Ecosistemas de IA en la cátedra universitaria
El salto no es del docente que no usa IA al que la usa: ya la usan casi todos. El salto es del uso reactivo —un chat vacío, un prompt suelto— al diseño de un ecosistema de cátedra: contexto persistente, tareas encadenadas, evaluación rediseñada y datos bajo control de la institución.
- Sesión
- 120 minutos
- Horario, hora de Perú
- 16:30 a 18:30
- Trabajo autónomo
- 10 horas
# ComportamientoSos asistente de esta cátedra.Acompañás el proceso; no lo resolvés. # ConocimientoAnclá todo en la bibliografía dela cátedra. Si no está ahí, decilo. # AgenciaTODO(human): la decisión pedagógicaes del docente.Lo que el taller enseña a escribir, en nueve líneas.
Introducción, epistemología y contexto global
Salir de la negación institucional: la discusión ya no es si se usa IA, sino con qué gobernanza y con qué literacidad crítica.
del estudiantado de la UNAM usa IA activamente
No es adopción futura ni experimental: es la base sobre la que ya se apoya la cursada. En el promedio de las 29 universidades latinoamericanas relevadas la cifra es aún más alta: 92 %.
del profesorado de la UNAM también la usa
El uso docente ya existe —y trepa al 79 % en el promedio regional—, pero mayoritariamente sin marco pedagógico ni criterios compartidos de cátedra.
Mismo estudio DEC / RIE 360, sobre 7.319 docentes. Chávez, P. (2026), Gaceta UNAM
de falsos positivos en estudiantes ESL
Los detectores automáticos marcan como IA textos humanos escritos por hablantes no nativos de inglés. El control punitivo es técnicamente inviable.
La parte didáctica: de binomio a tríada
4′El binomio docente–estudiante pasa a ser una tríada: docente – IA – estudiante. Bajo el marco TPACK-IA, esa tercera pata solo funciona si converge lo tecnológico, lo pedagógico y lo disciplinar.
Cuando el uso es instrumental y no mediado, aparece el reemplazo cognitivo: el estudiante entrega producto sin haber atravesado proceso.
Evidencia del uso universitario
11′Los tres números de arriba sostienen todo el taller: uso masivo, docencia sin marco y control automatizado roto. Cada cifra lleva su fuente enlazada, para abrirla en vivo si el aula pide el dato primario.
- Vanderbilt desactivó el detector de IA de Turnitin en agosto de 2023 y publicó los motivos: la guía institucional completa.
- La cuenta que hizo Vanderbilt conviene tenerla a mano: con el 1 % de falsos positivos que declaraba el proveedor, sobre los 75.000 trabajos que la universidad envió en 2022 son unos 750 estudiantes señalados sin motivo en un solo año.
- El estudio de Stanford muestra que ese error no se reparte al azar: más de la mitad de los textos escritos por hablantes no nativos fueron clasificados como IA, mientras los de nativos se clasificaban casi perfecto.
- Si el control es inviable, el trabajo docente se corre al rediseño de la consigna: es la única palanca que queda del lado del profesor.
Por qué el control punitivo no es una opción
El control punitivo no falla por falta de voluntad institucional: falla técnicamente. Un detector que se equivoca seis de cada diez veces con quien escribe en su segunda lengua no es una herramienta perfectible, es una herramienta que discrimina —y por eso universidades enteras la apagaron—. Prohibir sin poder verificar produce entonces los dos daños a la vez: no frena a quien copia y castiga a quien escribe distinto. Queda una sola palanca del lado del docente, y es el rediseño de la consigna: si la tarea exige proceso visible, decisiones justificadas y datos situados, la pregunta por el detector deja de tener sentido. Eso es lo que se trabaja en el bloque 4.
Contexto persistente, Markdown y eficiencia
Dejar de reescribir instrucciones en cada chat: configurar una vez el rol, la disciplina, las rúbricas y las restricciones del curso.
La IA de cátedra y las interfaces posibles
7′Un entorno persistente funciona como una oficina virtual preconfigurada. En lugar de entrar al chat de siempre y tener que explicarle a la IA todos los días «soy profesor universitario, evalúo con esta rúbrica y no quiero que resuelvas los ejercicios», ese núcleo se configura una sola vez. Cada vez que se inicia sesión, el asistente ya heredó el marco pedagógico institucional.
Las tres implementaciones que hoy hacen lo mismo con distinto nombre: Claude Projects, los GPT personalizados de ChatGPT y las Gems de Gemini. En las tres se cargan instrucciones de sistema y archivos de referencia que quedan fijos para todas las conversaciones siguientes.
Demostración en vivo: crear uno de esos entornos y fijar de entrada el rol, la disciplina y las restricciones del curso.
El valor pedagógico no es la comodidad: es la consistencia. Dos consultas distintas del mismo curso reciben el mismo criterio, aunque las haga otro docente de la cátedra.
Ejecutar la interacción y mirar la columna izquierda: el chat genérico vuelve a cero en cada consulta y hay que reexplicarle el encuadre. La de la derecha arranca cada vez con el marco de la cátedra ya heredado.
Abrir sola para proyectarMarkdown (.md) como estándar técnico de prompting
8′La convención CLAUDE.md: estructurar el system prompt con jerarquías claras —encabezados, listas, énfasis— en lugar de un párrafo corrido o de formatos pesados como HTML o JSON.
El efecto es doble: baja el consumo de tokens de forma significativa frente a formatos verbosos y, sobre todo, mejora la adherencia del modelo a las reglas didácticas.
La lámina de abajo lo hace visible con el caso más común de la cátedra: subir el programa en PDF contra subirlo en .md. El PDF llega al modelo como una nube de fragmentos de maquetado —coordenadas, saltos de columna, encabezados repetidos— y el .md llega ya jerarquizado.
Ejecutar la lectura comparada. Lo que hay que mirar no es cuál termina antes, sino cuánto de lo leído es contenido y cuánto es ruido de maquetado que el modelo igual tiene que procesar.
Abrir sola para proyectarSeparación de arquitectura
5′Regla de oro: separar el comportamiento del conocimiento.
- Comportamiento: las instrucciones de rol, tono y restricciones, en el archivo de sistema .md.
- Conocimiento: antologías, lecturas de cátedra y el programa, cargados como archivos de referencia independientes.
- Si se mezclan, cada corrección de tono obliga a volver a subir toda la bibliografía.
# Estructura del ecosistema de cátedra - **CLAUDE.md** — Reglas del sistema, rol y formato de salida.- **SKILLS.md** — Capacidades procesales: qué sabe hacer y cómo.- **MEMORY.md** — Estado de la cursada y del estudiante.- **SOUL.md** — Directrices éticas y pedagógicas no negociables.Los cuatro archivos de una cátedra con IA
# RolSos asistente de la cátedra de **Metodología de la Investigación**(grado, tercer año). Acompañás el proceso; no entregás el producto. # Reglas de interacción- Nunca redactes el trabajo del estudiante. Devolvé preguntas, contraejemplos y criterios.- Si el estudiante pide el texto final, ofrecé un esquema y pedí que él escriba el primer párrafo.- Toda afirmación empírica se ancla en los archivos de referencia de la cátedra. Si no está ahí, decilo explícitamente. # Formato de salida- Máximo 250 palabras por respuesta.- Cerrá siempre con una sola pregunta que empuje el siguiente paso. # Restricciones- No inventes citas ni DOI. Ante duda: "no está en el corpus".Live demo — copiar y pegar en el entorno persistente
Para probar hoy mismo
Este archivo es el mínimo viable de una IA de cátedra. Pegalo, cambiá la materia y el año, y ya tenés un asistente con criterio propio en vez de un chat genérico.
Orquestación instruccional: chaining, loops y micro-apps
Pasar del prompt único a procesos encadenados y empaquetarlos como micro-aplicaciones que otros colegas puedan usar.
Prompt chaining y loops didácticos
10′Modelado paso a paso de un proceso recursivo donde la salida de una fase alimenta a la siguiente:
- 1 · Definir los objetivos de aprendizaje en términos taxonómicos.
- 2 · Estructurar un estudio de caso situado en el contexto real de la cátedra.
- 3 · Redactar la consigna didáctica a partir de ese caso.
- 4 · Generar la rúbrica analítica calibrada sobre los objetivos del paso 1.
Los dos botones hacen cosas distintas a propósito. La cascada corre las cuatro fases de un tirón. El bucle, en cambio, se frena y devuelve el trabajo: es el Protocolo de Tokio aplicado, donde la iteración existe para que alguien tenga que volver a pensar.
Abrir sola para proyectarFew-shot prompting: entrenar al vuelo
5′Inyectar en el contexto entre 2 y 5 devoluciones reales escritas por el propio docente. El modelo asimila el criterio de evaluación y la voz estilística.
Es la diferencia entre una devolución genérica y una que suena a la cátedra.
Creación de skills: micro-apps de facultad
10′Inspirado en el modelo de Skill Studio del ecosistema TECgpt del Tecnológico de Monterrey: los prompts encadenados se empaquetan en miniaplicaciones parametrizadas.
El colega que la usa solo completa variables sencillas —tema, nivel académico, carga horaria— y obtiene planes de clase o rúbricas consistentes con los lineamientos del campus.
Ese es el punto de una skill: la complejidad no desaparece, se esconde. Quien la diseña carga con el encadenamiento, las restricciones y los controles; quien la usa ve tres campos para completar y un botón.
En universidades públicas de la región esto es todavía incipiente: es exactamente la ventana de oportunidad institucional.
El panel de la izquierda es lo que hay que construir una vez; el de la derecha, lo que ve el resto de la cátedra. La pregunta institucional que abre la lámina es cuántos docentes necesitan saber lo de la izquierda para que la facultad entera use lo de la derecha.
Abrir sola para proyectar# Instrucción de delegación inversa En generaciones complejas, **detené la generación** e insertá laetiqueta TODO(human) en el punto donde hay una decisión crítica. Exigí que el estudiante aporte esa lógica antes de continuar. ## Ejemplo1. Generá la estructura del análisis.2. Al llegar a la elección del marco teórico: TODO(human): justificá por qué este marco y no otro.3. No continúes hasta recibir esa justificación.Protocolo para que la IA no resuelva por el estudiante
# Skill: Generador de rúbrica analítica ## Variables de entrada- {{TEMA}}- {{NIVEL_ACADEMICO}}- {{OBJETIVOS}} ## Proceso1. Traducí {{OBJETIVOS}} a desempeños observables.2. Definí 4 niveles de logro por criterio.3. Redactá descriptores en conducta observable, no en adjetivos.4. TODO(human): el docente valida y ajusta los cortes. ## RestricciónNingún descriptor puede usar "adecuado", "correcto" o "bueno"sin especificar la evidencia que lo demuestra.Micro-app parametrizada para toda la facultad
El marco PCHL-HE, capa por capa
Cuatro configuraciones de tarea, ocho dimensiones y una compuerta humana en cada frontera. Las capas se anidan: un andamiaje contiene instrucciones y contexto, y un ciclo invoca repetidamente un andamiaje.
Prompt — Una instrucción dirigida al modelo
- Anclaje de la información
- Incluida en la consulta, o dada por supuesta
- Complejidad del flujo
- Una tarea de generación acotada
- Horizonte temporal
- Un intercambio o una revisión breve
- Orquestación de herramientas
- Habitualmente ausente, o invocada a mano
- Devolución e iteración
- La persona reescribe la instrucción
- Verificación
- Revisión humana directa de la salida y de su pertinencia
- Supervisión humana
- Formular y juzgar
Cómo falla esta capa
Alucinación, ambigüedad, sobregeneralización, estilo inadecuado
Controles mínimos
Chequeo de datos, revisión de pertinencia, control de formato, comparación de alternativas
Dónde entra la persona
Los controles son acumulativos. Los flujos de andamiaje y de ciclo requieren además los controles de instrucción y de contexto que llevan dentro.
- PromptLa persona acepta, corrige o rechaza cada salida
Las capas no son una escala de madurez. Usar la capa menos compleja capaz de producir un resultado verificable.
Tablas 1 y 5 de Nalyvaiko (2026), CC BY 4.0. Traducción propia al español; el texto original se ve con el botón de arriba, y el paper completo está en el visor del bloque 5.
Arquitectura de la cátedra: las cuatro capas, en la práctica
lám. iii / procesoEl proceso humano de orquestación en el marco PCHL-HE. El diagrama de arriba dice qué contiene cada capa; esta lámina dice qué hace la persona adentro. Se traza sola, porque un flujo de trabajo tampoco aparece hecho.
01 Prompt / Diseño de instrucción
El docente emite un vector directo al modelo y juzga la salida al final de la línea. No hay anclaje documental: el único control es la lectura crítica del resultado.
Es el chat abierto en una pestaña. «Dame tres ideas para la clase de anatomía». Sirve, y el riesgo que trae es la alucinación.
02 Context / Diseño del entorno
Antes de instruir, el docente construye anclajes. La línea de procesamiento queda obligada a atravesar esa evidencia antes de resolver la consigna.
Es cargar el sílabo, la bibliografía obligatoria y la rúbrica en un Proyecto o un GPT propio. El modelo deja de responder en el vacío: responde dentro de una curaduría.
03 Harness / Orquestación de la tarea
Una línea de ensamblaje. El flujo avanza, se detiene en seco en el nodo sólido y solo continúa tras la confirmación humana, hacia la segunda herramienta.
La IA redacta el caso de estudio, el docente lo aprueba, la IA deriva la rúbrica y la publica en el aula virtual. El docente pasa a ser el punto de control intermedio.
04 Loop / Diseño de iteración
El docente fija una barrera —la regla de detención— y el proceso choca contra ella y retrocede, tantas veces como haga falta, hasta alinearse con el criterio.
Es la devolución formativa automatizada: el estudiante entrega un avance y el sistema lo obliga a iterar contra la rúbrica. La nota final no se delega; la regla es del docente.
- Acción docente
- Proceso IA
- Evidencia / dato
- Límite / regla
Las cuatro escenas tienen el mismo primer nodo y es sólido: nada arranca sin una decisión docente. Lo que cambia al bajar por la lámina no es cuánta persona hay, sino dónde está puesta —al final juzgando, antes curando, en el medio aprobando, arriba legislando la regla.
Lectura propia de las cuatro configuraciones de Nalyvaiko (2026) llevadas a la práctica docente. Comparte paleta y retícula con la lámina Deriva Metódica; el trazado completo dura unos 10 segundos.
Integridad académica y rediseño evaluativo
Auditar las consignas propias y transformarlas: de la entrega de producto a la evaluación del proceso.
El protocolo de validación previa
5′Directriz tomada de la Universidad de Tokio: antes de asignar una consigna tradicional, el docente la somete a un modelo de razonamiento avanzado.
El criterio es binario y brutal: si la IA la resuelve de forma inmediata y perfecta, la tarea perdió su valor formativo y hay que reconfigurarla. Si la resolución es parcial o exige intervención crítica, alcanza con ajustes menores.
Laboratorio: auditoría de consignas
10′Dinámica en parejas. Cada docente carga una tarea que ya tiene asignada este cuatrimestre y documenta su nivel de vulnerabilidad cognitiva.
La pregunta que se responde no es «¿me la puede hacer la IA?», sino «¿qué parte del aprendizaje se pierde si me la hace?».
Rediseño hacia la evaluación auténtica
10′Estrategias para reestructurar tareas hacia el proceso:
- Bitácoras de aprendizaje progresivas, entregadas por etapas.
- Análisis de bases de datos locales o situadas, no genéricas.
- Historial de control de cambios visible en el procesador de texto.
- Defensa oral sistemática de las decisiones metodológicas tomadas.
- Declaración de transparencia (AI disclosure) incorporada al trabajo.
El desplazamiento de fondo
No se evalúa menos: se evalúa antes y más seguido. El costo docente se corre de corregir productos finales a diseñar puntos de control intermedios.
Laboratorio en vivo
Dos consignas reales sometidas al protocolo. El rediseño queda tapado hasta que el aula proponga el suyo.
Síntesis descriptiva vs. defensa oral de procesosVer el rediseñoOcultar
Como está hoy
«Elaborá un ensayo de 1500 palabras que sintetice las principales corrientes teóricas del campo, con al menos cinco referencias bibliográficas.»
Rediseñada
Cocreación estructural documentada: el estudiante entrega el archivo con historial de control de cambios visible, marca qué fragmentos fueron generados o asistidos por IA y sostiene una defensa oral de cinco minutos sobre por qué descartó las alternativas que descartó.
Vulnerabilidad alta. Un modelo de razonamiento resuelve la consigna original de forma inmediata y con calidad de aprobación. Lo que la IA no puede entregar es el historial del proceso ni la defensa situada de las decisiones.
Definición conceptual vs. auditoría crítica inversaVer el rediseñoOcultar
Como está hoy
«Definí los siguientes cinco conceptos centrales de la unidad y ejemplificá cada uno con un caso.»
Rediseñada
El docente entrega un texto generado por IA con errores deliberados —una cita inventada, un dato mal atribuido, una inferencia inválida—. El estudiante realiza una auditoría forense: localiza cada falla, la clasifica y la corrige contra el corpus de la cátedra.
Vulnerabilidad total en la versión original: es exactamente la tarea para la que un modelo de lenguaje está optimizado. Invertida, la misma IA se vuelve el objeto de estudio y el criterio disciplinar del estudiante es lo único que resuelve la tarea.
Integración de sistemas y soberanía de datos
Sacar la IA del chat aislado y conectarla al LMS y a la biblioteca, sin entregar datos estudiantiles a una nube comercial.
Model Context Protocol (MCP) y conexión de datos
3′MCP es el protocolo que permite que un asistente consulte sistemas reales en vez de responder solo con lo que recuerda. La diferencia práctica es entre un modelo que estima una respuesta y uno que va a buscarla a una base concreta y devuelve de dónde la sacó.
La consulta es deliberadamente reciente, posterior al entrenamiento del modelo. Del lado aislado, el modelo completa con lo que le parece plausible; del lado conectado, el protocolo va a la base y trae la referencia con su procedencia.
Abrir sola para proyectarLAG: anclar la generación a la biblioteca
2′LAG (Library-Augmented Generation) es conectar el asistente directamente a los catálogos e índices científicos de la propia institución, de modo que la literatura recuperada sea verificable y no alucinada. La biblioteca de Northeastern es una de las que viene documentando públicamente ese camino.
Para una cátedra el corolario es directo: la bibliografía obligatoria es un corpus cerrado y curado, y un asistente anclado a él no puede citar lo que no está ahí. La demostración del bloque 5, más abajo, hace exactamente eso sobre el paper del taller.
Mirar qué devuelve cada columna ante la misma consulta. La abierta produce algo que suena a cita; la anclada produce una cita que existe, con su registro en el catálogo. Para una tesis dirigida, esa diferencia es todo.
Abrir sola para proyectarIntegración con el LMS
2′Servidores de código abierto conectan el asistente con la API de Canvas para gestionar tareas, publicar anuncios y ordenar flujos de retroalimentación cualitativa. Los dos que están listados al pie de este bloque son reales y se pueden instalar hoy.
El trabajo administrativo que esto absorbe no es menor, y es justamente el que compite con el tiempo de acompañamiento.
A la izquierda, el circuito real de hoy: exportar, revisar, copiar, pegar, volver a cargar. A la derecha, el mismo circuito por API. Lo que se gana no es velocidad, es que la decisión docente deja de estar rodeada de trabajo mecánico.
Abrir sola para proyectarSoberanía de datos, FERPA y autoalojamiento
8′Bajo normativas de protección de datos (FERPA, AI Act), procesar información estudiantil identificable en servicios comerciales es un problema jurídico, no solo ético.
Alternativa concreta: modelos de pesos abiertos cuantizados (Llama, Qwen) corriendo en servidores de la propia facultad. Costo de inferencia cero y datos que nunca salen de la institución.
Optimización de costos y prompt caching
5′Las APIs que admiten prompt caching permiten congelar el contexto estable de la cátedra —antologías, manuales, reglamentos— y reutilizarlo a una fracción del costo por consulta.
Es lo que vuelve financieramente viable un asistente para una cohorte entera y no para un docente entusiasta.
Criterio mínimo antes de conectar nada
Si el dato permite identificar a un estudiante, no sale de la institución. Todo lo demás —bibliografía, consignas, rúbricas— sí puede vivir en la nube.
Servidores MCP de código abierto para el LMS
- mcp-canvas-lms
Servidor MCP en TypeScript con 54 herramientas para conectar un asistente a la API de Canvas: tareas, anuncios y retroalimentación. Abrir en GitHub
- canvas-mcp
Implementación en Python con más de 80 herramientas y una arquitectura declaradamente FERPA-conscious para el manejo de datos estudiantiles. Abrir en GitHub
La fuente, abierta
El paper que sostiene este bloque, disponible acá mismo. Se recorre página por página, y la demostración de más abajo devuelve cada respuesta a la página exacta de la que salió.
From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
Oleksii Nalyvaiko, School of Psychology, V. N. Karazin Kharkiv National University (2026). Preprint en EdArXiv.
Ver el preprint en OSFAbrir el PDF completoLicencia CC BY 4.0
Cargando el documento…
Página 1 de 16
Qué hace un sistema RAG, paso por paso
Una herramienta como NotebookLM muestra la pregunta y la respuesta, y esconde el paso del medio. Ese paso del medio es el sistema. Acá está a la vista, corriendo sobre 11 fragmentos literales del paper de arriba.
Primero, la pregunta
Elegí una pregunta o escribí la tuya.
Conclusiones y encuadre del trabajo asíncrono
Cerrar la sesión y dejar el camino de las 10 horas autónomas completamente explicitado.
Conclusiones pedagógicas
3′El objetivo del programa es que el docente universitario actúe como arquitecto de ecosistemas y no como operador de herramientas.
Todo lo que vimos hoy converge en una sola cosa: que la decisión pedagógica siga siendo humana y quede documentada.
Instrucciones del trabajo asíncrono
7′Las cinco fases del portafolio final acreditable están abajo, en orden secuencial. Cada una deja un producto entregable en el aula virtual.
Preguntas y cierre
5′Espacio abierto de retroalimentación para resolver dudas particulares antes de empezar el trabajo autónomo.
Portafolio acreditable, 10 h asincrónicas
Cinco fases en orden. Cada una deja un producto entregable en el aula virtual.
Bibliografía
- Chávez, P. (2026, 15 de junio). La inteligencia artificial ya forma parte de su vida académica. Gaceta UNAM.
- Cohen, D. (2025, diciembre). The Library's New Entryway. Humane Ingenuity.
- Díaz Rosemberg, A. G. (2024). Inteligencia Artificial para la mejora de la evaluación docente en una universidad privada peruana [Tesis de Maestría, PUCP].
- Liang, W., et al. (2023). GPT detectors are biased against non-native English writers. Patterns.
- López-Vasco, F. E., Angulo-Álvarez, M. R. y Sosa-Zúñiga, D. I. (2025). Formación docente en IA Generativa: impacto ético y retos en educación superior. Alteridad, 20(2), 166-177.
- Padilla Piernas, J. M. y Martín García, M. M. (2024). Impacto y Perspectivas de la Inteligencia Artificial Generativa en la Educación Superior. European Public & Social Innovation Review, 9, 01-21.
- Prosecretaría de Políticas Digitales. (2025). Guía Práctica de IA para Docentes. Facultad de Ciencias Jurídicas y Sociales, UNLP.
- Tecnológico de Monterrey. Skill Studio — TECgpt. Conecta Tec.
- Universidad de Tokio. (2023). Notification to Students on the Use of AI Tools in Classes.
- Universidad Politécnica de Madrid. (2025). Inteligencia Artificial en la Educación Superior 2025: Transformaciones Docentes, Herramientas y Buenas Prácticas. UPM Book.
- Vanderbilt University. (2023). Guidance on AI Detection and Why We're Disabling Turnitin's AI Detector.
- Zhong, L. (2017). Using Learning Analytics to Improve Instructional Support Design for Online Learning. JETDE, 10(2), 35-46.