La IA generativa puede mejorar el desempeño inmediato en una tarea sin mejorar necesariamente el aprendizaje — parte de la ventaja desaparece, o se revierte, una vez que se retira la IA.
aiLearning Challenge · Fundamento
Por qué está diseñado así.
El aiLearning Challenge está diseñado contra un modo de fallo documentado: una IA que eleva el rendimiento mientras vacía el aprendizaje. Esta página expone la evidencia, los marcos de aprendizaje y las decisiones de diseño detrás del evento — y etiqueta cada cosa como lo que es.
En esta página aparecen tres tipos de afirmaciones, cada una con su etiqueta:
- Hallazgo revisado por pares investigación citada tal como fue publicada — nunca más fuerte de lo que el estudio sostiene.
- Informe institucional marcos e informes de instituciones con nombre propio.
- Posición de diseño nuestras propias decisiones — defendidas como decisiones, jamás disfrazadas de hallazgos.
1 · La motivación
La IA puede elevar el rendimiento mientras el aprendizaje se queda atrás.
Este es el hallazgo al que responde todo el evento. No es una corazonada ni un pánico moral — es lo que la investigación sobre IA generativa en educación viene reportando, y es la razón por la que el Challenge existe en esta forma y no como una vitrina más de herramientas.
En un experimento de campo aleatorizado de 2025 con cerca de mil estudiantes de matemáticas de secundaria, el acceso sin restricciones a un asistente de IA general mejoró el desempeño durante la práctica — pero esos estudiantes luego rindieron peor que el grupo de control cuando se les retiró la IA. Un tutor de IA con andamiaje eliminó en gran medida esa penalización.
En un experimento de 2024, quienes aprendían asistidos por ChatGPT produjeron los mejores ensayos — mejores que los de un grupo tutorizado por una persona experta — pero no aprendieron más, no estuvieron más motivados, dedicaron menos tiempo a evaluar su propio trabajo y tendieron a copiar y pegar. Los autores lo llaman «pereza metacognitiva».
En un experimento de 2024 con 293 personas escritoras y 600 evaluadoras, el acceso a IA generativa hizo que los relatos individuales fueran más creativos, mejor escritos y más disfrutables — mientras hacía los relatos más parecidos entre sí: una ganancia individual pagada con diversidad colectiva.
Posición de diseño
Por eso el Challenge está construido contra exactamente esos modos de fallo. Todo el mundo recibe el mismo acceso a la IA, de modo que la IA por sí sola no confiere ventaja alguna — lo que se demuestra es la amplificación de la capacidad de crear de cada persona. Aumentar, nunca reemplazar. Y los desafíos se redactan para que ninguna respuesta genérica de una IA pueda ganar — por diseño, no por prohibición: contexto auténtico, información incompleta, valores en tensión, información que solo existe localmente o en el momento, un artefacto comprobable. La competencia es el envoltorio; el aprendizaje es el punto.
2 · El marco
Un linaje de ciencia del aprendizaje — trabajando tras bambalinas, nunca como ceremonia.
El Challenge es una demostración en vivo de la metodología de aprendizaje Smoother, y Smoother se apoya en tradiciones con nombre propio. Estos marcos dan forma a cómo el equipo organizador diseña la experiencia; jamás se obliga a los participantes a ejecutarlos como rituales visibles.
Guiado, no mínimamente guiado
La instrucción con guía mínima — descubrimiento, aprendizaje basado en problemas, experiencial e indagatorio sin una guía firme — ha resultado menos efectiva y menos eficiente que la instrucción guiada, en particular para principiantes; la ventaja de la guía solo retrocede cuando quien aprende ya tiene conocimiento previo suficiente para guiarse a sí mismo. La crítica, a su vez, ha sido debatida en la literatura. Kirschner, Sweller & Clark (2006), Educational Psychologist
En el Challenge: el evento está deliberadamente andamiado en cada categoría — paquetes de desafío, preparación previa, mentorías, formatos de defensa publicados para las categorías más jóvenes. El conocimiento previo requerido se mantiene cercano a cero por diseño: el Challenge admite participantes que nunca han usado una herramienta de IA.
Aprendizaje basado en proyectos — con su condición honesta
El aprendizaje basado en proyectos tiene un efecto positivo de medio a grande sobre el logro académico comparado con la instrucción tradicional — pero el efecto depende fuertemente de la implementación, y evaluaciones escolares rigurosas a veces no han encontrado efecto alguno. Chen & Yang (2019), Educational Research Review
En el Challenge: la implementación se trata como una obligación de diseño, no como una idea tardía — la preparación de educadores es parte del ciclo, con el Marco de Competencias de IA para Docentes de la UNESCO (2024) como punto de referencia. UNESCO (2024), Miao & Cukurova
Construccionismo — construir cosas compartibles
El linaje constructivista que va de Piaget al construccionismo de Papert sostiene que las personas construyen conocimiento con mayor efectividad mientras construyen cosas compartibles — con piso bajo, techo alto y paredes anchas como principios de diseño. Ampliar el rango de lo que los participantes pueden crear aumentó, en un experimento natural en la comunidad en línea de Scratch, tanto la implicación como el aprendizaje. Papert; Resnick y MIT Lifelong Kindergarten; Dasgupta & Hill, experimento natural en Scratch
En el Challenge: no hay medio privilegiado. Una solución puede ser software, un prototipo, una performance, una campaña, una historia, una política, un servicio — y en la categoría de primaria se puede entrar con un dibujo y una frase.
Bruner — tres modos, una espiral
Bruner describió los modos de representación enactivo, icónico y simbólico, y el currículo en espiral — volver a la misma idea con profundidad creciente. Bruner, modos de representación y currículo en espiral
En el Challenge: esto es lo que hace viable un solo tema de desafío a través de cuatro categorías de desarrollo — el mismo problema, cortado a la medida de cada etapa — y los modos se honran como formas de expresión paralelas e igualmente válidas, nunca como una escalera de edades.
Vygotsky y el andamiaje — atribuidos con precisión
La zona de desarrollo próximo es la distancia entre lo que una persona puede hacer de forma independiente y lo que se vuelve posible con guía o con un par más capaz. El término «andamiaje» lo introdujeron Wood, Bruner y Ross en 1976 — no Vygotsky. Citamos nuestras fuentes con precisión, incluida esa. Vygotsky; Wood, Bruner & Ross (1976)
En el Challenge: las mentorías y la preparación de educadores trabajan exactamente en esa zona — preguntas y crítica que extienden lo que un equipo casi puede hacer, nunca manos que lo hacen por él.
Diseño de aprendizaje complejo, iteración, metacognición
El modelo 4C/ID organiza el aprendizaje complejo en tareas auténticas, información de apoyo, información procedimental y práctica de subtareas — una herramienta de diseño del lado organizador para construir el ciclo. De la tradición del design thinking, el Challenge toma la iteración no lineal y el prototipado, deliberadamente sin una secuencia fija de etapas: el jurado premia la evidencia de que un equipo se adaptó, nunca el cumplimiento ceremonial de pasos. Y la base de evidencia del aprendizaje activo es sustancial, como lo es la de la metacognición y la autorregulación — planificar, monitorear y evaluar el propio aprendizaje —, que es lo que ejercitan la etapa de reflexión y el interrogatorio de la defensa. van Merriënboer, 4C/ID; síntesis de evidencia sobre aprendizaje activo y metacognición
3 · El enfoque
Cinco mecánicas, ingeniadas contra los modos de fallo.
Posición de diseño Todo lo que hay en esta sección es una decisión de diseño — motivada por la evidencia de arriba, y honestamente etiquetada como nuestra. Estas mecánicas son hipótesis sobre cómo prevenir modos de fallo documentados, no hechos establecidos; el evento las mide.
- 01
La Ventana Humana Inicial
Los primeros 10–15 minutos tras la revelación del desafío son sin IA: los participantes piensan, bosquejan y divergen por su cuenta antes de abrir herramienta alguna — protegiendo el encuadre del problema del tirón homogeneizador que la investigación documenta.
Ver más
Cómo se corre. Papel y conversación, sin pantallas: cada equipo enuncia el problema en sus propias palabras, nombra lo que no sabe y lo que asume. Ese registro viaja — es la evidencia que el jurado lee en la dimensión de encuadre del problema: un encuadre sostenido frente a lo que el modelo proponga después.
Por qué primero. El encuadre es el momento más expuesto a la homogeneización: cuando el modelo propone su lectura, la versión de cada equipo deriva hacia ella. Proteger esos minutos protege la diversidad de todo lo que sigue.
- 02
La Compuerta de Divergencia
Ningún equipo comienza a producir hasta que puede mostrar tres enfoques sustancialmente distintos. Un campo de ganadores casi idénticos es un modo de fallo predicho de la competencia asistida por IA — así que el Challenge ingenia la divergencia en lugar de limitarse a advertir sobre ella.
Ver más
Quién hace qué. La divergencia la corre el equipo: tres enfoques sustancialmente distintos, cada uno con lo que optimiza y lo que sacrifica — lo abandonado se registra y suma crédito de proceso, nunca lo resta. La verificación de la compuerta corresponde a los educadores-mentores de la sede, jamás al jurado: es un andamio, no una nota. Un equipo que no pasa vuelve a divergir; fallar cuesta tiempo, nunca elegibilidad.
La única pregunta. ¿La dirección final fue elegida de un espacio de posibilidades — o es la primera respuesta plausible, con maquillaje? No se piden tres productos pulidos: se pide evidencia de elección.
- 03
La Perturbación
Un cambio de condiciones a mitad del evento, entregado por la organización, idéntico para todos los equipos, en un momento fijo — así se comportan los problemas reales. Pone a prueba la adaptación bajo restricción y se juzga como proceso, nunca como daño.
Ver más
Autorada, no improvisada. La perturbación se escribe junto con el enunciado del reto y se revisa con él — una tensión diseñada sobre una variable de la situación, sobrevivible por construcción frente al tiempo restante. Se corta por nivel: concreta y lúdica en primaria, estructural en universidad.
Qué produce. Evidencia para la dimensión de iteración y adaptación: un cambio de diseño razonado ante condiciones nuevas. El equipo que solo recorta alcance responde otra pregunta que el que adapta.
- 04
El Mercado de Mentorías
Mentores de muchas disciplinas están disponibles para cada equipo mediante fichas de consulta iguales — acceso a la experticia distribuido por regla, no por confianza ni por contactos. Los mentores preguntan; nunca tocan el trabajo. El límite sigue una práctica documentada: la regla escrita de asistencia externa de Odyssey of the Mind, bajo la cual coaches y familias pueden enseñar destrezas generales pero no aportar ideas ni trabajo.
Ver más
Dos tipos de mentoría, una regla. Los educadores-mentores andamian el proceso — corren el espacio de práctica, verifican la Compuerta de Divergencia, sostienen los chequeos. Los mentores de disciplina traen la prueba de realidad de sus campos. Para ambos, el límite es idéntico: enseñar una destreza general, hacer una pregunta — jamás aportar ideas, prompts, código, materiales ni ediciones. La defensa en vivo autentica contra la sobre-asistencia del mentor igual que contra el piloto automático de la IA.
Aún por definir. Los conteos y la asignación de fichas de consulta son preguntas de diseño abiertas — se publican cuando se decidan, no se improvisan aquí.
- 05
La tarea de transferencia sin IA
Después del evento, se intenta un problema nuevo sin IA disponible. Una capacidad que se evapora cuando se retira la herramienta era rendimiento, no aprendizaje — esta tarea mide lo que queda. No es un castigo por usar IA, y su resultado jamás afecta la posición en la competencia.
Ver más
Por qué existe. La brecha rendimiento-aprendizaje es la evidencia fundacional de este evento: la asistencia puede subir puntajes mientras la capacidad calladamente no se forma — y la diferencia solo se ve al retirar la herramienta. La tarea de transferencia es donde el Challenge se somete a su propia prueba.
Cómo se maneja. Los resultados son individuales para cada participante y agregados para todos los demás; el consentimiento de investigación es aparte y opcional; la participación y el avance nunca dependen de él. Si los datos muestran que la capacidad no persistió — ese es el hallazgo, y se publica.
Y debajo de las cinco: herramientas gratuitas como piso de equidad
Solo pueden usarse herramientas gratuitas y públicamente disponibles, bajo un estándar rodante: nada de capacidades de pago, ningún nivel educativo con licencia como requisito, con auditorías poco antes de cada evento porque los niveles gratuitos cambian — junto con dispositivos en préstamo y alternativas de bajo ancho de banda o sin conexión, y acotado por los términos de edad de cada plataforma. Las ofertas educativas «gratuitas» dependen de que una institución tenga licencia, así que exigirlas ventajaría en silencio a quienes participan desde escuelas que casualmente la tienen.
Dicho con honestidad: las herramientas gratuitas no producen equidad por sí solas. El hardware, la conectividad, el idioma y la exposición previa sobreviven a la equidad del software — por eso las provisiones que las acompañan son parte de la regla, no decoración.
Postura de diseño Dos compromisos más, nuestros por elección. Los participantes son dueños absolutos de su trabajo — la publicación abierta se anima y jamás se exige, y ni anfitriones ni patrocinadores pueden reclamar derecho alguno sobre él. Y el Challenge es un ciclo, no una fecha: la preparación previa y el compartir, la reflexión y la transferencia posteriores pueden importar tanto como el día mismo — el ciclo completo está descrito en el anuncio.
4 · Evaluación
Un solo Objeto de Aprendizaje. Un perfil — nunca una nota.
La evaluación Smoother parte de un Objeto de Aprendizaje: una declaración explícita de lo que el participante debería llegar a saber, hacer y ser a través del ciclo del Challenge. Las filas de la rúbrica se derivan de él, componente por componente, de modo que se juzga exactamente lo que se declaró aprendible — y nada más.
Posición de diseño La capacidad en el centro: la resolución creativa de problemas aumentada por IA, bajo dirección humana. No intentamos separar el trabajo hecho por humanos del hecho por IA. La distinción con sentido es dirigido por humanos versus dirigido por la máquina: la IA puede aportar cualquier cosa, y los participantes siguen siendo responsables de todo. Elegir no usar IA para una parte del trabajo es, en sí mismo, evidencia de buen juicio.
Proceso · ~60% de la atención del jurado
- Encuadre del problema e insight humano
- Divergencia creativa y originalidad
- Dirección humano-IA
- Iteración, alfabetización del fracaso y adaptación
- Colaboración y transparencia de contribuciones
Producto · ~40% de la atención del jurado
- Valor del artefacto y utilidad demostrada
- Ajuste al contexto local y factibilidad
- Calidad de la comunicación y la defensa
- Juicio ético en decisiones con consecuencias — una presencia calificada ligera, porque la ética vive dentro del contenido del desafío, nunca como afiche añadido
La ponderación expresa atención y énfasis del jurado. Los resultados por fila jamás se suman, promedian ni convierten en un número único. El resultado es un perfil.
La creatividad se juzga con un instrumento validado
La dimensión de creatividad usa la Técnica de Evaluación Consensuada — un producto es creativo en la medida en que observadores apropiados coinciden en que lo es —, un instrumento validado cuyos límites conocidos son que requiere jueces expertos apropiados y toma tiempo. Las expectativas se calibran por categoría con el modelo Four-C de la creatividad (de mini-c a Pro-c), y la literatura sobre especificidad de dominio advierte contra tratar la creatividad como un rasgo general único — así que las categorías fijan niveles de expectativa, nunca techos. Amabile (1982); Kaufman & Beghetto, Four-C
La Defensa en Vivo abre — o no — el avance
Posición de diseño Los participantes llevan un registro ligero de los momentos consecuentes de su construcción — las decisiones humanas, lo que aportó la IA, lo que se rechazó y por qué — y luego lo sustentan en una defensa en vivo que condiciona el avance. El registro es evidencia para el jurado, nunca un conteo de palabras calificado. Un equipo que no puede dar cuenta de su propio trabajo no avanza, luzca como luzca su artefacto. El vecindario académico respalda la dirección: la investigación en evaluación de educación superior sostiene que la validez, más que la trampa, debe guiar el rediseño de la evaluación en la era de la IA generativa. Bearman et al. (2024); Dawson et al. (2024), Assessment & Evaluation in Higher Education
Reconocimiento en tres capas — nunca un solo número
Posición de diseño Una constancia de participación para cada quien que completa — reconocimiento, nunca certificación. Distinciones por dimensión, extraídas del perfil, de modo que equipos distintos ganan distinciones distintas. Y un reconocimiento principal por categoría y división, decidido por deliberación del jurado sobre patrones de perfil en un orden de prioridad declarado — nunca por aritmética. La certificación es aparte y opcional. La categoría de primaria es participación y celebración solamente: sin ranking.
5 · Límites honestos
Lo que el Challenge no afirma.
La postura honesta no es un descargo enterrado en un pie de página — es el fundamento. Esto es lo que este evento se niega deliberadamente a decir.
- No afirma que sus mecánicas sean hechos establecidos. La Ventana Humana Inicial, la Compuerta de Divergencia, la Perturbación, las reglas de mentoría y la tarea de transferencia son hipótesis de diseño sobre cómo prevenir modos de fallo documentados — y el evento mide si funcionan.
- No afirma que la investigación demuestre que una persona más la IA supera a cualquiera de las dos por separado. Ningún estudio de nuestra base de evidencia lo establece. Es el resultado que el evento está diseñado para perseguir — una meta, no un hallazgo.
- No presenta la competencia como pedagogía. La competencia es el envoltorio motivacional; el aprendizaje es el punto. Lo que se juzga es un proceso de aprendizaje, hecho visible.
- No clasifica ni etiqueta a nadie. Asignar a quienes aprenden a estilos como «visual» o «auditivo» y ajustar la instrucción a ellos tiene evidencia inadecuada de mejorar el aprendizaje — una revisión ampliamente citada de 2008 no encontró beneficio consistente — y nada en el Challenge diagnostica, clasifica ni etiqueta a los participantes por estilo ni por tipo de inteligencia. Pashler et al. (2008)
- No califica el volumen de IA, el oficio del prompt ni un «porcentaje humano». Sin puntos por el número de herramientas usadas, sin premio por el modelo más nuevo, sin fórmula numérica de autoría, sin prima por el pulido — un pivote documentado vale más que un artefacto atractivo que apareció ya terminado.
- No confunde reconocimiento con certificación. La constancia de participación reconoce; no certifica nada. Ganar significa un reconocimiento deliberado de un perfil — nunca una nota única.
- No anuncia lo que aún no está decidido. Fechas, sedes, tamaños de equipo, el calendario de la edición y el socio académico de investigación se están definiendo y se anunciarán. El diseño mantiene sus preguntas abiertas a la vista.
- No se exime de su propio estándar de evidencia. La base de evidencia sobre IA generativa en educación escolar es aún joven — una revisión sistemática de 2025 encontró solo unos treinta estudios empíricos calificables —, así que el Challenge es también investigación: instrumentos pre y post, monitoreo de cuán parecidas son las propuestas entre sí, la tarea de transferencia como dato, bajo consentimiento, con un socio académico. Si los datos muestran que la capacidad no persistió, ese es el hallazgo — y se publica.
Un evento que pide a sus participantes defender su trabajo en público le debe a su audiencia la misma disciplina. Esta página es esa defensa.
El aiLearning Challenge es una iniciativa de aiLearning.global, CEMI.ai y CEMI Labs — creada por Carlos Miranda Levy, aplicando la metodología de aprendizaje Smoother.
Aprendizaje integral en IA diseñado para educadores, por educadores. De la concienciación a la maestría.