Al terminar esta lección podrás:
- Describir qué aportó la IA a un diseño y qué decidió la persona, distinguiendo participación de responsabilidad.
- Clasificar un uso de IA como cocreación, delegación o uso acotado, según haya o no una mejora que pueda explicarse.
- Escribir el registro de un ciclo de cocreación sobre tu actividad: qué propuso la IA, qué comprobaste, qué decidiste y qué mejoró.
- Nombrar una medida concreta frente a la descarga cognitiva y la pérdida de dirección en tu propio uso.
Qué significa cocrear en el diseño docente#
Una docente de historia pide a un sistema tres preguntas para iniciar la discusión sobre una fuente primaria. Recibe tres preguntas correctas y genéricas. Antes de usarlas compara cada una con lo que su grupo necesita practicar —distinguir el punto de vista del autor—, descarta dos porque sólo piden resumir, reformula la tercera para que obligue a citar un pasaje y comprueba que la fecha que menciona corresponde al documento. Su planeación mejoró en algo que puede nombrar: ahora la pregunta inicial exige el análisis que el curso busca. Eso es cocreación en este curso: el aporte de la IA entra en un ciclo que la persona dirige y el diseño mejora con respecto a un criterio académico que ella puede explicar.
La expresión inteligencia híbrida, que la investigación educativa usa para estudiar la colaboración entre personas y sistemas (Fan et al., 2025), permite observar ese trabajo como una configuración —persona, sistema, propósito, datos y condiciones— en la que ambas partes actúan. Por eso el curso habla de coagencia: la IA participa en el resultado al proponer, ordenar, simular u omitir, y esa participación se reconoce en lugar de ocultarse. Coagencia no significa corresponsabilidad. El sistema no comprende el propósito, no asume consecuencias y no decide qué cuenta como aprendizaje; la docente dirige el proceso, responde por el diseño y puede explicar por qué quedó mejor. La cocreación se reconoce por esa mejora académica; la cantidad de contenido que generó el sistema o de palabras que cambió la persona dice poco al respecto.
Modos de intervención de la IA en el diseño docente#
Los modos siguientes describen grados de delegación: cuánto del diseño queda en manos del sistema y cuánto revisa la persona. Se combinan con frecuencia (dar contexto y luego retroalimentación, por ejemplo). Ningún modo garantiza la cocreación por sí mismo: cualquiera que incluya revisión puede terminar en una mejora explicable o en una aceptación sin criterio. Solo el autónomo la excluye, porque nadie revisa.
Autónomo (IA sin intervención humana)
Guiado por contexto
Guiado por retroalimentación
Copiloto (validación paso a paso)
Práctica: qué hacer con cinco preguntas correctas#
La práctica sitúa el ciclo en el caso de las olas de calor. Antes de abrir la solución conviene decidir qué harías tú con las preguntas que devuelve el sistema.
Cinco preguntas correctas: ¿qué harías con ellas?
Marca todas las acciones que elegirías y anótalas antes de abrir la solución.
Pediste a la IA cinco preguntas para abrir la discusión sobre olas de calor. Todas son correctas, pero cuatro piden definir o enumerar, y tu resultado pide comparar el riesgo de dos colonias. ¿Qué acciones mantienen un ciclo de cocreación? Puede haber más de una.
Ver respuesta razonada
- Por qué no corresponde: Usarlas tal cual: son correctas, ahorran tiempo y el grupo ya conoce los conceptos que mencionan. — Es delegación. Ser correctas y ser pertinentes son cosas distintas: el resultado pide comparar y cuatro de cinco preguntas piden recordar. Nadie contrastó las preguntas con el propósito.
- Respuesta esperada: Compararlas con el resultado y marcar cuál exige comparar las dos colonias antes de decidir qué hacer con las demás. — Es el paso que abre el ciclo: el propósito se usa como criterio para leer la respuesta.
- Por qué no corresponde: Pedir al mismo sistema que evalúe sus preguntas según buenas prácticas y quedarte con las que marque como adecuadas. — El sistema juzga con el mismo encuadre con que generó, y «buenas prácticas» es un criterio distinto de tu resultado. La pregunta que decide es la tuya: cuál obliga a comparar dos colonias.
- Respuesta esperada: Descartar las que solo piden definir y reformular una para que obligue a usar un dato de exposición de cada colonia. — Transforma la propuesta en función del resultado y deja una mejora que puede nombrarse.
- Respuesta esperada: Pedir cinco preguntas más con la instrucción de que obliguen a comparar exposición y vulnerabilidad, y volver a elegir. — Pedir variedad antes de converger, con una instrucción que ya incluye el criterio, también mantiene el ciclo. Puede combinarse con la opción anterior.
- Por qué no corresponde: Reescribir las cinco con tus palabras para que el grupo no note que vienen de la IA, sin cambiar lo que piden. — Cambia la redacción y deja igual lo que la pregunta exige: siguen pidiendo definir. Además, ocultar el origen hace más difícil explicar qué se decidió con el aporte de la IA.
Si tu respuesta fue la esperada: Las tres acciones esperadas comparten un rasgo: contrastan las preguntas con el resultado antes de decidir. El ciclo termina cuando puedes escribir qué mejoró y con qué criterio, por ejemplo: «La pregunta inicial pasó de pedir definir vulnerabilidad a pedir comparar dos colonias con un dato de exposición de cada una; mejoró la alineación con el resultado de analizar el riesgo». La práctica de ficha, al final de la lección, pide ese registro para tu actividad.
Si no lo fue: Si marcaste usar tal cual, delegar la revisión en el mismo sistema o reescribir sin cambiar la exigencia, en los tres casos la decisión quedó fuera de tu criterio. Si no marcaste alguna de las tres esperadas, vale la pena releerla: comparar con el resultado, reformular con un dato y pedir variedad con una instrucción precisa son caminos compatibles dentro del mismo ciclo.
Esta versión no envía respuestas, no guarda intentos y no calcula una puntuación.
Principios y buenas prácticas para la cocreación#
Una cocreación revisable necesita criterios explícitos: la IA propone, y la persona dispone y responde. Los cinco pasos siguientes hacen visibles esos criterios. Antes del primero cabe una pregunta: si la ayuda aporta algo que compense sus costos cognitivos, materiales y de privacidad.
- Definir propósito y sentido de la actividadQuien diseña fija qué busca lograr y por qué importa al grupo. En el caso: que el grupo compare el riesgo de dos colonias con datos. Ese propósito es el criterio con el que después se juzga cada propuesta.
- Proporcionar contexto y restricciones claras a la IALa petición lleva solo lo que la tarea necesita: nivel del grupo, criterios, evidencias y límites de la respuesta, sin nombres, calificaciones ni datos de terceros. Un contexto preciso permite comprobar si el sistema hizo lo que se le pidió; la corrección de su propuesta se juzga en el paso siguiente.
- Revisar y validar cada propuesta antes de avanzarCada borrador se contrasta con el propósito. Si el resultado pide comparar y cuatro de cinco preguntas piden definir, el borrador todavía no cumple, aunque sea correcto. Pedir variedad antes de elegir ayuda a tener con qué comparar.
- Alternar generación y auditoríaCuando el mismo sistema genera y evalúa con el mismo encuadre, tiende a aprobar lo que produjo. Separar las tareas (la persona revisa con su criterio o con una fuente externa) deja a la vista los puntos que todavía requieren comprobación.
- Explicar la mejora y transparentar el procesoSe compara la versión inicial con la final y se nombra el criterio con el que mejoró: alineación con el resultado, claridad de la consigna, pertinencia para el grupo. El registro cabe en pocas líneas: qué propuso la IA, cómo se comprobó y qué se conservó, transformó o descartó. Mientras la mejora no pueda nombrarse, el ciclo sigue abierto. La práctica de ficha, al final de la lección, pide escribir ese registro.
Riesgos de la cocreación persona–IA y cómo mitigarlos#
La cocreación puede ampliar opciones y también desplazar el trabajo que se buscaba conservar. Los riesgos siguientes no aparecen con la misma intensidad en toda actividad: dependen de qué operación se delega, de la experiencia de la persona, de los datos compartidos y de cómo se comprueban las salidas.
Cada pestaña describe un riesgo, lo que se sabe de él y una medida que puede incorporarse al propio trabajo.
Descarga cognitiva y pereza metacognitiva
La descarga cognitiva ocurre cuando se delega en la IA el monitoreo y la evaluación del propio trabajo. En un experimento con 117 estudiantes universitarios en una tarea de escritura, quienes contaron con ChatGPT mejoraron más la calificación de su texto, pero no ganaron más conocimiento ni lo transfirieron mejor que los grupos con otros apoyos, y sus procesos de autorregulación siguieron otro patrón. Los autores advierten que ese apoyo puede fomentar dependencia y lo que llaman «pereza metacognitiva» (Fan et al., 2025). El estudio trató con estudiantes, pero el mecanismo es plausible también al diseñar: el producto mejora mientras el razonamiento que lo sostiene se adelgaza.
Una medida sencilla: escribir el criterio de revisión antes de leer la respuesta del sistema, y revisar con ese criterio y no con el que la respuesta sugiere.
Pérdida de dirección epistémica
La dirección epistémica se erosiona cuando una propuesta de IA se acepta como autoridad y desplaza el juicio humano. Esto puede afectar la autonomía intelectual y la capacidad crítica del profesorado.
Quien fija el criterio antes de pedir, trata cada respuesta como borrador y se reserva las decisiones que definen el aprendizaje (qué se evalúa, con qué evidencia, qué cambia en el diseño) conserva esa dirección. Anotar esas decisiones en pocas líneas deja la validación final a la vista.
Producción de información inexacta o sesgada
La IA puede generar datos incorrectos, referencias inventadas o reproducir sesgos presentes en sus fuentes. Si no se verifica, esto puede comprometer la calidad y la ética del diseño.
La medida es la misma que en la lección 3: cada dato, cita o referencia que vaya a llegar al grupo se comprueba en su fuente original antes de incorporarlo. Si una afirmación relevante no tiene fuente localizable, se retira o se reformula sin ella.
Dependencia excesiva y pérdida de creatividad
En un experimento con escritura de cuentos, quienes recibieron ideas de un modelo de lenguaje produjeron textos valorados como más creativos, sobre todo si partían de menor creatividad; pero esos textos se parecían más entre sí que los escritos sin ayuda (Doshi y Hauser, 2024). Individualmente se gana; colectivamente se estrecha la variedad. En docencia, el riesgo es que muchas asignaturas terminen con actividades casi iguales y poco adaptadas a su grupo.
Una medida posible: generar primero ideas propias o del equipo docente, y usar la IA después para ampliar o contrastar esas ideas, dejando la adaptación final a quien conoce al grupo.
Marcos para pensar autoría y responsabilidad#
Los textos de esta sección son sobre todo conceptuales: ofrecen preguntas y distinciones útiles para revisar un diseño, más que resultados medidos.
Qué puede y qué no puede sostener la evidencia
Autoría y responsabilidad
Marcos para observar la relación
Actividad interactiva · H5P
¿Qué registro muestra una cocreación que mejoró el diseño?
Práctica formativa sin calificación de la lección 4 del curso «Diseño inverso y cocreación con IA».
Versión accesible y equivalente
¿Qué registro muestra una cocreación que mejoró el diseño?
Responde primero por tu cuenta y abre después la solución razonada.
Una docente pidió a la IA una rúbrica para evaluar si su grupo justifica una intervención con evidencia. ¿Cuál de estos registros muestra una cocreación que mejoró el diseño?
Ver respuesta razonada
- Por qué no corresponde: La IA propuso seis criterios. Reescribí los seis con mis palabras y el vocabulario del programa, para que el grupo los reconociera y no parecieran generados; conservé la estructura de niveles porque estaba bien ordenada. — Cambiar la redacción puede mejorar la claridad, pero la rúbrica sigue evaluando lo mismo que antes: ningún criterio se contrastó con lo que el curso enseñó. Además, disimular el aporte de la IA lo oculta sin hacerlo propio. Lo que cambiaría: revisar cada criterio contra el resultado y declarar qué se decidió con la propuesta.
- Respuesta esperada: La IA propuso seis criterios. Conservé dos porque evalúan lo que enseñé, reescribí uno que premiaba la extensión para que valore la relación entre evidencia y decisión, y descarté tres que evaluaban contenidos que el curso no trabajó. — Es cocreación: la IA aportó la primera versión de los criterios y la docente dirigió la revisión. Cada decisión tiene una razón vinculada con el resultado de aprendizaje, y la rúbrica final evalúa mejor lo que el curso busca; la docente puede explicar la mejora y responde por ella.
- Por qué no corresponde: La IA propuso seis criterios. Le pedí que los revisara contra buenas prácticas de evaluación; sugirió fusionar dos y precisar los descriptores de nivel, y acepté los cambios porque la rúbrica quedó más clara. — La revisión automática puede aportar pistas y la rúbrica quizá ganó claridad. Pero el juicio final se delegó en el mismo sistema, con un criterio genérico: nadie contrastó los criterios con lo que se enseñó. Lo que cambiaría: usar las sugerencias como insumo y decidir con el resultado de aprendizaje delante.
- Por qué no corresponde: La IA propuso seis criterios y los conservé. Guardé la conversación completa, señalé qué partes generó la IA y la adjunté al programa para que cualquiera pueda rastrear el origen de la rúbrica. — La transparencia es valiosa y conviene conservarla. Pero el registro muestra que hubo intercambio, y deja sin explicar qué se comprobó y por qué la rúbrica final es mejor: la trazabilidad documenta decisiones, y aquí no hubo ninguna. Lo que cambiaría: añadir al registro qué criterios se revisaron y con qué razón.
Esta versión no envía respuestas, no guarda intentos y no calcula una puntuación.
El ciclo solo puede adaptarse bien cuando parte de un grupo y unas condiciones reales. Esa delimitación ocupa la siguiente lección.
Referencias
- Bearman, M., Ryan, J., y Ajjawi, R. (2023). Discourses of artificial intelligence in higher education: A critical literature review. Higher Education, 86(2), 369–385. https://doi.org/10.1007/s10734-022-00937-2
- Doshi, A. R., y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
- Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., y Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
- Bozkurt, A. (2024). GenAI et al.: Cocreation, authorship, ownership, academic ethics and integrity in a time of generative AI. Open Praxis, 16(1), 1–10. https://doi.org/10.55982/openpraxis.16.1.654
- Meshi, A. (2024). GPT-ME: A human–AI cognitive assemblage. Proceedings of the ACM on Computer Graphics and Interactive Techniques, 7(4), 1–8. https://doi.org/10.1145/3664214