Mi parte favorita de enseñar en la escuela secundaria no eran las calificaciones. Fue el caos de la experimentación.
Descarté el informe del libro. Muerto al llegar. En cambio, los estudiantes utilizaron organizadores gráficos, limitados a 100 palabras, para respuestas multimodales. Los informes orales tenían un límite estricto de dos minutos. ¿Si te pillo leyendo durante SSR? Puntos de bonificación. Simple.
¿Pruebas? Trae tus notas. Mis diapositivas. El libro de texto. Cualquier cosa.
No me importaba si recordabas las fechas. Quería ver si podías sintetizar, evaluar y analizar.
En doce años de enseñanza, nunca obligué a ningún estudiante a escribir un ensayo de cinco párrafos.
¿Por qué?
He sido escritor profesional desde antes de que nacieran la mayoría de estos modelos de IA. Detesto el formato. La estructura importa. ¿Pero una estructura que existe sólo dentro de un salón de clases? Eso es una pérdida de tiempo.
Recientemente, algunos escritores de Substack sobre IA en la educación reavivaron mi interés por el diseño.
Hice una prueba.
Les pregunté una cosa a los grandes LLM: ¿Qué hace que una tarea sea fácil para ustedes?
Sabía la respuesta antes de preguntar. Reconocimiento de patrones.
Culpamos a la tecnología. Eso es vago.
El problema no es que la IA sea demasiado poderosa.
El problema es que diseñamos nuestras tareas para que fueran predecibles, procesales y aburridamente automatizables.
La industria lo sabe: si se puede automatizar, se automatiza. La educación llega tarde a la fiesta.
La fórmula que le encanta a la IA
No nos topamos con tareas compatibles con la IA. Nosotros los construimos.
Los LLM prosperan en la estructura. No perspicacia. No es una experiencia de vida. Estructura.
Esto es lo que mata la creatividad de los estudiantes y alimenta la IA:
1. Plantillas rígidas
El ensayo de cinco párrafos es el rey. Introducción. Tres párrafos del cuerpo. Conclusión. Cambia el tema. La forma se mantiene.
La IA no necesita pensar. Simplemente llena los espacios en blanco.
2. Indicaciones obvias
“Explica el ciclo del agua”.
“Enumera las causas de la revolución”.
Estas no son preguntas. Son comandos de búsqueda.
El modelo asigna la señal a la respuesta almacenada. Es finalización, no creación.
3. Pensamiento superficial
Resumir. Definir. Lista.
Los científicos cognitivos llaman a este nivel “superficial”. Es donde la densidad de patrones es mayor. La IA domina la superficie. Apenas prueba profundidad.
4. Rúbricas de lista de verificación
Incluye tres ejemplos.
Utilice cinco palabras de vocabulario.
¿Útil? Sí.
¿Apto para algoritmos? Terriblemente así.
Los LLM realizan ingeniería inversa en su rúbrica. Optimizan para obtener puntos, no significado.
5. Sin contexto
Cuando una tarea ignora quién es realmente el estudiante, se convierte en conocimiento descontextualizado.
Hice que los niños vincularan libros con programas de televisión. A los videojuegos. A sus vidas.
La IA no tiene vida. Cuando la tarea carece de contexto, la IA no tiene ninguna desventaja en tu contra.
La trampa del diseño hacia atrás
¿Ironía? Nuestros mejores marcos ayudaron a que esto sucediera.
El diseño hacia atrás comienza con los resultados. Luego construyes la prueba.
Es coherente. Está ordenado.
Y es terrible para pensar.
Cuando defines “éxito” con demasiada claridad (enunciado de tesis, tres citas, 800 palabras), simplemente estás escribiendo un mensaje para una IA.
He visto a mis sobrinas hacerlo. ¿Lo primero que hacen? Copie y pegue las instrucciones y la rúbrica en ChatGPT.
La conformidad está garantizada.
Una lista de verificación no es suficiente. Necesitas indicadores de calidad. Necesita dominios de alto nivel de la Taxonomía de Bloom. No sólo casillas para marcar.
Sí, los nuevos modelos imitan la síntesis. Sí, fingen la creatividad.
Hace que el diseño sea más difícil. Facilita la comprobación.
Donde tropieza la IA
No quemes tu currículum. Simplemente cambia las variables.
La IA lucha con:
- Auténtica ambigüedad
- Contexto local y específico.
- Proceso visible
- Juicio humano
- Síntesis original bajo limitaciones
Las limitaciones son clave.
¿Hablar con el ayuntamiento? Duro.
¿Escribir un podcast? Raro para un LLM.
¿Utiliza datos locales contradictorios? Complicado.
¿Revisar basándose en el correo de odio de sus compañeros? Doloroso para un robot.
Cuando una tarea pasa de ejecución de patrón a construcción de significado, el robot falla.
Necesitamos “fricción productiva”.
No caos.
Fricción.
Los colegas de AI Friction Labs están construyendo esto. Reemplazan la IA “útil” con resistencia. Diálogo socrático. Negociación de partes interesadas. Defender tu argumento en tiempo real.
Evalúan el pensamiento, no el PDF.
¿Aprendizaje basado en proyectos?
- Definir el desorden.
- Descubre lo que no sabes.
- Probar una solución.
- Fallar. Iterar.
Ninguna plantilla funciona aquí. No hay trampilla de escape de cinco párrafos.
¿Y ahora qué?
Estamos haciendo la pregunta equivocada.
No “¿Cómo dejamos de hacer trampa?”
Pero “¿Por qué fue tan fácil falsificar esta tarea?”
Eso duele. Debería.
Si un bot lo hace en segundos, ¿estábamos midiendo el aprendizaje? ¿O estábamos midiendo la obediencia a una fórmula?
Las tareas que rompen la IA son las que exigen:
- Ideas novedosas.
- Experiencia especializada.
- Experiencia vivida que ningún conjunto de datos tiene.
Esto no es una crisis. Es un filtro.
Nos muestra dónde fallaron nuestras tareas.
Necesitamos diseñar experiencias que requieran un pensamiento humano situado e iterativo.
Esas cosas todavía les resultan difíciles.
Buena suerte.
