Una propuesta digital no se vuelve educativa por ser innovadora, automatizada o eficiente.
El cierre de esta asignatura exige someter el diseño completo a objeciones difíciles: si el problema fue bien formulado, quién puede resultar perjudicado, qué infraestructura se consume y qué saberes o contextos quedan fuera de la solución.
📷 Antes de comenzar
Una institución propone IA generativa para atender baja retroalimentación docente. ¿Qué pregunta crítica debe formularse antes de decidir?
Objetivo didáctico
Al finalizar esta lección, podrás revisar y reconstruir críticamente tu propuesta de entorno de aprendizaje digital mediante criterios de solucionismo tecnológico, sesgo y justicia digital, sostenibilidad y representación epistémica, justificando qué decisiones se mantienen, modifican, sustituyen o eliminan.
Introducción
Las ocho etapas anteriores construyeron una propuesta progresiva. E9 cambia la relación con ese trabajo: ya no debes añadir una nueva capa, sino poner en riesgo tus propias decisiones. Una propuesta sólida no es la que evita objeciones, sino la que puede responder a ellas con evidencia y está dispuesta a cambiar cuando el costo o la exclusión superan el beneficio.
Selwyn (2019) cuestiona la idea de que la integración tecnológica en educación sea un proceso inevitable y desplaza la discusión hacia valores, juicios y política. Esa orientación resulta especialmente pertinente al cerrar un proyecto: si una herramienta aparece como «necesaria» solo porque existe o porque promete eficiencia, el diseño debe volver a justificarla desde el problema educativo.
La revisión final utilizará cuatro lentes. Ninguna ofrece una teoría total de la sociedad digital. Funcionan como preguntas de estrés: solucionismo, justicia algorítmica, sostenibilidad material y representación de saberes. El propósito es descubrir qué parte de la propuesta depende de supuestos que no habías hecho visibles.
Desarrollo del tema
Crítica al solucionismo tecnológico
El solucionismo tecnológico aparece cuando un problema social, organizacional o educativo se redefine principalmente como una carencia técnica y se supone que incorporar una tecnología constituye la respuesta central. En educación, un problema de retroalimentación puede convertirse rápidamente en «necesitamos un chatbot», aunque sus causas incluyan carga docente, criterios poco claros, tamaño de grupo o diseño de evaluación.
La crítica no consiste en afirmar que la tecnología nunca resuelve problemas. Consiste en mantener separados el diagnóstico y la solución. Primero se formula el problema sin herramienta; después se comparan alternativas técnicas y no técnicas; finalmente se decide qué combinación produce mayor valor educativo con costos y riesgos aceptables.
Selwyn (2019) insiste en que la incorporación de inteligencia artificial debe entenderse como elección. Para tu proyecto, esto se traduce en una prueba sencilla: cada función tecnológica importante debe poder responder «¿por qué esta solución y no una alternativa más simple, humana o institucional?».
🔎 Prueba crítica en cinco movimientos
Recorre la secuencia y observa qué cambia cuando una tecnología generativa se incorpora a una práctica ya digital.
Aplicación en tu contexto: elige la función tecnológica más visible de tu propuesta y reescribe el problema que pretende resolver sin mencionar ninguna herramienta. Después compara al menos una alternativa no tecnológica.
Sesgos algorítmicos y justicia digital
Los sistemas algorítmicos operan con datos, objetivos y reglas que pueden reproducir desigualdades existentes o introducir nuevas. Una revisión sistemática de 2025 sobre riesgos éticos de IA en educación identifica el sesgo algorítmico como un problema recurrente y destaca efectos potenciales en decisiones de alto impacto, como clasificación, evaluación o admisión.
El sesgo no requiere intención discriminatoria. Puede surgir porque los datos representan de manera desigual a ciertos grupos, porque una variable funciona como sustituto de otra característica o porque el objetivo optimizado no coincide con el valor educativo que importa. Por ejemplo, un modelo que prioriza «actividad» puede favorecer patrones de conexión frecuentes y penalizar formas de participación profundas pero menos visibles.
La justicia digital añade preguntas sobre acceso, posibilidad de impugnación y distribución de beneficios y cargas. Si un sistema etiqueta riesgo, el estudiante debería saber qué consecuencias produce la etiqueta y existir una ruta para revisar una inferencia incorrecta cuando la decisión sea relevante.
💡 Justicia digital
Criterio para examinar cómo acceso, datos, reglas, decisiones y posibilidades de corrección distribuyen beneficios, riesgos y capacidad de participación entre personas y grupos dentro de un entorno digital.
Aplicación en tu contexto: selecciona una decisión automatizada o basada en datos de tu propuesta. Identifica quién podría quedar mal representado, qué señal funciona como indicador y cómo una persona podría cuestionar el resultado.
Sostenibilidad ambiental de la inteligencia artificial
La sociedad digital depende de infraestructura material: centros de datos, redes, dispositivos, energía, refrigeración, cadenas de suministro y reemplazo de equipos. La International Energy Agency informó en 2026 que el consumo eléctrico de centros de datos aumentó con rapidez durante 2025 y que la expansión de instalaciones orientadas a IA está elevando la densidad de potencia y la presión sobre infraestructura eléctrica.
La cifra global no permite calcular el impacto de una consulta individual de tu entorno, y no conviene fingir esa precisión. Sí permite introducir una pregunta de proporcionalidad: ¿el valor educativo de una función justifica utilizar un servicio intensivo de forma recurrente cuando una alternativa más simple logra el mismo resultado?
La sostenibilidad también incluye dispositivos y vida útil. Añadir una tecnología que exige hardware reciente puede convertir una innovación en barrera de acceso. Diseñar de manera responsable implica considerar compatibilidad, reutilización, frecuencia de uso y posibilidad de resolver parte de la actividad con recursos ya disponibles.
| Lente crítica | Pregunta que introduce | Qué puede cambiar en el diseño |
|---|---|---|
| Solucionismo tecnológico | ¿La propuesta trata un problema educativo como si fuera principalmente técnico? | Reducir automatización, añadir mediación humana o redefinir el problema. |
| Sesgo y justicia digital | ¿Quién puede quedar mal representado, excluido o perjudicado por datos y reglas? | Cambiar datos, criterios, salvaguardas, revisión humana o vías de impugnación. |
| Sostenibilidad | ¿El beneficio educativo justifica recursos, energía, dispositivos y uso recurrente? | Elegir alternativas más simples, reducir uso innecesario o reutilizar infraestructura. |
| Perspectiva decolonial | ¿Qué lenguas, saberes y contextos se vuelven centrales y cuáles quedan periféricos? | Diversificar fuentes, reconocer conocimiento situado y revisar criterios de legitimidad. |
Figura 1. Cuadro comparativo de cuatro lentes críticas para revisar una propuesta de entorno digital. Elaboración propia a partir de Selwyn (2019), Li et al. (2025), International Energy Agency (2026) y Maimela y Mbonde (2025).
Aplicación en tu contexto: identifica una función intensiva o recurrente de IA y define una regla de proporcionalidad: cuándo aporta suficiente valor para utilizarla y cuándo una alternativa más simple debería ser la opción por defecto.
Posturas críticas y decoloniales sobre sociedad digital
Los sistemas digitales no representan de manera uniforme todas las lenguas, regiones, instituciones ni formas de conocimiento. Las decisiones sobre qué datos se recolectan, qué contenidos circulan y qué respuestas se consideran plausibles pueden favorecer perspectivas dominantes y volver periféricos contextos menos representados.
Maimela y Mbonde (2025), al estudiar universidades sudafricanas, advierten que la adopción de IA puede convivir con desigualdades de infraestructura y con riesgos de reproducir conjuntos de datos y epistemologías centradas en contextos occidentales. McInnes y Airey (2025) plantean además que las interfaces generativas pueden funcionar como mediadores de legitimidad epistémica al privilegiar ciertas formas de lenguaje y conocimiento.
Para tu propuesta no necesitas adoptar un vocabulario teórico extenso. Basta con hacer visibles cuatro decisiones: qué fuentes son centrales, qué lenguas pueden utilizarse, qué conocimiento del contexto cuenta como evidencia y quién puede cuestionar una respuesta generada que no representa adecuadamente su experiencia. La inclusión epistémica se vuelve diseño cuando estas preguntas producen cambios en las reglas del entorno.
🧩 Completa la revisión crítica
Banco de palabras: epistémica · sesgo · solucionismo · sostenibilidad · trazabilidad
Aplicación en tu contexto: revisa la bibliografía, ejemplos y sistemas de IA incluidos en tu propuesta. Agrega una fuente, caso o mecanismo que represente una perspectiva de tu contexto local que hoy esté ausente, y explica por qué cambia la decisión.
📷 Control de comprensión
Después de la revisión crítica, una función de IA sigue aportando valor, pero requiere datos amplios y produce recomendaciones difíciles de explicar. ¿Qué cierre es más coherente?
Conclusión
La revisión crítica no invalida por defecto la tecnología; la somete a criterios que una narrativa de innovación puede ocultar. Pregunta si el problema fue correctamente formulado, si datos y algoritmos distribuyen riesgos de manera injusta, si la infraestructura es proporcional al beneficio y si los saberes del contexto tienen capacidad real de modificar el diseño.
Con E9, el proyecto deja de ser una suma de componentes y se convierte en una propuesta defendible. La versión final debe mostrar qué decisiones sobrevivieron a la crítica y cuáles fueron modificadas. Esa trazabilidad es parte del aprendizaje: documenta que diseñar un entorno digital implica elegir, justificar, revisar y asumir responsabilidad por las consecuencias previsibles de esas elecciones.
🔭 Para seguir aprendiendo
- ¿Qué elemento de tu propuesta conservarías aunque dejara de ser novedoso, porque puedes justificar su valor educativo sin recurrir al argumento de que es tecnológico o innovador?
Actividad de aprendizaje autónoma
Proyecto integrador · E9 · Revisión crítica final y entrega de la propuesta
Somete la propuesta construida en E1–E8 a una revisión crítica integral. E9 no añade una sección decorativa: debe producir modificaciones visibles en el diseño y culminar en una versión final con trazabilidad de decisiones.
- Reconstruye la trayectoria. Resume las decisiones centrales de E1–E8 y señala qué cambió en cada revisión acumulativa.
- Aplica la lente de solucionismo. Selecciona dos funciones tecnológicas importantes y demuestra qué problema educativo resuelven frente a al menos una alternativa plausible.
- Aplica la lente de justicia. Examina datos, algoritmos o reglas que puedan representar de manera desigual a personas o grupos y diseña salvaguardas o vías de impugnación.
- Aplica la lente de sostenibilidad. Identifica una decisión con costo material o de infraestructura y justifica su proporcionalidad o reemplázala por una alternativa más simple.
- Aplica la lente de representación. Revisa lenguas, fuentes, ejemplos y conocimiento situado para identificar qué perspectivas de tu contexto estaban ausentes o subordinadas.
- Qué decides. Para al menos cuatro decisiones relevantes marca una de estas acciones: mantener, modificar, sustituir o eliminar. Justifica cada una con evidencia.
- Entrega la versión final. Integra todos los cambios en un único diseño coherente de entorno de aprendizaje digital.
- Documenta la trazabilidad. Incluye fuentes y un registro de decisiones. Si utilizaste IA durante el proyecto, indica qué consultaste, qué conservaste, qué descartaste y con qué criterio o fuente verificaste lo incorporado.
Producto final: propuesta consolidada de entorno de aprendizaje digital más una matriz de trazabilidad crítica. La extensión debe responder a la complejidad real de tu contexto; evita agregar texto que no cambie una decisión o no aporte evidencia.
🗺 Planificador de E9 · revisión crítica final
Completa los campos con decisiones de tu contexto. El generador no evalúa tu propuesta: organiza un borrador para que puedas contrastarlo antes de entregar.
✅ Evidencia de logro · E9
- La propuesta final permite reconstruir cómo evolucionaron las decisiones desde E1.
- Las cuatro lentes críticas producen ajustes observables y no solo comentarios generales.
- Las decisiones tecnológicas se justifican frente a alternativas y no por novedad o inevitabilidad.
- Existen salvaguardas ante sesgo, exclusión, sobrecarga o representación inadecuada cuando el contexto las requiere.
- La matriz final documenta qué se mantuvo, modificó, sustituyó o eliminó y con qué evidencia se tomó cada decisión.
Después de nueve etapas, ¿qué decisión cambió más tu propuesta y qué demuestra ese cambio sobre tu criterio como diseñador de un entorno de aprendizaje digital?
Referencias bibliográficas
- International Energy Agency. (2026). Key Questions on Energy and AI. IEA.
- Li, Y., et al. (2025). Towards responsible artificial intelligence in education: A systematic review on identifying and mitigating ethical risks. Humanities and Social Sciences Communications. DOI: 10.1057/s41599-025-05252-6.
- Maimela, C., & Mbonde, P. (2025). Artificial intelligence in South African universities: Curriculum transformation and decolonisation—aid or obstacle? Frontiers in Sociology, 10, 1543471. DOI: 10.3389/fsoc.2025.1543471.
- McInnes, R., & Airey, L. (2025). Prompting, privilege, and pedagogy: A decolonial position on generative AI in the university. ASCILITE 2025 Conference Proceedings. DOI: 10.65106/apubs.2025.2665.
- Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.