# IA en el Diseño Curricular
# 1.Fundamentos de Inteligencia Artificial para docentes
# 1.0 Antes de comenzar
El uso de la inteligencia artificial en educación, además de plantear preguntas sobre su uso responsable, abre **nuevas oportunidades** para enriquecer la práctica docente. En el módulo o curso anterior hemos abordado los aspectos relacionados con sus implicaciones éticas, legales y pedagógicas: cómo proteger los datos personales del alumnado, cómo evitar sesgos o usos inapropiados y qué responsabilidades asumimos cuando incorporamos sistemas de inteligencia artificial en el proceso educativo.
Este segundo curso del itinerario se centra en el **diseño curricular con apoyo de inteligencia artificial generativa**, explorando cómo estas herramientas pueden convertirse en asistentes que apoyen la planificación y la creación de recursos.
Para ello, comenzaremos con un primer capítulo sobre **qué es la inteligencia artificial** y en particular los **modelos de lenguaje**, que son los sistemas que permiten a herramientas como los asistentes, generar textos, y por tanto, ayudarnos con la planificación y el diseño curricular. También se explorarán diferentes **fundamentos y conceptos técnicos** para entender de forma básica cómo funcionan estos sistemas, saber qué pueden hacer y cuáles son sus limitaciones, para, en el capítulo siguiente, saber cómo formular instrucciones adecuadas (**prompting**) para obtener mejores resultados.
A partir de ahí, veremos cómo la inteligencia artificial puede apoyar diferentes **tareas habituales del profesorado**. Por ejemplo, puede ayudar a generar ideas para **situaciones de aprendizaje**, proponer actividades adaptadas a distintos niveles, elaborar o adaptar **materiales didácticos**, crear ejemplos, preguntas o rúbricas de evaluación, etc. En este sentido, la IA no sustituye la labor docente, sino que actúa como un **asistente que amplía las posibilidades de creación y planificación**, permitiendo dedicar más tiempo a la toma de decisiones pedagógicas y al acompañamiento del alumnado.
El objetivo no es aprender a usar una herramienta concreta, sino **desarrollar una forma de trabajo en la que la inteligencia artificial se convierta en un apoyo útil, crítico y responsable para la práctica docente**.
# 1.1 Conceptos ¿Qué es y qué no es la Inteligencia Artificial?
[](https://libros.catedu.es/uploads/images/gallery/2026-01/fi6image.png)
#### ¿Qué es la IA? Una historia escrita mucho antes de los ordenadores
Mucho antes de que existieran pantallas, datos o código, la humanidad ya imaginaba inteligencias creadas por su propia mano. En los mitos de la Grecia clásica, el fuego del conocimiento no solo servía para iluminar, sino también para dar vida. **Hefesto**, el dios artesano, no era un guerrero ni un sabio: era un creador. En su fragua nacían objetos que se movían solos, sirvientes de oro que obedecían, criaturas mecánicas que parecían tener voluntad. Entre todas ellas destacaba **Talos**, un gigante de bronce que rodeaba incansable la isla de Creta, vigilando, decidiendo, actuando. No pensaba como un humano, pero cumplía una función que hoy llamaríamos “inteligente”. Aquellos relatos no hablaban de tecnología, hablaban de una aspiración: crear algo que hiciera por nosotros lo que antes solo hacíamos nosotros.
Durante siglos esa idea quedó atrapada en la imaginación, hasta que la historia dio un giro práctico. Con la Revolución Industrial, las máquinas dejaron de ser sueños para convertirse en presencia cotidiana. Los telares automáticos, las locomotoras, las fábricas humeantes transformaron la relación entre el ser humano y su trabajo. Las máquinas no entendían, pero trabajaban sin descanso; no decidían, pero repetían con precisión. Por primera vez, una creación humana sustituía de forma sistemática una capacidad humana. No la mente, todavía, pero sí el cuerpo. Y con ese cambio nació una pregunta silenciosa: si una máquina puede hacer el trabajo de mis manos, ¿podrá algún día hacer el trabajo de mi cabeza?
El siglo XX llevó esa pregunta al lugar más inesperado: el interior del cerebro. Los científicos empezaron a comprender que la inteligencia no era una lista de instrucciones, sino un proceso de aprendizaje. El cerebro no ejecuta órdenes como una máquina clásica; aprende, se equivoca, ajusta, mejora. De ahí surgió una idea tan simple como revolucionaria: imitar ese proceso mediante modelos artificiales. Así nació la neurona artificial, una versión extremadamente simplificada de una neurona biológica, pero suficiente para cambiar el rumbo de la informática. Ya no se trataba de decirle a la máquina qué hacer, sino de permitirle aprender cómo hacerlo.
En ese contexto aparece una figura clave, **Alan Turing**, que en mitad del siglo XX planteó una pregunta que todavía resuena hoy: no si las máquinas pueden pensar, sino si pueden comportarse como si pensaran. Poco después, en una reunión de verano en **Dartmouth College**, se acuñó por primera vez el término “Inteligencia Artificial”. Aquellos investigadores eran optimistas; creían que en pocas décadas existirían máquinas con inteligencia humana. No ocurrió así. La realidad fue más lenta, pero también más profunda.
Durante años, la IA avanzó a trompicones, limitada por la falta de datos y de potencia de cálculo. Hasta que llegó internet, llegaron los ordenadores potentes y, con ellos, una explosión de aprendizaje automático. En 2016 se produjo uno de esos momentos que marcan época. **DeepMind** presentó **AlphaGo**, un sistema capaz de vencer al campeón mundial **Lee Sedol** en un juego considerado durante décadas inaccesible para las máquinas. No fue solo la victoria lo que sorprendió al mundo, sino una jugada concreta, inesperada, creativa, que ningún humano había imaginado. Por primera vez, una máquina no solo imitaba al ser humano, sino que encontraba caminos nuevos.
Pocos años después, la misma tecnología protagonizó otro hito silencioso pero aún más profundo. Con **AlphaFold**, la inteligencia artificial resolvía un problema científico abierto durante más de medio siglo: predecir la estructura de las proteínas. Ya no se trataba de ganar a una persona, sino de colaborar con la ciencia, acelerar descubrimientos y ampliar el conocimiento humano. La IA dejaba de ser una curiosidad para convertirse en una herramienta transformadora.
#### ¿De que hablamos cuando hablamos de Inteligencia Artificial?
La **Inteligencia Artificial (IA)** es un conjunto amplio de técnicas y enfoques que permiten a las máquinas **aprender a partir de datos** y realizar tareas que tradicionalmente asociábamos a la inteligencia humana, como comprender textos, reconocer imágenes, interpretar sonidos o tomar decisiones. En el núcleo de la IA moderna se encuentra el **aprendizaje automático o Machine Learning (ML)**, que entrena modelos capaces de mejorar con la experiencia, sin necesidad de programar cada regla de forma explícita. Dentro de este ámbito destaca el **aprendizaje profundo o Deep Learning (DL)**, basado en redes neuronales con múltiples capas, que ha impulsado los grandes avances recientes en visión artificial, reconocimiento de voz y generación de contenido.
Para que todo esto sea posible, la IA no trabaja directamente con palabras, imágenes o sonidos tal como los percibimos los humanos. Antes de aprender, **todo se convierte en números**. Un texto se transforma en secuencias numéricas que representan palabras o fragmentos de palabras; una imagen se convierte en una matriz de píxeles con valores numéricos; y un audio se representa como una señal digital compuesta por miles de muestras. Sobre estas representaciones numéricas se aplican técnicas de **procesamiento del lenguaje natural (NLP)** en el caso del texto, modelos de visión artificial para la imagen y redes especializadas para el audio.
Los desarrollos más avanzados en el ámbito del lenguaje son los **modelos de lenguaje de gran tamaño o LLMs (Large Language Models)**, que generan texto prediciendo, paso a paso, la palabra o fragmento más probable a partir de los anteriores. A partir de estos modelos surgen los **agentes de IA**, sistemas que no solo generan respuestas, sino que pueden planificar acciones, utilizar herramientas externas, combinar información de distintos formatos (texto, imagen o audio) y encadenar decisiones para alcanzar un objetivo determinado.
En ningún caso la IA se basa en conciencia, intención o comprensión real del mundo. Su funcionamiento descansa en la **detección de patrones**, el cálculo de **probabilidades** y la toma de decisiones basadas en grandes volúmenes de ejemplos previos. Aunque sus resultados puedan parecer inteligentes, creativos o humanos, la IA no entiende lo que hace: **opera sobre números y elige la opción más probable según su entrenamiento**, lo que hace imprescindible el criterio humano, especialmente en contextos educativos.
#### En esencia, los sistemas de IA actuales
- Aprenden a partir de datos, no de reglas escritas una a una.
- Mejoran con la experiencia, igual que un alumno que practica.
- Funcionan bien en tareas concretas y delimitadas.
- Dependen totalmente de cómo y con qué datos han sido entrenados.
#### Ejemplos de aplicación de IA
- Sistemas de recomendación en plataformas de vídeo o música.
- Reconocimiento facial y de voz en dispositivos móviles.
- Traducción automática entre idiomas.
- Detección de fraude bancario.
- Generación de textos, imágenes, vídeo, audio o código.
- Predicción de valores numéricos como demanda, consumo energético o tráfico.
#### La aplicación de la IA en el ámbito educativo
En el sector educativo es quizá donde más valor adquiere la aplicación de la IA.
Queremos distinguir tres grupos claros dónde resulta de gran utulidad su aplicación
##### Aplicaciones de la IA orientadas al profesorado
**Diseño y mejora de materiales didácticos**
Uso de IA para planificar o diseñar actividades, ajustar explicaciones, secuencias o adaptar recursos.
**Apoyo en la atención a la diversidad**
Identificación de perfiles de aprendizaje y necesidades específicas para adaptar tareas, ritmos y apoyos sin recurrir únicamente a medidas generales.
**Seguimiento del progreso real del alumnado**
Sistemas que analizan evolución, errores recurrentes y ritmo de aprendizaje, permitiendo detectar estancamientos o mejoras que no siempre se reflejan en una nota puntual.
**Reducción de carga administrativa y repetitiva**
Automatización de tareas como generación de informes, resúmenes de evidencias o preparación de rúbricas base, liberando tiempo para la docencia directa.
##### Aplicaciones de la IA orientadas al alumnado
**Itinerarios de aprendizaje personalizados**
Adaptación del nivel de dificultad, tipo de actividades y ritmo de trabajo en función del progreso real, favoreciendo la motivación y el aprendizaje autónomo.
**Tutoría inteligente fuera del aula**
Sistemas que acompañan al alumnado en el estudio autónomo, ofreciendo pistas, preguntas guiadas y retroalimentación progresiva en lugar de respuestas directas.
**Simulación de contextos profesionales reales**
Agentes de IA que recrean situaciones de empresa, laboratorio o entorno laboral (incidencias, toma de decisiones, negociación), especialmente útiles en FP.
**Refuerzo del aprendizaje metacognitivo**
Ayuda al alumnado a comprender en qué se equivoca, por qué y cómo mejorar, fomentando la reflexión sobre su propio proceso de aprendizaje.
**Accesibilidad y adaptación de contenidos**
Conversión de materiales a formatos accesibles (texto simplificado, audio, apoyos visuales), atendiendo a diversidad funcional y estilos de aprendizaje.
**Entrenamiento en competencias transversales**
Práctica guiada de habilidades como comunicación escrita, pensamiento crítico o planificación, con retroalimentación inmediata y personalizada.
##### Aplicaciones de la IA orientadas a la dirección y gestión del centro
**Análisis global de datos educativos del centro**
Identificación de patrones en resultados académicos, asistencia, repetición o abandono para tomar decisiones estratégicas basadas en evidencias.
**Optimización de la organización y recursos**
Apoyo en la creación de grupos, asignación de recursos, planificación de horarios o detección de sobrecargas, mejorando la eficiencia organizativa.
**Evaluación de programas y metodologías**
Análisis del impacto real de proyectos educativos, planes de innovación o cambios metodológicos, más allá de percepciones subjetivas.
**Mejora de la comunicación institucional**
Análisis de encuestas, reclamaciones o feedback de familias y alumnado para detectar problemas recurrentes y áreas de mejora.
**Apoyo a la toma de decisiones estratégicas**
Uso de modelos predictivos para anticipar tendencias (matrícula, abandono, resultados) y planificar actuaciones a medio y largo plazo.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Wi2image.png)
#### Qué NO es la Inteligencia Artificial
##### No es una mente humana
Aunque a veces “hable bien” o dé respuestas complejas, la IA no entiende lo que dice ni tiene intención alguna. No sabe cuándo duda, no distingue lo importante de lo trivial por criterio propio y no posee sentido común.
##### No es infalible
Los sistemas de IA pueden equivocarse, inventar respuestas plausibles pero falsas o fallar estrepitosamente fuera de su contexto de entrenamiento. Su apariencia de seguridad no garantiza que tengan razón.
##### No es neutral ni objetiva
La IA aprende de datos creados por personas. Si esos datos contienen sesgos, errores o injusticias, el sistema los reproducirá e incluso los amplificará. Por eso, su uso exige supervisión humana y pensamiento crítico.
##### No todo lo digital es IA
Un programa clásico sigue instrucciones fijas. Un sistema de IA aprende y se adapta. Una calculadora, una hoja de cálculo con fórmulas o un software que siempre hace lo mismo no son inteligencia artificial, aunque sean digitales.
Una de las ideas más importantes que conviene transmitir al profesorado cuando se habla de inteligencia artificial es entender **lo que la IA no es**. En el discurso público a menudo se presenta la inteligencia artificial como si fuera una mente comparable a la humana, capaz de comprender, razonar o incluso tener intención. Sin embargo, los sistemas actuales funcionan de una manera mucho más limitada y concreta.
Los modelos de lenguaje que hoy utilizamos —los que están detrás de muchos chatbots y asistentes digitales— no comprenden realmente el mundo. Su funcionamiento se basa en algo mucho más simple desde el punto de vista conceptual: **predecir qué palabra o fragmento de texto es más probable que aparezca a continuación** en función del contexto que reciben.
Durante el entrenamiento, estos modelos analizan enormes cantidades de texto y aprenden patrones estadísticos sobre cómo se combinan las palabras. Cuando reciben una frase como entrada, calculan probabilidades y eligen el siguiente token —la siguiente unidad de texto— más probable. Después repiten el proceso una y otra vez hasta generar una respuesta completa.
Desde fuera, el resultado puede parecer muy sofisticado: frases coherentes, explicaciones complejas o incluso textos creativos. Pero detrás de ese comportamiento no hay comprensión, intención ni experiencia. Algunos investigadores han descrito estos sistemas mediante la metáfora del **“loro estocástico”**, una imagen que sugiere que los modelos de lenguaje son capaces de producir frases plausibles repitiendo patrones estadísticos del lenguaje sin entender realmente su significado.
Para el profesorado esta idea es especialmente importante. En el aula es fácil que los estudiantes —y a veces también los adultos— atribuyan a estas herramientas capacidades humanas que en realidad no poseen. La IA no tiene conciencia, no tiene emociones, no tiene empatía y tampoco posee valores. No puede comprender la situación personal de un estudiante, detectar su inseguridad ante un problema difícil o percibir cuándo una explicación necesita adaptarse para que alguien realmente la entienda.
La educación, además, es mucho más que transmisión de información. Un profesor no solo explica contenidos; interpreta el contexto de la clase, motiva al alumnado, gestiona dinámicas sociales, transmite valores y ayuda a construir criterio. Ese componente humano —la empatía, la experiencia pedagógica, la relación personal con los estudiantes— está completamente fuera del alcance de los sistemas actuales de inteligencia artificial.
Por eso, aunque la IA puede convertirse en una herramienta extraordinariamente útil para el profesorado —ayudando a generar materiales, preparar actividades, resumir información o diseñar ejercicios— no puede sustituir el papel educativo del docente. Su funcionamiento es fundamentalmente estadístico y depende de los datos con los que ha sido entrenada. Puede producir respuestas convincentes, pero también puede equivocarse, inventar información o reproducir errores presentes en los datos.
En este sentido, quizá la idea más importante para transmitir en el ámbito educativo es que la inteligencia artificial no reemplaza al profesor, sino que **amplía las herramientas disponibles para enseñar**. La IA puede ayudar a organizar información, generar ejemplos o explorar nuevas formas de aprendizaje, pero la tarea de educar —formar pensamiento crítico, transmitir valores y acompañar el desarrollo de las personas— sigue siendo una actividad profundamente humana.
# 1.2 Tipos de aprendizaje o cómo aprenden las máquinas
#### Aprender: una palabra común para procesos muy distintos
Hablar de aprendizaje parece, a primera vista, algo sencillo. Aprendemos desde que nacemos: a hablar, a caminar, a resolver problemas, a convivir con otros. En el aula, aprender significa comprender un contenido, practicarlo, equivocarse, corregir y, poco a poco, hacerlo propio. Cuando trasladamos esta palabra al ámbito de la Inteligencia Artificial, el término es el mismo, pero el proceso es muy distinto.
Cuando decimos que una máquina “aprende”, no lo hace porque entienda lo que está haciendo ni porque tenga una intención de mejorar. Aprende porque **ajusta su comportamiento a partir de ejemplos**, del mismo modo que un alumno mejora cuando recibe práctica y retroalimentación, aunque en el caso de la máquina todo ocurre a nivel numérico y estadístico. La IA no trabaja con ideas, trabaja con datos; no interpreta significados, detecta patrones.
Un ejemplo sencillo ayuda a aclararlo. Si un alumno aprende a reconocer tipos de texto leyendo muchos ejemplos y recibiendo correcciones del profesor, la máquina aprende de forma parecida: analiza miles de textos, compara sus predicciones con el resultado esperado y va ajustando sus respuestas. La diferencia es que el alumno comprende por qué algo es un texto narrativo o argumentativo, mientras que la máquina solo aprende qué combinaciones de palabras suelen aparecer en cada caso.
A partir de esta idea general, no todas las máquinas aprenden del mismo modo. Algunas lo hacen con ejemplos corregidos, otras explorando datos sin respuestas previas y otras aprendiendo a base de ensayo y error, según las consecuencias de sus acciones. Curiosamente, estas formas de aprendizaje tienen muchos paralelismos con la educación humana: aprendizaje guiado, aprendizaje por descubrimiento y aprendizaje por experiencia.
Comprender **cómo aprenden las máquinas** no solo nos permite usar mejor la Inteligencia Artificial, sino que también nos invita a reflexionar sobre **cómo enseñamos y cómo aprenden nuestros alumnos y alumnas**. Con esta base, podemos ahora describir los principales tipos de aprendizaje que utilizan los sistemas de IA y entender en qué contextos se aplica cada uno.
#### Tipos de aprendizaje
Cuando hablamos de *aprendizaje* en Inteligencia Artificial conviene detenerse un momento y ajustar expectativas, especialmente en el ámbito educativo. Las máquinas **no aprenden como aprendemos las personas**. No sienten curiosidad, no tienen intención de mejorar ni conciencia de lo que hacen. Y, sin embargo, aprenden.
En IA, aprender significa algo muy concreto: **ajustar un modelo matemático a partir de datos** para que, con el tiempo, cometa menos errores en una tarea concreta. No hay comprensión del contenido, sino detección de regularidades numéricas. Donde una persona entiende un concepto, una máquina identifica patrones estadísticos. Esta diferencia es esencial para comprender tanto el potencial como los límites de la IA en educación.
##### El aprendizaje automático como núcleo de la IA moderna
El corazón de la Inteligencia Artificial actual es el **aprendizaje automático o Machine Learning (ML)**. A diferencia de la programación clásica —en la que el ser humano escribe reglas explícitas—, en el aprendizaje automático **no se le indica a la máquina cómo resolver el problema**, sino que se le muestran ejemplos para que descubra por sí misma qué funciona mejor.
Un paralelismo muy útil para el profesorado es el siguiente: programar un sistema tradicional se parece a dar una receta paso a paso; entrenar un sistema de IA se parece más a poner muchos ejemplos corregidos y dejar que el sistema extraiga conclusiones. El resultado suele ser más flexible y potente, aunque también más difícil de explicar.
A partir de esta idea general, podemos distinguir **varios tipos de aprendizaje**, según cómo se presentan los datos y qué tipo de información recibe el sistema durante su entrenamiento.
##### Aprendizaje supervisado: aprender con corrección
El **aprendizaje supervisado** es probablemente el tipo de aprendizaje automático que resulta más fácil de entender para un profesor, porque su lógica se parece bastante a la forma tradicional en que enseñamos en el aula. En este enfoque, el sistema aprende a partir de ejemplos en los que ya conocemos la respuesta correcta. Dicho de otra manera, el modelo recibe datos de entrada junto con la solución esperada, y a partir de muchos ejemplos aprende la relación entre ambos para poder hacer predicciones sobre casos nuevos.
Podemos imaginarlo como un proceso muy parecido al de **aprender con ejercicios resueltos o corregidos**. El sistema analiza muchos ejemplos y, cuando comete un error, ajusta sus parámetros internos para mejorar la próxima vez. Con el tiempo, ese proceso le permite detectar patrones en los datos y aplicar lo aprendido a situaciones que no había visto antes. En términos técnicos, el objetivo es que el modelo aprenda la relación entre unas variables de entrada y una salida conocida, de manera que pueda predecir esa salida en datos nuevos.
Dentro del aprendizaje supervisado suelen distinguirse dos grandes tipos de tareas. La primera es la **clasificación**, que consiste en asignar una categoría a un elemento. Por ejemplo, decidir si un correo es spam o no, o clasificar una imagen como perro o gato. La segunda es la **regresión**, que se utiliza cuando el objetivo es predecir un valor numérico continuo, como estimar la temperatura, el precio de una vivienda o las ventas futuras de un producto.
Desde el punto de vista educativo, este tipo de aprendizaje tiene aplicaciones cada vez más interesantes. En investigación educativa se utilizan algoritmos de aprendizaje supervisado para **analizar datos académicos y predecir el rendimiento de los estudiantes**, lo que permite detectar con antelación posibles dificultades o riesgo de abandono escolar. También se emplea en sistemas de evaluación automática, en plataformas de aprendizaje adaptativo o en herramientas que analizan grandes conjuntos de datos educativos para comprender mejor cómo progresa el alumnado.
La principal ventaja del aprendizaje supervisado es su **precisión y capacidad predictiva**, especialmente cuando se dispone de buenos datos. Sin embargo, su mayor debilidad es precisamente esa dependencia de los datos. El modelo solo puede aprender a partir de los ejemplos que recibe. Si los datos están mal etiquetados, contienen errores o reflejan sesgos, el sistema aprenderá esos mismos problemas y los reproducirá en sus predicciones.
Para el profesorado de educación secundaria, comprender esta idea es especialmente útil porque permite explicar al alumnado uno de los principios fundamentales de la inteligencia artificial actual: **las máquinas no aprenden por comprensión, sino por comparación de ejemplos**. En cierto sentido, el aprendizaje supervisado se parece mucho a un estudiante que practica con muchos ejercicios resueltos hasta que empieza a reconocer patrones y a resolver problemas nuevos por sí mismo.
*Esquema de aprendizaje supervisado en el que se presentan ejemplos categorizados o etiquetados*
##### Aprendizaje no supervisado: descubrir sin que nadie explique
El **aprendizaje no supervisado** es un tipo de aprendizaje automático que funciona de una forma muy distinta al aprendizaje supervisado. En este caso, el sistema no recibe ejemplos con la respuesta correcta ni etiquetas que indiquen qué debe aprender. En lugar de eso, el algoritmo analiza grandes cantidades de datos sin clasificar e intenta descubrir por sí mismo **patrones, estructuras o relaciones internas** dentro de esa información.
Dicho de una manera sencilla, la máquina observa los datos y busca similitudes entre ellos. Si encuentra elementos que se parecen entre sí, los agrupa automáticamente en conjuntos o **clusters**. Este proceso se conoce como agrupamiento o *clustering* y es una de las técnicas más comunes del aprendizaje no supervisado. La idea es que los datos que pertenecen a un mismo grupo compartan características similares, mientras que los que pertenecen a grupos distintos sean más diferentes entre sí.
Para un profesor de educación secundaria, puede resultar útil imaginar este proceso como cuando un docente observa una clase durante varias semanas y empieza a identificar patrones en el comportamiento o en la forma de trabajar de los estudiantes. Sin necesidad de que nadie lo indique explícitamente, puede detectar grupos de alumnado que tienen hábitos de estudio similares, ritmos de aprendizaje parecidos o formas de participación semejantes. El aprendizaje no supervisado funciona de manera parecida: el sistema observa los datos y descubre regularidades que no estaban previamente definidas.
En el ámbito educativo, este tipo de aprendizaje no suele utilizarse tanto para calificar o evaluar directamente al alumnado, sino para **comprender mejor fenómenos complejos dentro de los datos educativos**. Por ejemplo, puede servir para identificar perfiles de estudiantes con comportamientos similares en una plataforma digital de aprendizaje, detectar patrones de uso de recursos educativos o descubrir relaciones entre variables académicas que no se habían considerado previamente.
Sin embargo, hay una idea fundamental que conviene subrayar desde una perspectiva pedagógica. Aunque el algoritmo pueda encontrar agrupaciones o patrones en los datos, **no entiende el significado educativo de esos resultados**. El sistema puede detectar que ciertos estudiantes presentan comportamientos parecidos, pero no puede interpretar por qué ocurre eso ni qué implicaciones pedagógicas tiene. Esa interpretación siempre corresponde al profesorado.
Por esta razón, el aprendizaje no supervisado no sustituye el papel del docente. Más bien funciona como una herramienta que puede ofrecer nuevas perspectivas sobre grandes volúmenes de datos. En lugar de reemplazar la mirada pedagógica del profesor, amplía su capacidad para analizar información compleja y detectar patrones que de otro modo podrían pasar desapercibidos. En última instancia, la máquina puede identificar estructuras en los datos, pero **el sentido educativo de esas estructuras lo aporta siempre la interpretación humana**.
*Esquema aprendizaje no supervisado en el que se forman agrupaciones de datos sin etiquetar*
##### 
#####
##### Aprendizaje por refuerzo
El **aprendizaje por refuerzo** es un tipo de aprendizaje automático que se basa en una idea muy sencilla y bastante intuitiva: **aprender actuando y observando las consecuencias**. En lugar de recibir ejemplos con la respuesta correcta —como ocurre en el aprendizaje supervisado— el sistema interactúa con un entorno, toma decisiones y recibe una señal que le indica si esa acción ha sido buena o mala. Esa señal suele llamarse **recompensa o penalización**, y el objetivo del sistema es aprender a actuar de manera que, con el tiempo, consiga la mayor recompensa posible.
Podemos imaginar este proceso de forma parecida a cómo aprenden muchas personas o animales: probando cosas, observando el resultado y ajustando su comportamiento. Si una acción produce un resultado positivo, el sistema tenderá a repetirla; si produce un resultado negativo, intentará evitarla en el futuro. Con el tiempo, mediante miles o millones de intentos, el modelo aprende qué decisiones son más adecuadas en cada situación.
En este tipo de aprendizaje suelen aparecer tres elementos básicos. Por un lado está el **agente**, que es el sistema que toma decisiones. Luego está el **entorno**, que es el mundo o situación donde actúa el agente. Y finalmente está la **recompensa**, que es la señal que indica si la acción tomada ha sido favorable o no. El agente va probando distintas acciones y aprende gradualmente qué estrategias le permiten maximizar la recompensa a largo plazo.
Uno de los ejemplos más famosos de aprendizaje por refuerzo es **AlphaGo**, el sistema desarrollado por DeepMind para jugar al juego de mesa Go. Este programa comenzó aprendiendo a partir de partidas humanas, pero después siguió mejorando jugando millones de partidas contra sí mismo. En ese proceso fue ajustando su comportamiento en función de si ganaba o perdía, lo que le permitió descubrir estrategias nuevas que incluso sorprendieron a jugadores profesionales.
Este ejemplo es interesante porque muestra que el aprendizaje por refuerzo no se limita a imitar comportamientos existentes. Cuando el sistema tiene libertad para explorar muchas posibilidades, puede encontrar soluciones eficaces que los humanos no habían considerado.
En el ámbito educativo, este enfoque resulta especialmente interesante cuando se trabaja con **entornos interactivos o simulaciones**. Por ejemplo, en simuladores de aprendizaje, videojuegos educativos o laboratorios virtuales, un agente puede aprender progresivamente cómo actuar dentro del entorno. También se investiga su uso en sistemas educativos inteligentes que aprenden **cuándo intervenir para ayudar al estudiante y cuándo dejar que explore por sí mismo**.
En definitiva, el aprendizaje por refuerzo introduce una idea muy poderosa dentro del Machine Learning: en lugar de aprender solo a partir de ejemplos, los sistemas pueden **aprender actuando, experimentando y ajustando su comportamiento en función de las consecuencias**. Esto abre la puerta a aplicaciones muy interesantes en ámbitos como la robótica, los videojuegos, la optimización de procesos y también en entornos educativos basados en simulación y experimentación.
##### El resultado: los modelos
Cuando entrenamos un sistema de **Machine Learning**, el objetivo final es construir un **modelo**. Ese modelo es, en esencia, una función matemática o estadística que ha aprendido a relacionar ciertos datos de entrada con un resultado. Una vez entrenado, ese modelo puede utilizar lo aprendido para analizar datos nuevos y producir una respuesta. Esa respuesta suele tomar dos formas principales: **clasificar algo en una categoría o predecir un valor**.
En el primer caso hablamos de **modelos de clasificación**. Su objetivo es asignar un elemento a una categoría concreta. El modelo analiza las características de un dato y decide a qué grupo pertenece. Este tipo de modelos se utiliza, por ejemplo, para determinar si un correo es spam o no, para identificar si una imagen contiene un gato o un perro, o para clasificar opiniones en positivas o negativas. En este tipo de problemas el resultado no es un número continuo, sino una **etiqueta o clase** previamente definida.
En el segundo caso hablamos de **modelos de predicción o regresión**. Aquí el objetivo no es asignar una categoría, sino estimar un valor numérico. El modelo intenta aprender la relación entre distintas variables y producir una predicción. Por ejemplo, puede estimar el precio de una vivienda a partir de su tamaño y ubicación, predecir la temperatura del día siguiente o calcular cuántos productos se venderán la próxima semana. En estos casos el resultado es una **cantidad continua**, no una categoría.
Ambos tipos de modelos se entrenan normalmente con **datos históricos**. El sistema analiza muchos ejemplos del pasado, detecta patrones y aprende relaciones entre variables. Una vez finalizado el entrenamiento, ese conocimiento se utiliza para analizar situaciones nuevas. Por ejemplo, si un modelo ha aprendido cómo se comportan ciertos datos financieros, podrá estimar tendencias futuras; si ha aprendido a distinguir imágenes de distintos objetos, podrá identificar nuevas imágenes que nunca había visto.
En la práctica existen muchos algoritmos diferentes que permiten construir modelos de **Machine Learning**, como los árboles de decisión, las regresiones estadísticas o los métodos de vecinos más cercanos. Sin embargo, en las últimas décadas ha ganado un protagonismo especial un tipo concreto de modelos: las **redes neuronales profundas**, que constituyen el núcleo del **Deep Learning**.
*Esquema de funcionamiento de una red neuronal profunda, formada por muchas capas que procesan cada aspecto de la imagen o de la información con la que se entrena*
El Deep Learning es un subcampo del Machine Learning que utiliza redes neuronales con muchas capas capaces de aprender representaciones cada vez más complejas de los datos. Estas redes permiten detectar patrones muy sofisticados en información difícil de describir mediante reglas simples, como imágenes, sonido, vídeo o lenguaje natural. Gracias a este enfoque, los sistemas pueden aprender directamente a partir de grandes volúmenes de datos sin necesidad de programar manualmente las características que deben analizar.
Este desarrollo de redes profundas ha sido uno de los factores clave que ha impulsado los avances recientes de la inteligencia artificial. Dentro de este contexto apareció una arquitectura especialmente influyente: los **transformers**, introducidos en 2017 en el artículo científico *Attention Is All You Need*. Esta arquitectura se basa en mecanismos de atención que permiten al modelo analizar relaciones entre distintas partes de un texto o de una secuencia de datos de manera muy eficiente.
Los transformers han supuesto un cambio importante porque permiten entrenar modelos mucho más grandes y manejar contextos más amplios que las arquitecturas anteriores. Gracias a ello se han convertido en la base tecnológica de muchos sistemas actuales de inteligencia artificial, especialmente de los **modelos de lenguaje de gran tamaño (LLM)** y de gran parte de las aplicaciones de **IA generativa** que hoy conocemos, como los asistentes conversacionales, los generadores de texto o los sistemas que crean imágenes y otros contenidos.
En definitiva, aunque el Machine Learning incluye muchos algoritmos diferentes, el desarrollo del **Deep Learning y de las arquitecturas basadas en transformers** ha sido el elemento que ha permitido dar el salto hacia los sistemas actuales capaces de generar texto, analizar lenguaje natural o crear contenido digital de forma cada vez más sofisticada.
Desde una perspectiva educativa, lo interesante es entender que estos modelos no “piensan” ni comprenden los fenómenos que analizan. Lo que hacen es **aprender relaciones estadísticas entre datos**. Si esas relaciones son suficientemente claras y los datos son de calidad, el modelo puede llegar a producir resultados muy útiles. Pero su funcionamiento sigue siendo, en última instancia, el de un sistema que aprende patrones para **clasificar o predecir**, no el de una inteligencia que entiende realmente el mundo.
*Esquema de funcionamiento de los modelos automáticos que predicen un valor (supervisado) o un grupo (no supervisado)*
##### Cómo aprenden las máquinas y los humanos: el paralelismo educativo
Llegados a este punto, resulta casi inevitable comparar el aprendizaje de las máquinas con el aprendizaje humano. Aunque los mecanismos sean muy diferentes, el paralelismo resulta muy útil desde el punto de vista educativo, porque permite explicar la inteligencia artificial con conceptos que el profesorado conoce bien.
Gran parte del aprendizaje humano se parece al **aprendizaje supervisado**. En el aula, el alumnado aprende a partir de explicaciones, ejemplos y correcciones del profesorado. Cuando un estudiante resuelve un ejercicio y se equivoca, ese error no es simplemente un fallo, sino una señal que permite ajustar el razonamiento y mejorar en el siguiente intento. Algo muy parecido ocurre en muchos sistemas de aprendizaje automático: el modelo recibe ejemplos con la respuesta correcta, compara su predicción con el resultado esperado y ajusta sus parámetros internos para mejorar.
Pero las personas también aprendemos de otras formas. A menudo descubrimos patrones sin que nadie nos los explique directamente. Observamos cómo funcionan las cosas, detectamos regularidades y construimos significado a partir de la experiencia. Este tipo de aprendizaje recuerda al **aprendizaje no supervisado**, en el que los algoritmos analizan datos sin respuestas previas y buscan agrupaciones, estructuras o relaciones internas.
Existe además un tipo de aprendizaje muy habitual en educación que podríamos llamar **semisupervisado**. Ocurre cuando el alumnado recibe algunas orientaciones iniciales, pero tiene que investigar, experimentar o resolver problemas abiertos. Es lo que sucede en muchos proyectos, investigaciones o situaciones de aprendizaje donde no hay una única solución correcta. Curiosamente, este enfoque también está ganando importancia en inteligencia artificial, donde los sistemas combinan pequeñas cantidades de datos etiquetados con grandes volúmenes de datos sin etiquetar.
Por último, también aprendemos mediante **refuerzo**. Las consecuencias de nuestras acciones influyen en cómo actuamos en el futuro. El éxito, el reconocimiento, la frustración o la satisfacción son señales que guían nuestro comportamiento. En el aprendizaje por refuerzo de las máquinas ocurre algo parecido: los algoritmos ajustan sus decisiones en función de recompensas o penalizaciones. Sin embargo, existe una diferencia fundamental. En las personas, esas recompensas están cargadas de significado emocional, social y cultural.
En el fondo, las máquinas y las personas aprenden de maneras que, en apariencia, pueden parecer similares, pero que tienen una diferencia esencial. Las máquinas optimizan funciones matemáticas y buscan patrones estadísticos en los datos. Las personas, en cambio, aprendemos construyendo **sentido**: interpretamos, relacionamos ideas, damos significado a lo que aprendemos y lo conectamos con nuestra experiencia.
Comprender cómo aprenden las máquinas es importante para poder utilizarlas correctamente, pero también es necesario entender sus límites. Uno de los más conocidos es el problema del **sesgo**. Los modelos de inteligencia artificial aprenden a partir de datos humanos y, por tanto, pueden reproducir errores, prejuicios o desigualdades presentes en esos datos. Si los datos de entrenamiento están sesgados, el sistema aprenderá esos mismos sesgos y los reproducirá en sus decisiones.
Otro límite importante es la **opacidad**. Muchos modelos avanzados, especialmente los basados en deep learning, funcionan como una especie de “caja negra”. Esto significa que pueden producir resultados muy precisos, pero no siempre es fácil comprender exactamente cómo han llegado a esa conclusión.
Existe además un riesgo más sutil: la **apariencia de inteligencia**. Los sistemas de IA pueden expresarse con gran seguridad incluso cuando se equivocan, lo que puede generar una falsa sensación de fiabilidad. Entender que estos sistemas no comprenden el mundo, sino que predicen patrones, es una de las claves para desarrollar pensamiento crítico en el alumnado.
Por eso, en el contexto educativo, la inteligencia artificial debe entenderse siempre como **una herramienta**, no como un sustituto del pensamiento humano ni del criterio pedagógico. Puede ayudar a analizar información, generar materiales o personalizar el aprendizaje, pero la interpretación de los resultados, la transmisión de valores y la construcción de significado siguen siendo tareas profundamente humanas.
En última instancia, podría resumirse con una idea sencilla para el aula:
Las máquinas pueden aprender patrones.
Las personas, además de aprender, **comprenden por qué y para qué aprenden**.
Y precisamente ahí es donde el papel del profesorado sigue siendo insustituible.
Comprender cómo aprenden las máquinas es imprescindible para usarlas bien, pero **no es suficiente**. Igual de importante es entender sus límites.
El primero es el **sesgo**. La IA aprende de datos humanos y, por tanto, hereda errores, prejuicios y desigualdades presentes en esos datos. Un sistema entrenado con información parcial o injusta reproducirá esas mismas distorsiones, a menudo de forma invisible.
El segundo límite es la **opacidad**. Muchos modelos, especialmente los basados en Deep Learning, funcionan como una “caja negra”: ofrecen resultados muy precisos, pero difíciles de explicar. En educación, esto obliga a extremar la prudencia cuando se utilizan para evaluar, clasificar o tomar decisiones relevantes.
El tercero es la **apariencia de inteligencia**. Los sistemas de IA pueden expresarse con seguridad incluso cuando se equivocan, lo que puede generar una falsa sensación de fiabilidad. Comprender que la IA no entiende, sino que **predice**, es clave para desarrollar pensamiento crítico en el alumnado.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/SOximage.png)
*Imagen autoexplicativa que demuestra el estado actual de las cosas. Humanos consumiendo información y máquinas aprendiendo*
---
> **Las máquinas aprenden con datos; las personas aprenden con sentido, valores y acompañamiento.**
# 1.3 Cómo aprender de los datos, Machine Learning
## 1.3 Cómo aprender de los datos
#### Machine Learning (ML): enseñar a las máquinas con ejemplos
En el capítulo anterior hemos visto que las máquinas no aprenden de una única manera. Distinguimos **aprendizaje supervisado**, **no supervisado**, **semisupervisado** y **por refuerzo**, categorías que, curiosamente, tienen un paralelismo muy claro con la educación humana. El **Machine Learning (ML)** no es algo distinto a esos tipos de aprendizaje, sino el **marco general** que los hace posibles en la práctica cuando trabajamos con datos reales.
Por tanto, cuando ahora hablamos de *cómo aprender de los datos*, no estamos empezando desde cero, sino **profundizando en cómo esos tipos de aprendizaje se implementan en sistemas reales**. El Machine Learning es el puente entre los datos y el comportamiento “inteligente” de la máquina, del mismo modo que la enseñanza es el puente entre la experiencia y el aprendizaje del alumnado.
#### Aprender no es entender: una comparación necesaria
Uno de los errores más habituales al hablar de Machine Learning es asumir que aprender equivale a comprender. No es así, ni en las máquinas ni, en muchos casos, en las personas.
Existe un ejemplo muy conocido en neurociencia que ayuda mucho a entender esta diferencia. Personas que han nacido ciegas y recuperan la visión en la edad adulta, gracias a avances médicos, **no son capaces de interpretar lo que ven**. Sus ojos funcionan, pero su cerebro nunca aprendió durante la infancia a reconocer formas, distancias, rostros o profundidad. Perciben luz, colores y movimiento, pero no significado. Necesitan un largo proceso de aprendizaje visual, y aun así su percepción nunca llega a ser equivalente a la de alguien que aprendió a ver desde pequeño.
Este caso humano es un paralelismo casi perfecto del Machine Learning.
Una máquina puede recibir imágenes, textos o sonidos perfectamente convertidos en datos numéricos, pero **si no ha sido entrenada con suficientes ejemplos, no “ve”, no “lee” y no “escucha” nada**. Igual que en las personas, es el aprendizaje previo el que da sentido a la percepción. Sin datos y sin experiencia, solo hay estímulos sin significado.
#### ¿Qué significa realmente aprender de los datos?
Aprender de los datos no consiste en almacenar información como en un archivo. Consiste en **extraer patrones**. Un sistema de Machine Learning analiza grandes volúmenes de ejemplos y ajusta sus parámetros internos para que ciertas respuestas sean más probables que otras en el futuro.
Desde el punto de vista de los tipos de aprendizaje vistos en el capítulo anterior, esto puede hacerse de varias maneras. En el aprendizaje supervisado, el sistema aprende comparando sus predicciones con respuestas correctas. En el no supervisado, descubre estructuras internas sin que nadie le diga qué buscar. En el aprendizaje por refuerzo, ajusta su comportamiento en función de las consecuencias de sus acciones. En todos los casos, el mecanismo es el mismo: **datos → números → patrones → decisiones**.
No hay comprensión conceptual, pero sí una capacidad muy potente de **generalización**, que es lo que hace útil al Machine Learning en contextos complejos como la educación.
#### El ciclo del Machine Learning explicado para docentes
Aunque por dentro los modelos puedan parecer opacos, el proceso del Machine Learning sigue un ciclo que resulta muy familiar para cualquier docente.
1\. Todo comienza con la **recopilación de datos**. Se trata de r**ecoger ejemplos (los datos): i**gual que cuando enseñamos a un niño o niña qué es un triángulo mostrándole muchos dibujos, un sistema de *Machine Learning* necesita muchos ejemplos para aprender. En educación, estos ejemplos pueden ser datos como tiempos de respuesta, registros de asistencia, uso de plataformas digitales o resultados de actividades competenciales.
Desde el punto de vista educativo y legal, es recomendable utilizar conjuntos de datos sintéticos, anonimizados, **evitando el uso directo de producciones** reales del alumnado en **sistemas de terceros**
Recordemos que, según la normativa de protección de datos como el **RGPD y la LOPDGDD**, el profesorado debe evitar introducir datos personales identificables en herramientas externas de IA y utilizar, siempre que sea posible, **datos anonimizados** o ejemplos ficticios. Es importante asegurarse también de que los datos utilizados respetan la privacidad del alumnado y se emplean únicamente con fines educativos legítimos
2\. **Preparar los ejemplos:** Las máquinas necesitan que los datos estén organizados y en un formato que puedan analizar: antes de poder aprender, esos datos deben limpiarse, organizarse y transformarse en números, ya que la máquina no trabaja con significados, sino con valores numéricos. Es parecido a cuando un docente revisa ejercicios y los clasifica: correctos, incorrectos, incompletos…
3\. **Aprender a partir de los ejemplos**. A continuación tiene lugar el **entrenamiento**. El sistema analiza los datos y ajusta su comportamiento interno aplicando alguno de los tipos de aprendizaje estudiados: supervisado, no supervisado o por refuerzo. En esta fase el sistema intenta encontrar patrones, por ejemplo, puede detectar que el alumnado que entrega pocas tareas y participa poco suele tener más dificultades. La máquina no “entiende” como una persona, pero identifica combinaciones de datos que suelen repetirse.
4\. Comprobar si ha aprendido: **evaluación con datos nuevos**. Es parecido a cuando enseñamos algo en clase y luego ponemos un ejercicio diferente para ver si el alumnado ha entendido la idea o solo ha memorizado un ejemplo. En Machine Learning es fundamental comprobar si el modelo generaliza o si simplemente ha memorizado. Este paso conecta directamente con la evaluación educativa **y también recuerda la necesidad de revisar críticamente los resultados de la IA, ya que las decisiones pedagógicas deben seguir siendo responsabilidad del docente.**
Finalmente, el modelo se utiliza en situaciones reales, siempre bajo **supervisión humana**, especialmente cuando se trata de decisiones que afectan a personas.
*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/UPsimage.png)
*Otra versión del esquema anterior. Al final siempre buscamos la obtención de un modelo*
#### Un ejemplo educativo completo: aprender a anticipar dificultades
Imaginemos un centro educativo que quiere detectar de forma temprana dificultades de aprendizaje. En lugar de esperar al suspenso final, decide analizar datos históricos de cursos anteriores: asistencia, entregas, resultados parciales, participación y uso de recursos digitales.
Siempre teniendo en cuenta que el tratamiento de estos datos debe cumplir con la normativa de protección de datos y **realizarse dentro de los sistemas autorizados** del propio centro o de la administración educativa, **evitando compartir información personal con herramientas externas.**
Aplicando **aprendizaje supervisado**, se entrenan modelos con ejemplos reales de alumnado que tuvo dificultades y alumnado que no las tuvo. El sistema aprende combinaciones de factores que suelen anticipar problemas académicos.
El resultado no es una decisión automática, sino una **señal de alerta**. El Machine Learning no sustituye al tutor ni al orientador, pero proporciona información objetiva que ayuda a intervenir antes y mejor. El aprendizaje de la máquina se convierte así en un apoyo al aprendizaje humano.
#### Modelos sencillos frente a modelos complejos
Otro aspecto importante, especialmente en educación, es que **no siempre necesitamos modelos complejos**. Aunque el aprendizaje profundo ha impulsado grandes avances, muchos problemas educativos se resuelven mejor con modelos simples, más transparentes y más fáciles de explicar.
Esto conecta con lo aprendido en el capítulo anterior: el tipo de aprendizaje elegido debe responder al problema educativo, no al atractivo tecnológico. En muchos casos, entender por qué el modelo toma una decisión es más importante que ganar unas décimas de precisión.
#### Aprender haciendo: herramientas educativas de Machine Learning
Una de las mejores formas de comprender el Machine Learning es **vivir el proceso de entrenamiento**. En este sentido, existen herramientas educativas que permiten trabajar con ML de forma accesible en el aula. Una de las más conocidas es **Machine Learning for Kids**, que permite entrenar modelos sencillos a partir de ejemplos aportados por el alumnado, sin necesidad de programar.
Además de ML for Kids, en el ámbito educativo y formativo se utilizan también otras herramientas y entornos como:
- [**Teachable Machine de google**](https://teachablemachine.withgoogle.com/)
- [**Scratch + extensiones de IA del MIT**](https://scratch.mit.edu/search/projects?q=AI)
- [**Orange Data Mining**](https://orangedatamining.com/)
- [**Google Colab para programadores**](https://colab.research.google.com/)
- [**AutoML de Google**](https://cloud.google.com/automl?hl=es-419)
El valor pedagógico de estas herramientas no está en el resultado final, sino en el proceso: el alumnado comprende que **si los datos son pobres, el modelo aprende mal**, y que mejorar el aprendizaje implica mejorar los ejemplos.
#### El error como motor del aprendizaje
Igual que ocurre en los tipos de aprendizaje estudiados en el capítulo anterior, el error desempeña un papel central en el Machine Learning. Cuando un modelo falla, no se corrige escribiendo una regla, sino **añadiendo mejores ejemplos** o ajustando los datos de entrenamiento.
Este enfoque conecta directamente con la evaluación formativa. Tanto las máquinas como las personas **aprenden cuando el error se convierte en información**, no en castigo.
#### Límites, ética y responsabilidad educativa
Trabajar con Machine Learning en educación implica una responsabilidad especial. Los modelos aprenden de datos pasados, no del potencial futuro del alumnado. Pueden reproducir sesgos, simplificar realidades complejas o generar etiquetas que condicionen expectativas.
Por eso, el Machine Learning debe entenderse siempre como **una herramienta de apoyo al profesorado**, nunca como un sustituto del criterio pedagógico. La máquina detecta patrones; el docente entiende personas, contextos y trayectorias.
#### Conclusión
El Machine Learning nos recuerda que aprender es un proceso acumulativo. Sin ejemplos, no hay aprendizaje. Sin experiencia, no hay interpretación. Esto es cierto para las máquinas… y también para las personas.
El caso de quienes recuperan la visión en la edad adulta nos enseña que **ver no es solo recibir estímulos, sino haber aprendido a interpretarlos**. La IA puede aprender rápido, pero no comprende. Las personas aprenden más despacio, pero dan sentido a lo aprendido.
> **Las máquinas aprenden de los datos; la educación enseña a comprender el mundo.**
# 1.4 Entendiendo las redes neuronales, Deep Learning
#### Deep Learning (DL): cuando las máquinas aprenden representaciones complejas
El **Deep Learning (aprendizaje profundo)** es una parte del **Machine Learning** que se centra en el uso de **redes neuronales artificiales con múltiples capas** para construir modelos capaces de aprender patrones complejos a partir de grandes cantidades de datos. Mientras que muchos algoritmos clásicos de Machine Learning trabajan con modelos relativamente simples, el Deep Learning utiliza estructuras más profundas en las que la información pasa por varias capas sucesivas de procesamiento.
Una red neuronal profunda está formada, en términos generales, por tres tipos de capas: una **capa de entrada**, que recibe los datos; una o varias **capas ocultas**, donde se realiza el procesamiento; y una **capa de salida**, que produce el resultado final. Cada capa está compuesta por unidades llamadas **neuronas artificiales**, que realizan operaciones matemáticas sobre los datos que reciben y transmiten el resultado a la siguiente capa.
Lo que hace que un sistema sea “profundo” es precisamente el número de capas intermedias. En lugar de transformar los datos en un único paso, como ocurre en muchos algoritmos tradicionales, el Deep Learning los transforma **progresivamente**, capa tras capa. Cada capa aprende a representar la información con un nivel mayor de abstracción. Por ejemplo, en un sistema que analiza imágenes, las primeras capas pueden detectar bordes o colores, las siguientes pueden identificar formas, y las capas más profundas pueden reconocer objetos completos.
Este enfoque permite construir modelos capaces de aprender relaciones muy complejas entre los datos. Las redes profundas pueden modelar funciones no lineales muy sofisticadas y detectar patrones que serían difíciles de describir mediante reglas manuales. Por esa razón, el Deep Learning se ha convertido en el paradigma dominante en muchas áreas de la inteligencia artificial moderna, especialmente en problemas que implican grandes volúmenes de información como imágenes, audio o lenguaje natural.
Otro aspecto importante es que, a diferencia de muchos métodos tradicionales de Machine Learning, las redes profundas **aprenden automáticamente las características relevantes de los datos**. En enfoques clásicos era habitual que los programadores tuvieran que definir manualmente qué rasgos debía analizar el sistema. En Deep Learning, en cambio, las capas de la red descubren por sí mismas qué representaciones son útiles para resolver la tarea.
Gracias a esta capacidad, el Deep Learning ha permitido avances muy importantes en campos como la visión artificial, el reconocimiento de voz o el procesamiento del lenguaje natural. De hecho, muchas de las tecnologías actuales de inteligencia artificial —incluidos los modelos generativos y los grandes modelos de lenguaje— se basan precisamente en arquitecturas de redes neuronales profundas.
En resumen, el Deep Learning puede entenderse como una evolución del Machine Learning en la que los modelos se construyen mediante **redes neuronales con múltiples capas de procesamiento**, capaces de aprender representaciones cada vez más complejas de los datos y de abordar problemas que antes resultaban muy difíciles para los sistemas informáticos.
#### Del Machine Learning al Deep Learning: una evolución lógica
En los capítulos anteriores hemos visto **cómo aprenden las máquinas** y qué entendemos por *Machine Learning*: aprender a partir de datos siguiendo distintos enfoques (supervisado, no supervisado, semisupervisado y por refuerzo). El **Deep Learning (DL)** no cambia esa lógica, pero **la amplifica**.
La diferencia fundamental no está en *qué* se aprende, sino en *cómo*. El Deep Learning utiliza **redes neuronales con muchas capas**, capaces de aprender representaciones cada vez más complejas sin que una persona tenga que indicar explícitamente qué características son importantes. En lugar de decirle a la máquina “fíjate en esto”, se le dan datos y se deja que **descubra por sí misma los niveles de información relevantes**.
Por eso, el Deep Learning ha sido decisivo en ámbitos donde la complejidad del dato —texto, imagen, audio o vídeo— hacía imposible escribir reglas manuales.
#### Aprender a interpretar: una analogía humana clave
Volvemos a una analogía muy potente desde el punto de vista educativo. Cuando una persona nace ciega y recupera la visión en la edad adulta, sus ojos comienzan a funcionar, pero su cerebro **no sabe interpretar lo que recibe**. No reconoce objetos ni caras; ve estímulos sin significado. Solo tras un largo proceso de aprendizaje empieza a construir una interpretación del mundo visual.
El Deep Learning funciona de forma muy similar. Una imagen no es “un perro”, un audio no es “una voz” y un texto no es “una idea”. Para la máquina, todo son números. Las primeras capas de una red neuronal profunda aprenden patrones simples; las siguientes, combinaciones más complejas; y las últimas, estructuras de alto nivel. El significado **no está dado**, se construye a partir del aprendizaje progresivo.
#### Redes neuronales profundas: aprender por niveles
Una red neuronal profunda transforma la información **capa a capa**. Cada capa aprende algo distinto y lo pasa a la siguiente. Cuantas más capas, más compleja puede ser la representación aprendida.
En educación, el paralelismo es claro: no se pasa directamente de datos a comprensión profunda. El aprendizaje humano también es gradual. El Deep Learning imita esa progresión, aunque sin conciencia ni comprensión real.
*Esquema de una red que aprende imágenes, en cada capa se detectan diferentes aspectos de mayor detalle*
#### Modelos reales de Deep Learning según el tipo de dato
Uno de los grandes valores del Deep Learning es que **la misma idea funciona para distintos tipos de información**, cambiando el modelo concreto. Veamos algunos ejemplos reales y conocidos, aplicables a diferentes ámbitos.
**Modelos de DL aplicado al texto**
En el procesamiento del lenguaje natural, el Deep Learning se apoya en **modelos basados en transformers**, capaces de manejar el contexto y las relaciones entre palabras a gran escala.
Ejemplos de modelos reales:
- **GPT** (familia de modelos generativos de lenguaje)
- **BERT**
- **RoBERTa**
- **T5**
- **LLaMA**
- **Mistral**
Estos modelos se utilizan para:
- generar textos,
- resumir documentos,
- responder preguntas,
- analizar sentimientos,
- clasificar y corregir textos.
Aunque puedan parecer “inteligentes”, su funcionamiento se basa en **predecir la siguiente palabra más probable** a partir de enormes cantidades de texto previamente analizado.
**Modelos de DL aplicado al audio**
En el ámbito del audio, el Deep Learning ha revolucionado el reconocimiento y la generación de voz. Las redes neuronales profundas aprenden a transformar ondas sonoras en representaciones lingüísticas.
Ejemplos de modelos reales:
- **Whisper** (transcripción de audio a texto)
- **Wav2Vec**
- **DeepSpeech**
- **Conformer**
- **Tacotron**
- **WaveNet**
Estos modelos permiten:
- transcribir clases grabadas,
- crear subtítulos automáticos,
- generar voz sintética,
- mejorar la accesibilidad educativa.
Aquí, las capas iniciales trabajan con frecuencias y ritmos; las posteriores, con fonemas y palabras completas.
**Modelos de DL aplicado a imagen**
En visión artificial, el Deep Learning se apoya en **redes convolucionales** y modelos visuales profundos que aprenden a reconocer patrones espaciales.
Ejemplos de modelos reales:
- **ResNet**
- **VGG**
- **Inception**
- **EfficientNet**
- **YOLO**
- **Vision Transformer (ViT)**
Estos modelos se utilizan para:
- reconocimiento de objetos y personas,
- análisis de imágenes médicas o educativas,
- detección de gestos,
- clasificación y etiquetado automático de imágenes.
Las primeras capas detectan bordes y colores; las últimas reconocen objetos completos.
**Modelos de DL aplicado a vídeo**
El vídeo añade una dimensión adicional: el **tiempo**. Los modelos de Deep Learning para vídeo combinan análisis de imagen con secuencias temporales.
Ejemplos de modelos reales:
- **I3D**
- **SlowFast**
- **C3D**
- **TimeSformer**
- **Video Swin Transformer**
Estos modelos permiten:
- analizar prácticas grabadas,
- detectar acciones o comportamientos,
- estudiar movimientos y posturas,
- indexar grandes repositorios audiovisuales.
En educación, esto abre posibilidades en FP, educación física, artes escénicas o formación técnica.
#### Herramientas y entornos para aplicar el Deep Learning
> El uso de estas herramientas requiere un cierto conocimiento previo de tecnologías o lenguajes como python
Hoy en día el **Deep Learning** no se utiliza de forma aislada, sino que forma parte de un ecosistema de herramientas y plataformas que permiten crear, entrenar o utilizar modelos de inteligencia artificial en distintos contextos. Muchas de estas tecnologías se apoyan en redes neuronales profundas y permiten trabajar con datos de texto, imagen, audio o vídeo. Entre las más conocidas se encuentran **TensorFlow, PyTorch o Keras**, que son bibliotecas utilizadas para construir y entrenar modelos de aprendizaje profundo. Estas herramientas permiten definir redes neuronales, entrenarlas con datos y utilizarlas posteriormente para realizar predicciones o clasificaciones.
A su alrededor han aparecido también otras plataformas que facilitan el uso de estos modelos en aplicaciones más complejas. Por ejemplo, **Hugging Face** proporciona repositorios de modelos ya entrenados que pueden reutilizarse para tareas como procesamiento de lenguaje natural, análisis de texto o generación de contenido. Herramientas como **LangChain** permiten integrar modelos de lenguaje en aplicaciones más amplias, conectándolos con bases de datos, buscadores o sistemas externos.
Existen además entornos pensados para experimentar o aprender con estos modelos sin necesidad de instalar software complejo. Un ejemplo muy utilizado en educación es **Google Colab**, que permite ejecutar código Python directamente desde el navegador y trabajar con bibliotecas de aprendizaje automático utilizando recursos en la nube, incluso con acceso a GPU.
Junto a estas herramientas más técnicas también han aparecido plataformas que intentan acercar la inteligencia artificial a un público más amplio. **Teachable Machine**, por ejemplo, permite crear pequeños modelos de reconocimiento de imágenes o sonidos mediante una interfaz visual, algo muy útil en contextos educativos para entender los principios del aprendizaje automático.
Por último, herramientas como **AutoML** automatizan parte del proceso de creación de modelos, seleccionando algoritmos o ajustando parámetros de forma automática para facilitar el desarrollo de sistemas de Machine Learning sin necesidad de diseñar todo el modelo manualmente.
En conjunto, todas estas tecnologías forman parte del ecosistema actual del Deep Learning. No es imprescindible dominarlas todas para comprender la inteligencia artificial, pero sí resulta importante entender qué tipo de aprendizaje y qué modelos hay detrás de cada herramienta. En el fondo, muchas de estas plataformas utilizan las mismas ideas fundamentales del Machine Learning y del Deep Learning: redes neuronales, grandes conjuntos de datos y algoritmos capaces de aprender patrones complejos a partir de la información disponible.
#### Deep Learning y los tipos de aprendizaje ya estudiados
Conviene recordar que el **Deep Learning** no es un tipo de aprendizaje diferente dentro de la inteligencia artificial, sino una **tecnología o arquitectura de modelos** basada en redes neuronales profundas que puede entrenarse utilizando distintos enfoques de Machine Learning. Es decir, las redes profundas pueden aprender de varias maneras: mediante aprendizaje supervisado, cuando se entrenan con datos etiquetados; mediante aprendizaje no supervisado, cuando descubren estructuras o patrones en grandes conjuntos de datos; mediante aprendizaje semisupervisado, combinando pequeñas cantidades de datos etiquetados con muchos datos sin etiquetar; o mediante aprendizaje por refuerzo, donde el sistema aprende a partir de la interacción con un entorno y de recompensas o penalizaciones asociadas a sus acciones.
Un ejemplo muy conocido de esta combinación es **AlphaGo**, el sistema desarrollado por DeepMind para jugar al juego de mesa Go. Este sistema utilizaba **redes neuronales profundas** que inicialmente aprendieron observando partidas humanas y después mejoraron mediante **aprendizaje por refuerzo jugando millones de partidas contra sí mismo**. De este modo, el sistema fue capaz de desarrollar estrategias muy complejas, incluso algunas que sorprendieron a jugadores profesionales.
En el ámbito educativo, el Deep Learning abre posibilidades que hace apenas unos años resultaban difíciles de imaginar. Gracias a estas redes profundas es posible trabajar con **grandes volúmenes de información compleja**, como textos largos, audio, imágenes o vídeo, lo que permite desarrollar herramientas de análisis, accesibilidad o generación de contenidos educativos mucho más avanzadas. Por ejemplo, pueden utilizarse para analizar textos académicos, reconocer voz en herramientas de aprendizaje de idiomas o generar materiales didácticos a partir de diferentes fuentes de información.
Sin embargo, también es importante mantener una cierta prudencia pedagógica. Los modelos basados en Deep Learning suelen ser muy eficaces, pero su funcionamiento interno puede resultar difícil de interpretar, lo que a menudo se describe como el problema de la **“caja negra”**. En otras palabras, el sistema puede ofrecer resultados muy precisos sin que siempre podamos explicar con claridad cómo ha llegado a esa conclusión. Por este motivo, en educación su uso debe entenderse como **una herramienta de apoyo**, útil para analizar información o generar recursos, pero no como un sistema que tome decisiones educativas de forma autónoma.
#### Conclusión
El Deep Learning ha demostrado que las máquinas pueden aprender representaciones extremadamente complejas a partir de datos. Pero también nos recuerda una lección clave para la educación:
> **Las máquinas aprenden patrones profundos; las personas aprenden significados profundos.**
# 1.5 Modelos de Lenguaje, tipos y aplicaciones
En los últimos años, una de las áreas de la Inteligencia Artificial que más ha avanzado es la relacionada con el **lenguaje humano**. Los sistemas actuales son capaces de leer textos, resumir información, traducir entre idiomas o responder preguntas de forma bastante natural. Este conjunto de tecnologías se conoce como **Procesamiento del Lenguaje Natural**, o *Natural Language Processing (NLP)*.
Para entenderlo de forma sencilla, podemos pensar en estos sistemas como **lectores muy rápidos que han leído millones de textos**. A partir de ese entrenamiento, aprenden cómo suelen aparecer las palabras juntas, qué estructuras tienen las frases o cómo se organizan las ideas en un texto.
Un símil útil para explicarlo es el de un estudiante que ha leído muchos libros. Con el tiempo, ese estudiante empieza a reconocer patrones: sabe cómo se construyen las frases, cómo se explican ciertos conceptos o qué palabras suelen aparecer en determinados contextos. Los modelos de lenguaje funcionan de una forma similar, aunque a una escala mucho mayor.
Por ejemplo, cuando utilizamos un sistema como *ChatGPT* para pedir un resumen de un texto o para generar una explicación de un concepto, el modelo no está “pensando” en el sentido humano. Lo que hace es **predecir qué palabras tienen más probabilidad de aparecer a continuación en una frase**, basándose en los patrones que aprendió durante su entrenamiento.
Este tipo de modelos se conocen como **modelos de lenguaje** porque están diseñados precisamente para trabajar con lenguaje. Su tarea básica consiste en **predecir la siguiente palabra dentro de una secuencia de texto**, pero a partir de esta capacidad básica se pueden construir muchas aplicaciones diferentes: traducción automática, asistentes conversacionales, análisis de textos o generación de contenido.
En el ámbito educativo, estas herramientas pueden utilizarse para **explicar conceptos, generar ejemplos, resumir textos o apoyar la elaboración de materiales didácticos**. Sin embargo, también es importante recordar que los modelos de lenguaje no comprenden el mundo como lo hace una persona. Su conocimiento se basa en patrones estadísticos aprendidos a partir de grandes cantidades de datos.
Por ello, una buena forma de trabajar con estas herramientas en el aula es entenderlas como **un asistente que ayuda a explorar el lenguaje y la información**, pero cuyo resultado siempre debe ser revisado críticamente por el usuario. De esta manera, los modelos de lenguaje pueden convertirse en una herramienta interesante para apoyar el aprendizaje y al mismo tiempo reflexionar sobre cómo funcionan los sistemas actuales de Inteligencia Artificial.
#### Procesamiento del Lenguaje Natural (NLP)
El **Procesamiento del Lenguaje Natural**, conocido habitualmente como **NLP (Natural Language Processing)**, es la rama de la Inteligencia Artificial que se ocupa de que los ordenadores puedan **analizar, comprender y trabajar con textos escritos o hablados en lenguaje humano**.
Podemos imaginarlo como el conjunto de técnicas que permiten a una máquina hacer tareas que normalmente asociamos a la lectura o al análisis del lenguaje. Por ejemplo, identificar las palabras importantes de un texto, clasificar documentos, detectar el tema principal de un artículo o responder preguntas.
Un símil útil para entenderlo en el aula es el de un **profesor que corrige muchos exámenes**. Con el tiempo, el profesor aprende a reconocer rápidamente ciertas palabras clave o estructuras que indican si el alumno ha entendido el tema. Los sistemas de NLP hacen algo parecido: analizan los textos buscando patrones que permitan interpretar su contenido.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/HHbimage.png)
Antes de la aparición de los modelos de lenguaje actuales, muchas aplicaciones de **procesamiento del lenguaje natural (NLP)** se basaban en métodos estadísticos relativamente simples pero muy eficaces. Uno de los más conocidos es **TF-IDF (Term Frequency – Inverse Document Frequency)**, una técnica que permite estimar qué palabras son más importantes dentro de un texto comparándolas con el resto de documentos de una colección. La idea es sencilla: una palabra que aparece muchas veces en un documento suele ser relevante para ese texto, pero si esa misma palabra aparece en casi todos los documentos —como ocurre con artículos o preposiciones— su valor informativo es menor. TF-IDF combina estas dos medidas para identificar qué términos caracterizan realmente un documento dentro de un conjunto más amplio de textos.
Durante años, este tipo de técnicas fue fundamental en numerosas aplicaciones de análisis de texto. Se utilizaban en buscadores para ordenar documentos según su relevancia, en sistemas de recomendación, en clasificación automática de textos o para detectar temas dominantes dentro de grandes colecciones de documentos. A partir de estos métodos también surgieron otras tareas habituales del procesamiento del lenguaje natural, como identificar si un mensaje es spam o no, analizar el tono de una opinión para detectar sentimientos positivos o negativos, localizar nombres o fechas dentro de un texto o generar resúmenes automáticos de documentos.
Durante mucho tiempo, todas estas aplicaciones se resolvieron combinando **estadística, lingüística y reglas programadas manualmente**. Aunque estos enfoques eran relativamente simples comparados con los modelos actuales de inteligencia artificial, constituyeron la base de muchas herramientas de análisis de texto y permitieron desarrollar gran parte del procesamiento automático del lenguaje antes de la llegada de las redes neuronales profundas y los modelos generativos modernos.
Sin embargo, el campo del NLP ha experimentado una auténtica revolución desde la aparición de una nueva arquitectura de modelos llamada **Transformers**, presentada en 2017 en el famoso artículo *“Attention is All You Need”*.
Los modelos basados en transformers son capaces de analizar el contexto completo de una frase y comprender mejor las relaciones entre palabras. Gracias a esta arquitectura se han desarrollado los actuales **modelos de lenguaje de gran tamaño (LLM)**, como GPT, Gemini o Claude.
Esto ha permitido que muchas tareas de procesamiento del lenguaje que antes requerían sistemas complejos y específicos ahora puedan resolverse con **un único modelo capaz de realizar múltiples tareas**: traducir, resumir, responder preguntas o generar texto.
En otras palabras, técnicas clásicas como TF-IDF o los modelos estadísticos tradicionales siguen siendo importantes para entender los fundamentos del NLP, pero los modelos actuales basados en transformers han ampliado enormemente las capacidades de los sistemas de lenguaje.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/pSbimage.png)
*Arquitectura de los modelos Transformers publicada por primera vez por Google en el 2017*
Desde el punto de vista educativo, el NLP puede entenderse como **un conjunto de herramientas para analizar grandes cantidades de texto**. En un mundo donde cada día se generan millones de documentos, artículos y mensajes, estas técnicas permiten organizar la información, detectar patrones y extraer conocimiento.
Para el profesorado de asignaturas científicas o tecnológicas, explicar el NLP también puede ser una buena oportunidad para conectar **lingüística, estadística y computación**, mostrando cómo el lenguaje humano puede estudiarse y analizarse mediante modelos matemáticos y algoritmos.
#### De los Transformers a la IA generativa
Durante muchos años, las técnicas de **Procesamiento del Lenguaje Natural (NLP)** se centraron principalmente en analizar textos: clasificar documentos, detectar palabras clave o traducir frases sencillas. Sin embargo, la aparición de los **modelos basados en transformers** supuso un cambio profundo en este campo y abrió la puerta a lo que hoy conocemos como **IA generativa**.
El punto de inflexión llegó en 2017 con la publicación del artículo científico **“Attention is All You Need”**, donde se presentó la arquitectura de los **transformers**. Este tipo de modelos introdujo un mecanismo llamado **atención**, que permite analizar las relaciones entre todas las palabras de una frase al mismo tiempo. Gracias a esto, los sistemas pueden comprender mejor el contexto completo de un texto.
Un símil útil para entenderlo es imaginar que, cuando leemos una frase, no analizamos cada palabra de forma aislada. En realidad, nuestro cerebro conecta unas palabras con otras para comprender el significado global. El mecanismo de atención de los transformers intenta hacer algo parecido: **relacionar cada palabra con las demás para interpretar mejor el mensaje**.
Gracias a esta arquitectura, los modelos de lenguaje comenzaron a entrenarse con cantidades enormes de texto procedente de libros, artículos, páginas web o documentos. Durante el entrenamiento, el modelo aprende a **predecir la siguiente palabra dentro de una secuencia**, pero al hacerlo también aprende patrones complejos del lenguaje.
Este proceso dio lugar a los **Large Language Models (LLM)** o modelos de lenguaje de gran tamaño, como GPT, BERT, LLaMA o Gemini. Estos modelos no solo pueden analizar textos, sino también **generarlos**: redactar explicaciones, resumir información, traducir entre idiomas o mantener conversaciones.
Aquí es donde aparece el concepto de **IA generativa**. Mientras que los sistemas de IA tradicionales se centraban en clasificar o analizar información, los modelos actuales pueden **crear contenido nuevo** a partir de lo que han aprendido durante el entrenamiento.
Por ejemplo, un modelo generativo puede:
- redactar un texto explicativo
- generar código de programación
- crear preguntas para un examen
- producir imágenes a partir de descripciones
- sintetizar música o voz
Aunque estas aplicaciones parecen muy distintas, muchas de ellas comparten la misma idea fundamental: **aprender patrones en grandes conjuntos de datos y utilizarlos para generar nuevos resultados**.
En el ámbito educativo, esta evolución ha transformado las posibilidades de uso de la IA. Los modelos de lenguaje ya no solo sirven para analizar textos, sino que pueden actuar como **asistentes para generar materiales didácticos, ejemplos, explicaciones o actividades**.
No obstante, es importante recordar que estos sistemas no “piensan” ni comprenden el mundo como lo hacen las personas. Funcionan identificando patrones estadísticos en los datos con los que fueron entrenados. Por ello, sus resultados siempre deben interpretarse con sentido crítico.
En resumen, la combinación del **NLP tradicional con la arquitectura de los transformers** ha permitido el desarrollo de los actuales sistemas de **IA generativa**, capaces de producir texto, imágenes, audio o vídeo. mediante los llamados LLMs o modelos de lenguaje. Esta evolución representa uno de los avances más significativos de la inteligencia artificial en las últimas décadas y está teniendo un impacto directo en ámbitos como la educación, la ciencia o la comunicación.
#### Los Modelos de Lenguaje
##### Los modelos de lenguaje (LLM)
Los **Large Language Models (LLM)** son modelos de inteligencia artificial diseñados para comprender y generar lenguaje natural. Se entrenan con enormes cantidades de texto y utilizan redes neuronales basadas en la arquitectura **transformer** para aprender patrones del lenguaje y producir respuestas coherentes. Estos modelos pueden realizar tareas como responder preguntas, resumir documentos, traducir idiomas o generar código.
Aunque todos los LLM comparten principios tecnológicos similares, pueden clasificarse según distintos criterios: su grado de apertura, la forma en que se ejecutan y algunas características técnicas fundamentales.
##### Tipos de LLM según su acceso
**Modelos propietarios o cerrados**
Los modelos cerrados son desarrollados por empresas que no publican completamente el modelo ni los datos con los que se entrenó. Normalmente se utilizan mediante **APIs en la nube** o plataformas online.
Ejemplos conocidos incluyen modelos como GPT de OpenAI, Gemini de Google o Claude de Anthropic. Estos sistemas suelen ofrecer un rendimiento muy alto porque están entrenados con grandes infraestructuras de computación y enormes conjuntos de datos, pero su uso depende de las condiciones y servicios de la empresa que los desarrolla.
**Modelos abiertos**
Los modelos abiertos (open source u open weight) publican total o parcialmente sus parámetros para que puedan descargarse y ejecutarse localmente o modificarse.
Ejemplos de este tipo de modelos son Llama, Mistral o algunas versiones de Qwen. Estos modelos permiten a investigadores y desarrolladores experimentar con ellos, entrenarlos con nuevos datos o integrarlos en sistemas propios sin depender completamente de servicios externos.
##### Modelos online y modelos locales
**Modelos online**
Muchos LLM se utilizan **a través de internet mediante APIs**. El usuario envía una consulta al servidor del modelo y recibe una respuesta generada por el sistema.
Este enfoque tiene varias ventajas:
- no requiere hardware potente
- permite acceder a modelos muy grandes
- el proveedor se encarga de las actualizaciones
Sin embargo, también implica dependencia de internet, posibles costes por uso y menor control sobre los datos enviados.
**Modelos ejecutados localmente**
Los modelos abiertos pueden ejecutarse **directamente en un ordenador o servidor local**. Esto permite trabajar sin conexión a internet y mantener los datos dentro de la propia infraestructura.
Este enfoque es especialmente interesante para investigación, entornos educativos o aplicaciones que requieren mayor privacidad.
##### Parámetros técnicos importantes
Para comprender cómo funcionan los LLM conviene conocer algunos conceptos técnicos básicos.
**Tokens**
Los modelos de lenguaje no trabajan exactamente con palabras completas, sino con **tokens**, que son fragmentos de texto. Un token puede ser una palabra, una parte de palabra o incluso un signo de puntuación. Los modelos generan texto prediciendo el siguiente token más probable en una secuencia.
**Contexto**
El **context window** o ventana de contexto es la cantidad de tokens que el modelo puede analizar al mismo tiempo. Cuanto mayor es el contexto, más información puede tener en cuenta el modelo al generar una respuesta.
**Tokens de entrenamiento**
Los LLM se entrenan con cantidades gigantescas de texto, que pueden alcanzar **billones de tokens**. Cuantos más datos de entrenamiento tenga el modelo, mayor será su capacidad para aprender patrones complejos del lenguaje.
**Tamaño del modelo**
El tamaño de un LLM se mide normalmente por su número de **parámetros**, que son las variables internas de la red neuronal que el modelo ajusta durante el entrenamiento. En general, un mayor número de parámetros permite representar patrones más complejos, aunque también requiere más recursos computacionales.
#####
##### Tabla de algunos LLM populares
Modelo
Empresa / Organización
Tipo
Características
GPT (ChatGPT)
OpenAI
Cerrado
Muy extendido, multimodal
Gemini
Google DeepMind
Cerrado
Multimodal, gran contexto
Claude
Anthropic
Cerrado
Fuerte enfoque en seguridad
Llama
Meta
Abierto
Muy usado en investigación
Mistral
Mistral AI
Abierto
Modelos eficientes y rápidos
Qwen
Alibaba
Abierto / mixto
Multilingüe y adaptable
Falcon
TII
Abierto
Popular en proyectos open source
DeepSeek
DeepSeek
Abierto
Alto rendimiento en código y razonamiento
# 1.6 Aplicaciones de procesamiento de lenguaje natural
#### Introducción al Procesamiento del Lenguaje Natural (NLP)
El **Procesamiento del Lenguaje Natural**, conocido como **NLP (Natural Language Processing)**, es una rama de la Inteligencia Artificial que se ocupa de desarrollar sistemas capaces de **analizar, interpretar y generar lenguaje humano**. Su objetivo es permitir que los ordenadores puedan trabajar con textos o con lenguaje hablado de una forma cada vez más cercana a cómo lo hacen las personas.
Para entenderlo de forma sencilla, podemos pensar que el NLP intenta resolver un problema muy concreto: **cómo hacer que una máquina entienda el lenguaje que usamos cada día**. Mientras que los ordenadores trabajan internamente con números y operaciones matemáticas, las personas nos comunicamos mediante palabras, frases y significados. El NLP actúa como un puente entre estos dos mundos.
Un símil útil es imaginar a un ordenador como si fuera **un lector que intenta aprender un idioma**. Al principio solo ve secuencias de palabras, pero a medida que analiza muchos textos empieza a reconocer patrones: qué palabras suelen aparecer juntas, cómo se construyen las frases o qué estructuras se utilizan para expresar una idea.
Durante muchos años, los sistemas de NLP se basaron en reglas lingüísticas y técnicas estadísticas relativamente simples. Por ejemplo, podían contar cuántas veces aparecía una palabra en un documento o identificar estructuras gramaticales básicas. Con el tiempo, estos métodos evolucionaron hacia modelos más complejos capaces de aprender directamente a partir de grandes cantidades de datos.
Hoy en día, gracias al desarrollo del **Machine Learning y las redes neuronales**, los sistemas de NLP pueden realizar tareas que antes parecían muy difíciles para una máquina. Entre ellas se encuentran la traducción automática, el análisis de sentimientos en textos, la clasificación de documentos o la generación de respuestas en lenguaje natural.
Estas tecnologías están presentes en muchas aplicaciones cotidianas. Los asistentes virtuales, los traductores automáticos, los buscadores de internet o los chatbots utilizan técnicas de procesamiento del lenguaje natural para interactuar con los usuarios.
En definitiva, el NLP busca que los ordenadores puedan **trabajar con el lenguaje humano de forma cada vez más eficaz**, permitiendo nuevas formas de interacción entre personas y sistemas informáticos. Este campo se ha convertido en una de las áreas más activas de la inteligencia artificial y está en la base de muchas de las herramientas digitales que utilizamos actualmente.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/YToimage.png)
#### Aplicación del NLP en el entorno educativo desde la perspectiva del profesorado
El **Procesamiento del Lenguaje Natural (NLP)** ha transformado profundamente la forma en que los docentes pueden trabajar con la información en el aula. Si durante muchos años estas tecnologías se utilizaron principalmente para analizar textos o realizar traducciones automáticas, hoy los modelos de lenguaje permiten **generar contenidos, organizar información, diseñar actividades y analizar datos educativos**.
Para el profesorado, el NLP puede entenderse como una herramienta que permite **trabajar con el lenguaje y los contenidos educativos de forma flexible**, facilitando tareas que van desde la creación de materiales hasta el análisis de información académica.
#### Generación de contenidos en distintos formatos
Una de las aplicaciones más interesantes del NLP en educación es la capacidad de generar **contenidos educativos de diferentes tipos y formatos** a partir de una misma fuente de información.
A partir de un tema o de un texto, los sistemas de IA pueden ayudar al profesorado a crear explicaciones, ejemplos, actividades o incluso propuestas de recursos multimedia. Por ejemplo, un modelo de lenguaje puede generar el guion de un vídeo educativo, sugerir ideas para ilustraciones que acompañen una explicación o diseñar preguntas que luego se integren en un juego interactivo.
Esto permite que el profesor pueda transformar un mismo contenido en distintos formatos: texto explicativo, presentación visual, cuestionarios, juegos educativos o incluso simulaciones. De esta manera, el NLP actúa como una herramienta que facilita **la creación rápida de recursos didácticos adaptados a diferentes metodologías de enseñanza**.
#### Apoyo en la presentación y organización de contenidos
Otra aplicación importante del NLP es el apoyo en la **organización y presentación de contenidos educativos**. Los modelos de lenguaje pueden ayudar a estructurar un tema, generar esquemas o identificar las ideas principales de un documento.
Esto resulta especialmente útil cuando el profesorado trabaja con grandes cantidades de información o con textos complejos que necesitan ser reorganizados para su uso en el aula. Por ejemplo, un docente puede utilizar estas herramientas para transformar un artículo científico en una explicación accesible para estudiantes de secundaria, o para crear una secuencia didáctica a partir de varios documentos.
En este sentido, el NLP funciona como un asistente que ayuda a **ordenar la información y convertirla en materiales más claros y estructurados**.
#### Generación de evaluaciones y actividades de aprendizaje
Las tecnologías basadas en NLP también pueden ayudar al profesorado a diseñar **actividades de evaluación y aprendizaje** de diferentes tipos.
A partir de un tema o de un documento, los sistemas pueden generar preguntas tipo test, ejercicios de comprensión, actividades de reflexión o propuestas de debate. También pueden sugerir diferentes niveles de dificultad o crear variantes de una misma prueba para adaptarla a distintos grupos de estudiantes.
Además, el NLP puede utilizarse para diseñar actividades más dinámicas, como juegos de preguntas, escenarios de simulación o actividades interactivas. Esto permite que la evaluación no se limite únicamente a exámenes tradicionales, sino que incorpore **diferentes formas de comprobar el aprendizaje**.
#### Análisis de información académica
Otra línea de aplicación del NLP en educación consiste en el **análisis de información académica y documental**. Las herramientas basadas en procesamiento del lenguaje permiten analizar grandes cantidades de texto, identificar patrones o extraer información relevante.
Por ejemplo, pueden utilizarse para analizar trabajos escritos, resumir documentos extensos o detectar los conceptos clave dentro de un conjunto de textos. También pueden ayudar a comparar diferentes fuentes de información o a organizar bibliografía relacionada con un tema.
En el ámbito educativo, esto puede resultar útil para el profesorado cuando trabaja con artículos científicos, materiales de investigación o documentos curriculares, ya que permite **explorar grandes volúmenes de información de forma más eficiente**.
#### Una herramienta transversal para el trabajo docente
En conjunto, el NLP puede convertirse en una herramienta transversal que apoye distintas dimensiones del trabajo docente: la creación de contenidos, la organización de materiales, el diseño de actividades y el análisis de información académica.
Desde esta perspectiva, los modelos de lenguaje no sustituyen el criterio pedagógico del profesorado, pero sí pueden actuar como **un asistente que ayuda a explorar ideas, generar recursos y estructurar información**.
Utilizadas de forma crítica y reflexiva, estas tecnologías pueden contribuir a enriquecer la práctica docente y a facilitar nuevas formas de enseñanza adaptadas a un entorno educativo cada vez más digital y multimodal.
# 1.7 Agentes: herramientas, memoria y planificación
En los últimos años ha comenzado a hablarse cada vez más de **agentes de inteligencia artificial**. Aunque el término puede sonar técnico, la idea es bastante sencilla: un agente es un sistema de IA que no solo responde a una pregunta, sino que **puede realizar varias acciones para resolver una tarea más compleja**.
Una forma fácil de entenderlo es compararlo con un **asistente que trabaja por pasos**. Mientras que un chatbot tradicional responde a una pregunta concreta, un agente puede organizar una serie de acciones: buscar información, analizarla, utilizar herramientas externas y finalmente generar una respuesta.
Desde el punto de vista educativo, esto abre posibilidades interesantes, ya que estos sistemas pueden actuar como **asistentes más completos para tareas relacionadas con el aprendizaje, la investigación o la preparación de materiales**.
#### De conversar a actuar: el siguiente paso natural
En la sección anterior hemos visto cómo los **chatbots** y los **asistentes** utilizan el **Procesamiento del Lenguaje Natural (NLP)** para conversar con personas, responder preguntas y ofrecer ayuda contextual. Sin embargo, en los últimos años ha aparecido un nuevo concepto que marca un cambio profundo en la forma en que interactuamos con la Inteligencia Artificial: **los agentes**.
Un **agente de IA** no se limita a generar respuestas en lenguaje natural. Su rasgo distintivo es que **tiene un objetivo** y es capaz de **actuar para alcanzarlo**, utilizando herramientas, recordando información relevante y planificando una secuencia de pasos. Esta capacidad convierte a los agentes en sistemas mucho más potentes… y también más delicados desde el punto de vista educativo.
#### **Qué define realmente a un agente de IA**
Un agente puede entenderse como la combinación de tres elementos clave:
1. **Un modelo de lenguaje** que le permite razonar de forma aproximada y comunicarse.
2. **Un conjunto de herramientas** que le permiten interactuar con el mundo digital.
3. **Un sistema de memoria y planificación** que le permite mantener coherencia y avanzar hacia un objetivo.
La diferencia fundamental respecto a un asistente es que el agente **no espera instrucciones paso a paso**. Una vez definido el objetivo, decide qué hacer, en qué orden y con qué recursos.
En educación, esta diferencia es crítica:
un agente no solo apoya el aprendizaje, **puede influir en cómo se desarrolla**.
#### Uso de herramientas
Uno de los elementos clave de los agentes es la capacidad de utilizar **herramientas externas**. Un agente puede conectarse a diferentes servicios o recursos para completar una tarea.
Por ejemplo, puede:
- consultar información en internet
- analizar un documento
- generar una gráfica
- ejecutar código
- crear una simulación
En el aula, esto significa que un sistema de IA podría ayudar al alumnado a **explorar un problema desde distintas perspectivas**. Por ejemplo, ante una pregunta sobre el cambio climático, el agente podría buscar datos, generar una visualización y explicar el fenómeno paso a paso.
Para el profesorado, esto también abre la posibilidad de diseñar actividades en las que el alumnado utilice la IA no solo para obtener respuestas, sino para **investigar, contrastar información y construir explicaciones más completas**.
#### Memoria
Otro aspecto importante de los agentes es la **memoria**. Mientras que muchos sistemas de IA tradicionales responden únicamente a una interacción concreta, los agentes pueden mantener cierta memoria del contexto o de interacciones anteriores.
Podemos imaginarlo como un profesor que recuerda lo que se ha trabajado en clases anteriores. Gracias a esa memoria, puede adaptar sus explicaciones o retomar un tema desde el punto donde se dejó.
En sistemas educativos basados en IA, la memoria podría permitir que el asistente recuerde qué temas ha trabajado el alumno, qué dudas ha planteado o qué tipo de ejercicios le resultan más difíciles. Esto permitiría desarrollar herramientas más cercanas a un **acompañamiento personalizado del aprendizaje**.
#### Planificación
El tercer elemento fundamental es la **planificación**. Un agente puede descomponer una tarea compleja en varios pasos y ejecutarlos de forma organizada.
Por ejemplo, si se le pide investigar un tema, podría seguir un proceso como este:
1. Buscar información relevante.
2. Analizar los documentos encontrados.
3. Resumir los conceptos principales.
4. Generar una explicación adaptada al nivel del alumno.
Este tipo de funcionamiento se parece bastante al proceso que seguimos cuando realizamos una investigación o cuando preparamos una clase. Por eso, desde la perspectiva educativa, los agentes pueden convertirse en herramientas interesantes para **organizar tareas complejas y estructurar procesos de aprendizaje**.
#### Posibilidades en el aula
Para el profesorado, los agentes de IA no deben entenderse como sustitutos del trabajo docente, sino como **herramientas que pueden ampliar las posibilidades del aprendizaje**.
Por ejemplo, podrían utilizarse para:
- crear asistentes que ayuden a explorar un tema paso a paso
- diseñar actividades de investigación guiada
- generar simulaciones o análisis de datos
- apoyar proyectos educativos complejos
También pueden servir para enseñar al alumnado cómo trabajar con sistemas de IA de forma crítica, comprendiendo sus capacidades y sus limitaciones.
En definitiva, los agentes representan un paso más en la evolución de la inteligencia artificial: sistemas que no solo generan respuestas, sino que **pueden organizar acciones, utilizar herramientas y colaborar en la resolución de problemas**. En el contexto educativo, esto abre nuevas posibilidades para diseñar experiencias de aprendizaje más exploratorias, interactivas y adaptadas al contexto del aula.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/ydzimage.png)
*Cuando la IA deja de responder y empieza a actuar*
#### Ejemplos educativos de agentes
En contextos educativos, los agentes pueden utilizarse con mucho valor si se diseñan con cuidado:
- **Agentes tutores** que acompañan el estudio autónomo, proponiendo preguntas y pistas en lugar de respuestas directas.
- **Agentes de proyecto** que ayudan a organizar tareas largas, recordando plazos y criterios.
- **Agentes de apoyo al profesorado** que recopilan información, analizan datos o preparan borradores.
- **Agentes de simulación** en FP, que recrean situaciones profesionales complejas y reaccionan a las decisiones del alumnado.
En todos los casos, el agente **no sustituye al docente**, sino que amplía su capacidad de acompañamiento.
#### Riesgos específicos de los agentes en educación
Precisamente por su potencia, los agentes plantean riesgos que no aparecen con simples chatbots:
- Pueden tomar demasiadas decisiones por el alumnado o el profesorado.
- Pueden reducir la autonomía si se usan sin límites.
- Pueden generar dependencia.
- Pueden actuar sobre información sensible si no se controla su acceso a herramientas y memoria.
Por eso, el uso educativo de agentes exige:
- objetivos muy claros,
- límites técnicos bien definidos,
- supervisión humana constante,
- reflexión pedagógica previa.
#### Herramientas y entornos para gestión de agentes
En el ecosistema actual de la inteligencia artificial están apareciendo cada vez más **herramientas y entornos que permiten crear y utilizar agentes**. Estos sistemas facilitan que los modelos de lenguaje no se limiten a responder preguntas, sino que puedan **organizar tareas, utilizar herramientas externas y ejecutar procesos de forma automática**.
Para entenderlo de forma sencilla, podemos imaginar estos entornos como **plataformas que permiten construir asistentes inteligentes más complejos**, capaces de realizar varias acciones encadenadas. En lugar de un simple *chatbot* que responde a una pregunta, estos sistemas permiten diseñar agentes que investigan información, utilizan aplicaciones externas, analizan datos o generan resultados a partir de varios pasos.
Desde el punto de vista educativo o profesional, no es necesario dominar todas estas herramientas para comprender el concepto. Lo importante es entender **qué tipo de capacidades hacen posibles**.
En paralelo al desarrollo de frameworks técnicos para crear agentes de IA, han aparecido numerosas **plataformas visuales o de bajo código (low-code / no-code)** que permiten construir sistemas basados en agentes sin necesidad de conocimientos avanzados de programación.
Estas herramientas están diseñadas para que los usuarios puedan **definir objetivos, conectar fuentes de información y automatizar procesos mediante interfaces gráficas**, donde las acciones se organizan en forma de flujos de trabajo o bloques funcionales.
Desde la perspectiva educativa, esto es especialmente interesante porque permite experimentar con el concepto de agentes sin entrar necesariamente en aspectos técnicos complejos.
##### Automatización basada en agentes
Además de los entornos de desarrollo tradicionales, están apareciendo herramientas orientadas a la **automatización de tareas mediante agentes**. En estos sistemas, la inteligencia artificial se utiliza para coordinar procesos que antes requerían intervención humana constante.
Por ejemplo, un agente puede automatizar tareas como:
- recopilar información de distintas fuentes
- analizar documentos
- generar informes
- organizar datos
- ejecutar procesos repetitivos
En muchos casos, estos sistemas combinan **modelos de lenguaje con herramientas externas**, como bases de datos, servicios web o aplicaciones de análisis. El agente interpreta una solicitud, decide qué herramientas utilizar y ejecuta los pasos necesarios para completar la tarea.
---
##### Plataformas visuales para crear agentes
Entre las herramientas que permiten crear agentes sin necesidad de programación destacan varias plataformas que utilizan **interfaces visuales o sistemas de automatización**.
**n8n**
Es una plataforma de automatización de flujos de trabajo que permite conectar diferentes aplicaciones, servicios web y modelos de IA. Los procesos se construyen mediante nodos visuales que representan acciones o herramientas. En combinación con modelos de lenguaje, puede utilizarse para crear agentes que analicen información, generen contenido o ejecuten tareas automáticas.
**Flowise**
Permite crear agentes conectando modelos de lenguaje, herramientas y bases de datos mediante una interfaz gráfica. Está especialmente orientado a construir aplicaciones basadas en IA sin necesidad de escribir código.
**Langflow**
Ofrece una interfaz visual para trabajar con componentes de modelos de lenguaje y agentes, permitiendo construir flujos de trabajo de forma gráfica.
**Dust**
Está orientado a crear asistentes que trabajan con documentos y bases de conocimiento. Permite diseñar agentes que consultan información y generan respuestas estructuradas.
**Zapier**
Tradicionalmente conocido por la automatización entre aplicaciones, ahora incorpora capacidades de IA que permiten crear agentes capaces de gestionar tareas automáticas entre diferentes servicios.
**Make**
Otra plataforma de automatización visual que permite conectar aplicaciones y crear flujos de trabajo complejos. Con la integración de modelos de lenguaje, estos flujos pueden comportarse como agentes que interpretan información y ejecutan acciones.
Este tipo de plataformas permite crear sistemas en los que la inteligencia artificial actúa como **coordinadora de procesos**. En lugar de limitarse a responder preguntas, el agente puede:
- buscar información en varias fuentes
- analizar documentos o datos
- generar contenido o informes
- activar procesos en otras aplicaciones
- organizar información automáticamente
En esencia, el agente funciona como un **intermediario inteligente entre distintas herramientas y fuentes de información**.
El campo de los agentes de IA está evolucionando muy rápidamente y aparecen nuevas herramientas con frecuencia. Sin embargo, desde el punto de vista conceptual lo importante es comprender la idea central: los agentes permiten que los modelos de IA **pasen de responder preguntas a ejecutar procesos más complejos**.
En el ámbito educativo, entender esta evolución puede ser especialmente interesante, ya que abre la puerta a nuevas formas de trabajar con la información, automatizar tareas o diseñar experiencias de aprendizaje más interactivas.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/qD6image.png)
*Web de la herramienta n8n que facilita la automatización sin código*
#### Plataformas avanzadas para construir agentes
Existen distintos entornos de desarrollo que permiten crear agentes conectando modelos de lenguaje con herramientas, datos y procesos.
Muchos de ellos requieren un conocimiento técnico que queda fuera del objeto de este curso. Sin embargo queremos hacer una mención a los mismos por completar el contenido de esta sección.
Por ejemplo, **LangChain** es uno de los *frameworks* más conocidos para construir aplicaciones basadas en modelos de lenguaje. Permite conectar un modelo con documentos, bases de datos o APIs y crear sistemas que ejecutan diferentes pasos para resolver una tarea.
Otro entorno muy utilizado es **LlamaIndex**, que está orientado especialmente a conectar modelos de lenguaje con colecciones de documentos o bases de conocimiento. Esto permite crear agentes que pueden buscar información en grandes conjuntos de datos antes de generar una respuesta.
También han aparecido proyectos experimentales como **Auto-GPT**, que exploran la idea de agentes capaces de organizar tareas de forma más autónoma. En estos sistemas el agente puede dividir un objetivo en varias subtareas y ejecutarlas de forma progresiva.
En la misma línea encontramos herramientas como **CrewAI**, que permiten crear varios agentes que colaboran entre sí. Cada agente puede tener un rol distinto (investigador, analista, redactor, etc.), y el sistema coordina su trabajo para alcanzar un objetivo común.
Por otro lado, **Semantic Kernel**, desarrollado inicialmente por Microsoft, es un entorno que permite integrar modelos de lenguaje dentro de aplicaciones y automatizar tareas mediante agentes.
#### *Agentic* AI y sistemas multiagente
En la evolución reciente de la inteligencia artificial ha comenzado a utilizarse cada vez más el concepto de **Agentic AI**. Este término hace referencia a sistemas de IA que no solo generan respuestas, sino que **actúan de forma más autónoma para alcanzar objetivos**, utilizando herramientas, memoria y planificación.
En lugar de limitarse a responder a una pregunta concreta, estos sistemas pueden organizar una serie de pasos para completar una tarea. Por ejemplo, pueden buscar información, analizar documentos, generar un informe y presentar un resultado final. Este enfoque se aproxima más a la idea de un **asistente que ejecuta procesos completos**, no solo a un modelo que produce texto.
Una evolución natural de este enfoque son los **sistemas multiagente**, en los que varios agentes trabajan de forma coordinada. Cada agente puede tener un rol específico dentro del sistema: uno puede encargarse de buscar información, otro de analizarla y otro de generar una explicación o un informe final.
Podemos imaginarlo como un pequeño equipo de trabajo donde cada miembro tiene una función distinta y todos colaboran para resolver un problema.
En el ámbito educativo, este tipo de sistemas puede resultar interesante para diseñar entornos donde la IA ayude a **investigar información, organizar contenidos o simular procesos complejos**. Sin embargo, al igual que ocurre con otras tecnologías de inteligencia artificial, su uso debe estar siempre orientado a apoyar el aprendizaje y no a sustituir el proceso educativo.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Snkimage.png)
#### CONCLUSIONES
Los **agentes de inteligencia artificial** representan un paso más en la evolución de la IA aplicada al ámbito educativo. Frente a los sistemas anteriores, que se limitaban principalmente a responder preguntas o generar textos, los agentes introducen nuevas capacidades: pueden **organizar tareas, utilizar herramientas externas, recordar información relevante y planificar procesos para alcanzar un objetivo**.
Esto supone un cambio importante en la forma en que interactuamos con la tecnología. La IA deja de ser únicamente un sistema que produce respuestas y pasa a convertirse en una herramienta capaz de **participar en procesos más complejos**, como buscar información, analizar documentos o coordinar diferentes acciones.
Sin embargo, precisamente por esa mayor capacidad, los agentes deben utilizarse **con especial sentido pedagógico** cuando se incorporan al entorno educativo.
En el aula, estas tecnologías no pueden entenderse como sustitutos del aprendizaje humano ni del criterio del profesorado. El objetivo no es delegar el proceso educativo en la máquina, sino aprovechar sus capacidades para **apoyar, enriquecer y ampliar las experiencias de aprendizaje**.
Podríamos expresarlo con una idea sencilla:
**las máquinas pueden planificar acciones, pero la educación tiene como finalidad formar personas**.
Por ello, el valor de los agentes en educación depende en gran medida de cómo se diseñen y utilicen. Cuando se integran con objetivos claros, con límites bien definidos y con una orientación pedagógica adecuada, pueden convertirse en **herramientas valiosas para investigar, explorar información o automatizar tareas de apoyo**.
En cambio, si se utilizan sin reflexión didáctica, el problema no será tecnológico, sino educativo. La clave no está únicamente en la potencia de la herramienta, sino en **cómo se integra dentro del proceso de enseñanza y aprendizaje**.
Desde esta perspectiva, los agentes de IA deben entenderse como un nuevo recurso dentro del ecosistema educativo: una tecnología con grandes posibilidades, pero cuyo verdadero valor dependerá siempre del **criterio pedagógico con el que se utilice en el aula**.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/uyjimage.png)
*Un esquema general del panorama actual incluyendo la tecnología agéntica*
# 2. Ingeniería de prompting para el diseño curricular
# 2.1 Introducción al prompting
#### Introducción
Como hemos visto en el capítulo anterior, los sistemas de IA generativa (IAGen) se basan en **modelos entrenados** con grandes **cantidades de datos** para identificar **patrones lingüísticos y producir respuestas coherentes**. Aunque su funcionamiento interno se apoya en complejos procesos matemáticos y computacionales, **desde el punto de vista del usuario la interacción se realiza principalmente a través del lenguaje.** Es decir, la persona formula una instrucción o pregunta y el sistema genera una respuesta a partir de ella. Este principio conecta directamente los fundamentos técnicos de la IA con la práctica cotidiana de su uso: la calidad de los resultados depende en gran medida de cómo se plantea esa instrucción inicial.
En este contexto surge la llamada ***ingeniería de prompting***, que puede entenderse como el **arte de comunicarse** eficazmente con un sistema de IA mediante indicaciones claras, estructuradas y progresivas. En lugar de realizar una única petición cerrada, el proceso suele adoptar la forma de una conversación en la que **el usuario orienta, corrige o amplía las instrucciones para afinar la respuesta**.
Por ejemplo, los asistentes y herramientas de IAGenerativa suelen estructurarse en torno a varios elementos básicos que facilitan la interacción con el usuario. En primer lugar, cuentan con una **interfaz conversacional**, normalmente en forma de **chat**, donde el usuario introduce instrucciones o preguntas (prompts). A partir de ahí interviene el **modelo de lenguaje** entrenado con grandes volúmenes de datos, que interpreta el significado de la instrucción y genera una respuesta coherente. Estos sistemas suelen incorporar además **mecanismos de memoria contextual**, que permiten tener en cuenta los mensajes anteriores de la conversación para mantener la continuidad del diálogo. Junto a ello aparecen funciones complementarias como **herramientas integradas** (búsqueda en la web, análisis de documentos, generación de código o imágenes) y **opciones de edición o refinamiento de respuestas**, que permiten al usuario ajustar el resultado mediante nuevas indicaciones. En conjunto, estos componentes convierten la interacción con la IA en un proceso iterativo basado en instrucciones y diálogo.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/ai6image.png)
*Interfaz de ChatGPT (2026)*
De este modo, interactuar con la inteligencia artificial implica **aprender a dialogar** con ella **a través de instrucciones**, guiando paso a paso la generación de contenido para obtener resultados más precisos, útiles y adecuados al contexto.
#### Ingeniería de prompts
La **ingeniería de prompts** es una disciplina relativamente reciente que se centra en **diseñar, formular y optimizar las instrucciones** que damos a los modelos de lenguaje para obtener respuestas más útiles, precisas y ajustadas a nuestras necesidades. En lugar de limitarse a “hacer preguntas”, el prompting consiste en **aprender a comunicarse eficazmente con la IA**, entendiendo cómo interpreta el lenguaje y cómo responde a distintos tipos de instrucciones.
Esta disciplina resulta clave para comprender tanto **las capacidades como las limitaciones de los grandes modelos de lenguaje (LLMs)**. Saber escribir buenos prompts permite aprovechar mejor su potencial, pero también entender cuándo pueden fallar, inventar información o responder de forma ambigua.
En el ámbito de la investigación, la ingeniería de prompts se utiliza para mejorar el rendimiento de los LLMs en tareas muy diversas, desde la respuesta a preguntas complejas hasta el razonamiento lógico o aritmético. En el ámbito del desarrollo, se emplea para diseñar **interacciones robustas y repetibles**, capaces de integrarse en aplicaciones reales junto con otras herramientas y sistemas.
Sin embargo, la ingeniería de prompts **no se limita a escribir una instrucción inicial**. Incluye un conjunto amplio de técnicas y habilidades que permiten guiar el comportamiento del modelo: asignarle roles, proporcionar contexto, introducir ejemplos, estructurar el formato de salida o limitar explícitamente lo que puede y no puede hacer. En este sentido, el prompting se convierte en una competencia clave para interactuar de forma consciente, crítica y eficaz con los modelos de lenguaje.
Además, un buen prompting contribuye a **mejorar la seguridad y fiabilidad de los LLMs**, ayudando a reducir respuestas inapropiadas, ambiguas o fuera de contexto. También permite ampliar sus capacidades mediante la incorporación de conocimiento específico de un dominio concreto o el uso combinado con herramientas externas.
El creciente interés por los modelos de lenguaje ha motivado la creación de guías, recursos y marcos de trabajo centrados en la ingeniería de prompts, que recopilan buenas prácticas, ejemplos, técnicas avanzadas y aplicaciones reales. En el contexto educativo, el prompting no solo es una habilidad técnica, sino también una **competencia comunicativa y cognitiva**, muy relacionada con saber formular buenas preguntas, dar instrucciones claras y reflexionar sobre el tipo de respuestas que buscamos.
##### Ventajas de un buen *prompting*
Un uso adecuado de la ingeniería de prompts aporta múltiples beneficios, tanto en contextos educativos como profesionales:
- **Respuestas de mayor calidad**
Instrucciones claras y bien estructuradas reducen ambigüedades y aumentan la precisión de las respuestas.
- **Mayor coherencia y control**
Permite guiar el tono, el nivel de profundidad y el enfoque de la respuesta, evitando salidas genéricas o irrelevantes.
- **Fomento de respuestas creativas (cuando interesa)**
Un buen prompt puede estimular la creatividad del modelo, proponiendo enfoques originales, analogías o ejemplos novedosos.
- **Uso de ejemplos como guía**
Incluir ejemplos en el prompt ayuda al modelo a entender mejor el tipo de respuesta esperada (*learning by example*).
- **Restricción y delimitación de respuestas**
Es posible limitar el formato, la extensión, el vocabulario o incluso prohibir ciertos tipos de contenido.
- **Adaptación al contexto educativo o profesional**
Permite ajustar las respuestas a un nivel concreto (ESO, FP, universidad) o a un ámbito específico (técnico, humanístico, divulgativo).
- **Mejor aprovechamiento del tiempo**
Reduce la necesidad de correcciones posteriores y de múltiples intentos.
- **Mayor fiabilidad y seguridad**
Ayuda a minimizar errores, alucinaciones y respuestas fuera de contexto.
- **Comprensión crítica de la IA**
Enseña a interactuar con los modelos de forma consciente, entendiendo que la calidad de la salida depende en gran parte de la calidad de la instrucción.
Puedes consultar [La gúia de prompt de IBM](https://www.ibm.com/es-es/think/prompt-engineering#605511093 "Guía Prompting IBM") y la [Guía Social de Promptin](https://prompts.chat/)
# 2.2 Fundamentos del prompting educativo
#### El *prompting* en educación: una competencia transversal según el rol
La llegada de los modelos de lenguaje al aula no plantea solo una cuestión tecnológica, sino **pedagógica y organizativa**. La misma herramienta puede tener efectos muy distintos según **quién la use, para qué y cómo**. Por eso, hablar de *prompting* en educación implica cambiar el enfoque: no se trata de “saber pedir cosas a la IA”, sino de **aprender a formular instrucciones con intención educativa**, ajustadas al rol y a la tarea.
En este contexto, el *prompting* se convierte en una **competencia transversal** que afecta al profesorado, al alumnado y a los equipos de gestión, y que atraviesa tareas tan diversas como la generación de contenidos, la autoevaluación o la gestión de la información.
##### El *prompting* desde el rol del alumnado
Para el alumnado, el *prompting* no debe entenderse como un atajo para obtener respuestas, sino como una **herramienta de apoyo al aprendizaje**. Aprender a formular buenos prompts equivale, en el fondo, a **aprender a pensar mejor**: aclarar qué se necesita, delimitar el problema, pedir ejemplos, contrastar ideas y reflexionar sobre las respuestas recibidas.
Aplicado a tareas concretas, el *prompting* permite al alumnado:
- **Apoyarse en la generación de contenidos**, por ejemplo para obtener explicaciones alternativas, ejemplos adicionales o reformulaciones adaptadas a su nivel.
- **Mejorar la expresión escrita**, utilizando la IA como espejo para revisar coherencia, estructura o claridad, sin sustituir la autoría.
- **Practicar la autoevaluación**, pidiendo a la IA que compare su trabajo con unos criterios dados y que señale fortalezas y aspectos a mejorar.
- **Gestionar información**, resumiendo textos largos, identificando ideas clave o comparando fuentes, siempre desde una actitud crítica.
En este rol, el *prompting* bien enfocado fomenta autonomía, metacognición y responsabilidad. Mal enfocado, puede derivar en dependencia o aprendizaje superficial. De ahí la importancia de **enseñar a preguntar, no solo a obtener respuestas**.
##### El *prompting* desde el rol del profesorado
Para el profesorado, el *prompting* se convierte en una **herramienta profesional** que ahorra tiempo, amplía posibilidades didácticas y permite centrarse en lo verdaderamente pedagógico: el acompañamiento y la toma de decisiones educativas.
Desde este rol, el *prompting* puede aplicarse a:
- **Generación y adaptación de contenidos**, creando explicaciones con distintos niveles de dificultad, ejemplos contextualizados o materiales accesibles.
- **Diseño de actividades**, situaciones de aprendizaje, casos prácticos o simulaciones ajustadas al currículo.
- **Evaluación y rúbricas**, elaborando borradores de criterios, descriptores de desempeño o instrumentos de evaluación coherentes y revisables.
- **Atención a la diversidad**, adaptando lenguaje, ritmo y formato de los materiales.
Aquí, el *prompting* no sustituye el criterio docente, sino que lo **potencia**. Un buen prompt refleja una buena planificación didáctica; uno malo suele delatar objetivos poco claros.
##### El *prompting* desde el rol del gestor o equipo directivo
En el ámbito de la gestión educativa, el *prompting* adquiere una dimensión diferente: **organización, análisis y toma de decisiones informadas**. No se trata de enseñar contenidos, sino de gestionar información compleja y procesos.
Aplicado a este rol, el *prompting* puede apoyar:
- **Gestión de información y documentación**, resumiendo normativas, informes o planes estratégicos.
- **Análisis de datos educativos**, detectando tendencias en resultados, absentismo o uso de recursos.
- **Comunicación institucional**, redactando borradores de circulares, planes o comunicaciones internas.
- **Planificación y mejora organizativa**, generando propuestas, escenarios o comparativas.
En este nivel, un buen *prompting* ayuda a **clarificar problemas, ordenar información y explorar alternativas**, pero nunca debe sustituir la responsabilidad humana en la toma de decisiones.
##### Una idea común a todos los roles
Sea cual sea el rol —alumno, docente o gestor—, el *prompting* educativo comparte una idea central:
> **la calidad de la interacción con la IA depende directamente de la claridad del propósito educativo**.
Un buen prompt no es solo técnicamente correcto; es **pedagógicamente intencional**. Define qué se busca, para qué se usa la IA y qué papel juega la persona en el proceso.
En este sentido, enseñar y aprender *prompting* es también **enseñar a pensar, a evaluar y a decidir**, competencias esenciales en una educación que convive con la Inteligencia Artificial.
#### Ejemplos de *prompts*
##### Ejemplo 1: *Prompt* muy simple
> *Explícame qué es la fotosíntesis.*
Es una instrucción válida, pero muy abierta. La IA decidirá el nivel y la profundidad de la explicación, lo que puede no ajustarse a lo que necesitas.
##### Ejemplo 2: *Prompt* con nivel educativo
> *Explícame qué es la fotosíntesis para alumnado de 1.º de ESO, usando un lenguaje sencillo y un ejemplo.*
Aquí ya se controla mejor el tipo de respuesta.
##### Ejemplo 3: *Prompt* con rol docente
> *Actúa como profesor de Biología en Educación Secundaria y explica la fotosíntesis de forma clara y estructurada, usando un pequeño esquema.*
Indicar un rol ayuda a que la explicación sea más ordenada y didáctica.
##### Ejemplo 4: *Prompt* para aprender de forma activa
> *Actúa como tutor educativo. No expliques directamente qué es la fotosíntesis. Formula preguntas que me ayuden a comprender el proceso por mí mismo.*
Este tipo de *prompt* favorece la reflexión y el aprendizaje activo.
##### Ejemplo 5: *Prompt* para evaluación (Secundaria)
> *Actúa como docente de Lengua Castellana en Educación Secundaria. Crea una rúbrica para evaluar un texto argumentativo con criterios claros y niveles de desempeño. No incluyas notas numéricas.*
La IA se utiliza aquí como apoyo al aprendizaje, no para poner calificaciones.
##### Ejemplo 6: *Prompt* para autoevaluación
> *Voy a pegar un texto que he escrito. Compáralo con estos criterios de evaluación y dime qué aspectos están bien y cuáles puedo mejorar. No reescribas el texto.*
Este uso ayuda a aprender a revisar el propio trabajo.
##### Ejemplo 7: *Prompt* con ejemplos guía
> *Clasifica los siguientes textos como “descriptivo” o “argumentativo”.
> Ejemplo:
> Texto: “El uso del transporte público reduce la contaminación.” → Argumentativo
> Ahora clasifica los textos que te voy a dar.*
Los ejemplos ayudan a la IA a entender mejor lo que se espera.
##### Ejemplo 8: *Prompt* para organizar información
> *Actúa como asesor educativo. A partir de esta información, identifica ideas principales y propón posibles líneas de mejora. No tomes decisiones, solo plantea opciones.*
Este tipo de *prompt* deja claro que la decisión final siempre corresponde a la persona.
#### Consejos generales para diseñar *prompts* en el ámbito educativo
##### Anatomía de un *prompt*
Cuando trabajamos con Inteligencia Artificial en el ámbito educativo, no basta con “hacer preguntas”. Para obtener respuestas útiles y acordes al aprendizaje, es necesario **aprender a formular bien las instrucciones**, es decir, aprender *prompting*. Un *prompt* es el mensaje que damos a la IA para indicarle qué queremos que haga y cómo queremos que lo haga.
En realidad, escribir un buen *prompt* no es algo nuevo: se parece mucho a **entender bien un enunciado** o a **dar una consigna clara en clase**. Cuanto más precisa y bien pensada es la instrucción, mejores serán las respuestas que obtengamos.
Un *prompt* bien formulado reduce la ambigüedad, evita respuestas genéricas y ayuda a que la IA actúe como una herramienta de apoyo al aprendizaje, no como un sustituto del esfuerzo personal. Aunque no existe una fórmula única, un *prompt* educativo eficaz suele incluir varios de los siguientes elementos:
**Rol de la IA:** Puedes indicar desde qué papel debe responder: profesor, tutor, ayudante, corrector, orientador, etc.
**Tarea clara:** Explica con precisión qué quieres que haga la IA: explicar, comparar, resumir, analizar, proponer ideas, revisar un texto…
**Contexto educativo:** Indica la etapa, la asignatura o la situación de aprendizaje. La IA no sabe quién eres ni qué estás enseñando si no se lo dices.
**Formato de la respuesta:** Especifica cómo quieres la respuesta: un esquema, una lista, una tabla, un texto breve, preguntas guiadas…
**Nivel y límites:** Puedes indicar el nivel de dificultad, la extensión máxima o incluso prohibir ciertas acciones, como dar la solución final.
**Ejemplos (si es necesario):** Mostrar un ejemplo suele ayudar más que una explicación larga.
No siempre es necesario incluir todos estos elementos, pero **cuantos más estén claros, mejor será el resultado**.
Recuerda **no introducir datos personales** ni trasladar tus propios **sesgos** a través del prompt.
***Preguntar bien para aprender mejor***
Diseñar buenos *prompts* no es una destreza puramente técnica asociada a la Inteligencia Artificial. En el contexto educativo, está estrechamente relacionada con **la lectura comprensiva, la escritura precisa y el pensamiento reflexivo**. Un *prompt* es, ante todo, un texto escrito, y la calidad de ese texto depende directamente de la capacidad para comprender lo que se lee y expresar con claridad lo que se quiere comunicar.
Lejos de sustituir estas competencias, el uso de la IA **las hace más necesarias que nunca**. Para obtener buenas respuestas de la IA es imprescindible formular buenas preguntas, y para formular buenas preguntas es necesario dominar el lenguaje. En este sentido, el *prompting* no debilita las habilidades tradicionales del aprendizaje, sino que **las refuerza y las pone en valor**.
***Comienza por lo simple y mejora paso a paso***
Diseñar *prompts* es un proceso **progresivo e iterativo**, muy similar a cualquier aprendizaje escolar. El primer intento rara vez es perfecto. Normalmente se escribe un *prompt*, se observa la respuesta obtenida y se reformula para mejorarla.
Este proceso tiene un gran valor educativo porque obliga a:
- releer lo escrito
- detectar ambigüedades
- precisar ideas
- mejorar la expresión.
Cuando una tarea es compleja, conviene **dividirla en partes más sencillas**. Formular varios *prompts* pequeños suele ser más eficaz que uno solo muy largo. Este enfoque fomenta la planificación, el orden y la claridad mental.
***Leer bien antes de preguntar bien***
No se puede formular un buen *prompt* sin haber leído con atención. Muchos errores al interactuar con la IA no se deben a la herramienta, sino a una **mala comprensión del enunciado, del texto o del problema**.
El *prompting* obliga a:
- identificar qué se pide realmente
- distinguir lo esencial de lo secundario
- traducir esa comprensión en una instrucción clara
De este modo, el uso educativo de la IA puede convertirse en un **estímulo para mejorar la comprensión lectora**, una competencia fundamental en todas las áreas del conocimiento.
***Da instrucciones claras y orientadas a la tarea***
Un buen *prompt* educativo emplea **verbos claros y concretos**, igual que una consigna bien formulada en el aula. Verbos como *explica*, *resume*, *analiza*, *compara* u *ordena* ayudan a definir con precisión la tarea.
También es recomendable colocar la instrucción principal **al inicio del *prompt*** y separar claramente el texto o contexto adicional. Por ejemplo:
`### Instrucción ###Resume el siguiente texto en cinco líneas, usando un lenguaje claro para alumnado de secundaria.Texto:[texto]`
Este tipo de estructura no solo mejora la respuesta de la IA, sino que **educa en organización del pensamiento y de la escritura**.
***Sé específico, pero solo en lo relevante***
Ser específico no significa escribir mucho, sino **decir exactamente lo necesario**. Un *prompt* demasiado vago produce respuestas generales; uno excesivamente largo puede resultar confuso.
La clave está en seleccionar la información relevante: nivel educativo, formato de respuesta, extensión aproximada o tipo de ayuda solicitada. Incluir ejemplos suele ser especialmente eficaz, porque muestran con claridad lo que se espera.
***Evita la imprecisión y las consignas vagas***
Expresiones como *“sé breve”*, *“explícalo un poco”* o *“no seas muy largo”* son poco útiles. Es preferible concretar:
- cuántas frases o párrafos
- para qué nivel
- con qué tipo de lenguaje
La precisión lingüística es una competencia esencial y el *prompting* contribuye a desarrollarla.
***Mejor decir qué hacer que decir qué no hacer***
Las instrucciones en positivo suelen ser más claras y eficaces que las prohibiciones. Indicar qué se espera orienta mejor la acción y reduce errores, tanto en personas como en sistemas de IA. Este principio coincide con una buena práctica educativa habitual.
##### Errores frecuentes al escribir *prompts*
Algunos errores habituales son:
- pedir demasiadas cosas en una sola instrucción
- no indicar el nivel educativo
- no decir cómo debe ser la respuesta
- usar la IA para hacer el trabajo en lugar de utilizarla como un apoyo
Aprender a escribir buenos *prompts* es, en realidad, **aprender a pensar mejor**, a aclarar qué se quiere y cómo se puede conseguir.
**Idea clave para recordar**
> **Un buen *prompt* no busca que la IA “haga el trabajo”,
> sino que ayude a aprender mejor.**
La Inteligencia Artificial puede ser una gran herramienta, pero **la responsabilidad del aprendizaje sigue siendo tuya**. Aprender a dar buenas instrucciones es también aprender a aprender.
#### Reflexión final
Para formular buenas preguntas es necesario comprender textos complejos, argumentar con rigor y expresarse con claridad, leer críticamente, escribir con precisión y pensar con profundidad. Estas competencias no son un complemento tecnológico, sino el **fundamento** para interactuar de forma inteligente y responsable con la IA.
> **Cuanto mejor se lee, mejor se escribe.
> Cuanto mejor se escribe, mejor se pregunta.
> Y cuanto mejor se pregunta, mejor se aprende.**
La Inteligencia Artificial puede ampliar nuestras capacidades, pero **solo si antes fortalecemos aquello que nos hace humanos**.
# 2.3 Ejemplos de Prompts
## Ejemplos de *prompts* según la tarea
En el apartado anterior ya se han visto los elementos básicos de un buen *prompt*. En esta sección se presentan **ejemplos prácticos** organizados por tareas habituales. La idea es sencilla: la mejor forma de aprender a diseñar *prompts* es **verlos en acción**, compararlos y experimentar con pequeñas mejoras.
A continuación se muestran varios tipos de tareas muy comunes cuando se trabaja con modelos de lenguaje: **resumir**, **extraer información**, **preguntas y respuestas**, **clasificar**, **mantener una conversación**, **generar código** y **razonar**. En cada una, se verá cómo un *prompt* bien diseñado puede guiar al modelo hacia una salida más útil, más precisa o más adecuada al objetivo.
Puedes probar estos prompts en asistentes como ChatGPT, Claude, Gemini....
##### 1) Resumen de textos
Resumir es una de las aplicaciones más útiles de los modelos de lenguaje en el ámbito educativo: ayuda a convertir textos largos en ideas clave, preparar apuntes o repasar antes de un examen.
**Prompt básico (demasiado abierto):**
> Explica qué son los antibióticos.
La respuesta puede ser larga o poco ajustada al nivel. Para controlar mejor el resultado, conviene indicar **la longitud y el formato**.
**Prompt mejorado (con restricción clara):**
> Resume el siguiente texto en **una sola frase**:
> \[pega aquí el texto sobre antibióticos\]
Este tipo de instrucción obliga al modelo a priorizar lo esencial. En resumen, cuando se pide un resumen conviene indicar: **nivel, extensión y formato**.
##### 2) Extracción de información
Además de generar textos, los modelos de lenguaje pueden **localizar datos concretos** dentro de un párrafo (nombres, fechas, lugares, conceptos, entidades…). Esta tarea es muy útil para trabajo académico, proyectos o lectura guiada.
**Ejemplo de prompt de extracción:**
> Lee el texto y extrae **el nombre del producto basado en un modelo de lenguaje** que se menciona.
> Texto:
> \[pega aquí el párrafo\]
Salida esperada (por ejemplo): “ChatGPT”.
Este uso es especialmente útil cuando el alumnado aprende a **buscar evidencia en el texto**: no se trata de opinar, sino de extraer información verificable.
##### 3) Preguntas y respuestas (con contexto)
Una de las mejores prácticas cuando se quiere que la IA responda bien es dar **contexto** y exigir que responda **solo con ese contexto**. Esto es esencial para evitar respuestas inventadas o demasiado generales.
**Prompt estructurado (buena práctica):**
> Responde a la pregunta basándote **solo** en el contexto.
> Si no aparece la respuesta, di: “No aparece en el texto”.
>
> Contexto: \[pega aquí el texto\]
> Pregunta: ¿De dónde se obtuvo originalmente el OKT3?
> Respuesta:
Este formato ayuda a que el alumnado entienda que una respuesta “bonita” no siempre es una respuesta “correcta”. La clave es aprender a pedir **respuestas justificadas**.
##### 4) Clasificación de texto
Clasificar textos es una tarea típica de NLP: sentiment (positivo/negativo), tipo de texto (narrativo/argumentativo), tema, intención, etc. Aquí, el problema frecuente es que el modelo acierte, pero no entregue **exactamente el formato** que queremos.
**Prompt simple:**
> Clasifica el texto en neutral, negativo o positivo.
> Texto: “Creo que la comida estuvo bien.”
> Sentimiento:
Puede responder “Neutral” o “neutral”. Si necesitamos una etiqueta exacta, lo mejor es **dar ejemplos**.
**Prompt con ejemplos (más control):**
> Clasifica el texto en: neutral, negativo o positivo.
> Texto: “Creo que las vacaciones están bien.” → neutral
> Texto: “Creo que la comida estuvo bien.” →
Al incluir un ejemplo, se reduce la ambigüedad del formato. En educación, esto enseña una idea clave: **si quieres una salida concreta, enseña el patrón**.
##### 5) Conversación (chatbots): “role prompting”
Para conversaciones, los modelos responden mejor si se les define un rol y un estilo. Esto es muy útil en tareas educativas: tutor, profesor, divulgador, etc.
**Prompt (rol técnico):**
> Eres un asistente de investigación. Respondes con tono técnico y científico.
> Usuario: ¿Cómo se forman los agujeros negros?
**Prompt (rol divulgativo para primaria):**
> Eres un asistente educativo. Explicas con palabras sencillas para estudiantes de primaria.
> Usuario: ¿Cómo se forman los agujeros negros?
El contenido puede ser similar, pero el estilo y el nivel cambian muchísimo. Esto sirve para trabajar la idea de **adaptar el discurso al destinatario**, una competencia clave en Lengua.
##### 6) Generación de código
Los modelos de lenguaje suelen ser muy eficaces generando código, sobre todo si se especifica el lenguaje y el objetivo.
**Prompt simple:**
> Escribe un programa que pida el nombre al usuario y muestre “Hola, \[nombre\]”.
**Prompt más avanzado (con contexto técnico):**
> Tablas:
> departments(DepartmentId, DepartmentName)
> students(DepartmentId, StudentId, StudentName)
>
> Crea una consulta MySQL para obtener todos los estudiantes del departamento “Computer Science”.
Aquí se ve algo importante: cuando se aporta el “mundo” (el esquema de datos), la IA puede producir respuestas más correctas.
##### 7) Razonamiento: pedir pasos mejora la fiabilidad
El razonamiento es una tarea difícil para los modelos. Por eso, en problemas de lógica o matemáticas, suele funcionar mejor pedir que lo resuelva **paso a paso**, en lugar de exigir una respuesta inmediata.
**Prompt que puede fallar:**
> Los números impares del grupo suman un número par: 15, 32, 5, 13, 82, 7, 1. ¿Es cierto?
**Prompt mejorado (con método):**
> Resuelve paso a paso:
>
> 1. Identifica los números impares.
> 2. Súmalos.
> 3. Indica si la suma es par o impar.
> Lista: 15, 32, 5, 13, 82, 7, 1.
Este tipo de instrucciones reduce errores y, además, tiene un valor educativo claro: obliga a explicitar el procedimiento.
##### Cierre: aprender mediante ejemplos y práctica
Estos ejemplos muestran una idea central: **la IA no responde “mejor” por magia**, responde mejor cuando el *prompt* está mejor diseñado. Por eso, aprender *prompting* significa aprender a:
- concretar tareas,
- dar contexto relevante,
- fijar formatos,
- añadir ejemplos cuando conviene,
- y pedir procesos (no solo resultados) en tareas complejas.
A partir de aquí, el paso siguiente natural es practicar: proponer un *prompt*, ver qué ocurre, mejorarlo y comparar resultados. Esa mejora continua es, en realidad, una forma de aprendizaje activo.
# 2.4 Técnicas intermedias y avanzadas de prompting
### Técnicas avanzadas de *prompting*
**Cómo guiar a la IA en tareas más complejas**
A estas alturas ya resulta evidente que **mejorar la forma en que escribimos los *prompts* mejora directamente la calidad de las respuestas**. Esa es la idea central de la ingeniería de *prompts*: no cambiar el modelo, sino **cambiar cómo nos comunicamos con él**.
Los ejemplos vistos hasta ahora permiten resolver tareas habituales, pero cuando el objetivo es más complejo —razonamiento, planificación, análisis profundo, uso de fuentes externas o toma de decisiones guiadas— es necesario recurrir a **técnicas de *prompting* más avanzadas**. Estas técnicas no hacen a la IA “más inteligente”, pero sí la **obligan a trabajar de forma más estructurada**, más parecida a cómo razonaría una persona.
En el contexto educativo, no es necesario dominar todas estas técnicas, pero sí **conocer que existen**, entender para qué sirven y saber en qué situaciones pueden resultar útiles.
Muchas de ellas, además, tienen un gran valor pedagógico porque fomentan procesos como el razonamiento paso a paso, la reflexión o la contrastación de información.
A continuación se presenta una **tabla resumen** con las principales técnicas avanzadas de *prompting* y su finalidad.
### Principales técnicas avanzadas de *prompting*
Técnica
Idea principal
¿Para qué se utiliza?
**Zero-shot prompting**
Dar una instrucción sin ejemplos previos
Tareas sencillas y directas
**Few-shot prompting**
Incluir uno o varios ejemplos
Controlar formato y estilo de salida
**Chain of Thought (CoT)**
Pedir razonamiento paso a paso
Problemas lógicos y matemáticos
**Auto-consistencia**
Generar varias soluciones y comparar
Reducir errores en razonamiento
**Prompt de conocimiento generado**
Pedir primero información base
Mejorar respuestas complejas
**Prompt Chaining**
Encadenar varios *prompts*
Dividir tareas largas en fases
**Tree of Thoughts**
Explorar varias líneas de razonamiento
Toma de decisiones complejas
**Retrieval Augmented Generation (RAG)**
Usar información externa
Trabajar con documentos reales
**Automatic Reasoning and Tool-use (ART)**
Combinar razonamiento y herramientas
Resolver tareas prácticas
**Automatic Prompt Engineering (APE)**
Generar y optimizar *prompts*
Ajustar instrucciones automáticamente
**Active prompting**
Elegir ejemplos más útiles
Mejorar aprendizaje del modelo
**Directional Stimulus Prompting**
Introducir pistas sutiles
Guiar el tipo de respuesta
**Program-Aided Language Models (PAL)**
Usar código como apoyo
Matemáticas y lógica formal
**ReAct**
Combinar razonamiento y acción
Agentes y tareas interactivas
**Reflexion**
Pedir al modelo que revise errores
Aprendizaje iterativo
**Multimodal CoT**
Razonar con texto, imagen o audio
Problemas multimodales
**Graph prompting**
Representar relaciones en forma de grafo
Análisis estructural complejo
---
### Una idea clave antes de profundizar
Aunque la lista pueda parecer extensa, **no todas las técnicas se usan siempre**, ni son necesarias en contextos educativos básicos. Lo importante es entender que:
- cada técnica responde a un tipo de problema,
- muchas fomentan procesos cognitivos valiosos,
- y varias pueden adaptarse fácilmente al aula (especialmente *Few-shot*, *Chain of Thought*, *Prompt Chaining* o *Reflexion*).
En los siguientes apartados se irán explicando **las más relevantes desde un punto de vista educativo**, con ejemplos sencillos y aplicaciones prácticas. El objetivo no es convertir al alumnado en ingenieros de *prompts*, sino **enseñar a pensar mejor usando la IA como apoyo**.
### Prompt sin entrenamiento previo (*Zero-shot prompting*)
Los modelos de lenguaje actuales han sido entrenados con grandes cantidades de texto y, además, ajustados para **seguir instrucciones escritas en lenguaje natural**. Gracias a ello, son capaces de realizar muchas tareas **sin necesidad de ejemplos previos**. A este tipo de interacción se la denomina **prompt sin entrenamiento previo** o *zero-shot prompting*.
En un *prompt zero-shot* simplemente se le indica a la IA **qué tarea debe realizar**, sin mostrarle ningún ejemplo de cómo hacerlo. El modelo interpreta la instrucción basándose en los patrones generales aprendidos durante su entrenamiento.
Por ejemplo:
**Prompt:**
> Clasifica el texto en neutral, negativo o positivo.
> Texto: Creo que las vacaciones están bien.
> Sentimiento:
**Salida:**
> Neutral
En este caso, el modelo ha entendido correctamente la tarea y ha dado una respuesta adecuada **sin haber visto ningún ejemplo**. Esa es precisamente la característica principal del *zero-shot prompting*: confiar en la capacidad general del modelo para interpretar la consigna.
---
### ¿Por qué funciona el *zero-shot prompting*?
Este comportamiento es posible gracias a dos avances clave en los modelos actuales:
- El **ajuste por instrucciones**, que consiste en entrenar modelos con conjuntos de datos donde las tareas se describen explícitamente mediante instrucciones en lenguaje natural.
- El **aprendizaje por refuerzo con retroalimentación humana (RLHF)**, que alinea las respuestas del modelo con expectativas y preferencias humanas, mejorando su utilidad y coherencia.
Estos procesos permiten que modelos como los que se usan hoy en educación comprendan órdenes del tipo *explica*, *resume*, *clasifica* o *compara* sin necesidad de ejemplos adicionales.
---
### Ejemplo educativo de *zero-shot prompting*
Supongamos una tarea habitual en Educación Secundaria relacionada con comprensión lectora.
**Prompt:**
> Lee el siguiente texto y di cuál es la idea principal.
> Texto:
> “La energía solar es una fuente renovable que aprovecha la radiación del Sol para generar electricidad o calor. Su uso contribuye a reducir la dependencia de combustibles fósiles y a disminuir la contaminación.”
**Salida esperada (ejemplo):**
> La energía solar es una fuente renovable que permite obtener energía limpia aprovechando la radiación del Sol.
Aquí no se ha dado ningún ejemplo previo. El alumno simplemente formula una instrucción clara y la IA responde aplicando su conocimiento general. Este tipo de *prompt* es muy útil para:
- tareas sencillas,
- primeras aproximaciones a un contenido,
- actividades rápidas de apoyo o repaso.
---
### Ventajas y límites en el contexto educativo
El *zero-shot prompting* tiene varias ventajas en educación:
- es **rápido y sencillo** de usar,
- permite comprobar si una consigna está bien formulada,
- resulta adecuado para tareas básicas o bien definidas.
Sin embargo, también tiene límites:
- puede fallar en tareas complejas,
- puede devolver respuestas con un formato no deseado,
- puede ser ambiguo si la instrucción no es clara.
Cuando el *prompt zero-shot* no ofrece buenos resultados, la solución habitual no es “culpar a la IA”, sino **mejorar la instrucción** o añadir ejemplos. Eso nos lleva a la siguiente técnica: el **prompt con pocos ejemplos (*few-shot prompting*)**, donde se guía al modelo mostrando cómo debe responder.
En el próximo apartado veremos cómo **añadir ejemplos transforma la calidad y el control de las respuestas**, y por qué esta técnica tiene un gran valor pedagógico.
### Prompt con pocos ejemplos (*Few-shot prompting*)
Cuando un *prompt sin entrenamiento previo (zero-shot)* no ofrece el resultado esperado —porque la tarea es más compleja, el formato es muy concreto o el contexto es ambiguo— una técnica muy eficaz consiste en **proporcionar uno o varios ejemplos dentro del propio *prompt***. A esta estrategia se la denomina **prompt con pocos ejemplos** o *few-shot prompting*.
En el *few-shot prompting*, el modelo **no aprende de forma permanente**, pero utiliza los ejemplos como guía inmediata para entender **qué tipo de respuesta se espera**, con qué formato y con qué nivel de detalle. En educación, esta técnica resulta especialmente útil porque **funciona igual que el aprendizaje por demostración**: mostrar antes de pedir.
---
### ¿Por qué funciona el *few-shot prompting*?
Los modelos de lenguaje son muy sensibles a los patrones. Cuando se incluyen ejemplos, el modelo:
- detecta la estructura de la respuesta,
- identifica el tipo de razonamiento esperado,
- y reproduce el formato con mayor precisión.
Desde un punto de vista pedagógico, esto conecta con una idea clave:
**los ejemplos bien escogidos enseñan más que instrucciones largas**.
---
### Ejemplo educativo de *few-shot prompting*
Supongamos una tarea de **Lengua en Educación Secundaria**, donde el alumnado debe identificar el tipo de texto.
**Prompt (con ejemplos):**
> Clasifica los textos como **descriptivo** o **argumentativo**.
>
> Texto: “El transporte público reduce la contaminación y mejora la calidad del aire.” → Argumentativo
> Texto: “La ciudad cuenta con calles amplias, parques verdes y edificios históricos.” → Descriptivo
>
> Texto: “El uso de la bicicleta es una alternativa sostenible para los desplazamientos urbanos.” →
**Salida esperada:**
> Argumentativo
En este caso, los ejemplos muestran claramente:
- las categorías posibles,
- el formato exacto de la respuesta,
- y el tipo de razonamiento necesario.
Gracias a ello, el modelo responde de forma mucho más ajustada que en un *prompt zero-shot*.
---
### Comparación con *zero-shot prompting*
Si esta misma tarea se planteara sin ejemplos, el modelo podría:
- usar etiquetas diferentes,
- cambiar el formato,
- o interpretar de forma distinta el criterio de clasificación.
El *few-shot prompting* reduce esas variaciones y **aumenta el control sobre la salida**, algo especialmente importante en actividades educativas y evaluativas.
---
### Otro ejemplo educativo: resolución guiada
El *few-shot prompting* también es muy útil para **mostrar cómo razonar**, no solo qué responder.
**Prompt:**
> Resuelve el problema siguiendo el mismo razonamiento que en los ejemplos.
>
> Ejemplo:
> Pregunta: ¿Es 14 un número par?
> Respuesta: Sí, porque se puede dividir entre 2 sin resto.
>
> Pregunta: ¿Es 21 un número par?
> Respuesta: No, porque no se puede dividir entre 2 sin resto.
>
> Pregunta: ¿Es 35 un número par?
> Respuesta:
**Salida esperada:**
> No, porque no se puede dividir entre 2 sin resto.
Aquí, el ejemplo no solo muestra la respuesta correcta, sino **el razonamiento que la acompaña**, algo muy valioso en el aprendizaje.
---
### Ventajas del *few-shot prompting* en educación
El *few-shot prompting* permite:
- mejorar la precisión de las respuestas,
- controlar el formato de salida,
- guiar el razonamiento,
- reducir errores en tareas complejas,
- y fomentar el aprendizaje por imitación consciente.
Por todo ello, es una técnica especialmente recomendable cuando:
- la tarea tiene criterios claros,
- el formato importa,
- o se quiere enseñar “cómo se hace” antes de pedir al alumno que lo aplique.
En el siguiente apartado se abordará una técnica clave para tareas de razonamiento más complejas: **Chain of Thought (*cadena de pensamiento*)**, donde se pide al modelo que explique paso a paso cómo llega a una respuesta.
### *Chain of Thought* (CoT) – Razonar paso a paso
Una de las limitaciones más conocidas de los modelos de lenguaje es que, cuando se les pide directamente una respuesta, **pueden acertar por casualidad o fallar sin que sepamos por qué**. Para abordar este problema surge una de las técnicas más importantes del *prompting* avanzado: **Chain of Thought** o **cadena de pensamiento**.
La idea es muy sencilla y, al mismo tiempo, muy poderosa:
en lugar de pedir solo la respuesta final, **se le pide al modelo que muestre el razonamiento paso a paso** que le lleva a esa respuesta.
En educación, esta técnica es especialmente valiosa porque conecta directamente con una práctica pedagógica clásica: **valorar el proceso, no solo el resultado**.
---
### ¿Qué es el *Chain of Thought*?
El *Chain of Thought prompting* consiste en **indicar explícitamente al modelo que razone en pasos intermedios**, explicando cómo llega a una conclusión. No se trata de hacer a la IA “más inteligente”, sino de **forzar una estructura de razonamiento más ordenada y transparente**.
Este enfoque mejora notablemente el rendimiento del modelo en tareas como:
- problemas matemáticos,
- lógica,
- comprensión lectora compleja,
- toma de decisiones,
- análisis de causas y consecuencias.
---
### ¿Por qué funciona?
Cuando se pide una respuesta directa, el modelo puede intentar “adivinar” la salida más probable. En cambio, cuando se le pide que razone paso a paso:
- reduce errores,
- organiza mejor la información,
- y produce respuestas más coherentes.
Desde un punto de vista educativo, esto tiene un valor añadido:
**el razonamiento se hace visible**, lo que permite analizarlo, corregirlo y aprender de él.
---
### Ejemplo educativo sin *Chain of Thought* (puede fallar)
**Prompt:**
> ¿La suma de los números impares siguientes es par o impar?
> 15, 32, 5, 13, 82, 7, 1
**Respuesta posible:**
> Es par.
La respuesta es incorrecta, pero no sabemos por qué el modelo ha fallado.
---
### El mismo ejemplo con *Chain of Thought*
**Prompt:**
> Resuelve el problema paso a paso.
>
> 1. Identifica los números impares.
> 2. Súmalos.
> 3. Indica si el resultado es par o impar.
>
> Lista: 15, 32, 5, 13, 82, 7, 1
**Salida:**
> Números impares: 15, 5, 13, 7, 1
> Suma: 41
> 41 es impar.
Aquí el razonamiento es claro, verificable y correcto.
---
### Ejemplo educativo en Lengua: comprensión lectora
**Prompt:**
> Lee el texto y responde razonando paso a paso:
>
> “El uso del transporte público reduce la contaminación porque disminuye el número de vehículos privados en circulación.”
>
> Pregunta: ¿Cuál es la causa y cuál es la consecuencia?
**Salida esperada:**
> Primero identifico la causa: disminuir el número de vehículos privados.
> Luego identifico la consecuencia: reducir la contaminación.
> Por tanto, la causa es la disminución de vehículos y la consecuencia es la reducción de la contaminación.
Este tipo de *prompt* ayuda al alumnado a **estructurar el pensamiento**, no solo a señalar una respuesta.
---
### *Chain of Thought* en evaluación y autoevaluación
El *Chain of Thought* también puede usarse para:
- justificar respuestas,
- explicar decisiones,
- revisar errores,
- comparar razonamientos.
Por ejemplo:
> *Explica paso a paso por qué esta respuesta es correcta o incorrecta según los criterios de evaluación.*
Así, la IA se convierte en una **herramienta de reflexión**, no solo de corrección.
---
### Ventajas del *Chain of Thought* en educación
El uso de esta técnica permite:
- mejorar la fiabilidad de las respuestas,
- hacer visible el proceso mental,
- fomentar el pensamiento lógico y crítico,
- reducir respuestas automáticas,
- y reforzar la idea de que **razonar es más importante que acertar**.
Además, encaja perfectamente con metodologías educativas que valoran:
- el razonamiento,
- la argumentación,
- y la explicación del procedimiento.
---
### Idea clave para el aula
> **Pedir que se explique el razonamiento
> es enseñar a pensar, no solo a responder.**
El *Chain of Thought prompting* no solo mejora a la IA; **mejora el aprendizaje humano** al poner el foco en el proceso.
### *Retrieval Augmented Generation* (RAG)
### Cuando la IA consulta fuentes reales para responder mejor
Hasta ahora hemos visto técnicas de *prompting* que permiten **guiar el razonamiento y la forma de responder** de los modelos de lenguaje. Sin embargo, todas ellas comparten una limitación importante: el modelo responde **solo con el conocimiento que ya tiene** incorporado desde su entrenamiento. Ese conocimiento es amplio, pero **no es infinito, no siempre está actualizado y no siempre es específico**.
Para abordar tareas que requieren información más precisa, actualizada o contextualizada, surge una de las técnicas más importantes del *prompting* avanzado y de los sistemas modernos de IA: la **Generación Aumentada por Recuperación**, conocida como **RAG (*Retrieval Augmented Generation*)**.
---
### ¿Qué es RAG?
La **Generación Aumentada por Recuperación (RAG)** es un enfoque que combina dos elementos:
1. **Un sistema de recuperación de información**, que busca documentos relevantes en fuentes externas (por ejemplo, una base de datos, apuntes, PDFs, normativa, Wikipedia o documentos del centro educativo).
2. **Un modelo de lenguaje generativo**, que utiliza esos documentos como contexto para generar la respuesta final.
En lugar de responder solo “de memoria”, el sistema **consulta primero información real**, la incorpora al *prompt* y después genera una respuesta basada en esos datos. De este modo, la IA no solo “habla bien”, sino que **habla apoyándose en fuentes concretas**.
---
### ¿Por qué es necesaria la técnica RAG?
Los modelos de lenguaje de propósito general funcionan muy bien para tareas como:
- resumir textos,
- clasificar información,
- analizar sentimientos,
- responder preguntas generales.
Estas tareas no suelen requerir conocimientos externos adicionales. Sin embargo, cuando la tarea exige:
- datos actualizados,
- conocimiento especializado,
- información concreta de un documento,
- o fidelidad factual,
el modelo puede cometer errores o **“alucinar”**, es decir, generar respuestas plausibles pero incorrectas.
RAG surge precisamente para **reducir este problema** y aumentar:
- la **consistencia factual**,
- la **fiabilidad de las respuestas**,
- y la **transparencia del proceso**.
---
### ¿Cómo funciona RAG de forma sencilla?
El funcionamiento de RAG puede entenderse en cuatro pasos:
1. El usuario plantea una pregunta o tarea.
2. El sistema busca documentos relevantes en una fuente externa.
3. Esos documentos se añaden como contexto al *prompt*.
4. El modelo genera la respuesta basándose en ese contexto.
Lo importante es que **no es necesario reentrenar el modelo** cada vez que cambia la información. Basta con actualizar los documentos a los que tiene acceso el sistema. Esto hace que RAG sea especialmente útil en contextos donde el conocimiento evoluciona con el tiempo.
---
### Ejemplo educativo de RAG
Imaginemos un centro educativo que quiere usar IA para responder preguntas sobre su **normativa interna** o sobre un **currículo oficial**.
**Pregunta del alumno:**
> ¿Cuáles son los criterios de evaluación del tema 3?
Un modelo sin RAG podría:
- inventar criterios,
- mezclar información genérica,
- o dar una respuesta poco precisa.
Con RAG, el sistema:
- busca el documento oficial del currículo,
- localiza el apartado del tema 3,
- y genera una respuesta basada únicamente en ese texto.
Así, la IA actúa como un **asistente documental**, no como una fuente inventada de conocimiento.
---
### Aplicaciones educativas claras de RAG
En educación, RAG abre posibilidades muy valiosas:
- **Consultar apuntes y materiales del profesor**
El alumnado puede hacer preguntas sobre documentos reales de la asignatura.
- **Trabajar con normativa educativa**
Responder dudas basándose en leyes, decretos o instrucciones oficiales.
- **Apoyo al estudio con fuentes controladas**
Evitar que el alumnado use información incorrecta o descontextualizada.
- **Proyectos y trabajos de investigación**
Generar respuestas citando y usando documentos concretos.
- **Atención a la diversidad**
Explicar el mismo contenido usando siempre la misma base documental, pero con distinto nivel de lenguaje.
---
### RAG y pensamiento crítico
Desde un punto de vista pedagógico, RAG tiene un valor añadido muy importante:
**devuelve protagonismo a las fuentes**.
El alumnado aprende que:
- las respuestas deben basarse en textos,
- la información debe poder rastrearse,
- y no todo lo que “suena bien” es verdadero.
Además, el profesorado puede exigir que la IA:
- indique en qué documento se basa,
- cite fragmentos,
- o limite sus respuestas a una fuente concreta.
Esto refuerza competencias clave como la **alfabetización informacional** y el **pensamiento crítico**.
---
### Ventajas de RAG frente a otros enfoques
La técnica RAG permite:
- reducir alucinaciones,
- trabajar con información actualizada,
- adaptar la IA a contextos específicos,
- modificar el conocimiento sin reentrenar el modelo,
- y aumentar la confianza en las respuestas.
Por eso, RAG es una de las bases de muchos sistemas educativos avanzados basados en IA.
---
### Idea clave para el aula
> **La IA no debe sustituir a las fuentes,
> sino aprender a trabajar con ellas.**
La Generación Aumentada por Recuperación convierte a la IA en una **herramienta de acceso y comprensión de documentos**, no en una autoridad absoluta. En educación, esto marca una diferencia fundamental: **aprender con información fiable es tan importante como aprender a formular buenas preguntas**.
# 2.5 Diseño curricular: Situaciones de Aprendizaje
##### Introducción
El uso de la IA Generativa puede facilitar y enriquecer cada una de sus fases: ayuda a generar ideas, estructurar propuestas, revisar coherencias y mejorar materiales, pero las decisiones finales siguen siendo docentes. Una Situación de Aprendizaje bien planteada sigue necesitando coherencia curricular y sentido pedagógico.
Como hemos visto, aprender a **estructurar y reutilizar prompts educativos** se ha convertido en una competencia emergente para el profesorado. La UNESCO (2024), en su Guía sobre IAGen en Educación, recomienda:
> - Utilizar un **lenguaje simple, claro y directo** que pueda entenderse fácilmente, evitando una redacción compleja o ambigua.
> - Incluir **ejemplos** que ilustren la respuesta deseada o el formato de las respuestas generadas.
> - Incluir **contexto,** crucial para generar respuestas relevantes y significativas.
> - Refinar e **iterar** según sea necesario, experimentando con diferentes variaciones.
> - Ser ético, **evitando** prompts que generen contenidos **inapropiados, sesgados o dañinos**.
Además, es de vital importancia para los docentes **no introducir** en el prompt **datos personales.**
##### Estructura o anatomía del prompt
Un prompt educativo eficaz suele incluir varios elementos que orientan a la IA sobre **qué hacer, para quién y con qué características**. Una estructura sencilla y eficaz incluye los siguientes componentes:
**1. Rol:** define el papel que debe adoptar la IA. Por ejemplo: "Actúa como una maestra de música especialista en educación vocal."
**2. Tarea:** indica claramente qué debe generar, es la orden (compara, escribe, diseña, enumera...). Por ejemplo: "Diseña una situación de aprendizaje sobre "The Beatles".
**3. Destinatario:** nivel o edad del alumnado. Por ejemplo: alumnado de 8 años
**4. Contexto educativo.** Describe el marco pedagógico:
- Características del alumnado
- Criterios de evaluación
- Duración y número de sesiones
- Metodología
- Formato de la respuesta, especificándole cómo queremos que se organice la información
Aquí exponemos el ejemplo de un prompt sencillo pero eficaz:
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Ccgimage.png)
##### Iteración
Una vez que introducimos el prompt en el asistente, nos dará una respuesta que puede convencernos más o menos; quizá nos de otra idea, o podemos refinar ese resultado pidiéndole los ajustes que consideremos necesarios; es decir, mantener una **conversación** en la que le pedimos que vaya **modificando elementos, o añadiendo otros nuevos** que no nos ha proporcionado previamente y se lo queramos pedir, como por ejemplo:
- **Secuenciación** de **actividades**, o actividades iniciales, de desarrollo y de cierre.
- **Instrumentos de evaluación** como listas de cotejo y rúbricas. Por ejemplo "crea una rúbrica para evaluar el producto final, con 4 niveles de desempeño y descriptores comprensibles para el alumnado".
- **Adaptaciones** de una actividad a distintos **ritmos, niveles y necesidades.** Por ejemplo: "adapta esta actividad para tres niveles (básico, medio y avanzado), incluyendo apoyos y propuestas de ampliación".
- Todo lo que se nos ocurra...
También podemos introducir **ese mismo prompt inicial** o incluso el output o respuesta que te dio la IA **en otro asistente, comparar resultados y combinarlos.**
Cuanto más **clara y estructurada sea la indicación**, más ajustada será la respuesta generada por la IA.
También puedes **ajustar el lenguaje** de la respuesta para que sea comprensible por el alumnado, por ejemplo a la hora de plantear actividades.
Existen prompts más complejos, como el que propone Juan José de Haro, en el que en lugar de iterar sobre los resultados de la IA, vas introduciendo toda la información:
*Genially de Julián Trullenque*
En cualquier caso, es necesario **revisar la coherencia interna de la SdA** y detectar posibles mejoras.
##### Bancos de prompts educativos
Otra opción es **pedirle a un asistente que nos genere un prompt** eficaz para por ejemplo adaptar una situación de aprendizaje, y utilizarlo en una nueva conversación de ese mismo asistente, o en otro diferente. En este sentido, también podemos encontrar **GPTs** educativos dentro de ChatGPT, **Gems** en Gemini, y los propios **agentes que entrenemos** nosotros mismos para ello.
Del mismo modo que se aprende a escribir leyendo buenos textos, **se aprende a diseñar buenos *prompts* observando ejemplos bien construidos**. Por eso, en el ecosistema de la Inteligencia Artificial han surgido los llamados **bancos de *prompts***: repositorios donde se recopilan, clasifican y comparten instrucciones eficaces para interactuar con modelos de lenguaje.
Un buen banco de *prompts* permite estudiar:
- cómo se formula una buena pregunta
- qué nivel de detalle funciona mejor
- cómo se asignan roles
- cómo se restringen respuestas
- y cómo se adapta el lenguaje a un contexto educativo concreto
Además existen bibliotecas de prompts educativos entre las que destacamos esta **[biblioteca avanzada de prompts educativos](https://eduprompts.tiddlyhost.com/#Introducci%C3%B3n:Introducci%C3%B3n)** que los clasifica por temáticas.[](https://libros.catedu.es/uploads/images/gallery/2026-03/mKZimage.png)
También puedes encontrar prompts centrados en el **Diseño Universal del Aprendizaje** (DUA) [aquí.](https://descargas.intef.es/cedec/proyectoedia/guias/contenidos/inteligencia_artificial/dua.html)
También hay otras más sencillas [como esta ](https://aipromptlibrary.org/library.html)donde puedes seleccionar el tipo de elemento que quieres generar, por ejemplo "lesson plan", y una vez que rellenas la información que te pide, te genera el prompt para copiar y pegar en un asistente.
[ ](https://libros.catedu.es/uploads/images/gallery/2026-03/m5iimage.png)[](https://libros.catedu.es/uploads/images/gallery/2026-03/vv4image.png)
Puedes empezar probando estos prompts sencillos en cualquier asistente, pincha en el que más te apetezca:
*Genially por Julián Trullenque*
#####
Tu propio banco de prompts
Desde un punto de vista pedagógico, **lo más valioso no es usar bancos externos**, sino **construir uno propio** con el departamento, o incluso según para qué, con el alumnado.
Un banco de *prompts* educativo puede incluir:
- *prompts* por materia,
- *prompts* por tipo de tarea,
- *prompts* comentados (qué funciona y por qué),
- versiones mejoradas de un mismo *prompt*,
- ejemplos de errores frecuentes.
Esto convierte el *prompting* en un **objeto de aprendizaje y evaluación**.
> **Aprender a preguntar es aprender a pensar.
> Los bancos de *prompts* no enseñan respuestas,
> enseñan formas de formular preguntas.**
##### Otros bancos de prompts
[Prompt Engineering Guide ](https://www.promptingguide.ai) Uno de los repositorios más completos y estructurados. Incluye:
- técnicas de *prompting* (zero-shot, few-shot, CoT, RAG…),
- ejemplos comentados,
- casos de uso claros.
Muy recomendable para profesorado y alumnado avanzado.
[Awesome Prompts](https://github.com/f/awesome-chatgpt-prompts)
Repositorio colaborativo con miles de *prompts* organizados por roles.
Útil para analizar cómo se asignan identidades, cómo se define el tono, cómo se estructura una instrucción compleja.
Puede filtrarse para usos educativos.
[FlowGPT](https://flowgpt.com)
Plataforma para compartir *prompts*, con sistema de etiquetas y valoraciones.
Permite buscar por educación, escritura, razonamiento, análisis.
Ideal para comparar variaciones de un mismo *prompt*.
[PromptHero](https://prompthero.com)
Especialmente útil para *prompts* de generación visual, pero también incluye texto.
Puede servir en educación artística, diseño o proyectos creativos.
# 3. Recursos didácticos
# 3.1 Introducción y modelos fundacionales
## Introducción
Una vez que tenemos diseñada nuestra Situación de Aprendizaje, quizá necesitemos elaborar diferentes materiales o recursos didácticos a emplear durante el desarrollo de la misma. Para ello veremos qué utilidades nos pueden ofrecer algunos sistemas de inteligencia artificial generativa.
Recuerda que el **contenido que le proporciones a la IA** ha de ser de **autoría propia o** disponer de la **licencia** para poder utilizar ese contenido.
Te recomendamos que para probar herramientas que requieran registro, te abras una nueva **cuenta de correo electrónico específica** para las herramientas o aplicaciones, **así evitarás spam innecesario** en tu cuenta principal. También puedes probar con cuentas de correo temporal como [tempmail](https://temp-mail.org/es/).
Es posible que las funciones, características o precio de las herramientas que se presentan en el siguiente capítulo cambien en un futuro. Revisión en marzo de 2026.
## Modelos fundacionales: base de los recursos de texto, audio, imagen y vídeo
Cuando hablamos de generación automática de texto, transcripción de audio, creación de imágenes o análisis de vídeo con IA, en realidad estamos hablando de una misma idea tecnológica de fondo: los **modelos fundacionales**.
Un modelo fundacional es un modelo de inteligencia artificial entrenado con enormes cantidades de datos y diseñado para servir como base común sobre la que se construyen múltiples aplicaciones. No nace para hacer una única tarea concreta, sino para adaptarse a muchas: redactar textos, resumir documentos, traducir idiomas, describir imágenes, generar código, sintetizar voz o analizar contenido multimedia.
Empresas como OpenAI, Google DeepMind, Anthropic, Meta o Mistral AI han desarrollado modelos fundacionales que actúan como motores generales de inteligencia artificial. A partir de ellos se construyen asistentes conversacionales, generadores de presentaciones, sistemas de análisis documental, herramientas de edición multimedia o plataformas educativas.
La característica principal de estos modelos es su carácter **generalista**. A diferencia de los modelos tradicionales, que se entrenaban para una única tarea (por ejemplo, detectar spam o clasificar imágenes médicas), los modelos fundacionales se entrenan primero de forma masiva y después se adaptan mediante prompting, ajuste fino (fine-tuning) o integración con bases de datos externas (RAG). Esto permite reutilizar el mismo modelo para múltiples contextos.
En el ámbito de los recursos educativos y profesionales, esta base común explica por qué hoy podemos trabajar con:
- Generación y transformación de textos (resúmenes, esquemas, traducciones, rúbricas).
- Transcripción automática y síntesis de voz.
- Generación y análisis de imágenes.
- Creación o comprensión de vídeo.
- Sistemas multimodales que combinan texto, imagen y audio en una misma interacción.
Muchos de estos modelos están construidos sobre arquitecturas tipo Transformer y pueden operar en una o varias modalidades. Algunos son exclusivamente de texto (LLMs), otros están especializados en visión o audio, y los más recientes son multimodales, capaces de integrar diferentes tipos de información en un único sistema.
Además, los modelos fundacionales pueden ser:
- **Propietarios**, accesibles mediante API.
- **Abiertos**, con pesos descargables y ejecutables en local (algo especialmente relevante en entornos educativos donde se busca privacidad, control y experimentación técnica).
En definitiva, los modelos fundacionales son el “motor” que hace posible todos los recursos de generación y análisis de texto, audio, imagen y vídeo que veremos en este capítulo. Entender su naturaleza, sus límites y sus posibilidades es clave para utilizar estas herramientas de manera crítica, técnica y responsable.
**Modalidad / Uso**
**Modelo / Ejemplo**
**Descripción breve**
**Aplicación típica**
**Texto / Lenguaje**
GPT (OpenAI)
Modelo de lenguaje preentrenado capaz de generación y comprensión de texto.
Bots conversacionales, resúmenes y traducción de textos.
Claude (Anthropic)
LLM orientado a respuestas coherentes y seguras.
Asistencia en escritura y análisis de texto.
**Imagen**
Stable Diffusion
Modelo generador de imágenes a partir de descripciones en texto.
Creación de ilustraciones y diseños visuales.
DALL-E
Generación de imágenes creativas desde instrucciones textuales.
Arte digital y gráficos personalizados.
**Audio / Voz (Reconocimiento – Speech-to-Text)**
Whisper (OpenAI)
Modelo para transcripción automática de voz a texto en múltiples idiomas.
Transcripción de grabaciones y clases.
Modelos de reconocimiento y traducción de voz (varios)
Modelos entrenados para convertir audio hablado en texto y/o traducir voz.
Subtítulos automáticos y traducción de audio.
**Audio / Voz (Síntesis – Text-to-Speech)**
Modelos TTS comerciales
Modelos que generan voz natural desde texto.
Narración de contenidos y asistentes de voz.
**Vídeo (Generación y Multimodal audiovisual)**
Sora (OpenAI)
Modelo de IA que genera vídeos realistas a partir de descripciones textuales, incluyendo audio.
Producción de clips de vídeo con sonido integrado.
Veo 3 (Google DeepMind)
Generador de vídeos con audio sincronizado a partir de texto y/o imagen.
Creación de contenidos audiovisuales generados por IA.
Movie Gen (Meta)
Modelo que produce vídeos completos con sonido desde textos descriptivos.
Desarrollo de vídeos personalizados con audio.
**Multimodal (Texto + Imagen + Audio + Vídeo)**
Gemini (Google)
Modelo multimodal que procesa y genera contenido en diferentes formatos simultáneamente.
Asistentes que combinan texto, imagen, voz y vídeo.
Modelos multimodales unificados (investigación)
Investigaciones académicas en modelos que integran texto, imagen, audio y vídeo.
Proyectos de IA generalistas para múltiples tareas.
Los **modelos fundacionales** son redes neuronales entrenadas con datos masivos y diseñadas para poder **adaptarse a numerosas tareas** tanto de generación como de comprensión en diferentes dominios de entrada y salida (texto, imagen, audio y vídeo). Su carácter generalista los convierte en la base sobre la que se construyen aplicaciones especializadas en IA.
# 3.2 Recursos textuales
#### Introducción
Como hemos visto en el capítulo uno, en los últimos años la Inteligencia Artificial ha avanzado especialmente en un campo concreto: **la comprensión y generación de lenguaje humano,** conocida como **Procesamiento del Lenguaje Natural (NLP, Natural Language Processing)**. Esto significa que hoy existen herramientas capaces de **leer, escribir, resumir, traducir, analizar o transformar textos** de forma automática y es una de las áreas más útiles de la IA para el ámbito educativo.
Además del diseño curricular, el profesorado puede apoyarse en estas herramientas para:
1. **Preparación de materiales** (resúmenes, explicaciones, ejemplos, fichas).
2. **Apoyo al aprendizaje del alumnado** (explicaciones adaptadas, traducciones, simplificación de textos).
3. **Análisis de textos y pensamiento crítico** (detección de sesgos, análisis de noticias, extracción de ideas).
En esta sección del curso vamos a explorar **aplicaciones prácticas basadas en texto**, viendo no solo qué pueden hacer las herramientas actuales, sino también **cómo aprovecharlas de forma pedagógica en el aula por parte del docente.**
Las herramientas modernas de IA permiten realizar muchas transformaciones sobre un texto. Algunas de las más útiles para docentes son las siguientes.
### Traducción y transcripción automática
La traducción automática basada en inteligencia artificial se ha convertido en una herramienta cada vez más accesible para trabajar con textos en el aula. Gracias a los avances en el procesamiento del lenguaje natural, los sistemas actuales no se limitan a sustituir palabras de un idioma por otras, sino que analizan frases completas y su contexto para producir traducciones más naturales y coherentes, manteniendo su significado general.
Esto permite **acceder a textos y contenidos en distintos idiomas**, facilitando el uso de materiales internacionales sin que las barreras lingüísticas supongan un obstáculo. Además, ofrecen la posibilidad de **comparar diferentes interpretaciones** de un mismo texto y analizar cómo se construye el significado en el lenguaje, enriqueciendo así el aprendizaje.
Asimismo, estas herramientas contribuyen a hacer las clases más **inclusivas y accesibles**, ya que permiten adaptar la comunicación para alumnado con desconocimiento del idioma mediante traductores en tiempo real. De este modo, favorecen la participación, la comprensión y el acceso equitativo a los contenidos educativos.
##### Asistentes IA
Los chats generalistas son siempre una buena opción ya que trabajan muy bien con el lenguaje en general y con un prompt adecuado permiten adaptar muy bien los resultados. Puedes traducir textos a partir de los asistentes de IA como [ChatGPT](http://www.chatgpt.com), [Copilot,](https://copilot.microsoft.com/) [Gemini, Claude...](https://gemini.google.com/)
También puedes subir una **imagen de texto manuscrito**, y asistentes como ChatGPT transcriben el texto.
Además algunos permiten **traducción y transcripción voz a texto a tiempo real** a través de su versión como **app para móviles.**
##### Traductores específicos
Entre las herramientas más conocidas que utilizan inteligencia artificial para traducir textos se encuentran:
**Microsoft translator**, disponible solo en versión app para móviles y iPad, es una de las herramientas más potentes para poder hablar en distintos idiomas con traducción y transcripción simultanea.
Tiene dos modos:
- Modo conversación, con la pantalla dividida en dos direcciones para poder conversar una persona en frente de la otra y leer el texto.
- Modo conferencia: a través de un dispositivo se inicia una conversación a la que se pueden unir otros dispositivos, configurados cada uno con el idioma que se precise.
Permite hacer traducción directa de manera rápida y para solucionar dudas puntuales disponiendo de infinidad de idiomas
##### Posibilidades en el aula
Además, el uso de estas herramientas permite diseñar diferentes actividades didácticas. Por ejemplo:
- Traducir artículos científicos o noticias extranjeras para analizarlos en clase lo que permite además de mejorar la competencia lingüística, activar el espíritu crítico y profundizar en el conocimiento del idioma.
- Comparar diferentes traducciones de un mismo texto utilizando distintas herramientas. Siempre es bueno proponer actividades que impliquen comparar diferentes herramientas y modelos (también la traducción manual o humana), como las mencionadas. Podemos jugar con los *prompts* para obtener diferentes resultados y hacer una puesta en común para ver que ventajas tiene cada una y cómo influye la calidad del *prompt* en los resultados
- Trabajar vocabulario técnico en varios idiomas. Para alumnos de áreas científicas que tendrán que enfrentarse a manuales y guías técnicas es muy importante poder acometer este tipo de tareas jugando de nuevo con un *prompt* más riguroso y centrado en el apartado técnico y menos literario. En este caso es muy útil jugar con descripciones ya existentes como modelo o ejemplo dentro del prompt para que las traducciones sean similares
- Crear actividades en las que los estudiantes detecten errores o matices en las traducciones. En este caso son actividades ya realizadas en las que los alumnos tienen que debatir sobre cuestiones más sutiles que probablemente los modelos de lenguaje o herramientas tendrán más dificultad en encontrar o traducir correctamente
- Comparar traducciones en idiomas de alumnos de clase de otras nacionalidades. Este tipo de actividades potencia el conocimiento de otras lenguas y culturas y facilita la integración de personas de orígenes diversos
### Resumen de textos
Otra capacidad muy útil de las herramientas de inteligencia artificial es la posibilidad de **extraer automáticamente las ideas principales de un texto largo**. Además, muchas herramientas actuales permiten generar **distintos tipos de resumen**, como un resumen breve, un esquema con los puntos principales o una explicación simplificada para un determinado nivel educativo. Esto permite adaptar el contenido según las necesidades del alumnado o el objetivo de la actividad.
##### Asistentes IA
Los asistentes IA nos permiten realizar este tipo de tareas. Algunas particularidades de cada uno:
Combina búsqueda en la web con generación de resúmenes claros y estructurados de la información encontrada.
##### Herramienta específica
Como herramienta específica, destacamos **Scholarcy**, una herramienta especializada en resumir artículos académicos y papers científicos, destacando resultados, metodología y conclusiones.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/RvFimage.png)
El uso de estas herramientas en el aula no pretende sustituir el trabajo del alumnado, sino ofrecer un apoyo para comprender textos complejos y aprender a identificar las ideas fundamentales de un contenido. De hecho, una actividad especialmente interesante consiste en **comparar el resumen elaborado por los estudiantes con el generado por la inteligencia artificial**, analizando qué información coincide, qué ideas se han omitido y cómo se ha reorganizado el texto original.
##### Posibilidades en el aula
- Resumir artículos largos para preparar apuntes y generar contenidos puntuales o extracurriculares. También pueden usarse vídeos o *podcasts* transcritos para trabajar con el resumen y generar presentaciones u otros formatos
- Crear esquemas de temas complejos. Los resúmenes pueden ser la base de infografías, mapas conceptuales y esquemas para relacionar ideas y conceptos. Este tipo de actividades son ideales para preparar exámenes o pruebas escritas
- Comparar el resumen hecho por un alumno con el generado por IA. Trabajar los resúmenes de manera manual permite fomentar la capacidad de síntesis y de detección de ideas principales además de poder compararlo con el desempeño de distintas herramientas de IA y analizar sus problemas, omisión de información y sesgos.
- Jugar con la técnica de *prompting* para obtener resúmenes de distinto estilo y formato según las necesidades y el entorno o contexto. Por ejemplo podríamos querer un resumen más distendido para una publicación en el blog del instituto o algo más sobrio para publicarlo en un medio de comunicación.
#### Mejora y optimización de textos
A diferencia de las tecnologías de resumen o traducción, estas herramientas no solo analizan el contenido, sino que ayudan a **corregir, reformular y mejorar la calidad de la redacción**.
Los sistemas de IA pueden revisar un texto y detectar errores de ortografía, gramática o puntuación, pero también sugerir mejoras en la claridad de las frases, el tono o la estructura del contenido. De esta forma, el texto puede volverse más comprensible, más fluido o más adecuado para un determinado tipo de lector.
En muchos casos, estas herramientas también permiten **reescribir frases utilizando sinónimos o estructuras alternativas**, manteniendo el significado original pero mejorando la claridad o evitando repeticiones.
Desde el punto de vista educativo, estas funciones pueden utilizarse para revisar redacciones, mejorar trabajos escritos o aprender a expresar ideas de forma más clara. Los estudiantes pueden escribir un primer borrador de un texto y después utilizar la IA para analizarlo y detectar posibles mejoras.
##### Herramientas específicas
Además de los asistentes que hemos visto previamente, existen diversas herramientas basadas en inteligencia artificial que permiten mejorar y optimizar textos, mejorando la claridad de las frases, analizando el tono del texto, adaptando el contenido al contexto, etc.
Herramienta muy conocida para **parafrasear y reformular textos**, utilizando inteligencia artificial para proponer nuevas formas de expresar una misma idea sin cambiar su significado.
Asistente de escritura basado en IA que analiza el texto en tiempo real y ofrece sugerencias para **corregir errores gramaticales, ortográficos y de puntuación**, además de mejorar el estilo y la claridad del contenido.
##### Posibilidades en el aula
- Revisar una redacción escrita por los alumnos y analizar las sugerencias de mejora. Esto facilita y potencia el debate de ideas y la expresión oral del alumnado así como su capacidad de síntesis y análisis. Siempre con la posibilidad de comparar también con *chatbots* de su elección.
- Reformular un texto para hacerlo más claro o más breve. Por ejemplo podemos hacer una competición de textos y usar la IA como juez o tribunal que decide según un *prompt* o rúbrica previa.
- Trabajar el vocabulario utilizando sinónimos o alternativas de redacción para hacer textos más amigables o simplificar textos complejos
- Mejorar textos científicos o técnicos para hacerlos más comprensibles para el público en general.
- Comparar textos literarios de publicaciones antiguas y modernas, podemos modernizar textos antiguos y viceversa.
### Conversión entre texto y voz
Otra tecnología basada en inteligencia artificial que está adquiriendo gran importancia en el ámbito educativo es la **conversión automática entre texto y voz**. Estas herramientas permiten transformar información escrita en audio o convertir una grabación de voz en texto de forma automática.
Las tecnologías de **Text-to-Speech (TTS)** convierten texto en voz sintetizada, mientras que las tecnologías de **Speech-to-Text (STT)** realizan el proceso inverso, transcribiendo automáticamente el lenguaje hablado en texto.
Este tipo de tecnologías se utilizan cada vez más en aplicaciones de accesibilidad, asistentes virtuales, sistemas de transcripción y herramientas educativas, ya que permiten interactuar con la información de formas distintas a la lectura o la escritura tradicionales.
En el contexto educativo, estas tecnologías abren muchas posibilidades. Por ejemplo, un texto puede convertirse en audio para que los estudiantes lo escuchen, o una explicación oral puede transcribirse automáticamente para generar apuntes. Además, estas herramientas facilitan el acceso al contenido para estudiantes con dificultades visuales, problemas de lectura o necesidades de accesibilidad.
##### Herramientas específicas
**Microsoft Azure Speech** es un servicio en la nube que ofrece tanto síntesis de voz como reconocimiento automático del habla.
##### Posibilidades en el aula
El uso de estas herramientas permite plantear distintas actividades en el aula:
- Convertir textos en audio para trabajar la comprensión oral. Esto facilita la integración de alumnos con problemas relacionados con visión permitiendo adaptar materiales.
- Transcribir exposiciones orales o debates de clase para generar materiales escritos y permitir generar recursos para alumnos con necesidades especiales.
- Practicar pronunciación y dictado en otros idiomas usando la transcripción cuya calidad dependerá de la calidad de los audios generados por los alumnos
- Transformar apuntes escritos en materiales de audio o podcasts para estudiar sin depender de material escrito
En conjunto, las tecnologías de **texto a voz y voz a texto amplían las formas en que los estudiantes pueden acceder a la información**, permitiendo trabajar con el contenido no solo de forma escrita, sino también a través del audio y la comunicación oral. Esto convierte a la inteligencia artificial en un recurso muy interesante para mejorar la accesibilidad y enriquecer las actividades educativas.
### Resumen: recursos textuales y herramientas
**Utilidad**
**Herramientas**
Traducción y transcripción
Asistentes, Microsoft Translator, DeepL, Google Translator
Resumen textos
Asistentes, Scholarcy
Mejora de textos
Asistentes, Quillbot, Grammarly
Conversión texto voz
ElevenLabs, WhisperAI, Google Docs, Google Cloud, Microsoft Azure
# 3.3 Recursos visuales
Cómo hemos mencionado en la sección anterior en los últimos años la inteligencia artificial no solo ha avanzado en el tratamiento del lenguaje, sino también en la creación y análisis de imágenes. Hoy existen herramientas capaces de generar **ilustraciones, diagramas, presentaciones, fotografías sintéticas o representaciones visuales** a partir de una simple descripción escrita. Estas tecnologías permiten producir recursos gráficos de forma rápida y flexible, algo que puede resultar muy útil en el contexto educativo.
Este conjunto de tecnologías forma parte del campo de la **visión por computadora y la IA generativa visual**. Los modelos de este tipo aprenden a partir de grandes conjuntos de imágenes y patrones visuales, lo que les permite reconocer objetos, interpretar escenas o crear nuevas imágenes **basadas en una descripción textual.**
Para el profesorado, estas herramientas pueden resultar especialmente útiles en tres niveles:
1. **Preparación de materiales visuales**
El docente puede generar con cierta agilidad presentaciones, infografías, ilustraciones, esquemas o diagramas que acompañen una explicación teórica. Esto permite crear recursos visuales específicos para una clase o adaptar el material a diferentes niveles educativos.
2. **Apoyo a la comprensión del alumnado**
Las imágenes pueden utilizarse para representar conceptos abstractos, explicar procesos científicos o visualizar fenómenos que serían difíciles de mostrar de otra manera. La combinación de texto e imagen facilita la comprensión y ayuda a reforzar el aprendizaje.
3. **Desarrollo de la creatividad y el pensamiento visual**
Dependiendo de la etapa y la edad, el alumnado puede utilizar estas herramientas para crear ilustraciones, infografías o representaciones visuales de ideas. Esto permite trabajar proyectos más creativos y explorar nuevas formas de comunicar conocimientos.
Antes de seguir vamos a dar unas recomendaciones generales a tener en cuenta cuando hacemos uso de la IA, muy especialmente en el ámbito de la imagen y vídeo.
##### **Recomendaciones previas**
La IA es una herramienta estructuradora, no un sustituto pedagógico. Recomendaciones:
- Verificar datos técnicos o legales.
- No usar la primera versión generada.
- Evitar exceso de texto en diapositivas.
- Adaptar el lenguaje al nivel del alumnado.
- Revisar coherencia visual.
#### Presentaciones a partir de texto
La tecnología de generación de presentaciones a partir de texto ha evolucionado más allá de las simples plantillas. Para un docente, esto significa que la IA puede interpretar un guion de clase o un artículo científico y determinar qué conceptos merecen un titular, cuáles deben ser puntos clave y qué tipo de esquema visual (línea de tiempo, gráfico comparativo, etc.) refuerza mejor el mensaje.
Esta automatización permite que el diseño deje de ser una barrera técnica o una inversión de horas, permitiéndonos centrar el esfuerzo en la curación de los contenidos y en la estrategia pedagógica.
Dentro del ecosistema actual de 2026, existen varias opciones que se adaptan a distintas necesidades de diseño y profundidad de contenido:
**Gamma:** Se ha consolidado como la opción preferida para quienes buscan presentaciones visualmente impactantes y fluidas. Su motor de IA genera bloques de contenido que se adaptan automáticamente al texto introducido. Es especialmente útil para crear materiales que parecen sitios web interactivos, permitiendo una lectura más orgánica que el tradicional paso de diapositivas.
**Slidesgo:** Es la evolución natural de las plantillas clásicas. Su generador de IA permite elegir el tono de la exposición y el estilo visual, integrándose perfectamente con Google Slides y PowerPoint. Es la herramienta ideal si necesitas un formato estándar y profesional sin complicaciones técnicas.
**Kimi:** Destaca por su capacidad analítica. A diferencia de otras más visuales, Kimi es excelente procesando archivos extensos (como PDF o apuntes complejos) para extraer una estructura lógica y convertirla en una presentación coherente. Es muy valorada en niveles superiores donde el rigor del contenido es la prioridad. Permite además el uso como chat y RAG (usando texto adicional). En Kimi vemos diferentes plantillas con distintos estilos.
No podemos olvidar las soluciones nativas. Al estar integradas directamente en las herramientas que ya usamos (Slides y PowerPoint), permiten generar borradores a partir de documentos que ya tenemos guardados en la nube, facilitando un flujo de trabajo continuo.
No podemos olvidar las soluciones nativas. Al estar integradas directamente en las herramientas que ya usamos (Slides y PowerPoint), permiten generar borradores a partir de documentos que ya tenemos guardados en la nube, facilitando un flujo de trabajo continuo.
Antes de preparar la presentación, también puedes pedirle a cualquier **Asistente IA** que te genere un **guión** para elaborar una **presentación sobre un tema en concreto**. Y luego elaborar la presentación en otra herramienta como por ejemplo Canva, ya sea basada en IA o no.
##### Posibilidades en el aula
La implementación de estas herramientas en el día a día docente ofrece ventajas que van desde la productividad hasta la personalización del aprendizaje:
- **Adaptación de materiales:** Puedes tomar una misma base de texto y generar tres presentaciones distintas: una simplificada para alumnado con dificultades de aprendizaje, otra con lenguaje técnico para niveles avanzados y una tercera interactiva para el trabajo en grupo.
- **Creación de "píldoras" de repaso:** Tras una sesión intensa, es posible introducir las notas de la clase en la IA para generar una presentación resumen en pocos minutos y compartirla con el alumnado como material de refuerzo.
- **Proyección de esquemas en tiempo real:** Durante un debate en clase, el profesorado puede ir anotando ideas clave y, al finalizar, pedirle a la IA que las organice en una estructura visual clara para cerrar la sesión con una síntesis proyectada.
- **Uso de plantillas:** Podemos usar plantillas que hay disponibles en las propias herramientas o con nuestras propias presentaciones para generar nuevas presentaciones basadas en las mismas y usando nuevos contenidos.
En definitiva, estas herramientas actúan como un soporte dinámico que elimina el "trabajo administrativo" del diseño para devolvernos tiempo para la enseñanza directa.
#### Presentación a partir de vídeos de Youtube
Quizá Youtube representa uno de los recursos más potentes hoy en día. La cantidad de cursos, tutoriales, vídeos cortos no tiene límite y muchas veces la dificultad reside no en encontrar algo sobre la temática que enseñamos sino en seleccionar materiales de la calidad que nos interesa o que expliquen los contenidos adecuados a nuestras materias y niveles. De modo que surgen dos aplicaciones, la de **búsqueda de información filtrada** y la de **generación de contenido** a partir de vídeos seleccionados.
Es fundamental hacer un alto en el camino. Aunque estas herramientas parecen mágicas por su capacidad de ahorro de tiempo, no debemos olvidar que la inteligencia artificial no "sabe" cosas en el sentido humano; lo que hace es predecir qué palabra o imagen debería ir a continuación basándose en patrones estadísticos. Como docentes, nuestra responsabilidad ética y profesional nos obliga a ser el **filtro crítico final** antes de que cualquier material llegue a las manos de nuestros alumnos. Aquí te dejo unos puntos clave a tener en cuenta:
***El riesgo de las "alucinaciones" y la veracidad***
La IA puede ser extremadamente convincente incluso cuando se equivoca. A veces, para completar una estructura o dar coherencia a una frase, el sistema puede inventar datos, fechas o citas de autores que nunca existieron.
- **Nunca des por sentado un dato:** Si la presentación menciona una cifra estadística o un hecho histórico concreto, tómate un minuto para contrastarlo.
- **Cuidado con las fuentes:** Algunas herramientas citan fuentes que parecen reales pero que, al hacer clic, llevan a enlaces rotos o inexistentes.
***Autoría y Propiedad Intelectual***
Asegúrate de que el vídeo de youtube tiene la licencia adecuada para poder hacer transformaciones sobre el contenido del mismo, evitando así vulnerar los derechos de autor. En caso de tener la licencia pertinente, recuerda que la IA reorganiza la información, pero la idea original sigue perteneciendo a otra persona. Por lo que:
**Cita siempre la fuente original:** Si tu presentación se basa en un vídeo de otra persona, es de rigor (y una excelente enseñanza y referencia para tu alumnado) incluir una diapositiva final de agradecimientos o fuentes citando el material original y el autor.
***El sesgo algorítmico***
La IA se entrena con lo que hay en internet, e internet no siempre es un lugar neutro. Al generar una presentación, la herramienta puede perpetuar estereotipos de género, raciales o culturales sin que nos demos cuenta a simple vista. Nuestra labor es revisar que el material sea **inclusivo, diverso y equilibrado**.
En el capítulo 2 ***consideraciones éticas*** del curso 1 de este itinerario aparecen explicados en más detalle estos apartados. Pulsa [aquí ](https://libros.catedu.es/link/13894#bkmrk-page-title)para acceder y saber más.
**Tu lista de comprobación (Checklist) rápida**
Antes de proyectar, hazte estas tres preguntas:
1. **¿He leído cada palabra?** (No te limites a mirar si el diseño queda bonito).
2. **¿Los datos clave son correctos?** (Especialmente nombres propios, fechas y fórmulas).
3. **¿He reconocido la autoría del contenido original?** (Si usaste un vídeo o texto de terceros).
En definitiva, la IA nos regala el diseño y la estructura, pero **el rigor y la verdad siguen siendo propiedad exclusiva del profesorado**. Nosotros somos el control de calidad; sin ese control, la herramienta es solo ruido visual.
##### Herramientas para la conversión de vídeo a diapositivas
Existen soluciones directas que hacen todo el proceso en un solo clic, y otras que combinan la potencia de varios asistentes. Hay que ser conscientes de que la mayoría de vídeos incluyen transcripciones del audio y que suelen ser extensas por lo que van a consumir muchos tokens o palabras y puede suponer una limitación si no tenemos una cuenta de pago.
Es probablemente la herramienta más directa. Permite pegar la URL de un vídeo de YouTube, seleccionar el número de diapositivas que deseas y, en cuestión de un par de minutos, genera una presentación completa en Google Slides. Es ideal para vídeos de conferencias o tutoriales educativos.
Aunque es una herramienta más enfocada al estudio, es capaz de leer un vídeo y generar automáticamente notas, esquemas y diapositivas de apoyo, lo que la hace excelente para el ámbito académico.
Estas utilidades web son sencillas pero potentes. Su única función es extraer el texto literal (la transcripción) de cualquier vídeo de YouTube de forma limpia y rápida. Al obtener el texto "en bruto", el profesor puede leerlo primero, eliminar las partes irrelevantes o publicitarias del vídeo y quedarse solo con la esencia académica antes de pasar al siguiente paso.
También puedes utilizar **GPTs Personalizados (Custom GPTs):** Esta es quizá la herramienta más avanzada para un docente. En lugar de usar un chat genérico de un asistente de IA, puedes crear (o usar) un GPT diseñado específicamente para "Transformar transcripciones en presentaciones educativas".
- - Puedes darle instrucciones fijas como: *"Usa siempre un lenguaje adaptado a 3º de la ESO"*, *"Estructura la información en Introducción, 3 puntos clave y Conclusión"* o *"Asegúrate de incluir una pregunta de reflexión al final de cada diapositiva"*.
- Esto garantiza que el resultado no sea una simple síntesis, sino una propuesta didáctica alineada con tu programación.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/8CAimage.png)
##### Posibilidades en el aula
Poder "congelar" y estructurar un vídeo en diapositivas abre un abanico de posibilidades pedagógicas muy interesantes:
- **Síntesis de vídeo:** A veces encontramos una charla magistral o un documental excelente en YouTube, pero es demasiado largo para ponerlo íntegro en clase. Al convertirlo en presentación, puedes mostrar solo los esquemas de las ideas clave del experto, usándolos como apoyo para tu propia explicación.
- **Flipped Classroom (Aula Invertida):** Puedes pedir a tu alumnado que vean un vídeo en casa y, en clase, entregarles la presentación generada a partir de ese vídeo para que realicen anotaciones sobre ella o completen la información que falta.
- **Accesibilidad y refuerzo:** Para alumnado que tienen dificultades para procesar información auditiva o que necesitan un ritmo de aprendizaje más pausado, disponer de la presentación del vídeo les permite repasar el contenido de forma visual y textual a su propio ritmo.
- **Análisis crítico de contenidos:** Un ejercicio muy valioso es generar la presentación automática de un vídeo y pedir al alumnado que la "corrijan". Deben comparar lo que la IA ha interpretado como "importante" frente a lo que realmente se dijo en el vídeo, fomentando así el pensamiento crítico y la atención selectiva.
- **Generación de guías de estudio:** Al finalizar una unidad donde se han utilizado varios recursos audiovisuales, puedes entregar un *pack* de presentaciones que resuman esos vídeos, facilitando enormemente la preparación de exámenes o trabajos finales.
- **Generación de vidoes cortos**: Herramientas como Canva permiten la creación de vídeos cortos a partir de otros vídeos para destacar una idea o cuestión puntual. De este modo potenciamos la capacidad de análisis de una forma visual y más entretenida
En esencia, esta tecnología nos permite "reciclar" el enorme repositorio de conocimiento que es YouTube y transformarlo en un recurso didáctico manejable, editable y adaptado a las necesidades reales de nuestro grupo.
#### Infografías
La **generación automática de infografías:** si una presentación es una narración, la infografía es una síntesis visual estática. La tecnología actual permite que, a partir de un texto, una lista de datos o incluso un enlace, la IA determine cuál es el mejor formato visual (un mapa mental, una línea de tiempo, un diagrama de flujo o una comparativa de "antes y después") para que la información entre "por los ojos".
Para nosotros los docentes, esto es un cambio de paradigma: ya no necesitamos ser expertos en programas de diseño complejo para crear materiales que ayuden al alumnado a procesar información densa.
##### Herramientas populares en diseño infográfico asistido
Estas plataformas han integrado la IA no solo para generar imágenes, sino para organizar el pensamiento visual:
**Canva (Magic Design)** es, sin duda, la herramienta más accesible. Su función "Diseño Mágico" permite subir un texto o describir un tema y genera automáticamente varias opciones de infografías. Lo mejor es que el resultado es 100% editable, permitiéndonos cambiar iconos o ajustar el tono al nivel de nuestra clase.
Especialmente potente para transformar informes o artículos largos en infografías visuales. Su IA analiza el texto y extrae los puntos más relevantes para colocarlos en plantillas profesionales. Es ideal para niveles de Secundaria o Bachillerato donde manejamos datos más técnicos.
**Venngage (AI Infographic Generator):** Se centra mucho en la jerarquía de la información. Su motor de IA ayuda a elegir el tipo de gráfico más adecuado según el tipo de datos (si son temporales, porcentuales o descriptivos).
Aunque es conocida por su interactividad, su capacidad para generar estructuras visuales a partir de conceptos clave es excelente para crear "infografías vivas" donde el alumno puede hacer clic para ampliar información.
##### Posibilidades en el aula
- **Sintetizar procesos complejos:** Temas como el ciclo de Krebs en Biología, las etapas de una guerra en Historia o la sintaxis en Lengua se benefician enormemente de un esquema visual claro que la IA puede estructurar en segundos a partir de tus apuntes.
En esta imagen vemos una infografía generada por chatGPT a paritr de un prompt sencillo
*"Haz una infografía muy visual y sencilla para alumnos de 1 de la ESO"*
[](https://libros.catedu.es/uploads/images/gallery/2026-03/2lDimage.png)
- **Actividades para completar:** Podemos entregar infografías cortadas o incompletas (creadas con IA pero borrando partes) para que los alumnos las completen mientras ven un vídeo o escuchan nuestra explicación.
- **Proyectos del alumnado:** Al igual que con las presentaciones, si permitimos que el alumnado use estas herramientas, el enfoque de la evaluación se traslada del "diseño" a la **capacidad de síntesis y jerarquización**. ¿Saben distinguir lo importante de lo accesorio para que la IA lo plasme bien?.
- **Carteles para uso en el centro:** Crear normas de convivencia, pasos de un experimento de laboratorio o cronogramas de proyectos de forma visual ayuda a que la información sea persistente en la memoria visual del grupo.
**AVISO**: Aunque la IA ha mejorado mucho, **todavía suele cometer errores tipográficos** (palabras mal escritas o letras extrañas) cuando genera imágenes cerradas. Por eso, mi recomendación es usar la IA para la **estructura y los iconos**, pero asegurarte siempre de editar el texto final en la herramienta (como Canva) para que sea legible y correcto.
#### Visualización de datos con IA
En el contexto educativo actual, cada vez trabajamos con **más datos**: resultados de cuestionarios, encuestas del alumnado, estadísticas, experimentos científicos, datos económicos o información recogida en proyectos de investigación.
Sin embargo, **los datos en bruto son difíciles de interpretar**. Una tabla con muchos números puede resultar confusa y poco significativa para el alumnado.
Aquí es donde entra en juego la **visualización de datos**.
La visualización consiste en **transformar datos en gráficos, diagramas o representaciones visuales** que permitan comprender la información de forma rápida e intuitiva. Cuando se combina con herramientas de **Inteligencia Artificial**, este proceso se vuelve mucho más sencillo, ya que la IA puede:
- Analizar automáticamente los datos.
- Sugerir el tipo de gráfico más adecuado.
- Generar visualizaciones a partir de instrucciones en lenguaje natural.
- Detectar patrones o relaciones interesantes en los datos.
Para el profesorado de secundaria, esto abre nuevas posibilidades para **trabajar el pensamiento crítico, la interpretación de información y la alfabetización en datos**, competencias cada vez más relevantes en el mundo actual.
##### Asistentes IA
Asistentes como **ChatGPT, Claude o Gemini** permiten analizar tablas o datos y generar tipos de gráficos, explicaciones de tendencias e interpretaciones de resultados.
Además, las **hojas de cálculo de Google** también incorporan cada vez más funciones inteligentes para generar gráficos automáticamente, detectar tendencias u organizar datos de forma visual. Podemos además usar infinidad de plantillas adaptadas a nuestros propios datos.
Herramientas específicas
Plataforma para crear **visualizaciones más avanzadas e interactivas**, como gráficos animados, mapas y comparaciones dinámicas. Muy útil para presentaciones o proyectos.
Tableau Public es una herramienta profesional de análisis de datos que permite crear **paneles visuales (dashboards)** con gráficos combinados. Puede utilizarse para proyectos más complejos de análisis de datos.
##### Posibilidades en el aula
La visualización de datos con IA puede utilizarse en múltiples asignaturas y situaciones educativas.
- **Comprender mejor la información** facilitando la comprensión de fenómenos científicos, sociales o económicos como por ejemplo la evolución de la población, el cambio climático, los resultados de experimentos, estadísticas deportivas...
- **Desarrollar pensamiento crítico.** El alumnado puede aprender a analizar e interpretar gráficos, cuestionando qué representan los datos, cómo se han recogido, qué conclusiones pueden extraerse, etc. Esto contribuye a desarrollar **alfabetización en datos**, una competencia fundamental en la sociedad actual.
- **Proyectos de investigación.** El alumnado puede recoger datos en proyectos propios y utilizar la IA para: organizar la información, generar gráficos, identificar patrones o tendencias, etc.
- **Presentación de trabajos.** Las visualizaciones permiten presentar resultados de forma más clara y atractiva, mejorando la comunicación de los proyectos del alumnado. Esto también favorece habilidades como síntesis, interpretación y comunicación visual
#### Mapas conceptuales
Una de las mayores dificultades del alumnado al estudiar es **organizar la información y comprender las relaciones entre los conceptos**. Muchos estudiantes tienden a memorizar contenidos sin entender cómo se conectan entre sí.
Los **mapas conceptuales** son una herramienta muy útil para solucionar este problema. Permiten representar de forma visual conceptos clave, relaciones entre ideas, jerarquías de información o estructuras de un tema.
Las herramientas de **Inteligencia Artificial** permiten ahora **generarlos automáticamente a partir de un texto, un tema o una explicación**, lo que facilita su uso tanto por parte del profesorado como del alumnado.
##### Asistentes IA
Asistentes como **ChatGPT, Claude o Gemini** permiten generar la **estructura de un mapa conceptual** a partir de una explicación o un texto.
Por ejemplo, se puede pedir:
> “Genera un mapa conceptual sobre la Revolución Francesa con los conceptos principales y sus relaciones.”
El resultado puede luego transformarse en un diagrama visual.
Herramientas populares
Permite trabajar con documentos y generar **esquemas conceptuales a partir del contenido.** Es especialmente útil para resumir materiales, identificar ideas clave y estructurar contenidos complejos.
Plataforma de pizarra digital colaborativa donde se pueden construir mapas conceptuales, esquemas y diagramas. Especialmente útil para trabajo en equipo.
Algunas herramientas recientes permiten **convertir directamente textos o documentos en mapas conceptuales** de forma automática. Esto resulta especialmente útil para resumir temas largos o preparar materiales de estudio.
Posibilidades en el aula
- **Comprender temas complejos** ayudando al alumnado a visualizar la estructura de un tema, lo que facilita la comprensión. Por ejemplo: las causas de la Primera Guerra Mundial, los tipos de energía, el funcionamiento del sistema circulatorio, etc.
- **Exponer información.** Mediante los mapas presentamos información de forma resumida o la incluimos en presentaciones para concentrar mucha información en poco espacio.
- **Preparar trabajos y proyectos.** Antes de comenzar un proyecto, el alumnado puede crear un mapa conceptual para ordenar ideas, identificar conceptos clave o estructurar un trabajo o presentación.
- **Aprendizaje colaborativo.** Los mapas conceptuales se pueden construir **de forma colaborativa**, permitiendo que los estudiantes discutan las relaciones entre conceptos, añadan nuevas ideas o mejoren el esquema entre todos.
##### *Ejemplo de aplicación*
Hemos pedido a gemini que genere un prompt para crear un mapa conceptual sobre la historia reciente de España. Usamos dicho prompt para crear el mapa en chatGPT
Prompt obtenido:
*Mapa Conceptual "España Contemporánea (1900-2026)"*
***Objetivo:** Crear un mapa conceptual de alta densidad informativa que conecte los periodos de crisis, dictadura y democracia en España, utilizando nodos jerárquicos y conectores lógicos.*
*Estructura de Nodos (Ramas Principales):*
1. ***Crisis de la Restauración (1900-1923):***
- ***Contexto:** Desastre del 98 (pérdida de colonias).*
- ***Conflictos:** Semana Trágica (1909), Huelga General (1917), Crisis de Annual (Guerra del Rif).*
- ***Fin del sistema:** Golpe de Estado de Miguel Primo de Rivera.*
2. ***Dictadura y Segunda República (1923-1936):***
- ***Primo de Rivera:** Directorio Militar y Civil, auge de obras públicas.*
- ***Proclamación de la II República (1931):** Constitución de 1931 (laica, sufragio femenino).*
- ***Reformas:** Agraria, educativa, militar y estatutos de autonomía (Cataluña).*
- ***Polarización:** Bienio Negro (1933-35), Revolución de Asturias (1934), victoria del Frente Popular (1936).*
3. ***Guerra Civil y Franquismo (1936-1975):***
- ***Guerra Civil (1936-39):** Bando Nacional vs. Republicano, intervención internacional (Eje vs. Brigadas Internacionales).*
- ***Dictadura de Franco:***
- *Posguerra: Autarquía, hambre y represión.*
- *Aperturismo (Años 50): Concordato con la Santa Sede, ingreso en la ONU.*
- *Desarrollismo (Años 60): Plan de Estabilización, turismo de masas, éxodo rural.*
- *Oposición: Movimiento obrero, ETA, crisis del petróleo.*
4. ***La Transición y Consolidación (1975-1982):***
- ***Figuras:** Juan Carlos I, Adolfo Suárez, Santiago Carrillo, Felipe González.*
- ***Hitos:** Ley para la Reforma Política, Elecciones 1977, **Constitución de 1978** (Estado de las Autonomías).*
- ***Amenazas:** Intento de Golpe de Estado (23-F, 1981).*
5. ***España en la Unión Europea (1982-2008):***
- ***Era PSOE (González):** Entrada en la CEE (1986), modernización, Juegos Olímpicos 92.*
- ***Era PP (Aznar):** Entrada en el Euro, privatizaciones, atentados del 11-M (2004).*
- ***Era PSOE (Zapatero):** Leyes sociales (matrimonio igualitario), fin de ETA.*
6. ***España Actual y Retos del S. XXI (2008-2026):***
- ***Crisis Económica (2008):** Gran Recesión, movimiento 15-M, fin del bipartidismo (aparición de Podemos y Vox).*
- ***Crisis Institucional:** Abdicación de Juan Carlos I (2014), desafío soberanista en Cataluña (1-O).*
- ***Era Actual (Sánchez):** Gobiernos de coalición, gestión de la pandemia, digitalización y agenda verde.*
*Instrucciones de Diseño:*
- ***Colores sugeridos:** Usa **Gris/Sepia** para la Restauración, **Rojo/Morado** para la República, **Azul Oscuro** para el Franquismo y **Verde/Azul Brillante** para la Transición y Democracia.*
- ***Conectores:** No olvides flechas con verbos como: "desemboca en", "se opone a", "ratifica", "liberaliza".*
- ***Jerarquía:** Los nombres de los presidentes de gobierno deben ser sub-nodos de sus respectivos periodos.*
**Mapa obtenido con chatGPT**
[](https://libros.catedu.es/uploads/images/gallery/2026-03/B72image.png)
# 3.4 Recursos audiovisuales
En los últimos años la Inteligencia Artificial generativa ha ampliado las posibilidades educativas más allá del texto. Hoy existen herramientas capaces de generar **imágenes, vídeos, avatares parlantes y música** a partir de instrucciones escritas, lo que permite crear recursos multimedia de forma rápida y flexible.
Este tipo de tecnologías forman parte de lo que se conoce como **IA multimodal**, es decir, sistemas capaces de trabajar con distintos tipos de información como texto, imagen, vídeo o sonido. En el contexto educativo, esto significa que un docente puede describir una idea, un concepto o una escena y la IA puede transformarla en un recurso visual o audiovisual que ayude a comprender mejor el contenido.
La **generación de imágenes** es una de las aplicaciones más extendidas. A partir de una descripción escrita, las herramientas de IA pueden crear ilustraciones, diagramas o escenas que representen un contenido educativo. Esto puede resultar útil para ilustrar explicaciones de historia, ciencias o geografía, así como para crear material visual adaptado a una actividad concreta.
A partir de esta tecnología han surgido también modelos capaces de generar **vídeos a partir de texto**. Estos sistemas permiten crear pequeñas escenas o secuencias audiovisuales que representan una situación descrita previamente. Aunque todavía se trata de una tecnología en evolución, abre nuevas posibilidades para generar recursos visuales que acompañen explicaciones o proyectos educativos.
Otra aplicación interesante es la creación de **avatares digitales que hablan**. Estas herramientas permiten generar vídeos en los que aparece un personaje virtual que explica un contenido a partir de un guion escrito. En el ámbito educativo pueden utilizarse para presentar información, introducir un tema o acompañar materiales didácticos en formato audiovisual. Los modelos actuales permiten incluso adaptar el movimiento labial al idioma que se desee.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/tiximage.png)
*Esta herramienta permite adaptar el video al idioma elegido sincronizando el movimiento de los labios*
Por último, la IA también permite generar **audio, efectos sonoros o música**, lo que facilita la creación de contenidos multimedia más completos. Por ejemplo, una presentación o un vídeo educativo puede incluir narraciones sintetizadas que acompañen la explicación.
En conjunto, estas tecnologías permiten combinar **imagen y audio** para crear materiales educativos más ricos y visuales. Esto puede facilitar la comprensión de determinados contenidos y ofrecer nuevas formas de presentar la información en el aula haciéndola **más accesible.**
Sin embargo, el uso educativo de estas herramientas no debe centrarse únicamente en producir contenidos automáticamente. También es una oportunidad para que el alumnado comprenda cómo funcionan estos sistemas, reflexione sobre sus límites y desarrolle una actitud crítica frente a los contenidos generados por IA. Aspectos como la fiabilidad de las imágenes, la **manipulación audiovisual** o los **derechos de autor** forman parte de los debates actuales sobre el uso responsable de estas tecnologías.
Te recomendamos la lectura de esta página sobre [Derechos de Autor y Propiedad Intelectual ](https://libros.catedu.es/link/13895#bkmrk-page-title)del curso 1 de este itinerario.
#### Generación de video e imágenes con IA
La generación de imágenes mediante Inteligencia Artificial es una de las áreas que más ha evolucionado en los últimos años dentro del campo de la IA generativa. Estas tecnologías permiten crear imágenes nuevas a partir de descripciones escritas en lenguaje natural. Es decir, el usuario puede escribir una instrucción describiendo una escena, un objeto o un estilo visual, y el sistema genera automáticamente una imagen que representa esa descripción.
Este proceso se conoce como **text-to-image** y se basa en modelos de aprendizaje profundo entrenados con grandes conjuntos de imágenes. Gracias a este entrenamiento, los modelos aprenden patrones relacionados con formas, estilos, iluminación o composición visual. Como resultado, pueden producir ilustraciones, escenas históricas, diagramas o representaciones visuales complejas en pocos segundos.
En los últimos años han aparecido modelos cada vez más avanzados que amplían las posibilidades de esta tecnología, incluyendo no solo imágenes estáticas sino también animaciones y **vídeos** generados por IA.
Además podemos **generar subtítulos de vídeos**. Podemos utilizar la IA para transcribir audios y subtitutlar vídeos en otros idiomas o incluso vídeos creados por los alumnos sobre cualquier temática. Para ello herramientas con **veed o descript** pueden ser muy útiles.
##### Herramientas de generación visual con IA
Hoy en día la mayoría de *asistentes* generalistas como Gemini, ya son multimodo permitiendo la generación de imágenes y toda clase de contenidos. No obstante citamos a continuación los más específicos.
Runway ML es una de las plataformas más avanzadas para la creación de contenido visual mediante IA. Su modelo Gen-3 permite generar imágenes y vídeos a partir de texto, así como transformar imágenes existentes en animaciones. Se utiliza ampliamente en producción audiovisual, pero también puede resultar interesante en educación para generar escenas visuales que ayuden a ilustrar conceptos o narrativas.
Sora es un modelo desarrollado por OpenAI que permite generar vídeos completos a partir de una descripción escrita. Aunque su foco principal es el vídeo, representa una evolución importante de las tecnologías de generación visual. Permite crear escenas dinámicas con movimiento de cámara, iluminación coherente y comportamientos físicos realistas.
DALL·E es uno de los modelos más conocidos de generación de imágenes a partir de texto. Permite crear ilustraciones, escenas imaginarias, representaciones educativas o variaciones de imágenes existentes. Su facilidad de uso lo convierte en una herramienta interesante para generar material visual adaptado a explicaciones concretas.
Midjourney destaca especialmente por la calidad estética y artística de las imágenes que genera. Es muy utilizado en ámbitos creativos, diseño conceptual e ilustración. Permite producir imágenes con gran riqueza visual y estilos artísticos variados.
Stable Diffusion es un modelo de generación de imágenes de código abierto que puede ejecutarse localmente en un ordenador. Esto permite experimentar con la tecnología sin depender necesariamente de servicios en línea, lo que puede resultar útil en contextos educativos donde se desea explorar el funcionamiento de los modelos generativos.
Ejemplo de imagen generada por Sora con el siguiente prompt
*"A single floating cube, surface textured world map, muted saturated colors, image square shape, neutral lighter environment"*
[](https://libros.catedu.es/uploads/images/gallery/2026-03/NWgimage.png)
Posibilidades en el aula
- **Creación de material visual para explicar contenidos**
- **Representación visual de conceptos abstractos**
- **Apoyo a proyectos y trabajos del alumnado**
- **Actividades creativas y experimentación con prompts.** La generación de imágenes también puede utilizarse como actividad didáctica para trabajar la relación entre lenguaje e imagen. Los estudiantes pueden experimentar escribiendo diferentes descripciones (prompts) y observar cómo cambia el resultado visual. Este tipo de actividades permite reflexionar sobre cómo se construyen las instrucciones y cómo la IA interpreta el lenguaje.
¡Atención a la **edad mínima de uso** de las herramientas!
> ##### Coste de uso de herramientas de generación de video e imágenes con IA
>
> El uso de herramientas de generación visual como Runway, Sora, Midjourney o Stable Diffusion implica un **coste computacional considerable**, ya que estos sistemas se basan en modelos de aprendizaje profundo con millones o miles de millones de parámetros. Para generar una sola imagen o un vídeo corto, el sistema debe realizar una gran cantidad de cálculos matemáticos en paralelo, normalmente ejecutados en **tarjetas gráficas especializadas (GPU)** o en grandes centros de datos.
>
> Desde el punto de vista del hardware, estos modelos requieren equipos con gran capacidad de cálculo. En entornos profesionales o en la nube se utilizan GPU avanzadas como las NVIDIA A100 o equivalentes, cuyo uso puede costar **más de 30 dólares por hora en servicios cloud de alto rendimiento**, dependiendo de la configuración.
>
> En el caso de modelos abiertos como Stable Diffusion, es posible ejecutarlos en un ordenador personal, pero aun así suele ser necesario disponer de una **tarjeta gráfica con al menos 8 GB de memoria de vídeo**, lo que implica un hardware relativamente potente comparado con aplicaciones informáticas convencionales.
>
> Además del hardware, existe también un **coste energético asociado al cálculo**. Los sistemas de IA generativa realizan millones de operaciones matemáticas para cada imagen generada. Algunas estimaciones indican que crear una sola imagen puede consumir aproximadamente entre **0,01 y 0,29 kWh de electricidad**, dependiendo del modelo y del hardware utilizado.
>
> El coste es aún mayor cuando hablamos del **entrenamiento de los modelos**, que es el proceso mediante el cual aprenden a generar imágenes. Entrenar modelos de gran escala puede requerir miles de horas de GPU y enormes cantidades de energía. Por ejemplo, se estima que entrenar un gran modelo de lenguaje comparable a GPT-3 requirió más de **1.200 MWh de electricidad**, equivalente al consumo anual de cientos de hogares.
>
> Desde el punto de vista económico, estos requisitos de hardware, energía y mantenimiento de centros de datos explican por qué muchas herramientas de IA generativa funcionan mediante **suscripciones o sistemas de créditos**. El usuario no paga solo por el software, sino por el acceso a la infraestructura computacional necesaria para ejecutar estos modelos.
>
> En resumen, aunque para el usuario final generar una imagen puede parecer un proceso instantáneo y sencillo, detrás de estas herramientas existe una **infraestructura tecnológica compleja y costosa**, basada en hardware especializado, consumo energético elevado y grandes centros de datos. Comprender este aspecto también es importante en el ámbito educativo, ya que ayuda a entender por qué estos servicios tienen coste económico y cuál es el impacto tecnológico y energético de la IA generativa.
##### Advertencia ética y legal
El uso de herramientas de generación de imágenes con IA debe acompañarse de una reflexión sobre sus implicaciones éticas y legales.
Es especialmente importante evitar generar o difundir imágenes que representen **personas reales sin su consentimiento**, ya que esto puede vulnerar derechos relacionados con la imagen, la privacidad o la reputación. La creación de imágenes falsas de personas reales puede dar lugar a situaciones problemáticas si no se utilizan con responsabilidad.
Asimismo, conviene enseñar al alumnado a respetar los **derechos de autor y las condiciones de uso de las plataformas**. Aunque una imagen haya sido generada por IA, su utilización puede estar sujeta a determinadas **licencias o normas de uso**.
Trabajar estas cuestiones en el aula permite fomentar una **alfabetización digital crítica**, ayudando al alumnado a comprender tanto las posibilidades como las responsabilidades asociadas al uso de estas tecnologías.
##### Modelos abiertos y plataformas
Para los que quieran profundizar existen webs que permiten usar estos modelos de forma gratuita pero con altos requisitos en cuanto a hardware. Nombramos las más populares:
- Hugging Face → Repositorio de modelos abiertos (Stable Diffusion, SDXL, Flux, etc.).
- Stable Diffusion → Modelo abierto ampliamente usado.
- Leonardo AI → Generación avanzada con control de estilo.
- Playground AI → Interfaz sencilla sobre modelos abiertos.
#### Generación de avatares con IA
Una de las aplicaciones más interesantes de la IA generativa en el ámbito educativo es la creación de **avatares digitales que pueden hablar, explicar contenidos o presentar información**. Estas herramientas permiten generar vídeos en los que aparece un personaje virtual que pronuncia un texto introducido previamente por el usuario. De esta forma, un simple guion puede convertirse en una explicación audiovisual en pocos minutos.
Los sistemas de avatares con IA combinan varias tecnologías: **generación de vídeo, síntesis de voz y sincronización labial**. A partir de estos elementos, el modelo es capaz de producir un personaje virtual que parece hablar de forma natural. Algunos sistemas incluso permiten elegir distintos idiomas, estilos de voz o tipos de avatar.
En el contexto educativo, estas herramientas pueden utilizarse para crear **explicaciones breves, introducciones a temas o presentaciones audiovisuales**, sin necesidad de grabar vídeos o disponer de equipamiento técnico específico. Esto facilita la producción de materiales visuales y permite explorar nuevas formas de comunicación digital en el aula.
##### Herramientas para generar avatares con IA
Synthesia es una de las plataformas más conocidas para crear vídeos con avatares generados por IA. El usuario introduce un texto y el sistema genera automáticamente un vídeo en el que un avatar lo pronuncia con sincronización labial. La herramienta permite elegir diferentes personajes, idiomas y estilos de presentación, lo que la convierte en una opción frecuente para vídeos educativos o formativos.
Permite crear vídeos con avatares personalizables y ofrece funciones avanzadas como la traducción automática de vídeos a distintos idiomas manteniendo el movimiento de labios sincronizado. Esto puede resultar interesante en contextos educativos multilingües o en materiales destinados a diferentes públicos.
D-ID permite animar una imagen para convertirla en un avatar que habla. El usuario puede subir una fotografía o ilustración y el sistema genera una animación facial que pronuncia el texto introducido. Esta herramienta se utiliza a menudo para crear narraciones visuales o presentaciones dinámicas.
Colossyan es otra plataforma orientada a la creación de vídeos educativos mediante avatares. Permite transformar textos o guiones en presentaciones audiovisuales con personajes virtuales, lo que facilita la producción de contenidos formativos sin necesidad de grabación.
##### Posibilidades en el aula
- **Creación de explicaciones audiovisuales**
- **Simulación de personajes históricos.** En materias como historia o literatura, los avatares pueden utilizarse para representar personajes que expliquen acontecimientos o narren hechos desde su perspectiva. Este tipo de actividades puede ayudar a trabajar contenidos de forma más dinámica y narrativa.
- **Creación de contenidos educativos accesibles.** Los avatares también pueden utilizarse para generar vídeos explicativos en distintos idiomas o con diferentes voces, lo que facilita la adaptación de materiales educativos a distintos contextos o necesidades.
##### Consideraciones éticas
Como ocurre con otras tecnologías de generación audiovisual, es importante utilizar los avatares con IA de forma responsable. Debe evitarse crear vídeos que representen **personas reales sin su consentimiento**, ya que esto puede vulnerar derechos de imagen o generar contenidos engañosos.
Trabajar estas cuestiones en el aula permite también reflexionar sobre fenómenos actuales como los ***deepfakes***, ayudando al alumnado a desarrollar una actitud crítica frente a los contenidos digitales generados mediante IA.
#### Generación de música con IA
La generación de música mediante Inteligencia Artificial ha experimentado un avance muy significativo entre **2024 y 2026**. Los modelos generativos actuales permiten crear contenido musical completo a partir de una descripción escrita o de algunos parámetros básicos, lo que ha ampliado notablemente las posibilidades de producción sonora en ámbitos creativos y educativos.
Hoy en día estas herramientas permiten generar **música instrumental, canciones con letra o composiciones adaptadas a un estilo concreto o a una determinada emoción**. Por ejemplo, un usuario puede pedir una pieza musical “con estilo épico para acompañar un vídeo sobre exploración espacial” o una canción “con estilo pop que explique un concepto científico”, y el sistema generará una composición coherente con esa descripción.
Desde el punto de vista educativo, estas tecnologías permiten explorar nuevas formas de crear contenido multimedia y también analizar cómo los modelos de IA interpretan instrucciones relacionadas con estilo, ritmo o emoción musical.
##### Herramientas
Plataforma de composición musical asistida por IA que se utiliza especialmente para generar música instrumental de estilo cinematográfico o clásico. Se emplea con frecuencia para crear bandas sonoras o acompañamientos musicales.
Se centra en la generación de música instrumental adaptada a distintos estados emocionales o tipos de contenido. El usuario puede seleccionar el tipo de ambiente que desea transmitir, como relajación, tensión o energía, y la herramienta genera una composición acorde.
Herramienta orientada principalmente a la generación de música instrumental personalizable. Permite ajustar parámetros como duración, intensidad o estilo musical, lo que resulta útil para crear música de fondo para vídeos o presentaciones.
Permite crear piezas que incluyen letra, voz e instrumentación a partir de una simple descripción escrita. El usuario puede definir el estilo musical o el tipo de canción que desea generar. Debido a su impacto en la industria musical, la plataforma ha estado también en el centro de debates y **demandas relacionadas con derechos de autor y uso de datos para entrenamiento**.
Modelos abiertos de generación musical
Para quién quiera profundizar en el uso de estas herramientas, además de las plataformas comerciales, existen también **modelos abiertos de generación musical** que pueden encontrarse en repositorios como *Hugging Face.* Estos modelos permiten experimentar con la tecnología desde un punto de vista más técnico o educativo.
Normalmente se requiere cierto conocimiento técnico de lenguajes como python
Modelo desarrollado por Meta que permite generar música a partir de descripciones escritas. Puede producir fragmentos musicales en distintos estilos y es uno de los modelos abiertos más utilizados en investigación.
Modelo que genera música de forma continua utilizando una técnica inspirada en los modelos de difusión. Permite crear bucles musicales o pequeñas piezas sonoras que evolucionan progresivamente.
##### Posibilidades en el aula
- **Análisis musical**. Explorar y analizar distintos estilos, observar cómo la IA interpreta descripciones relacionadas con ritmo, género o ambiente musical. Probar variaciones de una misma idea y analizar las diferencias.
- **Trabajo colaborativo**. Componer en grupo a partir de prompts y modificación de parámetros musicales a partir de esos prompts; debatir decisiones creativas (qué cambiar, por qué...); comparar resultados entre equipos.
- **Composición musical asistida**. Generar melodías, armonías o ritmos a partir de ideas simples. Trabajar la estructura y el estilo de la composición. Transformar una melodía, improvisar sobre bases generadas...
- **Educación ética y crítica**. Trabajo sobre los derechos de autor, el proceso creativo y el impacto en la profesión musical; análisis de modelos generativos a través de los modelos abiertos, analizando cómo funciona la generación musical mediante IA. Esto puede utilizarse en contextos educativos para comprender mejor los principios de los modelos generativos.
- **Creación de bandas sonoras para proyectos.** El alumnado puede generar música para acompañar vídeos, presentaciones o proyectos multimedia. Esto permite trabajar la relación entre sonido, emoción y narrativa.
Clonación de voz y síntesis avanzada
Uno de los avances más llamativos de la Inteligencia Artificial generativa en los últimos años es la capacidad de **sintetizar voces humanas con gran realismo**. Las tecnologías actuales permiten generar voz a partir de texto —lo que se conoce como **text-to-speech (TTS)**— y también **clonar la voz de una persona concreta** utilizando pequeñas muestras de audio.
Esto significa que un sistema puede aprender las características de una voz —entonación, ritmo, timbre o acento— y reproducirlas posteriormente para leer cualquier texto. En algunos casos bastan unos pocos segundos de grabación para crear un modelo capaz de imitar esa voz de forma bastante convincente.
En el ámbito educativo, estas tecnologías pueden utilizarse para generar narraciones, locuciones o explicaciones habladas que acompañen materiales didácticos. Por ejemplo, se pueden crear audioguías, narraciones de textos o voces para vídeos educativos. Sin embargo, al mismo tiempo plantean **importantes cuestiones legales y éticas** que es necesario abordar de forma crítica.
#### Herramientas de clonación y síntesis de voz
Permite generar narraciones realistas a partir de texto y también clonar voces mediante el entrenamiento con muestras de audio. La herramienta ofrece múltiples idiomas y estilos de voz, lo que la ha convertido en una de las referencias actuales en generación de voz con IA.
PlayHT es otra plataforma orientada a la creación de voces sintéticas para contenidos audiovisuales. Permite generar narraciones con distintos estilos de voz y también crear clones de voz personalizados a partir de grabaciones.
Resemble AI está orientada a la generación de voces sintéticas para aplicaciones multimedia, videojuegos o producción audiovisual. Permite generar voces con distintos estilos y emociones.
Existen modelos abiertos como OpenVoice que permiten experimentar con clonación de voz y síntesis de audio. Algunos de estos sistemas pueden encontrarse en repositorios de investigación y plataformas como *Hugging Face*, lo que permite explorar el funcionamiento técnico de estas tecnologías.
##### Posibilidades en el aula
- **Creación de narraciones para materiales educativos**
- **Producción de audioguías o podcasts educativos**
- **Adaptación lingüística de materiales.** Las tecnologías de voz sintética permiten generar narraciones en distintos idiomas o acentos, lo que puede resultar útil en contextos educativos multilingües.
- **Exploración tecnológica.** En asignaturas relacionadas con tecnología o informática, estas herramientas permiten analizar cómo funcionan los sistemas de generación de voz y cómo los modelos aprenden características acústicas del habla humana.
> ##### Problemas legales y éticos
>
> La clonación de voz plantea **importantes cuestiones legales y éticas** que deben tenerse en cuenta, especialmente en contextos educativos.
>
> Uno de los principales problemas es el uso de la voz de una persona sin su consentimiento. La voz forma parte de la **identidad personal**, por lo que imitarla o reproducirla sin autorización puede vulnerar derechos de imagen o derechos de personalidad.
>
> Además, estas tecnologías pueden utilizarse para crear **contenidos falsos o manipulados**, conocidos como deepfakes de voz. Por ejemplo, es posible generar grabaciones en las que parece que una persona ha dicho algo que en realidad nunca ha dicho. Esto puede utilizarse para desinformación, fraude o manipulación.
>
> También existen cuestiones relacionadas con los **derechos de autor y el uso de datos para entrenar los modelos**. Algunos sistemas de clonación de voz han sido entrenados con grandes cantidades de grabaciones de audio, lo que ha generado debates sobre si esas voces se han utilizado con el consentimiento de sus propietarios.
>
> ##### Uso responsable en el ámbito educativo
>
> Por estos motivos, cuando estas tecnologías se utilizan en el aula es importante acompañarlas de una reflexión crítica sobre su uso.
>
> El alumnado debe comprender que:
>
> - no se deben clonar voces de personas reales sin su permiso
> - los contenidos generados por IA pueden ser manipulados o falsos
> - es necesario respetar los derechos de identidad y propiedad intelectual
Experimentación técnica y uso local
La existencia de modelos abiertos en plataformas como Hugging Face permite también trabajar con **IA local**, es decir, ejecutar modelos en un ordenador propio sin depender necesariamente de servicios comerciales en la nube.
Para ello existen numerosas herramientas como chatGPT4all o LMStudio muy intutitivas y con pocos requisitos técnicos
[](https://libros.catedu.es/uploads/images/gallery/2026-03/q4uimage.png)
*Pantalla principal de la web de chatgpt4all*
Este tipo de experimentación puede ser especialmente interesante en contextos educativos relacionados con informática, inteligencia artificial o tecnología, ya que permite trabajar aspectos como:
- el funcionamiento de los modelos generativos
- la experimentación con parámetros de generación
- la comprensión técnica de los sistemas de IA
De esta forma, la generación musical con IA no solo se convierte en una herramienta creativa, sino también en una oportunidad para comprender mejor **cómo funcionan los modelos de inteligencia artificial que producen contenido digital**.
### Conclusiones finales: riesgos y uso responsable de la IA multimedia
El desarrollo reciente de la Inteligencia Artificial generativa ha ampliado enormemente las posibilidades de creación de contenidos digitales. Hoy es posible generar **imágenes, vídeos, música, avatares o voces sintéticas** a partir de simples instrucciones escritas. Estas herramientas facilitan la producción de recursos multimedia y abren nuevas oportunidades para la enseñanza, la creatividad y la experimentación tecnológica en el aula.
Sin embargo, cuando la IA trabaja con **imagen, vídeo o voz**, los riesgos asociados son potencialmente mayores que en el caso del texto. Estos formatos tienen un fuerte impacto emocional y una gran capacidad de persuasión, lo que hace que los contenidos generados puedan resultar especialmente convincentes incluso cuando no son reales.
Uno de los principales problemas es la aparición de los llamados **deepfakes**, es decir, contenidos audiovisuales generados o manipulados mediante IA que imitan la apariencia o la voz de personas reales. Estas tecnologías pueden utilizarse para crear vídeos o audios falsos que simulan declaraciones o situaciones que nunca han ocurrido.
Relacionado con esto aparece también el riesgo de **suplantación de identidad**, ya que los sistemas de clonación de voz o generación de avatares permiten recrear de forma bastante realista la apariencia o la voz de una persona. Si estas herramientas se utilizan sin consentimiento, pueden vulnerar derechos de imagen o generar situaciones de fraude o manipulación.
Otro aspecto importante es el relacionado con los **derechos de autor**. Muchas herramientas de generación de imágenes, música o vídeo han sido entrenadas con grandes conjuntos de datos que incluyen obras creativas existentes con copyright y sin autorización del autor. Esto ha abierto un debate legal sobre el uso de esos contenidos para entrenar modelos de inteligencia artificial y sobre la propiedad de los contenidos generados posteriormente.
Además, la facilidad con la que hoy se pueden generar imágenes o vídeos realistas plantea nuevos retos en relación con la **manipulación informativa y la desinformación audiovisual**. En un contexto donde las redes sociales difunden rápidamente contenidos visuales, la existencia de vídeos o audios falsos puede contribuir a la difusión de información engañosa o manipulada.
Por todo ello, el uso educativo de estas tecnologías debe ir acompañado de una reflexión crítica sobre sus implicaciones. La escuela tiene un papel importante en el desarrollo de una **alfabetización digital avanzada**, que permita al alumnado comprender cómo se generan estos contenidos y cuáles son sus posibles riesgos.
Una actividad interesante para trabajar estos aspectos en el aula consiste en analizar un vídeo generado mediante inteligencia artificial y debatir algunas preguntas clave. Por ejemplo, se puede plantear al alumnado si realmente es posible distinguir ese vídeo de uno grabado de forma real. También se pueden discutir las posibles implicaciones que tendría el uso de este tipo de tecnologías en ámbitos como la política, la comunicación o la información pública. Finalmente, puede ser útil reflexionar sobre qué tipo de normas o regulaciones podrían establecerse para limitar usos problemáticos de estas herramientas.
En definitiva, la IA generativa ofrece nuevas oportunidades para la creación de contenidos y para el aprendizaje, pero también plantea desafíos importantes. Integrar estas tecnologías en el ámbito educativo no solo implica aprender a utilizarlas, sino también **comprender sus límites, analizar sus riesgos y desarrollar un pensamiento crítico sobre su impacto en la sociedad digital actual**.
# 3.5 Actividades interactivas y Análisis de datos
# Actividades interactivas y generación de juegos con IA
La Inteligencia Artificial generativa no solo permite producir textos, imágenes o vídeos. También puede utilizarse para **crear experiencias educativas interactivas**, como cuestionarios, juegos, simuladores o actividades gamificadas. Este tipo de herramientas amplía las posibilidades de enseñanza al transformar los contenidos en experiencias en las que el alumnado participa activamente.
A diferencia de los materiales tradicionales, que suelen presentar la información de forma estática, las actividades generadas con IA pueden adaptarse dinámicamente al usuario. Esto permite diseñar experiencias en las que el estudiante **interactúa con los contenidos, toma decisiones y recibe retroalimentación inmediata**, lo que favorece un aprendizaje más activo.
La IA puede ayudar, por ejemplo, a **generar cuestionarios automáticos a partir de un texto o de un tema**, crear pequeños juegos educativos basados en preguntas y respuestas, o construir simulaciones en las que el alumnado explora distintas situaciones. Además, algunos sistemas permiten ajustar el nivel de dificultad de las preguntas en función del progreso del estudiante, adaptando la actividad a su ritmo de aprendizaje.
Este enfoque conecta con metodologías educativas centradas en la participación del alumnado. En lugar de limitarse a recibir información, el estudiante pasa a **interactuar con el contenido**, resolver retos, experimentar con situaciones y comprobar sus conocimientos mediante actividades dinámicas.
### Generación de test y evaluaciones
La Inteligencia Artificial generativa también puede utilizarse para **diseñar actividades de evaluación y pruebas de conocimiento** de forma rápida y flexible. A partir de un tema, un documento o un conjunto de contenidos, los sistemas de IA pueden generar preguntas, ejercicios o pruebas completas que permiten comprobar el nivel de comprensión del alumnado.
Estas herramientas resultan especialmente útiles para el profesorado porque permiten crear evaluaciones adaptadas a los contenidos de una unidad didáctica sin tener que redactar manualmente todas las preguntas. Además, la IA puede generar **variaciones de una misma prueba**, lo que facilita la creación de distintos modelos de examen o actividades de repaso.
Otro aspecto interesante es que los sistemas generativos permiten crear **test en distintos formatos**, lo que amplía las posibilidades de evaluación más allá de los cuestionarios tradicionales. De esta forma, la evaluación puede incorporar diferentes tipos de preguntas que permitan valorar no solo la memoria, sino también la comprensión o la aplicación de los contenidos.
##### Herramientas para generar evaluaciones con IA
****Quizizz**** es una herramienta de gamificación que permite crear cuestionarios interactivos. Los alumnos pueden responder en directo o a su ritmo. Incluye rankings, retroalimentación inmediata y estadísticas para el profesor. Ideal para evaluar de forma dinámica y motivadora.
****Kahoot**** es una plataforma de aprendizaje basada en juegos que permite crear concursos interactivos tipo quiz para el aula. El profesor puede diseñar preguntas de opción múltiple, verdadero/falso o encuestas, que los alumnos responden en tiempo real desde sus dispositivos. Su enfoque gamificado, con puntuaciones, rankings y música, aumenta la motivación y la participación. Además, es muy útil para evaluar conocimientos de forma dinámica, ya sea como repaso, evaluación formativa o incluso como prueba rápida, ya que proporciona informes detallados sobre el rendimiento del alumnado.
**Claude** **es** un chat de propósito general también útil para la generación automática de tests en forma de páginas web y a partir de contenidos, apuntes o documentos. Además, destaca por su capacidad para exportar preguntas en formatos estándar como AIKEN o GIFT, lo que facilita su integración en diferentes plataformas educativas. También puede generar páginas web interactivas en HTML con cuestionarios autocorregibles, simulaciones o actividades prácticas, lo que permite diseñar recursos evaluativos dinámicos y personalizados sin necesidad de conocimientos avanzados de programación.
******Brisk Teaching****** es una herramienta basada en IA diseñada para ayudar al profesorado a crear actividades, evaluaciones y feedback de forma rápida directamente desde el navegador. Permite generar preguntas tipo test, rúbricas, comentarios personalizados sobre trabajos del alumnado y adaptar contenidos a distintos niveles. Además, se integra fácilmente con herramientas como Google Docs, facilitando la corrección y evaluación automatizada, el ahorro de tiempo y la personalización del aprendizaje.
##### Posibilidades en el aula
- **Creación de test** La IA permite generar **distintos tipos de preguntas de evaluación**, como test con opciones, verdadero/falso, respuestas cortas y preguntas de desarrollo. Además, puede crear **ejercicios prácticos basados en casos**, lo que facilita evaluar tanto la memorización como la comprensión y la aplicación del conocimiento
- **Creación rápida de pruebas de repaso** El profesorado puede generar test para repasar contenidos antes de un examen o para comprobar la comprensión de una unidad didáctica.
- **Evaluación formativa** Las herramientas de IA permiten crear actividades de evaluación que ofrecen retroalimentación inmediata, lo que ayuda al alumnado a identificar errores y mejorar su aprendizaje.
- **Generación de diferentes versiones de un examen** La IA puede generar múltiples variantes de un mismo test, lo que facilita la creación de diferentes modelos de examen con preguntas similares.
- **Apoyo en la elaboración de rúbricas y criterios de evaluación** Además de generar preguntas, los modelos de lenguaje pueden ayudar a diseñar criterios de evaluación o rúbricas para valorar las respuestas del alumnado.
- **Evaluación previa** Mediante el uso de rúbricas y chatbots como gemini podemos hacer evaluaciones previas de trabajos de alumnos usando un *prompt* adecuado y teniendo en cuenta que la evaluación en última instancia requiere la intervención del profesor.
- **Creación bancos de preguntas** que luego pueden usarse y reutilizarse en difernetes cursos y contextos
- **Soporte a la evaluación de trabajos** Usando un documento de rúbrica bien estructurado podemos pedir a la IA que haga una valoración previa de un documejto. Esto puede servir al alumno para revisar y refinar sus trabajos.
> ##### Advertencia: el papel imprescindible del profesorado
>
> Aunque la Inteligencia Artificial puede ayudar a generar preguntas o actividades de evaluación, es fundamental recordar que **la evaluación educativa no puede delegarse completamente en un sistema automático**.
>
> La IA puede cometer errores, generar preguntas ambiguas o proponer respuestas incorrectas. Además, la evaluación educativa implica valorar aspectos complejos como el razonamiento, la creatividad o el proceso de aprendizaje del estudiante.
>
> Por este motivo, las herramientas de generación de test deben entenderse como **un apoyo para el profesorado**, no como un sustituto de su criterio profesional. Siempre debe existir una **revisión y supervisión humana** en el proceso de evaluación, tanto en el diseño de las pruebas como en la interpretación de los resultados.
>
> De esta forma, la IA puede contribuir a facilitar el trabajo docente y a diversificar las formas de evaluación, pero la **responsabilidad final del proceso evaluador debe seguir estando en manos del profesorado**.
### Generación de juegos educativos
La Inteligencia Artificial generativa también ofrece nuevas posibilidades para la **creación de juegos educativos**. Estas herramientas permiten diseñar actividades lúdicas que integran contenidos curriculares y que transforman el aprendizaje en una experiencia más participativa.
A partir de un tema, un texto o unos objetivos de aprendizaje, los sistemas de IA pueden proponer dinámicas de juego, generar preguntas, crear narrativas o diseñar escenarios interactivos. Esto facilita que el profesorado pueda incorporar elementos de **gamificación** en el aula sin necesidad de disponer de conocimientos avanzados en programación o diseño de juegos.
El uso de juegos educativos favorece metodologías activas en las que el alumnado aprende resolviendo retos, tomando decisiones o interactuando con distintos elementos del contenido. De esta forma, el aprendizaje puede presentarse como un proceso exploratorio y dinámico, donde los estudiantes participan activamente en la construcción del conocimiento.
##### Aplicaciones para crear juegos educativos con IA
******ChatGPT, Claude o Gemini****** son modelos generativos que permiten diseñar juegos educativos a partir de instrucciones. Pueden crear trivials, juegos de rol, escape rooms o retos gamificados. Además, pueden actuar como motor del juego en tiempo real, generando preguntas, adaptando la dificultad y reaccionando a las decisiones del alumnado.
******Genially****** es una plataforma visual para crear contenidos interactivos, juegos educativos y escape rooms digitales. Permite combinar elementos gráficos con contenidos generados por IA (preguntas, narrativas, pistas), facilitando experiencias inmersivas y motivadoras en el aula.
********Scratch******** y otros entornos de programación educativa permiten crear juegos de forma visual. La IA puede utilizarse como apoyo para diseñar la lógica, generar ideas o estructurar el juego, siendo especialmente útil en asignaturas tecnológicas o de programación
**ML for Kids** es una herramienta que introduce conceptos de inteligencia artificial en entornos educativos como Scratch. Permite crear proyectos interactivos que integran modelos de IA sencillos, facilitando el aprendizaje práctico de cómo funcionan los sistemas inteligentes dentro de juegos o aplicaciones.
##### Herramientas más avanzadas para crear experiencias interactivas
Además de los *chatbots* conversacionales, existen herramientas más avanzadas que permiten construir aplicaciones interactivas o pequeños sistemas de juego utilizando modelos de IA.
**Google AI Studio** es una plataforma para trabajar directamente con modelos generativos (como Gemini) mediante prompts y APIs. Permite **prototipar aplicaciones educativas**, generar contenidos dinámicos, crear sistemas interactivos y diseñar experiencias como juegos conversacionales o evaluaciones adaptativas con mayor control técnico.
**Anything (AnythingLLM / herramientas similares)** permite crear aplicaciones con modelos de lenguaje de forma sencilla, incluyendo asistentes personalizados o sistemas basados en documentos. Es útil para **construir experiencias interactivas**, como juegos guiados, simulaciones o sistemas de preguntas y respuestas con contenido propio.
**Flowise / Langflow** son herramientas visuales para crear aplicaciones con IA mediante flujos (tipo drag & drop). Permiten diseñar **agentes, chatbots o juegos interactivos complejos**, integrando memoria, bases de datos o APIs. Son ideales para prototipos avanzados en el aula o proyectos de alumnado más técnico.
Estas herramientas permiten ir más allá de los juegos simples y construir **experiencias interactivas más complejas**, donde el alumnado puede explorar escenarios o resolver problemas de forma dinámica.
##### Cómo crear juegos educativos usando *prompts*
Uno de los aspectos más interesantes de la IA generativa es que permite diseñar actividades educativas simplemente mediante instrucciones escritas.
En particular con chats conversacionales es muy fácil crear aplicaciones, por ejemplo la opción Lienzo en chatGPT o la opción Canvass en gemini lo permiten
[](https://libros.catedu.es/uploads/images/gallery/2026-03/XiTimage.png)
Un ejemplo sencillo de *prompt* podría ser:
> Diseña un juego tipo trivial sobre el sistema solar para alumnos de secundaria con 10 preguntas de opción múltiple y explicación de cada respuesta.
También se pueden diseñar juegos más narrativos, por ejemplo:
> Crea un juego de rol educativo donde el alumno sea un explorador del siglo XV que debe tomar decisiones sobre rutas comerciales y navegación.
En otros casos se puede pedir al modelo que diseñe un escape room:
> Diseña un escape room digital sobre la Revolución Industrial con cinco enigmas que los alumnos deben resolver para avanzar.
Este enfoque permite que el profesorado genere rápidamente **ideas de actividades o estructuras de juego** que luego pueden adaptarse al contexto de la clase.
##### Formatos de juegos que puede generar la IA
- **Juegos tipo trivial**
Uno de los formatos más sencillos consiste en juegos de preguntas y respuestas similares a los concursos de trivial. La IA puede generar preguntas relacionadas con un tema concreto, así como las posibles respuestas y la explicación de la opción correcta. Este tipo de juegos puede utilizarse para repasar contenidos o introducir dinámicas de competición en el aula.
- **Escape rooms digitales**
La IA también puede ayudar a diseñar escape rooms educativos, en los que el alumnado debe resolver una serie de pistas o problemas para avanzar en una historia. Estos juegos suelen combinar preguntas, enigmas y pequeños retos relacionados con los contenidos de una materia.
- **Juegos de rol interactivos**
Los modelos generativos permiten crear narrativas en las que el estudiante adopta un papel dentro de una historia. Por ejemplo, el alumnado puede asumir el rol de un científico, un explorador o un personaje histórico y tomar decisiones que afectan al desarrollo de la situación. Este tipo de actividades puede utilizarse para trabajar la comprensión de contextos históricos, científicos o sociales.
- **Simuladores de decisiones**
Otro tipo de actividad consiste en simulaciones en las que el estudiante debe tomar decisiones dentro de un escenario determinado. Por ejemplo, gestionar los recursos de una ciudad, resolver un conflicto histórico o diseñar una estrategia frente a un problema ambiental. La IA puede generar diferentes escenarios y consecuencias en función de las decisiones tomadas.
- **Mini-juegos en HTML o JavaScript**
Los modelos generativos también pueden ayudar a crear pequeños juegos digitales mediante código sencillo en HTML o JavaScript. Esto permite diseñar actividades interactivas que pueden integrarse en páginas web, presentaciones o entornos de aprendizaje digital. En asignaturas relacionadas con tecnología o informática, este tipo de actividades puede servir además para introducir conceptos básicos de programación.
##### Posibilidades en el aula
- **Repaso dinámico de contenidos** Los juegos educativos pueden utilizarse para reforzar conocimientos de forma más motivadora que los ejercicios tradicionales.
- **Aprendizaje basado en retos** Las dinámicas de juego permiten plantear problemas que el alumnado debe resolver, lo que favorece el desarrollo del pensamiento crítico y la toma de decisiones.
- **Trabajo colaborativo** Muchas actividades gamificadas pueden realizarse en grupo, fomentando la cooperación entre estudiantes.
- **Integración en proyectos educativos** Los juegos generados con IA pueden formar parte de proyectos más amplios en los que el alumnado investiga, crea contenido y desarrolla experiencias interactivas.
### Simulaciones y laboratorios virtuales con IA
Una de las aplicaciones más interesantes de la Inteligencia Artificial en educación es la posibilidad de crear **simulaciones interactivas y laboratorios virtuales**. Hasta hace poco, las herramientas de IA se utilizaban principalmente para generar textos, preguntas o actividades sencillas. Sin embargo, los modelos actuales también permiten construir **entornos interactivos en los que el alumnado puede experimentar con fenómenos científicos, modelos matemáticos o procesos naturales**.
Esto significa que la IA no solo puede generar contenido estático, sino también ayudar a **crear experimentos virtuales, simulaciones dinámicas y visualizaciones científicas**. En estas experiencias, el alumnado puede modificar parámetros, observar cómo cambian los resultados y analizar los fenómenos desde una perspectiva experimental.
Este enfoque resulta especialmente potente en materias **STEM (ciencia, tecnología, ingeniería y matemáticas)**. En muchas ocasiones, la dificultad no está tanto en comprender una fórmula o una ley científica, sino en **visualizar el fenómeno que describe**. Las simulaciones permiten hacer visible lo que normalmente solo aparece en una ecuación.
##### Qué aporta la IA a las simulaciones educativas
Las herramientas de IA pueden apoyar este tipo de actividades de varias maneras. Por ejemplo, pueden **generar el código necesario para crear una simulación**, explicar paso a paso un proceso matemático o físico, o producir visualizaciones dinámicas que representen el fenómeno estudiado.
Además, los modelos generativos pueden adaptar la explicación al nivel del alumnado y ayudar a construir **pequeños laboratorios virtuales interactivos**. En estos entornos, los estudiantes pueden modificar variables y observar cómo cambian los resultados. De esta forma, el aprendizaje se convierte en un proceso exploratorio en el que el alumnado experimenta con el modelo y analiza sus consecuencias.
##### Simulaciones en Matemáticas
Las matemáticas ofrecen numerosas oportunidades para trabajar con simulaciones interactivas. Gracias a la IA, es posible generar representaciones visuales que ayudan a comprender conceptos que, en ocasiones, resultan abstractos cuando se presentan únicamente de forma simbólica.
Entre las aplicaciones más interesantes se encuentran la **representación de funciones**, la interpretación geométrica de las derivadas, el estudio de las integrales como áreas bajo la curva o la exploración de sistemas dinámicos. También es posible crear simulaciones relacionadas con **probabilidad y estadística**, donde el alumnado puede modificar parámetros y observar cómo cambian las distribuciones o los resultados de experimentos aleatorios.
Herramientas como **GeoGebra** o **Desmos** permiten visualizar rápidamente este tipo de fenómenos. Los modelos generativos, como ChatGPT o Gemini, pueden además generar código en Python o JavaScript que produzca estas visualizaciones o que cree pequeñas aplicaciones interactivas.
Un ejemplo sencillo de actividad sería pedir a la IA que genere un programa que muestre cómo cambia la gráfica de una parábola cuando se modifica el valor del parámetro en una función cuadrática. El alumnado puede ejecutar el código, cambiar los valores y analizar qué ocurre desde un punto de vista geométrico. En este caso, el aprendizaje no consiste en repetir cálculos mecánicos, sino en **comprender el comportamiento del modelo matemático**.
##### Simulaciones en Física
La Física es probablemente una de las áreas donde las simulaciones resultan más útiles. Muchos fenómenos físicos no pueden reproducirse fácilmente en el aula o requieren equipamiento especializado. Las simulaciones permiten experimentar con estos fenómenos de forma segura y repetible.
Con ayuda de la IA es posible crear simulaciones relacionadas con el **movimiento parabólico, la caída libre, las leyes de Newton, las oscilaciones, los campos eléctricos o los circuitos eléctricos**. El alumnado puede modificar variables como velocidad inicial, ángulo de lanzamiento o intensidad de un campo y observar cómo cambian los resultados.
Plataformas como **PhET Interactive Simulations** o **Algodoo** permiten realizar este tipo de experimentos virtuales. Los modelos de IA pueden generar código adicional o proponer escenarios experimentales que amplían las posibilidades de exploración.
Por ejemplo, en una simulación de tiro parabólico el alumnado puede analizar cómo cambia el alcance cuando se modifica la velocidad inicial o el ángulo de lanzamiento. También puede plantearse preguntas interesantes, como qué ocurriría si la gravedad fuera distinta o si se tuviera en cuenta la resistencia del aire.
##### Simulaciones en Química
En Química, las simulaciones ayudan a visualizar procesos que ocurren a nivel molecular y que no pueden observarse directamente. La IA puede utilizarse para representar **reacciones químicas, equilibrios, cinética química o estructuras moleculares**.
Herramientas como **PhET**, **MolView** o **Avogadro** permiten explorar modelos moleculares o experimentar con diferentes condiciones en una reacción. Los modelos generativos pueden ayudar a diseñar actividades o simulaciones donde el alumnado modifique variables como concentración, temperatura o presión y observe cómo cambia el sistema.
Un ejemplo interesante consiste en simular el equilibrio químico y permitir que los estudiantes modifiquen las concentraciones iniciales para analizar cómo se desplaza el equilibrio según el principio de Le Châtelier. Después se puede debatir qué variables influyen más y si la simulación coincide con las predicciones teóricas.
##### Simulaciones generadas automáticamente con IA
Las herramientas de IA también permiten crear simulaciones desde cero mediante código generado automáticamente. Modelos como **ChatGPT, Gemini o plataformas basadas en APIs de modelos abiertos** pueden generar pequeños programas científicos o aplicaciones web interactivas.
Por ejemplo, se puede crear un simulador de interés compuesto en el que el alumnado introduce el capital inicial, ajusta el tipo de interés y observa cómo evoluciona la inversión con el tiempo. Este tipo de actividades permite conectar matemáticas, economía y programación dentro de un mismo proyecto.
También es posible crear aplicaciones sencillas mediante frameworks como **Streamlit**, que permiten transformar un script en una pequeña aplicación web interactiva.
##### Ventajas pedagógicas de las simulaciones
El uso de simulaciones aporta varias ventajas desde el punto de vista educativo. Permite fomentar el **aprendizaje activo**, ya que el alumnado participa directamente en el proceso de experimentación. También facilita la visualización inmediata de fenómenos complejos y permite repetir experimentos tantas veces como sea necesario sin necesidad de material físico.
Además, las simulaciones ofrecen un entorno seguro para experimentar con situaciones que podrían ser peligrosas, costosas o difíciles de reproducir en un laboratorio real.
Una forma sencilla de explicarlo al alumnado es comparar una simulación con un **laboratorio infinito**, donde se puede repetir el experimento muchas veces, cambiar condiciones y analizar los resultados desde diferentes perspectivas.
##### Proyecto práctico integrador
Una actividad interesante consiste en proponer un proyecto de varias semanas en el que el alumnado combine diferentes herramientas de IA para diseñar experiencias interactivas.
Por ejemplo, cada grupo podría crear un pequeño sistema educativo que incluya un test generado con IA, un mini-juego interactivo y un simulador relacionado con un tema concreto. Además, podrían comparar distintos modelos de IA y analizar las diferencias en los resultados obtenidos.
El proyecto podría incluir también un informe donde los estudiantes expliquen los prompts utilizados, el modelo elegido, los problemas encontrados y las mejoras realizadas durante el proceso.
En este sento google ai studio es una heerrmienta muy versátil y adecuada
[](https://libros.catedu.es/uploads/images/gallery/2026-03/ZEdimage.png)
Por ejemplo puedo crear fácilmente un juego sobre la geografía mundial con un simple prompt
[](https://libros.catedu.es/uploads/images/gallery/2026-03/c3oimage.png)
Y tras unos segundos obtengo algo parecido a esto:
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Tqvimage.png)
### Análisis de datos educativos con IA
Además de generar contenidos o actividades, la inteligencia artificial puede utilizarse para **analizar datos educativos**. En cualquier centro educativo se generan continuamente datos relacionados con el aprendizaje:
Estas tareas pueden realizarse a diferentes niveles
A nivel del profesor se pueden valorar cuestiones cómo:
- resultados de exámenes
- comparativas de alumnos y grupos
- notas de actividades
- participación en tareas
- evolución del alumnado
- resultados de cuestionarios o evaluaciones
Tradicionalmente estos datos se analizan mediante **hojas de cálculo o estadísticas básicas**, pero la IA permite **extraer más información y detectar patrones** que pueden ayudar al profesorado a comprender mejor lo que ocurre en el aula.
El objetivo no es sustituir el análisis pedagógico del profesor, sino disponer de **herramientas que ayuden a interpretar los datos y tomar decisiones educativas**.
Sea cual sea la herramienta o plataforma que utilizamos para la gestión de notas siempre será posible extraer o exportar los datos a un fichero (normalmente en formato csv o xlsx) para que los procese nuestro chabot preferido.
> Muchas veces ocurre que no sabemos muy bien que preguntar a la IA sobre nuestros propios datos. Lo podemos solucionar simplemente pidiéndole a ella que nos sugiera preguntas.
>
> Debemos ser conscientes de que se ha entrenado con millones de documentos y textos que le van a permitir ser mucho más creativa que nosotros.
##### Aplicaciones para análisis de datos con IA
********Gems de Gemini******** permiten crear asistentes personalizados que analizan datos según instrucciones específicas. Puedes configurarlos para interpretar hojas de cálculo, generar insights, detectar patrones o responder preguntas sobre datos, convirtiéndolos en analistas virtuales adaptados a cada actividad.
********ChatGPT******** permite trabajar con archivos (Excel, CSV, etc.) para analizar datos, generar gráficos, detectar tendencias y automatizar informes. Es muy útil para tareas rápidas de análisis exploratorio y explicación de resultados en lenguaje natural.
**********Google Colab********** combinado con IA permite realizar análisis de datos más avanzados con Python, incluyendo limpieza, visualización y modelos predictivos. Ideal para proyectos técnicos o para introducir al alumnado en ciencia de datos de forma práctica.
#### Posibilidades en el centro y en el aula
- **Análisis de resultados de evaluación**
Uno de los usos más directos es el análisis de resultados de exámenes o cuestionarios.
Por ejemplo, si se dispone de las notas de una prueba o de las respuestas de un test, la IA puede ayudar a identificar qué preguntas han sido más difíciles, qué conceptos generan más errores o qué estudiantes necesitan más refuerzo
Esto permite detectar rápidamente **dónde están las principales dificultades del grupo**.
A nivel del centro podemos analizar fácilmente el desempeño global distinguiendo entre grupos de diferentes niveles y haciendo comparativas con otros cursos.
- **Estadísticas de la clase**
Otra aplicación interesante es la generación automática de **estadísticas del grupo como la** media, la median o la moda de la clase y la distribución de las notas
Esto permite observar rápidamente **cómo se comporta el grupo en conjunto**.
- **Identificación de patrones de aprendizaje**
Cuando se analizan muchos datos, la IA puede detectar **patrones interesantes**, por ejemplo estudiantes que mejoran progresivamente, alumnos que tienen dificultades en un tipo concreto de actividad o la relación entre participación y resultados
Esto puede ayudar al profesorado a **identificar necesidades de apoyo o refuerzo**.
> Cabe señalar la conveniencia de automatizar cualquier tarea mínimamente repetitiva
>
> En este caso usar plantillas de análisis es especialmente útil ya que nos permite generar estudios de manera automática
>
> Dichas plantillas pueden crearse de forma programada o usando los recursos que nuestras herramientas ofrecen como por ejemplo las gemas en *Gemini*
>
> También podemos hacer uso de los *prompts* inducidos a partir de prácticas o análisis ya hechos. Es decir podemos usar un *chatbot* para obtener el *prompt* general a partir de un caso particular
>
> Usar plantillas es una práctica muy útil en general, nos ahorra trabajo y permite sistematizar lo más tedioso y repetitivo.
#### Reflexión final
La IA no sustituye la creatividad ni el pensamiento humano. Sin embargo, sí ofrece herramientas que permiten **prototipar ideas rápidamente, experimentar con modelos y explorar diferentes enfoques**.
En el ámbito educativo, el valor de estas tecnologías no está en que la IA piense por el alumnado, sino en que pueda utilizarse como un instrumento para **comprender mejor los fenómenos, experimentar con ellos y desarrollar un pensamiento más crítico y analítico**.
En definitiva, la IA puede convertirse en un aliado para aprender mejor, siempre que se utilice como una herramienta para **pensar con ella y no en lugar de pensar**.
# 4. Bonus track
# 4.1 Uso avanzado de chatbots conversacionales
En esta sección comentaremos y describiremos funciones avanzadas de ChatGPT y Gemini por ser los chats más populares aunque muchos otros como deepseek y claude también disponen de funcionalidades similares.
Estos chatbots han dejado de ser simples herramientas de conversación para convertirse en auténticos entornos de trabajo inteligentes. Esta evolución supone un cambio importante en la forma en la que interactuamos con la tecnología, ya que ahora no solo respondemos preguntas, sino que colaboramos con sistemas capaces de gestionar información, automatizar tareas y adaptarse a nuestras necesidades.
En la actualidad, estos sistemas permiten trabajar directamente con documentos y datos, lo que facilita analizar información, resumir contenidos o generar materiales a partir de fuentes propias. Esto es especialmente útil en contextos educativos, donde el profesorado puede apoyarse en la IA para preparar clases, revisar textos o adaptar contenidos a distintos niveles.
Además, ofrecen la posibilidad de crear asistentes personalizados. Esto significa que el usuario puede configurar un comportamiento específico del modelo, orientándolo a tareas concretas como tutor académico, generador de actividades o corrector de ejercicios. A esto se suma la opción de establecer instrucciones permanentes, lo que permite mantener un estilo de respuesta o unas preferencias sin necesidad de repetirlas en cada interacción.
Otra de las grandes innovaciones es el llamado modo agente, mediante el cual la IA puede ejecutar tareas más complejas de forma autónoma, como buscar información, procesarla y tomar decisiones intermedias para completar un objetivo. Relacionado con esto, también es posible programar tareas automáticas, lo que abre la puerta a usos como generar informes periódicos, enviar recordatorios o realizar seguimientos de información.
Por último, estas plataformas pueden integrarse con otras aplicaciones, como el correo electrónico o servicios en la nube, ampliando enormemente sus capacidades y convirtiéndolas en un auténtico centro de operaciones digital.
En el ámbito educativo, todo esto transforma la IA en un asistente avanzado para el profesorado, capaz de ahorrar tiempo, mejorar la calidad de los materiales y facilitar una enseñanza más personalizada y eficiente.
En la siguiente tabla vemos las distintas funcionalidades
**Funcionalidad**
**Descripción**
Trabajo con documentos y datos
Permiten analizar, resumir, transformar y generar contenido a partir de archivos propios (PDF, textos, hojas de cálculo, etc.).
Asistentes personalizados
Posibilidad de crear bots o configuraciones adaptadas a tareas concretas (docencia, programación, análisis, etc.).
Instrucciones permanentes
Permiten definir preferencias de estilo, tono o comportamiento que se mantienen en todas las conversaciones.
Modo agente
Capacidad de realizar tareas complejas de forma autónoma, tomando decisiones intermedias para alcanzar un objetivo.
Automatización de tareas
Permiten programar acciones repetitivas como informes, recordatorios o generación de contenido periódico.
Integración con otras herramientas
Conexión con correo, almacenamiento en la nube y otras aplicaciones para ampliar funcionalidades.
Generación de contenidos
Creación de textos, actividades, exámenes, presentaciones o materiales educativos de forma rápida.
Apoyo al aprendizaje
Explicaciones adaptadas, resolución de dudas y acompañamiento personalizado para el alumnado.
### Personalización del chat
Una de las funciones más útiles de los sistemas de inteligencia artificial actuales es la posibilidad de configurar su comportamiento mediante instrucciones personalizadas. Esto supone un paso más allá del uso tradicional, ya que permite adaptar la forma en la que responde el asistente a las necesidades concretas de cada usuario.
Gracias a esta funcionalidad, es posible indicar a la IA cómo debe responder, qué tipo de explicaciones debe ofrecer, qué estilo de lenguaje utilizar o incluso para qué tipo de tareas se va a emplear. De este modo, el sistema deja de ser una herramienta genérica y pasa a comportarse como un asistente ajustado a un contexto específico.
En el caso de ChatGPT, esta opción se conoce como “instrucciones personalizadas”, mientras que en Gemini también se pueden definir indicaciones o contexto previo para guiar las respuestas. Aunque el nombre cambie, la idea es la misma: orientar el comportamiento del modelo para hacerlo más útil y coherente con el uso que se le quiere dar.
En el ámbito educativo, esta función resulta especialmente interesante. Un docente puede configurar el asistente para que explique los conceptos de forma sencilla, que incluya ejemplos adaptados al aula o que proponga actividades prácticas para el alumnado. Esto permite que todas las respuestas estén alineadas con un enfoque pedagógico, facilitando su uso directo en clase y mejorando la calidad de los materiales generados.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/Rh6image.png)
*Aspecto de la interfaz de chatGPT al acceder a la opción de personalización*
##### Posibilidades en el aula
Las instrucciones personalizadas se basan en una idea clave: **cuanto mejor definimos el contexto, mejores serán las respuestas de la IA**. No basta con hacer preguntas, sino que es fundamental indicar quién es el asistente, para quién responde y con qué objetivo. En este sentido, incluir **ejemplos concretos** dentro de los prompts ayuda a “enseñar” al modelo el tipo de respuesta que esperamos, logrando resultados mucho más útiles y coherentes en el aula.
Desde el punto de vista del profesorado, estas son algunas aplicaciones prácticas:
- **Explicaciones adaptadas al nivel**: configurar el asistente para que explique contenidos según la edad o el nivel del alumnado (ESO, FP, Bachillerato).
- **Generación de ejemplos didácticos**: pedir que siempre acompañe las explicaciones con ejemplos cercanos o aplicados a la realidad del alumnado.
- **Creación de actividades automáticas**: indicar que, tras cada explicación, proponga ejercicios, preguntas o pequeños retos.
- **Apoyo en la evaluación**: configurar respuestas que incluyan criterios de corrección o ejemplos de respuestas bien desarrolladas.
- **Adaptación de materiales**: transformar textos complejos en versiones simplificadas o resumidas para facilitar la comprensión.
- **Preparación de clases**: generar esquemas, guiones o secuencias didácticas siguiendo una estructura definida por el profesor.
### Creación de chats personalizados
Otra de las funcionalidades más avanzadas que están incorporando estas plataformas es la creación de chats específicos personalizados, también conocidos en algunos entornos como “gemas” (en el caso de *Gemini*). Estos agentes representan una evolución natural de las instrucciones personalizadas, ya que no solo definen cómo responde la IA, sino que configuran asistentes completos con un propósito concreto.
Un chat personalizado es, en esencia, un asistente diseñado para realizar una tarea específica de forma recurrente. Se le puede dotar de un rol, unas instrucciones detalladas, un tipo de lenguaje determinado e incluso, en algunos casos, acceso a herramientas o información adicional. Esto permite que el usuario no tenga que empezar desde cero cada vez, sino que pueda reutilizar ese asistente ya configurado.
Las gemas de *Gemini* siguen esta misma idea: permiten crear versiones especializadas del modelo, orientadas a objetivos concretos, como enseñar, programar, analizar datos o generar contenido. De esta forma, cada gema actúa como un “experto” en una tarea determinada.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/q6Zimage.png)
*Aspecto de la web de Gemini cuando pulsamos la opción de crear una nueva gema*
##### Posibilidades en el aula
**Los chats personalizados** representan un paso más en el uso práctico de la inteligencia artificial. No solo permiten definir cómo responde el asistente, sino también **construir entornos de trabajo completos**, diseñados por el docente para tareas específicas. Esto implica que el profesor puede crear un asistente con un propósito claro, un estilo definido y unas instrucciones detalladas que se mantienen en el tiempo.
Uno de los aspectos más potentes es la posibilidad de **incorporar contexto adicional mediante plantillas, documentos o ejemplos**. Es decir, no solo se le dice a la IA cómo debe actuar, sino que se le puede mostrar **cómo queremos que lo haga**. Por ejemplo, el docente puede subir una rúbrica, un modelo de examen, una ficha de actividad o un ejemplo de respuesta bien desarrollada. A partir de ahí, la gema utilizará ese material como referencia, generando resultados mucho más alineados con la práctica real del aula.
Esto permite trabajar con una lógica muy cercana a la realidad educativa: el profesor define un modelo (una plantilla, un estilo, un criterio) y la IA lo replica o lo adapta a nuevos contenidos. De esta forma, se consigue **consistencia, calidad y ahorro de tiempo**, ya que no es necesario explicar cada vez cómo se quiere el resultado.
- **Gema como tutor virtual**: configurada con ejemplos de explicaciones, permite enseñar contenidos de forma progresiva, adaptándose al nivel del alumnado y manteniendo siempre el mismo estilo didáctico.
- **Gema generadora de actividades**: puede basarse en plantillas de ejercicios o exámenes subidos por el profesor para crear nuevas actividades siguiendo ese mismo formato.
- **Gema correctora y de feedback**: utilizando rúbricas o ejemplos de corrección, ofrece revisiones coherentes y alineadas con los criterios del docente.
- **Gema diseñadora de materiales**: a partir de fichas o modelos previos, genera nuevos resúmenes, esquemas o presentaciones con una estructura ya validada.
- **Gema para simulación de roles**: puede incorporar guiones o contextos definidos por el profesor para representar situaciones realistas (empresa, cliente, personaje histórico).
- **Gema asistente de evaluación**: crea criterios, preguntas y ejemplos de respuestas basándose en modelos reales utilizados en el aula.
- **Gema para análisis de datos**: trabaja con hojas de cálculo o datasets proporcionados, aplicando criterios de análisis definidos previamente por el docente para extraer conclusiones útiles en proyectos.
### La opción Lienzo o Canvas en ChatGPT y Gemini
Otra herramienta especialmente interesante es el **modo Lienzo (Canvas) de ChatGPT**, que permite trabajar con textos y documentos de una forma mucho más estructurada. A diferencia del formato de conversación tradicional, este modo ofrece un espacio similar a un editor de texto, donde el contenido se puede crear, revisar y modificar de manera más organizada.
El cambio es importante: en lugar de interactuar con respuestas que van apareciendo una tras otra, el usuario trabaja sobre un **documento vivo**, que puede ir evolucionando. Esto facilita tareas como redactar textos largos, editar partes concretas o solicitar mejoras específicas sobre secciones determinadas, sin necesidad de rehacer todo el contenido.
Además, el Canvas permite una interacción más precisa con la IA. El usuario puede seleccionar un fragmento y pedir que lo simplifique, lo amplíe, lo adapte a otro nivel o cambie el estilo. Esto convierte a la herramienta en un apoyo muy potente para la escritura y revisión de documentos complejos.
Además, como ya hemos visto en capítulo anterior, permite la crecaioń de juegos y entornos interactivos, generalmente en código *html* o web sin necesidad de tener conocimientos técnicos.
En el ámbito educativo, este modo resulta especialmente útil porque se adapta muy bien a la forma real de trabajo del profesorado, donde los documentos suelen construirse, revisarse y ajustarse de manera progresiva.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/oV6image.png)
*Ventana de uso del modo Canva de Gemini para crear un tetris*
#### Posibilidades en el aula
- **Redacción de materiales didácticos**: permite crear apuntes, fichas o contenidos largos e ir mejorándolos por partes de forma estructurada.
- **Elaboración de programaciones**: facilita construir programaciones didácticas completas, revisando y ajustando cada apartado (objetivos, contenidos, evaluación).
- **Revisión y mejora de textos**: permite modificar secciones concretas para simplificar, ampliar o adaptar el lenguaje según el alumnado.
- **Creación de informes educativos**: útil para redactar informes de seguimiento, memorias o documentos oficiales con mayor coherencia y organización.
- **Trabajo colaborativo con IA**: el docente puede ir construyendo un documento junto con la IA, iterando y refinando el contenido paso a paso.
- **Adaptación de documentos existentes**: permite transformar materiales previos (por ejemplo, de un curso a otro nivel) de forma más controlada y precisa.
- **Gamificación mediante juegos en HTML**: el Canvas también puede utilizarse para crear pequeños recursos interactivos, como cuestionarios, trivials, juegos de preguntas y respuestas o actividades tipo escape room en formato HTML, que después pueden usarse en clase como apoyo motivador al aprendizaje.
### El modo estudiar y aprender
Otra de las opciones más potentes es utilizar la IA en modo **pregunta–respuesta orientado al aprendizaje**, es decir, como un sistema que no solo responde, sino que **enseña de forma guiada**. En este enfoque, el usuario no busca solo una solución, sino comprender el proceso paso a paso.
La clave está en cómo se formula el prompt. Si se indica a la IA que actúe como profesor, que explique progresivamente, que haga preguntas intermedias o que no dé la respuesta directamente, el modelo cambia completamente su comportamiento y se convierte en un **tutor interactivo**.
Además, incluir contexto y ejemplos en el prompt permite ajustar aún más el aprendizaje. Por ejemplo, se puede pedir que explique como si fuera para un alumno de FP, que utilice analogías sencillas o que proponga pequeños ejercicios antes de avanzar. De este modo, la IA se adapta al ritmo del estudiante y favorece una comprensión más profunda.
Este tipo de uso es especialmente útil porque transforma la interacción en un proceso activo: el alumno no solo recibe información, sino que **piensa, responde y construye el conocimiento** junto con la IA.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/jtGimage.png)
*Modo Guided Learning en Gemini*
#### Posibilidades en el aula
- **Tutor paso a paso**: la IA guía el aprendizaje sin dar directamente la respuesta, ayudando a razonar.
- **Aprendizaje por descubrimiento**: plantea preguntas intermedias para que el alumno llegue a la solución por sí mismo.
- **Explicaciones adaptadas**: ajusta el nivel, el lenguaje y los ejemplos según el perfil del alumnado.
- **Resolución guiada de problemas**: acompaña en ejercicios (matemáticas, programación, etc.) explicando cada paso.
- **Refuerzo de conceptos**: vuelve a explicar de diferentes formas hasta que se comprende la idea.
- **Simulación de diálogo educativo**: interacción similar a una tutoría real entre profesor y alumno.
- **Aprendizaje autónomo**: el alumnado puede practicar y aprender a su ritmo, con acompañamiento constante.
### El modo agente
El **modo agente** representa una de las evoluciones más avanzadas en el uso de la inteligencia artificial. A diferencia del uso tradicional, donde el usuario hace una pregunta y recibe una respuesta, en este caso la IA es capaz de **ejecutar tareas completas de forma autónoma**, tomando decisiones intermedias para alcanzar un objetivo.
Esto significa que ya no se limita a responder, sino que puede **planificar, buscar información, analizarla y generar resultados estructurados**, todo dentro de un mismo proceso. El usuario define el objetivo (por ejemplo, preparar una clase o analizar unos datos) y el agente se encarga de recorrer los pasos necesarios para conseguirlo.
En el ámbito educativo, esto abre posibilidades muy interesantes, ya que permite automatizar tareas complejas y ahorrar tiempo al profesorado, manteniendo además un alto nivel de calidad en los resultados.
Una de las claves de esta evolución es la **conexión con otras aplicaciones**, lo que amplía enormemente sus capacidades. Tanto ChatGPT como Gemini están incorporando integraciones con herramientas digitales habituales como el correo electrónico, el almacenamiento en la nube, los documentos compartidos o los calendarios. Esto permite que la IA actúe como un verdadero asistente dentro del entorno de trabajo del docente, no solo generando contenido, sino también gestionando información real.
Por ejemplo, en el caso del correo electrónico, la IA puede ayudar a **resumir mensajes largos, identificar los correos más importantes o redactar respuestas automáticamente**. Un profesor podría pedir algo como: “Resume los correos importantes recibidos hoy”, y obtener una síntesis clara sin tener que revisarlos uno a uno.
De forma similar, la conexión con plataformas como Google Drive, Google Docs o OneDrive permite trabajar directamente con documentos. La IA puede **analizar archivos, resumir contenidos o buscar información específica dentro de los textos**, facilitando el acceso y la gestión de grandes cantidades de información.
En el ámbito educativo, todo esto abre posibilidades muy interesantes, ya que permite automatizar tareas complejas y ahorrar tiempo al profesorado, manteniendo además un alto nivel de calidad en los resultados.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/rwMimage.png)
*Vista de la configuración del modo agente en chatGPT*
#### Posibilidades en el aula
- **Preparación completa de clases**: el agente puede diseñar una sesión didáctica desde cero, incluyendo objetivos, contenidos, actividades, materiales y evaluación, siguiendo el currículo o las indicaciones del profesor.
- **Investigación y síntesis de información**: puede buscar información sobre un tema, contrastarla y generar un resumen estructurado listo para trabajar en clase o compartir con el alumnado.
- **Diseño de proyectos educativos**: crea propuestas completas de proyectos (ABP), incluyendo fases, tareas, recursos y productos finales, adaptados al nivel educativo.
- **Análisis de datos educativos**: puede trabajar con resultados de evaluaciones o datos de alumnado, detectar patrones (dificultades comunes, evolución) y proponer acciones de mejora.
- **Generación de materiales múltiples**: a partir de un tema, puede crear diferentes recursos a la vez (apuntes, presentación, ejercicios, rúbrica), manteniendo coherencia entre ellos.
- **Automatización de tareas docentes**: permite generar informes periódicos, resúmenes de actividad o documentos administrativos sin tener que hacerlo manualmente cada vez.
- **Adaptación de contenidos**: puede transformar un mismo contenido en diferentes niveles (simplificado, ampliado, con ejemplos) para atender a la diversidad del aula.
- **Gestión de correo y comunicación**: puede resumir correos, destacar los mensajes relevantes y proponer respuestas, facilitando la comunicación con alumnado y familias.
- **Trabajo con documentos y nube**: permite analizar archivos, resumir documentos o localizar información dentro de materiales almacenados en plataformas digitales.
> ### ⚠️ Advertencia sobre permisos y privacidad
>
> Es importante tener en cuenta que, aunque la conexión de la IA con otras aplicaciones ofrece grandes ventajas, también implica ciertos riesgos si no se gestiona correctamente. Al permitir el acceso a herramientas como el correo electrónico, el almacenamiento en la nube o los documentos personales, se está compartiendo información que puede ser sensible.
>
> Por ello, es fundamental actuar con precaución y seguir algunas recomendaciones básicas:
>
> - **Revisar siempre los permisos concedidos**: comprobar qué tipo de acceso tiene la aplicación (lectura, escritura, gestión completa, etc.).
> - **Evitar dar acceso innecesario**: solo conectar aquellas herramientas que realmente se van a utilizar.
> - **Cuidar la información sensible**: no compartir datos personales, calificaciones, informes confidenciales o información del alumnado sin las debidas garantías.
> - **Utilizar cuentas profesionales cuando sea posible**: separar el entorno personal del educativo ayuda a reducir riesgos.
> - **Revisar las políticas de privacidad**: entender cómo se almacenan y utilizan los datos es clave antes de conectar cualquier servicio.
### Programación de tareas
La **programación de tareas** permite que *ChatGPT* realice acciones de forma automática en momentos concretos o de manera periódica. En lugar de tener que pedir cada día lo mismo, el docente puede definir una tarea una sola vez y el sistema se encarga de ejecutarla y entregar el resultado cuando corresponda.
El funcionamiento es sencillo: el usuario indica **qué quiere que haga la IA, cuándo debe hacerlo y con qué frecuencia**. A partir de ahí, *ChatGPT* actúa como un asistente proactivo que genera contenido o recordatorios sin necesidad de intervención constante.
Por ejemplo, un profesor podría configurar tareas como: recibir un resumen diario de noticias relacionadas con su materia, generar ejercicios de repaso cada semana o recordar fechas importantes del calendario académico.
Este enfoque permite integrar la IA en la organización diaria, convirtiéndola en una herramienta que **anticipa necesidades y ahorra tiempo**.
#### Posibilidades para el profesorado
- **Generación periódica de actividades**: crear automáticamente ejercicios, cuestionarios o preguntas de repaso cada semana para el alumnado.
- **Resúmenes de actualidad educativa o de la materia**: recibir cada día o cada semana información relevante para llevar al aula (noticias, avances, ejemplos reales).
- **Recordatorios de planificación**: avisos sobre exámenes, entregas, reuniones o hitos importantes del curso.
- **Seguimiento de contenidos**: generar resúmenes periódicos de los temas trabajados para reforzar el aprendizaje del alumnado.
- **Apoyo en evaluación continua**: crear propuestas de evaluación, preguntas o rúbricas en momentos clave del curso.
- **Preparación recurrente de materiales**: generar fichas, ejemplos o actividades similares de forma automática sin tener que repetir el proceso manualmente.
- **Organización del trabajo docente**: automatizar pequeñas tareas administrativas o de planificación que se repiten a lo largo del curso.
- **Generación de informes** periódicos cada cierto tiempo sobre notas, trabajos, evolución de la clase etc...
### Modo cuestionario
Esta opción presente en *chatGPT* permite generar cuestionarios interactivos muy útiles para el repaso de contenidos y evaluación
Consiste en utilizar la inteligencia artificial como un sistema interactivo de evaluación y repaso, en el que el usuario no solo recibe información, sino que participa activamente respondiendo preguntas. A diferencia de una explicación tradicional, este enfoque transforma la interacción en un proceso dinámico, donde el aprendizaje se produce a través de la práctica.
La idea principal es que la IA actúe como un “examinador” o “entrenador”, generando preguntas sobre un tema concreto y guiando al usuario durante todo el proceso. El sistema puede plantear una pregunta, esperar la respuesta, indicar si es correcta o incorrecta y, en ambos casos, ofrecer una explicación que ayude a comprender mejor el contenido.
Este modo permite trabajar de diferentes formas: desde cuestionarios tipo test hasta preguntas abiertas o simulaciones de examen. Además, puede adaptarse al nivel del usuario, insistiendo en los conceptos que presentan mayor dificultad y reforzando el aprendizaje de manera progresiva.
En el ámbito educativo, el modo cuestionario es especialmente útil porque fomenta un **aprendizaje activo**. El alumnado no se limita a leer o escuchar, sino que debe pensar, responder y reflexionar sobre sus errores. Esto mejora la retención de la información y facilita la comprensión de los contenidos.
Para el profesorado, esta funcionalidad permite crear sistemas de repaso rápidos, personalizados y reutilizables. Se pueden generar cuestionarios para trabajar en clase, proponer actividades de autoevaluación o incluso diseñar simulaciones de examen que preparen al alumnado para pruebas reales.
En definitiva, el modo cuestionario convierte la IA en una herramienta que no solo explica, sino que **evalúa, guía y refuerza el aprendizaje**, haciendo que el estudio sea más participativo, eficaz y motivador.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/LqDimage.png)
*Vista de un cuestionario creado con chatGPT*
#### Posibilidades en el aula
- **Creación rápida de cuestionarios**: generar tests, preguntas abiertas o exámenes de repaso en pocos segundos para cualquier tema.
- **Evaluación formativa en clase**: utilizar preguntas interactivas para comprobar la comprensión del alumnado en tiempo real.
- **Preparación de exámenes**: diseñar simulaciones de prueba similares a las reales, con distintos niveles de dificultad.
- **Refuerzo y recuperación**: crear actividades específicas para alumnos con dificultades, adaptando las preguntas a sus necesidades.
### Conclusión
En el contexto actual, donde la inteligencia artificial está evolucionando a gran velocidad, resulta fundamental no quedarse en un uso superficial de las herramientas. Explorar sus funcionalidades en profundidad —como agentes, gemas, programación de tareas o modos de trabajo avanzados— permite descubrir un potencial mucho mayor del que se percibe en un primer contacto.
Para el profesorado, esto implica pasar de utilizar la IA como un simple apoyo puntual a integrarla como una **herramienta estratégica dentro de su práctica docente**. Cuanto más se conocen sus posibilidades, mayor es la capacidad para ahorrar tiempo, mejorar la calidad de los materiales y ofrecer experiencias de aprendizaje más ricas y personalizadas.
En este sentido, puede ser interesante considerar el uso de versiones más avanzadas o cuentas de pago. No debe verse como un gasto, sino como una **inversión en eficiencia, innovación y mejora profesional**. Del mismo modo que se invierte en formación, recursos o tecnología educativa, el acceso a herramientas más completas puede marcar una diferencia significativa en el día a día del aula.
En definitiva, la clave está en experimentar, probar, ajustar y seguir aprendiendo. La verdadera ventaja no está solo en tener acceso a la tecnología, sino en **saber utilizarla con criterio y profundidad para transformar la enseñanza**.
# 4.2 IA sin Internet
Cuando pensamos en inteligencia artificial, lo habitual es asociarla a herramientas online como ChatGPT o Gemini. Sin embargo, existe una alternativa cada vez más relevante: la **IA local**, es decir, modelos que funcionan directamente en el dispositivo sin necesidad de conexión a Internet.
Este enfoque cambia completamente la forma de trabajar con la IA. En lugar de depender de servidores externos, el procesamiento se realiza en el propio equipo, lo que permite mayor control, privacidad y autonomía. En el ámbito educativo, esto abre la puerta a utilizar la inteligencia artificial de forma más segura y adaptada a las necesidades del centro.
Antes de empezar con la herramienta, es importante entender una idea clave: **la IA local depende del ordenador que tengas**.
A diferencia de las herramientas online, aquí todo el trabajo lo hace tu equipo. Esto significa que si el ordenador es poco potente, la experiencia puede ser más lenta o limitada.
Por ejemplo:
- Si el equipo tiene poca memoria (RAM), los modelos pueden ir lentos o directamente no funcionar
- Si el procesador es antiguo, las respuestas tardarán más en generarse
- Si el modelo es muy grande, puede ocupar mucho espacio y consumir muchos recursos
En general, para trabajar cómodo:
- Mínimo recomendable: 8 GB de RAM
- Ideal: 16 GB o más
No hace falta un ordenador “de la NASA”, pero sí es importante **ajustar el modelo al equipo disponible**, especialmente en aulas o centros con equipos antiguos.
### Problemas de la IA en Internet
El uso de inteligencia artificial online presenta algunas limitaciones importantes que deben tenerse en cuenta, especialmente en educación.
Uno de los principales riesgos es la **privacidad de los datos**. Al utilizar estas herramientas, la información puede enviarse a servidores externos, lo que implica que trabajos del alumnado, documentos internos o información sensible podrían salir del entorno del centro.
También existen **sesgos en los modelos**, ya que han sido entrenados con grandes cantidades de datos que pueden reflejar determinadas perspectivas o limitaciones culturales. Esto hace necesario un uso crítico por parte del profesorado.
Otro problema relevante es la posibilidad de **información incorrecta o inventada**. La IA puede generar respuestas que parecen correctas, pero que contienen errores, por lo que siempre es necesario verificar la información.
Además, hay una **dependencia tecnológica**:
- necesidad de conexión a Internet
- posibles caídas del servicio
- límites de uso o versiones de pago
- cambios en las plataformas
Todo esto hace que, aunque sean herramientas muy potentes, su uso deba ser siempre supervisado y consciente.
### Cómo funciona la IA en local
La IA local funciona de forma diferente a la IA online. En lugar de enviar datos a un servidor externo, todo el proceso ocurre en el propio dispositivo.
Esto implica que:
- El modelo de IA está instalado en el ordenador o dispositivo
- El procesamiento se realiza en ese equipo
- No se envía información a Internet
El usuario interactúa con la IA de la misma forma que con un chatbot, pero con la ventaja de que **todo ocurre dentro del entorno local**, sin depender de conexión ni de servicios externos.
#### Ventajas y desventajas de la IA en local
**Ventajas**
- **Privacidad total**: los datos no salen del centro educativo
- **Funcionamiento sin Internet**: útil en entornos con mala conectividad
- **Control completo**: el centro gestiona la herramienta
- **Trabajo con documentos propios**: permite usar apuntes, normativa o materiales internos
- **Independencia tecnológica**: no depende de plataformas externas
**Desventajas**
- **Modelos menos potentes** que los comerciales
- **Mayor consumo de recursos** (RAM, CPU o GPU)
- **Instalación inicial** puede requerir cierto aprendizaje
- **Menor precisión** en tareas complejas
Aun así, estas limitaciones se están reduciendo rápidamente con la evolución de las herramientas.
## Herramientas disponibles
Icono
Herramienta
Descripción
🤖
GPT4All
Aplicación sencilla tipo chatbot para usar IA local sin conocimientos técnicos.
🧠
Ollama
Permite instalar y ejecutar modelos de lenguaje en local de forma muy sencilla.
💻
LM Studio
Interfaz visual para trabajar con modelos sin necesidad de programar.
⚙️
Text Generation WebUI
Herramienta avanzada para usuarios más técnicos con múltiples configuraciones.
📱
MLC Chat (móvil)
Permite ejecutar modelos de IA en dispositivos móviles sin conexión.
📲
PocketPal AI
App móvil para usar IA local de forma ligera en smartphones.
### Un caso particular: GPT4All
*GPT4All* es una de las herramientas más accesibles para introducir la IA local en el aula. Está diseñada para que cualquier usuario, incluso sin conocimientos técnicos, pueda utilizar modelos de lenguaje en su propio ordenador.
GPT4All es una aplicación que permite usar inteligencia artificial en tu ordenador **sin necesidad de Internet**.
Funciona como un chatbot (tipo ChatGPT), pero en local. Es decir:
- escribes una pregunta
- el modelo responde
- todo ocurre en tu propio equipo
Lo más interesante es que está pensado para ser fácil de usar, incluso sin conocimientos técnicos.
#### Funcionalidades principales
GPT4All permite hacer muchas de las cosas habituales de la IA:
- Generar textos y explicaciones
- Crear actividades o preguntas
- Resumir contenidos
- Resolver dudas
- Mantener conversaciones tipo chat
Además, todo esto ocurre sin enviar datos fuera del equipo, lo que lo hace especialmente interesante en educación
#### Interfaz
La interfaz que aparece en la imagen corresponde a la pantalla principal de GPT4All y está diseñada para ser **simple, clara y muy accesible**, incluso para usuarios sin experiencia técnica.
En la parte superior se muestra el mensaje de bienvenida **“Welcome to GPT4All”**, junto con una breve descripción que indica que se trata de una aplicación de chat con IA centrada en la privacidad (*privacy-first LLM chat application*). Esto ya deja claro que todo el funcionamiento está orientado al uso local.
Justo en el centro encontramos las tres opciones principales, que son el núcleo de la herramienta:
- **Start Chatting**: es la opción para empezar a usar la IA directamente. Al entrar aquí, se abre el chat donde puedes escribir preguntas y recibir respuestas, igual que en ChatGPT, pero funcionando en local.
- **LocalDocs**: esta sección permite trabajar con documentos propios. Aquí puedes cargar archivos (como PDFs o textos) y hacer preguntas sobre ellos. Es la funcionalidad que permite crear sistemas tipo RAG, es decir, que la IA responda basándose en tus propios materiales.
- **Find Models**: esta es una de las partes más importantes. Desde aquí puedes explorar y descargar distintos modelos de IA. No hay un único modelo, sino varios, y el usuario puede elegir cuál utilizar según el rendimiento y las necesidades.
En la barra lateral izquierda aparece el menú de navegación, con varias secciones:
- **Home**: la pantalla principal en la que estás ahora.
- **Chats**: donde se guardan y organizan las conversaciones realizadas.
- **Models**: permite gestionar los modelos descargados y cambiar entre ellos.
- **LocalDocs**: acceso directo a la gestión de documentos locales.
- **Settings**: configuración general de la aplicación (rendimiento, rutas, etc.).
En la parte central inferior aparece un panel de **“Latest News”**, donde se muestran actualizaciones del programa, mejoras en modelos, compatibilidad con GPU (CUDA), correcciones de errores, etc. Esto es útil para ver qué ha cambiado en cada versión.
Por último, en la parte inferior hay enlaces a recursos como documentación, GitHub o Discord, lo que indica que es una herramienta activa y en desarrollo.
#### [](https://libros.catedu.es/uploads/images/gallery/2026-03/24Limage.png)
#### Documentos locales o RAG
Una de sus características más interesantes es la posibilidad de trabajar con documentos propios. Esto permite, por ejemplo, cargar apuntes o normativa del centro y hacer preguntas sobre ellos, creando un asistente educativo interno.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/xKbimage.png)
*Ventana para subir documentos locales en chatGPT4all*
#### Descarga de modelos: elegir el más adecuado
Una de las características más importantes de GPT4All es la posibilidad de **descargar distintos modelos de inteligencia artificial** desde la opción *“Find Models”*. Esto permite adaptar la herramienta al tipo de uso y al equipo disponible.
No todos los modelos son iguales. Algunos están pensados para ser rápidos y ligeros, mientras que otros ofrecen respuestas más completas pero requieren más recursos.
Elegir bien el modelo es clave para que la experiencia sea fluida en el aula.
##### Modelos populares en GPT4All
Modelo
Tipo
Características
Requisitos aproximados
**Mistral 7B**
Equilibrado
Muy buen rendimiento general, bastante preciso
8–16 GB RAM
**Llama 3 (8B)**
Avanzado
Mejor calidad en respuestas, más natural
16 GB RAM recomendable
**Phi-2 / Phi-3**
Ligero
Muy rápido, ideal para equipos modestos
8 GB RAM
**Gemma (Google)**
Eficiente
Buen equilibrio entre tamaño y calidad
8–16 GB RAM
**Nous Hermes**
Conversacional
Muy bueno para chat y explicaciones
16 GB RAM
**TinyLlama**
Muy ligero
Funciona en equipos poco potentes, menos preciso
4–8 GB RAM
##### Cómo elegir un modelo
- Si el ordenador es **antiguo o limitado** → usa modelos pequeños (Phi, TinyLlama)
- Si el equipo es **normal (8–16 GB RAM)** → Mistral o Gemma
- Si el equipo es **potente** → Llama 3 o modelos más grandes
[](https://libros.catedu.es/uploads/images/gallery/2026-03/yAnimage.png)
*Ventana para mostrar los modelos conversacionales disponibles en local*
> ## ⚠️ Importancia del tamaño del modelo y del rendimiento
>
> Cuando trabajamos con IA local, hay una idea fundamental que debemos tener siempre presente: **el modelo no está en Internet, está en tu ordenador**. Esto significa que todo el esfuerzo de cálculo lo realiza el propio equipo, y por tanto, el rendimiento depende directamente del hardware disponible.
>
> Los modelos de inteligencia artificial ocupan espacio y consumen recursos. No son “programas ligeros”, sino sistemas complejos que pueden pesar varios gigabytes. Por ejemplo, un modelo medio puede ocupar entre 3 y 8 GB, mientras que modelos más grandes pueden superar fácilmente los 10 GB.
>
> Pero no solo importa el espacio en disco. También es clave cómo el ordenador es capaz de trabajar con ese modelo:
>
> - Si el modelo es grande, necesitará más memoria (RAM) para cargarse
> - Si el procesador es lento, tardará más en generar respuestas
> - Si el equipo está justo de recursos, puede quedarse bloqueado o ir muy lento
>
> Por eso, es importante entender que **no siempre elegir el modelo más grande es la mejor opción**. Aunque en teoría ofrezca mejores respuestas, en la práctica puede hacer que la experiencia sea frustrante si el equipo no está preparado.
>
> En un entorno educativo, esto es especialmente relevante. En muchos centros:
>
> - los equipos no son muy recientes
> - hay muchos alumnos usando los ordenadores
> - los recursos son limitados
>
> En estos casos, utilizar modelos demasiado grandes puede provocar:
>
> - tiempos de espera largos
> - bloqueos del sistema
> - mala experiencia para el alumnado
>
> Por el contrario, elegir un modelo más ligero permite:
>
> - respuestas más rápidas
> - mayor fluidez en clase
> - mejor aprovechamiento del tiempo
>
> La clave está en encontrar un equilibrio entre **calidad y rendimiento**.
>
> 👉 Un modelo más pequeño puede no ser perfecto, pero si responde rápido y permite trabajar con normalidad, es mucho más útil en el aula.
# 4.3 Canva Magic Studio
#### Canva Magic Studio
Canva ha pasado de ser una herramienta de diseño ([aquí puedes encontrar más información](https://libros.catedu.es/books/b2-artes-plasticas-area-2-contenidos-digitales/page/21-herramienta-de-autor-canva)) a convertirse en una suite de IA completa llamada "Estudio Mágico". Permite a los docentes generar presentaciones enteras, editar imágenes de forma profesional y transformar texto en diseños visuales en segundos, eliminando la barrera de la "página en blanco" y profesionalizando los recursos didácticos.
¿Para qué puede servirte?
1. **Generación de materiales en segundos:** Crea presentaciones, posters o fichas de trabajo a partir de una simple frase descriptiva.
2. **Edición mágica de recursos:** Elimina objetos de fotos, expande paisajes o traduce carteles educativos a otros idiomas de forma automática.
3. **Personalización del aprendizaje:** Transforma un mismo contenido en diferentes formatos (de presentación a resumen escrito) con un solo clic para adaptarse a distintos ritmos.
#### Guía Visual de la Interfaz (Estudio Mágico)
El "Estudio Mágico" de Canva se integra en el editor habitual. Aquí tienes los puntos clave donde los docentes deben fijar su atención:
1. **Escritura Mágica (Icono de destellos) ✨**:
- Ubicado en el menú de texto. Ayuda a redactar enunciados, resumir textos largos o cambiar el tono de un mensaje (más formal, más divertido).
- *Flecha:* Apunta al botón de "Asistente de Canva" en la esquina inferior derecha del diseño.
2. **Contenido Mágico (Panel Izquierdo) 🎨**:
- Aquí es donde puedes escribir "Un astronauta enseñando matemáticas en Marte" y la IA generará la imagen o el vídeo desde cero.
- *Flecha:* En el menú lateral, busca el icono de aplicaciones que dice "Contenido Mágico".
3. **Rediseño Mágico (Barra Superior) 🔄**:
- Permite convertir una presentación en un documento de Word, o cambiar el tamaño de un post de Instagram a un folio A4 automáticamente.
#### Funciones Estrella: Magia Visual
##### 1. Presentación Mágica
Escribe el tema de tu clase y Canva diseñará las diapositivas, elegirá las fotos y redactará el contenido inicial por ti.
- **Ejemplo para el docente:** Pide "Una presentación sobre el ciclo del agua para alumnos de primaria con estilo de acuarela". Tendrás una base del 80% del trabajo lista para revisar.
##### 2. Edición y Borrador Mágico
¿Tienes una foto perfecta pero sale algo que distrae al fondo? O ¿quieres que un personaje de la foto sostenga un libro en lugar de una manzana?
- **Ejemplo para el docente:** Usa el "Borrador Mágico" para limpiar imágenes de libros antiguos escaneados o la "Edición Mágica" para cambiar elementos de una foto y adaptarla a tu explicación.
##### Breve tutorial
##### Ejemplos Prácticos de Uso
**Herramienta**
**Cómo usarla en clase**
**Texto a Imagen**
Crea ilustraciones personalizadas para cuentos o problemas matemáticos que no existen en Google Imágenes.
**Traductor Mágico**
Traduce tus infografías a 100 idiomas con un clic. Ideal para clases de idiomas o alumnado extranjeros
**Captura Mágica**
Selecciona un texto dentro de una imagen antigua y conviértelo en texto editable para modificarlo.
**Canva para Educación es GRATIS:** Recuerda que si te registras y demuestras que eres docente, tienes acceso a todas las funciones "Pro" y de IA de forma totalmente gratuita.
# 4.4 NotebookLM
#### Tu Asistente Personal de documentación
NotebookLM es una herramienta de Google que utiliza inteligencia artificial para ayudarte a comprender información compleja conectándola directamente con tus propias fuentes. A diferencia de otros chats de IA, actúa como un experto que solo responde **basándose en los documentos que tú le proporcionas**, garantizando precisión y rigor académico.
¿Para qué puede servir?
1. **Sintetizar grandes volúmenes de información:** Ideal para procesar currículos extensos, documentación de centro, PDFs o hilos de investigación sin perder el hilo conductor.
2. **Crear materiales personalizados:** Transforma tus apuntes o lecturas en guías de estudio, cuestionarios y resúmenes automáticos para tu alumnado
3. **Análisis crítico de fuentes:** Permite contrastar información entre diferentes documentos (PDFs, sitios web, Google Docs) en un solo lugar de trabajo.
#### Breve guía
El primer paso es crear un cuaderno; una vez que lo tienes y pinchas en él, es fundamental entender sus tres áreas principales.
[](https://libros.catedu.es/uploads/images/gallery/2026-03/NQRimage.png)
[ ](https://libros.catedu.es/uploads/images/gallery/2026-03/OgSimage.png)[](https://libros.catedu.es/uploads/images/gallery/2026-03/K6dimage.png)
1. **Panel de Fuentes (Izquierda)**: Aquí es donde subes tus PDF, pegas enlaces de YouTube o seleccionas archivos de Google Drive. *"Añadir fuente":* Es el primer paso; sin fuentes, no hay contexto.
2. **Ventana de Chat (Centro)**: Aquí haces preguntas. La IA te responderá citando el número de página exacto de donde sacó la información.
3. **Notas Guardadas (Derecha)**: Un espacio para anclar las mejores respuestas de la IA y convertirlas en la estructura de tu próximo tema.
#### Funciones Estrella: Más allá del Texto
NotebookLM no solo responde preguntas; puede transformar el formato de tu contenido de forma creativa a través de un podcast, resumen de vídeo, mapa mental, tarjetas, informes, cuestionarios...
[](https://libros.catedu.es/uploads/images/gallery/2026-03/YOoimage.png)
##### Ejemplo podcast
La IA genera una conversación realista entre dos voces que discuten tus documentos como si fuera un programa de radio.
- **Ejemplo para el docente:** Sube el tema "La Revolución Industrial" y genera el audio. Los alumnos pueden escucharlo de camino a clase para tener una introducción amena y conversacional.
##### Ejemplo guía de estudio
Puedes pedirle que genere una "Guía de estudio" que incluya términos clave y preguntas de repaso.
- **Ejemplo para el docente:** "Basándote en estos 3 artículos sobre el cambio climático, crea una estructura para una infografía que destaque las 5 causas principales y 5 consecuencias".
##### Otros ejemplos prácticos
**Tarea**
**Cómo usar NotebookLM**
**Planificación de Unidad**
Sube el currículo oficial y tus apuntes. Pide: "Crea una secuencia didáctica de 4 sesiones".
**Feedback de Lectura**
Sube un texto que el alumnado esté leyendo. Pregunta: "¿Cuáles son las 3 metáforas más importantes del capítulo 2?".
**Atención a la Diversidad**
Pide: "Reescribe este texto en un lenguaje sencillo para alumnado de 12 años".
# Créditos
**María de Mingo Carranza [@mariamdigital](https://x.com/mariamdigital?s=21&t=dpYSjRRD6Cxab1_aOLnihg)** CATEDU
**Luis Hueso Ibañez**
Nivel 2: Planificación y estructuración por IA por OpenAI. (2026). *ChatGPT* (Versión GPT-5.3)
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)