar.com/ai-fluency-framework-foundations/291863 

​Lizbeth Casa Tinoco, D., Cecilia Montero Murrieta, E., Tapia-Bastidas en Educación, T., & Raidell Avello-Martínez. (2025). Formación docente en diseño de materiales interactivos con inteligencia artificial. 6. https://orcid.org/0000-0001-7200-632X 

​UNESCO. (2024). Guía para el uso de IA generativa en educación e investigación. https://www.unesco.org/es/open-access/cc-sa 

​ 

​​