Cómo distinguir un estudiante que usó IA como atajo de uno que la usó como herramienta
El problema no es que usaron IA. El problema es que no sabes qué aprendieron.
Un maestro de octavo grado recibe un ensayo. Está bien estructurado, sin errores gramaticales, con transiciones fluidas entre párrafos. Eh... no parece ser de él... También es genérico, impersonal, y cuando le pregunta al estudiante sobre el tema central de lo que escribió, el estudiante no puede explicar por qué tomó esa posición.
¿Usó IA? Probablemente. ¿Eso lo convierte automáticamente en un caso de deshonestidad académica? No necesariamente, y esa distinción importa más de lo que los protocolos actuales reconocen.
Lo sé porque trabajo en este cruce desde adentro. Soy autora de libros de alfabetización digital y he usado inteligencia artificial para curar contenido en ese proceso. He visto de primera mano cuándo estas herramientas amplifican el pensamiento y cuándo lo reemplazan.
Por eso mi posición no es de desconfianza hacia la IA, es de exigencia hacia el uso que se le da. Y esa exigencia aplica tanto a mis estudiantes como a mí misma.
El debate escolar sobre inteligencia artificial generativa ha quedado atrapado en una pregunta equivocada: ¿cómo detecto si usó IA? La pregunta que debería estar gobernando las decisiones pedagógicas es otra: ¿qué evidencia tengo de que este estudiante procesó, evaluó y construyó conocimiento?
Esas son preguntas distintas, con implicaciones distintas para la evaluación y para la relación entre maestro y estudiante.
Por qué los detectores de IA no resuelven el problema
Antes de entrar en los indicadores pedagógicos útiles, vale la pena ser directos sobre una herramienta en la que muchas escuelas están depositando confianza excesiva: los detectores automáticos de contenido generado por IA. La investigación disponible es consistente en este punto...
Las tasas de falsos positivos en herramientas como Turnitin AI Detection, GPTZero y similares oscilan entre 15% y 30% en estudios empíricos revisados por pares. Esto significar que entre 15 y 30 trabajos legítimos por cada 100 estudiantes identificados pueden estar generando acusaciones incorrectas (Perkins et al., 2024).
Más preocupante aún: estos sistemas muestran sesgos sistemáticos contra estudiantes que escriben en inglés como segunda lengua. Su escritura, con estructuras más convencionales y patrones menos variados, es estadísticamente más probable de ser identificada como contenido generado por IA, cuando no lo es (Perkins et al., 2024). Un sistema de integridad académica que opera con una tasa de error del 15-30% no cumple ningún estándar razonable de justicia. Y un sistema que discrimina por perfil lingüístico tiene un problema ético adicional que ninguna configuración técnica resuelve. Por eso, el diseño de la evaluación es un mecanismo de integridad más confiable que la detección (Perkins et al., 2024). Esa es la premisa que debe reorganizar cómo los maestros y directores piensan este problema.
La distinción que importa: uso instrumental versus uso sustituto
No todo uso de IA en una tarea académica es equivalente. La diferencia pedagógicamente relevante no está en si el estudiante usó una herramienta, está en qué rol jugó esa herramienta en el proceso de aprendizaje.
Uso instrumental: el estudiante usó la IA como parte de un proceso que él dirigió. Generó ideas y las evaluó críticamente. Usó el output como punto de partida, no como producto final. Puede explicar sus decisiones, defender su argumento, identificar limitaciones en lo que la herramienta produjo.
Uso sustituto: el estudiante delegó el pensamiento a la herramienta. No puede explicar el contenido que entregó. No procesó críticamente la respuesta generada. No hay evidencia de proceso, solo obtiene un producto.
Esta distinción no es nueva en la teoría del aprendizaje. La zona de desarrollo próximo de Vygotsky (1978) ya establecía que el andamiaje, cualquier herramienta o apoyo externo, tiene valor pedagógico cuando sostiene el aprendizaje sin reemplazarlo. La IA puede funcionar como andamiaje sofisticado o como sustituto cognitivo. La diferencia depende de cómo el estudiante la usa, y de cómo el maestro diseña la tarea y la evaluación.
Cuatro indicadores concretos para el maestro
No se trata de de interpretar y juzgar mala intención. Se trata de buscar evidencia de aprendizaje. Estos cuatro indicadores no son diagnósticos por sí solos, son señales que abren una conversación.
1. ¿Puede el estudiante explicar su propio trabajo?
La pregunta más directa sigue siendo la más reveladora. Después de recibir una tarea, pide al estudiante que explique oralmente su argumento central, que justifique una decisión que tomó, o que identifique el punto más débil de su propio trabajo.
Un estudiante que procesó el contenido, aunque haya usado IA en alguna parte del proceso, debe poder hacer esto. Un estudiante que delegó completamente la tarea generalmente no puede sostener una conversación sobre el trabajo que entregó.
Por eso, las evaluaciones orales de seguimiento, incluso breves, de tres a cinco minutos, son uno de los mecanismos más efectivos para verificar comprensión real sin necesidad de ninguna tecnología de detección (Stephens, citado en K-12 Dive, 2025).
2. ¿Hay evidencia de proceso?
Un trabajo producido enteramente por IA generativa raramente muestra las marcas del proceso de pensamiento humano: borradores previos, anotaciones, preguntas sin resolver, cambios de posición.
Es necesario slicitar a los estudiantes que documenten su proceso, capturas de pantalla de los prompts que usaron, versiones intermedias del texto, reflexiones sobre lo que la herramienta hizo bien o mal, crea evidencia pedagógica valiosa independientemente de si usaron IA o no. La Universidad de Colorado - Boulder y otras instituciones han formalizado esto en escalas de evaluación del uso de IA (AI Assessment Scale, Perkins et al., 2024) que clasifican el nivel de integración de IA en una tarea y definen qué evidencia de proceso es apropiada para cada nivel.
3. ¿El trabajo tiene voz propia?
La escritura generada por IA tiende a ser idiomáticamente correcta pero estilísticamente plana. Carece de las particularidades de expresión que un estudiante desarrolla con el tiempo: las preguntas que ese estudiante específicamente hace, los ejemplos que usa, las conexiones que establece con experiencias propias o con contenido visto en clase.
Esto no es un indicador de uso ilegítimo por sí solo, algunos estudiantes escriben en un registro muy formal por razones culturales o lingüísticas. Pero la ausencia total de voz propia, combinada con otros indicadores, sí es señal de que vale la pena explorar más, y no olvide que usted conoce a su estudiante.
4. ¿El estudiante puede identificar las limitaciones de la herramienta?
Este es quizás el indicador más sofisticado y el más revelador. Un estudiante que usó IA como herramienta puede señalar dónde la herramienta se equivocó, qué tuvo que corregir, qué preguntas la herramienta no pudo resolver bien. Un estudiante que usó IA como atajo generalmente acepta el output sin evaluarlo, y por lo tanto, carece de un juicio claro para identificar sus fallos.
La investigación emergente sobre alfabetización en IA sugiere que los estudiantes con mayor capacidad de evaluación crítica del output de IA, lo que algunos autores llaman critical inquiry ability, producen trabajo de mayor calidad y muestran mejor autorregulación del aprendizaje (Mzwri & Turcsányi-Szabo, 2025, citado en PMC, 2025). Evaluar si el estudiante desarrolló esa capacidad crítica es, por lo tanto, tanto una medida de integridad como una medida de aprendizaje.
Lo que esto exige del diseño de tareas
La distinción entre uso instrumental y uso sustituto no emerge sola — tiene que ser diseñada. Algunas preguntas que maestros y directores pueden hacer sobre las tareas actuales:
¿Puede esta tarea completarse enteramente con IA sin que el estudiante aprenda nada? Si la respuesta es sí, el problema no es la IA — es el diseño de la tarea. Las tareas que requieren posicionamiento personal, conexión con experiencias específicas del aula o del contexto local, o evaluación de múltiples fuentes con criterios explícitos, son naturalmente más resistentes al uso sustituto.
¿La evaluación mide proceso o solo producto? Si solo se evalúa el texto final, se elimina la posibilidad de ver cómo el estudiante pensó. Las rúbricas que incluyen dimensiones de proceso, reflexión metacognitiva y transparencia en el uso de herramientas crean un ecosistema de evaluación más honesto.
¿Los estudiantes saben explícitamente cuándo y cómo pueden usar IA? La ambigüedad no protege la integridad académica, la erosiona. Los estudiantes que no tienen claridad sobre las expectativas toman decisiones por conveniencia, no por criterio ético. Comunicar explícitamente los parámetros del uso permitido es una condición necesaria para que la conversación sobre integridad sea honesta.
Prohibir la IA es, como señalan múltiples fuentes de investigación, la respuesta más cara que puede tomar una escuela...
no porque no se pueda aplicar logísticamente, sino porque priva a los estudiantes de aprender a usar una herramienta que ya está transformando los campos profesionales a los que se dirigen (Stephens, citado en K-12 Dive, 2025; UNESCO, 2024). La alternativa no es usarla sin el uso correcto y sin juicio. Es enseñar a los estudiantes a ser usuarios críticos de IA, a evaluar el output, a identificar alucinaciones y sesgos, a usar la herramienta como andamiaje de su propio pensamiento en lugar de como sustituto.
Eso requiere que los maestros hagan algo más difícil que detectar: que articulen qué quieren que sus estudiantes aprendan, diseñen tareas que hagan visible ese aprendizaje, y evalúen con criterios que distingan pensamiento propio de delegación cognitiva. ¿Tu escuela ya tiene criterios claros para distinguir el uso instrumental de la IA del uso sustituto? Me interesa saber cómo están abordando esto en tu institución.
Referencias
Giannini, S. (2024). El uso de la IA en la educación: decidir el futuro que queremos. UNESCO. https://www.unesco.org/es/articles/el-uso-de-la-ia-en-la-educacion-decidir-el-futuro-que-queremos
Mzwri, K., & Turcsányi-Szabo, M. (2025). The impact of prompt engineering and a generative AI-driven tool on autonomous learning: A case study. Education Sciences, 15(2), 199. https://doi.org/10.3390/educsci15020199
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 and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Stephens, J. (2025, marzo). Citado en: With more students using AI, how can schools promote academic integrity? K-12 Dive. https://www.k12dive.com/news/ai--artifical-intelligence-students-academic-integrity-cheating/741413/
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Xia, Q., Weng, X., Ouyang, F., & Lin, T. J. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21(40). https://doi.org/10.1186/s41239-024-00468-z
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
