La inteligencia artificial generativa no cambió el propósito de la evaluación del aprendizaje: seguimos necesitando saber qué comprende una persona, qué puede hacer y con qué criterio toma decisiones. Lo que sí cambió son las condiciones en las que recogemos esa información.
En el contexto actual de la educación con inteligencia artificial, revisar cómo diseñamos las evaluaciones se vuelve cada vez más importante. Si te interesa profundizar en el diseño de experiencias de aprendizaje y en el uso pedagógico de la IA, recomendamos el curso Enseñanza en la era de la Inteligencia Artificial.
Hoy una herramienta puede producir en segundos un informe, un resumen, una presentación, una respuesta argumentada o un programa informático. Por eso, cuando se considera de manera aislada, un producto bien resuelto ya no siempre ofrece evidencia suficiente acerca del aprendizaje de quien lo entrega.
Esto no obliga a abandonar esas producciones ni a desconfiar sistemáticamente del estudiante. Obliga a revisar el diseño de la evaluación.
La pregunta central ya no debería ser solamente si intervino una inteligencia artificial, sino:
¿Qué evidencias nos permiten reconocer la comprensión, la capacidad de actuar y el criterio propio del estudiante?
El objetivo no cambia; cambia la arquitectura de la evidencia
Una evaluación permite hacer una inferencia: a partir de lo que una persona realiza, explica o decide, concluimos que alcanzó determinado aprendizaje. La inteligencia artificial vuelve más visible una dificultad que ya existía: ningún producto final representa por sí solo todo el proceso que permitió construirlo.
Un informe puede mostrar una buena solución, pero no necesariamente revela:
- cómo se interpretó el problema;
- qué alternativas se consideraron;
- por qué se eligió un determinado enfoque;
- qué errores se detectaron y corrigieron;
- ni si ese aprendizaje pudiera aplicarse en una situación diferente.
Por eso, el desafío no consiste en acumular controles, sino en combinar evidencias que permitan observar distintas dimensiones del desempeño. Lye y Lim (2024) señalan precisamente la necesidad de rediseñar la evaluación en educación superior frente a la disponibilidad de IA generativa, atendiendo a la autenticidad de las tareas y a los procesos cognitivos que se desea promover.
Tres planos para hacer visible el aprendizaje
Desde el diseño instruccional podemos organizar la evidencia en tres planos complementarios.
1. Desempeño
Permite observar qué puede hacer el estudiante con lo aprendido. Puede expresarse en la resolución de un caso, una producción, una simulación, una propuesta profesional o una intervención concreta.
La evidencia resulta más significativa cuando la tarea se aproxima a las condiciones en las que ese conocimiento deberá utilizarse.
2. Razonamiento
Permite comprender cómo y por qué decide. Aquí interesan los criterios utilizados, las alternativas descartadas, las verificaciones realizadas, la identificación de errores y la fundamentación de las elecciones.
No es necesario registrar cada paso. Pueden solicitarse solamente algunas huellas relevantes: una comparación breve, la justificación de una decisión, la revisión de un borrador o una explicación oral acotada.
3. Transferencia
Permite comprobar si puede adaptar lo aprendido a una situación nueva. Una pequeña modificación del caso, un destinatario diferente, una nueva restricción o una aplicación posterior en el puesto de trabajo pueden mostrar si existe comprensión flexible o solamente reproducción de una respuesta.
Los tres planos no necesitan tener el mismo peso en todas las actividades. Lo importante es que la selección sea coherente con el resultado de aprendizaje. Una evaluación puede integrar, por ejemplo, un producto final como evidencia de desempeño, una breve explicación como evidencia de razonamiento y una variante del problema como evidencia de transferencia.
Definir el papel de la IA antes de evaluar
La IA no tiene que ocupar el mismo lugar en todas las tareas. En algunas instancias puede ser necesario observar un desempeño autónomo; en otras, puede utilizarse para planificar, contrastar información o revisar una producción; y en determinadas competencias profesionales su uso puede formar parte del propio desempeño esperado.
El Artificial Intelligence Assessment Scale (AIAS) fue creado para ayudar a diferenciar esos escenarios y relacionar el uso permitido de IA con los objetivos de cada evaluación (Perkins et al., 2024). Su versión revisada refuerza su función como marco para rediseñar actividades, comunicar reglas y cuidar la validez de la evidencia, no como mecanismo de vigilancia (Perkins et al., 2025).
La decisión relevante no es elegir el nivel con mayor o menor presencia tecnológica. Es establecer una relación clara entre cuatro elementos:
- el aprendizaje que se quiere comprobar;
- la tarea que permitirá demostrarlo;
- el papel que podrá cumplir la IA;
- y los criterios con los que se valorará el resultado.
Si el objetivo es desarrollar una habilidad básica que luego deberá ejecutarse sin asistencia, puede corresponder una instancia sin IA. Si se busca analizar alternativas, podría permitirse utilizarla para generar opciones que luego deban compararse y fundamentarse. Si la competencia incluye trabajar profesionalmente con estas herramientas, su uso debería incorporarse de manera explícita y evaluarse con criterios adecuados.
La experiencia piloto del AIAS mostró que contar con un marco compartido puede impulsar el rediseño de actividades, aportar claridad a docentes y estudiantes y favorecer formas más productivas de integrar la IA en la evaluación (Furze et al., 2024).
Cuando usar IA también forma parte de la competencia
Una evaluación puede diseñarse de manera que la interacción con la herramienta ayude a hacer visible el pensamiento del estudiante.
Santamaría (2026) presenta una actividad en la que la IA adopta el papel de una persona principiante y el estudiante debe ayudarla a avanzar mediante preguntas. Para hacerlo necesita reconocer ideas incompletas, identificar errores, relacionar conceptos y comprobar si la explicación produjo comprensión. La calidad no reside en obtener una respuesta vistosa, sino en la pertinencia de las intervenciones del estudiante y en su reflexión posterior.
El principio puede trasladarse a otros formatos. La IA puede generar una solución deliberadamente imperfecta para que el estudiante:
- detecte supuestos incorrectos;
- contraste afirmaciones con fuentes confiables;
- proponga una alternativa mejor;
- y explique con qué criterios realizó la revisión.
También puede proponer varias respuestas posibles para que el estudiante determine cuál resulta más apropiada para un contexto específico. En estos casos, la herramienta participa en la actividad, pero la evidencia se concentra en el conocimiento disciplinar y el juicio de la persona.
Uso responsable, transparente y documentado
En Net-Learning proponemos abordar el uso educativo de la IA desde un enfoque responsable, transparente y documentado (RTD).
Aplicado a la evaluación, esto significa:
- Responsable: la herramienta se utiliza de una manera compatible con el aprendizaje que debe alcanzarse y sin sustituir aquello que la persona necesita dominar.
- Transparente: el estudiante conoce las reglas y comunica de qué modo incorporó la IA a su trabajo.
- Documentado: se conservan solamente las huellas necesarias para comprender las decisiones relevantes, evitando transformar el proceso en una carga burocrática.
Una declaración breve puede resultar suficiente:
“Indica qué herramienta utilizaste, con qué finalidad y qué decisión importante tomaste después de revisar su respuesta.”
Esta información permite conversar sobre el proceso, orientar la devolución y valorar el criterio aplicado. Su propósito no es reconstruir cada interacción ni buscar una confesión, sino relacionar el uso de la herramienta con los objetivos de la actividad.
La trazabilidad pedagógica se diferencia de la vigilancia porque no intenta adivinar la autoría mediante señales opacas. Solicita evidencias conocidas de antemano, vinculadas con el aprendizaje y consideradas dentro de los criterios de evaluación.
Una nueva distribución del feedback
La inteligencia artificial también puede ampliar las oportunidades de evaluación formativa. Puede comparar una producción con criterios explícitos, formular preguntas, advertir inconsistencias o sugerir aspectos para revisar. Esto permite recibir orientación durante el proceso y no solamente al finalizar una actividad.
Sin embargo, la devolución automática no debería confundirse con la totalidad del acompañamiento pedagógico. Podemos pensar en una distribución complementaria:
- la IA aporta una primera lectura frecuente y disponible;
- el estudiante interpreta las sugerencias, decide cuáles acepta y revisa su trabajo;
- el docente o tutor observa el proceso, comprende el contexto e interviene cuando es necesario construir criterios más sólidos.
En propuestas virtuales y de gran escala, esta combinación puede aumentar la frecuencia del feedback sin delegar el sentido pedagógico de la evaluación.
Cuatro decisiones para revisar una actividad
Ante una evaluación ya existente, el diseñador instruccional puede recorrer una secuencia breve:
1. Precisar el desempeño esperado
¿Qué debería poder hacer la persona al finalizar y en qué contexto utilizará ese aprendizaje?
2. Seleccionar evidencias en los tres planos
¿Qué permitirá observar el desempeño, el razonamiento y, cuando corresponda, la transferencia?
3. Asignar un papel explícito a la IA
¿Debe quedar fuera de la actividad, funcionar como apoyo o formar parte de la competencia que se evalúa?
4. Comunicar reglas y criterios
¿El estudiante sabe qué puede hacer, qué debe documentar y con qué criterios se analizará su trabajo?
Esta revisión permite conservar actividades valiosas y fortalecerlas. A veces bastará con incorporar una justificación breve, solicitar una segunda versión, añadir un caso de transferencia o hacer explícito el uso permitido de IA. En otras situaciones será necesario rediseñar la tarea completa.
Evaluar para reconocer el aprendizaje
La principal oportunidad no consiste en automatizar exámenes ni en intensificar el control. Consiste en mejorar la relación entre aquello que queremos que una persona aprenda y las evidencias que elegimos para reconocer ese aprendizaje.
Con una arquitectura adecuada, la IA puede asumir distintos papeles: recurso de consulta, generadora de alternativas, interlocutora, objeto de análisis o apoyo para la revisión. Ninguno de esos papeles elimina la responsabilidad del estudiante ni el criterio profesional del docente.
Evaluar en tiempos de IA requiere mirar más allá del producto aislado y construir evidencias proporcionadas, significativas y viables. Evidencias que permitan observar qué hace la persona, cómo fundamenta sus decisiones y hasta qué punto puede actuar ante una situación nueva.
Ese sigue siendo el núcleo de una buena evaluación: no controlar la herramienta, sino hacer visible el aprendizaje.
Sigue formándote en educación e inteligencia artificial
La incorporación de la inteligencia artificial a la enseñanza requiere mucho más que conocer herramientas: implica comprender sus posibilidades, límites e impacto en el diseño de experiencias de aprendizaje.
En Net-Learning ofrecemos cursos online sobre educación, e-learning e inteligencia artificial, con propuestas orientadas a desarrollar competencias aplicables a la práctica profesional. Conoce nuestra oferta de cursos y diplomas.
Equipo de Net-Learning
Referencia bibliográfica
Net-Learning. (2026). Net-Learning: Evaluar en tiempos de IA: menos control, más evidencia del aprendizaje. Net-Learning Blog.
Cita en el texto:
Net-Learning (2026)
(Net-Learning, 2026)
Referencias
Furze, L., Perkins, M., Roe, J., & MacVaugh, J. (2024). The AI Assessment Scale (AIAS) in action: A pilot implementation of GenAI-supported assessment. Australasian Journal of Educational Technology, 40(4), 38–55. https://doi.org/10.14742/ajet.9434
Lye, C. Y., & Lim, L. (2024). Generative artificial intelligence in tertiary education: Assessment redesign principles and considerations. Education Sciences, 14(6), Article 569. https://doi.org/10.3390/educsci14060569
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching & Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Perkins, M., Roe, J., & Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale (AIAS): A refined framework for educational assessment. Journal of University Teaching & Learning Practice, 22(7). https://doi.org/10.53761/rrm4y757
Santamaría, F. (2026, 12 de agosto). Un manual que responde a las preguntas que este curso ya no puedes aplazar. IA for Teachers. https://blog.iaforteachers.com/manual-evaluacion-ia/
