Mis prompts se quedaron en el cajón. Entonces metí mi método en la IA

Mi primer taller de inteligencia artificial para maestros fue hace unos dos años, dos y medio. Llegué con lo que en ese momento me parecía oro molido: un banco de prompts, esas instrucciones ya redactadas que uno le pega a ChatGPT para que te arme una actividad, una tarea, una planeación. Los repartí, los fuimos probando uno por uno, y el taller salió bien. La gente se iba contenta, con sus prompts guardados y una actividad recién hecha en la mano.

Semanas después me empecé a enterar de lo que había pasado con esos prompts: nada. Muchos no los habían vuelto a abrir. No porque no sirvieran, sino porque, sin mí al lado, no sabían cuál usar, ni cómo cambiarle una palabra cuando el resultado no era el que necesitaban, ni qué hacer cuando la IA les devolvía algo que no cuadraba con su grupo. El banco de prompts se quedó en el cajón.

Funcionaba mientras yo estuviera ahí

Ese fue el golpe que necesitaba, aunque en el momento me cayó gordo. El taller “funcionaba”, sí, pero funcionaba porque yo estaba parado junto a ellos guiándolos: yo decidía cuál prompt tocaba, yo le corregía la instrucción cuando salía torcido, yo interpretaba la respuesta de la máquina y sabía si servía o no. Todo ese trabajo, que a mí me sale casi sin pensarlo, no se los había enseñado. Se los había hecho.

Y ahí entendí una cosa que me marcó: entregar prompts no era transferir mi manera de trabajar. Un prompt es una pregunta congelada, una respuesta a un problema que yo ya resolví antes. Pero enseñar no es dar la pregunta hecha; es enseñar a decidir cuál pregunta hace falta, a corregir la que salió mal y a juzgar si lo que regresó la herramienta de verdad sirve. Yo les había dado mis respuestas. No les había dado mi forma de llegar a ellas.

Con el tiempo le puse nombre a lo que había pasado. Hay una línea de investigación, la de la transferencia del aprendizaje, que distingue entre repetir un procedimiento en una situación casi idéntica y ser capaz de reconocer el principio de fondo para adaptarlo cuando cambian las condiciones. Mis compañeros habían recibido lo primero: soluciones pegadas a casos concretos, que servían mientras el caso siguiera siendo el del taller. En cuanto cambiaba el grupo, la materia o el propósito, tenían que reconstruir el problema solos, y para eso el banco de prompts no traía nada. Resulta que, como resume Hajian revisando esa literatura, la transferencia se vuelve posible cuando el que aprende reconoce los principios y las condiciones en que se aplican, no cuando memoriza una respuesta particular. Yo les había dado la respuesta y me había quedado con las condiciones.

Lo que de verdad hago cuando planeo

Así que me senté a ver, con calma, qué es lo que hago yo cuando me pongo a planear con la IA. Y resulta que no es un prompt. Es una secuencia con muchos altos.

Primero parto del programa de estudio, no de una idea suelta. Busco las progresiones de aprendizaje y, antes de seguir, me detengo a validar que lo que encontré sea lo correcto; si me equivoqué ahí, todo lo demás sale mal. Extraigo tal cual las metas, las categorías, las subcategorías, sin inventarles nada. Pregunto de cuántos contenidos y de cuántas horas estamos hablando. Propongo una manera de organizar el trabajo y espero el visto bueno antes de avanzar. Levanto el contexto real del grupo —quiénes son, con qué cuentan, cómo llegan— y le resumo a mi interlocutor lo que entendí para que me confirme que no me fui por otro lado. Hasta entonces diseño los proyectos o microproyectos, y les aplico mis criterios de siempre: que tengan inicio, desarrollo y cierre; evaluación diagnóstica y formativa; productos que se encadenen uno con otro; estrategias didácticas que aterricen; y ese reparto que cuido tanto, la mayor parte del tiempo para el estudiante y la menor para el maestro. Reviso que los tiempos cuadren y, otra vez, pido autorización antes de dar el siguiente paso.

Cuando lo escribí todo junto me di cuenta de algo: lo valioso no son los pasos. Son los altos. Los momentos en que me detengo a validar, a confirmar, a decidir si algo sirve o no antes de seguir. Ahí, en esos frenos, es donde vive mi criterio. Un prompt no tiene frenos; hace lo que le pides de un jalón. Mi manera de planear está hecha, sobre todo, de cuándo parar y qué revisar.

Y esto también tiene quien lo estudie. Hay un campo, el análisis cognitivo de tareas, que arranca de una observación incómoda: los expertos automatizan buena parte de su razonamiento y, cuando explican cómo trabajan, tienden a dejar fuera justo lo que los hace expertos —las condiciones que cambian un paso, las excepciones, los errores que anticipan, las señales de que algo va mal, los criterios con que comparan una opción y otra, y los puntos donde necesitan verificar antes de continuar—. Clark y sus colegas lo describen así, y a mí me ayudó a entender por qué mi banco de prompts se quedaba corto: yo había entregado los pasos visibles y me había guardado, sin darme cuenta, los altos, que era donde estaba lo bueno. No lo hice como un método formal; simplemente, al obligarme a escribir lo que hago, saqué a la luz un razonamiento que yo mismo tenía en automático.

Invertir quién hace las preguntas

Con eso claro, para el siguiente taller construí una herramienta. La primera versión la llamé TebaBot: un asistente personalizado, de esos que ahora puedes armar sobre ChatGPT sin programar nada, solo dándole instrucciones. Pero lo que me importa no es la herramienta en sí; cualquiera puede hacerse una. Lo que me importa es lo que le metí adentro y el giro que le di.

El giro fue este: invertir quién pregunta. Antes, el maestro cargaba con la parte más difícil, que era saber qué pedirle a la inteligencia artificial. Si no sabías formular la instrucción, no salías de la primera pantalla. Con ese primer asistente, el profesor ya no tiene que saber qué preguntar. Es el asistente el que le hace las preguntas a él, una por una, en orden, y va esperando sus respuestas. Le pide el programa, le muestra las progresiones que detectó y le exige que las valide, le pregunta por las horas, le propone una organización y aguarda su aprobación, le saca el contexto de su grupo, le confirma lo que entendió. El maestro ya no tiene que adivinar cómo hablarle a la máquina. Tiene que hacer lo que sí sabe hacer: responder desde lo que conoce de su materia y de sus muchachos, y decir “sí, así” o “no, cámbialo” en cada alto.

Ese giro no es un detalle de comodidad; ataca una barrera muy concreta. Formular una buena instrucción para una IA no es aprenderse frases: hay quien ya lo estudia como una competencia por derecho propio —Federiakin y sus colegas la llaman una habilidad del siglo XXI— y consiste en representar bien el problema, dar el contexto y poner las restricciones antes de esperar una respuesta que sirva. Eso es justo lo que a mis compañeros se les atoraba en cuanto yo no estaba. Al invertir quién pregunta, el asistente construye esa representación por tramos, junto con el maestro, en lugar de exigirle que la traiga lista desde la primera línea.

Aquel TebaBot fue el punto de partida, no el destino. Con cada taller le fui afinando las preguntas, ajustando los criterios y cerrando los huecos por donde se me colaba una planeación floja, y de tanto pulirlo terminó volviéndose otra cosa, más redonda, que hoy llamo Aristóteles. Es la versión actual y la más desarrollada. Además de cargar con toda mi metodología —la secuencia, las preguntas, los criterios, las validaciones y los puntos de control—, Aristóteles tiene una personalidad propia para conducir la conversación: pregunta y devuelve con un tono, no como un formulario frío. Hoy lo tengo montado de dos maneras, como un GPT personalizado dentro de ChatGPT y como una Gema en Gemini. Y conste que sigue sin haber programación ni entrenamiento de un modelo desde cero: es lo mismo que hice desde el primer día, solo que mejor afinado, instrucciones permanentes con mi forma de trabajar, mis criterios y mis puntos de control.

No metí mis planeaciones; metí mis reglas

Cuando cuento esto, a veces digo que “entrené” a la IA, y quiero ser honesto con la palabra, porque se presta a que suene a más de lo que es. No entrené un modelo desde cero, no soy ingeniero ni programé nada por dentro. Lo que hice fue ponerle instrucciones permanentes: mi secuencia de trabajo, mis preguntas, mis criterios pedagógicos, mis validaciones, mis puntos de control y mis reglas para decidir si una planeación sirve o no sirve.

Y ahí está, para mí, lo que de verdad cambió todo, dicho en una frase: no metí mis planeaciones en la IA. Metí las reglas con las que decido si una planeación sirve.

La diferencia parece chica y es enorme. Una planeación es un resultado: le sirve al que tenía ese grupo, esa materia, ese momento, y a nadie más igual. Las reglas para armarla, en cambio, sirven para construir la siguiente, y la siguiente, con cualquier grupo. Si a un compañero le regalo una planeación, tiene una clase. Si le paso el proceso con el que se decide una planeación, puede hacerse las que necesite. Eso era lo que el banco de prompts no lograba y lo que el asistente sí: no repartir respuestas, sino volver caminable el camino que yo seguía en la cabeza.

Y que no se me malentienda: no es que una planeación terminada o un buen prompt no sirvan para nada; claro que sirven. La investigación sobre ejemplos resueltos lo matiza con precisión: un ejemplo enseña cuando la persona estudia el proceso que lo produjo, las decisiones intermedias y los criterios de calidad, y no tanto cuando lo copia como producto cerrado. Atkinson y sus colegas lo mostraron hace ya bastante. El banco de prompts fallaba precisamente ahí: entregaba el ejemplo sin la lógica que lo sostenía. Con el asistente intenté justo lo otro: que, durante la ejecución y en cada planeación, queden explícitas las preguntas, los criterios y las comprobaciones que el banco de prompts dejaba escondidos. No es que el asistente enseñe por sí solo esa lógica; lo que hace es no dejarla oculta mientras se trabaja.

El asistente no es el maestro

Aquí tengo que frenar una idea que se malinterpreta fácil. Alguien podría pensar: entonces ya la máquina hace la planeación y el maestro sobra. No. Es al revés.

Aristóteles procesa, organiza, pregunta y propone. Pero el que valida, contextualiza, selecciona y decide sigue siendo el docente. El asistente no sabe cómo es tu grupo hasta que tú se lo dices; no sabe si la meta que extrajo es la correcta hasta que tú la confirmas; no sabe si el proyecto embona con tu realidad hasta que tú lo apruebas. Cada pregunta que hace es un lugar donde el maestro tiene que poner su criterio. De hecho, si alguien se pone a contestarle “sí” a todo, sin pensar, el asistente no lo salva: lo exhibe, porque le va a entregar una planeación impecable para un grupo que no existe. La herramienta no quita el juicio del maestro: le abre, paso a pasito, los lugares donde tiene que ponerlo. Que cada quien lo ponga o no, eso ya no lo garantiza ninguna herramienta.

Y en esto no ando solo. El marco de competencias docentes en inteligencia artificial de la UNESCO insiste en que ser competente con estas herramientas no es saber operarlas, sino conservar la agencia y la responsabilidad: juzgar cuándo usarlas, revisar lo que producen y responder por las decisiones. Y la OCDE, en su panorama de educación digital, advierte de un riesgo que me parece el más real de todos: que la herramienta suba la calidad aparente de un producto sin que la persona haya hecho el trabajo que ese producto aparenta demostrar. Una planeación impecable puede esconder que nadie revisó las progresiones, ni aportó el contexto, ni juzgó si las actividades venían al caso. Por eso me importa que Aristóteles no sea un chatbot que responde a cualquier cosa, sino una herramienta hecha para sostener un proceso concreto, con altos donde se detiene a pedir la validación del docente.

Por eso insisto en que esto no es magia ni es reemplazo. Es un andamio. La inteligencia artificial pone la velocidad y el orden; el maestro pone lo que ninguna máquina tiene: conocer a los muchachos que tiene enfrente y responder por lo que se lleva al aula.

Lo que en realidad estaba tratando de dar

Vuelvo al banco de prompts que se quedó en el cajón. Durante un tiempo pensé que el error había sido dar prompts malos o pocos. No era eso. El error era creer que se puede regalar el resultado de un criterio sin regalar el criterio.

Lo que yo quería darles a mis compañeros nunca fueron los prompts. Era mi manera de decidir. Y esa no cabe en una instrucción suelta que se copia y se pega; cabe en un proceso que lleva de la mano, hace las preguntas correctas y pide detenerse a validar en cada paso. Aristóteles es eso vuelto herramienta: mantiene a la vista las reglas de decisión, conduce el proceso sin que yo tenga que formular en persona cada pregunta, y deja que otro maestro recorra la metodología con sus propios datos y sus propias validaciones, sin depender de saber construir un prompt desde cero.

Reproducible, para mí, no es que otros hagan exactamente lo que yo haría. Es que el proceso quede a la mano para que cada quien decida con su grupo, su materia y su criterio, sin necesidad de tenerme parado al lado. Que cada maestro lo aproveche o no, eso ya no está en mis manos; lo que sí estaba era dejar de repartir respuestas y empezar a poner el criterio a la vista. Y eso, y no el banco de prompts, es lo que me puse a construir.

Fuentes

• Hajian, S. (2019). Transfer of learning and teaching: A review of transfer theories and effective instructional practices. IAFOR Journal of Education, 7(1), 93–111. https://doi.org/10.22492/ije.7.1.06
• Clark, R. E., Feldon, D. F., van Merriënboer, J. J. G., Yates, K. A., & Early, S. (2008). Cognitive task analysis. En J. M. Spector, M. D. Merrill, J. van Merriënboer & M. P. Driscoll (Eds.), Handbook of Research on Educational Communications and Technology. Lawrence Erlbaum Associates. https://digitalcommons.usu.edu/itls_facpub/366/
• Atkinson, R. K., Derry, S. J., Renkl, A., & Wortham, D. (2000). Learning from examples: Instructional principles from the worked examples research. Review of Educational Research, 70(2), 181–214. https://doi.org/10.3102/00346543070002181
• Federiakin, D., Molerov, D., Zlatkin-Troitschanskaia, O., & Maur, A. (2024). Prompt engineering as a new 21st century skill. Frontiers in Education, 9, 1366434. https://doi.org/10.3389/feduc.2024.1366434
• Miao, F., & Cukurova, M. (2024). AI Competency Framework for Teachers. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391104
• OECD. (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing. https://doi.org/10.1787/062a7394-en