“Quizás estamos construyendo una cerca muy sólida alrededor del jardín, pero descuidando regar las plantas”. — Vincent Liardi, Pearson
La metáfora procede del DEC Executive Briefing #018: The Next Era of Assessment, una conversación entre Vincent Liardi y Daniel A. Bielik publicada por el Digital Education Council en julio de 2025. La fuente propone desplazar parte de la atención desde la detección del uso de IA hacia el diseño de evaluaciones que permitan observar decisiones, revisión y aprendizaje.
Procedencia y alcance de la fuente#
Esta es una perspectiva institucional, no es un estudio de eficacia. El artículo del DEC resume una conversación con un representante de Pearson; no presenta una investigación con participantes, comparación de grupos ni resultados de aprendizaje. El DEC y Pearson habían anunciado una alianza estratégica el 23 de abril de 2025 y desarrollaron conjuntamente The Next Era of Assessment. Esa relación no invalida el argumento, pero debe conocerse al valorar sus recomendaciones.
Las citas de Liardi que aparecen en esta página provienen del artículo del DEC y se ofrecen en traducción al español. Las tablas, condiciones de uso y propuestas para revisar una evaluación forman parte de la lectura editorial del sitio.
Lo que sostiene Liardi#
Liardi cuestiona que la respuesta institucional se concentre en detectar o impedir el uso de IA. Su metáfora distingue la protección del perímetro, la “cerca”, del desarrollo de las capacidades que la evaluación pretende observar, las “plantas”. En sus términos, la discusión debe incluir cómo preparar al estudiantado para contextos de trabajo donde estas herramientas estarán disponibles.
“La pregunta para mí no es sobre integridad académica, sino sobre cómo podemos prosperar en un mundo aumentado por la IA”.
— Vincent Liardi, traducción del sitio
El argumento también favorece una diversidad de formatos. Portafolios de proceso, conversaciones orales, proyectos reflexivos y evaluación entre pares pueden mostrar aspectos distintos del trabajo. La fuente no demuestra que uno de estos formatos mejore por sí solo el aprendizaje; propone ampliar el repertorio y examinar qué permite observar cada método.
Liardi advierte además que el acceso desigual puede agravar diferencias entre estudiantes. Permitir una herramienta sin garantizar condiciones comparables, o prohibirla sin considerar sus usos reales, produce problemas distintos que una política de evaluación debe hacer visibles.
Lectura editorial del sitio: del producto aislado al proceso revisable#
La propuesta puede traducirse en una decisión más acotada: conservar la entrega final y pedir que el estudiante explique una decisión y qué datos o fuentes la sostienen. No hace falta registrar cada interacción. Conviene pedir únicamente aquello que permita reconstruir cómo la persona definió el problema, qué verificó, qué descartó y por qué sostuvo la versión final.
Ejemplo ficticio. Paula escribe sobre dos grupos de un curso. Uno utilizó un chat de IA para preguntar dudas y el otro no. Quienes usaron el chat eligieron participar y también tuvieron clases extra con un docente. El otro grupo no recibió el chat ni esas clases. El informe del curso registra menos abandono en el primer grupo. Para revisar la corrección, el docente necesita relacionar lo que Paula escribió con esos datos y con su explicación del cambio.
Versión vertical adaptada para pantalla estrecha.
Aprendizaje Digital e IA (UDGPlus), Universidad de Guadalajara CC BY-SA 4.0
Material editorial del proyecto; no constituye un dictamen institucional.
Descripción textual del diagrama
Paula entrega cuatro partes para explicar por qué cambió su conclusión:
Desliza horizontalmente para consultar todas las columnas.
| Qué entrega | Contenido del caso |
|---|---|
| El párrafo que escribió primero | «El chat de IA hizo que menos estudiantes abandonaran el curso». |
| La información que comprobó | El grupo con chat eligió usarlo y tuvo clases extra con un docente. El otro grupo no tuvo el chat ni esas clases. El informe registra menos abandono en el grupo con chat. |
| Por qué cambió la frase | «El grupo con chat también tuvo clases extra. Además, se formó con quienes quisieron usarlo. No puedo saber qué causó el menor abandono». |
| El párrafo final | «El abandono fue menor en el grupo con chat de IA que en el grupo sin chat. El informe no permite concluir que la IA causó esa diferencia». |
Estas cuatro partes permiten revisar por qué Paula cambió esa frase. No bastan para afirmar que podrá hacer lo mismo sola en otra tarea. El docente revisa si identifica el cambio, lo relaciona con los datos y retira una afirmación causal que no puede sostener.
Condiciones para usar IA en retroalimentación#
La posibilidad de generar comentarios rápidos no convierte una herramienta en evaluador. Antes de usar IA para retroalimentar trabajos, el equipo docente debe definir qué datos pueden procesarse, evitar información personal o confidencial y comprobar las reglas institucionales de privacidad. También debe prever una alternativa para quienes no tengan el mismo acceso a la herramienta.
La persona docente conserva la responsabilidad de revisar la pertinencia de los comentarios, corregir errores y explicar qué parte influyó en una calificación. La revisión humana es indispensable cuando la respuesta de la herramienta puede afectar oportunidades, resultados o trato entre estudiantes. La IA puede preparar observaciones iniciales; no debe tomar por sí sola una decisión de evaluación.
Fuentes y atribución
- Digital Education Council. (7 de julio de 2025). “Watering the Plants, Not Just Building Fences”: Rethinking Assessment in the AI Era. Resumen del Executive Briefing #018 con Vincent Liardi y Daniel A. Bielik.
- Digital Education Council. (23 de abril de 2025). Digital Education Council Announce Strategic Partnership with Pearson to Shape the Future of Global Higher Education.
- Digital Education Council y Pearson. (2025). The Next Era of Assessment: A Global Review of AI in Assessment Design.