A Javier, coordinador académico de un centro universitario, le piden «un taller de IA para docentes» antes de que termine el semestre. Su primer borrador empieza por las herramientas: qué es un prompt, qué modelos hay, cómo generar una rúbrica. Lo descarta al notar que así saldrían actividades centradas en lo que la IA hace, y no en lo que el grupo aprende. Esta propuesta es la que Javier puede usar en su lugar: seis horas en tres sesiones, pensadas para coordinaciones académicas que preparan formación en diseño de actividades con IA partiendo de los aprendizajes esperados, con la IA en la última sesión. Incluye secuencia, materiales mínimos, plantillas y una rúbrica para revisar lo diseñado. Es un guion adaptable que debe probarse y registrarse en cada contexto; todavía no documenta una aplicación con resultados observados.
Audiencia y prerrequisitos#
El taller está diseñado para grupos de 12 a 24 docentes universitarios. La heterogeneidad disciplinar puede aportar contraste si la facilitación ayuda a traducir ejemplos entre campos; no se presenta aquí como resultado comprobado. Los participantes deben llegar con dos cosas:
- Una asignatura propia identificada. El taller no es teórico; cada docente trabaja sobre una asignatura concreta que enseña o va a enseñar.
- Familiaridad básica con al menos un asistente de IA. No exige dominio ni una marca concreta: basta con haber realizado una prueba guiada y poder describir qué información se introdujo, qué respuesta se recibió y qué límite se observó.
Si un grupo carece del segundo requisito, conviene precederlo con una sesión introductoria de dos horas sobre ingeniería de prompts.
Marco metodológico#
El taller adopta el enfoque de diseño inverso (Wiggins & McTighe, 2005): se parte de los aprendizajes esperados al final de la asignatura y se trabaja hacia atrás hasta llegar a las actividades concretas. La IA aparece en el último paso, no en el primero. Esta secuencia importa: cuando el docente piensa primero en la herramienta, las actividades resultantes suelen quedar centradas en lo que la IA hace y no en lo que el estudiante aprende.
El marco se articula con la guía sobre taxonomía de Bloom y diseño inverso, que sostiene los fundamentos teóricos. El taller los traduce a producción individual.
Sesión 1 — Aprendizajes esperados (2 horas)#
Objetivo#
Cada participante sale con tres a cinco aprendizajes esperados que explicitan qué operación realizará el estudiantado, sobre qué contenido, en qué condiciones y con qué señal podrá reconocerse (por ejemplo, «distingue el supuesto que cambia entre dos soluciones»). La taxonomía de Bloom sirve como vocabulario de revisión, no como etiqueta asignada por un verbo aislado.
Secuencia#
La tabla siguiente es el guion de la sesión: la primera columna marca el reloj y la segunda dice qué pasa en cada bloque. Los bloques alternan trabajo individual, lectura comentada y contraste en parejas —nunca más de 30 minutos seguidos en la misma modalidad.
Desliza horizontalmente para consultar todas las columnas.
| Tiempo | Actividad |
|---|---|
| 0:00–0:15 | Presentación del taller y del marco. |
| 0:15–0:30 | Ejercicio de detonación —escritura rápida en tarjetas para hacer brotar ideas antes de discutirlas—: cada participante escribe qué quiere que sus estudiantes sepan, hagan o sean al final del semestre. |
| 0:30–0:45 | Lectura comentada sobre demanda cognitiva, contenido, condiciones y señal de logro (por ejemplo, «con una razón que cite el caso»); la taxonomía de Bloom se usa para ampliar el vocabulario, no para clasificar por un verbo. |
| 0:45–1:15 | Trabajo individual: reformular las tarjetas iniciales como aprendizajes esperados que integren operación, contenido, condiciones y señal de logro. Mínimo tres, máximo cinco. |
| 1:15–1:40 | Revisión en parejas con dos preguntas: “¿qué tendría que hacer la persona para mostrar este aprendizaje?” y “¿qué permitiría distinguir un desempeño suficiente?”. |
| 1:40–1:55 | Revisión individual: cada participante incorpora, descarta o responde los comentarios recibidos. |
| 1:55–2:00 | Cierre y tarea para la sesión 2. |
La reformulación individual concentra el trabajo central. La revisión en parejas y el último ajuste permiten comprobar que otra persona entienda qué se espera observar.
Materiales mínimos#
- Tarjetas tamaño media carta.
- Hoja de referencia con procesos cognitivos de la taxonomía de Bloom y advertencias contra la clasificación por verbo aislado.
- Plantilla de aprendizaje esperado: “Al finalizar esta asignatura, la persona será capaz de [operación] [contenido] en [condiciones], con [señal observable de logro]”.
Tarea para la sesión 2#
Cada participante trae sus tres a cinco aprendizajes esperados refinados, con operación, contenido, condiciones y señal de logro explícitas.
Sesión 2 — Evidencias de aprendizaje (2 horas)#
Objetivo#
Cada participante define qué entregará el estudiantado para saber si los aprendizajes esperados se alcanzaron (por ejemplo, una comparación anotada en lugar de una opción marcada). Aquí es donde se juega el diseño evaluativo: una entrega bien definida anticipa el rediseño que la IA exige.
Secuencia#
La tabla siguiente es el guion de la sesión: la primera columna marca el reloj y la segunda dice qué pasa en cada bloque.
Desliza horizontalmente para consultar todas las columnas.
| Tiempo | Actividad |
|---|---|
| 0:00–0:15 | Recapitulación. Recordatorio: la IA no entra todavía. |
| 0:15–0:45 | Trabajo individual: para cada aprendizaje esperado, definir una o dos entregas que lo demuestren (un texto, una decisión, una actuación). La pregunta operativa: “¿qué tendría que hacer un estudiante para que yo sepa que lo logró?” |
| 0:45–1:15 | Lectura comentada sobre evaluación auténtica. El taller usa una síntesis editorial de cuatro decisiones para revisar la evaluación con IA: contexto local, proceso documentado, defensa oral y juicio en zona gris —sostener el criterio propio cuando una salida de IA ni es claramente correcta ni claramente incorrecta— (ver post sobre IA generativa y evaluación auténtica). |
| 1:15–1:45 | Trabajo individual: revisar cada evidencia con la pregunta — “¿esta evidencia se sostiene cuando el estudiante puede usar IA?”. Las que no se sostienen se marcan para rediseño. |
| 1:45–1:55 | Trabajo en parejas: contraste de lo definido (¿otra persona reconocería el aprendizaje en esa entrega?). |
| 1:55–2:00 | Cierre y tarea. |
Entre 1:15 y 1:45 cada participante comprueba si lo que pide sigue mostrando aprendizaje cuando se permite usar IA. El contraste en parejas sirve para detectar tareas que todavía pueden delegarse por completo.
Materiales mínimos#
- Aprendizajes esperados de cada participante (de la sesión 1).
- Plantilla de evidencia: “Para demostrar que [aprendizaje esperado], el estudiante producirá [evidencia] en condiciones de [contexto]”.
- Hoja con las cuatro decisiones de la síntesis editorial del taller y las fuentes que sustentan cada una.
Tarea para la sesión 3#
Cada participante trae al menos una entrega rediseñada que anticipa el uso responsable de IA por parte del estudiante.
Sesión 3 — Actividades con IA (2 horas)#
Objetivo#
Cada participante diseña al menos una actividad concreta de su asignatura que produce la entrega definida e integra IA con una razón pedagógica explícita.
Secuencia#
La tabla siguiente es el guion de la sesión: la primera columna marca el reloj y la segunda dice qué pasa en cada bloque.
Desliza horizontalmente para consultar todas las columnas.
| Tiempo | Actividad |
|---|---|
| 0:00–0:15 | Recapitulación: ahora sí, la IA. |
| 0:15–0:35 | Lectura comentada y ficha de decisión: qué parte del trabajo se desea observar, qué puede aportar la IA, qué no debe delegarse y qué alternativa existe sin IA. No se parte de una clasificación universal de tareas; cada decisión se justifica contra el aprendizaje esperado y la entrega definida. |
| 0:35–1:30 | Trabajo individual: diseñar una actividad completa que produce la entrega definida y articula la IA. Plantilla con siete campos: aprendizaje esperado, entrega, señal de logro, experiencia, rol específico de la IA, alternativa sin IA y política de uso (permitida/restringida/prohibida). |
| 1:30–1:55 | Trabajo en grupos de tres: cada uno presenta su actividad. Los otros dos comentan con dos preguntas — “¿la IA aquí amplifica el aprendizaje o lo sustituye?” y “¿la rúbrica evalúa proceso o solo producto?”. |
| 1:55–2:00 | Cierre del taller. Cada participante decide si necesita otra revisión, una prueba acotada o una implementación con seguimiento; no se exige aplicar una actividad que aún no pasa la rúbrica. |
La ficha completa se diseña entre 0:35 y 1:30. La revisión en grupos comprueba después si la IA aporta algo específico o puede sustituir el trabajo que se quería observar.
Materiales mínimos#
- Plantilla de actividad con los siete campos.
- Rúbrica de evaluación de la actividad (ver siguiente sección).
- Lista de puntos de los lineamientos éticos aplicables a actividades de aula (por ejemplo, qué datos de estudiantes no entran a una herramienta).
Plantillas copiables#
Estas plantillas convierten los materiales descritos en formatos que pueden copiarse a una hoja, documento compartido o formulario. Los ejemplos entre corchetes se sustituyen por decisiones de la asignatura.
Rúbrica de evaluación de la actividad diseñada#
Sirve para autoevaluación al cierre de la sesión 3 y para retroalimentación entre pares.
Desliza horizontalmente para consultar todas las columnas.
| Qué se mira | Bajo | Medio | Alto |
|---|---|---|---|
| Conexión con el aprendizaje | La actividad no se conecta con el aprendizaje esperado declarado. | La conexión existe pero es indirecta. | La actividad produce directamente lo que muestra el aprendizaje esperado (la comparación, la decisión, la actuación). |
| Rol de la IA | La IA hace el trabajo principal. | La IA asiste pero el estudiante puede delegar fácilmente. | La IA aporta sin sustituir; el estudiante debe sostener el juicio. |
| Evaluación de proceso | Solo se evalúa el trabajo final. | El proceso se evalúa pero con peso menor. | El proceso (decisiones, fuentes, versiones intermedias y descartes) tiene peso evaluativo explícito. |
| Política de uso explícita | No hay declaración. | Declaración general sin ejemplos. | Política específica con ejemplos de uso aceptable y no aceptable. |
| Defensa o iteración | El estudiante entrega y se acaba. | Hay una entrega intermedia. | Hay defensa oral o varias iteraciones documentadas. |
Cómo replicar el taller en distintos contextos#
La propuesta está diseñada para adaptarse con variaciones modestas. Estas son opciones de facilitación, no efectos verificados:
- Para grupos numerosos (más de 24): dividir en subgrupos de 12 con un facilitador por grupo.
- Para grupos pequeños (menos de 12): mantener la estructura, ajustar tiempos de trabajo en parejas a tríadas.
- Para grupos disciplinarmente homogéneos: profundizar en ejemplos disciplinares; agregar una cuarta sesión opcional de implementación.
- Para grupos heterogéneos: aprovechar el contraste como fortaleza didáctica; los ejemplos de una disciplina iluminan a las otras.
Lecturas relacionadas#
La guía sobre taxonomía de Bloom y diseño inverso sostiene el marco metodológico; la guía sobre integración curricular de IA extiende el ejercicio del taller a un programa académico completo; la guía sobre evaluación formativa con IA ofrece el método operativo para los ciclos formativos que el taller introduce.
Cierre del recorrido#
El taller cierra la ruta breve de Formación docente: reúne qué se quiere aprender, qué se entrega, qué experiencia lo prepara, cómo se evalúa y un papel acotado para la IA en una propuesta que puede revisarse entre pares. Para trabajar esas decisiones con más práctica y una ficha progresiva, continúa con el curso abierto de diseño inverso y cocreación con IA.
Referencias
Wiggins, G., & McTighe, J. (2005). Understanding by design (2nd ed.). ASCD.
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.
Bearman, M., Tai, J., Dawson, P., Boud, D., & Ajjawi, R. (2024). Developing evaluative judgement for a time of generative artificial intelligence. Assessment & Evaluation in Higher Education, 49(6), 893–905. https://doi.org/10.1080/02602938.2024.2335321
UNESCO. (2024). AI competency framework for teachers. UNESCO. https://www.unesco.org/en/articles/ai-competency-framework-teachers