# Aplicación de la IA en el aula: Cientificotecnológico
Tercer módulo perteneciente al itinerario formativo en alfabetización de la IA en el ámbito educativo, específico de cada perfil docente.
# 1.Panorámica tecnologías de IA
# 1.1 Introducción y resumen del curso
Este curso pretende fundamentalmente dos cosas, por un lado **profundizar en los fundamentos y tecnologías asociadas a los modelos de lenguaje para poder usarlos y aplicarlos según nuestras necesidades y por otro ofrecer al docente ideas y situaciones de aprendizaje para aplicar la IA en el ámbito científico-tecnológico**
Veremos en que se basa la IA, los fundamentos del *machine* *learning* y el aprendizaje supervisado así como la base del *deep* *learning* y su arquitectura más importante llamada *transfomers* que han dado lugar a los llamados modelos de lenguaje o LLMs, su diversidad y su forma de uso, no solo como las IAs tradicionales accediendo a través de una web, sino **usándolos en nuestro propio equipo de manera local permitiendo la confidencialidad de los datos y la independencia de terceros**. También veremos como influye el *hardware* o los equipos que usamos y cuales son más adecuados según los objetivos y aplicaciones.
El enorme desarrollo y avance de las tecnologías de IA en los últimos meses está permitiendo que cada vez más gente ajena al mundo tecnológico tenga acceso a la posibilidad de realizar tareas que hace solamente dos o tres años requerían de una formación compleja y extensa en el tiempo. Esto hace que con pocos conocimientos ya seamos capaces de **desarrollar aplicaciones adaptadas a nuestro contexto académico** y sin uso de código, aunque también veremos como manejas nuestros modelos de IA usando lenguajes como *python* que hoy en día simplifican enormemente la programación haciéndola mucho más intuitiva y cercana al lenguaje humano.
También veremos tecnologías relacionadas y disruptivas que están surgiendo en los últimos meses, como son el **uso de agentes y automatización de procesos** mediante la combinación de modelos de lenguaje y diversas herramientas y aplicaciones como el correo electrónico o la búsqueda en *internet*.
Una vez consolidada esta **base técnica,** el curso se desplaza hacia la aplicación práctica en las asignaturas científico-técnicas. Aquí, la IA deja de ser el objeto de estudio para convertirse en una aliada estratégica en el laboratorio y el aula. Exploraremos cómo estas herramientas pueden modelar y **simular fenómenos físicos, asistir en la escritura de código complejo, analizar grandes volúmenes de datos experimentales o incluso generar simulaciones químicas y biológicas que antes requerían un software altamente especializado**. No buscamos ofrecerte un manual de instrucciones cerrado ni una receta única, sino proporcionarte una panorámica completa y versátil de las tecnologías disponibles. El objetivo final es que, al terminar, poseas tanto la **competencia técnica como el criterio pedagógico** para decidir exactamente cómo integrar la IA en tu disciplina, ya sea para potenciar la capacidad de indagación de tus alumnos o para revolucionar la enseñanza de la ciencia y la tecnología desde una perspectiva moderna, práctica y rigurosa.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/PGJimage.png)
# 1.2 IA Generativa, Modelos de IA y Agentes
Los **LLMs (Large Language Models)** son modelos de lenguaje de gran tamaño (como GPT, BERT o LLaMA) entrenados con enormes corpus de texto para realizar tareas como generación de texto, traducción, clasificación o respuesta a preguntas. Plataformas como **Hugging Face** ofrecen bibliotecas como *Transformers*, que permiten gestionar y utilizar estos modelos en diferentes modalidades. Aunque originalmente estaban orientados al procesamiento de texto, hoy en día muchos de estos modelos pueden trabajar también con **imágenes, audio o vídeo**, dando lugar a sistemas **multimodales** capaces de combinar distintos tipos de información.
Además de los LLMs centrados en texto, existen **modelos de visión** basados en redes neuronales profundas, como las **CNN (Convolutional Neural Networks)** o los **Vision Transformers**, que se utilizan para tareas como clasificación de imágenes, detección de objetos o segmentación visual. También han aparecido modelos generativos como **Stable Diffusion**, que permiten crear imágenes a partir de descripciones textuales. En paralelo, se han desarrollado **modelos multimodales** (por ejemplo **CLIP** o **LLaVA**) capaces de relacionar texto e imagen, permitiendo tareas como describir una fotografía, responder preguntas sobre una imagen o generar contenido visual a partir de instrucciones en lenguaje natural.
Muchos de estos sistemas se construyen a partir de lo que se denomina un **modelo fundacional (foundation model)**. Se trata de grandes redes neuronales entrenadas previamente con enormes cantidades de datos generales —como los modelos GPT de OpenAI o BERT de Google— que aprenden patrones lingüísticos y conceptuales amplios. Estos modelos proporcionan una **capacidad general de comprensión y generación**, que posteriormente puede adaptarse a tareas específicas mediante técnicas como el **fine-tuning** o el ajuste mediante instrucciones. Por ejemplo, un modelo fundacional entrenado con grandes cantidades de texto puede posteriormente especializarse para responder preguntas médicas, analizar documentos legales o ayudar en tareas educativas.
En los últimos años ha aparecido además un **nivel más avanzado de uso de los LLMs**: los **agentes de inteligencia artificial**. Un agente es un sistema que utiliza un modelo de lenguaje como núcleo de razonamiento, pero que además puede **tomar decisiones, planificar pasos y utilizar herramientas externas** (bases de datos, buscadores, programas o APIs) para resolver tareas complejas. En lugar de limitarse a generar una respuesta, el modelo puede descomponer un problema, ejecutar acciones y combinar distintos recursos para alcanzar un objetivo.
El desarrollo más reciente en este ámbito es la **orquestación de agentes**, donde varios agentes especializados colaboran entre sí dentro de un mismo sistema. En este enfoque, cada agente puede encargarse de una función concreta —por ejemplo, búsqueda de información, análisis de datos, generación de texto o verificación de resultados— y un sistema de coordinación organiza su interacción. Este paradigma está dando lugar a nuevas arquitecturas de software basadas en **equipos de agentes cooperativos**, capaces de automatizar procesos complejos y construir aplicaciones inteligentes más avanzadas.
En conjunto, la evolución de la inteligencia artificial ha pasado desde modelos especializados en tareas concretas hacia **modelos fundacionales generales**, después hacia **LLMs capaces de interactuar con múltiples modalidades de datos**, y finalmente hacia **sistemas de agentes y orquestación de agentes**, que representan actualmente una de las fronteras más activas de investigación y desarrollo en IA. Estos enfoques permiten que los modelos no solo generen contenido, sino que también **razonen, planifiquen y colaboren para resolver problemas reales en distintos ámbitos científicos, educativos y profesionales**.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/avEimage.png)
# 1.3 Plataformas y herramientas
En los últimos años ha habido un desarrollo exponencial de tecnologías vinculadas a la IA en todos los niveles y ámbitos profesionales
Este curso pretende dar una visión completa de las mismas e iniciar al alumno en un uso más profundo y flexible de la IA para adaptarla a sus necesidades y reducir la dependencia.
> **Aunque se habla de *python* y librerías asociadas no es en absoluto la idea del curso aprender a programar pero sí ofrecer dicha posibilidad a los alumnos que quieran introducirse en el tema.**
A continuación mostramos las principales y más populares plataformas y tecnologías. Todas ellas se usan en todo el mundo como referencia y base de pruebas y aprendizaje de IA con modelos y conjuntos de datos propios y ajenos
#### **Modelos de IA**
Entre los **modelos de IA más populares** se pueden distinguir varios grupos según el tipo de información que procesan y su aplicación principal.
##### Modelos de lenguaje (LLM)
Están diseñados para **comprender y generar texto**. Se utilizan en asistentes conversacionales, generación de contenido, programación asistida, traducción o análisis de documentos.
Ejemplos representativos:
- **GPT** (OpenAI): base de muchos sistemas conversacionales.
- **BERT** (Google): muy utilizado en comprensión del lenguaje y buscadores.
- **LLaMA** (Meta): modelo abierto que ha impulsado el ecosistema *open source*.
- **Mistral, Qwen o Phi**: modelos más ligeros que permiten ejecutar IA en local.
##### Modelos de visión por computador
Están diseñados para **analizar imágenes o vídeo**. Permiten tareas como reconocimiento de objetos, clasificación de imágenes o detección de patrones visuales.
Ejemplos:
- **CNN (Convolutional Neural Networks)**: arquitectura clásica para reconocimiento de imágenes.
- **Vision Transformers (ViT)**: aplican la arquitectura transformer al análisis visual.
- **Modelos de difusión** (como **Stable Diffusion**): generan imágenes a partir de texto.
##### Modelos de audio y voz
Procesan **sonido o lenguaje hablado**. Se utilizan para reconocimiento de voz, síntesis de voz o generación de música.
Ejemplos destacados:
- **Whisper** (OpenAI): transcripción automática de voz a texto.
- **WaveNet** (DeepMind): generación de voz natural.
- **MusicGen** o **AudioLM**: generación de música o audio mediante IA.
##### Modelos multimodales
Estos modelos pueden **combinar varios tipos de datos** (texto, imagen, audio, etc.). Permiten tareas como describir imágenes, responder preguntas sobre vídeos o interactuar con distintos tipos de contenido al mismo tiempo.
Ejemplos:
- **CLIP** (OpenAI): relaciona texto e imágenes.
- **LLaVA**: integra modelos de lenguaje y visión.
- **Gemini** o **GPT multimodal**: capaces de trabajar con múltiples modalidades de información.
##### Sistemas avanzados basados en LLM: agentes de IA
Una evolución reciente son los **agentes de inteligencia artificial**, que utilizan modelos de lenguaje como núcleo de razonamiento pero además pueden **planificar tareas, usar herramientas externas y ejecutar acciones**.
Cuando varios agentes especializados colaboran dentro de un mismo sistema coordinado se habla de **orquestación de agentes**, una de las tendencias más recientes en el desarrollo de aplicaciones avanzadas de inteligencia artificial.
#### **Plataformas de desarrollo y pruebas de modelos**
Existen diferentes tipos de plataformas para trabajar con inteligencia artificial, que van desde **entornos colaborativos en la nube** hasta **herramientas que permiten ejecutar modelos de forma local**.
##### Plataformas de modelos y repositorios de IA
Son espacios donde investigadores y desarrolladores publican modelos, datasets y demos listas para usar.
Ejemplos:
- **Hugging Face**: uno de los mayores repositorios de IA del mundo, con millones de modelos, datasets y demos interactivos (*Spaces*).
- **ModelScope** o repositorios similares: plataformas que permiten descargar y probar modelos abiertos.
##### Frameworks para construir aplicaciones con LLMs
Facilitan la creación de aplicaciones complejas combinando modelos, bases de datos y herramientas externas.
Ejemplos:
- **LlamaIndex***: especializado en integrar datos propios con modelos de lenguaje.*
- **LangChain**: framework para conectar LLMs con fuentes de datos, APIs o bases de conocimiento.
- *[](https://libros.catedu.es/uploads/images/gallery/2026-03/zkwimage.png)*
*Vista de la web de lancghain para programar, explorar y probar modelos*
##### Entornos de desarrollo en la nube
Permiten experimentar con IA sin instalar nada en el ordenador, usando notebooks con acceso a GPU o TPU.
Ejemplos:
- **Google Colab**: notebooks de Python en la nube con acceso sencillo a GPUs.
- **Kaggle Notebooks**: entorno similar, muy utilizado en ciencia de datos y competiciones de IA.
##### Plataformas empresariales de Machine Learning
Ofrecen infraestructuras completas para entrenar, desplegar y gestionar modelos de IA en producción.
Ejemplos:
- **AWS SageMaker**: entorno de desarrollo y despliegue de modelos en la nube de Amazon.
- **Azure Machine Learning**: plataforma de Microsoft para crear y operar sistemas de IA.
##### Plataformas para ejecutar IA en local
Permiten trabajar con modelos abiertos sin depender de servicios en la nube, lo que mejora la privacidad y el control de datos.
Ejemplos:
- **Ollama**: herramienta sencilla para ejecutar modelos open source en el ordenador.
- **LM Studio**: interfaz gráfica para descargar y usar LLMs locales.
##### Motores de inferencia optimizados
Son herramientas especializadas para ejecutar modelos grandes de forma eficiente.
Ejemplos:
- **vLLM**: motor optimizado para servir LLMs con alto rendimiento y bajo consumo de memoria, muy utilizado en servidores de IA.
En conjunto, estas plataformas permiten **experimentar, desarrollar y desplegar aplicaciones de inteligencia artificial**, tanto en entornos educativos y de investigación como en sistemas profesionales a gran escala.
#### **Técnicas clave**
El uso práctico de los modelos de inteligencia artificial no depende solo del modelo en sí, sino también de una serie de técnicas que permiten adaptarlos, controlarlos o integrarlos con datos propios.
##### Prompting (ingeniería de instrucciones)
Consiste en formular correctamente las instrucciones que se dan al modelo para obtener mejores resultados. Incluye técnicas como zero-shot prompting (pedir una tarea directamente sin ejemplos), few-shot prompting (mostrar algunos ejemplos para guiar la respuesta) y chain-of-thought prompting, donde se pide al modelo que razone paso a paso para mejorar la calidad de la respuesta.
##### RAG (Retrieval-Augmented Generation)
Es una técnica que permite a un modelo consultar información externa antes de generar la respuesta. En lugar de depender solo de lo aprendido durante el entrenamiento, el modelo puede buscar información en bases de datos, documentos o repositorios y utilizar esos datos como contexto. Se utiliza con frecuencia en sistemas de consulta sobre documentos, asistentes empresariales o aplicaciones de “hablar con tus datos”.
##### Fine-tuning (ajuste fino)
Consiste en volver a entrenar un modelo fundacional utilizando datos específicos para especializarlo en una tarea concreta. Por ejemplo, un modelo general puede ajustarse con documentos médicos, legales o educativos para mejorar su precisión en ese ámbito.
##### Embeddings y búsqueda semántica
Los modelos pueden transformar textos en representaciones numéricas llamadas embeddings que capturan el significado del contenido. Esto permite realizar búsquedas semánticas, encontrar documentos relacionados o agrupar información similar aunque no contengan exactamente las mismas palabras.
##### Uso de herramientas externas
Los modelos pueden conectarse con APIs, bases de datos, buscadores o programas externos para ampliar sus capacidades. De esta forma pueden consultar información actualizada, realizar cálculos o ejecutar acciones fuera del propio modelo.
##### Agentes de inteligencia artificial y orquestación de agentes
Una evolución reciente consiste en utilizar los modelos de lenguaje como agentes capaces de planificar tareas, tomar decisiones y utilizar herramientas de forma autónoma. En sistemas más avanzados, varios agentes especializados pueden colaborar entre sí bajo un sistema de coordinación, lo que se conoce como orquestación de agentes. Este enfoque permite construir aplicaciones de IA más complejas capaces de resolver tareas largas o procesos completos de trabajo.
#### **Infraestructura y hardware**
El desarrollo y uso de sistemas de inteligencia artificial requiere una infraestructura informática capaz de procesar grandes volúmenes de datos y ejecutar modelos complejos. Dependiendo del tipo de aplicación, esta infraestructura puede ir desde ordenadores personales hasta centros de datos especializados.
##### Procesadores especializados
Los modelos de IA suelen ejecutarse en hardware optimizado para cálculos paralelos. Las unidades de procesamiento gráfico (GPU) se han convertido en el estándar para entrenar y ejecutar redes neuronales, ya que pueden realizar miles de operaciones simultáneamente. También existen otros aceleradores como las TPU (Tensor Processing Units) desarrolladas por Google o los chips especializados para IA integrados en dispositivos móviles.
##### Servidores y centros de datos
Las empresas que desarrollan modelos fundacionales suelen utilizar grandes centros de datos con miles de GPUs conectadas entre sí. Estas infraestructuras permiten entrenar modelos con billones de parámetros utilizando enormes cantidades de datos. Los centros de datos modernos también incluyen sistemas de almacenamiento de alto rendimiento y redes de alta velocidad para mover grandes volúmenes de información entre máquinas.
##### Computación en la nube
Muchos proyectos de inteligencia artificial utilizan servicios de computación en la nube que permiten acceder a hardware potente sin necesidad de comprarlo. Plataformas como AWS, Google Cloud o Microsoft Azure ofrecen instancias con GPU o TPU que se pueden alquilar por horas para entrenar o ejecutar modelos de IA.
##### Infraestructura local
Además de la nube, cada vez es más común ejecutar modelos de inteligencia artificial en equipos locales. Ordenadores personales con GPUs modernas pueden ejecutar modelos abiertos de tamaño medio, especialmente si están optimizados para uso local. Esto permite mayor control sobre los datos y reduce la dependencia de servicios externos.
##### Optimización y eficiencia
Debido al gran consumo de recursos de los modelos actuales, han surgido técnicas para mejorar su eficiencia, como la cuantización de modelos, la reducción de precisión o el uso de motores de inferencia optimizados. Estas técnicas permiten ejecutar modelos grandes en hardware más limitado, facilitando su uso en entornos educativos, dispositivos personales o aplicaciones empresariales.
El entrenamiento y la inferencia de modelos IA requieren hardware acelerado. A continuación se compara los principales:
| **Tipo de hardware** | **Características/uso** | **Rendimiento relativo** | **Costo/ejecución** | **Accesibilidad educativa** |
|---|
| **GP**
**U (NVIDIA)**
| Procesador paralelo general. Optimizado para matrices (CUDAM, Tensor Cores). Soporta PyTorch, TF. | H100/A100: ~1–3 PFLOPS (FP16) por unidad. Gran VRAM (80–141GB). Soporta batch grande y redes de atención extensas. | Alto: $4–10/h (GPU en nube). Tarjetas PC ~$800–$3000 según modelo. | Muy accesibles: Colab/Kaggle ofrecen GPUs gratis; muchas universidades usan GPUs gaming. |
| **TPU (Google Cloud)** | ASIC tensor específico. Integración fuerte con TensorFlow/JAX. Diseñado para inferencia y entrenamiento de ML en la nube. No disponible fuera de Google Cloud. | v6e: ~2 PFLOPS FP16 por chip. Masivo paralelismo (bajo costo por token). | Pago por uso: ~$2.70/h por TPU v6e (nube Google). No hay versión local; uso sólo en servicios Google (Cloud TPU o Colab TPU gratuita). | Limitado: Colab da pequeñas TPUs gratis; uso educativo real en nube (p.ej. Google Cloud for Education créditos). |
| **NPU / Neural Engine** | Unidades IA en chips de móviles/PCs (ex. Apple, Huawei). Muy eficientes energéticamente. Se usan en visión, NLP en dispositivo. | Ej.: Apple ANE v5 (A15): 15.8 TFLOPS (FP16). La primera ANE (A11) fue 0.6 TFLOPS; cada gen crece mucho. | Integrado en dispositivos (smartphone/tablet). No se compra separado. Costo = el dispositivo (iPhone/AirPods/Mac con M-series). | Alta: Los estudiantes llevan móviles con NPU. Google Coral (Edge TPU) ~$75 es asequible para demos de edge. |
| **FPGA** | Hardware reconfigurable (p.ej. Xilinx). Puede diseñarse el circuito específico para IA. | Rendimiento moderado. Menos paralelo que GPU en FP, pero baja latencia. | Alto de entrada: tarjetas FPGA avanzadas ~miles USD. | Bajo: Difícil de programar (Verilog) en cursos básicos; se usa más en investigación/industria. Existen kits educativos (Digilent) pero limitados. |
| **ASIC** (EdgeTPU) | Chips específicos para IA (ej. Google Edge TPU, USB accelerator). Ultraeficientes para inferencia puntual. | Edge TPU (Google): ~4 TOPS/W. Rendimiento limitado a modelos pequeños (p.ej. MobileNet, BERT pequeño). | Moderado: Edge TPU USB ~$75. Otros ASIC (Graphcore IPU, Habana) solo en servidores costosos. | Bueno: Edge TPUs para IoT / educación (Raspberry Pi + Coral). TPU/ASIC empresariales no disponibles en escuela. |
| **Neuromórficos** | Chips de investigación (Intel Loihi, IBM TrueNorth). Imitan redes neuronales físicas spiking. | Aún experimentales. Muy bajo consumo (ej. mil millones de OPS por segundo gastando milivatios). | *Experimental.* No comercial generalizada. | Muy bajo: solo en laboratorios especializados. |
| Tecnología | Tipo de dispositivo | Uso principal | Ventajas | Ejemplos |
|---|
| CPU | Ordenadores generales | Tareas generales, control del sistema | Gran flexibilidad | Intel Xeon, AMD EPYC |
| GPU | Centros de datos, PCs | Entrenamiento de modelos de IA | Gran paralelismo y ecosistema software | NVIDIA H100, A100, AMD MI300 |
| TPU | Infraestructura cloud | Entrenamiento e inferencia de modelos grandes | Muy eficiente para operaciones de tensor | Google TPU v5, v6, v7 |
| NPU | Móviles, laptops, edge devices | Inferencia local de IA | Muy bajo consumo energético | Apple Neural Engine, Intel AI Boost, Qualcomm Hexagon |
| Entorno | Dónde se ejecuta | Ventajas | Limitaciones | Ejemplos de uso |
|---|
| Nube | Centros de datos remotos | Gran potencia de cálculo, escalabilidad, fácil acceso | Costes, dependencia de internet, privacidad | entrenamiento de modelos grandes, demos con GPUs |
| Local (on-premises) | PCs o servidores propios | Control de datos, sin latencia de red | hardware limitado | investigación, ejecución de modelos open-source |
| Edge | dispositivos y sensores | latencia muy baja, privacidad, funciona offline | recursos muy limitados | móviles, IoT, reconocimiento de imágenes en dispositivos |
#### El estado actual de la inteligencia artificial: una visión de conjunto
Hoy en día, el campo de la **Inteligencia Artificial (IA)** puede entenderse como un sistema de capas o niveles que se apoyan unos sobre otros. En la parte más amplia se encuentra la **IA como disciplina científica**, cuyo objetivo general es desarrollar sistemas capaces de realizar tareas que normalmente asociamos con la inteligencia humana, como aprender, razonar o comprender lenguaje.
Dentro de ese gran campo se encuentra el **Machine Learning (ML)**. En lugar de programar reglas manualmente, el Machine Learning permite que las máquinas **aprendan patrones a partir de datos**. Esto ha permitido construir sistemas capaces de clasificar información, hacer predicciones o detectar relaciones entre variables.
A su vez, dentro del Machine Learning encontramos una subárea muy importante: el **Deep Learning (DL)**. Este enfoque utiliza **redes neuronales con múltiples capas** capaces de descubrir automáticamente patrones complejos en los datos, lo que ha permitido grandes avances en áreas como el reconocimiento de imágenes, voz o texto.
Uno de los campos donde el Deep Learning ha tenido mayor impacto es el **Procesamiento del Lenguaje Natural (NLP)**. Gracias a estas técnicas, los sistemas informáticos pueden analizar, interpretar y generar lenguaje humano. Durante décadas, los modelos de lenguaje fueron relativamente simples, basados en estadísticas de palabras. Sin embargo, los avances recientes han permitido construir modelos mucho más complejos.
El gran salto llegó con la arquitectura **transformer**, presentada en 2017, que permitió procesar grandes secuencias de texto de forma más eficiente y capturar relaciones complejas entre palabras. Esta arquitectura se convirtió en la base de muchos sistemas modernos de procesamiento del lenguaje.
Gracias a estos avances surgieron los **Large Language Models (LLM)**. Estos modelos se entrenan con enormes cantidades de texto y aprenden a **predecir la siguiente palabra en una secuencia**, lo que les permite generar textos coherentes, traducir idiomas o responder preguntas complejas.
A partir de los LLM han aparecido múltiples aplicaciones prácticas. Una de las más visibles son los **chatbots conversacionales**, capaces de interactuar con los usuarios en lenguaje natural y asistir en tareas como la generación de texto, la explicación de conceptos o la resolución de problemas.
En una etapa más reciente han surgido los llamados **agentes de inteligencia artificial**, que representan un paso adicional. Estos sistemas no solo generan respuestas, sino que también pueden **planificar acciones, utilizar herramientas externas y ejecutar tareas para alcanzar un objetivo**. Cuando varios de estos agentes trabajan de forma coordinada, se habla de **sistemas multiagente**, donde distintos agentes colaboran para resolver problemas más complejos.
En conjunto, el panorama actual puede entenderse como una evolución encadenada:
- **IA** → el campo general que busca crear sistemas inteligentes
- **Machine Learning** → métodos que permiten aprender a partir de datos
- **Deep Learning** → redes neuronales profundas que descubren patrones complejos
- **NLP** → aplicación de estas técnicas al lenguaje humano
- **LLM** → grandes modelos entrenados con enormes corpus de texto
- **Chatbots y herramientas generativas** → aplicaciones que interactúan con usuarios
- **Agentes autónomos y sistemas multiagente** → sistemas capaces de ejecutar tareas y coordinar procesos
# 2.2 Tipos de aprendizaje, Machine Learning y Deep Learning
Cuando hablamos de **Inteligencia Artificial**, uno de los conceptos fundamentales es el **Machine Learning** o aprendizaje automático. De forma sencilla, el Machine Learning es una forma de programación en la que, en lugar de escribir todas las reglas de forma explícita, **enseñamos al ordenador a aprender a partir de datos**.
Un buen símil para entenderlo es el proceso de aprendizaje de un estudiante. En una clase tradicional, el profesor explica una regla y el alumno la aplica o ejecuta, en cambio, en el aprendizaje automático se le muestran muchos ejemplos de manera que le permitan inducir la regla a partir de los mismos asi que **descubre por sí mismo los patrones que hay detrás**.
En el caso de las máquinas, el proceso es similar, si queremos que un ordenador aprenda a reconocer por ejemplo gatos en imágenes, podríamos intentar programar reglas como “tiene orejas puntiagudas”, “tiene bigotes” o “tiene cuatro patas”. Sin embargo, esto sería extremadamente complicado, porque hay muchas variaciones posibles. En cambio, con *Machine* *Learning* lo que hacemos es mostrar al sistema **miles de imágenes de gatos y de otros animales**, obteniendo un modelo que es capaz de reconocer las características que diferencian unos de otros. Así, cuando le mostremos un nuevo ejemplar que no ha visto nunca, será capaz de distinguirlo.
##### Cómo aprende un modelo de Machine Learning
Una forma sencilla de entender el funcionamiento del Machine Learning es pensar en él como en un proceso de **ajuste de un modelo a partir de datos**.
Podemos imaginarlo como cuando en matemáticas intentamos encontrar la función que mejor se ajusta a una nube de puntos en un gráfico. El modelo comienza con una hipótesis inicial y va modificando sus parámetros hasta que el error entre sus predicciones y los datos reales se reduce.
Por ejemplo, si queremos predecir la relación entre la temperatura y el consumo eléctrico, podríamos introducir datos históricos de temperatura y consumo. El modelo analiza esos datos y trata de encontrar **patrones que permitan predecir el consumo a partir de la temperatura**.
Este proceso es similar al que realizan los científicos cuando elaboran modelos para explicar fenómenos naturales: se observan datos, se propone un modelo y se ajusta hasta que explica razonablemente bien las observaciones.
##### Tipos básicos de aprendizaje automático
En términos generales, el *Machine* *Learning* suele clasificarse en tres grandes tipos.
El **aprendizaje supervisado** es el más habitual. En este caso el modelo aprende a partir de ejemplos que ya tienen una respuesta conocida. Por ejemplo, un conjunto de imágenes etiquetadas como “gato” o “perro”.
El **aprendizaje no supervisado** se utiliza cuando los datos no están etiquetados. El modelo intenta encontrar patrones o agrupaciones dentro de los datos. Esto se utiliza, por ejemplo, para analizar grandes conjuntos de información y detectar estructuras ocultas.
El **aprendizaje por refuerzo** se basa en un sistema de prueba y error. El modelo toma decisiones y recibe recompensas o penalizaciones en función de sus resultados. Este tipo de aprendizaje se utiliza, por ejemplo, en sistemas que aprenden a jugar videojuegos o a controlar robots.
#### Deep Learning hoy: redes neuronales profundas y modelos modernos
El **Deep Learning (aprendizaje profundo)** es actualmente una de las técnicas más importantes dentro del **Machine Learning**. Su idea central consiste en utilizar **redes neuronales artificiales con muchas capas** capaces de aprender directamente a partir de grandes cantidades de datos. Estas redes procesan la información de forma progresiva, transformando los datos en representaciones cada vez más complejas hasta llegar a una predicción o decisión final.
En términos simples, una red profunda funciona como una **cadena de procesamiento de información**. Cada capa de la red aprende a reconocer determinados patrones y pasa el resultado a la siguiente capa. De esta forma se construyen representaciones cada vez más abstractas. Por ejemplo, en un sistema que analiza imágenes, las primeras capas pueden detectar **bordes o colores**, las siguientes **formas o texturas**, y las capas finales **objetos completos** como coches, animales o personas.
##### Tipos de modelos en Deep Learning
Dentro del Deep Learning existen diferentes **arquitecturas de redes neuronales**, cada una diseñada para tipos concretos de problemas.
**Redes neuronales convolucionales (CNN)**
Uno de los modelos más conocidos son las **Convolutional Neural Networks (CNN)**. Estas redes están diseñadas especialmente para trabajar con imágenes o datos visuales. Utilizan filtros que recorren la imagen para detectar patrones como bordes, texturas o formas, lo que permite identificar objetos dentro de una fotografía.
Las CNN se han convertido durante años en el estándar en **visión artificial**, con aplicaciones como:
- reconocimiento facial
- detección de objetos en imágenes
- diagnóstico médico mediante radiografías
- vehículos autónomos
- análisis de vídeo
Modelos famosos como **AlexNet, VGG, ResNet o Inception** han demostrado que las redes profundas pueden superar ampliamente a los métodos tradicionales de visión por computador.
**Redes para secuencias y lenguaje**
Otro tipo de redes neuronales se diseñaron para trabajar con **secuencias de datos**, como texto o audio. Durante años se utilizaron modelos como las **Recurrent Neural Networks (RNN)** o las **LSTM**, capaces de analizar información que depende del contexto anterior, como frases o series temporales.
Sin embargo, estos modelos tenían limitaciones para procesar grandes volúmenes de información y dependencias muy largas dentro de un texto.
**Transformers: el gran salto reciente**
El gran avance reciente en Deep Learning llegó con los **transformers**, una arquitectura presentada en 2017 que cambió profundamente el procesamiento del lenguaje natural. Estos modelos utilizan un mecanismo llamado **self-attention**, que permite analizar las relaciones entre todos los elementos de una secuencia al mismo tiempo.
Gracias a esta arquitectura, los modelos pueden comprender mejor el contexto de un texto o una conversación, identificando qué palabras o elementos son más importantes dentro de una frase. Además, los transformers pueden procesar datos en paralelo, lo que los hace mucho más eficientes que los modelos anteriores.
Hoy en día los transformers se utilizan en muchos ámbitos:
- procesamiento del lenguaje natural
- traducción automática
- generación de texto
- reconocimiento de voz
- visión artificial
- análisis de series temporales
Incluso han surgido variantes como los **Vision Transformers**, que aplican esta arquitectura al análisis de imágenes dividiéndolas en pequeños fragmentos que se procesan como si fueran tokens de texto
##### La base de los modelos actuales de IA
Estas arquitecturas de Deep Learning son las que han permitido desarrollar muchos de los sistemas actuales de inteligencia artificial. Sobre ellas se construyen tecnologías como:
- **modelos de lenguaje de gran tamaño (LLM)**
- sistemas de reconocimiento de voz
- generadores de imágenes
- asistentes virtuales
- sistemas de recomendación
- aplicaciones de IA generativa
En todos estos casos, el principio es el mismo: el sistema aprende **patrones complejos en grandes conjuntos de datos** y utiliza ese conocimiento para realizar predicciones o generar nuevas respuestas
El Deep Learning sigue evolucionando rápidamente. Nuevas arquitecturas, modelos híbridos (como combinaciones de CNN y transformers) y técnicas de entrenamiento aparecen constantemente.
Lo que comenzó como una idea inspirada en redes neuronales simples se ha convertido en el motor de muchas de las tecnologías más avanzadas de la actualidad. Comprender el Deep Learning permite entender cómo funcionan muchos de los sistemas de inteligencia artificial que hoy forman parte de nuestra vida cotidiana: desde los asistentes de voz hasta los modelos generativos que producen texto, imágenes o código.
Relación con las asignaturas científicas
La IA en general, y las técnicas de ML tiene una relación muy estrecha con muchas disciplinas científicas. En realidad, gran parte de sus fundamentos se basan en conceptos que ya aparecen en materias como **matemáticas, estadística, física o informática**.
Por ejemplo, muchos algoritmos de aprendizaje automático utilizan técnicas de **optimización matemática**, cálculo diferencial o álgebra lineal. Desde esta perspectiva, el ML puede entenderse como una extensión moderna de métodos estadísticos que ya se utilizaban para analizar datos.
En física o en ciencias experimentales, los modelos de aprendizaje automático se utilizan cada vez más para **analizar grandes conjuntos de datos**, identificar patrones o realizar predicciones
#### Un ejemplo sencillo para el aula
Un ejemplo muy accesible para explicar el ML consiste en trabajar con datos de temperatura y ventas de helados. Si representamos ambos valores en un gráfico, observaremos que existe cierta relación: cuando aumenta la temperatura, suelen aumentar las ventas.
Un modelo de aprendizaje automático puede utilizar esos datos para aprender esa relación y hacer predicciones. Por ejemplo, podría estimar cuántos helados se venderán si la temperatura alcanza los 30 grados.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/cM8image.png)
*El gráfico refleja los puntos reales a partir de los cuales obtenemos la línea que nos predice los siguientes*
Este tipo de ejemplos permite mostrar al alumnado que el ML no es magia, sino **un proceso de análisis de datos y construcción de modelos**, muy relacionado con los métodos científicos tradicionales y sobre todo con métodos estadísticos.
El papel del científico o del ingeniero sigue siendo fundamental: elegir los datos adecuados, interpretar los resultados y comprender los límites del modelo.
En este sentido, el ML no sustituye al pensamiento científico, sino que se convierte en **una herramienta más para explorar, analizar y comprender fenómenos complejos**.
#### Aplicaciones del Machine Learning en la vida cotidiana
Aunque a veces se presenta como una tecnología muy avanzada o futurista, lo cierto es que el **Machine Learning ya está integrado en muchas de las herramientas digitales que utilizamos a diario**, a menudo sin que nos demos cuenta. En esencia, estos sistemas aprenden a partir de datos para detectar patrones y mejorar sus decisiones con el tiempo.
Un ejemplo muy claro lo encontramos en las **plataformas de contenido digital**. Cuando abrimos Netflix o Spotify, no vemos el mismo catálogo que cualquier otra persona. Los sistemas de recomendación analizan lo que hemos visto o escuchado anteriormente, cuánto tiempo pasamos con cada contenido, qué tipo de género preferimos o incluso a qué hora solemos usar la plataforma. A partir de esos datos, el sistema aprende patrones y sugiere nuevas películas, series o canciones que probablemente nos gusten. No se trata de una selección aleatoria: es una **predicción basada en comportamientos similares de millones de usuarios**.
Otro caso cotidiano aparece en el **correo electrónico**. Servicios como Gmail utilizan modelos de Machine Learning para detectar **correos no deseados o spam**. El sistema analiza miles de características de los mensajes: palabras frecuentes en correos fraudulentos, estructura del texto, enlaces sospechosos o comportamiento del remitente. Con el tiempo, el sistema aprende a distinguir qué mensajes son legítimos y cuáles no.
También encontramos Machine Learning en algo tan habitual como **desbloquear el teléfono móvil**. Sistemas como Face ID utilizan modelos de aprendizaje automático para reconocer el rostro del usuario. El sistema aprende las características de la cara —forma, distancias entre puntos clave, iluminación— y es capaz de identificarla incluso si cambian pequeños detalles como la expresión, el peinado o el uso de gafas.
Otro ejemplo muy visible es la **traducción automática**. Herramientas como Google Translate utilizan modelos de aprendizaje automático para traducir textos entre distintos idiomas. En lugar de aplicar únicamente reglas lingüísticas tradicionales, estos sistemas han aprendido a partir de enormes colecciones de textos traducidos, lo que les permite generar traducciones cada vez más naturales.
En el comercio digital también encontramos múltiples aplicaciones. Cuando navegamos por tiendas online como Amazon, el sistema analiza lo que hemos buscado, los productos que hemos consultado y las compras de otros usuarios con intereses similares. A partir de esos datos, sugiere nuevos productos que podrían interesarnos. De nuevo, el modelo está **aprendiendo relaciones entre comportamiento y preferencias**.
En el ámbito educativo, el Machine Learning también empieza a tener aplicaciones interesantes. Algunas plataformas de aprendizaje analizan el progreso del alumnado: cuánto tiempo dedica a cada actividad, qué preguntas falla con mayor frecuencia o en qué temas muestra más dificultad. A partir de esa información, el sistema puede **sugerir ejercicios de refuerzo o adaptar el ritmo de aprendizaje**.
En otros casos, el análisis de datos educativos permite detectar patrones que ayudan a los docentes. Por ejemplo, se pueden identificar **conceptos que generan más dificultades en una clase**, predecir posibles abandonos o recomendar materiales de apoyo para determinados estudiantes.
Desde una perspectiva educativa, comprender estos ejemplos cotidianos es importante porque ayuda a desmitificar la tecnología. El Machine Learning no es magia ni ciencia ficción: es, en gran medida, **una forma de aprender a partir de datos para mejorar decisiones y predicciones**. Y cada vez más forma parte de las herramientas con las que convivimos diariamente.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/JeBimage.png)
#### El papel del profesor de ciencias en la era de la IA Generativa
La expansión del **ML, y por ende, de la IA Generativa** está teniendo un impacto especialmente interesante en las asignaturas científicas. Matemáticas, Física, Química, Tecnología o Informática son áreas donde estas herramientas no solo pueden utilizarse como apoyo, sino también como **objeto de estudio y experimentación dentro del aula**.
En este contexto, el papel del profesor adquiere una dimensión nueva. No se trata únicamente de explicar qué es la inteligencia artificial, sino de **mostrar cómo funciona y cómo se construye**, utilizando ejemplos accesibles y experimentos sencillos con datos. Para el profesorado de áreas científicas, esto abre una oportunidad muy valiosa: trabajar con el alumnado para **crear pequeños modelos de ML a partir de datos reales**.
Por ejemplo, los estudiantes pueden trabajar con conjuntos de datos simples —temperaturas, resultados deportivos, consumo energético, ventas de productos o datos meteorológicos— y construir modelos básicos que permitan hacer predicciones. Este tipo de actividades ayuda a comprender que detrás de la inteligencia artificial **no hay magia ni pensamiento consciente**, sino procesos que identifican **patrones estadísticos en grandes cantidades de datos**.
De hecho, uno de los aprendizajes más importantes que el alumnado puede obtener es entender que **la llamada “inteligencia” de estos sistemas es esencialmente estadística**. Los modelos no entienden el mundo como lo hace una persona; simplemente calculan probabilidades a partir de los datos con los que han sido entrenados. Comprender este aspecto es fundamental para desarrollar una visión crítica y realista de la tecnología.
Además, las herramientas actuales permiten ir más allá de la simple explicación teórica. Hoy es posible utilizar modelos de inteligencia artificial en el aula para **explorar fenómenos científicos, crear simulaciones o generar experimentos virtuales**. Por ejemplo, se pueden generar simulaciones de movimiento físico, visualizar modelos matemáticos, representar funciones o experimentar con distintos parámetros para observar cómo cambian los resultados.
También existen muchas aplicaciones basadas en IA generativa que pueden ayudar a diseñar **actividades educativas más dinámicas**. Los docentes pueden crear cuestionarios interactivos, simuladores de decisiones, pequeños juegos educativos o actividades gamificadas que permitan trabajar contenidos científicos de una manera más participativa. En este sentido, la IA puede convertirse en una herramienta útil para fomentar **aprendizajes más activos y experimentales**.
Por otro lado, estas herramientas también facilitan tareas habituales del profesorado, como la **generación de materiales didácticos, presentaciones, ejemplos prácticos o actividades de evaluación**. Un modelo de lenguaje puede ayudar a diseñar problemas matemáticos, generar explicaciones adaptadas a distintos niveles o proponer ejercicios de repaso. Del mismo modo, puede servir como apoyo para analizar resultados académicos o generar nuevas preguntas para evaluaciones.
Sin embargo, el elemento clave sigue siendo el papel del docente. La inteligencia artificial puede generar contenidos o analizar datos, pero **no puede sustituir la función pedagógica del profesor**. Es el profesorado quien decide qué herramientas utilizar, cómo integrarlas en el currículo y cómo orientar su uso para que contribuyan realmente al aprendizaje.
En las asignaturas científicas, esta situación abre una oportunidad especialmente interesante: utilizar la inteligencia artificial no solo como herramienta, sino también como **laboratorio para comprender cómo funcionan los sistemas tecnológicos actuales**. De este modo, el alumnado no solo utiliza la tecnología, sino que también aprende a **entenderla, cuestionarla y analizarla críticamente**.
En definitiva, el reto para el profesorado en la era del ML no es competir con la inteligencia artificial, sino **aprovecharla como recurso educativo**. Cuando se integra con sentido pedagógico, puede ayudar a desarrollar habilidades clave como el pensamiento crítico, la interpretación de datos, la experimentación científica y la comprensión de los sistemas tecnológicos que cada vez tienen más presencia en nuestra sociedad.
# 2.3 Modelos de Lenguaje y Procesamiento del Lenguaje Natural
#### Los modelos de lenguaje: cómo las máquinas aprenden a entender y generar texto
En los últimos años, uno de los avances más visibles dentro de la inteligencia artificial ha sido el desarrollo de los **modelos de lenguaje**. Son las tecnologías que permiten que hoy podamos conversar con sistemas de IA, pedirles que redacten textos, expliquen conceptos, generen código o resuman documentos.
Desde fuera puede parecer que estos sistemas **piensan o razonan**, pero en realidad su funcionamiento se basa en una idea bastante simple: **aprender patrones del lenguaje a partir de enormes cantidades de texto**. Los modelos analizan millones o miles de millones de frases y aprenden qué palabras suelen aparecer juntas y en qué contexto.
Para entenderlo de forma sencilla, podemos imaginarlo como cuando una persona ha leído miles de libros y conversaciones: poco a poco empieza a reconocer **cómo se construyen las frases, cómo se relacionan los conceptos y qué tipo de respuestas suelen aparecer en cada situación**.
#### Cómo se entrena un modelo de lenguaje
Detrás de estos sistemas existe un proceso técnico complejo. Los modelos de lenguaje modernos se entrenan utilizando **redes neuronales muy grandes** con millones o incluso miles de millones de parámetros. Durante el entrenamiento, el modelo aprende una tarea muy concreta: **predecir la siguiente palabra (o token) dentro de una frase**.
Por ejemplo, si el modelo recibe una frase como:
> “La fotosíntesis es el proceso mediante el cual las plantas…”
el sistema calcula qué palabras tienen más probabilidad de aparecer a continuación: *producen*, *generan*, *transforman*, etc.
Al repetir este proceso millones de veces con grandes conjuntos de texto, el modelo acaba aprendiendo:
- gramática y estructura del lenguaje
- relaciones entre conceptos
- patrones comunes de razonamiento
- conocimiento general presente en los datos
Cuando el entrenamiento termina, el modelo puede **generar texto nuevo** utilizando esos patrones aprendidos.
Las etapas para construir un sistema conversacional
El desarrollo de un sistema conversacional basado en IA suele implicar varias fases.
##### 1. Recopilación de datos
El primer paso consiste en reunir un gran conjunto de textos que sirva para entrenar el modelo. Estos datos suelen proceder de muchas fuentes distintas, como:
- libros
- artículos científicos
- páginas web
- documentación técnica
- conversaciones
En modelos orientados a un ámbito específico —por ejemplo, educación científica— los datos pueden incluir explicaciones de biología, problemas resueltos de física o ejercicios de matemáticas.
La calidad de los datos es crucial, porque el modelo **aprende directamente de esos ejemplos.**
##### 2. Preparación del texto
Antes de entrenar el modelo, los datos deben prepararse. Esto implica limpiar los textos, eliminar duplicados y normalizar formatos.
Después se realiza un proceso llamado **tokenización**, en el que el texto se divide en unidades más pequeñas llamadas *tokens*. Un token puede ser una palabra, parte de una palabra o incluso un símbolo.
Por ejemplo, una frase como:
> “La inteligencia artificial aprende rápido”
se transforma en una secuencia de tokens que el modelo puede procesar numéricamente
##### 3. Entrenamiento del modelo
Una vez preparados los datos, comienza el entrenamiento. El modelo recibe una secuencia de tokens y debe **predecir cuál será el siguiente**. Si se equivoca, el algoritmo ajusta los parámetros de la red neuronal para mejorar la predicción.
Este proceso se repite millones de veces. Con el tiempo, el modelo aprende patrones cada vez más complejos del lenguaje.
Los modelos actuales suelen basarse en la arquitectura **Transformer**, que utiliza mecanismos de atención para analizar las relaciones entre palabras dentro de una frase y comprender mejor el contexto
##### 4. Ajuste para conversación
Un modelo entrenado con texto general no necesariamente sabe mantener una conversación. Por eso suele realizarse una fase adicional de ajuste en la que el sistema aprende a responder preguntas o a interactuar con usuarios.
Para ello se utilizan ejemplos de diálogo o pares de **pregunta–respuesta**, como:
**Pregunta:**
¿Qué es la ley de Ohm?
**Respuesta:**
La ley de Ohm establece que la intensidad de corriente que circula por un conductor es proporcional al voltaje aplicado…
Este proceso enseña al modelo a generar respuestas más estructuradas y útiles
##### 5. Evaluación y mejora
Una vez entrenado, el modelo se somete a diferentes pruebas para comprobar si:
- responde correctamente a preguntas
- mantiene coherencia en conversaciones
- evita generar información incorrecta
En función de los resultados, se pueden realizar nuevos ajustes o mejoras en el entrenamiento.
Al final del proceso siempre se obtiene un modelo que es la pieza clave de todo puesto que nos va a permitir realizar el proceso de generación de contenido y aplicar las ténicas que veremos después (prompting, RAG y fine tuning)
[](https://libros.catedu.es/uploads/images/gallery/2026-03/3QMimage.png)
*Esquema de aprendizaje en ML, se entrena al modelo con datos y luego se testea con datos nuevos para valorar su eficacia*
[](https://libros.catedu.es/uploads/images/gallery/2026-03/bxAimage.png)
*Otra versión del esquema anterior. Al final siempre buscamos la obtención de un modelo*
#### NLP, LLM y el auge de la IA generativa
El **Procesamiento del Lenguaje Natural (NLP)** es el área de la inteligencia artificial que intenta que las máquinas puedan **comprender, analizar y generar lenguaje humano**. Durante muchos años, las técnicas de NLP se basaban en reglas lingüísticas o modelos estadísticos relativamente simples. Estos métodos permitían realizar tareas concretas, como clasificar textos o detectar palabras clave, pero tenían limitaciones importantes cuando se trataba de comprender el contexto completo de una frase o manejar conversaciones complejas.
El panorama cambió radicalmente con la llegada del **Deep Learning** y, especialmente, con la arquitectura **transformer**, que permitió construir modelos capaces de analizar grandes cantidades de texto teniendo en cuenta el contexto completo de las palabras. A partir de estos avances surgieron los **Large Language Models (LLM)**, modelos de lenguaje entrenados con enormes colecciones de texto que pueden realizar múltiples tareas lingüísticas con un único sistema.
Gracias a estos modelos, muchas tareas clásicas de NLP pueden abordarse hoy de forma **más eficiente y flexible**. En lugar de construir un sistema diferente para cada tarea —por ejemplo, uno para traducir textos y otro para resumir documentos— los LLM pueden resolver muchas de estas tareas simplemente mediante instrucciones o ejemplos.
Entre las **principales tareas del NLP** encontramos varias que hoy se utilizan de forma cotidiana en múltiples aplicaciones tecnológicas:
- **Traducción automática**, que permite traducir textos entre diferentes idiomas.
- **Análisis de sentimiento**, utilizado para detectar opiniones positivas o negativas en redes sociales o reseñas de productos.
- **Clasificación de textos**, por ejemplo para detectar spam o categorizar documentos.
- **Reconocimiento de entidades**, que identifica nombres de personas, lugares o organizaciones dentro de un texto.
- **Resumen automático de documentos**, útil para procesar grandes cantidades de información.
- **Sistemas de pregunta-respuesta**, capaces de responder preguntas sobre un texto o una base de conocimiento.
- **Conversación automática**, como la que se produce en chatbots y asistentes virtuales.
A partir de estas capacidades del NLP han surgido muchas aplicaciones de **IA generativa**, donde los modelos no solo analizan información, sino que también crean contenido nuevo. Los modelos actuales pueden generar textos completos, redactar artículos, producir código de programación, crear resúmenes o mantener conversaciones relativamente complejas con los usuarios.
Esto ha dado lugar a una gran variedad de herramientas basadas en modelos de lenguaje: asistentes conversacionales, sistemas de apoyo a la programación, motores de búsqueda inteligentes o plataformas educativas capaces de generar explicaciones y ejercicios. Además, estos modelos también se utilizan para generar otros tipos de contenido, como imágenes, audio o vídeo, combinando el lenguaje con otros tipos de datos.
En definitiva, el NLP ha pasado de ser un campo especializado dentro de la inteligencia artificial a convertirse en **uno de los motores principales de la IA actual**. Los avances en Deep Learning y en los modelos de lenguaje han permitido que las máquinas interactúen con el lenguaje humano de una forma mucho más natural, lo que explica el rápido crecimiento de aplicaciones basadas en **chatbots, asistentes inteligentes y sistemas generativos**.
#### Ampliando los modelos
En la práctica, cuando se quiere construir un sistema conversacional o un *chatbot* basado en inteligencia artificial, existen dos caminos principales. El primero sería entrenar un modelo completamente desde cero, lo que implica construir la red neuronal y alimentarla con enormes cantidades de datos para que aprenda el lenguaje. Este proceso requiere infraestructuras muy potentes, grandes centros de datos y semanas o meses de entrenamiento, por lo que normalmente solo está al alcance de grandes empresas tecnológicas o centros de investigación.
Por esta razón, lo más habitual hoy en día no es empezar desde cero, sino **partir de un modelo ya entrenado y adaptarlo a una tarea concreta**. Los grandes modelos de lenguaje ya poseen un conocimiento general del lenguaje porque han sido entrenados con enormes colecciones de texto. A partir de ahí se pueden ajustar o especializar mediante distintas técnicas.
Una de las más conocidas es el **fine-tuning**, que consiste en volver a entrenar el modelo con un conjunto de datos más pequeño y específico para que aprenda el vocabulario, el estilo o los patrones de un determinado dominio. Por ejemplo, un modelo general puede adaptarse para responder preguntas médicas, jurídicas o educativas entrenándolo con ejemplos propios de ese ámbito. En este proceso se ajustan los parámetros internos del modelo para que responda mejor en ese contexto concreto.
Otra técnica muy utilizada es **RAG (Retrieval-Augmented Generation)**, que en lugar de modificar el modelo permite conectarlo a fuentes de información externas, como bases de datos o colecciones de documentos. Cuando el usuario hace una pregunta, el sistema primero busca información relevante en esos documentos y luego utiliza el modelo de lenguaje para generar la respuesta combinando su conocimiento previo con esos datos recuperados. De esta forma el modelo puede trabajar con información actualizada o especializada sin necesidad de volver a entrenarlo.
También se utilizan estrategias de **prompting avanzado**, que consisten en diseñar cuidadosamente las instrucciones o ejemplos que se proporcionan al modelo para guiar su comportamiento. En muchos casos, una buena forma de plantear la pregunta o proporcionar contexto adicional puede mejorar notablemente la calidad de las respuestas.
En definitiva, los modelos de lenguaje actuales no funcionan como una mente humana que razona de forma consciente. Su comportamiento se basa en **aprender patrones estadísticos del lenguaje a partir de grandes cantidades de datos** y utilizar esos patrones para generar nuevas frases. Sin embargo, cuando estos modelos se entrenan a gran escala y se combinan con técnicas como el fine-tuning o el RAG, pueden producir respuestas sorprendentemente coherentes y útiles.
Para visualizarlo con un ejemplo educativo, imaginemos que queremos construir un modelo orientado a resolver problemas de física de bachillerato. El sistema podría entrenarse con miles de ejemplos donde aparece una pregunta y su resolución paso a paso. Por ejemplo:
“Un objeto de 5 kg acelera a 2 m/s². Calcula la fuerza aplicada.”
El modelo aprendería que debe aplicar la segunda ley de Newton, usar la fórmula **F = m · a** y calcular el resultado.
Del mismo modo, podría entrenarse con ejemplos de biología —como preguntas sobre la función del ADN— o de química, como ajustar ecuaciones químicas. Con suficientes ejemplos, el modelo acaba aprendiendo **los patrones de explicación y resolución de problemas** que aparecen en esos campos.
Esto explica por qué hoy es posible crear asistentes especializados en educación, ciencia o cualquier otro ámbito: no porque la máquina “entienda” el conocimiento como lo haría una persona, sino porque ha aprendido **cómo suelen formularse las preguntas y cómo suelen construirse las respuestas** dentro de esos dominios.
#### La evolución de los modelos de lenguaje
Durante muchos años los **modelos de lenguaje** eran relativamente simples. Funcionaban con métodos estadísticos que analizaban secuencias cortas de palabras para calcular probabilidades. Por ejemplo, podían estimar que después de la expresión *“buenos”* es muy probable que aparezca *“días”*, o que después de *“por favor”* suele venir *“gracias”*. Estos sistemas eran útiles para tareas básicas como corrección automática o predicción de palabras, pero tenían una limitación importante: **solo podían manejar contextos muy pequeños** y apenas entendían el significado global de una frase.
El gran salto llegó con el desarrollo del **Deep Learning** aplicado al lenguaje y, sobre todo, con la aparición en 2017 de la arquitectura **Transformer**, presentada en el famoso artículo *Attention is All You Need*. Esta arquitectura introdujo el mecanismo de **atención**, que permite a los modelos analizar relaciones entre palabras dentro de una frase completa e incluso entre frases muy separadas dentro de un texto. Gracias a esta innovación, los sistemas podían captar mejor el contexto y procesar el lenguaje de forma mucho más eficiente que los modelos anteriores basados en redes recurrentes.
A partir de ese momento comenzaron a desarrollarse los llamados **Large Language Models (LLM)** o modelos de lenguaje de gran tamaño. Estos modelos utilizan redes neuronales profundas entrenadas con enormes cantidades de texto procedente de libros, páginas web, artículos científicos o conversaciones. Su objetivo es aprender los patrones del lenguaje para poder **comprender y generar texto coherente**.
Uno de los hitos importantes fue el lanzamiento de la familia **GPT** de OpenAI. El primer modelo, GPT-1, apareció en 2018 con unos 117 millones de parámetros. Poco después llegó **GPT-2**, que ya alcanzaba alrededor de 1.500 millones de parámetros. En 2020 se presentó **GPT-3**, con aproximadamente 175.000 millones de parámetros, lo que permitió generar textos sorprendentemente coherentes y realizar múltiples tareas lingüísticas con un mismo modelo.
En paralelo surgieron otros modelos importantes. Por ejemplo, **BERT**, desarrollado por Google, se centró en mejorar la comprensión del lenguaje utilizando representaciones bidireccionales del contexto. Este modelo se convirtió en uno de los más influyentes en tareas de NLP como clasificación de textos o sistemas de pregunta-respuesta.
Con el tiempo, la investigación en modelos de lenguaje se aceleró enormemente. En la actualidad existen numerosos LLM desarrollados tanto por grandes empresas tecnológicas como por comunidades de investigación abiertas.
Entre los más conocidos podemos mencionar:
**GPT (OpenAI)**
La familia GPT (Generative Pre-trained Transformer) es probablemente la más popular. Estos modelos han impulsado el auge reciente de los asistentes conversacionales y de muchas herramientas de IA generativa.
**Gemini (Google)**
Es la evolución de los modelos de lenguaje desarrollados por Google. Está diseñado para trabajar de forma multimodal, combinando texto, imágenes y otros tipos de información.
**Claude (Anthropic)**
Este modelo se ha diseñado poniendo especial énfasis en la seguridad y el alineamiento con valores humanos, intentando reducir riesgos asociados al uso de la inteligencia artificial.
**Llama (Meta)**
Una de las familias de modelos más influyentes en el ecosistema open source. Varias versiones han sido liberadas públicamente, lo que ha permitido a investigadores y desarrolladores crear nuevas aplicaciones basadas en ellos.
**Mistral**
Un proyecto europeo que ha ganado relevancia por desarrollar modelos relativamente eficientes, capaces de ofrecer buen rendimiento incluso en hardware más modesto.
**Qwen (Alibaba)**
Una familia de modelos que ha demostrado un rendimiento competitivo en múltiples idiomas y que también cuenta con versiones accesibles para uso local.
Aunque estos modelos comparten una base tecnológica común —los **transformers**— pueden diferir mucho en distintos aspectos: el tamaño del modelo, los datos utilizados para entrenarlo, las optimizaciones internas o las licencias de uso.
En conjunto, la evolución de los modelos de lenguaje ha sido extraordinariamente rápida. En apenas una década se ha pasado de sistemas capaces de completar frases simples a modelos que pueden **mantener conversaciones complejas, explicar conceptos científicos, generar código o analizar grandes cantidades de información**. Esta evolución ha sido uno de los factores clave que han impulsado el desarrollo de la **IA generativa moderna** y la proliferación de asistentes inteligentes en múltiples ámbitos.
#### Parametrización de modelos
Para comprender cómo funcionan realmente los **modelos de lenguaje actuales**, conviene conocer algunos conceptos fundamentales. Estos conceptos explican cómo procesan el texto, cómo se entrenan, qué recursos necesitan y por qué algunos modelos son enormes mientras otros pueden ejecutarse en un ordenador personal
##### 1. Tokens: las unidades básicas del lenguaje
Los modelos de lenguaje no trabajan directamente con palabras completas como hacemos los humanos. En su lugar, el texto se divide en pequeñas unidades llamadas **tokens**.
Un token puede ser:
- una palabra completa
- parte de una palabra
- un número
- un signo de puntuación
Por ejemplo, una palabra larga como *“computadora”* puede dividirse en varios tokens dependiendo del sistema de tokenización utilizado.
Los tokens son importantes por varias razones:
- determinan **cuánta información puede procesar el modelo**
- influyen en **el coste de uso de muchos servicios de IA**
- marcan **la longitud máxima de una conversación**
Los modelos generan texto **prediciendo el siguiente token más probable** basándose en los tokens anteriores
##### 2. Contexto: la memoria del modelo
El **contexto** (o *context window*) es la cantidad de texto que el modelo puede analizar al mismo tiempo. En otras palabras, es la cantidad de tokens que el modelo puede “recordar” durante una conversación o una tarea.
Cuanto mayor es el contexto, más información puede utilizar el modelo para responder.
Esto es clave en tareas como:
- analizar documentos largos
- resumir informes
- revisar código
- mantener conversaciones complejas
Los modelos antiguos tenían contextos muy pequeños (unos cientos o miles de tokens). Hoy existen modelos capaces de manejar **cientos de miles o incluso millones de tokens**, lo que permite analizar documentos muy extensos o incluso libros completos.
Sin embargo, aumentar el contexto también aumenta el **coste computacional**, porque el cálculo de atención en los transformers crece rápidamente con la longitud del texto
##### 3. Prompt: la instrucción que guía al modelo
El **prompt** es la instrucción o pregunta que el usuario proporciona al modelo.
Puede ser algo simple:
> “Explica qué es la fotosíntesis”
o algo más elaborado:
> “Explica la fotosíntesis para alumnos de 1º de ESO usando ejemplos sencillos”.
La forma en que se formula el prompt influye mucho en la calidad de la respuesta. Por eso en los últimos años ha surgido una disciplina conocida como **ingeniería de prompting**, que estudia cómo diseñar instrucciones eficaces para los modelos
##### 4. Cómo se entrenan los modelos de lenguaje
Los LLM se entrenan utilizando **redes neuronales profundas basadas en transformers** y enormes colecciones de texto.
Durante el entrenamiento el modelo aprende a **predecir el siguiente token en una secuencia**. Por ejemplo:
“La fotosíntesis es el proceso mediante el cual las plantas…”
El modelo aprende que las siguientes palabras más probables pueden ser:
- producen
- generan
- transforman
Este proceso se repite **billones de veces** con grandes conjuntos de datos.
Los datasets utilizados suelen incluir:
- páginas web
- libros
- artículos científicos
- código fuente
- documentos técnicos
Por ejemplo, algunos modelos se han entrenado con **más de un billón de tokens de texto** procedentes de múltiples fuentes públicas
##### 5. Tamaño del modelo: los parámetros
Otro concepto clave es el **número de parámetros**.
Los parámetros son los valores internos que la red neuronal ajusta durante el entrenamiento para aprender patrones.
Algunos ejemplos aproximados:
- GPT-1 → 117 millones de parámetros
- GPT-2 → 1.500 millones
- GPT-3 → 175.000 millones
El aumento del número de parámetros permitió mejoras importantes en la capacidad de los modelos para comprender y generar texto.
Sin embargo, los modelos más grandes requieren **enormes recursos de computación**
##### 6. Coste de entrenamiento y recursos necesarios
Entrenar modelos de lenguaje es extremadamente costoso.
Por ejemplo:
- entrenar un modelo de **13 mil millones de parámetros** puede costar alrededor de **1 millón de dólares** y requerir miles de GPUs funcionando durante semanas.
Entrenar modelos gigantes como GPT-3 puede costar **millones de dólares en infraestructura y energía**.
Por esta razón, la mayoría de organizaciones no entrenan modelos desde cero, sino que **adaptan modelos ya existentes** mediante técnicas como:
- **fine tuning**
- **LoRA**
- **RAG**
- **prompt engineering**
Estas técnicas permiten especializar modelos sin repetir todo el entrenamiento.
##### 7. Tabla resumen de algunos modelos populares
| Modelo | Organización | Tipo | Parámetros aproximados | Características |
|---|
| GPT-4 / GPT-4o | OpenAI | Propietario | No público | Muy potente, multimodal |
| Gemini | Google | Propietario | No público | Multimodal, gran contexto |
| Claude | Anthropic | Propietario | No público | Contexto muy grande |
| Llama 3 | Meta | Abierto | hasta ~70B | Muy usado en investigación |
| Mistral | Mistral AI | Abierto | 7B–Mixtral | Muy eficiente |
| Qwen | Alibaba | Abierto / mixto | 7B–72B | Multilingüe |
| Falcon | TII | Abierto | hasta 180B | Muy popular en open source |
| GPT-J | EleutherAI | Abierto | 6B | Uno de los primeros LLM abiertos |
#### El siguiente paso en los modelos: los agentes de inteligencia artificial
En los últimos años está empezando a aparecer un nuevo concepto que muchos investigadores consideran el **siguiente paso en la evolución de la inteligencia artificial**: los **agentes de IA**.
Hasta ahora, la mayoría de aplicaciones basadas en modelos de lenguaje funcionan de forma relativamente simple. El usuario hace una pregunta, el modelo analiza el texto y genera una respuesta. Es un proceso muy potente, pero también bastante limitado: el sistema **responde**, pero no **actúa**.
Los **agentes de inteligencia artificial** amplían esa idea. Un agente puede entender una tarea, dividirla en pasos y ejecutar acciones para completarla. En otras palabras, no se limita a generar texto, sino que **planifica, toma decisiones y utiliza herramientas externas para alcanzar un objetivo**.
Esto significa que un agente puede hacer cosas como:
- planificar tareas complejas
- consultar información en diferentes fuentes
- utilizar herramientas externas (APIs, bases de datos, buscadores)
- ejecutar acciones en sistemas digitales
1. buscar información en internet
2. seleccionar los documentos relevantes
3. analizar los datos encontrados
4. generar un informe estructurado
5. enviarlo automáticamente por correo electrónico
- un agente que **busca información**
- otro que **analiza datos**
- otro que **genera informes**
- otro que **toma decisiones o ejecuta acciones**
- asistentes que ayudan a preparar materiales didácticos
- sistemas que analizan grandes cantidades de información académica
- herramientas de tutoría personalizada para el alumnado
- plataformas que automatizan tareas administrativas o de evaluación
# 3. Tecnologías avanzadas de IA Generativa
# 3.1 Prompting y RAG
En los últimos años han aparecido herramientas de inteligencia artificial capaces de entender y generar texto con bastante precisión. Para utilizarlas bien en el aula, especialmente en materias científicas, conviene comprender dos ideas clave: cómo se les da instrucciones y de dónde obtienen la información con la que responden. A la primera se la conoce como *prompting* y a la segunda, cuando se apoya en documentos externos, como *RAG*.
El *prompting* puede entenderse como el arte de hacer buenas preguntas. No se trata solo de pedir algo, sino de orientar a la herramienta para que produzca una respuesta adecuada al nivel, al contexto y al objetivo didáctico. Es parecido a lo que ocurre en clase cuando un profesor formula una pregunta: si la pregunta es vaga, la respuesta también lo será; si está bien planteada, guiada y contextualizada, el alumnado responde mejor. Con la inteligencia artificial sucede lo mismo. No es lo mismo pedir “explica la energía” que pedir “explica el concepto de energía para alumnado de 3º de ESO, con un ejemplo relacionado con el deporte y sin usar fórmulas”. En el segundo caso, la respuesta será mucho más útil en un contexto real de aula. El *prompting*, por tanto, no es una cuestión técnica compleja, sino una extensión de una habilidad que el profesorado ya domina: saber cómo preguntar para enseñar.
Sin embargo, incluso con buenas instrucciones, la inteligencia artificial responde en función de lo que ha aprendido de forma general, no necesariamente de los materiales concretos que se están utilizando en clase. Aquí es donde entra el RAG. Este enfoque permite que la herramienta consulte previamente documentos específicos, como apuntes, libros o prácticas de laboratorio, antes de generar la respuesta. Se puede entender con un símil muy sencillo: un estudiante puede contestar una pregunta de dos formas, o bien recurriendo solo a lo que recuerda, o bien abriendo el libro, buscando la información exacta y luego explicándola con sus palabras. La diferencia entre ambas situaciones es precisamente la diferencia entre usar una IA sin RAG y con RAG.
Cuando se trabaja con RAG, la respuesta no se basa únicamente en el conocimiento general del modelo, sino en los materiales que el profesorado ha seleccionado. Por ejemplo, si se dispone de un documento con problemas resueltos de cinemática, se puede pedir a la IA que genere nuevos ejercicios similares o que explique un procedimiento siguiendo exactamente el enfoque utilizado en clase. De este modo, se mantiene la coherencia con el temario y se evita que el alumnado reciba explicaciones que, aunque correctas, no encajan con lo que se está trabajando.
La combinación de ambos conceptos resulta especialmente potente. El prompting permite definir con claridad qué se quiere obtener, mientras que el RAG garantiza que la respuesta se apoye en contenidos fiables y alineados con el aula. Siguiendo con el ejemplo anterior, no es lo mismo pedir “haz un problema de velocidad” que pedir “utilizando estos apuntes de movimiento rectilíneo uniforme, crea un problema similar a los del tema y resuélvelo paso a paso para alumnado de 4º de ESO”. En este caso, la calidad de la instrucción y la calidad de la fuente se refuerzan mutuamente.
En el ámbito de las ciencias, donde la precisión y la coherencia son fundamentales, estas herramientas pueden convertirse en un apoyo muy valioso. Permiten adaptar explicaciones, generar actividades, crear ejemplos contextualizados o incluso simular el tipo de preguntas que haría un alumno. Pero, sobre todo, permiten trasladar al entorno digital algo que siempre ha sido esencial en la enseñanza: saber guiar el proceso de aprendizaje con buenas preguntas y buenos materiales.
### Prompting
La **ingeniería del prompting** es el conjunto de técnicas que permiten formular instrucciones eficaces para que un modelo de lenguaje genere respuestas útiles, precisas y adaptadas a un objetivo concreto. En educación, y especialmente en materias como **biología, física, matemáticas y química**, esta competencia resulta cada vez más valiosa. Un modelo de lenguaje puede actuar como asistente del profesorado, generador de actividades, apoyo para preparar explicaciones, herramienta de simulación o incluso recurso para adaptar materiales a distintos niveles. Sin embargo, la calidad del resultado depende en gran medida de cómo se le da la instrucción.
Un prompt no es solo una pregunta. Es una **instrucción estructurada** que puede incluir el rol que debe asumir el modelo, el nivel educativo, el tipo de respuesta esperado, el formato y los criterios de calidad. Por ejemplo, no es lo mismo escribir “explica la fotosíntesis” que pedir: “Actúa como profesor de biología de 4º de ESO y explica la fotosíntesis con lenguaje claro, un ejemplo cotidiano y una comparación con la respiración celular”. En el segundo caso, la respuesta suele ser más útil porque el modelo entiende mejor qué se espera de él.
En áreas científicas, el prompting tiene un valor especial porque estas asignaturas suelen exigir **claridad conceptual, secuenciación lógica, precisión terminológica y resolución paso a paso**. Además, permite generar recursos variados: explicaciones, problemas resueltos, prácticas de laboratorio, simulaciones, rúbricas, preguntas tipo test o actividades de ampliación.
#### Estructura básica de un buen prompt
Un buen prompt suele combinar varios elementos:
- el **rol** del modelo
- el **contexto didáctico**
- el **nivel del alumnado**
- el **objetivo de la tarea**
- el **formato de salida**
- y, cuando conviene, ciertas **restricciones o guardarraíles**
Por ejemplo, en matemáticas podría pedirse:
> Actúa como profesor de matemáticas de bachillerato. Explica el concepto de derivada de forma intuitiva, después presenta la definición formal y finalmente crea dos ejercicios resueltos paso a paso.
Aquí se define claramente quién debe ser el modelo, para quién explica, cómo debe organizar la respuesta y qué productos debe incluir.
#### Tipos de prompting
##### Zero-shot prompting
El **zero-shot prompting** consiste en pedir una tarea directamente, sin dar ejemplos previos. Es la modalidad más simple y una de las más usadas.
Ejemplo en química:
> Explica qué es el pH y cómo se interpreta una escala de pH en disoluciones ácidas, neutras y básicas.
Ejemplo en biología:
> Resume las funciones principales del ADN en una célula eucariota.
Ejemplo en física:
> Resuelve un problema sencillo sobre la segunda ley de Newton con datos numéricos realistas.
Este tipo de prompting funciona bien cuando la tarea es clara, pero en ocasiones la salida puede variar más de lo deseado.
##### Few-shot o multi-shot prompting
El **few-shot prompting**, también llamado **multi-shot**, consiste en ofrecer uno o varios ejemplos del tipo de respuesta que se espera. Esto ayuda al modelo a imitar estructura, tono y nivel de detalle.
Ejemplo en matemáticas:
> Ejemplo 1
> Problema: Resuelve 3x + 5 = 14
> Solución:
>
> 1. Restamos 5 a ambos lados
> 2. 3x = 9
> 3. Dividimos entre 3
> 4. x = 3
>
> Ejemplo 2
> Problema: Resuelve 2x - 4 = 10
> Solución:
>
> 1. Sumamos 4 a ambos lados
> 2. 2x = 14
> 3. Dividimos entre 2
> 4. x = 7
>
> Ahora resuelve del mismo modo: 5x + 2 = 22
Ejemplo en química:
> Ejemplo 1
> Sustancia: Agua
> Fórmula: H2O
> Tipo: Compuesto molecular
>
> Ejemplo 2
> Sustancia: Cloruro de sodio
> Fórmula: NaCl
> Tipo: Compuesto iónico
>
> Ahora completa del mismo modo: dióxido de carbono, amoníaco y óxido de calcio.
Este tipo de prompting resulta muy útil cuando se desean materiales homogéneos, ejercicios con el mismo estilo o respuestas muy controladas.
##### Chain of Thought prompting
El **Chain of Thought** o razonamiento paso a paso consiste en pedir al modelo que explique su proceso antes de dar la respuesta final. En ciencias, esto es especialmente valioso porque no interesa solo el resultado, sino el procedimiento.
Ejemplo en física:
> Resuelve paso a paso el siguiente problema y explica qué fórmula aplicas en cada momento: un cuerpo de 4 kg acelera a 2,5 m/s². Calcula la fuerza resultante.
Ejemplo en química:
> Calcula cuántos moles hay en 98 gramos de ácido sulfúrico. Razona el procedimiento paso a paso e indica la masa molar utilizada.
Ejemplo en matemáticas:
> Resuelve la ecuación de segundo grado x² - 7x + 12 = 0 explicando paso a paso el método usado.
Este enfoque ayuda a producir respuestas más transparentes y didácticas.
##### Meta prompts
Los **meta prompts** son instrucciones para que el propio modelo diseñe prompts mejores. Son especialmente útiles para docentes que quieren construir plantillas reutilizables.
Ejemplo:
> Diseña un prompt para generar actividades de biología de nivel 4º de ESO sobre genética mendeliana, con una breve explicación inicial, cuatro preguntas y una solución final.
Ejemplo más avanzado:
> Diseña un prompt de sistema para crear un asistente educativo de química que explique conceptos con rigor, utilice ejemplos de laboratorio escolar y adapte el lenguaje al nivel de bachillerato.
El modelo puede devolver una instrucción lista para usar y refinar. Esto ahorra tiempo y favorece la creación de asistentes especializados.
##### Prompt inverso
El **prompt inverso** merece una atención especial. Consiste en mostrar al modelo un ejemplo de actividad, contenido o material didáctico ya elaborado, y pedirle que deduzca a partir de ese ejemplo un prompt que sirva para generar otros materiales similares. Es una técnica muy útil para el profesorado, porque muchas veces resulta más fácil enseñar “el tipo de resultado que queremos” que redactar desde cero la instrucción perfecta.
Por ejemplo, un profesor puede mostrar una actividad como esta:
> Actividad de física:
>
> 1. Explicación breve sobre la ley de Ohm.
> 2. Dos ejemplos resueltos con operaciones paso a paso.
> 3. Tres ejercicios para el alumnado sin resolver.
> 4. Una pregunta final para relacionar el contenido con situaciones de la vida cotidiana.
A partir de ahí se puede pedir:
> Analiza la actividad anterior y redacta un prompt que permita generar actividades similares sobre otros temas de física manteniendo la misma estructura, el mismo tono didáctico y un nivel adecuado para 3º de ESO.
El modelo puede devolver algo como:
> Actúa como profesor de física de 3º de ESO. Genera una actividad didáctica sobre \[tema\] con la siguiente estructura: una explicación breve y clara del concepto, dos ejemplos resueltos paso a paso, tres ejercicios para que el alumnado practique de forma autónoma y una pregunta final de aplicación a la vida cotidiana. Usa lenguaje sencillo y rigor científico.
Este enfoque es muy útil para **replicar estilos de materiales propios**, mantener coherencia entre unidades y transformar ejemplos exitosos en plantillas reutilizables.
Otro ejemplo en biología:
> A partir de este ejemplo de ficha sobre la célula, crea un prompt que sirva para elaborar fichas equivalentes sobre otros orgánulos o procesos celulares.
O en matemáticas:
> Te voy a mostrar un modelo de problema resuelto de funciones. A partir de él, redacta un prompt que me permita generar otros problemas equivalentes con la misma secuencia didáctica.
El prompting inverso, por tanto, permite pasar de un material concreto a una **fórmula general de producción**.
| Tipo de prompting | En qué consiste | Ejemplo en ciencias | Utilidad |
|---|
| **Zero-shot** | Se pide sin dar ejemplos | “Explica la célula” | Respuestas rápidas y generales |
| **One-shot** | Se da un ejemplo | “Ejemplo: problema de velocidad… ahora crea otro” | Guiar el tipo de respuesta |
| **Few-shot** | Se dan varios ejemplos | “Ejemplos de reacciones químicas… genera más” | Mayor precisión y coherencia |
| **Con contexto** | Se añade nivel o condiciones | “Explica la energía para 1º ESO con ejemplo cotidiano” | Adaptar al alumnado |
| **Paso a paso** | Se pide razonamiento detallado | “Resuelve este problema paso a paso” | Enseñar procedimientos |
| **Con rol** | Se asigna un papel a la IA | “Actúa como profesor de física” | Respuestas más pedagógicas |
| **Con restricciones** | Se limitan condiciones | “Explica sin fórmulas” | Ajustar dificultad |
*Tabla comapartiva de los tipos de prompt más importantes*
##### Chats personalizados
Los **chats personalizados** permiten configurar de forma persistente cómo debe comportarse el modelo. Esto resulta muy útil cuando se quiere convertirlo en un asistente educativo estable.
Por ejemplo, puede definirse así:
> Eres un profesor de ciencias especializado en biología, física, matemáticas y química. Explicas con claridad, priorizas el razonamiento paso a paso, adaptas el lenguaje a alumnado de secundaria o bachillerato y evitas tecnicismos innecesarios salvo que se pidan expresamente. Cuando generes actividades, incluye objetivos, enunciados claros y, si procede, soluciones.
Con una configuración así, el modelo mantendrá un estilo más coherente a lo largo del tiempo.
Las plataformas más populares como *chatGPT*, *Claude* o *Gemini* implementan estas personalizaciones mediante el uso de GPTs personalizados en el caso de chatgpt o *Gemas* en *Gemini.*
[](https://libros.catedu.es/uploads/images/gallery/2026-03/m6dimage.png)
*Vista de un gestor de gemas en Gemini*
> El uso de plantillas en prompting resulta especialmente útil cuando se necesita generar contenido de forma consistente y homogénea, ya que permite mantener siempre una misma estructura, tono y conjunto de instrucciones. En lugar de formular cada petición desde cero, el profesorado puede definir un modelo de prompt reutilizable —similar a lo que ocurre en los chats personalizados— que incluya aspectos como el nivel educativo, el tipo de actividad, el formato de respuesta o los criterios pedagógicos. De este modo, por ejemplo, es posible generar múltiples actividades de ciencias que sigan siempre las mismas reglas, con el mismo tipo de enunciado, dificultad y organización, lo que facilita tanto la preparación de materiales como la coherencia en el aprendizaje del alumnado. Además, estas plantillas reducen el esfuerzo, evitan errores y permiten escalar la creación de contenidos de manera rápida y controlada.
>
>
#####
##### Guardarraíles
Los **guardarraíles** son reglas que limitan o encauzan la respuesta. Ayudan a mantener rigor, evitar errores y ajustar el resultado al uso educativo.
Ejemplos:
> Si no estás seguro de un dato, indícalo claramente y no lo inventes.
> No des la respuesta final sin explicar antes el procedimiento.
> Usa siempre unidades del sistema internacional cuando resuelvas problemas de física.
> En química, verifica si la ecuación está ajustada antes de continuar.
> En matemáticas, comprueba el resultado sustituyéndolo cuando sea posible.
Estos guardarraíles mejoran mucho la calidad pedagógica de la salida.
##### Bancos de prompts
Un **banco de prompts** es una colección organizada de instrucciones reutilizables. Para un profesor de ciencias puede convertirse en una herramienta muy poderosa.
Algunas categorías útiles serían:
- prompts para explicar conceptos
- prompts para generar ejercicios
- prompts para adaptar materiales a distintos niveles
- prompts para diseñar simulaciones
- prompts para crear evaluación y autoevaluación
- prompts para convertir teoría en actividades prácticas
Un ejemplo de banco en física podría incluir:
> Genera 5 problemas de cinemática con datos realistas y solución paso a paso.
> Explica la energía cinética con una analogía sencilla y un ejemplo numérico.
> Diseña una práctica de laboratorio escolar para estudiar la caída libre.
En biología:
> Crea una actividad comparativa entre mitosis y meiosis con tabla, esquema y preguntas finales.
> Resume el proceso de traducción genética con lenguaje adaptado a 1º de bachillerato.
> ##### Existen numerosas webs de prompts también llamadas bancos de prompting donde pueden encontrarse toda clase de ejemplos e incluso hacer compra venta
>
> Por ejemplo
>
> **[https://prompts.chat/](https://prompts.chat/)**
>
> [](https://libros.catedu.es/uploads/images/gallery/2026-03/8BEimage.png)
##### Ejemplos elaborados por asignaturas
**Biología**
> Actúa como profesora de biología de 4º de ESO. Prepara una secuencia breve sobre la fotosíntesis que incluya: una explicación inicial con lenguaje claro, una comparación con la respiración celular, un esquema textual paso a paso, dos preguntas de comprensión y una actividad final en la que el alumnado tenga que explicar por qué la luz influye en el crecimiento de las plantas.
**Física**
> Actúa como profesor de física de bachillerato. Diseña una actividad sobre la segunda ley de Newton con esta estructura: introducción conceptual, un ejemplo resuelto con masa y aceleración, otro ejemplo en el que haya que despejar la aceleración, tres problemas propuestos y una pequeña simulación conceptual en la que expliques qué ocurre si la fuerza se mantiene constante pero la masa del objeto se duplica.
**Matemáticas**
> Actúa como profesor de matemáticas de 3º de ESO. Explica las ecuaciones de primer grado con una metáfora sencilla, resuelve dos ejemplos paso a paso, genera cuatro ejercicios graduados en dificultad y termina con una sección de errores frecuentes que suelen cometer los alumnos al despejar incógnitas.
**Química**
> Actúa como profesora de química de 1º de bachillerato. Explica la diferencia entre mol, masa molar y número de Avogadro con una analogía fácil de entender. Después resuelve dos problemas de conversión entre gramos, moles y moléculas, y finalmente crea tres ejercicios de práctica con solución al final.
##### Prompts para simulaciones
Los modelos también pueden utilizarse para crear **simulaciones conceptuales** que ayuden a comprender procesos dinámicos.
**Simulación en biología**
> Simula la evolución de una población de bacterias en un medio con abundantes nutrientes durante cinco generaciones. Describe qué ocurre con el tamaño de la población y explica después qué cambiaría si se introduce un antibiótico a partir de la tercera generación.
**Simulación en física**
> Simula el movimiento de un coche que parte del reposo y acelera uniformemente a 3 m/s² durante 8 segundos. Muestra cómo evolucionan la velocidad y la distancia recorrida en cada segundo y explica el patrón observado.
**Simulación en matemáticas**
> Simula cómo cambia el área de un círculo cuando el radio aumenta de 1 a 6 cm. Presenta los valores en una tabla y explica qué relación matemática se observa entre radio y área.
**Simulación en química**
> Simula una neutralización entre ácido clorhídrico e hidróxido de sodio en un laboratorio escolar. Explica qué ocurre antes de mezclar, durante la reacción y al final, tanto a nivel observable como a nivel de partículas.
##### Conclusión
La ingeniería del prompting no consiste únicamente en “preguntar bien”, sino en **diseñar interacciones eficaces con la IA para obtener materiales didácticos útiles, rigurosos y adaptados al contexto educativo**. En el caso de las asignaturas científicas, su potencial es especialmente alto porque permite generar explicaciones claras, actividades graduadas, problemas resueltos, simulaciones conceptuales y recursos de evaluación.
Técnicas como el **zero-shot**, el **few-shot o multi-shot**, el **Chain of Thought**, los **meta prompts**, el **prompt inverso**, los **chats personalizados**, los **guardarraíles** y los **bancos de prompts** ofrecen al profesorado un repertorio muy amplio para trabajar con modelos de lenguaje de forma sistemática y provechosa.
Entre todas ellas, el **prompt inverso** destaca por su utilidad práctica en educación, ya que permite partir de una actividad o contenido ya conseguido para deducir la instrucción que hará posible generar materiales equivalentes. Eso facilita reutilizar estilos, mantener coherencia metodológica y convertir buenos ejemplos en plantillas estables.
En definitiva, dominar estas técnicas permite al profesorado de biología, física, matemáticas y química transformar un modelo de lenguaje en un verdadero **asistente pedagógico avanzado**, capaz de apoyar la preparación de clases, la creación de materiales y la adaptación de contenidos a distintas necesidades del alumnado.
#### Retrieval Augmented Generation RAG
**Retrieval Augmented Generation (RAG)** es una técnica que permite mejorar las respuestas de los modelos de lenguaje conectándolos con fuentes de información externas. En lugar de depender únicamente del conocimiento con el que fue entrenado el modelo, el sistema **busca información relevante en una base de datos o en documentos propios y la utiliza para generar la respuesta**.
En educación, esta técnica resulta especialmente interesante porque permite crear asistentes que trabajan con **materiales del propio centro educativo**, como apuntes, libros, documentos PDF, artículos científicos, guías de laboratorio o incluso ejercicios elaborados por el profesorado.
Para docentes de áreas científicas como **biología, física, matemáticas o química**, RAG permite construir sistemas que respondan preguntas basándose en contenidos específicos de la asignatura o incluso en el temario concreto de una materia.
---
[](https://libros.catedu.es/uploads/images/gallery/2026-03/8mGimage.png)
Los modelos de lenguaje tienen algunas limitaciones importantes:
- su conocimiento puede estar **desactualizado**
- pueden **inventar información (alucinaciones)**
- no conocen documentos privados o materiales propios
- no pueden consultar información externa si no se les proporciona
RAG soluciona esto añadiendo una capa de **recuperación de información** antes de generar la respuesta.
El proceso general es el siguiente:
1. El usuario hace una pregunta
2. El sistema busca información relevante en una base de datos de documentos
3. Esa información se añade al prompt
4. El modelo genera la respuesta usando esos datos
De esta forma, el modelo responde **basándose en información concreta y verificable**.
#### Ventajas de RAG
El uso de sistemas de **Retrieval-Augmented Generation (RAG)** ofrece múltiples ventajas en entornos educativos porque combina la capacidad de generación de los modelos de lenguaje con la consulta de información real procedente de documentos o bases de conocimiento. Al integrar datos externos durante la respuesta, el sistema puede proporcionar información más precisa y contextualizada.
##### Permite trabajar con contenidos propios
Un sistema RAG puede conectarse con materiales educativos concretos y responder utilizando información procedente de los recursos del curso. Por ejemplo, puede consultar apuntes del profesor, documentos del aula virtual, prácticas de laboratorio o capítulos del libro de texto. De esta forma, el asistente responde basándose en el material real de la asignatura y no solo en el conocimiento general del modelo. Además, RAG permite integrar conocimiento específico de un dominio o institución, lo que hace que las respuestas sean más relevantes para el contexto educativo.
##### Reduce las alucinaciones
Los modelos de lenguaje pueden generar respuestas plausibles pero incorrectas. Los sistemas RAG reducen este problema porque el modelo genera la respuesta utilizando documentos recuperados como contexto, lo que “ancla” la respuesta en información verificable.
Esto mejora la precisión y la fiabilidad de las respuestas, algo especialmente importante en ámbitos educativos donde la exactitud de la información es fundamental.
##### Facilita el aprendizaje autónomo
Un asistente basado en RAG permite a los estudiantes consultar el contenido del curso de forma interactiva. El sistema puede responder preguntas sobre el temario utilizando directamente los materiales de clase. Por ejemplo, un estudiante podría preguntar:
“¿Qué diferencia hay entre mitosis y meiosis según los apuntes de la asignatura?”
Al apoyarse en los documentos del curso, el sistema puede ofrecer explicaciones más contextualizadas y coherentes con lo que el profesorado ha enseñado.
##### Permite crear asistentes especializados
Los sistemas RAG permiten construir asistentes educativos especializados en distintas áreas del conocimiento. Al conectarlos con documentos específicos de cada materia, pueden actuar como tutores o asistentes académicos. Por ejemplo, un sistema RAG puede convertirse en:
- tutor de física que responde dudas sobre los ejercicios del curso
- asistente de laboratorio de química que explica procedimientos experimentales
- consultor de genética que utiliza artículos y apuntes de biología
- ayudante para resolver problemas matemáticos basados en el material de clase
##### Mejora la transparencia y la confianza en las respuestas
Otra ventaja importante es que muchos sistemas RAG pueden mostrar las fuentes utilizadas para generar la respuesta. Esto permite que los estudiantes revisen los documentos originales y verifiquen la información, lo que aumenta la confianza en el sistema y fomenta el aprendizaje crítico.
En conjunto, los sistemas RAG permiten transformar los modelos de lenguaje en **asistentes educativos basados en conocimiento real del curso**, reduciendo errores, facilitando el aprendizaje autónomo y permitiendo crear herramientas de apoyo especializadas para distintas materias.
#### Herramientas para crear sistemas RAG
Actualmente existen distintas herramientas que permiten construir **asistentes basados en documentos o conocimiento propio**. Estas herramientas pueden dividirse en dos grandes enfoques: plataformas que permiten crear **chats personalizados de forma sencilla** y herramientas más técnicas para construir sistemas RAG completos.
| Icono | Herramienta | Descripción | Utilidad en RAG |
|---|
| 🤖 | **ChatGPT (Custom GPTs)** | Permite crear versiones personalizadas del asistente mediante instrucciones, documentos y herramientas. Se puede definir un rol (tutor, analista, etc.) y añadir archivos como base de conocimiento. | Crear asistentes educativos que respondan usando apuntes, PDFs o materiales del curso |
| 🧠 | **Claude (Projects)** | Ofrece contextos persistentes y trabajo con documentos largos, permitiendo crear asistentes que consultan grandes cantidades de información propia. | Ideal para analizar textos extensos y generar explicaciones basadas en documentos complejos |
| 🔵 | **Gemini (Gems)** | Permite crear asistentes personalizados configurados con instrucciones y conectados con herramientas como Google Drive o Gmail. | Integrar documentos del ecosistema Google y generar respuestas basadas en ellos |
| 📂 | **AnythingLLM / herramientas locales** | Plataformas que permiten crear sistemas RAG en local cargando documentos y conectando con modelos open source. | Trabajar con datos propios sin depender de la nube (privacidad y control) |
| 🧩 | **LangChain (framework)** | Librería para desarrollar aplicaciones con RAG combinando modelos, bases de datos vectoriales y lógica personalizada. | Crear soluciones avanzadas y automatizadas (más técnico, ideal para proyectos) |
*Principales herramientas para creación y uso de RAG*
##### Ejemplo sencillo de una Gem para una asignatura de física
**Nombre del Gem**
Tutor de Física de Bachillerato
**Descripción**
Asistente que ayuda a comprender conceptos de física, resolver problemas y explicar los ejercicios del temario.
**Instrucciones del sistema**
Actúa como profesor de física de nivel bachillerato. Explica los conceptos de forma clara y paso a paso. Cuando el estudiante haga una pregunta:
- explica primero la idea física
- después muestra las fórmulas necesarias
- finalmente resuelve el problema paso a paso
- ¿Qué diferencia hay entre velocidad y aceleración?
- ¿Cómo se aplica la segunda ley de Newton en este problema?
- Explícame el movimiento parabólico con un ejemplo sencillo.
- Ayúdame a resolver este ejercicio de energía potencial.
#### Conclusión
El Retrieval Augmented Generation (RAG) representa una de las aplicaciones más útiles de los modelos de lenguaje en educación. Al conectar el modelo con documentos reales, se consigue un sistema capaz de responder preguntas basándose en contenidos específicos, actualizados y verificables.
Para docentes de biología, física, matemáticas y química, esta técnica permite crear asistentes educativos que trabajan con el propio temario del curso, reducen errores, mejoran la precisión de las respuestas y fomentan el aprendizaje autónomo del alumnado.
En lugar de depender únicamente del conocimiento general de un modelo de IA, RAG permite construir sistemas educativos personalizados, adaptados al contenido, al nivel y a las necesidades de cada asignatura. De este modo, los modelos de lenguaje dejan de ser simples chatbots genéricos y se convierten en herramientas didácticas especializadas capaces de apoyar de forma efectiva la enseñanza científica.
Sin embargo, para que todo este potencial se materialice, resulta imprescindible el uso adecuado del prompting. Saber cómo formular instrucciones claras, estructuradas y adaptadas al contexto educativo permite guiar el comportamiento del modelo y obtener respuestas realmente útiles en el aula. El prompting actúa como el puente entre la intención pedagógica del docente y la capacidad de la inteligencia artificial, mientras que el RAG aporta la base de conocimiento sobre la que se construyen las respuestas.
La combinación de ambas técnicas da lugar a un entorno de aprendizaje más preciso, coherente y personalizado, en el que la inteligencia artificial no sustituye al profesorado, sino que amplía sus capacidades, facilitando la creación de materiales, la adaptación de contenidos y el acompañamiento del alumnado en su proceso de aprendizaje.
# 3.2 Fine Tuning
El *Fine* *Tuning* Es una técnica que permite adaptar un modelo de inteligencia artificial ya entrenado a una tarea concreta. En lugar de entrenar un modelo desde cero, se parte de un modelo grande que ya ha aprendido conocimientos generales y se le entrena un poco más con datos específicos para que se especialice en un tema determinado.
La idea es parecida a lo que ocurre en educación: un estudiante primero aprende conocimientos generales y después se especializa en una asignatura concreta. Los modelos de IA funcionan de forma similar. Primero se entrenan con grandes cantidades de información general (textos, imágenes, etc.) y después pueden **refinarse con ejemplos específicos** para mejorar su rendimiento en una tarea particular.
Esto permite aprovechar todo el conocimiento que el modelo ya tiene, y solo ajustar algunos aspectos para que funcione mejor en un contexto concreto. Además, requiere **muchos menos datos y recursos** que entrenar un modelo desde cero.
Por ejemplo, un modelo general puede adaptarse para:
- responder preguntas de medicina
- analizar documentos jurídicos
- explicar conceptos de una asignatura
- resolver problemas matemáticos
1. Partimos de un modelo general de lenguaje (por ejemplo un modelo abierto como LLaMA o Mistral).
2. Creamos un pequeño conjunto de ejemplos con problemas y soluciones paso a paso.
3. Entrenamos el modelo durante unas pocas iteraciones utilizando esos ejemplos.
| Icono | Herramienta | Descripción | Nivel | Utilidad en educación |
|---|
| 🤗 | **Hugging Face (Transformers)** | Biblioteca open source para cargar, entrenar y ajustar modelos. Incluye herramientas como *Trainer* que simplifican el proceso. | Medio | Ideal para proyectos educativos, experimentar con modelos y enseñar fine-tuning de forma estructurada |
| ⚙️ | **PEFT** | Permite ajustar modelos entrenando solo una pequeña parte de los parámetros, reduciendo recursos necesarios. | Medio | Adaptar modelos en equipos con pocos recursos (aulas, portátiles) |
| 🔧 | **LoRA / QLoRA** | Técnicas eficientes que añaden pequeñas capas entrenables sin modificar todo el modelo. Muy usadas en modelos grandes. | Medio | Fine-tuning de modelos grandes en entornos educativos sin hardware potente |
| 🧪 | **Google Colab + notebooks** | Entorno accesible para ejecutar código de entrenamiento sin instalar nada en local. | Básico | Facilitar prácticas guiadas de fine-tuning para alumnado |
| 🧠 | **Ollama + datasets propios** | Permite trabajar con modelos locales y, en algunos casos, ajustarlos o adaptarlos con datos propios. | Básico-Medio | Experimentar con IA local y privacidad en el aula |
| 🔵 | **Google AI Studio / Vertex AI** | Plataformas de Google para ajustar modelos mediante interfaces más visuales o semi-guiadas. | Básico | Introducir fine-tuning sin necesidad de programación avanzada |
| 📊 | **OpenAI / APIs similares** | Permiten ajustar modelos mediante datasets estructurados y procesos guiados vía API. | Básico-Medio | Crear asistentes especializados sin gestionar infraestructura
|
*Principales herramientas y entornos para hacer fine tuning*
#### Ventajas del *fine-tuning* en educación
El fine-tuning ofrece un gran potencial en el ámbito educativo, y resulta especialmente relevante en ciencias y matemáticas, donde la precisión, el procedimiento y el uso correcto del lenguaje son fundamentales. Sus principales ventajas y posibilidades son:
- **Adaptación al método de resolución en matemáticas y física**
El modelo puede aprender a resolver problemas exactamente como se hace en clase.
*Ejemplo:* resolver ecuaciones de segundo grado siguiendo siempre los mismos pasos (identificar coeficientes, fórmula, sustitución y resultado), o problemas de cinemática indicando datos, fórmula, sustitución y unidades.
- **Consistencia en explicaciones científicas**
Mantiene siempre la misma estructura en definiciones y desarrollos.
*Ejemplo:* explicar la fotosíntesis o la ley de Ohm siguiendo siempre un esquema claro (definición → fórmula → ejemplo → aplicación).
- **Uso correcto del lenguaje técnico**
En ciencias es clave no simplificar en exceso ni cometer errores conceptuales.
*Ejemplo:* diferenciar correctamente entre masa y peso, o entre calor y temperatura, utilizando unidades y definiciones precisas.
- **Especialización en contenidos concretos**
El modelo puede entrenarse con el temario real del curso.
*Ejemplo:* trabajar únicamente con los tipos de problemas de química (disoluciones, estequiometría) que se ven en clase, evitando enfoques distintos.
- **Resolución paso a paso (clave en ciencias)**
No solo da el resultado, sino que muestra el proceso completo.
*Ejemplo:* en un problema de densidad, indicar datos → fórmula → sustitución → resultado con unidades, como se exige en examen.
- **Adaptación al nivel del alumnado**
Ajusta la complejidad según curso.
*Ejemplo:* explicar un átomo como “un sistema solar” en 1º ESO, o introducir orbitales y niveles energéticos en Bachillerato.
- **Generación automática de ejercicios coherentes**
Permite crear múltiples problemas similares al estilo del profesor.
*Ejemplo:* generar 10 ejercicios de MRU con la misma estructura que los del examen, variando solo los datos.
- **Corrección y feedback alineado con criterios científicos**
Puede corregir errores siguiendo los mismos criterios que el docente.
*Ejemplo:* indicar no solo que un resultado está mal, sino que falta unidad, planteamiento o despeje correcto.
- **Creación de tutores virtuales de ciencias y matemáticas**
Asistentes que guían al alumnado en el razonamiento.
*Ejemplo:* un tutor que no da directamente la solución, sino que va guiando: “¿qué fórmula usarías aquí?” o “¿qué dato te falta?”.
- **Refuerzo del aprendizaje autónomo con rigor**
El alumnado puede practicar sin perder coherencia con el aula.
*Ejemplo:* un estudiante repasa problemas de física en casa y recibe explicaciones exactamente iguales a las del profesor.
A pesar de sus ventajas, el fine-tuning también presenta una serie de limitaciones que conviene tener en cuenta, especialmente en el ámbito educativo y más aún en materias científicas, donde el rigor es fundamental.
- **Requiere preparación de datos**
Para que el modelo funcione bien, es necesario recopilar ejemplos de calidad y organizarlos correctamente.
*Ejemplo:* si se quiere entrenar un modelo para resolver problemas de física, hay que preparar muchos ejercicios bien resueltos, con pasos claros y sin errores, lo que implica tiempo y planificación docente.
- **Necesita recursos computacionales**
El entrenamiento de modelos, incluso con técnicas eficientes, suele requerir GPUs o entornos como Google Colab.
*Ejemplo:* un centro educativo puede encontrar limitaciones si quiere hacer fine-tuning con modelos grandes sin acceso a infraestructura adecuada.
- **Menor flexibilidad que RAG**
Una vez entrenado, el modelo no puede acceder a información nueva automáticamente.
*Ejemplo:* si se actualiza el temario o se añaden nuevos tipos de ejercicios de química, el modelo no los conocerá a menos que se vuelva a entrenar.
- **Riesgo de reproducir errores o sesgos**
El modelo aprende exactamente de los datos que se le proporcionan.
*Ejemplo:* si los ejercicios de entrenamiento tienen errores de unidades o planteamiento, el modelo los repetirá de forma sistemática.
- **Rigidez en el enfoque**
Al estar muy ajustado a un estilo concreto, puede perder capacidad de adaptación.
*Ejemplo:* un modelo entrenado con un único método para resolver ecuaciones puede tener dificultades para entender o generar soluciones alternativas.
- **Mayor complejidad técnica**
A diferencia del prompting o el uso de RAG en plataformas sencillas, el fine-tuning requiere ciertos conocimientos técnicos.
*Ejemplo:* preparar datasets, ajustar parámetros o evaluar modelos puede ser complejo para profesorado sin experiencia previa en IA.
#### Conclusión
El fine-tuning es una técnica fundamental para adaptar modelos de lenguaje a dominios específicos. En el ámbito educativo permite crear modelos especializados capaces de trabajar con contenidos científicos concretos y generar materiales didácticos coherentes con el estilo del profesorado. En asignaturas como biología, física, matemáticas o química, el fine-tuning puede utilizarse para entrenar modelos que expliquen conceptos con mayor claridad, generen ejercicios estructurados o ayuden a preparar materiales educativos.
Combinado con otras técnicas como el prompting avanzado y los sistemas RAG, el fine-tuning abre la puerta a una nueva generación de **asistentes educativos inteligentes** capaces de apoyar tanto al profesorado como al alumnado en el aprendizaje de las ciencias.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/PEHimage.png)
*Esquema básico de fine tuning*
#### Un símil para entenderlo todo
> Para comprender mejor cómo funcionan los **modelos de lenguaje (LLM)** y las distintas formas de trabajar con ellos —**prompting, RAG y fine-tuning**— puede ser útil utilizar un símil cercano al mundo educativo: **el desarrollo del cerebro humano y el proceso de aprendizaje a lo largo de la vida**.
> Podemos imaginar un **modelo de lenguaje como un cerebro** que ha pasado por una primera etapa de aprendizaje muy amplia. Durante ese proceso, el modelo se entrena con enormes cantidades de textos: libros, artículos, páginas web, conversaciones, documentación técnica, etc. Ese entrenamiento inicial sería comparable a **los primeros años de vida de una persona**, en los que adquirimos el lenguaje, la capacidad de interpretar el mundo y una base general de conocimiento. No aprendemos todo en detalle, pero sí desarrollamos una estructura mental que nos permite comprender, razonar y generar ideas.
>
> A partir de esa base aparece el **prompting**, que podríamos comparar con el papel que juega **la cultura, el contexto y la forma en que se nos plantea una tarea**. Una misma persona puede responder de forma muy distinta según cómo se le formule una pregunta, qué información previa tenga o qué contexto se le proporcione. Lo mismo ocurre con los modelos de lenguaje: el modo en que se redacta una instrucción influye directamente en la calidad y el tipo de respuesta que generan. Desde una perspectiva educativa, aprender a formular buenos prompts se parece mucho a **aprender a hacer buenas preguntas**, algo que siempre ha sido una habilidad fundamental en el aula.
>
> El siguiente concepto, **RAG (Retrieval Augmented Generation)**, puede entenderse como cuando una persona **consulta fuentes externas antes de responder**. Un profesor, por ejemplo, no siempre responde únicamente con lo que recuerda; muchas veces consulta un libro, un artículo o una base de datos para asegurar que la información es correcta o está actualizada. El RAG funciona de forma parecida: el modelo accede a documentos o bases de conocimiento externas y utiliza esa información para generar respuestas más precisas y contextualizadas. En el ámbito educativo, esto permite trabajar con **documentación propia del centro, apuntes, artículos científicos o materiales didácticos**.
>
> Finalmente, encontramos el **fine-tuning**, que podríamos comparar con **la especialización o formación en nuevas materias a lo largo de la vida**. Una persona que ya tiene una base educativa puede especializarse después en medicina, derecho o ingeniería. No empieza desde cero; simplemente adapta y refuerza su conocimiento para un ámbito concreto. Del mismo modo, el fine-tuning consiste en **ajustar un modelo ya entrenado para una tarea específica**, utilizando datos más especializados.
>
> Desde la perspectiva del profesorado, este símil ayuda a entender algo importante: los modelos de IA no son simplemente herramientas automáticas que generan respuestas, sino sistemas que **combinan aprendizaje previo, contexto, acceso a información y especialización**. Comprender estas diferencias permite utilizarlos con mayor criterio en el aula.
>
> Al final, la cuestión no es si la inteligencia artificial “piensa”, sino **cómo podemos integrarla de forma inteligente en los procesos de aprendizaje**. Igual que ocurre con cualquier otra herramienta educativa, su valor depende de cómo se utilice. Cuando se entiende su funcionamiento y sus límites, los modelos de lenguaje pueden convertirse en **instrumentos para explorar ideas, plantear preguntas, analizar información y fomentar el pensamiento crítico**.
>
> Y quizá esa sea la clave desde el punto de vista pedagógico: no utilizar la IA para que piense por el alumnado, sino **para ayudarles a pensar mejor**.
# 3.3 Agentes de IA y Automatización
Los **agentes de inteligencia artificial** representan uno de los desarrollos más recientes en la evolución de los sistemas basados en modelos de lenguaje. Mientras que los asistentes de IA ayudan al usuario respondiendo preguntas o generando contenidos bajo demanda, los agentes están diseñados para **actuar de forma autónoma para alcanzar un objetivo**.
En términos generales, un agente de IA es un sistema que recibe información del entorno, toma decisiones y ejecuta acciones para cumplir una tarea.
En el contexto de los modelos generativos actuales, estos agentes suelen utilizar **Large Language Models (LLM)** como motor de razonamiento y planificación.
Para profesores de ciencias, entender el concepto de agente es importante porque abre nuevas posibilidades: desde analizar datos experimentales hasta generar simulaciones, investigar literatura científica o automatizar tareas académicas.
### Qué es un agente de IA
Un **agente de IA** puede definirse como un sistema autónomo capaz de:
- recibir un objetivo o tarea
- analizar el problema
- tomar decisiones sobre qué hacer
- ejecutar acciones mediante herramientas
- evaluar los resultados y continuar el proceso.
En otras palabras, los agentes no se limitan a responder preguntas. Su objetivo es **resolver tareas completas**.
En muchos casos el modelo de lenguaje actúa como el “cerebro” que controla el flujo de decisiones del sistema.
Esto significa que el modelo no solo genera texto, sino que también decide:
- qué herramientas usar
- qué información buscar
- qué paso ejecutar a continuación.
### Cómo funcionan los agentes de IA
Los agentes modernos suelen funcionar mediante un **bucle iterativo de razonamiento y acción**.
Este ciclo suele incluir varias etapas:
1. **Interpretación del objetivo**
2. **Planificación de acciones**
3. **Uso de herramientas**
4. **Evaluación de resultados**
5. **Repetición del proceso hasta completar la tarea**
Este patrón se conoce en muchos sistemas como **agent loop** o ciclo de ejecución del agente.
Un agente puede ejecutar este ciclo varias veces hasta alcanzar el resultado final.
### Arquitectura de un agente
Los agentes se basan en la coordinación y gestión de los siguientes elementos:
##### Modelo de lenguaje
El modelo de lenguaje actúa como el núcleo del agente, es decir, su “cerebro”. Es el encargado de interpretar las instrucciones, comprender el contexto y generar respuestas o decisiones. No se limita a contestar, sino que también puede proponer pasos a seguir o estrategias para resolver una tarea. Modelos como GPT, Claude, Gemini, Qwen o Llama suelen desempeñar este papel en los agentes actuales.
##### Memoria
La memoria permite al agente recordar información relevante mientras ejecuta una tarea. Gracias a ella puede mantener el contexto de una conversación, almacenar resultados intermedios o utilizar datos que ha obtenido en pasos anteriores. Esto resulta fundamental cuando el proceso no es inmediato, ya que evita que el agente “empiece desde cero” en cada interacción y le permite trabajar de forma coherente en tareas largas.
##### Herramientas
Una de las características más importantes de los agentes es su capacidad para utilizar herramientas externas. Estas herramientas amplían sus posibilidades, ya que le permiten interactuar con el entorno. Por ejemplo, puede buscar información en internet, ejecutar código, consultar bases de datos o utilizar APIs. De esta forma, el agente no depende únicamente de su conocimiento interno, sino que puede obtener información actualizada y realizar acciones concretas.
##### Planificador
El planificador es el componente que organiza el trabajo del agente. Cuando recibe una tarea compleja, la divide en pasos más pequeños y manejables. Esto le permite avanzar de forma estructurada, revisando cada fase antes de pasar a la siguiente. Por ejemplo, ante el objetivo de analizar artículos sobre energía nuclear, el agente puede planificar primero la búsqueda de información, después la selección de documentos relevantes, a continuación su resumen y finalmente la elaboración de un informe.
**Visión conjunta**
Estos elementos no funcionan de manera aislada, sino que se combinan continuamente. El modelo de lenguaje decide, la memoria conserva la información, las herramientas permiten actuar y el planificador organiza el proceso. Gracias a esta integración, los agentes pueden abordar tareas complejas de forma más parecida a como lo haría una persona, especialmente en contextos educativos y científicos donde el proceso es tan importante como el resultado.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/IBhimage.png)
*Funcionamiento básico de un agente*
#### Arquitecturas modernas de agentes
En los sistemas actuales de agentes de inteligencia artificial existen distintas formas de organizar cómo el agente **piensa, decide y actúa**. Estas formas de organización se llaman *arquitecturas*. Cada arquitectura define cómo el agente toma decisiones y cómo utiliza herramientas para resolver un problema.
**ReAct (Reasoning + Acting)**
Una de las arquitecturas más conocidas es **ReAct**, cuyo nombre viene de “razonar y actuar”. En este enfoque el agente funciona como si siguiera un pequeño ciclo repetitivo: primero piensa qué debería hacer, después realiza una acción (por ejemplo buscar información o usar una herramienta) y finalmente observa el resultado antes de continuar.
Es parecido a cómo resolveríamos un problema paso a paso: pensamos qué necesitamos, hacemos una prueba, vemos el resultado y volvemos a decidir qué hacer a continuación. Este tipo de arquitectura es muy flexible porque el agente puede ir adaptando su estrategia según lo que va descubriendo.
**Plan-and-Execute**
Otra arquitectura bastante utilizada es **Plan-and-Execute**. En este caso el agente no actúa inmediatamente, sino que primero intenta elaborar un plan completo para resolver el problema. Después ejecuta ese plan paso a paso.
Podemos imaginarlo como cuando un estudiante planifica un trabajo: primero define los pasos que va a seguir (buscar información, analizar datos, redactar conclusiones) y luego va completando cada parte del plan. Este enfoque suele ser más eficiente cuando las tareas son largas o requieren varios pasos claros.
**Multi-agent systems**
Una idea más reciente consiste en utilizar **varios agentes que colaboran entre sí** en lugar de uno solo. En estos sistemas, cada agente tiene un papel específico dentro del proceso.
Por ejemplo, en un sistema de investigación automática podríamos tener:
- un agente investigador que busca información
- un agente analista que interpreta los datos
- un agente redactor que prepara el informe final
Cada agente se encarga de una parte del trabajo, y un sistema de coordinación organiza cómo colaboran. Este enfoque se inspira en cómo trabajan los equipos humanos y permite abordar tareas más complejas que las que podría resolver un único agente.
En suma, las arquitecturas de agentes definen **cómo se organiza la “forma de pensar” de un sistema de IA**. Algunas se basan en ciclos de razonamiento y acción, otras en planificación previa, y otras en la colaboración entre varios agentes especializados. Estas ideas son la base de muchas de las aplicaciones más avanzadas de inteligencia artificial actuales.
#### Aplicaciones de los agentes en educación científica
Los agentes de inteligencia artificial pueden utilizarse en muchos contextos educativos, especialmente en asignaturas científicas como física, química, biología o matemáticas. En lugar de limitarse a responder preguntas, estos sistemas pueden ayudar a **analizar información, investigar temas científicos o generar materiales de aprendizaje**, funcionando como asistentes tanto para estudiantes como para docentes. Además, distintos estudios señalan que el uso de IA en educación científica puede mejorar la comprensión de conceptos complejos y favorecer el aprendizaje activo del alumnado.
**Análisis de datos experimentales**
Una de las aplicaciones más interesantes es el análisis de datos obtenidos en experimentos o prácticas de laboratorio. Un agente puede ayudar a procesar información experimental realizando tareas como cargar datos, generar gráficos, interpretar resultados y redactar conclusiones preliminares.
Por ejemplo, en una práctica de física sobre movimiento, el agente podría analizar una tabla de datos de posición y tiempo, calcular velocidades o aceleraciones y representar los resultados en un gráfico. De esta manera, los estudiantes pueden centrarse en interpretar el fenómeno físico en lugar de dedicar todo el tiempo a los cálculos.
**Investigación científica**
Los agentes también pueden ayudar a investigar temas científicos. En este contexto actúan como asistentes de investigación capaces de buscar información en artículos científicos, identificar ideas clave y resumir resultados relevantes.
Por ejemplo, ante una tarea como *“investiga el impacto del cambio climático en los ecosistemas marinos”*, el agente podría buscar publicaciones científicas, resumir los hallazgos principales, detectar tendencias en los datos y elaborar un pequeño informe. Este tipo de herramientas puede acelerar procesos como la revisión bibliográfica o el análisis de literatura científica.
**Generación de simulaciones**
Otra aplicación importante es la creación de simulaciones científicas. En muchas áreas de la ciencia se utilizan modelos o simulaciones para comprender cómo se comporta un sistema bajo determinadas condiciones.
Un agente puede ayudar a construir estas simulaciones o a explicar los resultados. Por ejemplo, ante una pregunta como *“simula qué ocurre con un gas cuando se reduce su volumen”*, el sistema podría explicar el fenómeno utilizando la ley de Boyle, generar una tabla de valores o mostrar un gráfico que represente la relación entre presión y volumen.
Las simulaciones basadas en IA también permiten experimentar con fenómenos que a veces no son fáciles de reproducir en un laboratorio real.
**Diseño de actividades educativas**
Además de ayudar al alumnado, los agentes pueden apoyar al profesorado en la creación de materiales didácticos. Un agente puede generar ejercicios, diseñar cuestionarios o proponer actividades de aprendizaje relacionadas con el temario.
Por ejemplo, un docente podría pedir al agente que:
- genere ejercicios de física sobre movimiento uniformemente acelerado
- cree cuestionarios de química sobre enlaces químicos
- diseñe una actividad de laboratorio para estudiar reacciones ácido-base
De esta manera, el agente actúa como un **asistente pedagógico**, un tipo de sistema diseñado específicamente para interactuar con estudiantes y apoyar el aprendizaje dentro de entornos educativos.
En conjunto, estas aplicaciones muestran cómo los agentes pueden convertirse en **herramientas de apoyo al aprendizaje científico**, ayudando a analizar datos, investigar información, crear simulaciones y diseñar actividades educativas. Utilizados correctamente, pueden complementar el trabajo del profesorado y facilitar que el alumnado explore los contenidos científicos de forma más activa y autónoma.
#### Principales herramientas para agentes
| Icono | Herramienta | Tipo | Descripción | Utilidad en educación y ciencias |
|---|
| 🔗 | **LangChain** | Framework | Permite conectar modelos de lenguaje con herramientas, APIs, bases de datos y memoria. Arquitectura modular para crear agentes flexibles. | Crear asistentes que busquen información, resuelvan problemas y generen explicaciones científicas paso a paso |
| 🤝 | **AutoGen** | Framework | Sistema multiagente donde varios agentes colaboran mediante conversación para resolver tareas complejas. | Simular equipos de trabajo (investigador, analista, redactor) en proyectos científicos o tecnológicos |
| 👥 | **CrewAI** | Framework | Permite crear “equipos” de agentes con roles definidos que colaboran en una tarea común. | Diseñar actividades donde cada agente cumple una función (experto en física, corrector, generador de problemas…) |
| ⚙️ | **OpenAI Agents SDK** | Framework | Framework sencillo para crear agentes con herramientas y control del flujo dentro del ecosistema OpenAI. | Introducción práctica a agentes sin mucha complejidad técnica |
| 🤖 | **AutoGPT** | Ejemplo de agente | Sistema autónomo que divide tareas en subtareas y las ejecuta de forma iterativa. | Mostrar cómo una IA puede resolver proyectos complejos de forma autónoma |
| 💻 | **Devin AI** | Ejemplo de agente | Agente orientado a programación que actúa como un desarrollador autónomo. | Aplicaciones en enseñanza de programación y resolución de problemas técnicos |
| 🎮 | **SIMA** | Ejemplo de agente | Agente que interactúa con entornos digitales y videojuegos aprendiendo tareas. | Ejemplos de aprendizaje por interacción en entornos simulados |
| 🧠 | **OpenDevin** | Ejemplo de agente | Proyecto open source inspirado en Devin para automatizar tareas de desarrollo de software. | Alternativa abierta para trabajar IA aplicada a programación |
#### Limitaciones actuales
A pesar de su potencial, los agentes todavía presentan algunos desafíos técnicos importantes.
**Errores de razonamiento**
Los modelos pueden equivocarse al planificar una tarea o interpretar los resultados.
**Dificultad para controlar la ejecución**
Los agentes pueden entrar en bucles o tomar decisiones inesperadas si no están bien diseñados.
**Coste computacional**
Las tareas largas implican muchas llamadas a modelos de lenguaje, lo que puede aumentar los costes de cálculo.
**Riesgos de seguridad**
Los agentes que interactúan deben diseñarse cuidadosamente para evitar comportamientos no deseados sobre todo si trabajan con información sensible o interactúan con personas o sistemas externos a la organización.
Por esta razón, la investigación actual también se centra en **mejorar el control, la seguridad y la supervisión de los agentes**.
#### Automatización de tareas
La automatización de tareas mediante inteligencia artificial está transformando la forma en la que se preparan, desarrollan y evalúan las actividades en el aula, especialmente en áreas científicas. En esencia, automatizar consiste en delegar en un sistema ciertas acciones repetitivas o complejas para que se realicen de forma autónoma o semiautónoma. En el contexto educativo, esto no significa sustituir al docente, sino liberarlo de tareas mecánicas para que pueda centrarse en lo realmente importante: enseñar, acompañar y adaptar el aprendizaje.
En ciencias —como física, química, biología o matemáticas— existen muchas tareas que siguen patrones claros y repetitivos: generar problemas similares cambiando datos, corregir ejercicios paso a paso, explicar conceptos con distintos niveles de dificultad o resumir contenidos. La inteligencia artificial, especialmente cuando se combina con técnicas ya vistas de *prompting*, RAG o agentes, permite automatizar este tipo de procesos manteniendo coherencia con el temario. Es como tener un asistente que sabe cómo planteas los ejercicios, cómo explicas los contenidos y qué tipo de actividades utilizas.
Por ejemplo, un docente puede automatizar la creación de hojas de ejercicios de cinemática donde todos los problemas sigan el mismo formato, pero con datos distintos. También puede generar explicaciones adaptadas a distintos niveles del alumnado o crear cuestionarios tipo test a partir de un tema concreto. Incluso es posible automatizar la corrección básica de ejercicios, proporcionando *feedback* inmediato al alumnado con indicaciones sobre errores comunes, como fallos en unidades o en el planteamiento de fórmulas.
Otra utilidad muy interesante es la generación de materiales personalizados. Un alumno que necesita refuerzo puede recibir más ejercicios del mismo tipo, mientras que otro más avanzado puede trabajar con problemas más complejos. Además, la automatización permite crear simulaciones, resúmenes de prácticas de laboratorio o guías paso a paso para experimentos, facilitando el aprendizaje autónomo.
En definitiva, la automatización en educación científica no consiste en hacer menos, sino en hacer mejor: generar más recursos, más adaptados y en menos tiempo, manteniendo siempre el control pedagógico del proceso.
### Herramientas no-code para automatización en educación
| Icono | Herramienta | Descripción | Uso en aula de ciencias |
|---|
| 🤖 | **ChatGPT (Custom GPTs)** | Permite crear asistentes personalizados con instrucciones y documentos sin programar | Generar ejercicios, explicaciones o tests automáticamente |
| 🧠 | **Claude (Projects)** | Trabaja con documentos largos y permite crear asistentes con contexto persistente | Analizar apuntes y generar resúmenes o actividades |
| 🔵 | **Gemini (Gems)** | Asistentes personalizados integrados con Google Drive y otras apps | Crear materiales a partir de documentos del aula |
| 🎨 | **Genially** | Plataforma visual para crear actividades interactivas | Diseñar juegos, escape rooms o simulaciones científicas |
| ⚡ | **Zapier / Make** | Automatización de flujos entre aplicaciones sin código | Generar y enviar automáticamente actividades o informes |
| 📊 | **Google Sheets + IA** | Uso de funciones y extensiones IA en hojas de cálculo | Generar ejercicios o analizar resultados del alumnado |
| 🧩 | **Notion AI** | Espacio de trabajo con IA integrada para organizar contenido | Crear unidades didácticas, resúmenes y actividades |
| 🧪 | **Teachable Machine (Google)** | Crear modelos de IA sin programar (clasificación básica) | Introducir conceptos de IA aplicada en ciencias
|
| **Año** | **Publicaciones Totales en IA** | **% de Crecimiento Anual** | **Áreas con mayor adopción** |
| 2010 | ~200,000 | - | Computación, Matemáticas |
| 2015 | ~350,000 | 12% | Robótica, Visión por Computador |
| 2021 | ~750,000 | 25% | Medicina, Biología Molecular |
| 2022 | ~880,000 | 17% | Química, Geociencias |
*Fuente: Elaboración propia basada en datos del Stanford Institute for Human-Centered AI (HAI), AI Index Report 2023/2024.*
Este crecimiento no es solo cuantitativo. La IA está permitiendo que disciplinas tradicionalmente "lentas" o descriptivas, como la geología o la taxonomía biológica, se conviertan en ciencias predictivas de alta precisión.
#### La Crisis de la Integridad Científica: IA vs. IA
No todo es optimismo. Como docentes, debemos ser conscientes de que la técnica sin ética (sin un marco filosófico sólido) puede corromper el sistema. Nos enfrentamos a lo que algunos expertos denominan la "crisis de la ciencia sintética".
El proceso de **revisión por pares (peer review)**, piedra angular de la confianza científica, siempre ha estado bajo asedio, puesto que, como todo sistema de organización humano, puede ser usado para fines distintos a los creados. Tiene para ello sus contrapesos y sistemas de corrección y sus métricas que permiten mantener la credibilidad y la vigilancia. Recientemente han surgido dos fenómenos preocupantes que amplifican los problemas del sistema.
1. **Aumento de los artículos "Paper Mill":** El uso de LLMs (Large Language Models) para generar artículos científicos que parecen coherentes pero carecen de base empírica real o contienen datos inventados ("alucinaciones").
2. **Revisión Automatizada:** Ante la saturación de artículos, algunos revisores están utilizando IA para evaluar trabajos escritos por otras IA, creando un bucle cerrado donde el juicio humano y el rigor crítico desaparecen.
Un estudio publicado en la revista *Nature* (2023) sobre la integridad científica advirtió que el uso no declarado de IA en la redacción de artículos ha aumentado significativamente, dificultando la distinción entre descubrimientos útiles y artefactos estadísticos.
> **Nota para el aula:** Es vital enseñar a los alumnos de secundaria que la ciencia no es solo "teorías y datos", sino un proceso crítico de validación social, el mejor sistema que hayamos creado los humanos para conocer la naturaleza y compartir ese conocimiento. La IA puede generar respuestas, pero solo el pensamiento humano puede hacer las preguntas correctas, integrarlas en una explicación global, en una cosmovisión, y verificar su veracidad.
La IA puede actuar una herramienta para gestionar la complejidad. Nos permitirá resolver retos climáticos, médicos y energéticos sin precedentes. Sin embargo, si descuidamos los mecanismos sociales de control (el peer review y la ética científica), corremos el riesgo de ahogar el conocimiento genuino en un mar de ruido algorítmico.
En los siguientes capítulos, exploraremos cómo esta tecnología está transformando campos específicos, desde las matemáticas más abstractas hasta las entrañas de nuestro planeta.
**Referencias:**
- **Bunge, M. (2004).** *Emergencia y convergencia: Novedad cualitativa y unidad del conocimiento*. Siglo XXI.
- **Stanford University (2024).** *Artificial Intelligence Index Report 2024*. Institute for Human-Centered AI.
# 4.2 Influencia de la IA en el desarrollo de las matemáticas
#### Influencia de la IA en el desarrollo de las matemáticas
Tradicionalmente, la matemática se ha considerado el último reducto de la intuición humana pura. Sin embargo, estamos presenciando la emergencia de una "matemática asistida por silicio" que no solo acelera el cálculo, sino que empieza a descubrir verdades que a los humanos se nos habían escapado durante décadas.
##### Resolución autónoma de problemas: El hito de AlphaGeometry
Uno de los mayores desafíos en la enseñanza de las matemáticas (especialmente entre los 12 y 18 años) es la **geometría euclidiana** y la capacidad de construir demostraciones. En enero de 2024, investigadores de Google DeepMind presentaron [**AlphaGeometry**](https://deepmind.google/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/), un sistema de IA diseñado para resolver problemas de geometría de nivel de Olimpiada Internacional de Matemática (IMO).
Lo revolucionario de AlphaGeometry es que combina un modelo de lenguaje (potente en la predicción de patrones) con un **motor de razonamiento simbólico** (un sistema basado en reglas lógicas). Esto evita las "alucinaciones" de las IA comunes.
**Tabla 2: Rendimiento de AlphaGeometry frente a humanos en problemas de la IMO según Google.**
| **Entidad / Sistema** | **Problemas resueltos (sobre 30)** | **Nivel alcanzado** | **Método** |
| AlphaGeometry (2024) | 25 | Medallista de Oro | Red neuronal + Razonamiento lógico |
| Promedio Humano (Participante IMO) | 25.9 | Medallista de Oro | Intuición + Deducción |
| Sistema Basado en Reglas (Anterior a IA) | 10 | Principiante | Búsqueda por fuerza bruta |
*Fuente: Trinh, T. H., et al. (2024). [Nature.](https://www.nature.com/articles/s41586-023-06747-5)*
Sin embargo, toda la información sobre el desempeño de estas IAs en el IMO es altamente controvertida por formar parte de la competición publicitaria entre las empresas de IA. Esta [noticia del país](https://elpais.com/ciencia/2026-03-22/como-los-gigantes-de-la-ia-intentaron-tomar-al-asalto-el-ultimo-reducto-de-la-mente-humana-las-olimpiadas-matematicas.html?ssm=TW_CC) desmiente las pretensiones de las diferentes soluciones presentadas en la IMO
Este avance es crucial para los docentes: demuestra que la IA ya puede realizar el paso más difícil de la matemática: **la demostración de teoremas**, que requiere una visión estratégica del problema, no solo seguir algoritmos.
##### Superando los límites humanos: FunSearch y el problema de los conjuntos "Cap Set"
A finales de 2023, se publicó un avance significativo en combinatoria. Un sistema llamado [**FunSearch**](https://deepmind.google/blog/funsearch-making-new-discoveries-in-mathematical-sciences-using-large-language-models/) logró encontrar una solución al **problema de los conjuntos cap set**, un enigma matemático sobre cómo encontrar el conjunto más grande de puntos en una cuadrícula donde no hay tres puntos en línea recta.
Lo asombroso no es solo que la IA encontró una solución, sino que la solución era **un algoritmo que ningún humano había escrito antes**. A diferencia de otros sistemas "caja negra", FunSearch escribe código matemático que los humanos podemos leer y entender.
##### El descubrimiento de algoritmos de computación (AlphaTensor)
La multiplicación de matrices es la operación matemática fundamental que sustenta casi toda la informática moderna (desde los gráficos de videojuegos hasta la propia IA). Durante 50 años, los matemáticos buscaron formas más eficientes de multiplicar matrices más allá del método estándar.
En 2022, DeepMind presentó [**AlphaTensor**](https://deepmind.google/blog/discovering-novel-algorithms-with-alphatensor/). Utilizando aprendizaje por refuerzo, la IA descubrió un algoritmo para multiplicar matrices que es más rápido que cualquier método descubierto por humanos en medio siglo.
| **Método** | **Operaciones de multiplicación requeridas** | **Año de descubrimiento** | **Descubridor** |
| Método Escolar Estándar | 64 | Clásico | Humano |
| Algoritmo de Strassen | 49 | 1969 | Humano |
| **Algoritmo AlphaTensor** | **47** | **2022** | **IA (DeepMind)** |
Dados el elevadísimo número de operaciones de este tipo que se realizan en computación, un algorritmo más eficiente contribuye a disminuir la huella de carbono del uso de software.
#### Reflexión pedagógica
¿Significa todo esto que ya no debemos enseñar a calcular o a demostrar? Al contrario. Desde una perspectiva CTS, el ciudadano del futuro debe entender la lógica que subyace a estos sistemas para no ser un mero usuario pasivo. Necesitamos matemáticos capaces de **formular las preguntas correctas** que la IA debe procesar, con capacidad para priorizar y focalizar la atención de la fuerza bruta de la IA.
# 4.3 Influencia de la IA en el desarrollo de la física
En este apartado exploraremos cómo la IA está impulsando el desarrollo de la física, actuando como un puente entre la teoría matemática y la realidad empírica
##### La Revolución de los Materiales: El Proyecto GNoME
Uno de los mayores retos de la física de la materia condensada ha sido predecir qué combinaciones de elementos formarán materiales estables. Tradicionalmente, esto requería años de experimentación de "ensayo y error" en el laboratorio.
En 2023, investigadores de Google DeepMind publicaron un estudio sobre **GNoME (Graph Networks for Materials Exploration)**. Esta IA ha predicho la estabilidad de **2,2 millones de nuevas estructuras de cristales**, lo que equivale a casi 800 años de conocimiento acumulado en un solo movimiento.
- **¿Por qué es importante?** Estos nuevos materiales son la base para crear baterías más eficientes, superconductores y chips de computadora más rápidos.
- **Dato de impacto:** De esas predicciones, 736 materiales ya han sido creados de forma independiente en laboratorios experimentales, confirmando la precisión de la IA.
| **Metodología** | **Materiales Conocidos (aprox.)** | **Nuevas Predicciones Estables (GNoME)** | **Factor de Crecimiento** |
| Historia de la Ciencia (hasta 2023) | 48,000 | - | 1x |
| IA (DeepMind, 2023) | - | 381,000 (estabilidad extrema) | ~8x |
**Referencia:** Merchant, A., et al. (2023). [*Scaling deep learning for materials discovery*](https://www.nature.com/articles/s41586-023-06735-9). Nature, 624(7990), 80-85.
##### Visualizando lo Invisible: El Telescopio del Horizonte de Sucesos (EHT)
La física astrofísica nos regaló en 2019 la primera imagen de un agujero negro. Sin embargo, obtener esa imagen no fue como sacar una fotografía convencional. Los telescopios terrestres están esparcidos por el globo, dejando grandes "huecos" en los datos recibidos.
Para obtener la imagen de **Sagitario A\*** (el agujero negro en el centro de nuestra galaxia), se utilizó un algoritmo llamado **PRIMO**. Esta IA "aprendió" cómo deberían ser los agujeros negros basados en miles de simulaciones físicas y luego rellenó los huecos de los datos faltantes con una precisión asombrosa.
[Medeiros, L., et al. (2023). *The Image of the M87 Black Hole Reconstructed with PRIMO*. The Astrophysical Journal Letters, 947(1).](https://iopscience.iop.org/article/10.3847/2041-8213/acc32d)
##### El CERN: En busca de la "Aguja en el Pajar"
En el Gran Colisionador de Hadrones (LHC), se producen millones de colisiones de partículas por segundo. Es físicamente imposible para los seres humanos, o incluso para ordenadores tradicionales, analizar toda esa información en tiempo real.
La IA se utiliza para el **filtrado de datos (triggering)**. Los modelos de aprendizaje profundo identifican patrones que sugieren la presencia de partículas raras, como el Bosón de Higgs o candidatos a materia oscura, descartando el "ruido" de fondo. Es decir, se emplea la IA para decidir que colisiones analizar y cuales no.
##### Fusión Nuclear: Domando la Energía de las Estrellas
La fusión nuclear promete energía limpia casi ilimitada. El mayor desafío es contener el plasma (gas a millones de grados) dentro de un reactor llamado **Tokamak** mediante campos magnéticos. Si el plasma toca las paredes del reactor, se enfría y la reacción se detiene.
En 2022, en colaboración con el Centro de Plasma de la EPFL (Suiza), DeepMind desarrolló una IA basada en **aprendizaje por refuerzo profundo** que pudo controlar las bobinas magnéticas del reactor para dar forma y mantener el plasma de manera estable. La IA aprendió a hacer ajustes en microsegundos, algo que ningún operador humano podría realizar.
[Degrave, J., et al. (2022). *Magnetic control of tokamak plasmas through deep reinforcement learning*. Nature, 602, 414–419.](https://www.nature.com/articles/s41586-021-04301-9)
# 4.4 Influencia de la IA en el desarrollo de la Química.
#### Influencia de la IA en el desarrollo de la Química.
En química, pasamos de la física de las partículas individuales al estudio de los **sistemas moleculares**. La química es el nivel donde emergen propiedades nuevas (como la acidez, la toxicidad o la capacidad catalítica) que no existen en los átomos aislados.
La IA ha impulsado la transformación, ya en marcha desde hace décadas, hacia una **química predictiva y generativa**, permitiéndonos navegar por el "espacio químico" (el conjunto de todas las moléculas posibles), que es vasto y casi infinito.
Históricamente, descubrir un nuevo material o fármaco tomaba en torno a unos 10-15 años y tenía un costo de miles de millones de euros. La IA está reduciendo estos tiempos de forma drástica al predecir cómo reaccionarán las moléculas antes siquiera de mezclarlas en un tubo de ensayo. No elimina las fases de los ensayos pero si permite explorar diferentes posibilidades y podar algunas poco esperanzadoras.
##### El Descubrimiento de Nuevos Antibióticos: El caso de la *Halicina*
Uno de los mayores retos de la medicina actual es la resistencia a los antibióticos. En 2020, investigadores del MIT utilizaron un modelo de aprendizaje profundo para analizar más de 100 millones de compuestos químicos en pocos días.
La IA identificó una molécula, a la que llamaron **Halicina** (en honor a la IA *HAL 9000*), que tiene una estructura química muy distinta a cualquier antibiótico conocido. Lo más impresionante es que la Halicina resultó ser eficaz contra bacterias que ya eran resistentes a todos los fármacos convencionales.
**Eficiencia en el cribado de compuestos para antibióticos**
| **Método de Investigación** | **Compuestos analizados** | **Tiempo requerido** | **Resultado** |
| Cribado Experimental Humano | ~varios miles | Meses / Años | Éxito limitado por coste |
| **Cribado por IA (Deep Learning)** | **>100 millones** | **4 días** | **Descubrimiento de Halicina** |
*Fuente: [Stokes, J. M., et al. (2020). Cell.](https://pubmed.ncbi.nlm.nih.gov/32084340/)*
##### Química Sostenible.
Uno de los campos de aplicación más prometedores es la busqueda de compuestos y materiales que permitan una mejora de nuestra gestión de los problemas medioambientales. Veamos algunos ejemplos.
**El Fin de los Plásticos Eternos: La enzima "FAST-PETase".**
El polietileno tereftalato (PET) es el plástico de las botellas que tarda siglos en degradarse. En 2022, investigadores de la Universidad de Texas en Austin utilizaron un modelo de IA para diseñar una enzima capaz de degradar algunos plásticos en cuestión de horas o días, incluso a temperaturas bajas.
La IA analizó miles de variaciones posibles en la estructura de una enzima natural (la *PETasa*) para encontrar la configuración más estable y eficiente. El resultado, bautizado como **FAST-PETase**, puede descomponer plásticos post-consumo en sus componentes químicos originales (monómeros), permitiendo un reciclaje infinito y perfecto.
**Eficiencia de degradación de PET (IA vs. Métodos Naturales).**
| **Sistema de Degradación** | **Tiempo de degradación** | **Temperatura necesaria** | **Eficiencia de despolimerización** |
| Bacterias naturales (*I. sakaiensis*) | Semanas / Meses | ~30°C | Muy baja |
| Enzimas de ingeniería previa | Días | >70°C | Moderada (poca estabilidad) |
| **FAST-PETase (Diseñada por IA)** | **24 a 48 horas** | **<50°C** | **90% - 100%** |
*Fuente: [Lu, H., et al. (2022). Nature](https://www.nature.com/articles/s41586-022-04599-z).*
**Captura de Carbono con Redes Metal-Orgánicas (MOFs).**
Para frenar el cambio climático, no basta con dejar de emitir CO2, necesitamos eliminarlo de la atmósfera capturándolo. Sin embargo, los filtros actuales son caros y consumen mucha energía.
Aquí entra la IA para diseñar **MOFs (Metal-Organic Frameworks)**: estructuras cristalinas ultra-porosas que actúan como "esponjas" moleculares. Un solo gramo de un MOF bien diseñado puede tener una superficie interna enorme.
> The Rise of Generative AI for Metal–Organic Framework Design and Synthesis
>
> 1\. This perspective article explores how generative artificial intelligence (GenAI) is transforming the design and discovery of metal–organic frameworks (MOFs), shifting from laborious enumeration to… [pic.twitter.com/rC8F9vpbuj](https://t.co/rC8F9vpbuj)
>
> — Biology+AI Daily (@BiologyAIDaily) [August 20, 2025](https://twitter.com/BiologyAIDaily/status/1958131981340070046?ref_src=twsrc%5Etfw)
**Sustitución de disolventes Tóxicos**
Muchos procesos químicos industriales requieren disolventes que son inflamables o cancerígenos. La IA está ayudando a diseñar **Eutécticos Profundos (DES)** y líquidos iónicos: "solventes a medida" que son biodegradables y no tóxicos.
Mediante el uso de modelos predictivos de aprendizaje automático (Machine Learning), los químicos pueden predecir la toxicidad y el punto de fusión de mezclas químicas antes de fabricarlas, asegurando que el proceso industrial sea seguro para los trabajadores y el medio ambiente.
#### Predicción de Estructuras: Más allá de AlphaFold
Aunque AlphaFold es famoso por las proteínas (biología), su base es puramente química: predecir la posición de los átomos en el espacio basándose en sus interacciones electroquímicas. Esta misma lógica se está aplicando es la que se ha empleado para predecir la estructura de **redes metal-orgánicas (MOFs)**, que son materiales "esponja" capaces de almacenar hidrógeno o filtrar agua contaminada, pero puede servir para cualquier otra molécula, se ha simplificado mucho los cálculos de geometría molecular a partir de la molécula y sus enlaces.
Para saber más: Puedes seguir esta [cuenta de X](https://x.com/BiologyAIDaily) que informa de noticias relacionadas con biología e IA
# 4.5 Influencia de la IA en el desarrollo de la Biología
#### El Hito de AlphaFold: Resolviendo el "Puzle de 50 Años"
Las proteínas son las piezas estructurales que hacen que la vida funcione (hemoglobina para el oxígeno, colágeno para la piel, enzimas para la digestión). Su función depende totalmente de su forma tridimensional. Durante décadas, determinar la forma de una sola proteína podía costar años de trabajo y millones de dólares en laboratorios de rayos X.
En 2021, la IA **AlphaFold 2** de Google DeepMind logró predecir la estructura de casi todas las proteínas conocidas por la ciencia (más de 200 millones).
- **Impacto científico:** Ha acelerado la investigación biológica en décadas. Ahora, un científico puede conocer la forma de una proteína en minutos desde su ordenador.
- **Dato de impacto:** Antes de la IA, solo conocíamos la estructura del 17% de las proteínas humanas. AlphaFold elevó esa cifra a casi el 100% con alta confianza.
| **Método de Resolución** | **Tiempo estimado por proteína** | **Proteínas conocidas (2020)** | **Proteínas conocidas (2024)** |
| Experimental (Rayos X/Crio-EM) | Meses o años | ~180,000 | ~200,000 |
| Inteligencia Artificial (AlphaFold) | Minutos | - | >200,000,000 |
[**Referencia:** Jumper, J., et al. (2021). *Highly accurate protein structure prediction with AlphaFold*. Nature, 596(7873), 583-589.](https://www.nature.com/articles/s41586-021-03819-2)
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Z9limage.png)
#### Diseño de Proteínas: Inventando la Biología del Futuro
Si AlphaFold nos permite *leer* la naturaleza, herramientas como **ProteinMPNN** o **RFdiffusion** (desarrolladas en parte por el Nobel David Baker) nos permiten *escribirla*. Los científicos ahora pueden pedirle a una IA que diseñe una proteína que no existe en la naturaleza para una función específica: atrapar un virus, degradar plástico o actuar como un sensor de contaminación.
- **¿Por qué es importante?** Estamos pasando de una biología descriptiva (observar lo que hay) a una biología de diseño (crear soluciones biológicas a problemas humanos).
[**Referencia:** Watson, J. L., et al. (2023). *De novo design of protein structure and function with RFdiffusion*. Nature, 620(7976), 1089-1100.](https://www.nature.com/articles/s41586-023-06415-8)
[](https://libros.catedu.es/uploads/images/gallery/2026-03/qnXimage.png)
#### Riesgos y oportunidades.
El uso de IA en biología, como en el resto de disciplinas científcas plantea riesgos y oportunidades. AlphaFold es una herramienta de "Ciencia Abierta" que ha democratizado el acceso a datos que antes solo tenían los laboratorios más ricos. Sin embargo, el diseño de proteínas *de novo* plantea riesgos de bioseguridad que los ciudadanos deben conocer.
# 4.6 Influencia de la IA en el desarrollo de la Geología
#### Sismología: Escuchar el Interior de la Tierra
Tradicionalmente, detectar y localizar terremotos dependía de analistas humanos que revisaban sismogramas. Con el aumento de sensores, el volumen de datos es abrumador.
En 2020, investigadores de la Universidad de Stanford desarrollaron **EQTransformer**, un modelo de IA basado en redes neuronales (similares a las que procesan el lenguaje) que puede detectar terremotos tan pequeños que antes eran indistinguibles del ruido de la ciudad o el viento.
- **Impacto:** Permite crear mapas mucho más precisos de las fallas geológicas y mejorar los sistemas de alerta temprana.
- **Dato de interés:** En un estudio en el sur de California, la IA detectó **10 veces más eventos sísmicos** que los catálogos manuales tradicionales.
R**eferencia:** Mousavi, S. M., et al. (2020). [*Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking*](https://www.nature.com/articles/s41467-020-17591-w). Nature Communications, 11(1), 3952.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Mxdimage.png)
#### Predicción de Riesgos Volcánicos
Predecir cuándo entrará en erupción un volcán es uno de los problemas más complejos de la geología. La IA está ayudando a analizar imágenes de satélite (InSAR) que miden cómo se infla o deforma el suelo de un volcán debido al movimiento del magma.
Un estudio publicado en *Scientific Reports* demostró que algoritmos de aprendizaje profundo pueden identificar patrones de deformación volcánica en miles de volcanes simultáneamente, algo imposible para un equipo humano de vulcanólogos.
**Referencia:** Anantrasirichai, N., et al. (2018). [*Detecting volcanic ground deformation in sentinel-1 interferometric radar stacks with convolutional neural networks*](https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2018JB015911). Journal of Volcanology and Geothermal Research.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/jgrb52977-fig-0005-m.jpg)
# 5. Aplicaciones educativas de IA en el ámbito científico
# 5.1 Aplicaciones generales de la IA generativa en asignaturas de ciencias
La inteligencia artificial generativa está transformando la enseñanza de las ciencias al permitir integrar en un mismo entorno procesos que tradicionalmente estaban separados: la explicación de contenidos, la generación de actividades, la simulación de fenómenos, el análisis de datos y la evaluación. En materias como matemáticas, biología, física, química, geología o tecnología, esto supone una oportunidad para trabajar de forma más cercana a la práctica científica real, donde el conocimiento no se limita a memorizar, sino a analizar, interpretar y aplicar.
La IA no debe entenderse únicamente como una herramienta que “da respuestas”, sino como un sistema que ayuda a estructurar el pensamiento, explorar alternativas y mejorar materiales. Su uso permite al profesorado diseñar experiencias más ricas, mientras que facilita la adaptación de contenidos a distintos niveles y contextos.
Antes de ver cada uso dejamos una tabla resumen
### 🧠 Usos de la IA en la enseñanza de las ciencias
| Uso de la IA | Qué permite hacer | Aplicación en el aula de ciencias |
|---|
| 🧩 **Generación estructurada de actividades** | Crear ejercicios a partir de plantillas reutilizables y adaptables | Problemas de matemáticas, ejercicios de física, actividades de biología con distintos niveles |
| 🔄 **Reutilización y mejora de materiales** | Adaptar, simplificar o enriquecer actividades existentes | Transformar ejercicios tradicionales en actividades competenciales o más claras |
| 📄 **Interpretación de información científica** | Analizar textos, artículos e informes técnicos | Comprensión de artículos científicos, análisis de resultados y metodologías |
| 🎨 **Generación de contenidos multimedia** | Crear esquemas, diagramas y representaciones visuales | Explicación de procesos biológicos, fenómenos físicos o modelos conceptuales |
| 🎮 **Gamificación y escenarios** | Generar situaciones abiertas y dinámicas de juego | Resolución de problemas científicos en contextos simulados o toma de decisiones |
| 🔬 **Simulación de fenómenos** | Representar cambios en sistemas y relaciones entre variables | Comprensión de procesos físicos, químicos o biológicos sin laboratorio |
| 📊 **Evaluación y análisis del aprendizaje** | Crear pruebas, rúbricas y analizar resultados | Evaluación formativa, detección de errores y seguimiento del progreso |
| ♿ **Accesibilidad y adaptación** | Convertir contenidos a distintos formatos (audio, texto…) | Inclusión, aprendizaje autónomo y adaptación a diferentes necesidades |
| 🎭 **Avatares y contextualización** | Crear narradores o asistentes virtuales | Explicación contextualizada (histórica o científica) y aprendizaje más cercano |
| 🔄 **Aprendizaje interactivo (preguntar y aprender)** | Generar preguntas, corregir respuestas y adaptar el nivel | Repaso activo, simulación de examen, tutor personalizado en tiempo real |
| 🧠 **Entrenamiento y evaluación de modelos de ML** | Crear, entrenar y probar modelos de aprendizaje automático con datos | Clasificación de datos científicos, predicción de resultados, introducción práctica al machine learning |
| ⚙️ **Automatización de tareas** | Automatizar procesos educativos como generación de contenidos, corrección o gestión de información | Optimización del trabajo docente, generación automática de actividades, corrección y seguimiento del alumnado |
### Aprendizaje interactivo (preguntar y aprender)
Los chatbots actuales permiten trabajar el repaso en el aula mediante un enfoque activo basado en el diálogo. En lugar de limitarse a leer o memorizar, el alumnado interactúa con la IA formulando preguntas y recibiendo retroalimentación inmediata, lo que favorece la comprensión y la consolidación de contenidos.
Este enfoque es especialmente útil en ciencias, ya que permite practicar conceptos, resolver dudas al momento y enfrentarse a situaciones similares a las de un examen.
La IA puede ayudar a:
- generar preguntas tipo test o de desarrollo
- plantear casos prácticos paso a paso
- corregir respuestas y explicar errores
- adaptar el nivel de dificultad según el alumno
Además, permite simular un tutor personalizado que guía el aprendizaje, proponiendo nuevas preguntas en función del rendimiento y reforzando los puntos débiles. Esto convierte el repaso en una actividad dinámica, continua y adaptativa, facilitando una participación más activa del alumnado.
### Entrenamiento y evaluación de modelos de Machine Learning
Las herramientas actuales permiten introducir al alumnado en el funcionamiento del aprendizaje automático mediante la creación y evaluación de modelos sencillos. En lugar de limitarse a usar la IA como usuario final, el alumnado pasa a comprender cómo se construyen los modelos a partir de datos, cómo aprenden y cómo se evalúan sus resultados.
Este enfoque es especialmente útil en ciencias, ya que conecta directamente con el análisis de datos, la formulación de hipótesis y la interpretación de resultados, acercando el aula a prácticas propias de la investigación científica.
La IA puede ayudar a:
- crear modelos de clasificación a partir de datos (imágenes, texto, valores numéricos)
- entrenar modelos con distintos conjuntos de datosç
- evaluar la precisión y el rendimiento de los modelos
- analizar errores y mejorar los resultados
Además, permite trabajar conceptos clave como la relación entre datos y resultados, la importancia de la calidad del dataset o la interpretación de predicciones. Esto facilita que el alumnado entienda la IA no como una “caja negra”, sino como un sistema que puede analizarse, ajustarse y mejorarse.
### Automatización de tareas con IA
Las herramientas actuales permiten automatizar procesos repetitivos relacionados con la enseñanza y el aprendizaje, integrando la IA en flujos de trabajo que ahorran tiempo y mejoran la eficiencia. Esto permite al profesorado centrarse en tareas de mayor valor pedagógico, mientras que muchas acciones rutinarias pueden realizarse de forma automática.
Este enfoque es especialmente útil en ciencias, donde se trabaja con gran cantidad de información, actividades y evaluaciones que pueden gestionarse de forma más ágil mediante automatización.
La IA puede ayudar a:
- generar actividades o materiales de forma automática a partir de un tema
- corregir ejercicios y proporcionar retroalimentación inmediata
- organizar contenidos y crear resúmenes o esquemas
- integrar datos de distintas fuentes y generar informes
Además, permite crear flujos automatizados donde diferentes herramientas se conectan entre sí (por ejemplo, generación de contenido + envío al alumnado + recogida de respuestas), facilitando una gestión más eficiente del aula y del aprendizaje. Esto convierte la IA en un apoyo continuo que optimiza tanto la preparación como el seguimiento de las actividades.
### Conclusión
La inteligencia artificial generativa permite evolucionar la enseñanza de las ciencias hacia un modelo más flexible, donde los contenidos pueden generarse, adaptarse y analizarse de forma continua. Su mayor valor no está en sustituir el trabajo docente, sino en ampliarlo, permitiendo reutilizar materiales, mejorarlos y adaptarlos a distintas situaciones.
De este modo, se favorece un aprendizaje más activo, personalizado y orientado al desarrollo del pensamiento científico, acercando el aula a los procesos reales de investigación y análisis.
### Herramientas no-code recomendadas
Además de las numerosas herramientas específicas orientadas a la ciencia a las que haremos referencia en la siguientes secciones, indicamos en la siguiente tabla herramientas de carácter general que pueden servir igualmente para las aplicaciones mencionadas
### 🧠 Herramientas de IA aplicadas a Ciencias
| Herramienta | Tipo | Qué permite hacer | Aplicación en ciencias |
|---|
| 🤖 **ChatGPT (Custom GPTs)** | IA generativa | Crear asistentes personalizados, generar y mejorar actividades, interpretar textos e imágenes | Diseño de actividades, análisis de problemas, adaptación de contenidos |
| 🧾 **Claude (Projects)** | IA generativa | Trabajo con documentos largos, análisis profundo y contexto persistente entre sesiones | Interpretación de artículos científicos, síntesis de investigaciones |
| 🌐 **Gemini (Gems + Drive)** | IA multimodal | Integración con documentos, hojas de cálculo e imágenes en Google Drive | Análisis de gráficos, tratamiento de datos, creación de materiales didácticos |
| 🎨 **Genially** | Interactivo | Creación de contenidos visuales, presentaciones y recursos gamificados | Infografías científicas, juegos educativos, simulaciones |
| 🧪 **Teachable Machine** | IA no-code | Entrenamiento de modelos de IA sin programación (imagen, sonido, pose) | Introducción práctica a IA, clasificación de elementos científicos |
| 🧠 **ML4Kids** | Machine Learning educativo | Creación de modelos de IA sencillos mediante bloques (clasificación de texto, imágenes, números) | Aprendizaje de ML en niveles básicos, proyectos de clasificación científica |
| 🍊 **Orange (Orange Data Mining)** | Machine Learning visual | Análisis de datos mediante flujos visuales (drag & drop), modelos de ML y visualización | Análisis de datos científicos, clustering, predicción y experimentación con datasets |
| Icono | Herramienta / Modo | Qué permite hacer | Aplicación en el aula |
|---|
| 🤖 | ChatGPT (investigación avanzada / deep research) | Buscar, sintetizar información y generar informes estructurados | Investigación guiada, análisis de temas complejos |
| 🧠 | Claude (Projects) | Trabajar con documentos largos y analizarlos en profundidad | Interpretación de artículos científicos |
| 🔵 | Gemini (con Drive) | Analizar documentos, gráficos e imágenes | Investigación con materiales propios del aula |
| 🔎 | Perplexity AI | Combina búsqueda web con síntesis y referencias | Contraste de información y verificación |
| 📄 | Elicit | Analizar papers y extraer conclusiones clave | Introducción a literatura científica |
| 📚 | NotebookLM | Organizar y analizar información subida por el usuario | Investigación basada en documentos propios |
| ⚡ | Jina AI | Procesamiento y búsqueda avanzada de información estructurada | Análisis de datos y recuperación de información técnica |
| 💻 | Phind | Búsqueda técnica orientada a resolución de problemas | Investigación en temas científicos y tecnológicos |
### Conclusión
El *deep research* apoyado por inteligencia artificial permite evolucionar hacia un modelo de enseñanza más cercano a la práctica científica real. Facilita trabajar con información compleja, desarrollar el pensamiento crítico y fomentar la autonomía del alumnado.
Su mayor valor no está en obtener respuestas rápidas, sino en enseñar a investigar, analizar y comprender. En un contexto donde la información es abundante, la capacidad de interpretarla correctamente se convierte en una competencia esencial.
# 5.3 Casos de uso en Biología y Geología
La inteligencia artificial generativa introduce nuevas formas de trabajar en Biología y Geología al permitir combinar explicación, análisis, simulación y generación de materiales dentro de un mismo entorno. Estas herramientas no solo facilitan la creación de contenidos, sino que permiten aproximarse a cómo se trabaja realmente en ciencia: interpretando datos, analizando información, modelizando procesos y formulando hipótesis. En estas materias, la IA resulta especialmente útil porque muchos contenidos implican procesos complejos, dinámicos o no observables directamente, como el funcionamiento celular, la evolución, los ecosistemas o los cambios geológicos. La IA permite representar, simplificar y explorar estos procesos, favoreciendo una comprensión más profunda.
### Principales casos de uso
#### Generación y adaptación de contenidos biológicos y geológicos
La IA permite crear materiales didácticos estructurados y adaptados al nivel del alumnado, facilitando la explicación de conceptos complejos y la generación de actividades variadas. Puede utilizarse para explicar procesos como el metabolismo, la genética o la dinámica de los ecosistemas, así como para crear esquemas comparativos o actividades de clasificación. Además, permite adaptar un mismo contenido a distintos niveles o enfoques, lo que resulta especialmente útil en contextos con diversidad de alumnado. Un posible enfoque sería: “Explica un proceso biológico incluyendo definición, esquema y aplicación práctica”.
#### Interpretación de información científica y artículos
La IA facilita trabajar con textos científicos reales, ayudando al alumnado a comprenderlos sin perder rigor. Esto permite introducir progresivamente la lectura científica en el aula, algo clave en estas materias. Puede resumir artículos, explicar conceptos complejos, identificar resultados y generar preguntas de análisis. De este modo, el alumnado no solo recibe información, sino que aprende a interpretarla. Un ejemplo de orientación sería: “Resume este texto científico y explica sus resultados de forma comprensible”.
#### Generación y mejora de actividades a partir de otras existentes
Una de las aplicaciones más útiles es la posibilidad de reutilizar y mejorar actividades ya diseñadas. La IA permite transformar materiales existentes en nuevas versiones más claras, adaptadas o contextualizadas. Esto incluye generar variantes de ejercicios de genética, simplificar actividades complejas o enriquecer tareas con nuevas preguntas. También permite convertir ejercicios tradicionales en actividades más aplicadas o cercanas a situaciones reales. Un posible uso sería: “Genera nuevas versiones de esta actividad cambiando el contexto o aumentando la dificultad”.
#### Gamificación y generación de retos científicos
La IA permite diseñar dinámicas de aprendizaje basadas en retos o situaciones abiertas sin necesidad de prepararlas manualmente. En Biología y Geología esto puede aplicarse a la identificación de organismos, la clasificación de especies o la resolución de problemas relacionados con genética o ecología. Este enfoque favorece la participación activa del alumnado y el desarrollo del razonamiento. Un ejemplo sería: “Plantea un reto donde el alumnado deba identificar un organismo a partir de sus características”.
#### Simulación de procesos biológicos y geológicos
Las simulaciones conceptuales permiten comprender fenómenos dinámicos que no se pueden observar directamente. La IA puede describir cómo evolucionan poblaciones, cómo cambia un ecosistema o cómo se producen determinados procesos geológicos. Esto facilita entender relaciones entre variables y analizar causas y consecuencias. Aunque no sustituye a la experimentación real, sí permite preparar o reforzar el aprendizaje. Un enfoque típico sería: “Describe cómo cambia un ecosistema cuando varía una de sus condiciones”.
#### Análisis de datos experimentales
La IA permite trabajar con datos reales o simulados, ayudando a interpretarlos y extraer conclusiones. En Biología y Geología esto es especialmente relevante en experimentos relacionados con crecimiento de organismos, variables ambientales o análisis de poblaciones. El alumnado puede introducir datos y recibir una interpretación estructurada que le ayude a comprender qué está ocurriendo. Un ejemplo sería: “Analiza estos datos experimentales e indica qué conclusiones se pueden extraer”.
#### Introducción al aprendizaje automático en contextos científicos
El uso de herramientas sencillas permite introducir cómo funcionan los sistemas de inteligencia artificial dentro de un contexto científico. Esto puede aplicarse a la clasificación de organismos, la identificación de células o el reconocimiento de patrones. Además, permite reflexionar sobre los errores del modelo y comprender cómo aprende a partir de datos. Este enfoque conecta directamente con el método científico y el análisis crítico. Un ejemplo sería: “Explica cómo un modelo puede aprender a diferenciar dos tipos de células”.
#### Análisis crítico de artículos científicos y divulgativos
Más allá de la comprensión, la IA permite trabajar la capacidad de interpretar y cuestionar información científica procedente tanto de medios especializados como generalistas. Esto es especialmente importante en un contexto donde abundan noticias sobre genética, cambio climático o salud. La IA puede ayudar a identificar si las conclusiones están justificadas, detectar simplificaciones excesivas o analizar el uso de datos. Este enfoque favorece el pensamiento crítico y la alfabetización científica. Un posible uso sería: “Analiza este artículo de divulgación científica e indica si las conclusiones están bien fundamentadas en los datos presentados”.
### Conclusión
La inteligencia artificial en Biología y Geología no solo facilita la creación de materiales, sino que permite trabajar de forma más cercana al método científico real. Su uso favorece la interpretación de datos, la comprensión de procesos complejos y la generación de actividades más dinámicas y adaptadas. Además, su capacidad para reutilizar, mejorar y transformar actividades existentes la convierte en una herramienta especialmente valiosa para el profesorado, permitiendo ampliar recursos sin aumentar la carga de trabajo.
### Herramientas recomendadas
| Herramienta | Tipo | Qué permite hacer | Aplicación |
|---|
| Machine Learning for Kids | IA no-code | Entrenar modelos de clasificación (imágenes, texto) | Clasificación de células, organismos, estructuras |
| Teachable Machine | IA no-code | Crear modelos de reconocimiento visual o sonoro | Identificación de especies o patrones |
| BioRender | Visualización científica | Crear diagramas biológicos profesionales | Esquemas de células, procesos y sistemas |
| Earth.nullschool (u otras similares) | Visualización geológica/climática | Visualizar datos de clima y Tierra en tiempo real | Dinámica atmosférica, corrientes, clima |
| PhET Simulations | Simulación científica | Simulaciones interactivas de fenómenos científicos | Procesos biológicos, físicos y químicos |
| Herramienta | Tipo | Qué permite hacer | Aplicación |
|---|
| PhET Simulations | Simulación científica | Simulaciones interactivas de fenómenos físicos y químicos | Movimiento, energía, reacciones |
| GeoGebra | Matemático/físico | Representación gráfica y análisis de funciones | Gráficas de movimiento, análisis de datos |
| ChemCollective | Simulación química | Laboratorio virtual de química | Reacciones, disoluciones |
| Machine Learning for Kids | IA no-code | Entrenamiento de modelos de clasificación | Clasificación de reacciones, análisis de patrones |
| ChatGPT / Gemini | IA generativa | Generación de problemas, explicaciones y análisis | Actividades, simulaciones conceptuales |
Uno de los usos más interesantes de la inteligencia artificial en Física es la posibilidad de simular sistemas complejos a partir de ecuaciones y variables, permitiendo al alumnado comprender fenómenos dinámicos que no son fácilmente observables en el aula. El movimiento de los planetas es un ejemplo especialmente adecuado, ya que combina conceptos de gravitación, movimiento circular, leyes de Kepler y representación matemática.
La IA puede utilizarse como herramienta para guiar el proceso completo: desde la comprensión conceptual hasta la generación de datos y su interpretación gráfica. No se trata solo de obtener resultados, sino de explorar cómo cambian los sistemas al modificar condiciones iniciales.
#### Enfoque del caso de uso
El objetivo no es únicamente “ver” el movimiento planetario, sino entender:
- qué ecuaciones lo describen
- cómo influyen las variables (masa, distancia, velocidad)
- qué patrones aparecen en el movimiento
- movimiento elíptico
- relación entre periodo y distancia
- fuerza gravitatoria como causa del movimiento
- parametrización del movimiento
- relación entre tiempo y posición
- interpretación de trayectorias
- forma elíptica
- posición del foco (Sol)
- variación de velocidad en la órbita
- relación entre velocidad y tipo de órbita
- estabilidad del sistema
- conceptos como escape o caída hacia el Sol
- leyes de Kepler
- gravitación universal
- conservación de la energía
---
- comprensión de modelos físicos
- uso de ecuaciones en contextos reales
- interpretación de datos
- pensamiento científico y formulación de hipótesis
La simulación del movimiento de los planetas mediante IA no solo permite visualizar un fenómeno complejo, sino comprenderlo desde distintos enfoques: conceptual, matemático y experimental. La combinación de prompts, generación de datos y visualización convierte a la IA en una herramienta que no solo explica, sino que permite explorar y experimentar, acercando al alumnado a una forma más auténtica de hacer ciencia.
# 5.5 Casos de uso en Matemáticas
La inteligencia artificial generativa permite transformar la enseñanza de las matemáticas al integrar en un mismo entorno la resolución de problemas, la visualización gráfica, el análisis de datos y la modelización. En 1º de Bachillerato, donde los contenidos adquieren mayor nivel de abstracción, la IA puede actuar como un apoyo clave para conectar el lenguaje algebraico con su interpretación gráfica y su aplicación en contextos reales.
Más allá de automatizar cálculos, la IA permite trabajar el razonamiento matemático, la interpretación de resultados y la exploración de modelos, acercando al alumnado a una forma más aplicada y comprensiva de las matemáticas.
Vamos a ver los principales casos de uso
### Generación de problemas matemáticos estructurados
La IA permite crear ejercicios de forma automática manteniendo una estructura clara: enunciado, resolución e interpretación. Esto es especialmente útil en funciones, ecuaciones o derivadas, donde la práctica es esencial.
El ejemplo de funciones cuadráticas es especialmente adecuado porque no se limita a resolver la ecuación, sino que introduce la interpretación del vértice como máximo o mínimo, conectando álgebra y geometría. Este tipo de enfoque es clave para evitar un aprendizaje puramente mecánico.
Un posible uso sería:
> “Genera problemas matemáticos incluyendo resolución paso a paso e interpretación gráfica”
### Explicación conceptual de contenidos matemáticos
La IA permite explicar conceptos abstractos utilizando distintas representaciones: geométrica, numérica y aplicada. Esto resulta especialmente útil en contenidos como derivadas, límites o funciones.
El ejemplo de la derivada es representativo porque combina interpretación geométrica (pendiente) e interpretación física (velocidad), lo que facilita la comprensión. Este tipo de explicación múltiple ayuda a conectar distintos significados de un mismo concepto.
Un posible enfoque sería:
> “Explica un concepto matemático desde una perspectiva gráfica, numérica y aplicada”
### Generación y mejora de actividades existentes
La IA permite reutilizar ejercicios ya diseñados, generando variantes o adaptaciones. En matemáticas esto es especialmente útil para cambiar datos manteniendo la estructura, ajustar la dificultad o introducir nuevos contextos.
Esto permite ampliar el número de ejercicios sin perder coherencia didáctica.
Un posible uso sería:
> “Genera variantes de este problema manteniendo el mismo tipo de razonamiento”
### Gamificación del aprendizaje matemático
La IA permite crear retos progresivos y escenarios donde el alumnado debe resolver problemas para avanzar. Esto introduce una dimensión más activa y motivadora.
El ejemplo del juego de ecuaciones es sencillo pero efectivo, ya que introduce progresión de dificultad. El escape room matemático añade narrativa, lo que favorece la implicación del alumnado.
Un posible enfoque sería:
> “Diseña un conjunto de retos matemáticos con dificultad progresiva”
### Simulación de modelos matemáticos
Uno de los usos más potentes es la simulación de funciones y modelos matemáticos. Esto permite visualizar cómo cambian las variables y comprender el comportamiento de las funciones.
El ejemplo del crecimiento exponencial conecta el modelo matemático con una situación real, facilitando su comprensión.
Un posible uso sería:
> “Simula una función generando tabla de valores e interpretación gráfica”
### Análisis de datos y estadística
La IA permite trabajar con datos reales, facilitando el análisis de correlaciones y tendencias. Esto introduce al alumnado en la estadística aplicada.
El ejemplo de horas de estudio y notas es especialmente interesante porque permite discutir la diferencia entre correlación y causalidad, reforzando el pensamiento crítico.
Un posible enfoque sería:
> “Analiza estos datos e interpreta la relación entre variables”
### Introducción al aprendizaje automático en matemáticas
El uso de IA permite introducir cómo los modelos aprenden patrones matemáticos, conectando con la lógica y el razonamiento algebraico.
El ejemplo de entrenamiento con ecuaciones permite observar cómo el modelo aprende procedimientos, lo que refuerza la comprensión del proceso matemático.
Un posible uso sería:
> “Explica cómo un modelo puede aprender patrones a partir de ejemplos matemáticos”
### Visualización de fractales
La IA permite introducir conceptos matemáticos más avanzados de forma visual e intuitiva, como los fractales. Esto resulta especialmente interesante para trabajar ideas como la recursividad, la autosimilitud o los límites.
La visualización de fractales permite al alumnado observar cómo una regla matemática sencilla puede generar estructuras complejas. Además, conecta matemáticas con arte y naturaleza, lo que aumenta la motivación.
Un posible enfoque sería:
> “Explica cómo se genera un fractal a partir de una regla matemática y describe su estructura”
👉 Comentario: este tipo de uso es especialmente potente porque introduce conceptos abstractos de forma visual, facilitando su comprensión sin necesidad de formalismo excesivo.
### Interpretación crítica de artículos con datos matemáticos
La IA permite trabajar la interpretación y análisis crítico de información cuantitativa presente en medios de comunicación o artículos científicos.
Esto es especialmente relevante en un contexto donde abundan gráficos, porcentajes y estadísticas que pueden ser mal interpretados. La IA puede ayudar a detectar errores, analizar si las conclusiones están justificadas o identificar sesgos.
Un posible uso sería:
> “Analiza este artículo con datos estadísticos e indica si las conclusiones están bien fundamentadas”
👉 Comentario: este caso de uso conecta directamente con la alfabetización matemática y el pensamiento crítico, competencias clave en la sociedad actual.
### Conclusión
La inteligencia artificial permite enriquecer la enseñanza de las matemáticas al integrar cálculo, representación gráfica, análisis de datos y pensamiento crítico en un mismo proceso. Su uso facilita la generación de problemas, la simulación de modelos y la interpretación de resultados, favoreciendo un aprendizaje más completo y aplicado.
Además, permite reutilizar y mejorar actividades existentes, lo que facilita el trabajo docente y permite centrarse en el desarrollo del razonamiento matemático.
### Principales Herramientas
| Herramienta
| Tipo | Qué permite hacer | Aplicación |
|---|
| GeoGebra | Matemático | Representación gráfica y simulación de funciones | Gráficas, derivadas, análisis visual |
| Desmos | Matemático | Visualización interactiva de funciones | Exploración de modelos |
| Wolfram Alpha | Cálculo simbólico | Resolución de ecuaciones y análisis | Cálculo avanzado |
| PhET Simulations | Simulación | Modelos interactivos | Probabilidad, funciones |
| ChatGPT / Gemini | IA generativa | Generación de problemas y análisis | Actividades, interpretación |
##### **Un caso de uso: Simulación gráfica de funciones**
Un caso especialmente interesante consiste en utilizar la IA para conectar ecuaciones con su representación gráfica, permitiendo al alumnado entender cómo una expresión algebraica se traduce en una forma visual.
##### Fase 1: análisis de la función
Se parte de una función como:
[](https://libros.catedu.es/uploads/images/gallery/2026-03/jreimage.png)
Prompt:
> “Analiza la función e indica sus características principales (vértice, cortes, crecimiento)”
##### Fase 2: generación de datos
Prompt:
> “Genera una tabla de valores para esta función”
Esto permite trabajar la relación entre valores numéricos y comportamiento de la función.
##### Fase 3: representación gráfica
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Jfpimage.png)
El alumnado puede observar la forma de la parábola, su máximo y su simetría.
##### Fase 4: exploración de cambios
Prompt:
> “Explica cómo cambia la gráfica si modificamos los coeficientes”
Esto permite comprender la relación entre ecuación y forma.
##### Fase 5: interpretación
Prompt:
> “Interpreta esta función en un contexto real indicando el significado del máximo”
Este caso permite trabajar de forma integrada álgebra, representación gráfica, interpretación y modelización, facilitando una comprensión más profunda de las matemáticas.
Como ampliación del proceso, se puede incorporar una fase en la que el alumnado utilice una herramienta o aplicación web que permita modificar la función en tiempo real y observar cómo cambia su representación gráfica. Esto supone un paso más allá de la visualización estática, ya que introduce la experimentación directa con el modelo matemático.
> Para ello puede usar las opciones *Canva* de Gemini o *Lienzo* de *chatGTP* que permiten hacer, entre otras cosas, aplicaciones en diversos lenguajes de programación sin necesidad de conocimientos técnicos.
A partir de la función anterior el alumnado puede modificar los coeficientes y observar de forma inmediata:
- cómo cambia la apertura de la parábola (coeficiente *a*)
- cómo se desplaza horizontalmente (*b*)
- cómo se desplaza verticalmente (*c*)
Orientación de *prompting*:
> “Genera una página web sencilla que permita modificar los coeficientes de una función cuadrática y visualizar su gráfica en tiempo real”
👉 Comentario: esta fase es especialmente potente porque transforma la representación gráfica en una experiencia interactiva. El alumnado deja de ser un observador pasivo y pasa a experimentar directamente con la función, comprendiendo de forma más intuitiva la relación entre ecuación y gráfica.
# 5.6 Casos de uso de Tecnología
### Aplicación de la Inteligencia Artificial en Tecnología
La inteligencia artificial generativa permite transformar la enseñanza de la tecnología en un entorno más dinámico, creativo y cercano a los procesos reales de diseño e ingeniería. Su valor no se limita a generar contenido, sino que actúa como un sistema capaz de acompañar el razonamiento técnico, sugerir soluciones, interpretar información, simular comportamientos y documentar procesos.
En esta materia, la IA puede integrarse en torno a varias líneas clave: diseño tecnológico, comprensión de sistemas, simulación, documentación técnica y análisis de información. Esto permite trabajar no solo el resultado final, sino todo el proceso tecnológico.
Antes de comentar los principales caso de uso indicamos las herramientas disponibles más adecuadas para los mismos:
| Icono | Herramienta | Tipo | Qué permite hacer | Aplicación en Tecnología |
|---|
| 🧠 | **Machine Learning for Kids** | No-code IA | Crear y entrenar modelos de IA (clasificación de texto, imágenes) de forma sencilla | Introducir cómo funciona la IA, reconocer componentes, trabajar datasets |
| 🧩 | **Teachable Machine (Google)** | No-code IA | Entrenar modelos de visión, audio o poses sin programar | Clasificar objetos técnicos, reconocer piezas, introducir IA aplicada |
| 🤖 | **ChatGPT (Custom GPTs)** | IA generativa | Crear asistentes personalizados con documentos, imágenes y prompts | Generar proyectos, manuales, documentación técnica, diagnóstico por imagen |
| 🔵 | **Gemini (Gems + Drive)** | IA generativa | Trabajar con documentos, imágenes y ecosistema Google | Interpretar manuales, traducir documentación, analizar proyectos |
| 🧱 | **Tinkercad (Autodesk)** | Diseño 3D | Crear y simular diseños 3D de forma sencilla | Prototipado, diseño de piezas, introducción a impresión 3D |
| ⚙️ | **Make / Zapier** | Automatización | Automatizar flujos entre herramientas sin programar | Generar documentación automática, compartir proyectos, organizar entregas |
*Herramientas principales de aplicación de IA en Tecnología*
> #### Una herramienta para electrónicos/informáticos
>
> Esta herramienta [blueprint.am](https://www.blueprint.am/) permite hacer simulaciones de cualquier *hardware* directamente en el navegador usando un simple *prompt*
>
> [](https://libros.catedu.es/uploads/images/gallery/2026-03/ohLimage.png)
#### Generación y desarrollo de ideas tecnológicas
La IA puede utilizarse como generador y estructurador de ideas dentro del proceso de diseño tecnológico. Permite explorar múltiples soluciones, compararlas y refinarlas.
Posibilidades:
- reformulación de problemas técnicos
- generación de soluciones alternativas
- análisis de viabilidad y eficiencia
- adaptación de soluciones a restricciones reales
Orientación de prompting:
> “Propón varias soluciones tecnológicas a un problema y compáralas según coste, eficiencia y complejidad”
#### Explicación, interpretación y análisis de sistemas
La IA no solo explica sistemas, sino que permite analizarlos en profundidad e interpretar documentación técnica existente.
Posibilidades:
- descomposición funcional de sistemas
- interpretación de manuales técnicos
- explicación de diagramas o esquemas
- análisis de fallos y comportamiento
Orientación:
> “Interpreta este sistema técnico y explica cómo interactúan sus componentes y qué errores podrían producirse”
#### Generación e interpretación de documentación técnica
Una de las aplicaciones más potentes es la creación, comprensión y transformación de documentación técnica.
Posibilidades:
- generar manuales a partir de descripciones o imágenes
- resumir documentos técnicos complejos
- adaptar documentación a distintos niveles
- traducir manuales o artículos técnicos
Orientaciones:
> “Genera un manual técnico claro a partir de esta descripción o imagen”
> “Resume este documento técnico y adapta el lenguaje a nivel de 4º ESO”
> “Traduce este manual manteniendo la precisión técnica”
Esto conecta directamente con competencias reales de ingeniería y mantenimiento.
#### Diagnóstico y reparación asistida (por imagen o descripción)
La IA permite interpretar problemas técnicos a partir de imágenes o descripciones, acercando al alumnado a procesos de diagnóstico reales.
Posibilidades:
- identificación de averías a partir de imágenes
- análisis de fallos en dispositivos o montajes
- propuestas de reparación o mejora
Orientación:
> “Analiza esta imagen de un sistema técnico y sugiere posibles fallos y soluciones”
Esto introduce una dimensión práctica muy potente.
#### Generación de escenarios técnicos y toma de decisiones
La IA puede generar situaciones abiertas donde el alumnado debe tomar decisiones técnicas.
Posibilidades:
- escenarios con limitaciones (energía, materiales, coste)
- toma de decisiones en diseño
- análisis de consecuencias
Orientación:
> “Plantea un escenario técnico donde haya que elegir entre varias soluciones con distintas limitaciones”
---
#### Simulación de sistemas tecnológicos
Permite modelar sistemas complejos de forma conceptual sin necesidad de recursos físicos.
Posibilidades:
- simulación de sistemas automatizados (domótica, IoT)
- comportamiento de sensores y actuadores
- impacto de cambios en variables
Orientación:
> “Describe cómo cambia el comportamiento de un sistema automatizado al modificar sus condiciones”
---
#### Análisis de mecanismos y procesos técnicos
La IA facilita la comprensión de relaciones entre elementos en sistemas mecánicos.
Posibilidades:
- análisis de engranajes, poleas, transmisión
- relación entre variables (velocidad, fuerza)
- optimización de sistemas
Orientación:
> “Explica cómo afecta el cambio de un elemento en el comportamiento del sistema”
---
#### Introducción al funcionamiento de la IA
Permite entender la propia tecnología desde dentro.
Posibilidades:
- comprensión de cómo aprende un modelo
- análisis de datos y entrenamiento
- reflexión sobre errores y sesgos
Orientación:
> “Explica cómo un sistema de IA aprende a clasificar objetos y qué limita su precisión”
---
#### Análisis de información tecnológica
La IA permite trabajar el pensamiento crítico sobre contenidos tecnológicos.
Posibilidades:
- interpretación de datos en noticias o informes
- detección de errores o exageraciones
- evaluación de conclusiones
Orientación:
> “Analiza esta información tecnológica y evalúa si las conclusiones están justificadas”
#### Automatización de documentación y proyectos
La IA puede ayudar a estructurar, documentar y compartir proyectos tecnológicos.
Posibilidades:
- generación de memorias técnicas
- organización de proyectos en formatos claros
- preparación de presentaciones
- creación de documentación compartible
Orientación:
> “Organiza este proyecto en formato de memoria técnica clara y estructurada”
#### Creación y diseño 3D asistido
La IA abre nuevas posibilidades en diseño técnico mediante generación de modelos conceptuales.
Posibilidades:
- diseño de objetos en 3D a partir de descripciones
- generación de ideas para prototipos
- apoyo en procesos de impresión 3D
Orientación:
> “Describe un objeto técnico optimizado para impresión 3D indicando sus características”
Esto conecta con fabricación digital y prototipado.
### Enfoque global
La inteligencia artificial permite integrar en el aula de Tecnología procesos reales de ingeniería: diseñar, analizar, interpretar, simular, documentar y mejorar. Además, introduce nuevas capacidades como la interpretación de imágenes, la traducción técnica o la generación automática de documentación, que forman parte del entorno profesional actual.
### Conclusión
La IA generativa no solo amplía las posibilidades de trabajo en el aula, sino que redefine la forma de aprender tecnología. Permite pasar de actividades cerradas a entornos abiertos de exploración, donde el alumnado puede diseñar, analizar, interpretar y comunicar soluciones de forma más realista.
Integrar estas herramientas favorece el desarrollo de competencias clave como el pensamiento técnico, la creatividad, la capacidad de análisis y la autonomía, acercando al alumnado a los procesos y herramientas que ya se utilizan en la ingeniería y la tecnología actuales.
# Créditos
Autor: Luis Hueso Ibañez
Cualquier observación o detección de error en [soporte.catedu.es](https://catedu.es/soporte-catedu/)
Los contenidos se distribuyen bajo licencia **Creative Commons** tipo **BY-NC-SA** excepto en los párrafos que se indique lo contrario.
[](https://libros.catedu.es/uploads/images/gallery/2022-03/image-1648462225402.gif)
[](https://libros.catedu.es/uploads/images/gallery/2022-03/image-1648462299882.png)
[](https://libros.catedu.es/uploads/images/gallery/2022-03/image-1648462361893.png)