Volver al blog
IA en la evaluación: evidencias, orientaciones y buenas prácticas

IA en la evaluación: evidencias, orientaciones y buenas prácticas

Evaluar cuando la IA responde

¿Qué nos queda de esta charla?

Junto a Ana Kupervaser y Florencia Moore, investigadoras y doctorandas en Educación con amplia trayectoria en docencia de grado, posgrado e investigación en evaluación, y con la moderación de Verónica Poenitz, tuvimos la oportunidad de participar de un espacio de diálogo sobre uno de los temas que más interpela hoy a docentes y directivos: qué lugar ocupa la inteligencia artificial generativa (IAG) en nuestras evaluaciones.

¿La toleramos?
¿La prohibimos?
¿La integramos?
¿Cómo identificamos qué es propio del estudiante y qué produjo la IA?
¿Cuán válidas siguen siendo nuestras evaluaciones?


Estas fueron algunas de las preguntas disparadoras de un encuentro que, lejos de ofrecer recetas, propuso criterios para tomar decisiones pedagógicas fundamentadas.

Los desafíos que identificamos los docentes

A partir de una encuesta respondida por los propios participantes del Congreso, se presentaron los tres problemas que los docentes perciben como más relevantes en relación con la evaluación:

📌La delegación cognitiva: cuando los estudiantes delegan en estas herramientas su esfuerzo intelectual y sus procesos de reflexión, generando en muchos casos una gran dependencia.

📌La honestidad académica: la copia y el plagio no son problemas nuevos, pero hoy se encuentran amplificados exponencialmente por la capacidad de la IAG de ofrecer respuestas inmediatas, cada vez más precisas y capaces de imitar la voz de un estudiante.

📌La ausencia de acuerdos institucionales y de formación docente: faltan marcos o contratos pedagógicos que establezcan cuándo, cómo y para qué integrar la IA en la evaluación. En este punto, se destacó la importancia de la alfabetización en inteligencia artificial (AI literacy).

También se compartieron datos de la encuesta Kids Online de UNICEF (2025), que muestran que el mayor uso de estas herramientas se concentra en adolescentes de 15 a 17 años, aunque también está presente en la franja de 12 a 14.

Controlar o rediseñar

Frente a estos desafíos, las investigaciones muestran dos posturas. La primera, centrada en el control y la resistencia, apuesta a prohibir o a utilizar detectores de IA; sin embargo, estas estrategias resultan empíricamente insuficientes, ya que la tecnología evoluciona tan rápido que lo que funciona hoy deja de funcionar mañana. La segunda propone repensar y rediseñar las evaluaciones, combinando instrumentos y formatos para obtener evidencias más válidas de los aprendizajes y construir evaluaciones más resilientes, es decir, menos vulnerables a la IA.

Volver a una cuenta pendiente: evaluar para aprender

Antes de avanzar con propuestas concretas, las especialistas nos invitaron a recordar que no evaluamos solo para calificar. Junto a la función sumativa, que permite juzgar la calidad de los aprendizajes, existe una función formativa, muchas veces relegada, que busca orientar, acompañar y ofrecer al estudiante oportunidades para mejorar.

Desde allí, el rediseño debe partir de preguntas fundamentales: ¿qué es valioso enseñar y aprender en este contexto?,
¿qué vamos a evaluar?,
¿queremos que los estudiantes reproduzcan información o que hagan algo con ella?

Recién a partir de estas respuestas tiene sentido preguntarnos cómo evaluar.

Cuatro pistas para evaluar en tiempos de IA

Las disertantes compartieron cuatro pistas surgidas de la investigación y de prácticas docentes documentadas, aclarando que no son fórmulas mágicas, sino criterios para orientar decisiones:

1. Proponer evaluaciones auténticas. Retomando a Rebeca Anijovich y Graciela Cappelletti, se trata de plantear situaciones del mundo real o cercanas a él: problemas significativos y complejos que pongan en juego conocimientos y estrategias. Son evaluaciones realistas y relevantes, desafiantes, abiertas (sin una única respuesta) y, en lo posible, colaborativas. No es qué sabe el estudiante, sino qué puede hacer con lo que sabe. Si bien no garantizan que no se use la IA como atajo, reducen ese riesgo al promover la motivación intrínseca y el involucramiento activo.

2. Visibilizar y evaluar el proceso, no solo el resultado. Mirar únicamente el producto final nos impide saber cómo llegó el estudiante hasta allí, e incluso cómo utilizó la IA. Parcializar las consignas en hitos o entregas, incorporar instancias de revisión y mejora, y sumar retroalimentación docente, coevaluación y autoevaluación permite poner el pensamiento en acción y favorece la metacognición.

3. Decidir cuándo integrar la IAG. La primera respuesta es: no siempre. Cada docente debe decidir de manera situada, considerando el contexto, las características del grupo y el nivel educativo. Para ello, se propuso el esquema del doble carril: un carril abierto, vinculado a la evaluación formativa, donde la IA se integra de manera guiada y andamiada para ayudar a aprender (la figura del entrenador); y un carril seguro, destinado a calificar y acreditar (la figura del jurado), donde se preservan momentos “robustos”, como la defensa oral, el examen en papel o el portafolio.

4. Diversificar las evidencias. En lugar de tomar una “foto” al final, la propuesta es contar con una “filmación”: múltiples evidencias, variadas y a lo largo del proceso, como debates, presentaciones orales, simulaciones, gamificación o producciones audiovisuales. En este contexto, la oralidad, el diálogo y la argumentación adquieren un valor central.

La IA como copiloto docente

Las especialistas presentaron tres usos posibles de la IAG como asistente del trabajo docente: el rediseño y la mejora de las consignas, revisando los procesos cognitivos que promueven y su alineación con los objetivos de aprendizaje; la creación de instrumentos, como las rúbricas, que permiten explicitar los criterios de evaluación; y el seguimiento y la retroalimentación de las producciones.

En todos los casos, la condición es la misma: la IA puede ayudarnos a mejorar borradores o a explorar alternativas, perono podemos tercerizar las decisiones pedagógicas ni la valoración del desempeño de nuestros estudiantes.

El diálogo: criterios, ejemplos y retroalimentación

En el intercambio con la moderadora surgieron orientaciones muy concretas. Para una integración crítica y ética de la IA, Ana destacó la importancia de establecer un contrato pedagógico que explicite los usos permitidos; asumir el rol docente de guía y modelado; promover la iteración, de modo que el estudiante compare respuestas, valide fuentes y haga su propio aporte; y favorecer la transparencia, documentando los prompts utilizados y las decisiones tomadas. A ello se suma la reflexión metacognitiva: ¿cómo la usé?, ¿para qué?, ¿en qué me aportó y en qué me sustituyó?

Para que las evaluaciones auténticas promuevan efectivamente la motivación, es importante considerar: que el estudiante asuma un rol, que produzca para una audiencia real o simulada (y no solo para el docente), que elabore uno o varios productos y que la tarea esté vinculada a un tema o competencia concreta. Ejemplos como una campaña comunitaria de prevención del dengue o la presentación de un proyecto ante la legislatura ilustraron cómo esto puede verse en el aula.

Finalmente, ante el desafío de dar retroalimentación en aulas de 30 estudiantes o más, se subrayó que la primera lectura de los trabajos debe ser siempre del docente, para identificar logros, dificultades frecuentes y patrones de error. La IA puede ayudar a pensar próximos pasos y a encontrar las palabras para una devolución orientada a la tarea, pero delegar por completo ese diálogo despersonaliza y homogeneiza respuestas para estudiantes que son únicos.

A modo de reflexión final

Las disertantes cerraron con dos ideas que sintetizan el espíritu de la charla. Por un lado, retomando a Corbin y colaboradores, que el desafío de la IAG se comprende mejor no como un problema a resolver, sino como una situación a navegar. Por otro, en palabras de Chan, que al aprovechar el potencial de estas herramientas debemos asegurarnos de que la evaluación siga fundada en experiencias de aprendizaje auténticas, que desafíen intelectualmente a los estudiantes y fomenten un aprendizaje más profundo y metacognitivo.

Nos quedamos con la certeza de que, en un congreso que se propuso pensar el desafío de enseñar cuando la IA responde, la evaluación lejos de perder sentido adquiere aún más protagonismo: pensada con rigor y en alianza con la IA, puede convertirse en un verdadero motor de aprendizajes profundos.

Agradecemos a Ana Kupervaser y Florencia Moore por compartir con generosidad sus investigaciones y experiencias, y a Verónica Poenitz por su cálida y atenta moderación, que hizo de este encuentro un espacio de diálogo enriquecedor para los más de 15.000 docentes que nos acompañaron.

Reviví la charla del 9º Congreso

Quizás te interese