Procesar no es decidir: lo que reviso al planear con IA

La primera vez que le pedí a la inteligencia artificial que me ayudara con la planeación, me dejó con la boca abierta. Le di el plan y programa completo —esos documentos largos que uno arrastra con flojera— y en segundos me lo había leído, me había ubicado las progresiones, me había relacionado los contenidos y me había devuelto una propuesta de planeación con sus actividades, ordenadita, con buena cara. Lo que a mí me llevaba tardes enteras, ella lo resolvió mientras yo me servía un café.

Y ahí estuve a punto de cometer el error, uno de esos que no se ven hasta que ya los cometiste. Vi aquello tan completo, tan rápido y tan bien presentado, que por un momento pensé: ya está, esto se va al salón. Me tardé más en darme cuenta de por qué todavía no estaba lista que lo que la máquina tardó en armarla.

Porque una cosa aprendí, y me costó: que una planeación salga en segundos no significa que esté terminada. La velocidad me hizo confundir una propuesta con una decisión. Y no es un descuido solo mío. Hay un estudio de William Powell y Suzanne Courchesne, publicado en PLOS ONE, que le pidió a ChatGPT armar planeaciones de ciencias para primer grado. La máquina las produjo rápido, y hasta se veían alineadas con el estándar que le pidieron; y aun así, los autores concluyen que aquello era un punto de partida, no un producto terminado: traía omisiones y cosas que había que rehacer, y necesitaba la revisión pedagógica de un maestro. Era ciencias de primer grado, un caso acotado que no se puede estirar a todas las materias ni a todos los niveles; pero el aviso me quedó grabado, porque describe exactamente la trampa en la que casi caigo: una respuesta bien presentada da una falsa sensación de que ya está.

Lo que la máquina sí hace, y lo hace muy bien

No vengo a decir que la IA no sirve para planear. Sirve, y mucho, en lo que es: procesar información. Y ahí le tengo respeto de verdad.

Yo trabajo con documentos curriculares que además han ido cambiando de forma. Hubo una etapa en que las Unidades de Aprendizaje Curricular se desarrollaban por progresiones, esos eslabones donde una progresión debía preparar la siguiente y los contenidos debían avanzar en secuencia. Después, con las adecuaciones que entraron entre finales de 2025 y principios de 2026, regresaron los propósitos de aprendizaje y cambió la manera de organizar las metas. Para un maestro, seguirle el paso a ese vaivén, comparar cómo estaba antes y cómo quedó, es un trabajo de lectura pesadísimo. La máquina lo hace en un momento: lee el programa entero, localiza progresiones y propósitos, compara estructuras, relaciona contenidos, revisa la secuencia entre metas y me señala dónde hay algo que no cuadra.

Y aquí voy a ser claro, sin suavizarlo: algunas progresiones oficiales estaban mal ordenadas. No es que yo no les entendiera; es que tenían errores objetivos de secuencia. Contenidos que debían ir antes aparecían después. Eslabones que supuestamente preparaban el siguiente no preparaban nada. Metas colocadas en un orden que no correspondía con su dependencia conceptual, es decir, con lo que de verdad hay que saber primero para poder entender lo que sigue. La IA me permitió procesar esas progresiones rápido, poner esas inconsistencias sobre la mesa y hasta argumentar por qué ese orden no se sostenía. Eso lo hizo bien y lo hizo veloz.

Pero procesar no es decidir

El problema no es lo que la máquina hace. El problema es lo que uno cree que ya quedó hecho.

Aquí me sirvió una distinción que trae el informe sobre inteligencia artificial de la Oficina de Tecnología Educativa del Departamento de Educación de Estados Unidos. Separan dos cosas que es fácil revolver: usar la IA para detectar patrones en la información y usarla para automatizar decisiones. Una herramienta puede encontrar relaciones, regularidades o posibles inconsistencias sin entender del todo lo que significan; y las recomendaciones que saca pueden estar apoyadas en información incompleta. Por eso el mismo informe insiste en que el maestro debe poder revisar, interpretar, intervenir y, si hace falta, rechazar lo que el sistema propone, y en que la responsabilidad sobre las decisiones importantes se queda del lado humano. Es un documento de política educativa, no un experimento sobre planeaciones; pero le pone nombre a algo que yo vivía en la práctica.

Porque que la IA me marque una inconsistencia en una progresión no quiere decir que tenga la razón: soy yo quien tiene que abrir el documento, contrastarlo, verificar si ese error es real o si la equivocada es ella, y decidir qué tan importante es. Y con esas progresiones fue justo lo que hice: la máquina comparó la secuencia y me señaló que algunos contenidos que debían preparar a los siguientes no estaban colocados uno después del otro. No me quedé con su palabra. Fui al documento, lo revisé meta por meta y confirmé que la inconsistencia era real: esos contenidos, en efecto, no estaban en el orden que su propia dependencia conceptual exigía. La IA fue utilísima para procesar el programa y localizar el problema; pero lo que volvió válido el hallazgo no fue su seguridad, sino que yo abriera el documento y lo verificara con mi criterio. Detectar que algo no cuadra pertenece al procesamiento. Determinar qué significa eso pedagógicamente, y qué hago al respecto, pertenece a la decisión. Que proponga una actividad no quiere decir que sirva para mi grupo. Que arme una secuencia no quiere decir que esa secuencia sea pedagógicamente correcta. La máquina procesa y propone; hasta ahí llega su parte. La otra parte —verificar, interpretar, seleccionar, decidir qué de todo eso merece llegar al aula— sigue siendo mía, y no es delegable.

El peligro, entonces, no es que la IA planee. El peligro es que yo deje de revisar porque la respuesta se ve completa. Que la velocidad me dé una falsa sensación de calidad y baje la guardia justo donde más falta hace. Ese “casi” fue precisamente eso: estuve a un pelo de mandar al salón una propuesta convincente como si fuera una decisión tomada.

El taller donde se vio clarito

Esto lo tengo bien visto de tanto repetirlo en mis talleres. Cuando empecé a enseñarles a otros maestros a planear con IA, yo llegaba con prompts genéricos: pedían materia, tema y número de horas, y ya. Con esos tres datos, la máquina soltaba las actividades sola.

Y pasaba algo que no falló una sola vez en los ejercicios que hice: cambiaba la redacción, cambiaba tantito la presentación, pero reaparecían casi siempre las mismas actividades. Exposiciones, maquetas, resúmenes, mapas mentales, mapas conceptuales. Los mismos productos escolares de siempre, con otras palabras. La máquina cambiaba el vocabulario, pero repetía la clase. (Y lo digo por lo que vi en mis talleres, no como una ley de todos los modelos ni una estadística de laboratorio.)

¿Por qué? Porque con materia, tema y horas, la IA no sabía nada de lo que importa: ni la comunidad, ni cómo era la escuela, ni los recursos, ni la tecnología que de verdad había, ni cómo se acostumbraba enseñar ahí, ni qué traían sabido los muchachos, ni sus necesidades. Sin eso, producía actividades formalmente correctas pero previsibles, desconectadas del grupo. Y varias de ellas, para colmo, se podían resolver por encimita con la misma IA, sin que el estudiante pensara gran cosa.

Lo vi con toda claridad en un taller, con Ciencias Sociales. Primero corrimos el prompt genérico —materia, tema, horas— y salieron, puntuales, las mismas familias de actividades de siempre. Después le agregamos el contexto real: que el grupo era de una comunidad, que la escuela no tenía tecnología suficiente, que ahí se enseñaba de manera bastante tradicional, y que en el salón había una alumna con dificultades de aprendizaje. Con esa información, el diseño cambió de raíz. La IA propuso una actividad adaptada específicamente para esa alumna, una propuesta distinta para el resto del grupo, y opciones que no dependían de una tecnología que no existía. De pronto la planeación se parecía a esa escuela.

Y la lección no fue “le faltaba un mejor prompt”. La lección fue que la máquina necesitaba información que solo el docente tenía. Ningún truco de redacción iba a sacar de la nada lo que solo estaba en mi cabeza porque yo conozco a ese grupo.

Lo que le dejo a la IA y lo que me quedo yo

Con el tiempo hice las paces con un reparto. A la máquina le dejo lo que hace bien: leer documentos larguísimos, procesar planes y programas, comparar estructuras curriculares, ubicar progresiones y propósitos, relacionar contenidos, detectar posibles inconsistencias, reorganizar información, proponerme alternativas, actividades, proyectos y variantes en cantidad. Todo eso que consiste en mover mucha información en poco tiempo, que lo haga ella.

Ese reparto no me lo saqué de la manga; coincide con lo que empieza a verse en la investigación. Una revisión reciente de Zhaoxing Wang y sus colegas juntó veintiocho estudios sobre cómo trabajan juntos docentes e inteligencia artificial al diseñar actividades, y el patrón que encuentran es más o menos ese: la IA aparece sobre todo como asistente, como generadora de contenido y de variantes, buena para acelerar la planeación, organizar información y ampliar ideas. Pero, subrayan, el docente sigue siendo el responsable de interpretar, adaptar, evaluar, aceptar, modificar o rechazar cada propuesta, y el diseño tiene que tomar en cuenta los objetivos, los recursos, las necesidades de los estudiantes y la dinámica real del aula. La revisión mezcla tecnologías, niveles y contextos distintos, así que no demuestra un único efecto; pero deja claro que decidir sobre lo que la IA produce —quedárselo, corregirlo o tirarlo— es parte central del trabajo de diseñar, no un trámite posterior.

Lo que no le entrego es el criterio. No le delego describir el contexto, porque el que conoce a mis estudiantes soy yo. No le delego interpretar el currículo, ni confirmar si un error que ella marcó es de verdad un error. No le delego elegir las actividades, ni decidir qué es viable con lo que hay, ni juzgar si algo es pertinente para la comunidad o si de verdad ayuda a aprender. Y no le delego, sobre todo, la decisión final: aplicar, modificar o rechazar. Cuando una propuesta no me convence, la rechazo, corrijo el contexto, pido otras opciones, la modifico, combino pedazos de varias. La IA amplía las posibilidades; yo conservo la dirección.

“¿Entonces me quita trabajo o me lo aumenta?”

Ninguna de las dos, o las dos a la vez. Me quita el trabajo pesado de procesar, y me deja de frente el que siempre fue el importante: decidir. No hago menos; hago lo que sí cuenta, y con menos excusas para no hacerlo, porque ya no puedo esconderme detrás de la falta de tiempo.

Esa es la parte que no me esperaba. Yo creía que entre más pudiera hacer la máquina, menos me iba a necesitar a mí. Es al revés. Entre más ejecuta la IA, más se nota quién tiene que poner el criterio. La automatización no vuelve innecesario el juicio del maestro: lo deja al descubierto. Y ese juicio no es un adorno ni una corrección de última hora. El marco de competencias en inteligencia artificial para docentes que publicaron la UNESCO, de la mano de Fengchun Miao y Mutlu Cukurova, lo pone en el centro: ser competente con estas herramientas no es saber manejarlas ni sacarles contenido, es evaluar críticamente lo que entregan, reconocer sus límites y decidir cómo usarlas con un propósito educativo, conservando la responsabilidad y la agencia sobre lo que pasa en clase. Dicho en mis palabras: saber sacar una planeación con IA no es lo mismo que saber planear con IA. Lo primero lo aprende cualquiera en una tarde; lo segundo es oficio.

La máquina puede leer el programa completo en segundos; no puede conocer mi salón si yo no se lo enseño, ni decidir por mí qué merece convertirse en clase. La IA encuentra posibilidades. Yo decido cuáles se vuelven una planeación de verdad. Procesar no es decidir, y una respuesta en segundos no es, todavía, una clase lista. Aquel día no cometí el error de creer que sí. Por poco, pero no.

Fuentes

• Powell, W., & Courchesne, S. (2024). Opportunities and risks involved in using ChatGPT to create first grade science lesson plans. PLOS ONE, 19(6), e0305337. https://doi.org/10.1371/journal.pone.0305337
• Wang, Z., Liu, M., & Islam, A. Y. M. A. (2026). Reimagining teacher-AI co-design in learning task design: trends and perspectives. Humanities and Social Sciences Communications, 13, 757. https://doi.org/10.1057/s41599-026-06981-y
• Office of Educational Technology, U.S. Department of Education. (2023). Artificial Intelligence and the Future of Teaching and Learning: Insights and Recommendations. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
• Miao, F., & Cukurova, M. (2024). AI Competency Framework for Teachers. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391104