Una propuesta de EXP INN Lab para convertir una prioridad concreta del centro en una mejora viable, medible y sostenible.

Los centros de Formación Profesional afrontan retos cada vez más complejos: integrar la inteligencia artificial con criterios compartidos, adaptar la evaluación, automatizar procesos, fortalecer la relación con las empresas, aprovechar mejor los datos o consolidar la gestión de la innovación.

Sin embargo, no siempre resulta viable abordar estos desafíos mediante proyectos extensos. Por ello, desde EXP INN Lab proponemos los proyectos Quick-Win: intervenciones breves y focalizadas que permiten avanzar sobre una prioridad real sin convertir el proyecto en una carga añadida para el centro.

Seis ámbitos de actuación

La propuesta contempla seis tipos de proyectos:

• Gobernanza y uso responsable de la inteligencia artificial.
• Evaluación formativa y auténtica.
• Automatización de procesos de gestión.
• Vigilancia sectorial y relación con empresas.
• Analítica de datos y toma de decisiones.
• Sistema de gestión de la innovación.

Cada Quick-Win se desarrolla durante diez semanas, con la participación de un equipo motor del centro y la orientación permanente hacia un resultado tangible.

Del diagnóstico a la acción

El modelo de intervención se estructura en cuatro fases:

1. Diagnóstico: delimitación del reto, análisis de evidencias y definición de los criterios de éxito.
2. Acción: diseño y ejecución de un plan de trabajo focalizado y colaborativo.
3. Entregables: validación de soluciones prácticas, medibles y listas para utilizar.
4. Hoja de ruta: consolidación de los aprendizajes y definición de los siguientes pasos.

El objetivo no es limitarse a realizar un diagnóstico o impartir una formación, sino dejar en el centro capacidad instalada: herramientas, criterios, indicadores, soluciones y una hoja de ruta que permitan mantener y ampliar los avances logrados.

Si vuestro centro tiene un reto prioritario que merece diez semanas de trabajo estructurado, os invito a conocer la propuesta completa:

Descubrir los proyectos Quick-Win de EXP INN Lab

Desde EXP INN Lab acompaño a todo tipo de organizaciones en el diagnóstico, diseño, pilotaje y consolidación de sistemas de gestión de la innovación, integrando estrategia, personas, procesos, datos e inteligencia artificial para convertir capacidades potenciales en resultados sostenibles.

The post Proyectos Quick-Win para centros de FP: 10 semanas para lograr resultados visibles appeared first on Innovación en espiral.

La radiografía de la empresa innovadora vasca confirma que digitalizarse es necesario, pero no suficiente. La verdadera diferencia reside en convertir tecnología, conocimiento, recursos y colaboración en una capacidad estratégica sostenida.

Durante los últimos años, la innovación, la transformación digital y, más recientemente, la inteligencia artificial se han situado en el centro de la agenda de muchas organizaciones. Sin embargo, para quienes tienen responsabilidades directivas, la pregunta relevante no es cuántas tecnologías se han incorporado, cuántos proyectos se han iniciado o cuánto se ha invertido en digitalización.

La pregunta verdaderamente importante es otra:

¿Qué condiciones aumentan la capacidad real de una organización para innovar y cuáles de ellas pueden ser gestionadas por la dirección?

El informe Caracterización de la empresa innovadora vasca, elaborado por la Agencia Vasca de la Innovación, Innobasque, con la colaboración del Instituto Vasco de Estadística, Eustat, aporta una base especialmente valiosa para responder a esta cuestión.

El estudio analiza 249 variables correspondientes a 2.438 establecimientos empresariales de Euskadi e identifica los factores más relacionados con su propensión a introducir productos o procesos de negocio nuevos o significativamente mejorados.

Sus conclusiones permiten construir una radiografía más precisa de la innovación empresarial. Pero, sobre todo, ofrecen a los equipos directivos la oportunidad de revisar algunas ideas excesivamente simplificadoras sobre qué significa ser una organización innovadora.

Innovar no depende de una única cualidad

El primer aprendizaje es que no existe un atributo aislado que permita diferenciar con claridad a las empresas innovadoras de las que no lo son.

El tamaño importa. El sector de actividad importa. La digitalización importa. También influyen la estructura económico-financiera, la productividad, la cualificación de las personas y la capacidad para sostener inversiones.

Pero ninguno de estos elementos explica por sí solo la innovación.

El estudio muestra que las empresas de mayor tamaño presentan una probabilidad significativamente más alta de ser innovadoras, mientras que las pequeñas afrontan mayores dificultades. También identifica una mayor propensión a innovar entre las empresas manufactureras que entre las pertenecientes a muchos sectores de servicios.

Esta evidencia plantea una distinción fundamental para la dirección: existen condicionantes estructurales y existen capacidades gestionables.

Una organización no puede modificar fácilmente el sector en el que opera, su dimensión o el contexto territorial en el que desarrolla su actividad. Pero sí puede actuar sobre su madurez digital, sus competencias internas, sus alianzas, sus procesos de decisión, su cartera de proyectos, la calidad de sus datos y la manera en que aprende de la experimentación.

La estrategia de innovación no debería ignorar las restricciones estructurales, pero tampoco utilizarlas como justificación para la inacción. Su función consiste, precisamente, en identificar y desarrollar las capacidades que permitan compensarlas.

La digitalización es una puerta de entrada, no el destino

Una de las conclusiones más consistentes del informe es la estrecha relación existente entre digitalización e innovación.

La utilización de servicios en la nube, programas para el intercambio automático de información entre áreas, internet de las cosas, robótica, impresión 3D, macrodatos o sistemas de ciberseguridad aparece asociada a una mayor propensión a innovar. Esta relación resulta especialmente relevante en las empresas pequeñas y en las organizaciones no manufactureras.

La interpretación parece clara. Una infraestructura digital adecuada amplía las posibilidades de observar, conectar, analizar, automatizar y experimentar. Reduce fricciones, facilita la circulación de la información y genera datos que pueden utilizarse para detectar problemas, anticipar cambios o desarrollar nuevas soluciones.

Pero el propio estudio introduce un matiz decisivo: también existen empresas digitalizadas que no innovan.

Entre los perfiles de empresas no innovadoras aparecen organizaciones que han incorporado tecnologías digitales, pero que no han conseguido traducir esa adopción en nuevos productos o en procesos de negocio significativamente mejorados. Es decir, pueden haber avanzado en eficiencia operativa sin transformar su propuesta de valor, sus modelos de relación, sus procesos decisorios o su capacidad para aprender.

La adopción tecnológica no garantiza la innovación. Únicamente crea parte de las condiciones para que pueda producirse.

Una organización puede incorporar herramientas digitales para reducir costes, controlar operaciones o automatizar tareas y, sin embargo, mantener intactos su modelo de negocio y su lógica de funcionamiento.

Puede estar digitalizada sin ser innovadora.

La cuestión no es, por tanto, cuánta tecnología utiliza, sino si dispone de un sistema capaz de convertir esa tecnología en conocimiento, decisiones, experimentos, aprendizaje y resultados.

De medir los recursos a comprender la capacidad de conversión

Esta conclusión conecta directamente con el enfoque planteado en el artículo Adaptación del Global Innovation Index (GII) para organizaciones: mide, gestiona y acelera la innovación en tu organización.

En aquel texto proponía trasladar a escala organizativa la lógica del GII, diferenciando entre:

• los inputs, entendidos como las condiciones, los recursos y las capacidades que hacen posible innovar;
• y los outputs, es decir, los resultados que la organización obtiene de esas capacidades.

Entre los primeros se encuentran la gobernanza, el talento, las infraestructuras, la financiación, los datos y la colaboración. Entre los segundos, los productos desarrollados, los procesos implantados, los prototipos, el conocimiento generado, la propiedad intelectual o las mejoras de productividad e impacto.

La radiografía de la empresa innovadora vasca refuerza esta lógica.

Disponer de infraestructura digital es un input. Contar con profesionales cualificados es un input. Participar en redes, invertir en tecnología o acceder a financiación también lo son.

Pero acumular inputs no equivale a innovar.

La cuestión crítica es la capacidad de conversión de la organización:

• ¿Qué proporción de las oportunidades detectadas llega a experimentarse?
• ¿Cuántos pilotos terminan integrándose en la actividad ordinaria?
• ¿Qué aprendizajes se incorporan a nuevos proyectos?
• ¿Qué decisiones mejoran gracias a los datos disponibles?
• ¿Qué conocimientos se comparten y reutilizan?
• ¿Qué parte de la inversión acaba generando valor para clientes, usuarios o grupos de interés?

Medir la innovación no debería limitarse a contabilizar actividades o recursos. Debería permitir comprender cómo se transforman las capacidades disponibles en resultados relevantes.

Una organización puede invertir mucho y convertir poco. Otra puede disponer de recursos limitados y combinarlos de manera más inteligente mediante alianzas, experimentación, foco estratégico y aprendizaje.

El diagnóstico de innovación debe permitir distinguir ambas situaciones.

La zona de confort también puede ser rentable

Uno de los perfiles más reveladores identificados en el estudio es el de las denominadas «pymes en la zona de confort».

Son empresas de tamaño pequeño o mediano, con una adopción digital reducida, pero con niveles razonables de solvencia y márgenes positivos. Su funcionamiento tradicional continúa proporcionando resultados aceptables, por lo que la presión inmediata para innovar es limitada.

Este perfil permite desmontar otra idea frecuente: las empresas no innovadoras no son necesariamente empresas mal gestionadas o con malos resultados.

Una organización puede ser solvente, rentable y eficiente sin haber desarrollado una capacidad innovadora relevante.

El problema no se encuentra necesariamente en su presente, sino en su exposición al futuro.

Cuando los resultados actuales son satisfactorios, la innovación compite con prioridades más urgentes y con inversiones cuyo retorno parece más previsible. La estabilidad refuerza la continuidad del modelo existente y reduce el incentivo para cuestionarlo.

Pero la ausencia de presión inmediata no equivale a ausencia de riesgo.

Una organización puede estar optimizando un modelo que pierde progresivamente vigencia. Puede mejorar sus operaciones mientras cambian las expectativas de sus clientes, aparecen nuevos competidores, se transforman las cadenas de valor o una nueva tecnología modifica las reglas del sector.

La dirección debe diferenciar entre salud financiera actual y capacidad futura de adaptación.

La rentabilidad describe el rendimiento del modelo vigente. La innovación muestra hasta qué punto la organización está preparada para construir el siguiente.

Innovar puede tensionar temporalmente algunos resultados

En el extremo contrario, el informe identifica empresas innovadoras —especialmente industriales— que presentan márgenes brutos ajustados o incluso negativos.

Estas organizaciones suelen ser intensivas en capital y acometen inversiones relevantes en activos físicos, automatización, tecnología, conocimiento y desarrollo. El aumento de las amortizaciones y de los costes operativos puede reducir los márgenes en el corto plazo, aunque mantengan una rentabilidad económica positiva y niveles de productividad más elevados.

Este resultado es especialmente relevante para los equipos directivos y los órganos de gobierno.

La innovación no siempre mejora de manera inmediata la cuenta de resultados. En algunas fases puede tensionarla.

Evaluar la innovación exclusivamente mediante indicadores financieros convencionales y horizontes temporales cortos puede conducir a decisiones equivocadas. Un proyecto destinado a desarrollar una nueva capacidad, generar conocimiento o abrir un mercado puede parecer poco atractivo si se analiza únicamente por su retorno inmediato.

Esto no significa que la innovación deba quedar exenta de disciplina económica. Significa que necesita un sistema de evaluación más completo.

Además del retorno financiero, conviene considerar elementos como:

• el aprendizaje generado;
• la reducción de incertidumbre;
• la velocidad de experimentación;
• las opciones estratégicas creadas;
• el conocimiento reutilizable;
• las nuevas alianzas;
• la mejora de la capacidad de decisión;
• y el potencial de escalabilidad.

La innovación debe responder ante los resultados, pero no puede ser evaluada exactamente con los mismos criterios que una actividad madura, repetitiva y plenamente estabilizada.

De la gestión de la innovación a la Innovación Aumentada

En Innovación Aumentada: transformación de la gestión estratégica mediante IA planteaba la Innovación Aumentada como un modelo de gestión que integra la inteligencia humana con sistemas de inteligencia artificial generativa y analítica a lo largo del ciclo completo de la innovación.

El propósito no es sustituir el juicio profesional, sino ampliar la capacidad de las personas y de la organización para observar el entorno, generar alternativas, analizar escenarios, gestionar proyectos, priorizar inversiones y aprender con mayor rapidez.

Posteriormente, en Innovación Aumentada: cuando la IA generativa deja de ser una herramienta y se convierte en capacidad estratégica, profundicé en una idea esencial: la IA genera una ventaja significativa cuando deja de utilizarse únicamente para producir documentos y comienza a integrarse en los procesos de decisión y aprendizaje de la organización.

La nueva evidencia sobre la empresa innovadora vasca permite situar este planteamiento en una secuencia más amplia:

1. La digitalización proporciona una infraestructura de base.
2. La gestión de la innovación organiza los recursos, los procesos y las decisiones.
3. La inteligencia artificial amplía la capacidad para analizar, crear, experimentar y aprender.
4. La dirección determina si esas capacidades se convierten realmente en innovación.

Una organización no desarrolla Innovación Aumentada porque sus profesionales utilicen asistentes generativos para redactar correos, resumir informes o preparar presentaciones. Estas aplicaciones pueden mejorar la productividad individual, pero no modifican necesariamente la capacidad innovadora del conjunto.

La transición se produce cuando la IA comienza a intervenir, con criterios de gobernanza y supervisión humana, en decisiones como:

• qué señales del entorno merecen atención;
• qué oportunidades encajan con la estrategia;
• qué hipótesis conviene validar primero;
• qué iniciativas deben acelerarse, reformularse o detenerse;
• qué conocimiento interno puede reutilizarse;
• qué escenarios presentan una mejor relación entre riesgo y valor;
• y qué patrones pueden extraerse del conjunto de proyectos y experimentos realizados.

La diferencia entre utilizar inteligencia artificial y construir Innovación Aumentada es similar a la que existe entre estar digitalizado y ser innovador.

La tecnología aporta capacidad potencial. La gestión determina en qué se convierte.

La colaboración como respuesta a la falta de escala

El tamaño empresarial aparece en el informe como uno de los condicionantes más relevantes. Las organizaciones grandes cuentan habitualmente con más recursos, una mayor especialización funcional y mejores posibilidades para distribuir el riesgo entre diferentes iniciativas.

Las pequeñas organizaciones no pueden reproducir fácilmente esa escala en su interior.

Pero pueden construirla mediante la colaboración.

El estudio señala la cooperación con otras empresas, universidades y centros tecnológicos como una vía para acceder a conocimiento especializado, compartir riesgos y compensar las limitaciones de recursos.

Esta recomendación debe entenderse en un sentido amplio. Colaborar no consiste únicamente en participar en consorcios o mantener relaciones institucionales. Implica diseñar una arquitectura de innovación abierta que permita acceder a capacidades que la organización no posee internamente: tecnologías, talento, infraestructuras de ensayo, conocimiento científico, datos complementarios, proximidad al mercado o canales de transferencia y comercialización.

Para una organización pequeña, la red de colaboración puede ser tan importante como sus recursos propios.

La pregunta directiva deja de ser únicamente «¿qué capacidades tenemos?» y pasa a ser también «¿a qué capacidades podemos acceder, con quién y bajo qué modelo de relación?».

Cinco decisiones para la dirección

La lectura conjunta del informe y de los marcos planteados en los artículos anteriores permite formular cinco prioridades.

1. Diferenciar digitalización de innovación

La tecnología incorporada debe evaluarse por el uso que se hace de ella y por los cambios que permite producir. Adquirir herramientas no equivale a desarrollar capacidades.

2. Diagnosticar el sistema completo

Es necesario analizar conjuntamente estrategia, gobernanza, cultura, talento, datos, infraestructura, financiación, colaboración, procesos y resultados. Los problemas suelen encontrarse en las conexiones entre estos elementos, no solamente en su ausencia.

3. Medir la conversión entre capacidades y resultados

No basta con conocer cuánto se invierte o cuántos proyectos se ponen en marcha. Hay que analizar qué oportunidades se experimentan, qué pilotos se consolidan, qué conocimientos se reutilizan y qué iniciativas terminan generando valor.

4. Gestionar una cartera, no una sucesión de proyectos aislados

La organización necesita equilibrar iniciativas con diferentes horizontes, riesgos y niveles de incertidumbre. También debe disponer de criterios explícitos para acelerar, reformular, escalar o cancelar proyectos.

5. Integrar la IA en decisiones concretas

La adopción de inteligencia artificial debería comenzar por un número limitado de decisiones relevantes para el sistema de innovación, no por una acumulación indiscriminada de aplicaciones. La prioridad debe ser mejorar la calidad, la velocidad y la trazabilidad de la decisión sin sustituir el juicio humano.

La organización innovadora se construye

La principal enseñanza de esta caracterización no es únicamente que las empresas grandes, industriales o digitalizadas presenten una mayor propensión a innovar.

Esa sería una conclusión descriptiva, pero insuficiente para orientar la acción.

La enseñanza realmente útil es que la innovación surge de una combinación de condiciones estructurales, recursos, decisiones y capacidades organizativas. Algunas variables vienen dadas. Otras pueden desarrollarse deliberadamente.

La dirección no controla el sector en el que opera ni puede aumentar de manera inmediata el tamaño de la organización. Pero sí puede decidir cómo utiliza sus datos, cómo desarrolla el talento, cómo configura sus alianzas, cómo asigna recursos, cómo aprende de los proyectos y cómo convierte la tecnología en una capacidad estratégica.

La organización innovadora no es necesariamente la que dispone de más tecnología, realiza más actividades o participa en más proyectos.

Es aquella que ha construido un sistema capaz de observar, interpretar, experimentar, decidir, aprender y transformar ese aprendizaje en resultados.

La digitalización puede abrir la puerta.

La inteligencia artificial puede ampliar las posibilidades.

Pero es la calidad de la gestión la que determina si la organización llega a cruzarla.

Una cautela metodológica

El informe utiliza información correspondiente a 2021 y analiza establecimientos empresariales de Euskadi con al menos diez personas empleadas. Sus resultados permiten identificar asociaciones relevantes entre diferentes variables y la propensión a innovar, pero no deben interpretarse automáticamente como relaciones causales ni trasladarse sin adaptación a microempresas, administraciones públicas, centros educativos u organizaciones de naturaleza no empresarial.

Documento tomado como referencia

Agencia Vasca de la Innovación, Innobasque (2026). Caracterización de la empresa innovadora vasca. Informe elaborado con la colaboración del Instituto Vasco de Estadística, Eustat. Acceder al informe completo.

Artículos anteriores relacionados

• Innovación Aumentada: cuando la IA generativa deja de ser una herramienta y se convierte en capacidad estratégica.
• Innovación Aumentada: transformación de la gestión estratégica mediante IA.
• Adaptación del Global Innovation Index (GII) para organizaciones: mide, gestiona y acelera la innovación en tu organización.

The post Digitalizar no es innovar: La diferencia está en convertir tecnología y conocimiento en capacidad estratégica. appeared first on Innovación en espiral.

La inteligencia artificial está dejando de ser una herramienta que el profesorado o el alumnado utilizan de manera ocasional. Se está integrando en buscadores, plataformas educativas, aplicaciones ofimáticas, simuladores, sistemas de gestión y entornos profesionales. Cuando una tecnología se convierte en infraestructura, ya no basta con enseñar a utilizarla: hay que decidir qué comportamientos permite, qué decisiones desplaza, qué datos recoge y quién conserva la capacidad de gobernarla.

Si queremos proteger esas capacidades, no basta con diseñar bien las actividades. También debemos gobernar la tecnología y el sistema institucional que las hace posibles.

Cuando mejorar el resultado no significa mejorar el aprendizaje

Delegación del criterio: cuando la IA ocupa el lugar del juicio profesional

La autonomía no consiste en producir una respuesta sin ayuda, sino en conservar la capacidad de decidir qué valor tiene la ayuda recibida.

Compresión normativa: cuando una solución se presenta como la única normal

Opacidad de la gobernanza: cuando el centro no sabe qué ocurre con los datos

• Vigilancia o clasificación del alumnado.
• Detección automatizada de supuestas irregularidades.
• Evaluación o comparación del profesorado.
• Entrenamiento comercial de sistemas.
• Toma de decisiones institucionales poco transparentes.

No puede existir aprendizaje basado en la experimentación si el entorno tecnológico convierte cada error en una posible evidencia de vigilancia.

Tres capas que deben funcionar juntas

1. Pedagogía: qué tipo de aprendizaje queremos generar.
2. Diseño tecnológico: qué debe permitir, explicar o limitar el sistema.
3. Gobernanza: qué reglas institucionales protegen los derechos, la autonomía y la confianza.

Gobernar la IA no consiste en añadir un documento de política digital al proyecto del centro. Consiste en alinear pedagogía, tecnología y reglas institucionales.

Primera capa: una pedagogía de la elección justificada

• La acepto porque…
• La rechazo porque…
• La modificaría de esta manera porque…
• Necesito más información antes de decidir porque…
• Esta alternativa sería válida en otro contexto, pero no en este porque…

1. Explorar posibles soluciones.
2. Comparar sus implicaciones.
3. Justificar una elección.
4. Contrastar la propuesta con otras personas.
5. Comprobarla mediante criterios técnicos.
6. Regresar al problema profesional inicial.

Segunda capa: una tecnología que muestre alternativas y razones

Introducir alternativas inesperadas, pero relevantes

Explicar las implicaciones de cada opción

Incorporar el desacuerdo productivo

Tercera capa: gobernar los datos, la vigilancia y la dependencia

• ¿Qué datos se recogen?
• ¿Con qué finalidad?
• ¿Durante cuánto tiempo se conservan?
• ¿Quién puede acceder a ellos?
• ¿Puede el alumnado solicitar su eliminación?
• ¿Pueden utilizarse para evaluar o sancionar?
• ¿Se ofrecen alternativas equivalentes a quien no utilice el sistema?
• ¿Qué ocurre si el proveedor modifica sus condiciones?
• ¿Hasta qué punto depende el centro de una plataforma propietaria?

Un centro que no puede controlar ni abandonar su infraestructura tecnológica ve reducida su capacidad para gobernar su propio proyecto educativo.

Medir algo más que rapidez y calidad superficial

• Qué proporción de las propuestas de la IA modifica o rechaza el alumnado.
• Con qué profundidad justifica sus decisiones.
• Cuántas alternativas relevantes considera.
• Si puede explicar por qué una solución se ajusta al contexto.
• Si reconoce incertidumbres y límites.
• Si mantiene una voz y un criterio propios.
• Si se siente seguro para experimentar.
• Si comprende qué ocurre con sus datos.

Qué pueden hacer ahora los centros de FP

1. Seleccionar una actividad relevante

2. Identificar qué decisiones debe conservar el alumnado

3. Rediseñar la interacción

4. Establecer reglas sobre los datos

5. Definir indicadores de aprendizaje y confianza

6. Revisar y consolidar

Diagnosticar, priorizar, formar, pilotar, medir y consolidar.

Una propuesta para probar, no una receta terminada

El centro o la plataforma

Si el centro no define las condiciones pedagógicas, tecnológicas y éticas de la IA, esas condiciones terminarán definiéndolas las plataformas.

Artículo tomado como referencia

Artículos anteriores relacionados

• Del error a la competencia: cómo diseñar una IA que ayude a pensar, corregir y aprender en FP.
• Lo que vuestro centro de FP ya sabe hacer —y aún no sabe que sabe—.
• Pensar con IA sin dejar de pensar: ocho principios para integrar la IA con criterio.

Desde EXP INN Lab acompaño a los centros de Formación Profesional en el diagnóstico, diseño, pilotaje y consolidación de modelos de integración pedagógica y organizativa de la inteligencia artificial. El objetivo es transformar principios generales en criterios compartidos, experiencias evaluables y capacidad instalada en el centro.

The post El centro o la plataforma: ¿Quién gobierna la IA educativa? appeared first on Innovación en espiral.

La IA puede ampliar las capacidades del alumnado, pero también sustituir el razonamiento que la FP debe desarrollar. Ocho principios para convertir su integración en una decisión pedagógica y organizativa, no solo tecnológica.

En Del error a la competencia defendíamos que una IA educativa de calidad no debería borrar el error, sino ayudar a convertirlo en aprendizaje. Primero debía existir un intento propio; después, apoyo y contraste; finalmente, una demostración autónoma.  

En Lo que vuestro centro de FP ya sabe hacer —y aún no sabe que sabe— ampliábamos la mirada desde el aula hacia la organización: integrar la IA con criterio no puede depender únicamente de docentes especialmente motivados. Requiere gobernanza, aprendizaje institucional y capacidad para convertir experiencias aisladas en prácticas compartidas.  

Una investigación reciente de Mireia Vendrell y Samantha-Kaye Johnston permite unir ambas reflexiones. Su tesis central es clara: los modelos de lenguaje no son educativa ni pedagógicamente neutrales. Su impacto depende del lugar que ocupen, de las tareas que asuman y de los procesos intelectuales que el diseño educativo reserve al alumnado.

El pensamiento crítico no se protege prohibiendo la IA. Se protege diseñando qué debe seguir interpretando, justificando y decidiendo el alumnado.

Cuando responder bien no significa pensar bien

Los modelos generativos producen respuestas rápidas, estructuradas y aparentemente razonables. Esa fluidez puede transmitir una sensación de conocimiento y autoridad que no siempre está justificada.

Un estudiante puede presentar un informe impecable, una programación funcional, un diagnóstico plausible o una propuesta profesional bien redactada sin haber construido el razonamiento que sostiene el resultado.

El riesgo no aparece únicamente cuando la IA se equivoca. También aparece cuando ofrece una respuesta correcta y convincente antes de que el alumnado haya comprendido el problema.

El artículo identifica tres efectos especialmente relevantes.

Descarga cognitiva

La IA asume procesos que deberían formar parte del aprendizaje: interpretar información, formular hipótesis, construir argumentos o relacionar causas y consecuencias.

No toda descarga es negativa. La tecnología debe eliminar trabajo rutinario, tareas mecánicas y fricciones que no aportan valor. Lo que no debería sustituir es el esfuerzo específico que construye la competencia.

Desconexión metacognitiva

El alumnado deja de supervisar cómo está pensando: no identifica sus dudas, no revisa su estrategia y no comprueba la calidad de las respuestas recibidas.

La delegación alcanza entonces no solo a la producción de la respuesta, sino también al juicio sobre si esa respuesta merece ser aceptada.

Estrechamiento epistémico

Los modelos tienden a producir respuestas coherentes y convergentes. Sin una mediación pedagógica adecuada, pueden ocultar incertidumbres, perspectivas alternativas, conocimientos minoritarios o intereses presentes en la forma de definir el problema.

No toda reducción de esfuerzo es progreso educativo. Depende de si eliminamos una carga irrelevante o el pensamiento necesario para aprender.

Pensamiento crítico es también criterio profesional

Aunque el estudio se sitúa en la educación superior, su marco resulta especialmente pertinente para la Formación Profesional.

Una persona competente no se limita a ejecutar correctamente un procedimiento. Debe comprender la situación, seleccionar la información relevante, formular hipótesis, valorar riesgos, justificar decisiones y responder de sus consecuencias.

El artículo identifica seis capacidades que deben preservarse en los entornos educativos enriquecidos con IA: interpretación conceptual, razonamiento inferencial, juicio evaluativo, regulación metacognitiva, curiosidad intelectual e integridad epistémica.

Traducidas al ámbito profesional, significan que el alumnado debe ser capaz de construir significado, obtener conclusiones justificadas, valorar la calidad de las evidencias, revisar su propio razonamiento, explorar alternativas y asumir la responsabilidad sobre lo que afirma y decide.

La FP no debe formar únicamente personas capaces de ejecutar una solución, sino profesionales capaces de explicar por qué es adecuada y en qué condiciones debería revisarse.

Ocho principios para integrar la IA con criterio

Vendrell y Johnston traducen esas capacidades en ocho principios de diseño pedagógico. Desde una óptica directiva, pueden interpretarse como ocho decisiones que el centro debe facilitar, compartir y trasladar progresivamente a sus actividades y sistemas de evaluación.

1. Preservar la fricción cognitiva

Antes de consultar la IA, el alumnado debería interpretar el problema, formular una primera hipótesis o construir una propuesta inicial. La herramienta puede intervenir después para introducir variables, objeciones o alternativas.

Clave directiva: identificar, en las actividades más relevantes, qué esfuerzo cognitivo debe quedar necesariamente en manos del alumnado.

2. Utilizar la IA como interlocutora provisional

La IA no debe presentarse como autoridad, sino como una fuente de contraste. Puede sugerir hipótesis, simular escenarios o formular contraargumentos, pero sus respuestas deben considerarse propuestas pendientes de evaluación.

Clave directiva: promover una cultura en la que trabajar con IA signifique interrogar sus respuestas y decidir qué valor tienen, no aceptarlas automáticamente.

3. Integrar la evaluación durante todo el proceso

La fiabilidad de las fuentes, la consistencia de los argumentos, los posibles sesgos y la suficiencia de las evidencias deben revisarse durante la actividad, no únicamente al final.

Clave directiva: acordar criterios básicos para contrastar, justificar, aceptar o rechazar contenidos generados por IA.

4. Hacer visible el razonamiento

Cuando solo se evalúa el producto final, resulta difícil distinguir entre competencia propia y rendimiento asistido. Los borradores, decisiones, versiones sucesivas y breves reflexiones permiten observar cómo ha evolucionado el pensamiento.

Clave directiva: recoger evidencias relevantes del proceso sin convertir la trazabilidad en burocracia o vigilancia indiscriminada.

5. Fomentar curiosidad y humildad intelectual

La IA puede utilizarse para generar contraejemplos, cuestionar supuestos y presentar perspectivas alternativas. El alumnado debe aprender que una respuesta plausible no cierra necesariamente el problema.

Clave directiva: favorecer tareas abiertas en las que explorar, comparar y modificar el criterio inicial forme parte del resultado esperado.

6. Reforzar la integridad epistémica

El alumnado debe responsabilizarse de lo que presenta, aunque haya utilizado IA. Esto exige identificar fuentes, reconocer incertidumbres, declarar usos relevantes y justificar las decisiones finales.

Clave directiva: establecer criterios de transparencia, atribución y autoría adaptados a los distintos tipos de actividad y niveles de riesgo.

7. Evaluar el pensamiento, no solo el resultado final

La IA puede producir entregables formalmente excelentes. Por ello, la calidad superficial del producto ya no demuestra por sí sola la adquisición de una competencia.

Las rúbricas deben valorar el análisis, la calidad de las evidencias, la justificación de las decisiones, la capacidad de revisión y la transferencia a situaciones nuevas.

Clave directiva: combinar productos finales con defensas orales, observación del desempeño, resolución de incidencias y aplicación autónoma.

8. Alternar fases con IA y sin IA

Una actividad puede comenzar con una interpretación autónoma, continuar con una fase de contraste mediante IA y terminar con una revisión o demostración final sin asistencia.

Las zonas sin IA no deben entenderse solamente como mecanismos de control. Son espacios pedagógicos necesarios para construir y acreditar autonomía.

Clave directiva: determinar en qué momentos la IA aporta valor y cuándo debe retirarse para proteger el aprendizaje y verificar la competencia.

Un ejemplo aplicado a FP

Imaginemos una actividad de mantenimiento industrial. El alumnado recibe síntomas, registros de funcionamiento y datos sobre una incidencia.

En una actividad mal diseñada, introduce la información en un modelo generativo y solicita directamente el diagnóstico. Aunque la respuesta sea correcta, ya no sabemos si el estudiante era capaz de interpretar las señales, priorizar hipótesis o seleccionar las comprobaciones necesarias.

Una arquitectura distinta comenzaría con un análisis autónomo y la formulación de varias hipótesis. Después, la IA podría generar contraargumentos, causas alternativas o escenarios en los que esas hipótesis dejarían de ser válidas. El alumnado contrastaría las propuestas con documentación técnica, revisaría su diagnóstico y terminaría resolviendo una nueva incidencia sin asistencia.

En el primer caso, la IA entrega una solución. En el segundo, ayuda a construir y comprobar una competencia.

Del aula a la gobernanza del centro

Estos principios no pueden descansar exclusivamente en la iniciativa individual del profesorado.

La dirección no necesita imponer una metodología única, pero sí crear un marco compartido que permita responder a varias preguntas: qué debe seguir pensando necesariamente el alumnado, qué funciones puede asumir la IA, cómo se hará visible su intervención, qué evidencias demostrarán autonomía y cómo aprenderá el centro de las experiencias realizadas.

El punto de partida no tiene que ser una normativa extensa. Puede consistir en seleccionar algunas actividades relevantes, revisar su diseño, formar a los equipos implicados, desarrollar pequeños pilotos y analizar los resultados antes de extenderlos.

Diagnosticar, priorizar, formar, pilotar, medir y consolidar.

Ese recorrido permite pasar de usos individuales y dispersos a una capacidad pedagógica y organizativa compartida.

Una orientación prometedora, no una receta cerrada

El artículo que sirve de base a esta reflexión presenta un marco conceptual y normativo. Sus principios se apoyan en la psicología cognitiva, la teoría educativa, la ética de la IA y diversas investigaciones recientes, pero el modelo completo todavía debe validarse empíricamente en distintos contextos y disciplinas.

Tampoco ha sido diseñado específicamente para la Formación Profesional. Su traslado a la FP constituye, por tanto, una interpretación que necesita probarse, adaptarse y evaluarse en situaciones reales.

Su valor reside en proporcionar un lenguaje y unos criterios para formular una cuestión que los centros ya están viviendo: qué parte del pensamiento queremos que siga perteneciendo al alumnado cuando la inteligencia artificial puede intervenir en casi cualquier tarea.

La cuestión que importa

La pregunta ya no es únicamente si permitimos utilizar inteligencia artificial. Tampoco basta con decidir dónde puede intervenir.

La cuestión central es qué capacidades humanas queremos preservar y desarrollar cuando producir respuestas será cada vez más rápido y sencillo.

Un centro de FP no debería conformarse con que su alumnado sepa utilizar la IA. Debe conseguir que pueda pensar con ella, discutir sus propuestas, detectar sus límites y asumir las decisiones que finalmente adopta.

La competencia decisiva no será obtener una buena respuesta de la IA, sino conservar la capacidad de interpretarla, cuestionarla y decidir qué hacer con ella.

La IA puede ayudarnos a responder más rápido.

La educación debe asegurarse de que seguimos siendo capaces de formular las preguntas, construir los argumentos y tomar las decisiones que nos corresponden.

Artículo tomado como referencia

Vendrell, M. y Johnston, S.-K. (2026). Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher education. Computers and Education: Artificial Intelligence, 10, 100572.

Acceder al artículo completo en abierto

Artículos anteriores relacionados

• Del error a la competencia: cómo diseñar una IA que ayude a pensar, corregir y aprender en FP.
• Lo que vuestro centro de FP ya sabe hacer —y aún no sabe que sabe—.

Desde EXP INN Lab acompaño a los centros de Formación Profesional en la integración pedagógica y organizativa de la inteligencia artificial mediante diagnósticos, formación-acción y proyectos acotados que permitan convertir los principios en prácticas transferibles y capacidad instalada en el centro.

The post Pensar con IA sin dejar de pensar: 8 principios para integrar la IA con criterio appeared first on Innovación en espiral.

IA, gestión avanzada e innovación: una mirada de conjunto para pensar el centro este verano, lejos de la urgencia del curso.

Hay una escena que he visto repetirse en muchos equipos directivos de Formación Profesional. Alguien plantea que «algo hay que hacer» con la inteligencia artificial. Otro recuerda los tres proyectos de innovación que arrancaron con fuerza y hoy dependen de que una persona concreta no se agote. Y todos coinciden en que la semana se ha ido, otra vez, en gestionar lo urgente en lugar de dirigir lo importante.

Si esa escena os resulta familiar, la buena noticia es esta: el problema no es la falta de voluntad, ni de talento, ni de compromiso. Los centros de FP de Euskadi gestionan organizaciones complejas, mantienen relaciones vivas con cientos de empresas y llevan décadas adaptándose a cada cambio tecnológico y normativo. No partís de cero; casi nunca se parte de cero. Lo que la inteligencia artificial, la gestión avanzada y la innovación exigen no es empezar de nuevo, sino ordenar y potenciar capacidades que ya existen.

La distancia entre la intención y la acción es más corta de lo que parece. Se recorre con un método sencillo de enunciar y exigente de practicar: diagnosticar, priorizar, formar, pilotar, medir y consolidar. Y se apoya en tres capacidades que todo centro puede desarrollar. Vamos con ellas.

Primera capacidad: gobernar la IA en lugar de padecerla

Conviene decirlo sin rodeos: la pregunta ya no es si usar la inteligencia artificial en el centro. La IA ya está dentro. La usa una parte del profesorado para preparar materiales, la usa el alumnado para resolver tareas, y la usan ambos, con frecuencia, sin criterios compartidos ni supervisión. La pregunta relevante es cómo y para qué.

Gobernar la IA no significa restringirla. Significa dar criterio y seguridad a quienes ya la utilizan: saber qué usos tienen sentido pedagógico, cuáles comprometen datos del alumnado, qué herramientas merecen entrar por la puerta grande y cuáles deben esperar. Un centro con una política de uso clara, un inventario de herramientas evaluadas y unas reglas del juego conocidas por todos no es un centro más rígido: es un centro donde el profesorado experimenta con más confianza, precisamente porque conoce los límites.

Y luego está la evaluación, el punto donde más aprieta el zapato. Cuando el alumnado dispone de IA, los métodos basados únicamente en el entregable final pierden validez. Pero esta no es una amenaza: es una invitación que la pedagogía llevaba tiempo esperando. Evaluar procesos, exigir defensa oral, observar el desempeño real.

La IA no destruye la evaluación; la empuja a ser más auténtica.

¿Y por dónde se empieza? Por saber dónde estáis. Un diagnóstico de madurez —unas pocas semanas de trabajo— convierte el desasosiego difuso en un mapa ordenado de usos, riesgos y oportunidades. Con mapa, se decide; sin mapa, se improvisa.

Segunda capacidad: la gestión que libera

La gestión avanzada arrastra una fama injusta: papeles, sellos, burocracia. La realidad de los centros que la practican bien es exactamente la contraria. Procesos claros que no dependen de la memoria de una persona concreta. Datos que sirven para decidir, no para justificar decisiones ya tomadas. Un cuadro de mando sencillo —no un monstruo de cuarenta indicadores— que le devuelve al equipo directivo lo más escaso que tiene: tiempo para dirigir.

Cada hora que la organización deja de perder en fricción interna es una hora disponible para el alumnado, las empresas y la estrategia.

Hay una aritmética que merece hacerse despacio: duplicidades, información que no fluye, informes que tardan días en elaborarse. La buena gestión no es un fin en sí misma; es la que libera energía para todo lo demás.

Los centros de FP vascos, además, juegan con ventaja: la cultura de los contrastes, las evaluaciones externas y los reconocimientos forma parte del paisaje. La cuestión es dejar de vivirla como un examen y empezar a usarla como palanca: una ocasión periódica para mirarse con honestidad, ordenar evidencias y decidir las tres mejoras que de verdad importan este curso.

Tercera capacidad: de la innovación heroica a la innovación sistémica

En la mayoría de los centros, la innovación existe. El problema es de quién depende. Suele descansar sobre personas concretas —generosas, incansables, convencidas— que empujan proyectos a base de voluntad. Es la innovación heroica, y tiene un defecto estructural: cuando el héroe se agota, se traslada o se jubila, la innovación se marcha con él.

Pasar del héroe al sistema no apaga la pasión: la protege y la multiplica.

Un sistema de innovación es algo muy concreto: canales para que las ideas del claustro, del alumnado y de las empresas no se pierdan; una vigilancia sistemática de lo que se mueve en los sectores de vuestras familias profesionales —hoy, con apoyo de la propia IA, al alcance de equipos pequeños—; una cartera de proyectos priorizada con criterios explícitos; y mecanismos para que los resultados se transfieran al aula, al resto del centro y al tejido productivo, en lugar de agotarse en el piloto.

Y hay una fuente de innovación que muchos centros tienen delante y aprovechan a medias: su relación con las empresas. La Dual, los proyectos con el entorno, la colaboración cotidiana con el tejido productivo no son solo un canal de prácticas; son un radar de necesidades reales y un banco de retos compartidos. Convertir esa relación en fuente estructurada de innovación es, probablemente, la oportunidad más genuinamente vasca de todas.

Tres capacidades, un solo centro

Estas tres capacidades no son menús independientes: se refuerzan entre sí.

La IA sin gobernanza es riesgo. La innovación sin sistema es voluntarismo. La gestión sin datos es intuición.

Y a la inversa: un centro que combina las tres se parece mucho al que dibuja la Estrategia FP Euskadi 2030 —un centro que no solo forma, sino que actúa como agente de innovación de su territorio—.

¿Significa esto abordar un plan faraónico de transformación? Justo lo contrario. La experiencia me ha enseñado que un piloto acotado, con un entregable visible y medible en cuestión de semanas, cambia más la conversación interna de un centro que cualquier plan estratégico guardado en un cajón. Diagnosticar, priorizar, formar, pilotar, medir, consolidar. Pequeño y medible gana a grande y difuso.

Tres preguntas para el verano

Si habéis llegado hasta aquí, os propongo terminar no con conclusiones, sino con tres preguntas para llevaros al verano y poner sobre la mesa, a la vuelta, en la primera reunión del equipo directivo:

• ¿Sabéis, hoy, cuántas herramientas de IA se usan en vuestro centro y con qué criterio?
• ¿Qué pasaría con vuestros tres proyectos más innovadores si sus impulsores se marcharan mañana?
• En vuestra última semana de trabajo, ¿cuánto tiempo dedicasteis a dirigir y cuánto a apagar fuegos?

Si alguna de las respuestas incomoda, enhorabuena: ya habéis diagnosticado. Y diagnosticar, conviene recordarlo, es el primer verbo del método. Los cinco siguientes son más fáciles de lo que parecen cuando el primero está bien hecho.

Lo que se piensa despacio en julio se decide rápido en septiembre.

Desde EXP INN Lab acompaño a los Centros de FP de Euskadi en tres líneas de trabajo —IA aplicada, gestión avanzada y gestión de la innovación— con un enfoque de formación-acción: proyectos acotados, entregables útiles y capacidad que se queda en el centro.

The post Lo que vuestro Centro de FP ya sabe hacer (y aún no sabe que sabe): Una mirada de conjunto para pensar, lejos de la urgencia del curso appeared first on Innovación en espiral.

No basta con decidir en qué momento debe entrar la inteligencia artificial en el aprendizaje. También debemos diseñar cómo se comportará cuando intervenga. En Formación Profesional, una IA educativa de calidad no debería evitar cualquier error, sino ayudar al alumnado a explorar problemas, interpretar sus fallos, contrastar alternativas y construir una competencia que pueda demostrar después de forma autónoma.

En el artículo anterior, La trampa de lo fácil: cuando la IA ayuda a aprender… y cuando solo disfraza el aprendizaje, planteábamos una cuestión decisiva: la inteligencia artificial puede mejorar el rendimiento del alumnado y, al mismo tiempo, debilitar su aprendizaje.

La causa no está necesariamente en la herramienta, sino en el lugar que ocupa dentro del proceso educativo. Cuando la IA aparece antes de que el estudiante haya intentado comprender, decidir o resolver una tarea, puede eliminar precisamente el esfuerzo cognitivo que permite construir la competencia.

Primero, un intento propio. Después, apoyo guiado con IA. Finalmente, una comprobación autónoma.

Pero esta regla abre una segunda pregunta, igualmente importante: una vez decidido cuándo puede intervenir la IA, ¿cómo debe estar diseñada para apoyar el aprendizaje sin sustituirlo?

Un estudio reciente de Jinhee Kim, Xi Lin, Seongryeong Yu y Rita Detrick sobre inteligencia artificial y fracaso productivo aporta una respuesta especialmente relevante para la Formación Profesional. Su propuesta puede resumirse en una idea:

No basta con colocar bien la IA. Hay que diseñarla para que haga pensar, permita equivocarse, ayude a interpretar el error y devuelva al estudiante la responsabilidad de decidir.

En Formación Profesional, el error no es una anomalía

La Formación Profesional se apoya, en gran medida, en aprender haciendo: diagnosticar una avería, configurar un sistema, atender a una persona, diseñar una propuesta, ajustar un proceso, interpretar datos, fabricar una pieza o resolver una incidencia.

En todos estos contextos, el error no es una excepción accidental al aprendizaje. Es una de sus principales fuentes.

El alumnado formula una hipótesis, ejecuta una acción, observa sus consecuencias, identifica una desviación, revisa el procedimiento y vuelve a intentarlo. De esa secuencia surge una parte esencial de la competencia profesional.

No se aprende únicamente conociendo el procedimiento correcto. También se aprende comprendiendo por qué una alternativa no funciona, qué señales permiten detectar el problema y cómo debe modificarse la actuación.

La IA generativa puede enriquecer enormemente este proceso. Puede crear escenarios, adaptar casos, proporcionar retroalimentación, visualizar información, comparar alternativas o simular situaciones profesionales.

Pero también puede desactivarlo.

Si ante una dificultad la herramienta produce inmediatamente el diagnóstico, la solución, el procedimiento o el documento final, el error desaparece antes de haber generado aprendizaje. El alumnado entrega un resultado aparentemente correcto, pero no necesariamente ha desarrollado la capacidad de interpretar la situación que lo originó.

Una IA diseñada para evitar todos los errores puede impedir que el alumnado aprenda a reconocerlos y corregirlos.

Del error improductivo al error que enseña

Hablar de fracaso productivo no significa defender que el alumnado deba frustrarse innecesariamente ni convertir la dificultad en un valor por sí mismo.

No todo error enseña.

Un error se vuelve productivo cuando forma parte de una secuencia pedagógica bien diseñada. El estudiante debe tener una oportunidad real de explorar el problema, activar sus conocimientos previos, formular hipótesis y producir una primera respuesta, aunque sea incompleta.

Después necesita contraste, orientación y una explicación que le permita comprender las limitaciones de su razonamiento inicial. Finalmente, debe reorganizar lo aprendido y aplicarlo en una situación diferente.

Este proceso puede organizarse en dos grandes fases.

1. Generación y exploración

El alumnado se enfrenta a un problema complejo antes de recibir la solución completa. El objetivo no es acertar inmediatamente, sino hacer visible cómo interpreta la situación, qué conocimientos activa, qué supuestos maneja y qué estrategias considera posibles.

2. Consolidación y construcción del conocimiento

El alumnado compara su propuesta con otras alternativas, identifica lagunas o conceptos erróneos, reorganiza su comprensión y transfiere lo aprendido a nuevos contextos.

La IA puede aportar valor en ambas fases, pero su función debe cambiar.

Durante la exploración, la IA debe ampliar el espacio del problema sin cerrarlo prematuramente. Durante la consolidación, puede ayudar a comparar, visualizar, explicar, reorganizar y transferir.

En la primera fase, la IA debe ampliar el problema, no resolverlo

Cuando el alumnado todavía está explorando, la IA debería comportarse como una compañera de pensamiento.

Puede formular preguntas como estas:

• ¿Qué datos apoyan tu hipótesis?
• ¿Qué otras causas podrían explicar el problema?
• ¿En qué condiciones dejaría de funcionar tu propuesta?
• ¿Qué variable no has tenido en cuenta?
• ¿Cómo cambiaría tu decisión si el contexto fuera diferente?
• ¿Qué experiencia previa estás utilizando como referencia?

Estas preguntas no eliminan la dificultad central. La hacen más visible y manejable.

La IA también puede generar escenarios, introducir variaciones, representar gráficamente las ideas del grupo o facilitar el contraste entre diferentes perspectivas. Puede ayudar a organizar una lluvia de ideas, señalar contradicciones o hacer visibles aportaciones que todavía no han sido consideradas.

Pero no debería conducir demasiado pronto hacia una única respuesta correcta.

En esta fase, su valor no reside en acortar el camino, sino en enriquecer la exploración.

Esta distinción es especialmente importante en FP. Los problemas profesionales reales suelen estar incompletos, contener información ambigua y admitir diferentes estrategias. Aprender a interpretar esa incertidumbre forma parte de la competencia profesional.

Una IA que estructura siempre el problema y entrega inmediatamente la respuesta puede generar eficiencia, pero también dependencia.

En la segunda fase, la IA debe hacer visibles las diferencias

Después del primer intento, el papel de la IA puede ser más explícito.

Puede comparar la propuesta del alumnado con un procedimiento experto, mostrar semejanzas y diferencias, detectar variables omitidas, presentar soluciones alternativas o representar visualmente la estructura del problema.

La comparación es pedagógicamente valiosa porque convierte el error en información.

No basta con indicar que una respuesta es incorrecta. El estudiante necesita comprender:

• qué supuesto era equivocado;
• qué evidencia no tuvo en cuenta;
• en qué punto se desvió el razonamiento;
• qué consecuencias produciría esa decisión;
• y qué principio puede transferirse a otros casos.

La IA puede apoyar también la reorganización del conocimiento: agrupar ideas, relacionar conceptos, sintetizar una discusión, recuperar evidencias del proceso o construir mapas que ayuden a pasar de intuiciones dispersas a una comprensión más estructurada.

Finalmente, puede generar nuevas situaciones en las que aplicar lo aprendido. En FP, esta capacidad resulta especialmente prometedora: una misma competencia puede probarse bajo distintas condiciones, restricciones, perfiles de cliente, tipos de avería o escenarios productivos.

El objetivo no es repetir la respuesta correcta, sino demostrar que el aprendizaje se mantiene cuando cambia el contexto.

Cinco principios para diseñar una IA que ayude a aprender

El estudio identifica cinco ámbitos de diseño que pueden traducirse en criterios concretos para asistentes, tutores y sistemas educativos con IA.

1. Funciones complementarias entre la persona y la IA

La IA puede asumir tareas de búsqueda, análisis, clasificación, visualización, síntesis o generación de variaciones.

El alumnado debe conservar la interpretación, el juicio, la toma de decisiones y la responsabilidad sobre el resultado.

Esta división no debe decidirse únicamente en función de lo que la tecnología puede hacer, sino de la competencia que se pretende desarrollar.

Que una IA pueda realizar una tarea no significa que deba realizarla durante el aprendizaje.

2. Explicabilidad y supervisión humana

Un sistema educativo no debería limitarse a producir recomendaciones. Debe ayudar a comprender por qué las formula, qué información ha utilizado y dónde puede equivocarse.

Además, las decisiones relevantes deben permanecer bajo supervisión humana. El alumnado necesita poder cuestionar las propuestas de la IA, y el profesorado debe poder ajustar el nivel de asistencia, revisar las interacciones y corregir comportamientos inadecuados.

La IA debe ser una fuente de contraste, no una autoridad invisible.

3. Usabilidad, accesibilidad y control sobre la ayuda

El estudiante y el profesorado deberían saber cuándo interviene la IA, qué contenido ha generado y hasta dónde alcanza su asistencia.

También deberían poder regularla.

No todos los momentos del aprendizaje requieren el mismo apoyo. En ocasiones será adecuado ofrecer una pista; en otras, una pregunta; y en otras, retirar completamente la ayuda.

Los sistemas educativos deberían incorporar niveles progresivos de intervención, en lugar de funcionar únicamente con dos estados: IA disponible o IA prohibida.

Además, su diseño debe contemplar la diversidad del alumnado, la accesibilidad, la claridad de la interfaz, el tratamiento de consultas ambiguas y la posibilidad de identificar con facilidad qué aportaciones proceden de la persona y cuáles de la IA.

4. Diseño orientado a la reflexión

Una IA educativa debería ir más allá de responder.

Debería formular preguntas de seguimiento, pedir justificaciones, recuperar intentos anteriores, señalar cambios en el razonamiento y ayudar al estudiante a reconocer patrones en sus errores.

Podría preguntar:

• ¿Qué has cambiado respecto a tu primera propuesta?
• ¿Qué evidencia te hizo revisar tu decisión?
• ¿Qué error podrías volver a cometer en una situación parecida?
• ¿Qué principio puedes aplicar en otro contexto?
• ¿Qué parte de la solución todavía no sabes explicar?

Estas interacciones desplazan el centro de gravedad desde la mera producción de respuestas hacia la metacognición.

5. Apoyo emocional sin eliminar la exigencia

El fracaso productivo requiere un entorno seguro.

La dificultad puede activar curiosidad y perseverancia, pero también frustración, ansiedad o abandono. Una IA bien diseñada puede reconocer estas situaciones, ajustar su tono, ofrecer aliento o dividir el reto en pasos asumibles.

Sin embargo, apoyar emocionalmente no significa rescatar al estudiante de cualquier dificultad.

El sistema debe ayudar al alumnado a permanecer dentro del problema, no sacarlo de él.

Un ejemplo aplicado a FP

Imaginemos una actividad de mantenimiento industrial.

El alumnado recibe información sobre una avería: síntomas, registros, condiciones de funcionamiento y comportamiento reciente del equipo.

En un uso pobre de la IA, el estudiante introduce los datos y obtiene inmediatamente el diagnóstico más probable, el procedimiento de reparación y la lista de comprobaciones. El resultado puede ser correcto, pero gran parte de la competencia ha sido externalizada.

En un diseño orientado al aprendizaje, la secuencia sería diferente.

1. El alumnado analiza inicialmente la información sin ayuda y formula una primera hipótesis.
2. La IA pregunta qué señales respaldan esa hipótesis, qué causas alternativas se han descartado y qué dato adicional sería necesario recoger.
3. La herramienta presenta varios escenarios posibles, ayuda a comparar la propuesta con el procedimiento técnico y señala variables que no han sido consideradas.
4. Posteriormente, genera una simulación en la que cambia una condición del sistema para comprobar si el razonamiento puede transferirse.
5. Finalmente, el estudiante realiza un nuevo diagnóstico de forma autónoma y justifica su decisión.

La tecnología puede ser la misma. Lo que cambia es su arquitectura pedagógica.

En el primer caso, la IA entrega una solución. En el segundo, ayuda a construir una competencia.

El profesorado no pierde protagonismo: cambia su nivel de intervención

Este enfoque no reduce el papel docente. Lo hace más estratégico.

El profesorado debe decidir qué dificultad merece ser preservada, qué errores pueden resultar productivos, cuándo introducir una pista, qué respuesta experta utilizar como contraste y qué evidencia final permitirá acreditar la competencia.

También debe configurar o diseñar las reglas de comportamiento de la IA.

Por tanto, la integración educativa de estos sistemas no consiste únicamente en enseñar al alumnado a formular mejores instrucciones. Exige que el profesorado aprenda a diseñar interacciones:

• cuándo la IA debe preguntar;
• cuándo puede sugerir;
• cuándo debe mostrar alternativas;
• cuándo debe explicar;
• y cuándo debe guardar silencio.

La arquitectura conversacional de la IA pasa a formar parte del diseño didáctico.

De las normas de uso a la gobernanza pedagógica

Esta perspectiva también tiene implicaciones para los centros de FP.

Una política institucional de IA no debería limitarse a enumerar herramientas permitidas y prohibidas. Necesita establecer criterios para diseñar tareas, configurar asistentes, recoger evidencias y acreditar competencias.

Algunas preguntas deberían formar parte de cualquier decisión:

• ¿Qué competencia se pretende desarrollar?
• ¿Qué esfuerzo cognitivo debe realizar necesariamente el alumnado?
• ¿Qué errores pueden generar aprendizaje?
• ¿Qué funciones puede asumir la IA sin vaciar la tarea?
• ¿Cómo se hará visible su contribución?
• ¿Quién conserva la decisión final?
• ¿Existe una evidencia de desempeño autónomo?
• ¿Puede el aprendizaje transferirse a una situación nueva?

Estas preguntas conectan la metodología, la evaluación y la gobernanza.

También permiten superar dos posiciones igualmente insuficientes: prohibir la IA para conservar intactas las prácticas anteriores o incorporarla sin revisar qué aprendizaje está produciendo realmente.

Un marco prometedor, no una receta cerrada

Conviene mantener una cautela importante.

El estudio que inspira estas ideas recoge las percepciones de 35 estudiantes de posgrado de dos universidades y analiza entrevistas, guiones gráficos y prototipos conceptuales. No evalúa todavía sistemas implantados a gran escala ni demuestra qué combinación de funciones produce mejores resultados en cada contexto educativo.

Su aportación principal no es ofrecer una solución terminada, sino proponer una dirección de diseño.

Esa dirección resulta especialmente relevante para la FP porque sitúa en el centro elementos que ya forman parte de su identidad: experimentación, aplicación práctica, resolución de problemas, reflexión sobre la acción y transferencia al contexto profesional.

De colocar la IA a diseñar su comportamiento

El artículo anterior proponía una pedagogía de la colocación inteligente de la IA: proteger el primer intento, introducir ayuda guiada y comprobar finalmente la autonomía.

Esta nueva lectura completa aquella idea.

No basta con decidir en qué momento entra la IA. Debemos decidir qué hará cuando entre.

• ¿Responderá o preguntará?
• ¿Corregirá directamente o ayudará a localizar el error?
• ¿Ocultará el razonamiento o lo hará visible?
• ¿Tomará la decisión u ofrecerá elementos para decidir?
• ¿Reducirá la incertidumbre o enseñará a trabajar con ella?

La calidad educativa de la IA dependerá cada vez menos de la espectacularidad de sus respuestas y cada vez más de la calidad pedagógica de estas decisiones.

Porque en Formación Profesional no necesitamos sistemas que impidan equivocarse.

Necesitamos sistemas que ayuden a equivocarse mejor, comprender antes y actuar con mayor autonomía la próxima vez.

La mejor IA educativa no es la que evita todos los errores, sino la que consigue que cada error deje una competencia más sólida.

Estudio tomado como referencia

Kim, J., Lin, X., Yu, S. y Detrick, R. (2026). Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications and AI system design principles. Educational Technology Research and Development. Publicado en acceso abierto el 23 de junio de 2026.

Acceder al estudio completo

Artículo relacionado

La trampa de lo fácil: cuando la IA ayuda a aprender… y cuando solo disfraza el aprendizaje

The post Del error a la competencia: Cómo diseñar una IA que ayude a pensar, corregir y aprender en FP. appeared first on Innovación en espiral.

Este texto toma como punto de partida las ideas centrales del estudio The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning, de Mario Brcic y Stjepan Frljic. A partir de sus aportaciones, he intentado trasladar el debate al contexto específico de la Formación Profesional, poniendo el foco en las implicaciones para el profesorado, los equipos directivos, el diseño de tareas, la evaluación competencial y la gobernanza pedagógica de la IA en los centros.

En muchos centros educativos, también en Formación Profesional, la conversación sobre inteligencia artificial suele formularse en términos demasiado simples: ¿permitimos o prohibimos su uso?

La pregunta es comprensible, pero insuficiente.

El verdadero debate no debería centrarse en si el alumnado puede usar IA, sino en dónde, cuándo y para qué puede usarla dentro del proceso de aprendizaje. Porque la misma herramienta puede ayudar a construir una competencia profesional o, por el contrario, sustituir justo el esfuerzo cognitivo que permite desarrollarla.

En FP esta cuestión es especialmente relevante. No hablamos solo de producir respuestas correctas, entregar tareas bien redactadas o resolver ejercicios con rapidez. Hablamos de formar personas capaces de diagnosticar, decidir, justificar, reparar, diseñar, programar, atender, documentar, argumentar y actuar en contextos profesionales reales.

Y ahí aparece el riesgo central: que la IA permita al alumnado obtener un buen producto sin haber construido la competencia necesaria para producirlo por sí mismo.

La IA no mejora o empeora el aprendizaje por estar presente. Lo decisivo es su colocación pedagógica: si acompaña el esfuerzo que construye competencia, ayuda; si lo reemplaza, vacía el aprendizaje.

Rendimiento asistido no es aprendizaje real

El estudio The Effortless Trap plantea una advertencia de fondo: una tarea realizada con IA puede sentirse fluida, rápida y productiva, pero esa fluidez no garantiza aprendizaje.

De hecho, puede ocultar lo contrario.

El alumnado puede entregar una respuesta correcta, un informe aparentemente sólido, un código funcional, una presentación convincente o una resolución bien estructurada y, sin embargo, no haber interiorizado los criterios, los procedimientos o los razonamientos que explican ese resultado.

Esta es la diferencia clave entre rendimiento asistido y aprendizaje real.

El rendimiento asistido mejora mientras la herramienta está presente. El aprendizaje real se demuestra cuando el estudiante puede actuar, explicar y decidir sin depender de ella.

Por eso los autores hablan de una “trampa de lo fácil”: cuando la IA suaviza demasiado la tarea, puede generar una ilusión de dominio. El estudiante siente que sabe porque el proceso ha sido cómodo, pero esa sensación se derrumba cuando debe enfrentarse a una situación equivalente sin ayuda.

El aprendizaje necesita fricción productiva

Aprender no consiste en sufrir innecesariamente. Tampoco se trata de defender el esfuerzo por el esfuerzo.

La clave está en preservar una forma concreta de dificultad: la fricción productiva. Es decir, ese momento en el que el alumnado busca, prueba, se equivoca, compara, reformula, conecta ideas previas y empieza a construir significado.

Ese momento incómodo no es una pérdida de tiempo. Es parte del aprendizaje.

En FP lo vemos con claridad: no basta con que el alumnado obtenga el diagnóstico correcto de una avería, el diseño adecuado de una instalación, la solución de un caso empresarial o el procedimiento correcto en una atención sociosanitaria. Necesita comprender por qué esa solución es adecuada, qué alternativas ha descartado, qué criterios ha aplicado y qué haría si el contexto cambiara.

Cuando la IA elimina esa fricción, puede mejorar el resultado inmediato, pero debilitar la construcción interna de la competencia.

Si introducir IA hace que la tarea se vuelva demasiado fácil, probablemente la IA está en el lugar equivocado.

Esta idea debe leerse con precisión. La IA sí debe eliminar carga irrelevante: formato, tareas administrativas, búsqueda rutinaria, reformulaciones de bajo valor o trabajo mecánico que no forma parte de la competencia que se quiere desarrollar.

Pero no debe sustituir el núcleo del aprendizaje: el razonamiento, la toma de decisiones, la transferencia, la argumentación, la resolución de problemas y la comprobación autónoma.

Seis movimientos para decidir dónde colocar la IA

El artículo propone un modelo sencillo y útil para el diseño didáctico. Aprender una idea nueva implica seis movimientos: activar, intentar, orientar, conectar, consolidar y comprobar.

Adaptado a FP, puede formularse así.

1. Activar: despertar interés y conocimiento previo

Antes de entrar en la dificultad, el docente activa conocimientos previos, plantea una situación profesional significativa y genera una razón para implicarse.

Aquí la IA puede ser útil: puede ayudar a crear analogías, preguntas iniciales, pequeños cuestionarios de recuerdo, casos breves o situaciones de contexto profesional. El riesgo es bajo porque todavía no está sustituyendo la competencia central.

2. Intentar: primer esfuerzo sin ayuda

Este es uno de los momentos protegidos.

El alumnado debe enfrentarse a un problema antes de recibir la explicación completa. Puede equivocarse, pero ese error inicial prepara el terreno para que la explicación posterior tenga sentido.

En esta fase, la IA debe estar fuera o, como mucho, bloqueada hasta que exista un intento propio. Si la herramienta entrega la solución demasiado pronto, cancela precisamente el proceso que debería activar el aprendizaje.

3. Orientar: guiar con preguntas, no con respuestas

Después del primer intento, el papel docente es orientar. No se trata de entregar la solución, sino de ayudar al alumnado a revisar hipótesis, detectar errores, afinar criterios y dirigir la atención hacia lo relevante.

Aquí la IA puede tener un papel valioso si funciona como un tutor guiado: ofrece pistas, formula preguntas, detecta inconsistencias y acompaña el razonamiento, pero no resuelve la tarea.

La diferencia es decisiva: una IA que pregunta puede fortalecer el aprendizaje; una IA que responde demasiado pronto puede debilitarlo.

4. Conectar: ofrecer explicación, modelo o ejemplo trabajado

Solo después del intento inicial llega el momento de mostrar una explicación clara, un ejemplo trabajado, una demostración experta o una solución modelo.

En esta fase, la IA puede generar explicaciones alternativas, ejemplos adaptados, representaciones visuales, comparaciones entre procedimientos o reformulaciones para distintos niveles de comprensión.

Es un uso relativamente seguro porque el alumnado ya ha intentado construir la idea.

5. Consolidar: practicar, variar y transferir

Una comprensión inicial todavía es frágil. Necesita práctica variada, retroalimentación rápida, revisión espaciada y aplicación en casos distintos.

Esta es una de las zonas donde la IA puede aportar más valor: generar ejercicios graduados, proponer casos similares con variaciones, ofrecer retroalimentación inmediata, simular clientes o situaciones profesionales, y aumentar una densidad de práctica que el profesorado difícilmente podría producir manualmente para todo el grupo.

La condición es clara: la IA puede multiplicar la práctica, pero el trabajo cognitivo debe seguir siendo del estudiante.

6. Comprobar: evidencia final sin ayuda

Este es el segundo momento protegido.

La evaluación final debe mostrar si el alumnado puede pensar, decidir y actuar sin la herramienta. La IA puede ayudar al docente a diseñar preguntas, crear rúbricas, generar bancos de casos o revisar evidencias de proceso, pero no debería estar presente en la prueba que acredita la competencia.

La razón es sencilla: si la evaluación no distingue entre lo que sabe hacer el estudiante y lo que ha hecho la IA, la calificación pierde valor.

Y en FP, perder valor evaluativo significa también debilitar la credibilidad de la competencia profesional acreditada.

Una regla sencilla para el aula y para el centro

La propuesta puede resumirse en una arquitectura pedagógica muy clara:

Primero, un intento propio.
Después, apoyo guiado con IA.
Finalmente, una comprobación sin IA.

Esta regla no implica prohibir la IA. Implica gobernarla pedagógicamente.

La IA tiene sentido cuando aumenta la práctica, mejora la retroalimentación, ofrece ejemplos, adapta apoyos y acerca el aprendizaje a contextos profesionales reales. Pero debe retirarse cuando sustituye el esfuerzo específico que construye la habilidad o cuando impide comprobar la competencia de forma autónoma.

Dicho de otro modo: la IA debe entrar donde amplifica la enseñanza, no donde borra la evidencia del aprendizaje.

Qué implica esto para las direcciones de centros de FP

La reflexión no afecta solo al aula. Tiene una dimensión clara de centro.

Una política de IA en FP no debería limitarse a una lista de herramientas permitidas o prohibidas. Tampoco basta con decir que el alumnado puede usar IA “con responsabilidad”. Eso es demasiado genérico para orientar decisiones didácticas y evaluativas reales.

Los centros necesitan criterios compartidos para responder, al menos, a cuatro preguntas:

• ¿Qué competencia profesional está en juego?
  No es lo mismo usar IA para mejorar la redacción de una memoria que usarla para diagnosticar una avería, resolver un caso clínico, programar una función, interpretar datos financieros o diseñar una intervención educativa.
• ¿Qué parte de la tarea debe realizar necesariamente el alumnado?
  Hay partes auxiliares que la IA puede apoyar. Pero hay decisiones, razonamientos y procedimientos que deben quedar visibles porque son el núcleo de la competencia.
• ¿En qué momento del proceso entra la IA?
  No tiene el mismo efecto antes del primer intento, durante la orientación, en la práctica guiada o en la evaluación final.
• ¿Qué evidencia sin ayuda acredita el aprendizaje?
  Todo diseño con IA debería conservar algún momento en el que el estudiante demuestre que puede sostener la competencia sin la herramienta.

Estas preguntas permiten pasar de una gobernanza basada en el control a una gobernanza basada en el diseño pedagógico.

La oportunidad: más práctica, más apoyo, mejor acompañamiento

Sería un error leer esta reflexión como una invitación a restringir la IA. Bien colocada, la IA puede ser una oportunidad extraordinaria para la FP.

Puede ofrecer más práctica al alumnado que necesita consolidar. Puede generar casos profesionales variados. Puede proporcionar retroalimentación inmediata. Puede ayudar al profesorado a diseñar actividades, ejemplos, rúbricas y secuencias de aprendizaje. Puede facilitar apoyos personalizados en grupos heterogéneos. Puede acercar el aula a situaciones más próximas al desempeño profesional real.

Pero esa promesa solo se cumple si el diseño mantiene visible el pensamiento del estudiante.

Mal colocada, la IA no democratiza el aprendizaje. Democratiza la apariencia de haber aprendido.

Cierre

La gran aportación del estudio es desplazar el debate. No necesitamos una pedagogía de la prohibición ni una pedagogía de la fascinación tecnológica. Necesitamos una pedagogía de la colocación inteligente de la IA.

En FP, esto significa diseñar tareas donde la IA ayude a practicar más, recibir mejor orientación, explorar ejemplos y trabajar con mayor realismo profesional. Pero también significa proteger los momentos en los que el alumnado debe enfrentarse a la dificultad, construir criterio propio y demostrar competencia sin ayuda.

Porque aprender no es producir una buena respuesta con una herramienta.

Aprender es poder pensar, decidir, explicar y actuar cuando la herramienta ya no está.

Referencia

Brcic, M. y Frljic, S. (2026). The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning. Preprint, arXiv:2606.26181v1, 24 de junio de 2026.

The post La trampa de lo fácil: cuando la IA ayuda a aprender… y cuando solo disfraza el aprendizaje appeared first on Innovación en espiral.

La inteligencia artificial ha multiplicado las guías, marcos y recomendaciones para acelerar su adopción en las organizaciones. Muchas de ellas son útiles: ordenan pasos, proponen itinerarios y ayudan a no empezar desde cero. Pero un centro de Formación Profesional no puede limitarse a aplicar mapas diseñados para otros “territorios”. Su realidad combina retos pedagógicos, relación estrecha con empresas, innovación aplicada, transformación acelerada de los sectores productivos y necesidad de que el profesorado desarrolle un criterio propio sobre el uso de la IA. Por eso, la pregunta relevante no es cuántas personas se forman en IA, sino qué criterio queda instalado en el centro, quién lo sostiene y cómo se convierte en capacidad compartida del claustro.

Idea fuerza Una guía estratégica puede indicar por dónde empezar. Pero decidir qué criterio debe quedar instalado en un centro solo puede hacerlo quien conoce su realidad.

El 82 % de los responsables encuestados coincide en que la formación técnica ayuda a mantenerse a la vanguardia en inteligencia artificial. El dato es relevante. También es insuficiente para un centro de Formación Profesional: procede de un marco pensado para organizaciones que buscan productividad, adopción tecnológica y retorno.

No habla desde un claustro, no conoce tus ciclos formativos, no conversa con tus empresas colaboradoras y no ha visto cómo se trabaja un reto ETHAZI.

Es un buen mapa. Pero no describe tu territorio.

Dos formas de entender la formación en IA

Esa cifra permite entender bien las dos lógicas que hoy pueden acabar sobre la mesa de una dirección.

Por un lado, la guía de Google Cloud funciona como un mapa: cinco pasos, datos de encuesta, itinerarios formativos, cursos y certificaciones.

Por otro, una formación-acción para profesorado de FP funciona como un cuaderno de campo: tres jornadas, docentes trabajando sobre sus propios ciclos y entregables construidos durante el proceso.

La diferencia parece metodológica.

En realidad es estratégica.

El mapa orienta. El cuaderno de campo construye capacidad.

Entre ambos no se decide solo una forma de aprender IA. Se decide qué permanece en el centro cuando el proveedor ya no está.

El mapa está bien dibujado. Pero no es suficiente.

Conviene reconocerlo desde el principio.

Los cinco pasos de la guía —diagnosticar el punto de partida, integrar la IA en las herramientas de uso diario, levantar un marco de confianza, ofrecer formación flexible y reconocer los avances— describen con sensatez lo que cualquier organización necesita para incorporar la IA.

Para una empresa que busca productividad puede ser suficiente.

Para un centro de FP, no.

La diferencia no es de tamaño.

La diferencia es de finalidad.

Competencia frente a criterio

El mapa forma en competencias.

Insignias, certificados, clasificaciones y aprendizajes convertidos en logros acreditables.

Es coherente con su destinatario natural: organizaciones que necesitan demostrar avance.

La formación-acción persigue otra cosa.

No pretende convertir al profesorado en especialista técnico.

Pretende desarrollar criterio profesional, pedagógico y sectorial.

La competencia enseña a utilizar una herramienta. El criterio enseña a decidir cuándo, cómo, para qué y con qué límites utilizarla.

Algunos ejemplos

Competencia: saber usar Gemini. Criterio: saber cuándo una respuesta generada por IA es pedagógicamente útil y cuándo empobrece el aprendizaje.

Competencia: generar una rúbrica en segundos. Criterio: decidir qué evidencias de desempeño deben seguir siendo observadas, contrastadas y defendidas por el alumnado.

Competencia: pedir a una IA que redacte una memoria técnica. Criterio: rediseñar la tarea cuando esa memoria ya puede producirla una máquina.

Competencia: enseñar a utilizar un asistente de código. Criterio: explicar por qué ese asistente es, al mismo tiempo, una ventaja competitiva, una fuente de dependencia y una exigencia nueva de pensamiento técnico.

Competencia: automatizar la búsqueda de información sectorial. Criterio: distinguir señales relevantes de ruido, contrastar fuentes y convertir la información en decisiones curriculares, metodológicas o de relación con empresas.

Lo primero se certifica.

Lo segundo se construye mediante práctica, conversación profesional y gobierno interno.

En FP la confianza no es un paso. Es el suelo.

La guía trata el marco de confianza como un paso más del proceso.

En un centro de FP no puede ser un paso.

Tiene que ser el punto de partida.

La formación-acción lo convierte en una regla transversal desde el primer momento:

• no introducir datos personales ni información sensible en herramientas no gobernadas;
• no compartir información estratégica o confidencial del centro;
• no trasladar a herramientas externas información sensible de empresas colaboradoras;
• utilizar la IA con criterios claros de seguridad, trazabilidad y responsabilidad profesional.

Porque aquí la confianza no protege únicamente una organización.

Protege la relación entre centro, alumnado, profesorado y tejido productivo.

Protege proyectos reales, retos de innovación, información de empresas colaboradoras, evidencias de aprendizaje, procesos de orientación, decisiones de evaluación y conocimiento estratégico del propio centro.

El Reglamento de IA, el RGPD y la seguridad de la información no son un anexo de cumplimiento. Son el marco que determina qué puede hacerse, con qué datos, bajo qué condiciones y con qué responsabilidad.

Una empresa puede tratar estos elementos como buenas prácticas corporativas.

Una dirección de centro debe convertirlos en criterio compartido.

El territorio que el mapa no ve

Todo mapa simplifica.

Y precisamente por eso deja fuera elementos esenciales.

En FP hay varios especialmente importantes.

El primero es la conexión directa con el sector productivo.

El segundo es la necesidad de convertir la innovación tecnológica en innovación aplicada al aprendizaje.

El tercero es el papel del profesorado como mediador entre tres mundos que avanzan a ritmos distintos: el aula, la empresa y la tecnología.

Un centro no forma para sí mismo.

Forma para sectores productivos que la propia IA está transformando mientras el alumnado todavía está aprendiendo.

Una empresa puede preguntarse cómo automatizar sus procesos.

Un ciclo formativo debe hacerse otra pregunta mucho más incómoda:

¿Cómo está cambiando la IA el oficio para el que estamos preparando a nuestro alumnado?

Y debe responderla antes de que el alumnado llegue a la Formación en Centros de Trabajo o a la formación dual y descubra que parte del trabajo aprendido ya lo realiza una máquina, un sistema de recomendación, un asistente de código, una herramienta de diseño generativo, un agente conversacional o una plataforma integrada en el proceso productivo.

Esa vigilancia —señales, fuentes, impacto, implicaciones didácticas y acciones formativas— nunca aparecerá en un catálogo genérico de cursos.

Porque depende del ciclo.

Del sector.

Del territorio.

Del tipo de empresas con las que se colabora.

De los perfiles profesionales que están cambiando.

Y de la capacidad del profesorado para traducir esas señales en aprendizaje.

Esa cartografía solo puede construirla el propio centro.

La pregunta decisiva: ¿qué queda cuando termina la formación?

Aquí aparece la diferencia más importante.

El itinerario del mapa suele terminar en una persona certificada.

El valor queda incorporado a su currículum.

Puede ser útil.

Pero también es frágil.

Si esa persona cambia de centro, buena parte del conocimiento se marcha con ella.

La formación-acción termina en otro lugar.

No deja únicamente un diploma.

Deja capacidad instalada.

Por ejemplo:

• asistentes reutilizables para diseñar retos;
• criterios compartidos sobre el uso de IA;
• protocolos de protección de información;
• un radar para seguir la evolución del sector;
• mapas del ecosistema profesional del ciclo;
• criterios para incorporar IA en proyectos de innovación aplicada;
• prácticas docentes transferibles entre departamentos;
• una comunidad docente capaz de seguir aprendiendo.

Si mañana se marcha media plantilla, el diploma desaparece. El protocolo permanece. El radar permanece. Los criterios compartidos permanecen. La capacidad institucional permanece.

Eso ya no es formación.

Es dirección.

Cómo debería medirse el éxito

El mapa mide el éxito por finalización.

• Cursos completados.
• Insignias obtenidas.
• Personas certificadas.

La formación-acción debería medirse de otra manera.

• ¿Qué cambió realmente en el aula?
• ¿Qué protocolo adoptó el claustro?
• ¿Qué reto se rediseñó?
• ¿Qué criterio pasó a ser compartido?
• ¿Qué práctica dejó de depender de una sola persona?
• ¿Qué nuevas conversaciones se abrieron con empresas?
• ¿Qué señales sectoriales empezaron a incorporarse al diseño formativo?
• ¿Qué usos de IA dejaron de ser improvisados y pasaron a estar gobernados?

Son dos preguntas completamente distintas.

«¿Cuánta gente se ha formado?» puede responderlo cualquier plataforma. «¿Qué criterio ha quedado instalado y quién lo sostiene?» solo puede responderlo una dirección que conoce su territorio.

El verdadero trabajo de una dirección

Una directriz forma en competencias.

Una formación-acción bien diseñada forma en criterio.

Y el criterio es lo único que no desaparece necesariamente cuando cambian las personas.

Por eso el reto de una dirección no consiste en elaborar otro plan de digitalización.

Consiste en decidir qué criterio quiere que tenga su claustro dentro de un año y crear las condiciones para construirlo.

Eso implica apostar por:

• tiempo real de trabajo, no seminarios aislados;
• entregables reutilizables, no certificados archivados;
• casos propios del ciclo, no ejemplos genéricos;
• criterios compartidos, no usos individuales;
• profesorado alfabetizado en IA, no solo usuarios ocasionales de herramientas;
• conexión con empresas, no formación desconectada del sector;
• comunidades de práctica, no formación puntual.

El mapa nunca sustituirá al territorio

El mapa no puede tomar esa decisión.

No conoce el ciclo.

No conoce al claustro.

No conoce al alumnado.

No conoce las empresas colaboradoras.

No conoce los retos de innovación aplicada del centro.

No conoce las tensiones reales de la evaluación.

No conoce las señales que llegan desde el sector productivo.

Ni las preguntas que aparecen cuando la IA entra en una tarea auténtica.

Y precisamente por eso sigue siendo un mapa.

Un mapa resume.

Simplifica.

Orienta.

Pero nadie aprende un territorio leyendo un mapa mejor.

Se aprende caminándolo, contrastándolo y dibujándolo junto a quienes lo habitan.

Conclusión

El año que viene habrá nuevas guías.

Serán más completas.

Más visuales.

Más actualizadas.

Seguirán siendo útiles para orientarse.

Pero el criterio no aparecerá en ninguna de ellas.

La tarea de una dirección no es comprar mejores mapas. Es conseguir que el claustro dibuje el suyo.

El de su ciclo.

El de su sector.

El de su alumnado.

El de sus empresas colaboradoras.

El de sus proyectos de innovación aplicada.

El de su forma concreta de enseñar.

Porque solo cuando el cartógrafo pisa el territorio, el mapa empieza a parecerse a la realidad.

The post El mapa y el territorio: por qué la dirección de un centro de FP no se forma en IA con guías genéricas appeared first on Innovación en espiral.

The post La IA acelera tu innovación solo si tienes sistema: lo que la IA acelera, y lo que no appeared first on Innovación en espiral.

Imagínelo. Un docente de un ciclo de Administración y Finanzas vuelve de visitar a una empresa colaboradora. Ha estado dos horas con la responsable financiera y se trae tres cosas interesantes. Que están migrando la conciliación bancaria a una herramienta automatizada. Que necesitan perfiles capaces de auditar lo que produce esa automatización. Que el último alumno que recibieron en prácticas no entendía lo suficiente de fiscalidad como para acompañar el cierre trimestral. El docente vuelve al centro, comenta algo en la sala de profesores, redacta un correo breve a la jefatura de departamento y archiva la visita en su memoria.

Seis meses después, esa conversación sigue viva donde naturalmente quedó: en la cabeza del docente. Que la recordará a medias cuando rediseñe la programación del año siguiente.

Esta escena, repetida en miles de visitas al año en el conjunto de centros de FP del país, no describe un problema de IA. Describe un reto de arquitectura organizativa que la mayoría de centros ya intuyen y que ahora, por primera vez, tienen herramientas para abordar. Conviene mirarlo de cerca.

Replantear la conversación

La conversación dominante sobre IA en Formación Profesional gira en torno a dos preguntas legítimas: qué herramientas puede usar el profesorado en el aula y qué tareas administrativas se pueden automatizar. Son preguntas necesarias. Cualquier centro que las esté trabajando está haciendo algo útil. Pero hay una tercera pregunta, más estratégica, que las dos primeras no resuelven.

La mayoría de centros de FP tienen ya un sistema nervioso periférico extraordinario en el tejido productivo. Cada tutor de FCT, cada coordinador de FP Dual, cada docente que mantiene contacto con un mando intermedio, cada visita a una empresa colaboradora es una terminación nerviosa que está captando señales del mercado en tiempo real. Esa red existe, está activa y es probablemente uno de los mayores activos del centro.

Lo que muchas veces no existe todavía es el sistema nervioso central. El órgano que procese esas señales, las agregue, las priorice y las devuelva al aula convertidas en decisión formativa. Construirlo es la oportunidad que está sobre la mesa.

La IA puede acelerar de manera notable esa construcción. Pero la IA no es la respuesta. La respuesta es una arquitectura organizativa que recoja y sostenga la información del entorno que el centro ya está captando.

Un centro de FP inteligente no es el centro que usa más IA. Es el centro que convierte cada contacto con una empresa en conocimiento que llega al aula.

Si la IA acelera ese proceso, bienvenida sea. Si solo sirve para que el profesorado genere materiales más rápido sin que el centro aprenda colectivamente de su entorno, habremos ganado eficiencia individual y nos habremos perdido la transformación organizativa. La diferencia se decide en cómo se diseñan tres instrumentos concretos. Vamos a ellos.

Tres instrumentos articulados, no tres iniciativas inconexas

Lo que sigue son tres instrumentos. No tres proyectos. Funcionan articulados o no funcionan: cada uno alimenta al siguiente y carece de sentido por separado.

La buena noticia es que la mayoría de centros tienen ya piezas embrionarias de los tres, dispersas en prácticas cotidianas que conviene reconocer antes de proponer su sistematización. El trabajo no consiste en construir desde cero. Consiste en dar continuidad y estructura a lo que ya ocurre.

Cada instrumento se presenta a continuación con la misma estructura: función que cumple (incluyendo qué está ya pasando en los centros), componentes que lo integran, qué hace la IA dentro de él y dónde conviene poner cuidado. La uniformidad estructural permite que el equipo directivo pueda referirse internamente a cada componente sin reabrir cada vez la discusión sobre lo que es.

Primer instrumento. La inteligencia de contacto

En la metáfora del sistema nervioso, la ficha es la terminación periférica. Captura el estímulo en el punto donde se produce: la conversación con la empresa, mientras el contenido todavía está caliente.

Función

Capturar, en un soporte común, las dos o tres señales aprovechables que produce un contacto con una empresa, antes de que la memoria del docente las disuelva. No documenta la visita. Selecciona lo que importa.

Esto ya está pasando. En prácticamente todos los centros, los tutores de FCT y los coordinadores de Dual toman notas después de las visitas, redactan correos a sus jefaturas de departamento, comentan en pasillos y reuniones lo que han observado. La información se capta. Lo que no siempre existe es un formato común que permita comparar lo que un tutor observa en una empresa con lo que otro tutor observa en otra del mismo sector. La ficha es exactamente eso: un mínimo común denominador que respeta lo que cada docente ya hace y lo hace agregable.

Componentes

Seis o siete campos, rellenables en diez minutos: empresa visitada, interlocutor y función, señales detectadas en torno a tareas o procesos en transformación, tecnologías o herramientas mencionadas, perfiles o competencias con presión creciente, oportunidades de colaboración aparecidas en la conversación, siguiente acción propuesta por el centro. La regla operativa es simple. Si la ficha no puede rellenarse en diez minutos, está mal diseñada y conviene rehacerla.

Qué hace la IA

Una función modesta y útil. A partir de la ficha cruda, generar una versión normalizada, etiquetar señales por categorías predefinidas y prepararla para su agregación. No sustituye al criterio del docente. Le ahorra el trabajo de mecanografía y normalización, que es precisamente lo que suele dejar a la ficha sin escalar cuando depende de la disciplina individual.

Dónde conviene poner cuidado

La ficha es frágil si se percibe como informe burocrático en lugar de como herramienta de captura. Para evitarlo, ayudan tres cosas: introducirla acompañada de una sesión breve donde se explique para qué sirve y quién la va a leer; revisar el diseño después del primer mes y recortar todo campo que no se esté usando; y hacer visible que las fichas se leen de verdad, mencionando en claustro algún hallazgo concreto que haya surgido de su lectura agregada. Cuando el profesorado ve que su tiempo se traduce en algo, la ficha sobrevive.

Una ficha que no se puede rellenar en diez minutos no es una ficha: es un informe disfrazado. Y el primer ajuste de cualquier piloto suele ser hacer la ficha más corta, no más larga.

Las fichas, por sí solas, son un archivo. Para que se conviertan en conocimiento, alguien tiene que leerlas en conjunto. Ese es el oficio del siguiente instrumento.

Segundo instrumento. El Radar Sectorial

Si la ficha es la terminación periférica, el Radar es el ganglio que procesa. Toma las señales individuales que llegan desde múltiples puntos, las agrega y produce una lectura que ninguna ficha aislada podía ofrecer.

Función

Convertir el archivo de fichas en una lectura priorizada del entorno. Producir, con cadencia trimestral o semestral, un mapa corto de cambios sectoriales relevantes para los ciclos del centro, contrastado con fuentes externas y orientado a la decisión.

Esto ya está pasando. En muchos centros existen ya reuniones de departamento donde se cruzan impresiones sectoriales, comisiones de calidad donde se revisan tendencias, conversaciones con asociaciones empresariales y patronales, jornadas con clusters. Hay análisis sectorial. Lo que no siempre hay es un proceso que conecte ese análisis con las fichas de contacto y produzca un output corto, datado y comparable entre períodos. El Radar formaliza una conversación que en buena parte de los centros ya existe, y le da continuidad temporal.

Componentes

Cuatro capas de análisis: tendencias del sector (cambios en mercados, clientes, modelos operativos), perfiles y competencias bajo presión (puestos emergentes, funciones en transformación, habilidades críticas), tecnologías que se están convirtiendo en estándar (herramientas, plataformas, automatización, IA aplicada), y normativa o estándares emergentes (legislación, requisitos técnicos, cumplimiento). El producto final es una lista corta. Tres o cuatro focos por familia profesional. No un informe. Una lista.

Qué hace la IA

Aquí sí trabaja a fondo. Lee volúmenes grandes de fichas y de documentación externa, identifica patrones, sintetiza, compara con períodos anteriores y prepara los materiales para la sesión de priorización. La decisión sobre qué focos elegir sigue siendo humana, y debe serlo: requiere conocimiento del centro, del territorio y del alumnado real. Lo que la IA reduce es el coste de preparar la sesión, que es donde los radares suelen quedarse cuando dependen del tiempo extra de un coordinador.

Dónde conviene poner cuidado

La priorización es donde se juega el Radar. Si entrega quince focos, está acumulando en lugar de orientar. Conviene cerrar cada sesión con un número limitado (tres o cuatro por familia profesional es una buena referencia inicial) y, sobre todo, asignar la lectura agregada a alguien con tiempo reconocido para hacerla. La función puede recaer en un coordinador de innovación, en una comisión rotatoria o en una jefatura de proyecto. Lo importante es que el tiempo esté reconocido, no que dependa de la generosidad de quien lo asume.

Un Radar Sectorial que entrega quince focos no orienta una decisión. Igual que un mapa con todos los puntos marcados en rojo no orienta una expedición. Priorizar es la parte que la IA no puede hacer por el centro.

Un Radar priorizado, sin embargo, sigue siendo papel. La pregunta es cómo llega lo que ese papel dice a la pizarra del lunes por la mañana. Aquí entra el tercer instrumento.

Tercer instrumento. El Banco de Retos

Si la ficha capta y el Radar procesa, el Banco activa la respuesta motora. Es donde la señal del entorno se convierte en algo que un docente puede usar el lunes por la mañana sin reinventar la rueda.

Función

Convertir los focos priorizados por el Radar en retos formativos diseñados, pilotados y reutilizables. No producir actividades sueltas. Acumular un repositorio vivo donde el trabajo de diseño hecho por un docente queda disponible para los demás del mismo ciclo, con la trazabilidad suficiente para que la reutilización sea real.

Esto ya está pasando. El profesorado de FP es probablemente, dentro del sistema educativo español, el colectivo que más viene trabajando con retos, proyectos y aprendizaje basado en situaciones profesionales. Hay retos diseñados por docentes que han funcionado de manera notable, hay experiencias compartidas en jornadas, hay materiales que circulan informalmente entre centros. El reto, nunca mejor dicho, no es enseñar al profesorado a diseñar retos. Es construir un repositorio común donde ese trabajo se acumule, se mejore y no se pierda cada vez que un docente cambia de centro o se jubila.

Componentes

Cada reto contiene contexto profesional verosímil, propósito formativo, competencias asociadas (técnicas y transversales), fases de trabajo, entregables, criterios de evaluación, riesgos previsibles y notas derivadas de la última aplicación. No es una ficha de actividad. No es una propuesta. Es una pieza lista para ejecutar, con metadatos suficientes para que otro docente la recoja sin entrevistar al primero.

Qué hace la IA

Apoya el primer borrador de cada reto a partir del foco del Radar. Sugiere variantes adaptadas al nivel del ciclo. Identifica competencias asociadas a partir del decreto del título. Recupera retos análogos del propio banco para evitar duplicaciones. El diseño pedagógico fino, el ajuste al alumnado real y la evaluación siguen siendo del docente. Lo que la IA hace es bajar el umbral de entrada para que más docentes contribuyan al banco.

Dónde conviene poner cuidado

El Banco de Retos sostiene su valor en una pieza pequeña pero decisiva: las notas que el docente añade después de aplicarlo. Sin esas notas, el segundo docente que lo use volverá a tropezar con los mismos obstáculos que tropezó el primero, y el banco habrá funcionado como archivo, no como sistema. La forma operativa de protegerlo: integrar la nota post-aplicación en el propio flujo de cierre del reto, no como tarea adicional. Cinco minutos al final de la última sesión, idealmente con apoyo de IA para la redacción, son suficientes.

Un reto sin notas de aplicación es un reto que envejece sin aprender. El truco no está en pedir más documentación, sino en hacer que esas notas formen parte natural del cierre del reto, no de una tarea extra al día siguiente.

La cadena de valor, dicho sin metáfora

Los tres instrumentos, vistos juntos, forman una cadena operativa:

contacto con empresa → ficha de inteligencia → Radar Sectorial → coordinación de ciclo → Banco de Retos → actividad de aula → evidencias de aprendizaje → retorno a la empresa.

Cada eslabón necesita un responsable, un soporte, un calendario y un producto. Si uno de los eslabones queda sin responsable o sin calendario, ese eslabón se debilita y la cadena pierde fuerza. La experiencia indica que el eslabón más expuesto es el segundo. Las fichas se rellenan, pero la lectura agregada requiere tiempo reconocido y una función asignada que en muchos centros está todavía por definir.

Conviene nombrar también el último eslabón, que es el que con frecuencia se olvida: el retorno a la empresa. Cuando una empresa aporta una señal y, meses después, recibe una propuesta del centro (un reto piloto, una demostración del alumnado, una conversación sobre una hipótesis que su propia visita ayudó a formular), la relación cambia de naturaleza. La empresa deja de ser una fuente de plazas de prácticas y se convierte en un interlocutor de aprendizaje.

La diferencia, en términos de fidelización, captación de nuevas empresas colaboradoras y reputación territorial del centro, es significativa. Y es, casi siempre, la primera evidencia visible de que la arquitectura está funcionando.

El primer indicador de que la arquitectura funciona no es interno. Es el día en que una empresa colaboradora llama al centro para proponer algo, en lugar de esperar a que el centro la llame a ella.

Tres tensiones del sistema que conviene mirar de frente

Construir esta arquitectura es perfectamente posible, pero el sistema en el que opera un centro de FP empuja en algunas direcciones que no facilitan el trabajo. Vale la pena nombrar esas tensiones, no para señalar a nadie, sino para que cuando aparezcan en un piloto, el equipo del centro las reconozca como conocidas y no como fracaso propio.

La primera tensión es la asignación funcional. Las descripciones de funciones del sistema educativo se han ido construyendo históricamente en torno a la gestión académica y operativa del centro. La jefatura de estudios atiende horarios, la dirección atiende la gestión, los departamentos atienden los ciclos, el responsable de FP Dual atiende los convenios. La inteligencia sectorial, como función transversal con tiempo reconocido, es una figura nueva que el sistema no tiene todavía perfilada de forma estándar. Hasta que la tenga, el centro que quiera avanzar va a tener que asignar internamente esa función a un perfil ya existente o crearla con los márgenes que la normativa permita. No es trivial, pero es factible.

La segunda tensión es el sistema de incentivos. Los cuadros de mando del sistema educativo premian que las clases se den, que las prácticas se gestionen, que los expedientes estén al día y que la inspección no encuentre incidencias. Son métricas razonables y conviene mantenerlas. La cuestión es que el aprendizaje organizativo (que el centro mejore su capacidad de anticipar cambios sectoriales) no aparece todavía en esos cuadros de mando, y eso reduce su visibilidad. La salida, mientras la métrica externa no llegue, es que el propio centro construya internamente alguna forma de hacer visible este trabajo: un indicador interno, un apartado específico en la memoria anual, un reconocimiento explícito al equipo que lo sostiene.

La tercera tensión es más delicada y conviene nombrarla con cuidado. Profesionalizar la relación con empresas implica que parte del conocimiento que hoy reside en personas concretas pase a residir en la organización. Es una operación con beneficios claros (resiliencia, continuidad cuando alguien se va, capacidad de actuar coordinadamente) pero que también puede generar resistencias comprensibles. Hay docentes y mandos intermedios que han construido durante años relaciones personales con el tejido productivo, y que pueden vivir la centralización del conocimiento como pérdida de un valor que es suyo. Reconocer ese valor explícitamente, y diseñar el sistema de forma que esas personas sigan siendo protagonistas (no fuentes anónimas de información), es la condición para que el cambio sea aceptado en lugar de resistido.

Profesionalizar el conocimiento del entorno no es quitárselo a nadie. Es asegurar que el valor que docentes y tutores aportan al centro siga existiendo cuando esas personas no estén, y se traduzca en mejores decisiones para el alumnado que tienen delante.

Empezar pequeño es la vía más realista. Y, en muchos centros, la más rápida. Un ciclo, un trimestre, una ficha que se rellena en serio después de cada visita, una reunión mensual donde alguien hace el trabajo de lectura agregada. Si en seis meses ese ciclo tiene tres focos identificados y dos retos diseñados a partir de señales reales, el resto del centro tiene una evidencia concreta sobre la que decidir. La evidencia interna pesa más que cualquier plan estratégico importado, y la mayoría de centros tienen ya el talento docente necesario para producirla.

El desplazamiento

La pregunta habitual («¿cómo usamos la IA en nuestro centro?») es legítima y conviene seguir trabajándola. Pero hay otra pregunta, más estratégica, que abre un horizonte mayor: ¿qué tendría que cambiar en este centro para que la conversación de un docente con una responsable financiera, una mañana cualquiera, dejase de evaporarse al cabo de seis meses?

Esa pregunta no se contesta con una herramienta. Se contesta con una arquitectura: una terminación periférica que capte, un ganglio que procese, un sistema motor que responda.

Y cuando esa arquitectura se va construyendo, lo que ocurre tiene poco que ver con la tecnología. Ocurre que el docente que vuelve de la visita ya sabe dónde poner lo que se trae. Ocurre que en la reunión de departamento alguien dice «esto que comentas ya nos había llegado por tres sitios distintos, vamos a hacer algo». Ocurre que un reto, seis meses después, llega al aula con la huella reconocible de una conversación que un tutor mantuvo en una mañana cualquiera. Ocurre que la empresa recibe una llamada del centro y nota que ha sido escuchada. El centro está aprendiendo de su entorno con la misma seriedad con la que enseña a su alumnado.

Lo demás, todo lo demás, es comprar software.

The post De la visita a la empresa, a la pizarra del lunes: El Centro de FP que aprende appeared first on Innovación en espiral.