Que una inteligencia artificial pueda producir una imagen, una voz o un video no responde quién debería decidir qué representa, qué afirma y qué consecuencias puede producir.
Utilizar IA de manera profesional exige diseñar la delegación: qué puede generar el sistema, qué debe verificar la persona, qué decisiones permanecen bajo responsabilidad humana y qué información sobre el proceso debe conservarse.
🔎 ¿Quién diseñó realmente el recurso?
Un docente solicita a una IA que produzca automáticamente el guion, las imágenes, la voz y la edición de un video educativo. Revisa únicamente que el archivo pueda reproducirse y lo publica. ¿Cuál es el problema principal?
Objetivo didáctico
🎯 Al finalizar esta lección podrás
Crear o transformar un componente audiovisual mediante inteligencia artificial generativa, estableciendo una arquitectura explícita de coproducción humano-IA que documente propósito, delegación, verificación, edición, privacidad, representación, autoría y procedencia antes de integrar el resultado al proyecto educativo.
Introducción
Las tecnologías generativas modificaron una distinción que durante décadas resultó relativamente estable en producción audiovisual: una herramienta ayudaba a registrar, editar o distribuir un contenido que había sido previamente concebido por personas. Los sistemas generativos pueden intervenir ahora en la propia producción de posibilidades: proponer textos, sintetizar voces, crear imágenes, transformar fotografías, generar música, extender escenas, animar elementos o producir secuencias audiovisuales.
Esto no elimina el diseño. Lo desplaza. Parte del trabajo profesional consiste ahora en definir qué decisiones pueden delegarse al sistema, cuáles deben permanecer bajo control humano y cómo se verificará el resultado. El problema no puede reducirse a redactar mejores instrucciones para una herramienta.
La OCDE advierte que obtener un mejor producto con IA generativa no equivale automáticamente a producir aprendizaje. Una persona puede externalizar operaciones cognitivas y conseguir una respuesta de calidad sin desarrollar la capacidad que la tarea pretendía formar. Esta distinción resulta especialmente importante en educación: hay que decidir cuándo la IA funciona como apoyo, interlocutor o herramienta de producción y cuándo está sustituyendo precisamente el desempeño que el estudiante debería construir.
UNESCO propone para docentes una perspectiva centrada en la agencia humana. La competencia profesional no consiste solo en utilizar IA, sino en comprender sus fundamentos y límites, aplicar criterios éticos y decidir pedagógicamente cuándo su intervención mejora la experiencia y cuándo puede debilitarla.
💡 Coproducción humano-IA
Proceso en el que una persona conserva la responsabilidad sobre propósito, criterios y aprobación, mientras uno o más sistemas de IA generan, transforman o analizan componentes específicos dentro de límites previamente definidos.
Desarrollo del tema
La pregunta profesional no es «¿puede hacerlo la IA?», sino «¿qué conviene delegar?»
Una herramienta generativa puede producir una tarea que, desde fuera, se parezca al resultado esperado de una persona. Esa capacidad técnica no responde si conviene utilizarla. La decisión depende de la relación entre la tarea delegada y el aprendizaje que se pretende desarrollar.
Si el estudiante necesita aprender a construir un argumento, delegar la totalidad de la argumentación puede reducir la oportunidad de practicar justamente esa competencia. Si la meta consiste en evaluar distintas propuestas de comunicación visual, generar rápidamente varias alternativas puede ampliar el espacio de comparación siempre que el estudiante conserve la responsabilidad de analizarlas y rediseñarlas.
Por eso conviene separar al menos cuatro funciones: explorar, cuando la IA produce alternativas; producir, cuando genera un componente utilizable; criticar, cuando ofrece una perspectiva o revisión provisional; y automatizar, cuando ejecuta una operación repetitiva. Ninguna de estas funciones debería adoptarse sin preguntar qué operación cognitiva permanece en la persona.
Una arquitectura de coproducción sólida establece además criterios de aceptación antes de generar. Si la persona decide si una imagen es adecuada únicamente después de verla, corre el riesgo de modificar sus criterios para acomodarse al resultado disponible. En cambio, declarar previamente precisión, función pedagógica, estilo, población, restricciones, accesibilidad y elementos prohibidos permite evaluar la salida de manera más consistente.
Figura 1. Arquitectura de coproducción humano-IA. Elaboración propia a partir de UNESCO (2023, 2024) y OECD (2026).
🧭 ¿Qué delegarías?
La decisión correcta depende de la competencia. Las alternativas cambian de posición.
Aplicación. Selecciona una tarea de tu proyecto y divídela en microdecisiones. Marca cuáles requieren juicio pedagógico, cuáles exigen precisión factual, cuáles son exploratorias y cuáles son repetitivas. Después decide qué podría delegarse y qué debe conservar aprobación humana explícita.
Una salida plausible todavía necesita verificación
Los sistemas generativos producen resultados a partir de patrones aprendidos y de las condiciones de la interacción. Esto significa que una salida puede ser coherente, convincente y visualmente sofisticada sin constituir evidencia de que sus afirmaciones sean correctas.
En producción audiovisual el problema se amplía porque la credibilidad no se construye solo mediante palabras. Una imagen aparentemente documental, una voz sintética convincente o una escena históricamente plausible pueden adquirir autoridad por su apariencia. El diseñador debe separar por tanto calidad perceptiva de validez informativa.
Una verificación profesional debería establecer qué elementos necesitan contrastarse con una fuente independiente. Fechas, cifras, citas, atribuciones, representaciones históricas, afirmaciones científicas y características de personas o lugares no deben aceptarse porque el resultado «parece correcto».
La verificación también afecta el lenguaje visual. Una IA puede construir una representación que introduzca supuestos no solicitados: quién ocupa una posición de autoridad, qué apariencia tiene un estudiante, cómo se representa una escuela o qué infraestructura se considera normal. Estos elementos deben auditarse porque pueden transformar una ilustración aparentemente neutra en un mensaje social implícito.
🔍 ¿Qué haces antes de aprobar?
Una IA genera una ilustración para explicar un acontecimiento histórico e incorpora personas, vestimenta, objetos y arquitectura aparentemente plausibles.
Aplicación. Toma una salida generada para tu proyecto y crea tres columnas: «verificable», «interpretativo» y «puramente estilístico». Para cada elemento verificable identifica qué fuente independiente utilizarás antes de aprobarlo.
Sesgo y representación: la generación también toma decisiones editoriales
Una instrucción aparentemente abierta obliga al sistema a completar información que no se proporcionó. Si se solicita «un director universitario frente a su equipo», el sistema tendrá que materializar edad, apariencia, género, vestimenta, contexto físico y composición del grupo. Cada una de estas propiedades contribuye al mensaje.
Por ello, los sesgos no deben auditarse exclusivamente buscando contenido ofensivo. También pueden aparecer como patrones sistemáticos de representación: quién aparece como especialista, quién desempeña funciones auxiliares, qué tipo de infraestructura representa «modernidad», qué cuerpos o edades se omiten o qué cultura se convierte en escenario predeterminado.
La respuesta tampoco consiste en exigir una diversidad decorativa sin relación con el contexto. El criterio profesional es representación pertinente y consciente. Si una escena corresponde a una institución concreta, debe responder a ese contexto; si representa una categoría general, conviene preguntarse qué supuestos está universalizando.
Esto convierte la generación iterativa en herramienta de auditoría. En lugar de aceptar la primera salida, el diseñador puede comparar variaciones, identificar patrones y reformular instrucciones o seleccionar otros materiales cuando los resultados reproducen supuestos incompatibles con la experiencia educativa.
🧩 Auditoría de representación
Selecciona la estrategia más sólida para una serie de imágenes que representarán liderazgo educativo.
Aplicación. Genera o revisa varias alternativas para una misma función visual. No preguntes solo cuál «se ve mejor». Registra quién aparece, qué rol desempeña, qué contexto presupone y qué lectura institucional puede inducir.
Privacidad, derechos y consentimiento: no todo material disponible debe convertirse en entrada
Los sistemas generativos convierten la entrada del usuario en parte de un proceso técnico cuya gestión depende del servicio utilizado. Por ello, antes de introducir información debe revisarse qué tipo de datos contiene y qué políticas institucionales o condiciones de servicio gobiernan su tratamiento.
En contextos educativos merecen especial cuidado los datos personales, expedientes, imágenes identificables de estudiantes, evaluaciones, conversaciones privadas, información institucional sensible o cualquier material cuya difusión no esté autorizada. La facilidad para copiar un contenido dentro de una herramienta no constituye autorización para procesarlo.
La misma cautela se aplica a materiales de terceros. Que una imagen, voz, texto o video sea técnicamente accesible no resuelve automáticamente las condiciones de uso, transformación o atribución. La política institucional y el marco jurídico aplicable deben revisarse cuando el proyecto emplee material protegido, identidades reales o información personal.
En términos de diseño, una estrategia útil consiste en aplicar minimización: si el sistema no necesita conocer un dato para ejecutar la tarea, no debería proporcionarse. Un caso puede anonimizarse; un rostro real puede sustituirse por un personaje construido; un documento interno puede resumirse sin incluir identificadores; una prueba puede realizarse inicialmente con datos ficticios.
🔒 Antes de subir el archivo
Quieres pedir a una IA que transforme el registro de una situación educativa real en un caso audiovisual. El archivo contiene nombres y rostros identificables. ¿Qué decisión es más sólida?
Aplicación. Antes de usar IA con tu proyecto, crea una lista de entradas previstas. Para cada una registra: datos personales, material de terceros, información institucional, necesidad real de introducirla y alternativa menos sensible disponible.
Medios sintéticos y procedencia: saber de dónde viene no significa saber si es verdad
La posibilidad de producir imagen, voz y video sintéticos a gran escala crea una nueva necesidad de alfabetización: no solo examinar el contenido terminado, sino conservar información sobre cómo fue producido y transformado.
La procedencia describe la historia de un activo digital: su origen y las transformaciones o acciones asociadas a él. Esta información puede utilizarse para ofrecer contexto sobre captura, edición o generación. Es diferente de una afirmación de verdad. Conocer que una imagen fue creada por determinado sistema y modificada por determinado flujo no demuestra que lo representado corresponda a un hecho real.
Content Credentials, desarrollado mediante C2PA, constituye un estándar técnico abierto para asociar información de procedencia a contenidos digitales mediante estructuras firmadas. Puede registrar afirmaciones relacionadas con origen, modificaciones y utilización de IA.
Para este curso resulta particularmente relevante la versión 2.4 de C2PA, que incorpora una declaración específica legible por máquina para información de transparencia sobre IA. Sin embargo, el propio estándar advierte que sus credenciales no asignan un juicio de valor sobre la veracidad del contenido: permiten verificar determinadas afirmaciones de procedencia y detectar manipulación de esos registros.
También existen límites técnicos. Los manifiestos de procedencia pueden ser eliminados de un activo en determinados flujos. Por ello, la procedencia no debe convertirse en sustituto de alfabetización mediática, comprobación de fuentes o análisis del contenido. Funciona como una capa adicional de evidencia.
💡 Procedencia no es veracidad
Una credencial puede aportar evidencia sobre la historia y las transformaciones de un archivo. La interpretación de lo que el contenido afirma sigue necesitando evaluación de fuentes, contexto y evidencia.
🔍 ¿Qué puedes concluir?
Un archivo contiene una Content Credential válida que registra que fue generado mediante IA y posteriormente editado. ¿Cuál afirmación es defendible?
Aplicación. Diseña la ficha de procedencia de un componente generado de tu proyecto. Aunque la herramienta utilizada no produzca credenciales técnicas, documenta manualmente: propósito, herramienta o sistema, entrada utilizada, fecha de generación, transformaciones humanas, elementos verificados, responsable de aprobación y declaración de uso de IA.
Conclusión
La inteligencia artificial generativa no elimina la responsabilidad del diseñador audiovisual; hace necesario expresarla con mayor precisión. Cuando el sistema puede generar múltiples partes del producto, la autoría profesional se vuelve visible en los criterios, la selección, la comprobación, la edición y la decisión de publicar.
Una integración educativa defendible preserva la agencia humana sobre el propósito y evita delegar automáticamente el desempeño que el estudiante necesita desarrollar. Además, separa calidad aparente de exactitud, analiza las representaciones producidas, minimiza información sensible y documenta qué intervención realizó la IA.
Los medios sintéticos añaden finalmente un problema de procedencia. Tecnologías como Content Credentials permiten registrar parte de la historia de producción de los activos digitales, pero no sustituyen el juicio crítico: conocer cómo se generó una pieza no demuestra por sí mismo que lo que representa sea verdadero.
La siguiente lección cerrará la secuencia de contenido desplazando nuevamente la escala. Ya no preguntaremos cómo producir una pieza, sino cómo conseguir que una institución pueda integrarla, sostenerla, gobernarla y evaluar su adopción. En L9 el estudiante convertirá su proyecto en un plan de implementación institucional.
🔭 Para seguir aprendiendo
- Selecciona una tarea que actualmente realizas con IA y determina si el sistema está apoyando tu desempeño o sustituyéndolo.
- Analiza tres imágenes generadas para una misma instrucción y compara patrones de representación que no fueron especificados explícitamente.
- Examina qué información de procedencia conserva una herramienta que utilices y qué información deberías registrar adicionalmente de forma institucional.
Actividad de aprendizaje autónoma
Bitácora de coproducción humano-IA
Utiliza una herramienta de inteligencia artificial generativa para crear o transformar un único componente del proyecto audiovisual desarrollado hasta ahora. Puede tratarse de imagen, secuencia visual, voz, texto de apoyo, recurso sonoro, animación u otro componente pertinente. La evidencia principal no será la sofisticación del resultado, sino la calidad de tu proceso de decisión.
Instrucciones:
- Define la función. Explica qué problema específico resolverá el componente y qué parte del brief o storyboard lo justifica.
- Declara la delegación. Indica qué tarea realizará la IA y qué decisiones conservarás bajo control humano.
- Define criterios antes de generar. Establece exactitud, función pedagógica, características representacionales, accesibilidad, restricciones y causas de rechazo.
- Revisa las entradas. Identifica datos personales, información institucional o materiales de terceros. Minimiza o sustituye cualquier información que no sea necesaria y documenta las autorizaciones o políticas que deban verificarse.
- Genera al menos tres alternativas. Conserva las instrucciones o configuraciones relevantes utilizadas para cada iteración.
- Audita representación. Compara las alternativas e identifica supuestos, patrones o sesgos relevantes para el contexto educativo.
- Verifica afirmaciones. Contrasta mediante fuentes independientes cualquier dato, texto, representación factual o elemento histórico que requiera exactitud.
- Selecciona y transforma. Elige una alternativa, explica por qué y registra las modificaciones humanas realizadas posteriormente.
- Documenta procedencia. Registra herramienta, propósito, generación, transformaciones, verificación y responsable de aprobación. Cuando exista información técnica de procedencia, consérvala junto al activo.
- Declara el uso de IA. Redacta una nota breve, comprensible para el usuario final, que indique el papel relevante que tuvo la IA en la producción cuando corresponda.
- Emite un juicio final. Responde si utilizar IA mejoró realmente el diseño, únicamente redujo tiempo o introdujo costos y riesgos que hacen preferible otro procedimiento.
🧩 Diseña la delegación antes de generar
Define qué hará el sistema y qué responsabilidad conservarás. El resultado funciona como encabezado de tu bitácora.
✅ Evidencia de logro
La entrega será satisfactoria si el papel de la IA está explícitamente delimitado; existen criterios de aceptación previos a la generación; se comparan varias alternativas; las afirmaciones verificables se contrastan con fuentes independientes; se auditan representación, privacidad y uso de materiales; las modificaciones humanas quedan documentadas; existe una declaración de procedencia; y la conclusión evalúa críticamente si la IA aportó valor real al diseño.
Formato de entrega: PDF de aproximadamente 1,200 a 1,500 palabras acompañado del componente audiovisual generado o transformado. Incluye bitácora de iteraciones, instrucciones relevantes empleadas, matriz de criterios, fuentes de verificación, registro de modificaciones, ficha de procedencia y declaración final de uso de IA.
Cuando una máquina puede producir el resultado que pediste, ¿en qué decisiones se vuelve visible que el diseño sigue siendo tuyo?
Referencias bibliográficas
- Coalition for Content Provenance and Authenticity. (2026). C2PA Technical Specification, version 2.4.
- Coalition for Content Provenance and Authenticity. (2026). C2PA and Content Credentials explainer.
- Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO.
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- Organisation for Economic Co-operation and Development. (2026). OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing.
- UNESCO. (2025). AI and education: Protecting the rights of learners. UNESCO.