Comparto una visualización basada en el artículo de Nadeera Ahangama (2026), que propone el marco GENESIS y la matriz ADM para diseñar evaluaciones con evidencias válidas de aprendizaje, proceso, reflexión, desempeño y competencias demostrables.

Ana Henríquez Orrego
Académica del Observatorio de Inteligencia Artificial en Educación
Universidad de Las Américas

La expansión de la inteligencia artificial generativa está obligando a revisar una de las preguntas más sensibles de la educación superior: ¿cómo sabemos que un estudiante realmente aprendió? La pregunta parece simple, pero se vuelve compleja cuando una herramienta de IA puede producir textos, códigos, respuestas técnicas, análisis, esquemas o borradores con una calidad suficiente para parecer evidencia académica. En ese escenario, la evaluación deja de ser un asunto meramente instrumental y pasa a ocupar un lugar estratégico en la calidad de los procesos formativos.

A partir de esta preocupación, preparé una visualización de diez láminas sobre el artículo de Nadeera Ahangama, publicado en 2026 en International Journal of Educational Technology in Higher Education, titulado Designing assessments in the generative AI era: A tailored assessment framework for ICT tertiary education. El título puede traducirse como Diseño de evaluaciones en la era de la inteligencia artificial generativa: un marco de evaluación adaptado para la educación terciaria en TIC. Se trata de un artículo especialmente relevante porque aborda el rediseño de la evaluación en educación superior desde una perspectiva institucional, curricular y pedagógica.

El texto de Ahangama se concentra en programas terciarios de tecnologías de la información y la comunicación, un campo particularmente expuesto a los efectos de la IA generativa. En estas áreas, las herramientas actuales pueden generar código, algoritmos, respuestas técnicas y soluciones aparentemente plausibles con una intervención limitada del estudiante. La preocupación de fondo, sin embargo, trasciende a las TIC: muchas evaluaciones tradicionales pueden dejar de ofrecer evidencia suficiente sobre el aprendizaje real si solo recogen un producto final que la IA pudo haber producido, mejorado o estructurado de manera decisiva.

El aporte del artículo está en desplazar el foco desde la vigilancia hacia el diseño evaluativo. La autora propone que el problema no se resuelve únicamente con detectores, restricciones o declaraciones generales sobre el uso permitido de IA. La respuesta requiere una arquitectura más completa: valores institucionales, gobernanza, infraestructura de apoyo, integración curricular, competencias de egreso, estrategias de evaluación y métodos capaces de recoger evidencia válida. En otras palabras, evaluar en tiempos de IA exige revisar el sistema completo que sostiene la evaluación.

Uno de los elementos centrales del artículo es el marco GENESIS, concebido como un modelo institucional de cinco pilares. Los primeros cuatro pilares se refieren a valores y disposiciones, gobernanza, infraestructura de apoyo y currículo integrado con IA. El quinto pilar corresponde al diseño focalizado de la evaluación. Esta estructura resulta especialmente útil porque muestra que la transformación evaluativa no comienza en la rúbrica ni en la tarea aislada, sino en las condiciones institucionales que hacen posible una evaluación coherente, ética y sostenible.

El segundo aporte relevante es la matriz ADM, Assessment Design Matrix. Esta matriz articula tres componentes: competencias de egreso, estrategias de evaluación y métodos de evaluación. Su lógica es clara: primero se identifican las competencias que se quieren desarrollar y evidenciar; luego se seleccionan estrategias capaces de medirlas de manera válida; finalmente se eligen métodos concretos que permitan recoger evidencia suficiente. Esta relación es crucial para evitar evaluaciones innovadoras solo en apariencia, pero débiles en su capacidad para demostrar aprendizaje.

Entre las competencias que el artículo considera prioritarias aparecen la ingeniería de prompts, la alfabetización en IA generativa, las habilidades metacognitivas, la comunicación académica y profesional, la escritura con referencias, la toma de decisiones, el liderazgo, el trabajo en equipo, la resolución de conflictos y la inteligencia ética. Este punto es fundamental: la IA no disminuye la importancia de las capacidades humanas; más bien vuelve más necesario evaluarlas con mayor precisión. En un entorno mediado por IA, adquieren mayor relevancia el juicio, la reflexión, la colaboración, la comunicación, la ética y la capacidad de defender decisiones.

En cuanto a estrategias, el artículo propone avanzar hacia evaluaciones multietapa, documentación de procesos, retroalimentación continua, tareas auténticas, evaluación del pensamiento de orden superior, uso formativo de la IA y supervisión en momentos críticos del proceso formativo. También plantea que los docentes pueden utilizar IA para diagnosticar sus propias evaluaciones, probando si una tarea puede ser resuelta fácilmente por una herramienta o si exige contextualización, análisis, aplicación, argumentación y juicio profesional.

Los métodos sugeridos también son relevantes para la educación superior: portafolios, diarios de aprendizaje, bibliografías anotadas, laboratorios prácticos, proyectos por hitos, simulaciones, role-play, presentaciones, entrevistas, demostraciones, mapas conceptuales, resolución de problemas reales, artefactos multimodales, proyectos capstone y evaluaciones controladas con foco conceptual. La clave está en combinar evidencias, no depender de un único producto final. Mientras más visible sea el proceso, más robusta será la inferencia sobre el aprendizaje.

La visualización que comparto busca presentar estas ideas de manera sintética, ordenada y útil para docentes, equipos curriculares, directivos académicos y profesionales vinculados al aseguramiento de la calidad. Cada lámina trabaja un aspecto del artículo: el problema, la metodología, los siete temas centrales, el marco GENESIS, la matriz ADM, las competencias de egreso, las estrategias, los métodos y las implicancias para la educación superior.

El mensaje principal puede formularse así: evaluar bien en la era de la IA significa volver más visible el aprendizaje. Esto implica diseñar tareas donde el estudiante deba mostrar proceso, decisiones, fundamentos, iteraciones, reflexión, aplicación y desempeño. La evaluación necesita producir evidencias que permitan afirmar, con mayor claridad, que hubo aprendizaje real y que el juicio académico sigue teniendo una base válida.

La IA generativa no elimina la evaluación; la obliga a ser más explícita, más coherente y más exigente en términos pedagógicos. La pregunta decisiva ya no es solo si se permite o no se permite usar IA. La pregunta central es qué tipo de evidencia necesitamos para sostener que una persona aprendió, comprendió, aplicó, argumentó y desarrolló las competencias esperadas. Esa es, probablemente, una de las discusiones más importantes que hoy debe enfrentar la educación superior.

Referencia

Ahangama, N. (2026). Designing assessments in the generative AI era: A tailored assessment framework for ICT tertiary education. International Journal of Educational Technology in Higher Education, 23, Article 9. https://doi.org/10.1186/s41239-026-00582-0