Los mapas que copiamos — y lo que nos enseñan sobre la IA en educación

¿Se acuerdan de cuando el maestro de geografía nos mandaba a dibujar el mapa de las cordilleras del país? ¿Y el mapa de los ríos de África y de América del Sur?

¿De dónde sacábamos la información — y los mapas mismos? De los libros, o más tarde de Internet. Literalmente copiábamos los mapas de ahí a nuestra hoja.

Y el maestro no nos acusaba de falta de originalidad. El maestro nunca esperó que creáramos esos mapas desde cero. Más aún: al maestro en realidad no le importaba el mapa, y no tenía ninguna expectativa de que nos volviéramos cartógrafos ni artistas visuales.

Lo que el maestro nos hacía hacer era interactuar con el objeto de estudio. No el mapa en sí — la geografía del país o del continente: los picos más altos, los ríos más largos, dónde queda cada cosa en relación con las demás. A través de un proceso mecánico y físico de reproducción e involucramiento, aprendíamos el objeto de estudio. El mapa era el medio. La geografía era la lección.

Piaget habría reconocido la jugada: aprendemos construyendo nuestra propia versión del mundo, no recibiéndola. Y Bruner le puso nombre a la escalera que subíamos sin saberlo — del hacer, a la imagen, al símbolo: enactivo, icónico, simbólico. La mano trazaba, el mapa tomaba forma, y la geografía se convertía en algo que por fin podíamos decir.

La investigación sobre el aprendizaje cartografiaría después el terreno alrededor de esto. Trazar físicamente una representación alivia la carga cognitiva y ancla la atención cerca de la mano — una práctica tan vieja como las letras de lija de Montessori. Hacer una representación que uno genera — seleccionando, organizando, ubicando — es una de las formas mejor documentadas de aprender cualquier cosa. Y nadie, hasta donde he podido encontrar, hizo jamás el estudio controlado sobre copiar las cordilleras de un libro de texto. Nuestros maestros tampoco conocían el mecanismo. Lo que sabían era diseñar una tarea en la que producir la cosa nos obligaba a seguir mirando la cosa. Y la distinción entre copiar y generar es exactamente donde la IA se pone interesante — porque la versión con IA de esta tarea es generativa por construcción.

La IA en educación puede diseñarse para jugar exactamente el papel que jugó aquella tarea del mapa: una herramienta para interactuar con el objeto de estudio de formas divertidas y creativas, de modo que quien aprende lo aprenda en el proceso. No es — puede ser. La distancia entre esos dos verbos es todo el oficio del diseño de tareas. Seymour Papert llamó construccionismo a la idea de fondo — aprender haciendo algo con sentido — décadas antes de que nadie le escribiera un prompt a un modelo de imágenes. (El propio historial de Papert trae una advertencia útil: el hacer no se transfirió automáticamente a habilidades generales de pensamiento. El aprendizaje vive en el involucramiento específico — que es precisamente lo que aquí se afirma.)

Tres décadas después de la fecha límite

Aquí viene la parte incómoda. AltaVista abrió el texto completo de la Web a cualquiera en diciembre de 1995 — hace tres décadas. Y seamos precisos sobre lo que cambió. No volvió obsoleto el recordar: recuperar conocimiento de la propia memoria sigue siendo una de las formas mejor evidenciadas de hacer que el aprendizaje se quede. Lo que volvió difícil de justificar es otro tipo de trabajo escolar: la tarea cuya única exigencia intelectual es encontrar un dato que un buscador entrega en segundos — qué, dónde, cuándo, quién — y copiarlo en un entregable.

Entonces, ¿por qué insistimos en tareas construidas sobre la recuperación y reproducción rudimentaria de información — el peldaño más bajo de toda taxonomía del aprendizaje que tenemos, desde el recordar de Bloom hasta el recordar y reproducir de Webb? Las herramientas volvieron triviales esas tareas hace treinta años. Las tareas sobrevivieron a las herramientas.

Los educadores lo vieron de inmediato: el mismo año en que se lanzó AltaVista, Bernie Dodge y Tom March construyeron la WebQuest alrededor de una sola regla — una tarea con la Web debe ir más allá de buscar datos. El rediseño lleva treinta años disponible. La escolarización masiva, en su mayoría, no lo adoptó. (Cuando TNTP siguió a casi 4.000 estudiantes en 2018, encontró más de 500 horas por año escolar dedicadas a tareas por debajo del nivel del grado — datos de práctica profesional, no revisión por pares, pero ese es el tamaño del hábito.)

La misma tarea, con la IA en el aula

Pero antes de ponernos demasiado técnicos, volvamos a nuestros mapas y metamos la IA en escena. ¿Qué tal si el maestro, en lugar de mandarnos a dibujar el mapa, asigna:

Antes de generar nada, identifica los diez picos más altos en fuentes geográficas autorizadas y esboza dónde esperas que quede cada uno. Luego crea el mapa con IA — y audita cada pico por nombre, orden, altitud y ubicación contra tus fuentes, registrando cada error, hasta que el mapa satisfaga la evidencia (no al modelo).
Traza una línea que conecte el pico más alto de cada cordillera en orden descendente de altitud — empezando por el más alto, terminando en el más bajo.
Crea una infografía que compare nuestras cordilleras y picos con los Andes, los Alpes y el Himalaya — con cada cifra verificada contra una fuente que puedas nombrar.
Produce un selfie tuyo en la cima de cada uno de los diez picos más altos — auditado contra la montaña real: la vegetación correcta, la línea de nieve correcta (si la hay), el aire correcto, la vista correcta a tus espaldas. Cada detalle plausible-pero-equivocado que atrapes es geografía aprendida.
Finalmente, con la IA apagada: en un mapa mudo, ubica de memoria los cinco picos más altos y explica el patrón que ahora ves.

No es difícil imaginar que, a la altura de 2026, la mayoría de las herramientas de IA de uso común se van a atragantar con esto — y no producirán los resultados esperados a menos que se les indique con cuidado y repetidamente hasta que la salida esté bien.

Ningún problema con eso. Eso es la tarea funcionando.

Porque para poner el pico número siete en el lugar correcto y a la altitud correcta, quien aprende tiene que saber dónde está el pico número siete — y atrapar a la IA cuando lo pone en otra parte. Para que el selfie sea ambientalmente correcto, quien aprende tiene que averiguar cómo se ve realmente la cima de esa montaña. Cada iteración, cada corrección, cada «no, eso está mal, arréglalo» es otra pasada por el objeto de estudio. Fíjense en quién hace la verificación, la comparación, la insistencia: no la herramienta — quien aprende.

El experimento de campo más sólido que tenemos dice lo mismo desde la otra dirección. Estudiantes de secundaria con ChatGPT sin restricciones puntuaron un 48% mejor durante la práctica — y un 17% peor que sus pares que nunca tuvieron IA, una vez que la IA les fue retirada a la hora del examen. La misma IA, rediseñada para dar pistas en lugar de respuestas, borró el daño (Bastani et al., 2025). Así que la iteración puede convertirse en el involucramiento — si cada ronda exige que quien aprende inspeccione el tema, detecte qué está mal, decida qué cambia, verifique el arreglo contra algo fuera del modelo, y explique por qué la nueva versión es mejor. Diséñala más floja, y la herramienta absorbe en silencio justo el pensamiento que quien aprende debía practicar. La tarea del mapa siempre lo supo. El esfuerzo nunca estuvo en el copiar — estaba en el involucramiento, y el involucramiento es lo que conservamos.

Nada de esto empequeñece al maestro. El verdadero trabajo del maestro siempre fue el diseño de la zona — el término es de Vygotsky — donde la tarea queda justo más allá de lo que quien aprende puede hacer solo, sostenida por un andamiaje (la palabra es de Wood, Bruner y Ross) hasta que puede retirarse. Una tarea con IA también es diseño de zona. E iterar contra la verificación no es nada más exótico que la práctica deliberada con ropa nueva: repetición esforzada al borde de la propia capacidad, con retroalimentación que no adula.

Y fíjense en algo más: a nadie en esta tarea se le acusa de hacer trampa por usar IA, igual que a nosotros nadie nos acusó por copiar los ríos de África. La herramienta se declara, la herramienta es el medio — y el aprendizaje está diseñado para ocurrir de todos modos, a propósito.

No nos volvimos cartógrafos. Aprendimos dónde estaban las montañas. Nuestros aprendices no se volverán ingenieros de prompts. Aprenderán lo que en realidad estaban estudiando — si diseñamos la tarea de modo que la IA sea el mapa, y nunca la lección.

Evaluar el viaje, no el mapa

Si el artefacto ya no demuestra el aprendizaje, ¿qué lo demuestra? Cuatro capas. El artefacto — lo que el sistema humano-IA produjo. El proceso — lo que quien aprende decidió, rechazó y verificó por el camino. La reflexión — lo que enseñó el error más difícil. Y la transferencia — lo que quien aprende ahora puede hacer con la IA apagada. Esto no es hipotético: es como nuestra metodología Smoother evalúa el aprendizaje, y como también lo evalúa el aiLearning Challenge — el proceso pesa más que el producto, y una defensa en vivo sin IA en la sala es la puerta final.

Nada de esto es práctica huérfana. El estante del diseñador está lleno — las inteligencias múltiples de Gardner, bien leídas como un recordatorio de abrir muchas puertas hacia el mismo objeto de estudio y nunca como una máquina de etiquetar aprendices; el design thinking y los design sprints; el prototipado iterativo de agile; el aprendizaje basado en proyectos y en problemas, que el PBL Lab de Stanford enmarca como cinco P: problema, proyecto, producto, proceso, personas; y el canon del diseño instruccional con el que construyen los educadores profesionales — las condiciones del aprendizaje de Gagné, el ciclo experiencial de Kolb, los primeros principios de Merrill, el 4C/ID de van Merriënboer, ADDIE, SAM, Understanding by Design. Estas son las herramientas del educador, no la ceremonia de quien aprende: hacen su trabajo del lado del diseñador de la tarea, que es exactamente donde Smoother las pone.

El objeto de estudio nunca fue el mapa. Sigue sin serlo.

Este ensayo es mi paralelismo y mi posición profesional, declarados como míos. Las fechas, el marco de las taxonomías, la distinción entre dibujar y trazar y el resultado de Bastani están verificados contra las fuentes de abajo; la extensión del construccionismo a las tareas mediadas por IA es mi opinión experta, no un hallazgo de investigación. — Carlos Miranda Levy

Cuatro perspectivas

Sostengan este ensayo donde la evidencia lo sostiene. La investigación sobre dibujar-para-aprender respalda hacer representaciones para aprender — pero estudió dibujos que quien aprende genera, no copias; trazar ayuda algo, generar ayuda más, y nadie hizo jamás el estudio sobre copiar cordilleras de un libro de texto. Carlos dice exactamente eso, y por eso el argumento sobrevive al escrutinio. Y fíjense dónde su tarea rediseñada se gana la evidencia: es generativa, verifica fuera del modelo y termina con la IA apagada — las tres condiciones que, según el experimento de Bastani, separan el involucramiento de la rendición.

La vieja tarea de buscar-y-copiar costaba un lápiz. Esta asume herramientas, conectividad y tiempo de iteración — en casa, donde todo eso está peor repartido. Si la tarea se diseña como propone Carlos, háganla donde la escuela pueda igualar el acceso, y nunca califiquen a un estudiante por el ancho de banda de su familia. La versión de cinco pasos tiene, eso sí, una virtud silenciosa de equidad: el paso final no necesita nada más que un mapa mudo y lo que se quedó en la cabeza de quien aprende — y ese es el paso que cuenta.

Tomen una tarea de buscar-y-copiar que ya asignan. Conserven el tema. Cambien el entregable por los cinco movimientos: predecir primero, generar con IA, auditar contra una fuente que puedan nombrar, rehacer hasta que satisfaga la evidencia, y luego cerrar la laptop y reproducir lo esencial de memoria. Califiquen las correcciones que quien aprende atrapó, no la belleza del resultado. Esa es toda la migración — una tarea, el lunes por la mañana.

La herramienta nunca fue la lección — la interacción sí. Nuestros maestros lo sabían sin citas: diseñaban tareas donde producir la cosa nos obligaba a mirar la cosa. Diseñen sus tareas con IA de la misma manera, y la máquina se convierte en lo que fue el mapa copiado: el medio a través del cual quien aprende se encuentra con el objeto de estudio, y conserva lo que importa cuando la herramienta ya no está.

Referencias

Citadas en el ensayo:

Anderson, L. W., & Krathwohl, D. R. (Eds.) (2001). A Taxonomy for Learning, Teaching, and Assessing. Longman.
Bastani, H., et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122.
Bruner, J. S. (1966). Toward a Theory of Instruction. Harvard University Press.
Cromley, J. G., Du, Y., & Dane, A. P. (2020). Drawing-to-learn. Journal of Science Education and Technology, 29(2), 216–229.
Dodge, B. (1995). Some Thoughts About WebQuests. San Diego State University.
Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363–406.
Ginns, P., Hu, F.-T., Byrne, E., & Bobis, J. (2016). Learning by tracing worked examples. Applied Cognitive Psychology, 30(2), 160–169.
Papert, S. (1980). Mindstorms. Basic Books; Papert, S., & Harel, I. (1991). Situating constructionism. In Constructionism. Ablex.
Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning. Psychological Science, 17(3), 249–255.
TNTP (2018). The Opportunity Myth. (Practitioner research, not peer-reviewed.)
Van Meter, P., & Garner, J. (2005). The promise and practice of learner-generated drawing. Educational Psychology Review, 17(4), 285–325.
Vygotsky, L. S. (1978). Mind in Society. Harvard University Press.
Wammes, J. D., Meade, M. E., & Fernandes, M. A. (2016). The drawing effect. Quarterly Journal of Experimental Psychology, 69(9), 1752–1776.
Webb, N. L. (2002). Depth-of-Knowledge Levels for Four Content Areas; Webb, N. L. (1997). Research Monograph No. 6. CCSSO/NISE.
Wood, D., Bruner, J. S., & Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100.

Lecturas adicionales — incluyendo el OECD 2026 Digital Education Outlook, la guía de la UNESCO sobre IA generativa, el metaanálisis de Chen & Cheung 2025, Olney & Cade sobre aprender corrigiendo errores de la IA, la literatura sobre transferencia de Logo (Pea & Kurland; Swan; Scherer et al.) y el 4C/ID de van Merriënboer — están recogidas en el archivo de evidencia del ensayo.