La IA diseña clases para alumnos que no existen en tu salón

Le pedí a ChatGPT que me armara una secuencia para mi clase y me entregó algo impecable. Bien estructurado, con su inicio, su desarrollo y su cierre, con actividades que en el papel se veían serias. Lo llevé al salón. No funcionó. Y no funcionó de una manera que me confundió, porque la clase no estaba mal: estaba bien… para otros alumnos.

Estaba diseñada para chavos que leen de corrido, que aguantan sentados una hora, que tienen computadora en casa, que llegan con ganas. Los míos son otra cosa: veintiocho de primer semestre en una comunidad cañera, con mucha energía y unos quince minutos de atención antes de irse a otro lado, que arrastran la lectura y la escritura, y que usan la IA para salir del paso sin entender nada. La secuencia perfecta de ChatGPT no contemplaba a ninguno de ellos. La había planeado para un alumno que no existe en mi salón.

Al principio le eché la culpa a mi instrucción y me puse a reescribir el prompt. Estaba buscando el problema en el lugar equivocado.

No es que invente ni que sea genérico. Es que no los conoce

He aprendido, a fuerza de tropezar, que la IA falla de varias maneras distintas y que conviene no confundirlas. A veces te inventa cosas, te cambia un dato por otro que suena bien. Otras veces te da lo más genérico, el molde de siempre. Esto era una falla distinta, más callada: la clase no traía ningún invento y hasta tenía su oficio; simplemente estaba pensada para un estudiante abstracto, un promedio, que no se parecía a los que yo tengo enfrente.

Ese estudiante promedio, además, no existe. La gente de CAST, que lleva años trabajando en lo que llaman Diseño Universal para el Aprendizaje, parte justo de ahí: no hay un “cerebro promedio” para el cual uno pueda diseñar de una vez y quedar bien con todos; la variabilidad entre los que aprenden no es una anomalía que se corrige después, es la norma y se puede anticipar desde el principio. Cuando le pides a la máquina una clase “para octavo” o “para primer semestre” sin decir nada más, la estás obligando a diseñar para ese promedio que no se sienta en ninguna banca.

Y, siendo justos, ¿cómo iba a ser de otro modo? Yo le pedí “diséñame una clase de Ciencias Sociales” y nunca le dije para quién. Ante ese hueco, la máquina hizo lo único que podía: lo rellenó con el alumno más probable, el estudiante estadístico de bachillerato, que no es nadie en particular. Le pedí que le atinara a mi grupo con los ojos vendados, y le atinó a un grupo imaginario, que es exactamente lo que uno consigue cuando no dice a quién.

Hay un informe de consenso al que le tengo respeto, How People Learn II, de las Academias Nacionales de Ciencias de Estados Unidos, que junta décadas de investigación sobre cómo aprende la gente. Una de sus conclusiones se me quedó grabada: qué tan bien funciona una estrategia no es una propiedad de la estrategia, depende de los conocimientos previos del que aprende, de la naturaleza del contenido, del contexto y de las metas. Dicho en cristiano: no existe la buena clase en abstracto. Existe la buena clase para estos alumnos, en esta situación. Y eso es precisamente lo que la máquina no puede saber si yo no se lo digo.

Ese mismo informe, cuando desmenuza qué mueve el aprendizaje, no señala un solo factor: enumera los conocimientos y experiencias previas, las metas, la motivación, los intereses, el estado emocional, las relaciones, las condiciones sociales y culturales, el ambiente donde se aprende. No es una lista de trámite. Es, casi punto por punto, lo que un maestro tiene en la cabeza cuando entra al salón y sabe leer a su grupo. Cuando yo hablo de armarle a la máquina un retrato de mis alumnos, no me estoy inventando las casillas: estoy tratando de pasarle a ChatGPT, por escrito, esas mismas variables que la investigación dice que deciden si algo se aprende o no. El retrato no es decoración del prompt; es el conjunto de cosas que de verdad intervienen en que una clase funcione.

Ahí estaba la idea que me cambió la forma de usar estas herramientas: no puedes pedirle a ChatGPT que diseñe para tus alumnos si antes no le enseñas quiénes son.

Primero el retrato, después la clase

El cambio fue meter un paso antes de pedir nada. Antes de “diséñame la clase”, construyo y le entrego un retrato lo bastante real de mi grupo. No la clase encima del vacío; la clase encima de quiénes son. Y ojo: no se trata de una ficha perfecta ni de un expediente sociológico. Se trata de que sea suficientemente real, que es una vara mucho más alcanzable —y más honesta— que “completa”.

Ese retrato reúne lo que de verdad mueve una clase, y que uno ya sabe aunque nunca lo haya puesto por escrito:

Quiénes son y cuántos. El tamaño del grupo, el semestre, sus características generales. No es lo mismo diseñar para quince que para treinta y cinco, ni para primero que para sexto.

Qué traen en la mochila. Sus conocimientos previos, su situación académica, sus habilidades —académicas y digitales— y también sus avances: en qué han crecido y en qué siguen atorados. Este dato no es un adorno: una revisión de sistemas de tutoría inteligente encabezada por Létourneau, publicada en npj Science of Learning, encontró que lo primero que necesita cualquier sistema para adaptarse de verdad es una representación del que aprende —sus conocimientos previos, sus necesidades, dónde se atora—. Sin ese punto de partida, no hay ajuste posible de la dificultad ni del apoyo: la máquina no puede calibrar lo que no conoce.

Qué se les dificulta. Los retos reales. En mi grupo, la comprensión lectora, la escritura, que se reparten el trabajo en vez de colaborar, que se van a la respuesta rápida con IA sin pasar por el proceso.

Con qué cuentan de verdad. Los recursos, la conectividad, los dispositivos. Si tienen smartphone con datos pero no computadora, si el internet de la escuela aguanta o se cae, si hay proyector a veces o nunca. UNICEF, en un informe sobre aprendizaje digital, lo dice con todas sus letras: tener un aparato no es lo mismo que tener conexión estable ni condiciones para aprovecharlo, y una propuesta digital que ignora esas barreras se cae sola. Diseñar como si tuvieran lo que no tienen es diseñar para el fracaso.

De dónde vienen. El contexto familiar y comunitario, las condiciones socioeconómicas. Aquí conviene no cometer un error que yo cometí durante años: pensar la comunidad solo como una lista de carencias. Luis Moll y sus colegas, estudiando comunidades mexicanas y mexicoamericanas, acuñaron una idea que me sacudió: los “fondos de conocimiento”, los saberes, oficios y experiencias que viven en los hogares y en la vida de la comunidad. Una comunidad cañera no es un vacío que hay que llenar; es un lugar con trabajo, con conocimientos prácticos, con problemas reales que pueden volverse materia de clase. Enseñarle a ChatGPT de dónde vienen mis alumnos no es solo advertirle qué les falta; es también mostrarle lo que saben por vivir donde viven.

Cómo están. Lo emocional y lo socioemocional, la motivación, la energía, cuánto sostienen la atención. Si sé que se dispersan a los quince minutos, eso tiene que entrar en el diseño, no descubrirse a media clase.

Qué les mueve. Sus intereses. Es la diferencia entre un ejemplo que les resbala y uno que los engancha.

Y cuánto tiempo real hay. No las horas ideales del programa, las que de verdad tengo para desarrollar las actividades.

No basta con darle “algún contexto”

Cuando descubrí esto, me emocioné y cometí el error contrario: empecé a echarle etiquetas. “Es un grupo difícil.” “Son de bajo nivel.” “Vienen de una zona complicada.” Y ahí aprendí algo incómodo: darle contexto no es lo mismo que darle un buen contexto. Un rótulo produce una clase a la altura del rótulo, casi siempre un estereotipo.

Hay un estudio reciente de Rubel y Goidel que lo muestra sin anestesia. Le pidieron a ChatGPT cuarenta y cinco planes de una clase de probabilidad, en tres condiciones: sin contexto, con una escuela descrita como “exitosa” y con una descrita como “con dificultades”. La máquina cambió según el descriptor, pero cambió de una manera que da qué pensar: a la escuela “exitosa” le puso más conceptos avanzados y más tecnología; a la “con dificultades” le puso más vigilancia, más reforzamiento, más “atención socioemocional”. O sea: le das una etiqueta pobre y te devuelve una clase con prejuicio incorporado, con expectativas más bajas disfrazadas de apoyo. El contexto superficial no arregla el problema; lo esconde mejor.

Por eso insisto en que el retrato debe ser concreto, no un juicio. No “grupo flojo”, sino “se dispersan a los quince minutos y arrastran la comprensión lectora”. No “zona pobre”, sino “es una comunidad cañera y se manejan con smartphone y datos” —y, por lo que traen a clase, sin computadora a la mano, aunque eso lo deduzco de lo que veo, no es un censo que yo tenga—. La diferencia entre una etiqueta y un dato es la diferencia entre confirmarle a la máquina un prejuicio y darle algo con lo que de verdad pueda trabajar.

La misma petición, otra clase

Con ese retrato enfrente, la misma frase —“diséñame la clase”— produce algo distinto, porque ahora la máquina diseña para alguien. Y lo cuento por lo que me ha tocado ver, no como una regla fija: cuando a ChatGPT le pongo que mi grupo aguanta quince minutos de atención, suele dejar de proponerme una hora de lectura seguida y me parte el trabajo en tramos cortos. Cuando le digo que arrastran la comprensión lectora, tiende a no mandarme “lean este texto largo y escriban un ensayo” y a buscar otra entrada. Cuando le explico que el grupo trabaja principalmente con smartphones y datos, deja de proponerme actividades que dependen de una sala de cómputo. No siempre le atina a la primera, y a veces hay que insistirle o corregirle; pero el cambio de rumbo es notorio. No es que la máquina se haya vuelto más lista; es que por fin está resolviendo el problema correcto: mi clase, para mis alumnos, no una clase para el estudiante promedio del país.

Y esto no es solo mi impresión de docente entusiasmado. Un equipo de la Universidad Rice, encabezado por Johaun Hatchett, se puso a medir exactamente esto: compararon las decisiones pedagógicas de un modelo de lenguaje en dos condiciones, a ciegas —sin saber nada del aprendiz— y con información concreta sobre quién es, qué intenta aprender y cómo se relaciona con el contenido. El contexto no produjo un cambio cosmético: produjo cambios sistemáticos y medibles, y —esto es lo que más me importó— acercó las decisiones de la máquina a las que tomarían especialistas humanos. Sin contexto, la máquina se quedaba en instrucción general; con contexto, se movía hacia un apoyo específico para ese aprendiz. Y ahí me quedo, sin estirar lo que el estudio dice: no que la máquina “piense como un buen maestro”, sino que, cuando por fin sabe para quién diseña, sus decisiones se arriman más a las de un especialista y deja de repartir lo genérico. “Primero el retrato, después la clase” no era, entonces, una ocurrencia mía de sobremesa.

“¿Y esto no es más trabajo?”

Suena a que ahora, además de todo, hay que escribirle una biografía al grupo cada vez que uno quiere una clase. No. El retrato se hace una sola vez y cambia poco en todo el semestre: lo escribes al principio y lo reutilizas en cada petición. Y no tienes que investigar nada nuevo; todo eso ya lo sabes. Eres tú quien conoce a tus alumnos. El único trabajo es ponerlo por escrito una vez, para que la máquina pueda ver lo que tú ya ves cuando entras al salón.

Ese es, en el fondo, el punto. ChatGPT no es un mal diseñador; es un diseñador trabajando a ciegas. Puede armar mil clases buenas para nadie. La única que le falta —la de estos veintiocho, en esta comunidad, con este tiempo y estas dificultades— no la puede adivinar, porque el dato que la decide no está en sus datos: está en ti. Enseñarle quiénes son tus alumnos no es un paso extra. Es lo que convierte una clase correcta en tu clase.

Fuentes

National Academies of Sciences, Engineering, and Medicine. (2018). How People Learn II: Learners, Contexts, and Cultures. The National Academies Press. https://doi.org/10.17226/24783
CAST. (2026). Universal Design for Learning. https://www.cast.org/what-we-do/universal-design-for-learning/
Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J., & Léger, P. M. (2025). A systematic review of AI-driven intelligent tutoring systems in K-12 education. npj Science of Learning, 10, 29. https://doi.org/10.1038/s41539-025-00320-7
UNICEF. (2021). Digital Learning for Every Child: Closing the Gaps for an Inclusive and Prosperous Future. https://www.unicef.org/reports/digital-learning-every-child
Moll, L. C., Amanti, C., Neff, D., & González, N. (1992). Funds of Knowledge for Teaching: Using a Qualitative Approach to Connect Homes and Classrooms. Theory Into Practice, 31(2), 132–141. https://doi.org/10.1080/00405849209543534
Rubel, L., & Goidel, S. (2026). ChatGPT’s pedagogical approach and the potential for hidden curriculum through school context proxies. American Journal of STEM Education. https://doi.org/10.32674/nyqmx528
Hatchett, J., Basu Mallick, D., Bradford, B. C., & Baraniuk, R. G. (2026). Learning Context Matters: Measuring and Diagnosing Personalization Gaps in LLM-Based Instructional Design. arXiv. https://doi.org/10.48550/arXiv.2602.04972