¿Cómo sabemos que una persona ha aprendido cuando utiliza IA?
El fin del producto final como evidencia
Cuando cualquier ensayo, informe, presentación o código puede generarse o mejorarse rápidamente mediante IA, el producto final deja de ser una evidencia confiable de aprendizaje. EDUCAUSE identifica una transición hacia evaluaciones auténticas y demostraciones de aprendizaje basadas en el proceso.
Este será probablemente uno de los espacios de mayor demanda de los próximos años: rediseñar la evaluación para observar lo que la IA no puede simular de forma sostenida.
Qué evaluar ahora
La evaluación en la era de la IA debe observar y valorar:
- Razonamiento y calidad de las decisiones.
- Iteraciones y evolución del trabajo.
- Transferencia a contextos nuevos.
- Defensa oral del conocimiento.
- Contribución individual en trabajo colaborativo.
- Reflexión metacognitiva.
- Calidad del uso de la IA como herramienta.
- Evidencias del proceso, no solo del resultado.
Del perfil de egreso a las evidencias
La lógica skills-first está ganando relevancia: las competencias demostrables pesan cada vez más que las credenciales tradicionales en la relación entre formación y empleo. Las universidades necesitarán perfiles de egreso observables, mapas de competencias, evidencias longitudinales, portafolios verificables y sistemas para explicar qué sabe hacer realmente una persona graduada.
Trabajo la cadena completa: perfil de egreso → progresión competencial → experiencias de aprendizaje → evaluación → evidencias → credenciales conectadas con el empleo.
Metacognición y trazabilidad
Mi experiencia en evaluación competencial, evaluación 360º, metacognición y trazabilidad del proceso —desarrollada en BeChallenge y SkillsTracker— permite diseñar sistemas de evaluación que generan evidencias útiles para el estudiante, el profesorado, la acreditación y el empleador.