La inteligencia artificial ya está en los centros educativos.
No está llamando a la puerta, ni “a punto de llegar”, ni es una tendencia que podamos observar desde lejos para decidir con calma si la dejamos entrar. Ya está dentro. Está en los trabajos que entrega el alumnado, en las búsquedas que hacen en casa, en los resúmenes y las redacciones que producen, y, cada vez más, en las herramientas con las que algunos docentes preparan materiales y en las conversaciones de claustro y de los equipos directivos.
La pregunta, por tanto, ya no es si la IA va a formar parte de la educación. La pregunta es otra: qué estamos haciendo educativamente con ella.
Y ahí se está instalando una idea con demasiada facilidad: como el alumnado usa inteligencia artificial, el alumnado está aprendiendo sobre inteligencia artificial.
No es así.
Usar IA no significa entenderla, igual que tener herramientas en el aula no significa alfabetizar en ella. Es una distinción que puede parecer obvia, pero que la práctica escolar difumina constantemente, y de ella depende buena parte de lo que entendemos —o deberíamos entender— por alfabetización en IA.
Los datos, además, invitan a tomársela en serio. Según TALIS 2024, solo uno de cada tres docentes utiliza IA, y tres de cada cuatro afirman no contar con las competencias o los conocimientos necesarios para enseñar con ella; al mismo tiempo, el 81 % de la ciudadanía europea cree que todo el profesorado debería estar preparado para usar y comprender la IA (Eurobarómetro sobre educación digital, 2025). Hay, por tanto, una distancia notable entre la expectativa social, la presencia real de la herramienta y la capacidad efectiva de trabajar con ella con criterio. Y si confundimos presencia con aprendizaje, podemos terminar celebrando que nuestros estudiantes hacen más cosas con IA mientras dejamos sin tocar lo importante: que comprendan qué usan, cómo funciona, qué límites tiene y qué decisiones humanas no deberían delegarse nunca.
La herramienta ya está; ahora falta el criterio
Durante años, muchas conversaciones sobre tecnología educativa empezaban por el acceso: dispositivos, conectividad, plataformas, herramientas. Y el acceso importa, porque sin uso no hay familiaridad y sin familiaridad es difícil construir una relación realista con la tecnología. Pero la IA generativa vuelve a enseñarnos algo que ya deberíamos haber aprendido: el acceso no garantiza comprensión.
Un estudiante puede utilizar un sistema de IA todos los días y no saber casi nada relevante sobre él. Puede escribir un prompt sin entender cómo se genera la respuesta, obtener un resumen sin detectar qué se ha simplificado o perdido, generar una imagen sin preguntarse con qué datos se ha entrenado el sistema, o entregar un producto aparentemente mejor habiendo aprendido menos por el camino.
Ahí está el núcleo del problema. La IA puede mejorar el producto final sin mejorar el aprendizaje; puede aumentar la velocidad sin aumentar la comprensión; puede reducir el esfuerzo sin desarrollar autonomía. Por eso no basta con preguntar si el alumnado usa IA. Hay que hacerse una pregunta más exigente: qué aprende cuando la usa, qué deja de aprender y qué parte del pensamiento sigue siendo suya.
Conviene además desconfiar de su aparente sencillez. No hace falta programar, ni instalar nada, ni dominar un lenguaje técnico: escribes, preguntas, ajustas, recibes. Esa facilidad es parte de su potencia, pero también de su riesgo, porque cuando una tecnología parece tan accesible caemos en la tentación de darla por comprendida. Y manejar una aplicación no es entender el sistema que hay detrás, igual que obtener respuestas no es saber evaluarlas.
A qué ayuda, no solo si ayuda
Digámoslo con claridad: la IA puede ayudar, y mucho. Puede personalizar materiales, generar ejemplos, revisar textos, explorar ideas, traducir o resumir, y puede hacerlo tanto para el profesorado como para el alumnado. Pero en educación no basta con que algo ayude. Hay que preguntarse a qué ayuda: si a pensar mejor o a pensar menos, a aprender más o solo a terminar antes, a comprender o a aparentar comprensión, a desarrollar autonomía o a crear dependencia. La cuestión no es tecnológica. Es pedagógica.
Y aquí entra un concepto que conviene manejar con precisión: la descarga cognitiva. Los seres humanos siempre nos hemos apoyado en recursos externos para pensar —un cuaderno, una calculadora, un mapa, una conversación—, así que descargar parte del trabajo mental no es nuevo ni necesariamente negativo. El problema aparece cuando descargamos de forma indiscriminada procesos que el estudiante todavía necesita desarrollar: si la IA resume siempre antes de que aprenda a identificar ideas principales, o redacta siempre antes de que aprenda a estructurar un argumento, o resuelve siempre antes de que se enfrente al problema, estamos eliminando una fricción que era parte del aprendizaje. Es lo que cabe entender como deuda cognitiva: el coste, a largo plazo, de un atajo intelectual tomado demasiado pronto.
La evidencia reciente invita a la prudencia en esa dirección, aunque conviene manejarla con la misma precisión que pedimos al alumnado. Los trabajos que asocian el uso de IA con una disminución del pensamiento crítico (Gerlich, 2025) son correlacionales y han sido discutidos metodológicamente, así que apuntan una hipótesis a vigilar más que una conclusión cerrada; en la misma línea, hay estudios que sugieren que descargar sistemáticamente el esfuerzo cognitivo puede debilitar la autorregulación y el control del propio pensamiento (Fan et al., 2025). El dato más sólido —y quizá el más incómodo— procede de la propia OCDE: los estudiantes que usan IA pueden producir trabajo de mayor calidad o demostrar dominio más rápido, pero esos resultados no se traducen necesariamente en aprendizajes duraderos (OCDE, 2026).
La clave, por tanto, no es prohibir la IA ni celebrarla sin matices, sino decidir cuándo ayuda al aprendizaje y cuándo lo sustituye. Y esa decisión no la puede tomar la herramienta: la toma el docente.
Hay, además, una consecuencia incómoda que conviene sostener: mejor producto no siempre significa más aprendizaje. Con IA, muchas tareas mejoran su acabado —textos más claros, presentaciones más visuales, trabajos más completos—, y durante años hemos diseñado tareas suponiendo que ese producto final era buena evidencia del aprendizaje. La IA rompe esa relación, o al menos la vuelve mucho más frágil: un buen texto ya no garantiza una buena comprensión; una respuesta correcta, un proceso propio; una presentación brillante, una elaboración profunda. Cómo rediseñar la evaluación para hacer visible el proceso merece una conversación propia. Lo que importa aquí es la conclusión que deja: alfabetizar en IA no es enseñar a producir más rápido. Es enseñar a pensar mejor en presencia de IA.
Lo que dicen los marcos: comprender, evaluar, decidir
Cuando se revisan los marcos internacionales más sólidos, aparece un patrón común: el centro de gravedad se ha desplazado del “saber usar” al “saber comprender y evaluar”.
La definición fundacional sigue siendo la de Long y Magerko, que sitúan la evaluación crítica de estas tecnologías antes que su uso, y que —importante— no exige saber programar para analizarlas con rigor. La revisión posterior de Ng y colegas ordenó el campo en cuatro bloques que han hecho fortuna: conocer y comprender, usar y aplicar, evaluar y crear, y cuestiones éticas. El uso, de nuevo, es solo una pieza de un conjunto más amplio.
Sobre esa base se han construido las referencias hoy más utilizables, y conviene no meterlas en el mismo saco, porque cumplen funciones distintas. El Marco de Competencias en IA para Estudiantes de la UNESCO (2024) es el más directamente escolarizable y el más portable a escala global —lo que lo hace especialmente útil más allá de Europa, en un espacio iberoamericano que comparte buena parte de estos debates—; organiza doce competencias en cuatro dimensiones, con una progresión de comprender, aplicar y crear. AI4K12 sigue siendo la mejor puerta de entrada para los conceptos nucleares y la progresión por edades, aunque se note su origen anterior al boom generativo. Y Digital Promise aporta una formulación muy fértil para el aula al ordenar la alfabetización en torno a comprender, evaluar y usar, con el juicio humano y la justicia como valores explícitos.
Lo relevante es que ninguno confunde tener IA con alfabetizar en IA. Todos, con matices, colocan la comprensión y la evaluación en el núcleo. El uso es el punto de partida, no el objetivo final.
El diferencial europeo: derechos y una asignatura pendiente
El enfoque europeo añade una capa que merece reconocerse: la conversación sobre IA no se ha planteado solo desde la eficiencia o la innovación, sino también desde los derechos. La agencia humana, la protección de datos, la transparencia, la regulación y la ciudadanía digital recorren el Reglamento Europeo de IA, el RGPD, DigComp, DigCompEdu y las directrices sobre uso ético de IA y datos en educación. Y esa mirada es necesaria, porque cuando hablamos de IA en centros educativos no hablamos de cualquier contexto: hablamos de menores, de datos, de evaluación, de decisiones que pueden afectar a trayectorias personales. La IA educativa no puede reducirse a “qué herramienta funciona mejor”.
Ahora bien, Europa arrastra una asignatura pendiente: traducir ese marco ético y normativo en currículo real. Tiene principios densos, regulación y guías, pero todavía le falta concretar qué debería aprender el alumnado sobre IA en cada etapa, cómo debería progresar ese aprendizaje y cómo evaluarlo con rigor. Esa es, precisamente, la diferencia entre un buen marco de intenciones y una alfabetización de verdad.
España: mucha actividad, poca arquitectura
El caso español ilustra bien esa tensión. Hay un movimiento creciente —programas, guías, formación, proyectos, materiales— y comunidades que han avanzado bastante, sobre todo en propuestas vinculadas a pensamiento computacional, programación, robótica y competencia digital. Todo eso es positivo. Pero conviene no confundir actividad con arquitectura.
España cuenta con un ecosistema estatal creciente y, sin embargo, todavía no con un marco nacional único y explícito de alfabetización en IA para el alumnado comparable al de UNESCO. La aproximación aparece distribuida entre la competencia digital de la LOMLOE, el área de Tecnología y Digitalización, el despliegue de Código Escuela 4.0, las guías del INTEF y el Observatorio de CodeINTEF. En las comunidades autónomas el panorama es desigual: las propuestas más explícitas en IA aparecen en Andalucía, Canarias, Cataluña, Comunidad Valenciana y País Vasco, mientras que muchas otras entran de forma indirecta, a través del pensamiento computacional y la robótica, y alguna, como Madrid, gravita más hacia las herramientas institucionales y la productividad docente.
De ahí el hallazgo que conviene subrayar: disponer de materiales no equivale a disponer de un marco. Muchas administraciones generan recursos, formación y equipamiento, pero pocas han fijado con claridad qué debería aprender el alumnado sobre IA, cómo progresar por etapas y cómo evaluar ese aprendizaje. Hay actividad; falta arquitectura.
Incluso en las comunidades más avanzadas conviven varias lógicas a la vez. En Andalucía, por ejemplo, los programas específicos orientados a la IA coexisten con el despliegue de Código Escuela 4.0 y con un impulso creciente desde los propios centros, liderado a menudo por el profesorado. Es una buena noticia, y a la vez la ilustración exacta del diagnóstico: donde la IA es más visible se superponen la lógica técnica, la instrumental y la ciudadana sin que un marco común acabe de articularlas.
Y queda la pregunta de fondo, que sigue abierta: qué debería saber, comprender y ser capaz de hacer un estudiante sobre IA al terminar Primaria; y al terminar Secundaria; y al terminar Bachillerato. Mientras no la respondamos con claridad, el avance será desigual, y la alfabetización en IA terminará dependiendo de algo que no debería: el centro en el que estudias, el docente que te toca o la comunidad en la que vives. Conviene añadir, además, que esta tensión no es solo española: se reproduce, con sus variantes, en buena parte del espacio iberoamericano, donde UNESCO actúa a menudo como referencia compartida. El diagnóstico viaja: muchos sistemas están introduciendo IA mucho más rápido de lo que definen qué significa entenderla.
Por qué AILit llega en un momento clave
En este contexto, el Marco AILit resulta especialmente interesante. No por ser el documento más reciente —ese sería un argumento pobre—, sino porque formula con claridad una idea que el sistema necesita asumir cuanto antes: interactuar con herramientas de IA no equivale a desarrollar alfabetización en IA. No dice que el uso sea irrelevante; dice algo más preciso: que el uso, por sí solo, no desarrolla las competencias necesarias para entender, evaluar y participar críticamente en un mundo con IA. Es, exactamente, la distinción con la que abríamos, llevada a documento de referencia.
AILit es una iniciativa conjunta de la Comisión Europea y la OCDE, con apoyo de un grupo internacional de expertos. Parte de un borrador de 2025 revisado tras una consulta en la que participaron más de 2.000 personas de más de 100 países, y se alinea con DigComp, la actualización de DigCompEdu, las directrices éticas de la Comisión Europea, el Reglamento de IA y los marcos de UNESCO, UNICEF y el Banco Mundial. España participó en su revisión a través del Ministerio de Educación, y parte del equipo trabaja desde nuestro país: no es, por tanto, un documento ajeno a nuestro contexto.
El marco organiza la alfabetización en cuatro dominios. El primero tiene que ver con participar de forma crítica y responsable, situándose ante la IA no como consumidor pasivo, sino como alguien capaz de analizar sus respuestas y sus límites. El segundo se centra en crear con IA sin perder la agencia humana: la herramienta puede ser apoyo creativo, pero no debería borrar la intención, la voz ni la responsabilidad de quien crea. El tercero aborda el reparto del trabajo entre persona y sistema, decidir de forma intencional qué hace cada uno y por qué. Y el cuarto, el más avanzado, apunta a dar forma a los sistemas para que respondan mejor a valores humanos, lo que exige más conocimiento técnico y más acompañamiento, y recuerda que la IA no es algo neutral que simplemente “aparece”: está diseñada por personas, con decisiones y prioridades.
Un rasgo más, importante: la ética no aparece como un bloque decorativo al final, sino que atraviesa todo el marco. Tiene sentido, porque si los sistemas de IA reflejan elecciones humanas, las consideraciones éticas no pueden separarse de la comprensión de los propios sistemas.
El marco no sustituye al docente
Hay otro punto de AILit que conviene destacar: no pretende ser una receta cerrada. No es un currículo obligatorio, ni una secuencia didáctica, ni una lista de actividades que aplicar de forma mecánica. Es una referencia para decidir mejor. Y eso importa, porque en educación necesitamos marcos sólidos, pero no más documentos que traten al profesorado como ejecutor de instrucciones externas. La implementación concreta depende del contexto, de la etapa, del alumnado y del juicio profesional del docente.
Conviene insistir en ello porque desmonta un equívoco frecuente: la IA no elimina el papel del profesorado, lo vuelve más importante. Cuanta más potencia tiene la herramienta, más decisivo es el criterio de quien decide cómo, cuándo, para qué y con qué límites utilizarla. Por eso la alfabetización en IA no puede ser tecnocéntrica: no va de enseñar una plataforma, ni de hacer una sesión de prompts, ni de presentar diez herramientas nuevas en una formación. Va de construir criterio pedagógico, ético y ciudadano en torno a una tecnología que ya está cambiando la forma en que producimos conocimiento.
Lo que PISA mide, mueve sistemas
Hay un elemento que vuelve este debate todavía más urgente: la alfabetización en IA va a entrar en el radar de las evaluaciones internacionales. AILit alimenta la evaluación PISA 2029 en alfabetización mediática e inteligencia artificial. No se trata de educar para PISA ni de reducir la conversación a una prueba, pero sí de entender la importancia política del movimiento: cuando algo empieza a medirse internacionalmente, deja de ser una conversación periférica y pasa a ocupar espacio en políticas, agendas, prioridades de formación y presión curricular.
Y ahí España tiene una oportunidad. Puede esperar a que la evaluación llegue y reaccionar tarde, o empezar ya a construir una visión seria, gradual y pedagógicamente sólida. Para eso necesitamos dejar de medir el avance por el número de herramientas que hemos probado. El avance real no está en cuántas aplicaciones conoce un estudiante, sino en cuánto criterio desarrolla para usarlas bien: si sabe cuándo una respuesta puede ser útil y cuándo necesita cuestionarla, si comprende que la IA no piensa como una persona aunque escriba como si lo hiciera, y si puede usarla sin desaparecer intelectualmente detrás de ella.
La línea que tenemos que trazar
La IA ya está en el aula. Eso no es lo difícil.
Lo difícil es convertir su presencia en aprendizaje: pasar del uso espontáneo a la comprensión crítica, diseñar actividades donde la IA no sustituya el pensamiento sino que lo haga más visible, y acompañar a un profesorado que no debería sentirse obligado a correr detrás de cada herramienta nueva. Porque tener IA en el aula no alfabetiza. Alfabetiza enseñar a preguntarse qué hay detrás de una respuesta, a contrastar y verificar, a reconocer límites y sesgos, a decidir cuándo usar IA y cuándo no, y a mantener la autoría, la responsabilidad y el juicio humano frente a una tecnología que no es magia, ni autoridad, ni sustituto del pensamiento.
La pregunta importante, por tanto, ya no es si nuestros estudiantes usan inteligencia artificial. La usan, y la van a seguir usando.
La pregunta es si les estamos enseñando a entenderla.
Porque tener la herramienta delante es lo fácil. Lo difícil —y lo verdaderamente educativo— es aprender a mirarla con criterio.