Lo que queda: hacer

La respuesta corta cabe en un verbo: queda hacer.

No «hacer» como sinónimo de «entregar algo». Hacer en el sentido literal y físico y social del término: manipular e interactuar directamente con el objeto de aprendizaje. Tocarlo, moverlo, romperlo, medirlo, construirlo, montarlo, negociarlo, ensayarlo, defenderlo delante de gente, equivocarse en público y arreglarlo. Eso no lo hace la IA por nadie. Eso sigue ocurriendo enteramente dentro del estudiante y de su cuerpo, su tiempo, su equipo y su entorno.

La IA puede explicar cómo se afina una guitarra. No afina la guitarra. Puede describir cómo se entrevista a un vecino. No se sienta en la sala del vecino. Puede escribir el guion de una obra. No sostiene el silencio antes de la primera línea con cuarenta personas mirando. Puede calcular la pendiente de una rampa. No empuja una silla de ruedas por esa rampa para descubrir que la cuenta estaba bien y el diseño estaba mal.

La postura de diseño: asumimos que van a usar IA

Aquí es donde esta unidad se separa de la mayoría de las conversaciones sobre el tema.

Asumimos que los estudiantes van a usar Inteligencia Artificial. No lo peleamos, no lo prohibimos, no diseñamos trampas para detectarlo, no compramos detectores, no convertimos la clase en una aduana. Esa guerra consume una energía enorme, genera un aula desconfiada, castiga a los honestos, no atrapa a los hábiles, y —lo peor— no produce ni un gramo de aprendizaje adicional.

Y a partir de esa asunción hacemos lo contrario de defendernos: diseñamos actividades tan creativas, tan ambiciosas y tan atractivas que usar IA es apenas una parte de ellas.

Ese es el giro completo, y conviene dejarlo escrito en una sola línea, porque es la frase que se llevan de la unidad:

No hagas la actividad a prueba de IA por prohibición; hazla a prueba de IA por ambición.

Y su corolario, que es la parte que duele:

Si la IA sola puede entregar el trabajo completo, el problema no es el estudiante ni la herramienta: es que la actividad era demasiado pequeña.

La IA no rompió nuestras actividades. Reveló el tamaño que tenían. Una tarea que un modelo de lenguaje resuelve entera en cuarenta segundos era, ya antes, una tarea de cuarenta segundos de aprendizaje; lo que la protegía no era su valor formativo sino la fricción de tener que copiarla de una enciclopedia. Perdimos la fricción, no el aprendizaje. El aprendizaje hacía rato que no estaba ahí.

Ojo con leer esto como un elogio de la facilidad. La fricción que perdimos —copiar de una enciclopedia— no enseñaba nada; pero hay otra fricción que sí enseña, y esa hay que diseñarla de vuelta. Es un corolario de «El Gimnasio Todopoderoso», la postura de diseño de Carlos Miranda Levy que recorre este programa: Smoother no significa «sin fricción». Se elimina la fricción improductiva y se preserva, y a veces se aumenta, el esfuerzo que construye capacidad. Victoria Livingstone y Jeppe Klitgaard Stricker lo dicen a su manera: «In an age of frictionless interfaces, learning must retain its difficulty.» (Livingstone y Stricker, en UNESCO, 2026, p. 106). Las actividades ambiciosas de esta unidad son exactamente eso: devolver la dificultad al lugar donde se aprende.

Dónde aparece el aprendizaje en una actividad ambiciosa

Cuando la actividad es lo bastante grande, ocurre algo que ninguna cantidad de vigilancia consigue: el estudiante entra en compromiso intenso — intense engagement — con el objeto de aprendizaje. Y en ese estado:

• Decide, muchas veces, con información incompleta y criterios que compiten entre sí.
• Manipula el objeto: lo arma, lo mide, lo prueba, lo ajusta, lo vuelve a probar.
• Choca con la realidad, que corrige sin piedad y sin diplomacia: el puente cede, la entrevista se desvía, el público no se ríe donde debía, el pH no da, el código no compila, la pieza no encaja por dos milímetros.
• Itera, porque la primera versión nunca sirve y él mismo lo ve.
• Se expone: alguien que no es su profesor va a ver, usar, leer, escuchar o juzgar lo que hizo.

Ese estudiante aprende haciendo, y aprende de una manera que ningún resumen entregado a tiempo puede imitar. La IA participa —a veces mucho— pero participa como instrumento dentro de un proceso que ella no puede recorrer.

Lo que se ejercita en ese estado se alinea con lo que el marco Learning Compass 2030 de la OCDE llama competencias transformadoras: «creating new value, reconciling tensions and dilemmas, and taking responsibility» (OCDE, 2019, p. 62). Crear nuevo valor, en palabras del mismo documento, «refers to a person’s ability to innovate and act entrepreneurially, in a general sense, by taking informed and responsible actions» (OCDE, 2019, p. 62); asumir responsabilidad «means that a person can reflect upon and evaluate his or her actions in light of his or her experience, personal and societal goals, what he or she has been taught, and what is right and wrong» (OCDE, 2019, p. 64). Las decisiones irreducibles de esta unidad son tensiones que conciliar; el artefacto con destinatario es valor nuevo; el informe firmado con su nombre es responsabilidad. Es un marco conceptual de la OCDE, no una prueba de eficacia, y aquí se cita por su vocabulario.

Para quien quiera contrastar estas actividades con un marco de competencias de los propios estudiantes, hay dos en español: la UNESCO (2025), Marco de competencias para estudiantes en materia de IA (ISBN 978-92-3-300245-6, doi:10.54675/EKCU4552), y la OCDE y la Comisión Europea (2026), Cómo preparar a los alumnos para la era de la IA (ISBN 978-92-68-40756-1; el texto en inglés es el autorizado).

La IA es el instrumento, nunca el autor

Esta es la formulación que el programa ya sostiene públicamente en el aiLearning Challenge, y que aquí se convierte en principio de diseño de aula: la IA es el instrumento, nunca el autor.

Un instrumento potentísimo, disponible para todos, sin culpa y sin permiso especial. Pero la autoría —qué se intenta, por qué se eligió ese camino, qué se descartó, cómo se resolvió el problema que apareció a mitad de camino, qué queda cuando ya no se puede seguir— es del estudiante. Y esa autoría se hace visible, no se presume ni se persigue: se documenta en un registro de creación que acompaña al producto y que después evaluamos junto con él.

Cuando el registro existe, la pregunta «¿esto lo hizo la IA?» deja de ser una acusación y se convierte en un dato del trabajo. La autoría deja de policiarse porque queda a la vista.

La distinción entre instrumento y autor tiene un eco en la investigación: un estudio en preprint encontró que quienes usaron un modelo de lenguaje para generar las soluciones de los ejercicios cubrieron más temas pero entendieron menos, y que la herramienta ampliaba la brecha entre quienes sabían más y quienes sabían menos (Lehmann, Cornelius y Sting, 2025, arXiv:2409.09047). Se alinea con la distinción de estas Unidades: pedir explicaciones no es lo mismo que pedir el producto.

El respaldo metodológico: tarea completa

Nada de esto es una ocurrencia frente a la IA. Es exactamente el principio fundacional de tarea completa (whole-task, de la tradición 4C/ID de van Merriënboer) que la metodología Smoother adopta:

• Toda unidad se diseña alrededor de tareas auténticas y completas, no de fragmentos descontextualizados que el estudiante tendría que recomponer después.
• «Completa» significa que la actividad aparece en su forma operacional real: el caso trae todos sus actores y contradicciones, el proyecto se entrega como producto terminado, la decisión se toma con la incertidumbre y los criterios en conflicto que la decisión real implica.
• La complejidad se gradúa por clase de tarea, no fragmentando: una clase más simple no tiene menos pasos, tiene menos variables, menos ambigüedad o más andamiaje — pero sigue siendo una tarea entera de su propio nivel.
• El andamiaje se entrega justo a tiempo y disminuye progresivamente dentro de cada clase (scaffolding fading), forzando autonomía antes de pasar a la siguiente.

Léanlo de nuevo con la IA en mente y verán que ese principio ya era la respuesta, escrito antes de que la pregunta se volviera urgente. Lo que la IA hizo fue quitarnos la opción de seguir ignorándolo.

Un meta-análisis encontró un efecto alto de los programas diseñados con el modelo 4C/ID sobre el desempeño (d = 0,79), sobre todo en educación superior (Costa, Miranda y Melo, 2022, Learning Environments Research, 25(2), 445–463). El uso escolar que propone esta Unidad se alinea con esa tradición, que Merrill (2002) resume en principios de diseño, sin estar probado en ese nivel.

Lo que esta unidad NO dice

Tres aclaraciones, porque la ambición mal entendida hace daño:

1. No dice que las habilidades básicas dejaron de importar. Al contrario: sin dominio de la habilidad componente, el proyecto grande se ve espectacular y el aprendizaje es delgado. Esa es la advertencia del Unidad 7: la práctica deliberada construye la habilidad; esta unidad diseña la tarea ambiciosa a la que esa habilidad sirve. Las dos unidades son el mismo movimiento visto desde sus dos extremos, y ninguna funciona sola.
2. No dice que todo tenga que ser un proyecto enorme. Hay actividades ambiciosas de cuarenta minutos. La ambición no se mide en semanas: se mide en irreductibilidad.
3. No dice que la IA sea opcional. En estas actividades la IA entra, y entra en serio — pero con un rol acotado, declarado y visible. Lo veremos en detalle en la sección de anatomía.

La vinculación con su entorno real (5 minutos, individual)

Antes de seguir, respondan por escrito, para ustedes:

• ¿Qué hace de verdad, con las manos y con otras personas, alguien que trabaja hoy en el campo que ustedes enseñan?
• ¿Cuánto de eso aparece en la última actividad que pusieron?
• Si la distancia es grande, ¿qué es lo más pequeño que podrían cambiar mañana para acortarla?

Esa distancia entre lo que la disciplina es y lo que la tarea pide es, casi siempre, el espacio exacto donde la IA cabe entera.