Evaluar aprendizajes en tiempos de IA: rediseñar la enseñanza y fortalecer la evidencia

Ana Henríquez Orrego
Académica del Observatorio de IA en Educación · Universidad de Las Américas, Chile

Un ensayo bien escrito, un informe correctamente estructurado o un problema resuelto pueden ofrecer una imagen convincente del desempeño de un estudiante. La inteligencia artificial generativa ha ampliado considerablemente las posibilidades de producir esos resultados. Esta transformación exige revisar una pregunta fundamental para la educación superior: ¿qué evidencias necesitamos para afirmar que el estudiante comprende, puede justificar sus decisiones y es capaz de aplicar lo aprendido en una situación nueva?

Esta fue la pregunta que orientó mi conferencia «Evaluar aprendizajes en tiempos de IA», desarrollada en el ciclo de webinars sobre educación digital e inteligencia artificial en educación superior de REALCUP. En ella compartí reflexiones, investigaciones, orientaciones internacionales y propuestas de trabajo que hemos venido explorando desde el Observatorio de IA en Educación de la Universidad de Las Américas. El desafío compromete la coherencia entre lo que esperamos que nuestros estudiantes aprendan, las experiencias que les ofrecemos y las evidencias con las que fundamentamos su aprobación y titulación.

La literatura que recomiendo en la presentación permite examinar este problema desde perspectivas complementarias. Encontramos estudios sobre aprendizaje y delegación cognitiva, propuestas para revisar las taxonomías educativas, orientaciones para el diseño de evaluaciones y marcos institucionales para integrar la IA. Leerlos en conjunto ayuda a formular mejores preguntas y a distinguir entre resultados de investigación, propuestas conceptuales y recomendaciones que cada institución debe analizar en su propio contexto.

Uno de los puntos de partida es la diferencia entre mejorar el desempeño durante una tarea y desarrollar un aprendizaje que el estudiante pueda sostener y transferir. El OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education aborda precisamente esta distinción: la IA puede favorecer el aprendizaje cuando su utilización responde a principios pedagógicos claros; también puede elevar la calidad del resultado sin producir mejoras equivalentes en la comprensión cuando sustituye el trabajo intelectual del aprendiz. Es una lectura que recomiendo para ponderar las oportunidades de estas herramientas y las condiciones que hacen posible su aporte educativo. OCDE, 2026.

En la conferencia denomino ilusión de aprendizaje a esa distancia entre un producto que parece demostrar dominio y una comprensión que todavía puede ser insuficiente. El estudiante puede sentir que aprendió porque obtuvo una respuesta correcta; el docente puede interpretar que el objetivo se cumplió porque el trabajo satisface los criterios del instrumento. Esta situación puede producirse incluso cuando el uso de IA está autorizado. Por ello, junto con la integridad académica, debemos examinar qué aprendizaje está ocurriendo.

Aquí adquiere relevancia la fricción cognitiva: el esfuerzo de interpretar, comparar, ensayar, reconocer un error y revisar una explicación. Su valor depende de que la dificultad tenga un propósito formativo, sea abordable y cuente con acompañamiento. Una pregunta bien formulada, una pista o una retroalimentación oportuna pueden ayudar a avanzar conservando la participación intelectual del estudiante.

Para profundizar en esta dimensión recomiendo el informe de Jason M. Lodge y Leslie Loble, Artificial intelligence, cognitive offloading and implications for education (2026), dedicado a la delegación de operaciones cognitivas y sus implicaciones educativas. La pregunta que propongo llevar a nuestras asignaturas es concreta: cuando incorporamos una herramienta, ¿qué parte del razonamiento sigue realizando el estudiante y qué oportunidades tiene para desarrollar autonomía? Lodge y Loble, 2026.

Esta preocupación conduce a diseñar evaluaciones auténticas y resilientes a la IA. La autenticidad se expresa en tareas pertinentes para la disciplina o la profesión, que exigen comprender un contexto, ponderar alternativas y tomar decisiones justificadas. La resiliencia supone adaptar el diseño para conservar evidencias válidas del aprendizaje en un entorno tecnológico cambiante.

La experiencia de Irlanda aporta una referencia especialmente pertinente. El documento Generative AI in Higher Education Teaching & Learning: AI-Resilient Assessment Practices, publicado por la Higher Education Authority en 2025, vincula la resiliencia con la capacidad institucional de adaptación y flexibilidad, preservando los propósitos educativos. Sus orientaciones invitan a hacer visible el juicio del estudiante y a combinar evidencias que permitan examinar cómo llega a sus conclusiones. HEA, 2025.

Por eso, evaluación resiliente a la IA y evaluación «a prueba de IA» expresan aspiraciones diferentes. La segunda sugiere una protección estable frente a herramientas que siguen evolucionando. La primera exige revisar tareas, condiciones de trabajo y mecanismos de verificación. Puede incorporar momentos de desempeño autónomo, actividades con IA y condiciones de supervisión, según el aprendizaje que se busca acreditar.

También recomiendo The wicked problem of AI and assessment, de Thomas Corbin, Margaret Bearman, David Boud y Phillip Dawson, publicado inicialmente en 2025. Sus autores analizan la evaluación con IA como un problema complejo, con prioridades en tensión y respuestas que requieren ajustes continuos. Esta perspectiva ayuda a comprender por qué las instituciones necesitan generar condiciones para experimentar, fundamentar decisiones y revisar sus efectos. Una orientación escrita es parte del trabajo; su implementación exige aprendizaje institucional. Corbin y colaboradores, 2025.

El informe del Comité Ad Hoc del MIT sobre el uso de IA en la enseñanza, el aprendizaje y la formación en investigación, de agosto de 2026, ofrece otro punto de apoyo. Entre sus principios destacan la humildad, la centralidad de las personas y la enseñanza con intencionalidad. Recomiendo su lectura porque invita a revisar los propósitos de la formación y las decisiones educativas ante la IA, reconociendo que las respuestas deben seguir evolucionando. MIT, 2026.

Desde mi perspectiva, enseñar con intencionalidad implica volver al perfil de egreso y a los resultados de aprendizaje. Necesitamos precisar qué conocimientos deben estar disponibles para que el futuro profesional comprenda una situación, qué procedimientos debe dominar y qué criterios necesita para evaluar una respuesta generada por IA. A partir de esas definiciones podemos decidir cómo incorporarla y qué evidencias permitirán valorar el aprendizaje.

En esta discusión resulta pertinente el documento de UNESCO IESALC, Los desafíos de la IA en la educación superior y las respuestas institucionales: ¿hay espacio para marcos de competencias? (2025). Lo recomiendo como una entrada para examinar la relación entre las respuestas institucionales y las capacidades que necesitamos desarrollar. En nuestro trabajo, esta pregunta se traduce en una alfabetización que articule comprensión tecnológica, aplicación disciplinar, juicio crítico y responsabilidad. UNESCO IESALC, 2025.

La alfabetización en IA puede desplegarse a lo largo de toda la trayectoria formativa. Comprender sus capacidades y limitaciones es un punto de partida; posteriormente, el estudiante necesita aprender a utilizarla en situaciones propias de su disciplina, verificar sus resultados, reconocer sesgos y responder por las decisiones que toma. Esta progresión requiere participación de docentes, equipos curriculares y autoridades académicas.

Otro texto que incorporo a la presentación es Vineet Dhar y Sergio E. Uribe, Bloom’s Taxonomy Reimagined for Generative AI in Dental Education: An Assessment Framework (2026). Su propuesta pone el acento en lo que debe aportar la persona cuando la IA puede ejecutar tareas tradicionalmente asociadas a distintos niveles cognitivos: verificar, contextualizar, integrar, criticar y deliberar. Se trata de un marco conceptual que requiere validación empírica, pero ofrece preguntas útiles para revisar las expectativas evaluativas en otras disciplinas. Dhar y Uribe, 2026.

Esta reflexión permite elevar la ambición del aprendizaje. Si una herramienta puede producir rápidamente un análisis, podemos exigir que el estudiante contraste sus fundamentos, identifique limitaciones y lo adapte a condiciones nuevas. Al mismo tiempo, debemos cuidar los conocimientos que necesita para realizar esa crítica. El juicio profesional se construye sobre saberes que permiten reconocer cuándo una respuesta es pertinente y cuándo requiere corrección.

En términos prácticos, propongo mirar la evaluación como un protocolo completo, desde la consigna inicial hasta la retroalimentación y la decisión de aprobación. La rúbrica forma parte de ese proceso, junto con las tareas, los apoyos disponibles, las condiciones de uso de IA y los hitos en que se observará el aprendizaje. Para comenzar su revisión, sugiero responder seis preguntas:

• ¿Qué aprendizajes se evaluarán y qué nivel de dominio se espera?
• ¿Qué tarea realizará el estudiante y cómo se organizará su recorrido?
• ¿Qué usos de IA estarán permitidos o restringidos en cada etapa?
• ¿Qué evidencias del proceso y del aprendizaje individual deberá presentar?
• ¿Cómo y cuándo se verificará la comprensión, el desempeño y la transferencia?
• ¿Qué ponderación tendrá cada hito y qué condiciones se exigirán para aprobar?

Estas decisiones deben comunicarse desde el inicio. Una asignatura puede articular momentos con IA, sin IA y sobre IA. Un diagnóstico autónomo permite identificar necesidades de apoyo; una actividad con tutor puede ampliar la práctica; el análisis de respuestas generadas permite ejercitar la verificación. Cada condición tiene sentido cuando se vincula con el propósito formativo y se implementa de manera coherente.

La trazabilidad del aprendizaje adquiere especial valor en este diseño. Borradores, fuentes contrastadas, decisiones justificadas, retroalimentación y modificaciones permiten comprender cómo evoluciona el trabajo. Un portafolio de trayecto puede reunir esas evidencias. Su fuerza aumenta cuando se vincula con una demostración individual, porque los documentos que describen el proceso también pueden elaborarse con ayuda de IA.

En algunos protocolos, el portafolio puede funcionar como requisito habilitante para acceder a una instancia posterior. Recomiendo considerar un mayor peso para las evidencias directas y verificadas del aprendizaje individual, atendiendo a los resultados que se busca acreditar. Corresponde al comité curricular o al docente, según sus atribuciones, definir las ponderaciones y los requisitos de aprobación. Los porcentajes que presento en los ejemplos ilustran decisiones posibles y deben examinarse en su contexto.

La transferencia es uno de los componentes más relevantes de esta propuesta. Consiste en utilizar lo aprendido ante una situación que modifica aspectos del problema original. En Historia, después de elaborar un análisis, el estudiante puede interpretar una fuente nueva y explicar cómo cambia su argumento. En programación, puede identificar un error introducido en su código y fundamentar una corrección. En una simulación profesional, puede ajustar su decisión cuando aparece un antecedente adicional.

Esta mirada amplía también el concepto de defensa académica. Puede expresarse mediante una explicación en pizarra, una revisión de código, una demostración, una microclase o un diálogo sobre un caso. El propósito es observar cómo el estudiante comprende, decide, adapta y responde por lo realizado. Son instancias que pueden ser acotadas y focalizadas en aprendizajes específicos.

Para explorar alternativas recomiendo The Next Era of Assessment: A Global Review of AI in Assessment Design, del Digital Education Council, desarrollado junto con Pearson. El informe reúne 101 casos y organiza 14 metodologías para apoyar el rediseño de evaluaciones. Su valor está en ampliar el repertorio de posibilidades y ofrecer referencias que los equipos puedan examinar según sus necesidades. Digital Education Council y Pearson, 2025.

En la conferencia comparto secuencias que permiten integrar IA conservando la participación intelectual del estudiante. Una comienza con una elaboración propia que luego se revisa con ayuda de la herramienta; otra parte de una respuesta generada que debe ser contrastada, corregida y defendida. En ambas interesa que el estudiante explique qué aceptó, qué modificó y por qué. También abordo simulaciones con pacientes, clientes, ciudadanos o personajes históricos, que permiten practicar preguntas, analizar situaciones y ensayar decisiones.

Las oportunidades se extienden a todo el proceso evaluativo. La IA puede apoyar la formulación de resultados de aprendizaje, la revisión de consignas, la elaboración de instrumentos, el acompañamiento formativo y el análisis de resultados. Cuando participa en la corrección o la retroalimentación, su aporte requiere transparencia, revisión y juicio académico. El equipo docente conserva la responsabilidad de valorar las evidencias y fundamentar las decisiones.

La educación en línea exige adaptar estos principios a sus condiciones. En la presentación incorporo casos de UNIR, UNED, UOC y Western Governors University, que permiten examinar distintas relaciones entre evaluación continua, productos, demostraciones y pruebas de dominio. Sus configuraciones deben leerse atendiendo a las particularidades de cada institución y programa. Para una carrera en línea, la tarea es construir una combinación pertinente y viable de evidencias, considerando accesibilidad, identidad, privacidad y oportunidades de interacción.

El documento Assessment reform for the age of artificial intelligence, elaborado por especialistas y publicado por TEQSA en 2023, aporta una perspectiva que vincula la preparación para un mundo con IA y el aseguramiento del aprendizaje. Lo incorporo como parte de esta conversación internacional, junto con las demás lecturas, para orientar una revisión que alcance al programa formativo y a sus decisiones de evaluación. TEQSA, 2023.

Desde el trabajo del Observatorio también comparto el material «Evaluación auténtica resiliente a la IA: un desafío para la educación superior. Material de apoyo para Comités Curriculares», incluido entre las lecturas de la presentación. Este aporte se complementa con el módulo de aprendizaje y diagnóstico sobre evaluación auténtica resiliente a la IA, pensado para acompañar la revisión de protocolos y la identificación de oportunidades de mejora.

La magnitud del desafío requiere condiciones institucionales. Los docentes necesitan tiempo, formación continua, apoyo pedagógico y tecnológico, y espacios para compartir experiencias. Los equipos curriculares deben revisar la progresión de los aprendizajes; las autoridades, establecer orientaciones y recursos; y los estudiantes, comprender las expectativas y asumir responsabilidad por su trabajo. La calidad depende de cómo se articulan esas decisiones.

Una ruta inicial consiste en mapear las evaluaciones existentes, examinar qué puede resolver la IA, identificar prácticas valiosas dentro de la propia institución y acordar algunos protocolos que puedan adaptarse a distintas asignaturas. Documentar tres o cuatro diseños pertinentes por escuela puede ser un punto de partida para orientar el trabajo colectivo. Luego corresponde observar sus resultados, recoger la experiencia de docentes y estudiantes y realizar ajustes.

Evaluar aprendizajes en tiempos de IA nos sitúa ante una responsabilidad esencial: fundamentar la confianza en lo que nuestros estudiantes saben, comprenden y son capaces de hacer. La tecnología amplía las posibilidades de enseñar, aprender y producir. El diseño curricular y evaluativo debe convertir esas posibilidades en experiencias que desarrollen conocimiento, autonomía y criterio profesional.

Te invito a revisar el video completo «Evaluar aprendizajes en tiempos de IA». En él profundizo en estas lecturas, explico los conceptos y presento ejemplos de protocolos para distintas disciplinas y modalidades. Puede ser un punto de partida para el trabajo de docentes, comités curriculares y equipos directivos. Mi invitación es a verlo con una evaluación propia a mano y preguntarse qué aprendizaje promueve, qué evidencias permite observar y qué decisiones ayudarían a fortalecerla.

Ana Henriquez Orrego – Observatorio de IA en Educación Universidad de Las Américas