¿Capacitar o descualificar? El silencio incómodo en el debate sobre formación docente en IA
Durante una sesión de escucha convocada para recabar la opinión del profesorado sobre la inteligencia artificial en el aula, una docente llamada Sarah…
Durante una sesión de escucha convocada para recabar la opinión del profesorado sobre la inteligencia artificial en el aula, una docente llamada Sarah Hampton resumió la cuestión con una precisión que los informes técnicos rara vez alcanzan: “Quiero que la IA me ayude a ver rápida y fácilmente lo que mi estudiante necesita en su trayectoria de aprendizaje” [5]. La frase parece inocente. Pero esconde una pregunta que el debate sobre formación docente en IA prefiere no formular en voz alta: ¿quién decide qué necesita cada estudiante, el docente o el algoritmo? Y, en consecuencia, ¿la formación que recibe el profesorado le da herramientas para responder esa pregunta, o le enseña a ejecutar lo que el sistema ya ha decidido por él?
La formación como ecosistema… o como cadena de montaje
Los marcos de competencia docente en IA que circulan actualmente en la literatura académica comparten un supuesto que pocas veces se cuestiona: que el problema es de déficit. Los docentes no saben lo suficiente sobre IA, y la solución es formarlos. Así, estudios basados en el marco i-TPACK proponen intervenciones de desarrollo profesional que incluyen talleres, competiciones de casos de enseñanza con IA y observaciones de clase abiertas [1]. Otro enfoque sostiene que hace falta “un ecosistema de desarrollo profesional centrado en el docente” que implique a gobiernos, instituciones educativas y escuelas [2].
La palabra ecosistema suena horizontal. Pero conviene leer con atención quién diseña ese ecosistema y quién lo habita. Cuando el mismo texto que reivindica ese enfoque “docente-céntrico” identifica como actores del ecosistema a gobiernos e instituciones —y coloca a los docentes al final de la lista [2]—, la jerarquía queda implícita. La formación, en lugar de partir de las preguntas del profesorado, desciende hacia él desde una arquitectura que otros han trazado.
Esta tensión se vuelve más visible cuando se examinan los instrumentos de diagnóstico que acompañan a esos marcos. La escala TAILS, por ejemplo, permite evaluar el nivel de competencia de los docentes en formación en dimensiones como evaluación, contextualización, colaboración, autonomía y ética. El objetivo declarado es personalizar los itinerarios formativos. Nada que objetar en apariencia. El problema aparece cuando esos datos agregados pasan a manos de las instituciones para “decisiones basadas en datos sobre la inserción de la alfabetización en IA en los marcos de formación docente” [4]. El docente es diagnosticado, clasificado y asignado a un módulo. Su autonomía es el objeto de medición, no el punto de partida del proceso.
Cuando el algoritmo observa al observador
Uno de los usos de IA que más entusiasmo genera en la literatura es el análisis automatizado del aula. Herramientas capaces de calcular si los estudiantes hablan más o menos durante una sesión, de identificar momentos de la discusión “que vale la pena revisar con un coach de desarrollo profesional”, o de reconocer patrones en el comportamiento de los estudiantes que el docente no percibe en el calor del momento. La descripción tiene una lógica de apoyo genuino: liberar al profesorado de cargas administrativas para que pueda dedicarse a la conexión humana con sus estudiantes [5].
Sin embargo, hay algo que el entusiasmo pedagógico tiende a dejar fuera del encuadre: cuando un algoritmo analiza el aula, también analiza al docente. Lo mide, lo compara, genera métricas sobre su desempeño. ¿Quién accede a esas métricas? ¿Bajo qué condiciones laborales trabaja ese docente cuando sabe que su práctica es monitorizada en tiempo real? La misma fuente que celebra estas posibilidades reconoce que el profesorado planteó preocupaciones concretas sobre el uso de la IA durante las sesiones de escucha [5], aunque el informe no desarrolla esas preocupaciones con el mismo detalle que los beneficios. El silencio es significativo.
Desde una perspectiva de derechos humanos, la vigilancia algorítmica del trabajo docente es, antes que una cuestión técnica, una condición laboral. Y las condiciones laborales del profesorado determinan en qué medida puede ejercer su autonomía profesional, que es al mismo tiempo una condición del derecho a la educación de los estudiantes. Un docente que trabaja bajo supervisión algorítmica constante, sin acceso a los criterios con que es evaluado ni capacidad de impugnarlos, se convierte en un operario más controlado, no en un profesional más competente.
El dato que falta: el sesgo como condición estructural
Hay un fragmento en la literatura revisada que abre una grieta en el discurso dominante. Al hablar de herramientas de evaluación formativa mediadas por IA, un informe advierte que existen “preocupaciones sobre el sesgo y la equidad que pueden conducir a discriminación algorítmica” y que esas preocupaciones “van más allá de la privacidad de los datos” porque remiten a cómo las tecnologías pueden “dirigir o limitar injustamente las oportunidades de aprendizaje de algunos estudiantes” [5].
Es una afirmación relevante. Pero aparece como nota al margen de un argumento más amplio sobre las posibilidades de la IA, no como eje del debate formativo. Si la discriminación algorítmica es un riesgo real —y hay razones sólidas para pensar que lo es—, entonces la formación docente en IA tiene que ir más allá de enseñar a usar herramientas: debe incluir la capacidad de identificar cuándo una herramienta produce efectos discriminatorios, de negarse a usarla, y de contar con respaldo institucional cuando lo hace. Esto es autonomía profesional en sentido pleno. Y ninguno de los marcos de formación revisados la contempla en esos términos.
El contexto ucraniano analizado en uno de los estudios ofrece un dato que permite concretar la tensión: los docentes evaluados mostraban puntuaciones altas en conciencia ética pero bajas en aplicación práctica. La respuesta institucional propuesta fue dirigirlos hacia “módulos de talleres prácticos en lugar de contenido centrado en la ética” [3]. Es decir: más herramientas, menos preguntas. La lógica es coherente con el modelo de déficit, pero invierte exactamente las prioridades que una formación orientada a la autonomía profesional debería sostener.
Lo que el debate prefiere no preguntar
El debate sobre formación docente en IA se mueve con comodidad entre marcos de competencia, escalas de diagnóstico y ecosistemas de desarrollo profesional. Lo que rara vez pregunta es esto: ¿bajo qué condiciones trabaja el docente que se forma? ¿Tiene tiempo para reflexionar críticamente sobre las herramientas que usa, o la formación es un ítem más en una jornada laboral ya sobrecargada? ¿Puede rechazar una herramienta que considera éticamente problemática sin consecuencias para su evaluación profesional? ¿Participa en el diseño de las tecnologías que se le pide que integre?
Sarah Hampton tenía razón: los seres humanos son quienes tienen capacidad de reflexión moral y empatía [5]. Y esa capacidad depende menos de los cursos de alfabetización digital que de las condiciones en que puede ejercerse. Y eso es, precisamente, lo que el debate actual sobre formación docente en IA todavía se niega a poner sobre la mesa.
¿Qué pasaría si, en lugar de preguntar cómo formar a los docentes para usar la IA, empezáramos por preguntar qué derechos laborales y profesionales necesitan para poder cuestionarla?
Referencias
[1] Tan et al. (2025). Enhancing teachers’ AI competency: A professional development intervention study based on intelligent-TPACK framework. Ver estudio →
[2] Tan et al. (2025). Investigating the mediating role of TPACK on teachers’ AI competency and their teaching performance in higher education. Ver estudio →
[3] Marienko et al. (2026). AI literacy in secondary education: framework, assessment, and professional development in the Ukrainian context. Ver estudio →
[4] Nabhan y Habók (2026). Language teachers’ AI literacy: A psychometric study based on the ED-AI framework. Ver estudio →
[5] U.S. Department of Education, Office of Educational Technology (2023). Artificial Intelligence and the Future of Teaching and Learning: Insights and Recommendations. Washington, DC. www2.ed.gov/documents/ai-report/ai-report.pdf