Un buen profesor no es quien controla mejor todas las respuestas: en situaciones complejas, su competencia aparece precisamente cuando debe interpretar lo que no estaba previsto.
Esta lección contrasta práctica reflexiva, competencias docentes y mediación con inteligencia artificial para que construyas un perfil de buena docencia aplicable a tu propio caso.
🧭 Antes de comenzar
Un docente utiliza una herramienta generativa para producir retroalimentación rápida, revisa cada salida y modifica el diseño cuando detecta respuestas superficiales. ¿Qué rasgo describe mejor su competencia profesional?
Objetivo didáctico
Al finalizar esta lección, diseñarás un perfil argumentado de “buen profesor” para tu contexto, articulando práctica reflexiva, competencias profesionales y criterios de gobierno de mediaciones tecnológicas, y lo contrastarás con tu práctica real para justificar qué capacidades debes conservar, desarrollar o redefinir.
Introducción
La pregunta por el “buen profesor” suele producir listas normativas: dominio disciplinar, claridad, empatía, evaluación, innovación, tecnología. El problema de una lista es que trata cada rasgo como si pudiera aplicarse de forma independiente a cualquier situación. En la práctica profesional, enseñar exige interpretar contextos inciertos, formular problemas, escoger prioridades y asumir consecuencias. Schön (1983) describió esa competencia como reflexión en la acción: una conversación con la situación donde el profesional reformula su comprensión mientras actúa.
Perrenoud (2004) complementa esta perspectiva mediante un enfoque de competencias que incluye organizar situaciones de aprendizaje, gestionar progresión, diferenciar, implicar al alumnado, trabajar en equipo, participar en la gestión escolar, usar tecnologías, afrontar dilemas éticos y sostener la propia formación. La lista no funciona como inventario de rasgos personales; funciona como repertorio de acciones profesionales cuya pertinencia depende del contexto.
La inteligencia artificial introduce una dificultad adicional. La revisión sistemática de Qian (2025) muestra que la inteligencia artificial generativa se utiliza en educación superior para tutoría, retroalimentación, creación de contenidos, evaluación y otras funciones, pero los efectos dependen de cómo se integra pedagógicamente. El OECD Digital Education Outlook 2026 insiste en distinguir el simple desempeño asistido del aprendizaje que se produce bajo diseños intencionales. Por eso, ser buen profesor en la era digital no puede reducirse a “saber usar inteligencia artificial”.
El Sinteligentismo de Muñoz Mújica (2026) amplía este problema hacia el gobierno reflexivo de inteligencia compartida: cuando sistemas con inteligencia artificial participan en funciones cognitivas de la actividad, la competencia docente incluye decidir qué se distribuye, bajo qué criterios se valida y dónde permanece la responsabilidad. Esta perspectiva se articula con la reflexión profesional de Schön y con las competencias docentes de Perrenoud para diseñar la mediación contemporánea.
Desarrollo del tema
Práctica reflexiva: actuar cuando la situación no cabe en la receta
Schön (1983) cuestiona la imagen del profesional como mero aplicador de conocimiento técnico previamente formulado. En los problemas reales, los fines pueden ser ambiguos, los datos incompletos y las situaciones únicas. Antes de resolver, el profesional debe decidir qué problema está resolviendo. Esa operación de encuadre es central para la docencia: el mismo bajo desempeño puede interpretarse como falta de conocimiento previo, instrucción insuficiente, desalineación evaluativa, dificultad motivacional o problema de acceso.
La reflexión en la acción ocurre mientras se interviene: una respuesta inesperada del grupo obliga a revisar la hipótesis y modificar la estrategia. La reflexión sobre la acción ocurre después, cuando se reconstruye lo sucedido y se extraen criterios para futuras situaciones. Ninguna de las dos equivale a improvisación sin fundamento; ambas requieren repertorio profesional y capacidad de interpretar evidencia.
En educación digital, los sistemas registran trazas, producen recomendaciones y generan respuestas en tiempo real. Esto multiplica señales disponibles, pero no resuelve el encuadre. Un sistema puede detectar que un estudiante no completó una actividad; corresponde al juicio docente determinar qué significa ese dato, qué evidencia adicional necesita y qué intervención es proporcionada.
🔎 Audita una decisión docente
Decide: recupera una decisión de E3 sobre cómo favorecer el aprendizaje. Escribe dos encuadres alternativos del mismo problema y señala qué intervención cambiaría en cada uno. Si ninguna decisión cambia, probablemente el encuadre todavía es demasiado general.
Competencias docentes: de la lista de habilidades a la coordinación profesional
Perrenoud (2004) formula competencias que combinan conocimientos, decisiones y acción situada. El valor de este enfoque para una unidad de posgrado no reside en memorizar diez categorías, sino en observar que una práctica competente integra varias a la vez. Diseñar una actividad digital puede requerir organizar una situación de aprendizaje, diferenciar apoyos, utilizar tecnología, evaluar progresión y afrontar dilemas éticos de manera simultánea.
Una competencia tampoco se demuestra por posesión declarada. “Sé evaluar” no es evidencia; lo es diseñar criterios alineados, interpretar resultados y ajustar la enseñanza. “Sé usar inteligencia artificial” tampoco constituye una competencia docente suficiente; la evidencia está en seleccionar una función, prever riesgos, establecer supervisión y mostrar qué mejora pedagógica justifica su uso.
Esta perspectiva evita un error frecuente en los perfiles docentes: convertir rasgos deseables en adjetivos sin conducta observable. “Innovador”, “empático” o “digital” son etiquetas débiles si no se traducen en decisiones verificables y consecuencias sobre el aprendizaje.
⚖ Comparador
Selecciona una perspectiva y observa qué criterio añade al análisis del mismo caso.
Prueba: toma tres atributos que usarías para describir a un buen profesor y conviértelos en desempeños observables. Añade a cada uno una condición: “cuando…”, “ante…”, “con evidencia de…”.
La mediación con inteligencia artificial redefine el criterio, no la responsabilidad
La revisión de Qian (2025) documenta un campo de aplicaciones pedagógicas de inteligencia artificial generativa en educación superior que abarca producción de materiales, retroalimentación, apoyo al aprendizaje y evaluación. La revisión de Luo et al. (2025) sobre herramientas de aprendizaje basadas en inteligencia artificial destaca beneficios potenciales como personalización y retroalimentación, pero también la necesidad de diseños y evaluaciones más rigurosos. La consecuencia profesional es clara: aumentar la capacidad técnica de una herramienta aumenta la necesidad de criterios explícitos sobre su función.
En una situación mediada por inteligencia artificial, el profesor puede dejar de producir personalmente algunas explicaciones o ejemplos, pero no puede delegar sin más la definición de finalidades, la selección de evidencia ni la responsabilidad por el entorno formativo. La automatización modifica la distribución del trabajo; no convierte una decisión pedagógica en una decisión puramente técnica.
Esto exige distinguir delegación operativa de delegación de juicio. La primera puede ahorrar tiempo o ampliar variaciones; la segunda afecta decisiones que definen qué cuenta como aprendizaje, qué riesgo es aceptable y qué intervención corresponde a cada estudiante.
💡 Gobierno pedagógico de la mediación
Capacidad para decidir qué funciones puede realizar un sistema, bajo qué límites, con qué evidencia de calidad y qué decisiones deben permanecer bajo responsabilidad humana por involucrar finalidades, juicio profesional o consecuencias formativas.
Figura 1. Pirámide analítica construida para esta lección. No representa una taxonomía publicada; organiza criterios derivados de Schön (1983), Perrenoud (2004) y el problema contemporáneo de mediación tecnológica.
Decide: elige una función que actualmente realizas tú y que podría asumir un sistema. Especifica qué delegarías, qué evidencia revisarías y qué decisión conservarías necesariamente bajo tu responsabilidad.
Gobierno de inteligencia compartida: competencia docente en sistemas humanosintéticos
Muñoz Mújica (2026) sitúa la docencia contemporánea en un régimen donde la actividad cognitiva puede distribuirse entre sujetos humanos y sistemas con funciones de generación, clasificación, recomendación, comparación o planificación. Desde esta perspectiva, la competencia profesional no se limita a operar herramientas: incluye diseñar la distribución cognitiva de la actividad y mantener visible la responsabilidad por las decisiones.
Este planteamiento puede articularse con Schön cuando el docente interpreta resultados inesperados y reajusta la intervención, y con Perrenoud cuando moviliza recursos para organizar situaciones de aprendizaje, evaluar o usar tecnologías. El Sinteligentismo añade una pregunta de diseño específica: ¿qué función cognitiva realiza cada actor dentro del sistema y quién gobierna los criterios con los que esa función se acepta?
En una actividad con inteligencia artificial, por ejemplo, el sistema puede generar alternativas, el estudiante puede contrastarlas con evidencia y el docente puede definir los criterios de calidad y decidir qué nivel de supervisión requiere la tarea. La calidad de la mediación depende de que estas funciones no queden implícitas.
🧭 Control de comprensión
¿Qué decisión expresa mejor el gobierno docente de una inteligencia compartida?
Prueba: toma una actividad de tu caso mediada por inteligencia artificial y distribuye cinco funciones entre estudiante, docente y sistema. Justifica la asignación de cada función y señala qué decisión no debe quedar sin responsable explícito.
Conclusión
La buena docencia no puede definirse por un único repertorio ni por adopción tecnológica. Schön permite comprender el juicio profesional que emerge en situaciones inciertas; Perrenoud permite traducir ese juicio en campos de competencia; la investigación reciente obliga a aplicar ambos problemas a entornos donde herramientas de inteligencia artificial participan en enseñanza, retroalimentación y evaluación.
La noción de gobierno de inteligencia compartida completa el perfil docente cuando la actividad distribuye funciones entre personas y sistemas: el profesor diseña esa distribución, establece criterios de validación, observa sus efectos y reajusta la mediación. La siguiente lección desplazará el foco hacia los factores que influyen en el aprendizaje y la enseñanza, para examinar bajo qué condiciones ese perfil puede desplegarse de manera efectiva.
🔭 Para seguir aprendiendo
- ¿Qué decisión de tu práctica seguiría siendo indelegable aunque un sistema pudiera ejecutarla técnicamente mejor o más rápido, y qué criterio justifica mantenerla bajo responsabilidad docente?
Actividad de aprendizaje autónoma
Etapa E4 del proyecto integrador: perfil de “buen profesor” para tu caso. Retoma E2 y E3. Tu perfil debe explicar qué capacidades requiere el docente para sostener la arquitectura teórica elegida y el tipo de aprendizaje que identificaste en tu contexto.
- De dónde vienes. Recupera una decisión teórica de E2 y una decisión de diseño de E3. Explica qué demanda cada una del profesor.
- Contrasta tu práctica real. Selecciona tres episodios de tu caso que muestren fortalezas, tensiones o carencias en reflexión profesional, diseño, evaluación o mediación tecnológica.
- Construye el perfil. Formula entre cuatro y seis competencias observables. Para cada una incluye situación, acción esperada y evidencia de desempeño.
- Qué decides. Prioriza dos competencias: una que conservarás como fortaleza y una que necesitas desarrollar o redefinir. Justifica la prioridad por su efecto en el aprendizaje.
- Integra el gobierno de inteligencia compartida. Cuando tu caso incluya inteligencia artificial, incorpora una competencia que haga explícita la distribución de funciones cognitivas, los criterios de validación y la responsabilidad docente.
- Qué documentas. Registra las fuentes consultadas y, si usaste inteligencia artificial, qué función cumplió, qué conservaste, qué descartaste y cómo verificaste las decisiones incorporadas.
🛠 Generador de plan
✅ Evidencia de logro
- Perfil de cuatro a seis competencias formuladas como desempeños observables.
- Contraste con episodios reales del caso trabajado desde E1.
- Vinculación explícita con decisiones teóricas de E2 y de diseño de E3.
- Priorización justificada de una fortaleza y una competencia por desarrollar.
- Criterio explícito para gobernar la distribución de funciones cuando intervengan sistemas de inteligencia artificial.
- Trazabilidad de fuentes y de cualquier mediación con inteligencia artificial.
¿Tu definición de buen profesor describe a alguien que ejecuta bien técnicas conocidas o a alguien capaz de justificar, revisar y gobernar decisiones cuando las condiciones cambian?
Referencias bibliográficas
- Muñoz Mújica, R. J. (2026). El sinteligentismo: Educación, cognición y régimen humanosintético. Revista Boletín Redipe, 15(7), 29–45. DOI: 10.36260/awz2fe07.
- OECD. (2026). OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. DOI: 10.1787/062a7394-en.
- Perrenoud, P. (2004). Diez nuevas competencias para enseñar: Invitación al viaje. Graó.
- Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69, 1105–1120. DOI: 10.1007/s11528-025-01100-1.
- Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books.
- Luo, J., Zheng, C., Yin, J., et al. (2025). Design and assessment of AI-based learning tools in higher education: A systematic review. International Journal of Educational Technology in Higher Education, 22, 42. DOI: 10.1186/s41239-025-00540-2.