
ADA: desarrollar inteligencia artificial con el aprendizaje como propósito

Desde una asistente de clase hacia una plataforma que también apoya el diseño, la gestión y el acompañamiento de cursos
El mes pasado contamos que nuestra querida ADA estaba creciendo. Su participación en distintas experiencias educativas nos ha permitido ampliar su alcance: desde una asistente de clase hacia una plataforma que también apoya el diseño, la gestión y el acompañamiento de cursos.
Ese crecimiento nos ha llevado a una pregunta que orienta el desarrollo: ¿cómo aseguramos que cada nueva funcionalidad contribuya al trabajo académico y al aprendizaje que queremos apoyar?
Para responderla, estamos organizando la construcción de ADA mediante una guía que conecta las decisiones de producto con principios de Quality Matters y Assurance of Learning —aseguramiento del aprendizaje—.
Es una forma de llevar nuestro framework de SUR-AI a la práctica: definir qué queremos lograr, delimitar las responsabilidades, preparar la información y evaluar el aporte de cada desarrollo antes de ampliar su alcance.
Del propósito académico a las funcionalidades
Una plataforma educativa puede incorporar muchas herramientas. Para decidir cuáles desarrollar, necesitamos comprender qué tarea ayudan a resolver y cómo se relaciona con la experiencia de aprendizaje.
En ADA estamos trabajando sobre una relación que recorre todo el ciclo académico:
Competencias del programa → resultados del curso → actividades y recursos → evaluación → evidencia → decisiones de mejora.
Esta relación permite formular preguntas concretas.
Si queremos que los participantes desarrollen una capacidad, ¿dónde tendrán la oportunidad de practicarla? ¿Qué actividad permitirá observarla? ¿Con qué criterios revisaremos su desempeño? ¿Qué haremos si las evidencias muestran dificultades?
Cada funcionalidad debe ayudar a responder alguna de estas preguntas o facilitar el trabajo necesario para hacerlo.
Por ejemplo, un apoyo al diseño de clases puede proponer recursos y actividades vinculados con un resultado de aprendizaje. Un módulo de evaluación puede conservar esa relación al organizar preguntas o criterios de una rúbrica. Un reporte puede ayudar al equipo a reconocer brechas y decidir qué reforzar.
Así, las distintas funciones comparten un propósito académico.
Dos referencias que se complementan
En este desarrollo utilizamos dos referencias con aportes diferentes.
Quality Matters orienta la calidad del diseño de la experiencia del curso: la claridad de sus objetivos, la relación entre actividades y evaluaciones, los materiales, la interacción, el apoyo y la accesibilidad.
Assurance of Learning orienta la observación y mejora de los aprendizajes: qué capacidades esperamos desarrollar, qué evidencias permiten evaluarlas y cómo utilizamos los resultados para tomar decisiones.
En ADA estamos traduciendo estos principios a funcionalidades, recorridos de uso y criterios de revisión. Por ejemplo, permitir que un docente compruebe la relación entre una actividad y su evaluación, o que un equipo académico recupere la evidencia que dio origen a una mejora.
Estas referencias orientan nuestro desarrollo. Su incorporación no equivale a una certificación de ADA ni demuestra por sí sola el cumplimiento de los requisitos de una institución.
Construir una tarea completa y probarla
Nuestra guía contempla el ciclo desde el diseño del programa hasta el cierre y la mejora. Pero ese recorrido académico no determina el orden de construcción.
Podemos comenzar por una necesidad próxima: preparar una sesión, gestionar una entrega, revisar una evaluación o apoyar el rediseño de una unidad.
Lo relevante es que cada desarrollo permita completar una tarea real, tenga responsables y deje evidencia para revisarlo.
Si trabajamos en la gestión de una entrega, por ejemplo, necesitamos que el participante encuentre las instrucciones, acceda a los criterios, entregue su trabajo y reciba retroalimentación. El docente debe poder revisar el proceso y reconocer qué requiere atención.
Ese recorrido permite evaluar la utilidad de la función y reconocer sus dificultades antes de extenderla.
Seguimos la lógica de los planos de la casa: mantenemos una visión del conjunto y construimos lo que necesita la etapa actual.
La IA propone dentro de responsabilidades definidas
ADA puede ayudar a preparar diseños, actividades, preguntas, rúbricas y análisis. Para integrar esas capacidades al trabajo necesitamos distinguir las propuestas generadas por IA de los contenidos revisados y aprobados.
El docente valida su pertinencia académica. La coordinación toma las decisiones que le corresponden y la institución establece sus reglas.
También delimitamos la información disponible para cada función. Los materiales que utiliza la asistente, los recursos publicados para participantes y las evidencias evaluativas tienen propósitos y permisos diferentes.
Esta distribución de responsabilidades permite aprovechar el apoyo de la IA manteniendo claridad sobre quién revisa, quién decide y bajo qué condiciones puede actuar la plataforma.
Funcionamiento y valor se comprueban en momentos distintos
En el desarrollo estamos distinguiendo tres estados:
- Implementada: la funcionalidad existe y permite recorrer la tarea.
- Verificada: supera sus controles con evidencia.
- Validada en uso: las personas completan la tarea y el equipo revisa sus resultados.
La distinción es útil porque una función puede operar correctamente y aun requerir cambios para facilitar el trabajo real.
Puede generar un reporte que resulte difícil de interpretar, preparar propuestas que demanden demasiada revisión o presentar instrucciones que los participantes no comprendan.
Por eso, cada entrega incluye pruebas con usuarios y una revisión de los problemas observados. Esa experiencia orienta la siguiente decisión de desarrollo.
Evaluar el aprendizaje exige interpretar la evidencia
Una de las decisiones centrales de ADA es mantener separados los registros que describen participación de las evidencias que permiten observar aprendizaje.
La asistencia, el acceso y las entregas pendientes ayudan a gestionar el curso. Las respuestas y los trabajos evaluados con criterios pueden aportar evidencia sobre aprendizajes específicos. La satisfacción informa sobre la experiencia.
Cada uno tiene valor, pero responde a preguntas diferentes.
También necesitamos reconocer cuánto hemos podido observar. Si un grupo tiene 25 participantes y contamos con 20 evidencias válidas, debemos mostrar esa cobertura al interpretar los resultados. La información faltante requiere atención y no debe transformarse automáticamente en una conclusión sobre el desempeño.
El propósito es que los equipos puedan comprender qué muestran los datos, qué falta conocer y qué decisiones están justificadas.
Mejorar incluye volver a evaluar
El ciclo continúa después de identificar una dificultad y realizar un ajuste.
Si modificamos una actividad, necesitamos registrar qué problema buscábamos resolver, qué cambiamos y cómo revisaremos su resultado en un próximo uso.
La guía de ADA distingue el hallazgo, la acción aprobada, su implementación y su reevaluación. Esto permite conservar las decisiones y reconocer cuándo todavía falta evidencia para valorar una mejora.
Queremos que la plataforma ayude a sostener esa continuidad: conectar lo ocurrido en una edición con las decisiones de diseño de la siguiente.
Una forma de desarrollar soluciones con IA
La experiencia de ADA está ayudándonos a concretar cómo trabajamos en SUR-AI.
Partimos de una necesidad, definimos el resultado esperado y construimos una aplicación acotada. La probamos con personas, revisamos sus resultados y decidimos cómo continuar.
En educación, ese recorrido tiene un propósito claro: facilitar el trabajo académico y contribuir a mejores experiencias y evidencias de aprendizaje.
Cada nueva capacidad de ADA debe poder explicar su aporte a ese propósito. Esa es la conexión que queremos mantener mientras sigue creciendo.
Escrito en colaboración con Sofía, asistente de IA.