Desarrollo de la alfabetización en IA: marcos de trabajo, herramientas y prácticas

La alfabetización en AI es la capacidad de una persona para comprender y utilizar de manera eficaz las herramientas de AI, lo que incluye entender cómo funciona la AI, evaluar críticamente sus resultados y reconocer las implicaciones éticas de su uso. La demanda de alfabetización en AI se ha multiplicado por siete en dos años, a medida que las herramientas de AI generativa han pasado de ser una novedad a una utilidad diaria en el lugar de trabajo, y se está volviendo tan crucial para el avance profesional como la alfabetización digital.

El doce por ciento de los adultos empleados ahora utiliza la AI a diario en su trabajo, y el Foro Económico Mundial predice que el 40% de las habilidades requeridas cambiará en un plazo de cinco años. Esta guía cubre un marco práctico de alfabetización en AI, estrategias para la educación superior y las herramientas, la evaluación y los fundamentos de la informática que respaldan una verdadera fluidez en AI.

¿Qué es la alfabetización en AI y la inteligencia artificial?

La alfabetización en AI es la combinación de habilidades y conocimientos que permite a una persona utilizar las herramientas de AI de manera eficaz, evaluar críticamente sus resultados y comprender las limitaciones de los sistemas que los producen; una forma de fluidez aplicada, similar a cómo la alfabetización digital no requiere que alguien construya una computadora para usarla de manera productiva.

La inteligencia artificial se refiere a sistemas informáticos diseñados para realizar tareas que normalmente requieren la cognición humana, como la comprensión del lenguaje, el reconocimiento de patrones y la toma de decisiones. El machine learning y el deep learning son subcampos de la inteligencia artificial que permiten a los sistemas mejorar en las tareas mediante la exposición a los datos, en lugar de reglas escritas a mano.

Un estudiante con fluidez básica en AI puede identificar cuándo una herramienta de AI se adapta a un problema, redactar una solicitud que produzca un resultado útil y reconocer las señales de que un resultado puede ser inexacto o sesgado; el uso adecuado, eficaz y crítico constituye la base de todos los marcos de trabajo que se tratan aquí.

Marco de alfabetización en AI

La mayoría de los marcos de alfabetización en AI organizan las competencias en torno a tres modos de interacción: comprender cómo funcionan los sistemas de AI, evaluar la precisión y el sesgo de los resultados de la AI, y utilizar herramientas de AI para realizar tareas. Los marcos de alfabetización en AI suelen incluir dominios funcionales, críticos y éticos, cada uno de los cuales se asocia con habilidades observables en lugar de conocimientos abstractos.

El dominio funcional abarca la creación de prompts y la comprensión de vocabulario como los modelos de lenguaje grandes, los datos de entrenamiento y los modelos de machine learning. El dominio crítico abarca la verificación de los resultados con el material de origen y el reconocimiento de información alucinada. El dominio ético abarca la privacidad de los datos, la integridad académica y cómo el sesgo se introduce en los resultados de la AI a través de los datos de entrenamiento.

La alfabetización en AI promueve el pensamiento crítico sobre las tecnologías de AI y sus aplicaciones, asociando cada competencia con un valor: precisión, escepticismo y responsabilidad.

Marco ampliado de alfabetización en AI

Una versión más detallada del marco divide las acciones de Comprender, Evaluar y Usar en niveles de progresión. En el nivel inicial, el estudiante puede definir términos clave e identificar la AI en los productos cotidianos. En el nivel intermedio, puede comparar los resultados de varias herramientas. En el nivel avanzado, puede auditar los resultados de un sistema para detectar sesgos y diseñar flujos de trabajo con supervisión humana.

Comprender significa entender que un modelo genera resultados a partir de patrones aprendidos en los datos de entrenamiento, en lugar de una comprensión real. Evaluar significa aplicar una lista de verificación coherente (que incluye contrastar las afirmaciones con una fuente confiable) antes de utilizar un resultado. Usar significa aplicar herramientas de AI a tareas reales de investigación, redacción, programación y análisis de datos, lo que ayuda a los estudiantes a ver la alfabetización en AI como una habilidad transferible.

Desarrollo de la alfabetización en AI en la educación superior

Las instituciones de educación superior tienen una responsabilidad especial en lo que respecta a la alfabetización en AI, ya que los estudiantes se graduarán para incorporarse a una fuerza laboral en la que las herramientas de AI generativa ya son un estándar. Las estrategias de integración curricular funcionan mejor cuando se distribuyen entre los departamentos en lugar de limitarse a una sola materia optativa de informática, ya que evaluar un resumen legal generado por AI requiere habilidades diferentes a las de evaluar un informe de laboratorio generado por AI.

En 2024, una encuesta realizada al profesorado reveló que los educadores con conocimientos de AI utilizan más las herramientas de AI, y este patrón se extiende a los estudiantes: el ejemplo práctico del profesorado fomenta la adopción y la confianza de manera más eficaz que los documentos de políticas por sí solos. Los módulos específicos para cada función son importantes: la capacitación del profesorado sobre el uso responsable de la AI en la calificación es diferente de la capacitación de los estudiantes sobre la investigación y la redacción asistidas por AI.

Los puntos de control de evaluación permiten a las instituciones realizar un seguimiento de la alfabetización en AI de la misma manera que lo hacen con la competencia escrita: un punto de control inicial podría evaluar definiciones y riesgos básicos, mientras que un punto de control antes de la graduación podría evaluar si los estudiantes pueden auditar un resultado generado por AI en comparación con el material de origen.

Ejemplos de cursos y tareas

Un plan de estudios modular para una unidad de AI generativa suele comenzar con definiciones y una demostración, pasa a la práctica guiada de redacción de prompts y finaliza con un proyecto que requiere que los estudiantes evalúen y revisen el contenido generado por AI en lugar de entregarlo sin editar.

Una tarea que evalúa la calidad del prompt pide a los estudiantes que entreguen un prompt junto con su resultado, y luego expliquen qué funcionó y cómo lo modificarían. El uso eficaz de la AI incluye aprender prompt engineering (la práctica de diseñar prompts claros para obtener resultados específicos), lo que hace que la iteración de prompts sea una habilidad visible en lugar de un intento al azar.

Una rúbrica para el uso ético de la AI debe calificar por separado la divulgación, la verificación de las afirmaciones y la proporción de análisis original, evitando el error de tratar "usó AI" y "usó AI de manera irresponsable" como una sola infracción.

Herramientas de AI y herramientas de AI generativa

Las herramientas de AI utilizadas en el aula y en el lugar de trabajo generalmente se dividen en unas pocas categorías: asistentes de redacción, herramientas de investigación y resumen, herramientas de análisis de datos y herramientas de generación de imágenes o código. Catalogar las herramientas por caso de uso, en lugar de por proveedor, ayuda a los instructores a adaptar una herramienta a un objetivo de aprendizaje.

Las herramientas de AI generativa pueden mejorar el aprendizaje y las capacidades humanas cuando se utilizan con límites claros en torno a lo que produce la herramienta frente a lo que el estudiante debe producir de forma independiente. La alfabetización en AI generativa se centra específicamente en los modelos de lenguaje grandes, ya que estos sistemas impulsan la mayoría de las herramientas de redacción y conversación con las que los estudiantes interactúan primero.

Comparar los puntos fuertes de las herramientas para tareas específicas es importante porque ninguna herramienta funciona mejor en todas las categorías; parte de la alfabetización en AI consiste en reconocer cuándo una herramienta no es la adecuada para una tarea. Una plantilla de inicio rápido para una herramienta debe indicar su caso de uso, un prompt de ejemplo y las limitaciones conocidas, como la invención de citas.

Cómo funciona la AI: modelos y resultados

Los chatbots de AI analizan datos para generar respuestas de texto probables en lugar de recuperar respuestas preescritas de una base de datos. Un modelo de lenguaje grande se entrena con grandes cantidades de texto, aprendiendo patrones estadísticos sobre cómo se relacionan las palabras entre sí, y genera cada palabra nueva prediciendo el siguiente token más probable teniendo en cuenta todo lo anterior.

El entrenamiento de modelos implica exponer un sistema a grandes volúmenes de datos y ajustar los parámetros internos hasta que los resultados se alineen con los patrones de esos datos; un modelo preentrenado también se puede adaptar a una tarea más específica mediante el fine-tuning, aunque incluso un sistema con fine-tuning no tiene un mecanismo integrado para verificar que su resultado sea fácticamente correcto.

El sesgo en los resultados del modelo suele originarse en los propios datos de entrenamiento: las perspectivas sobrerrepresentadas o subrepresentadas en esos datos se muestran como un desequilibrio en los resultados. La concienciación sobre los datos es necesaria para comprender cómo afecta la calidad de los datos a los resultados de la AI, lo que la convierte en una habilidad fundamental de la alfabetización en AI.

La alucinación (un modelo que genera información segura y plausible pero fácticamente incorrecta) ocurre porque el modelo genera la continuación estadísticamente probable de un prompt en lugar de verificar un hecho con una fuente verificada. Los signos comunes incluyen citas que no se pueden localizar y respuestas que cambian cuando se preguntan dos veces.

Uso práctico de la AI en la vida diaria

La alfabetización en AI capacita a las personas para navegar por la influencia de la AI en la vida diaria, desde los resultados de búsqueda basados en AI hasta los asistentes de redacción y las herramientas de programación en el lugar de trabajo. Reconocer dónde opera ya la AI en segundo plano en las aplicaciones cotidianas es, en sí mismo, una habilidad de alfabetización.

Una lista de verificación para el intercambio seguro de datos de AI debe evitar introducir información de identificación personal o documentos de trabajo confidenciales en herramientas orientadas al consumidor, a menos que una organización haya aprobado ese uso, ya que muchas herramientas gratuitas conservan los datos de las conversaciones para el entrenamiento de forma predeterminada. Revisar la configuración de retención de una herramienta de AI y separar las cuentas personales de las de trabajo reduce el riesgo de exposición no deseada de datos.

Evaluación crítica y ética

La alfabetización en AI enseña a los usuarios a reconocer problemas como el sesgo y la privacidad antes de actuar sobre un resultado generado por AI. Una lista de verificación de evaluación crítica paso a paso pregunta si una afirmación es verificable, si el resultado muestra signos de sesgo y si actuar en consecuencia tendría un costo significativo en caso de ser incorrecto. Los ejercicios de detección de sesgos funcionan mejor con prompts emparejados (la misma solicitud redactada con diferentes detalles demográficos) para que los estudiantes puedan observar cómo cambian los resultados según el enfoque.

La alfabetización ética en AI incluye comprender las implicaciones morales de la AI, como la autoría, el consentimiento y el costo de entrenar modelos grandes. Las prácticas de atribución y transparencia (revelar cuándo la AI ayudó en un trabajo) protegen la integridad académica y la credibilidad profesional. La US Copyright Office aclaró el estado de los derechos de autor del material generado por AI en 2023, estableciendo que el contenido generado puramente por AI generalmente no puede recibir protección de derechos de autor sin una autoría humana significativa.

Fundamentos de informática para la alfabetización en AI

Un estudiante no necesita un título en informática para tener conocimientos de AI, pero una comprensión práctica de algunos conceptos fundamentales hace que la evaluación y la resolución de problemas sean mucho más efectivas. Los conceptos esenciales incluyen cómo se estructuran los datos, la distinción entre programas basados en reglas y modelos aprendidos, y cómo los sistemas informáticos transforman las entradas en salidas.

Las rutas de programación para principiantes son útiles incluso para estudiantes sin perfil técnico, ya que escribir una pequeña cantidad de código desmitifica cómo se integra la AI en los productos que la gente ya utiliza. Los temas de estadística básica completan la base: qué representa una distribución de probabilidad, por qué una puntuación de confianza no es lo mismo que la precisión y cómo el tamaño de la muestra y la calidad de los datos afectan a la confiabilidad.

Implementación de programas de alfabetización en AI

Una evaluación inicial de alfabetización en AI debe medir las competencias funcionales, críticas y éticas por separado, ya que una organización puede ser fuerte en el uso de herramientas pero débil en la evaluación crítica. Identificar y capacitar a promotores internos acelera la adopción, ya que la capacitación dirigida por compañeros genera más confianza que las directrices impuestas desde arriba; los programas de alfabetización en AI son esenciales para un uso responsable de la AI, y los promotores integrados en los equipos modelan ese uso en su contexto.

Establecer una estructura clara de gobernanza de AI y una política de uso aceptable ofrece a los estudiantes un límite concreto de lo que está permitido, lo que reduce la ambigüedad que provoca una evitación excesivamente cautelosa o un uso desmedido e imprudente. Los programas de alfabetización en AI deben incluir consideraciones éticas y de gobernanza desde el principio, y son reconocidos por los gobiernos de varios países como parte de la estrategia nacional de habilidades digitales. Realizar experimentos iterativos piloto (probar un módulo con un grupo pequeño antes de un lanzamiento completo) permite a las instituciones ajustar el contenido en función de los comentarios reales.

Evaluación y métricas

Los objetivos de aprendizaje medibles deben especificar un comportamiento observable, no solo un tema: "identificar tres signos de alucinación de AI en una salida de muestra" es medible, mientras que "comprender las limitaciones de la AI" no lo es. Las tareas formativas funcionan mejor cuando reflejan casos de uso reales: evaluar un resumen defectuoso generado por AI demuestra una evaluación crítica de manera más directa que una pregunta abstracta de opción múltiple.

Las métricas de impacto deben realizar un seguimiento de los resultados más allá de la finalización del curso, incluyendo con qué confianza los estudiantes afirman usar las herramientas de AI meses después y si el uso declarado de AI en las tareas escolares aumenta con el tiempo; las métricas a más largo plazo importan tanto como las puntuaciones posteriores a la capacitación.

Recursos, kits de herramientas y próximos pasos

Las lecturas recomendadas deben actualizarse periódicamente, ya que las herramientas de AI cambian más rápido que la mayoría de las demás materias del plan de estudios. Un curso de fundamentos de AI generativa y una referencia duradera como The Big Book of Generative AI envejecen mejor que una lista de lectura basada en nombres de herramientas específicas, y los tutoriales prácticos combinados con una breve pregunta de reflexión transforman un recorrido pasivo en un ejercicio activo.

Para 2026, el 67% de los CEOs cree que la AI aumentará la plantilla de nivel inicial, incluso a medida que los roles cambien hacia un trabajo aumentado por AI. Una hoja de ruta de implementación de seis meses debe tratar la alfabetización en AI como una capacidad continua: el primer mes para la evaluación inicial, los meses dos a cuatro para la entrega de módulos y la capacitación de promotores, y los meses cinco y seis para medir el impacto y perfeccionar el programa.

Preguntas frecuentes sobre la alfabetización en AI

¿Qué es la alfabetización en AI?

La alfabetización en AI es la capacidad de una persona para comprender cómo funcionan los sistemas de AI, evaluar sus resultados de manera crítica y utilizar las herramientas de AI de manera eficaz y ética.

¿Por qué es importante la alfabetización en AI en la educación superior?

Los estudiantes se incorporarán a un mercado laboral en el que las herramientas de AI generativa ya son una práctica habitual. Las instituciones que integran la alfabetización en AI en todos los departamentos preparan a los estudiantes para evaluar y utilizar las herramientas de AI de manera responsable en cualquier campo.

¿Cuáles son los dominios principales de un marco de alfabetización en AI?

Los marcos de alfabetización en AI suelen organizar las habilidades en tres dominios: alfabetización funcional, la capacidad de utilizar herramientas de AI de manera eficaz; alfabetización crítica, la capacidad de evaluar los resultados en cuanto a precisión y sesgo; y alfabetización ética, la comprensión de las implicaciones morales y legales de la AI.

¿Cómo pueden los educadores evaluar la alfabetización en AI?

Los educadores pueden evaluar la alfabetización en AI mediante objetivos medibles basados en el comportamiento, como pedir a los estudiantes que identifiquen errores en un resultado defectuoso generado por AI o que declaren y justifiquen su uso de AI en un proyecto.

¿Qué causa la alucinación de AI?

La alucinación de AI ocurre porque los modelos de lenguaje grande generan la continuación estadísticamente más probable de un prompt en lugar de recuperar y verificar hechos de una fuente confiable, razón por la cual la evaluación crítica de los resultados de AI es una habilidad fundamental de la alfabetización en AI.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original