La versión 2.1 del MIAE mantiene sus seis niveles y aclara la redacción de ideas humanas, la planificación y la cocreación. Añade criterios para describir tareas que evolucionan o combinan diferentes usos de la IA.
EdiMarkWeb es un editor de Markdown, libre y sin instalación obligatoria, que sirve para llevarse a un documento las respuestas de la IA, fórmulas incluidas, escribir viendo la página tal como saldrá impresa y exportar a DOCX, ODT, EPUB, HTML, LaTeX y PDF. Ahora resuelve además las citas y la bibliografía en APA, Chicago, MLA o IEEE. Funciona en el navegador y como aplicación de escritorio, sin que los documentos salgan del equipo.
Hacer una ficha interactiva a partir de un PDF tiene dos partes. Una es decidir qué se pregunta. La otra es colocar los campos: abrir el documento, dibujar una caja encima de cada línea de puntos, ajustar el tamaño, escribir la solución, repetirlo veinte veces y descubrir al final que un campo tapa el enunciado… Leer más: Convertir una imagen o PDF en una ficha interactiva hablando con la IA
Cualquier persona que trabaje con documentación acumula un fondo de textos que consulta una y otra vez: normativa, actas, memorias, apuntes, artículos. Preguntarle a una inteligencia artificial sobre ese material choca siempre con el mismo muro: hay que subirlo a algún sitio, o pegarlo en la conversación, o confiar en que el modelo lo recuerde… Leer más: Cómo preguntar a la IA sobre tus documentos: un Gemini Notebook en tu propio ordenador
Cómo un agente de IA recopila, redacta, revisa, publica y difunde cada semana el boletín de dos comunidades docentes, en media hora y sin intervención humana.
El artículo explica la metodología bayesiana para crear sistemas educativos adaptativos: cada pregunta se elige según sus respuestas anteriores, combinando el teorema de Bayes, la teoría de respuesta al ítem y la entropía de Shannon. A diferencia de los test clásicos, no exige datos de miles de alumnos ni un equipo de psicometría, sino un protocolo que cualquier docente puede ejecutar con una inteligencia artificial, ilustrado con un itinerario y un laboratorio.
OpenWorksheets es una aplicación web libre para crear fichas interactivas autocorregibles. Funciona en el navegador, sin requerir cuentas ni servidores. Permite diseñar actividades desde PDFs, imágenes, hojas en blanco o mediante inteligencia artificial. Ofrece múltiples respuestas, incluyendo fórmulas matemáticas y grabaciones de voz. Los docentes pueden compartir las fichas mediante enlaces o integrarlas en Moodle, y evaluar entregas cifradas del alumnado, garantizando así la total privacidad y control sobre sus materiales educativos.
El artículo sostiene que, ante la IA, el objetivo no es detectar su uso sino diseñar actividades donde el aprendizaje deje huellas observables. Propone graduar su uso con el marco MIAE y reunir evidencias que cumplan siete características: trazabilidad, contextualización, oralidad, presencialidad, materialidad, triangulación y transparencia. La clave está en distinguir entre usar la IA como apoyo o delegar en ella la tarea, manteniendo al alumnado dentro del proceso.
Los recursos adaptativos cambian según las respuestas del alumno, mejorando los modelos lineales. Con inteligencia artificial y vibe coding, cualquier docente puede crearlos. El sistema emplea la inferencia bayesiana para actualizar el diagnóstico tras cada interacción. Selecciona la siguiente actividad buscando reducir la incertidumbre, medida mediante la entropía de Shannon, democratizando así la personalización del aprendizaje.
METAC es un repertorio web abierto que ayuda al profesorado a localizar, comprender, relacionar y aplicar diversos recursos metodológicos en el aula. Evolucionó desde las metodologías activas iniciales para incluir también los marcos educativos y el aprendizaje cooperativo, organizados sistemáticamente por bloques y ámbitos. Además, integra un asistente de inteligencia artificial en NotebookLM para buscar propuestas didácticas mediante lenguaje natural
Este artículo presenta tres utilidades que amplían las posibilidades de eXeLearning. EdEX permite crear y modificar estilos visuales de los proyectos. eXeConvert facilita convertir entre formatos como ELPX, DOCX, Markdown o PDF, manteniendo la estructura del contenido. Visor Web-ZIP ofrece una forma sencilla de publicar y compartir recursos educativos desde servicios en la nube mediante enlaces accesibles desde cualquier navegador, sin necesidad de instalar software adicional. También admite proyectos exportados en ZIP.
Visor Web-ZIP facilita la publicación de recursos educativos en formato HTML, creados mediante IA o software específico, superando las limitaciones de plataformas tradicionales. Esta herramienta genera enlaces permanentes visualizables desde archivos ZIP alojados en servicios nube como Google Drive. Ideal para webs estáticas, simplifica el proceso frente a servidores dedicados y cuenta con un gestor de recursos que optimiza el almacenamiento local del navegador eliminando archivos antiguos automáticamente.
El vibe coding educativo es un enfoque que usa asistentes de inteligencia artificial (IA) para que los docentes creen recursos digitales, priorizando la intención pedagógica sobre el dominio exhaustivo del código. Este método sencillo reduce la barrera de entrada y el tiempo de resultados. Las herramientas se categorizan en vía web (para prototipado rápido) y locales (instaladas, para proyectos más estables). La comunidad docente facilita su adopción y el intercambio.
La segunda parte de «Ilustración científica con Gemini» detalla cómo usar fotografías propias para crear materiales educativos personalizados. Gemini transforma las imágenes en dibujos a lápiz o esquemas, permitiendo añadir etiquetas y texto. Esto es útil en áreas como ciencias naturales (esquemas de lupas binoculares), física (dibujos técnicos de poleas), matemáticas (diagramas de ángulos), geología (identificación de estratos) y biología (dibujos de insectos).
La integración de Nano Banana Pro en Gemini ofrece el primer avance real para ilustraciones científicas rigurosas en la docencia. La herramienta aún no es autónoma, y los errores aparecen continuamente, lo que exige supervisión y guiado docente. Para asegurar la calidad, es fundamental la corrección iterativa de fallos o el uso de imágenes de referencia. Además, se recomienda la validación externa usando otras IA, como ChatGPT o Claude, para auditar la imagen antes de su uso.
El Marco MIAE (v.2 revisada) clarifica la integración de la IA generativa en educación. Se refina la escala, desde la persona creando sola hasta la IA generando autónomamente bajo supervisión humana. Se detalla cuándo la IA reformula contenido existente o planifica ideas, y se distingue la creación de borradores de la co-creación mediante diálogo. El marco enfatiza el rol activo de la persona, garantizando el uso ético de la IA y la integridad académica en todas las tareas educativas.
Un agente educativo es un asistente digital configurado con IA para apoyar tareas pedagógicas. Su función es interpretar instrucciones, mantener un contexto y producir resultados específicos. Existen distintos tipos: planificador, corrector, documental, creador de recursos y tutor. Plataformas como Gemini, NotebookLM, Grok, Le Chat, ChatGPT y Perplexity permiten crearlos sin conocimientos técnicos. Estos agentes amplían las posibilidades docentes al automatizar tareas y personalizar apoyos, sin sustituir al profesorado
Este artículo guía a docentes sin programación en la creación de herramientas educativas con IA, usando lenguaje natural (Vibe Coding). Explora chatbots como Gemini y ChatGPT para generar juegos, fichas interactivas o formularios en HTML. Detalla la selección del chatbot, la comunicación con prompts, la depuración de errores y la publicación de recursos. La IA amplía las posibilidades didácticas, potenciando la creatividad y adaptando materiales al contexto de aprendizaje
Los docentes que crean materiales digitales deben elegir licencias claras para facilitar su uso y colaboración. Los contenidos educativos se recomiendan con CC BY-SA, que asegura atribución y reciprocidad, mientras que el código puede protegerse con GPL v3, fomentando mejoras compartidas. Existen otras opciones como CC BY, MIT o Apache 2.0, según los objetivos. Adoptar licencias adecuadas fortalece la comunidad educativa y garantiza que los recursos permanezcan abiertos y accesibles
La segunda parte de la guía explica cómo sacar mayor provecho de las consolas de IA (CLI) al trabajar directamente en el ordenador sin depender de la web. Describe ventajas como ejecutar operaciones masivas, usar múltiples archivos y aprovechar archivos de instrucciones en Markdown para personalizar el comportamiento. También detalla cómo identificar y cambiar modelos, iniciar la consola con prompts y utilizar atajos y comandos útiles que facilitan la programación y la automatización.
La primera parte de la guía enseña a docentes cómo usar la IA (Gemini, ChatGPT, Qwen y Claude) desde la línea de comandos, una interfaz que permite interactuar directamente con el ordenador. Se detallan pros y contras frente a las versiones web, destacando la capacidad de manipular archivos y automatizar tareas. También se explican los conceptos básicos, como la instalación y los comandos.
El artículo explica qué son los prompts en formato JSON y por qué son útiles al trabajar con inteligencia artificial. Describe su estructura basada en claves y valores, sus ventajas como claridad, reutilización y compatibilidad, y destaca su aplicación en educación para generar contenidos precisos. Señala que no es necesario escribirlos manualmente, sino saber pedirlos y conservarlos. Incluye ejemplos prácticos y recomienda usar editores JSON para facilitar su edición y uso recurrente.
El artículo analiza la capacidad de distintos chatbots para resolver cálculos matemáticos. Destaca que ChatGPT y Claude son los más precisos, especialmente si se les indica usar programación. También se explica cómo convertir documentos a texto plano (Markdown) para mejorar su comprensión por parte de la IA. Además, se recomienda usar LaTeX para fórmulas complejas y se mencionan herramientas útiles para integrar resultados en procesadores de texto. Ideal para docentes que usan IA en educación.
Este artículo explica cómo desarrollar un chatbot educativo usando Gemini con canvas. El ejemplo muestra un tutor socrático que analiza textos y genera preguntas para verificar la comprensión del estudiante. Se requiere el modelo 2.5 Pro, definir objetivos claros y crear un prompt detallado. Incluye consejos para depuración, compartir el programa y solucionar errores comunes mediante la técnica «vibe coding».
Este artículo explica cómo crear una aplicación HTML que recoja respuestas de un formulario (nombre, sugerencias y valoración de 0 a 4) y las envíe automáticamente a una hoja de cálculo de Google usando Apps Script. Se detallan los pasos para configurar la hoja, escribir el script y otorgar permisos. También se muestra cómo obtener la URL necesaria para integrarla en la aplicación. Es una guía práctica orientada a aplicaciones educativas interactivas.
Este artículo es una nueva revisión del Marco
para la Integración de la IA Generativa en las Tareas Educativas
(MIAE), originalmente publicado en agosto de 2024. La versión 2.1 parte
de la v.2
revisada y mantiene sus seis niveles y el criterio de autonomía y
contribución de la IA. Los ajustes aclaran sus fronteras y la
clasificación de tareas que combinan distintas formas de utilizarla.
Pódcast del artículo realizado con Gemini Notebook · 34 minutos
Cambios en la versión 2.1
Esta revisión aclara la redacción de ideas humanas en el nivel 1 y su
diferencia con la planificación del nivel 2. Precisa la reconstrucción
del nivel 3 y la cocreación del nivel 4, que también puede partir de una
idea enteramente humana. Añade orientaciones para tareas que evolucionan
o combinan niveles y distingue la generación autónoma de un recurso de
su utilización posterior. Se conservan los seis roles del marco.
Autores como los del citado trabajo y otros como Matt Miller se
centran en el plagio y el engaño académico como motor
de las categorizaciones que proponen en sus trabajos. Aunque el aspecto
ético es muy importante, no nos hemos querido centrar
únicamente en él, ya que puede producir una clasificación sesgada, poco
natural y de aplicación limitada a la integridad y ética académica.
Además, se ha intentado eliminar la confusión que tienen las escalas
anteriores, intentando que sean lógicamente coherentes en su
progresión.
Este marco se ha generalizado para la integración de la IA generativa
en las tareas educativas (MIAE), sobre todo para clarificar el
uso que se hace de la IA en los trabajos docentes. Desde este
punto de vista es aplicable tanto para el alumnado como para el
profesorado. Esta visión tiene innegables ventajas
Permite situar al alumnado y al profesorado en un marco
comprensible, clarificando la relación que mantienen con la IA.
Esto facilita una mayor transparencia y entendimiento sobre el uso de la
tecnología en el entorno educativo.
Establece fronteras claras para el empleo de la IA
en el aula, permitiendo a los educadores delimitar el grado de
intervención de la IA que desean permitir según los objetivos
educativos. Estas fronteras incluyen consideraciones sobre el plagio y
el engaño, asegurando que se mantenga la integridad académica.
Ofrece una guía para integrar la IA en el currículum, proporcionando
un enfoque estructurado que ayuda a maximizar los
beneficios educativos de la IA mientras se minimizan los riesgos
asociados con su uso indebido.
El marco se basa en el grado de autonomía y contribución de la IA en
el proceso educativo, progresando desde la ausencia total de IA hasta la
generación autónoma de contenido por IA para uso educativo, supervisado
por humanos. Esta aproximación no solo aborda las preocupaciones éticas,
sino que también ofrece un enfoque para comprender y utilizar la IA en
diversos contextos educativos, desde trabajos escritos hasta proyectos,
presentaciones y desarrollo de materiales didácticos. Esta integración
permite a los docentes y estudiantes aprovechar al máximo las
capacidades de la IA, promoviendo un aprendizaje y una enseñanza más
eficaces.
Escala de integración
de la IA generativa
La escala consta de 6 niveles. El primer nivel, que se añade por
coherencia, es la ausencia de IA, motivo por el que se le ha numerado
como 0.
A modo de mapa conceptual, la progresión de los roles en la escala
puede resumirse de la siguiente manera:
Nivel 0: La persona crea.
Nivel 1: La persona crea, la IA reformula.
Nivel 2: La persona crea, la IA planifica.
Nivel 3: La IA crea un borrador, la persona
construye.
Nivel 4: La persona y la IA cocrean.
Nivel 5: La IA crea, la persona supervisa.
La progresión describe cómo se reparte el trabajo,
no la cantidad de palabras generadas ni la calidad del resultado o del
aprendizaje. Los niveles no son acumulativos: una actividad de nivel 4
no tiene que pasar antes por todos los niveles anteriores. La adecuación
de cada uso depende de los objetivos de la tarea.
Cómo clasificar una
tarea y sus cambios
Primero se delimita qué tarea o componente se clasifica y
quién la realiza. Generar un texto para analizarlo y elaborar
su análisis son procesos distintos. También pueden distinguirse el
texto, las imágenes o el código de un mismo proyecto cuando su
elaboración sigue procesos diferentes. Se distinguen unidades con una
función reconocible en el trabajo, y se hace explícita su relación con
el conjunto.
El nivel se determina por la contribución de la IA y el papel de la
persona en el desarrollo del resultado, considerando el proceso
completo. No queda fijado por la primera petición ni por el origen de la
idea. Una actividad puede comenzar como reformulación de nivel 1 y
convertirse en cocreación de nivel 4. Del mismo modo, un texto generado
autónomamente puede acabar siendo un borrador que la persona reconstruye
significativamente, dando lugar a un proceso de nivel 3. La
clasificación provisional puede cambiar al conocer el trabajo
posterior.
En los procesos mixtos conviene indicar los niveles por fases
o componentes. Por ejemplo, «nivel 2 en la planificación y
nivel 1 en la reformulación de un desarrollo humano», o «texto sin IA e
ilustración de nivel 5». Si se necesita una sola cifra, se indica el
nivel que caracteriza el desarrollo del producto principal, acompañado
de las diferencias relevantes. Cuando ningún nivel lo describe
suficientemente, se declara el proceso mixto y se especifican los
niveles que intervienen.
No se asigna automáticamente el nivel más alto de cualquier
interacción. Para valorar una aportación se observa su función, su
alcance y cómo se incorpora o transforma. Una aportación
sustantiva modifica el contenido, el razonamiento, la
organización conceptual o el funcionamiento del producto. Puede ser
breve y decisiva, como una distinción que cambia la conclusión. Su
importancia no basta para determinar el nivel: también cuenta si la
persona la desarrolla, la reconstruye, cocrea con la IA o la acepta tras
supervisarla.
Una respuesta descartada sin influencia en el trabajo no obliga a
elevar el nivel del producto. Conviene registrar la consulta; no sería
correcto afirmar que no se utilizó IA en ninguna etapa. Tampoco basta
con comprobar si se copió una respuesta: una sugerencia puede influir en
un argumento aunque se exprese después con otras palabras. Las
correcciones de estilo siguen siendo nivel 1, incluso cuando mejoran
mucho la claridad.
Infografía del MIAE v2.1 realizada por Gemini Notebook.
Resumen de niveles
A continuación presentamos una breve descripción de cada nivel que
ayuda a localizar fácilmente aquel en el que nos encontramos o nos
interesa. Más adelante hay una descripción más exhaustiva con numerosos
ejemplos, tanto para el alumnado como para el
profesorado.
Nivel 0 – Trabajo completamente humano: No hay uso
de IA en ninguna etapa. Todo el contenido, ideas y estructura son
generados exclusivamente por el humano utilizando recursos
tradicionales.
Nivel 1 – Asistencia técnica por IA: La IA se
utiliza para tareas mecánicas (corrección ortográfica, formateo) o para
procesar y reformular información existente (como resumir, traducir o
redactar un texto a partir de ideas y notas proporcionadas por la
persona). La IA no aporta ideas, análisis o conceptos nuevos al
contenido original.
Nivel 2 – Planificación y estructuración asistida por
IA: La IA ayuda en la generación inicial de ideas y en la
estructuración del trabajo, pero todo el contenido final es desarrollado
por el humano. Sus propuestas sirven para planificar; la persona realiza
el desarrollo y la redacción final.
Nivel 3 – Asistencia parcial de IA (Uso de borradores o
«esqueleto»): La IA genera borradores iniciales o «esqueletos»
que ya desarrollan contenido, más allá de reformular material
proporcionado. El humano utiliza este material como un punto de
partida, pero asume la autoría principal, reescribiendo,
adaptando y construyendo significativamente sobre la base generada por
la IA. La interacción es principalmente unidireccional: la IA produce y
el humano revisa y modifica.
Nivel 4 – Colaboración avanzada humano-IA
(cocreación): Hay un diálogo continuo y
bidireccional en el que la persona y la IA contribuyen al
desarrollo del contenido. La persona guía, contrasta y refina las
aportaciones durante la elaboración. El resultado es una fusión
estrecha y cocreada del trabajo de ambos. La idea inicial puede
ser completamente humana; el número de intercambios, por sí solo, no
determina la cocreación.
Nivel 5. Supervisión humana de IA autónoma: La IA
genera el producto final de forma autónoma basándose en parámetros
humanos. El humano actúa solo como supervisor final, revisando la
calidad y validando el producto antes de usarlo.
Descripción de cada nivel
A continuación se detallan cada uno de los niveles y se dan algunos
de los aspectos clave que los definen. Damos ejemplos para alumnado y
profesorado, pero en muchas ocasiones son intercambiables.
Nivel 0. Trabajo
completamente humano
No hay uso de IA en ninguna etapa. Todo el contenido, ideas y
estructura son generados exclusivamente por el humano utilizando
recursos tradicionales.
En este marco, la ausencia de IA se refiere a la IA generativa
utilizada para realizar la tarea. Utilizar Internet o una herramienta
digital no implica por sí mismo recurrir a ella. Los ejemplos siguientes
presuponen que la persona realiza la actividad sin asistencia
generativa.
Características clave
No se utiliza IA generativa en ningún momento durante la tarea.
Se depende exclusivamente del conocimiento, comprensión y
habilidades propias del individuo.
Todas las ideas, análisis y contenidos son generados por la
persona.
Se utilizan únicamente recursos tradicionales (Internet, libros,
artículos, notas, etc.).
Ejemplos para el alumnado
Exámenes escritos en clase.
Debates supervisados.
Trabajos sin acceso a IA.
Generación de ideas sin tecnología.
Exámenes orales.
Sesiones de preguntas y respuestas o discusiones formativas entre
estudiantes y educadores.
Ejemplos para el profesorado
Diseñar preguntas de examen basadas en el contenido del curso sin
utilizar herramientas de IA.
Redactar rúbricas y criterios de evaluación para los exámenes.
Desarrollar planes de lecciones utilizando solo recursos
tradicionales (Internet, libros de texto, artículos académicos, notas de
clase).
Diseñar actividades y ejercicios que fomenten la participación
activa de los estudiantes.
Nivel 1. Asistencia técnica
por IA
La IA se utiliza para tareas mecánicas (como corrección ortográfica o
formateo) o para procesar y reformular información existente (como
resumir, traducir u organizar en tablas). La IA no aporta ideas,
análisis o conceptos nuevos que no estuvieran presentes en el
contenido original.
La persona puede proporcionar sus ideas, argumentos, notas o
contenidos y pedir que la IA los transforme en un texto
elaborado. Este uso como redactor avanzado sigue siendo nivel 1
si la IA se limita a expresarlos, reorganizarlos o reformularlos
fielmente. No es necesario que el material inicial sea un texto ya
redactado. Aportar solo un tema o una idea general no equivale a
proporcionar el contenido que la IA desarrollará. La novedad se valora
respecto al material y al desarrollo aportados, no respecto a lo que la
persona pudiera tener en mente sin haberlo explicitado.
La reorganización de este nivel es expresiva: mejora el orden o la
presentación conservando las relaciones aportadas. Si la IA propone una
jerarquía argumental, nuevas relaciones conceptuales o qué aspectos
desarrollar, interviene en la planificación o en el desarrollo del
contenido y debe examinarse el nivel correspondiente. Cambiar una
palabra por un sinónimo fiel no equivale a introducir una distinción
conceptual nueva.
Características clave
La IA actúa como una herramienta de apoyo que no genera
ideas o conocimiento nuevo, pero puede reorganizar y reformular
la información existente.
Se limita a tareas mecánicas y de reformulación (resúmenes, creación
de tablas, correcciones, traducciones, etc.).
El contenido resultante se basa estrictamente en las ideas
del material original, sin añadir nuevos análisis o conceptos
por parte de la IA.
La persona mantiene el control total sobre el contenido y las
decisiones.
Ejemplos para el alumnado
Usar la IA para resumir un texto, donde el resultado se
limita a condensar las ideas ya presentes en el original.
La IA organiza datos en tablas, facilitando la presentación sin
alterar la información original.
Utilizar la IA para traducir un texto a otro idioma, verificando la
precisión de la traducción y que esta no añada o altere las
ideas del original.
Corrección gramatical, de puntuación y ortográfica: La persona puede
usar IA para identificar y corregir errores gramaticales, de puntuación,
ortográficos y sintácticos en su trabajo.
Elección de palabras: La IA puede sugerir términos adecuados o
sinónimos para reemplazar palabras y frases más simples, ayudando a
clarificar la escritura.
Proporcionar las notas y los argumentos completos de un trabajo y
pedir a la IA que los redacte con claridad, comprobando que conserva su
sentido y no añade explicaciones o conclusiones nuevas.
Ejemplos para el
profesorado
Organizar datos en tablas o gráficos para presentaciones,
facilitando la visualización de la información sin alterar el contenido
original.
Corrección gramatical, de puntuación y ortográfica en documentos y
materiales educativos, mejorando la calidad del texto.
Sugerencia de términos adecuados o sinónimos para mejorar la
claridad de las guías de estudio y materiales escritos.
Asistencia en la preparación de planes de lecciones, resumiendo y
organizando información proporcionada según los objetivos y criterios ya
establecidos por el docente.
Extraer listas de términos y conceptos clave presentes en el
material proporcionado para exámenes y guías de estudio, siguiendo los
criterios de selección del docente.
Apoyo en la revisión de trabajos y tareas de los estudiantes,
utilizando IA para identificar errores de expresión y proporcionar
correcciones lingüísticas, sin evaluar ni desarrollar el contenido
disciplinar.
Nivel
2. Planificación y estructuración asistida por IA
La IA ayuda en la generación inicial de ideas y en la estructuración
del trabajo, pero todo el contenido final es desarrollado por el humano.
Sus propuestas sirven para planificar; la persona realiza el desarrollo
y la redacción final.
Este nivel incluye proponer una estructura, una secuencia argumental
o un plan de desarrollo. Las ideas y la organización sugeridas pueden
orientar el resultado; la IA no elabora los argumentos, análisis o
soluciones que lo constituyen. Si se vuelve a planificar durante el
trabajo, esa ayuda sigue siendo de nivel 2 mientras conserve esta
función preparatoria.
Si la IA ayuda a planificar, la persona desarrolla después todo el
contenido y finalmente la IA lo reformula sin añadir ideas, se combinan
nivel 2 en la planificación y nivel 1 en la
reformulación. Si, además de planificar, la IA desarrolla el
contenido, hay que examinar los niveles 3, 4 o 5 según el papel
posterior de la persona.
Características clave
La IA se utiliza principalmente para la generación de ideas
iniciales y la estructuración de contenidos.
Ayuda en el diseño y planificación del trabajo, pero no en la
creación del contenido final.
El humano utiliza las sugerencias de la IA como punto de partida,
pero desarrolla el trabajo por sí mismo, aplicando su propio criterio y
conocimiento.
El producto final no incorpora desarrollo ni redacción realizados
por la IA, aunque las ideas y estructuras sugeridas pueden orientar el
trabajo.
La persona es responsable de evaluar críticamente, seleccionar y
desarrollar las ideas generadas por la IA, asegurando que el producto
final sea el resultado de su propio análisis y comprensión.
La contribución de la IA se limita a la preparación del trabajo o de
sus partes, mientras que la ejecución y el desarrollo detallado son
realizados enteramente por el humano.
Ejemplos para el alumnado
Fases iniciales de un trabajo. Uso de IA para
generar ideas y crear un esquema o índice para un ensayo, pero la
redacción final se realiza sin IA.
Lluvia de ideas. Los estudiantes pueden usar IA
para generar ideas o posibles enfoques para resolver problemas. Estas
ideas se discuten, filtran y refinan; el alumnado elabora después las
soluciones.
Esquemas. Las personas pueden usar IA para crear
esquemas de su trabajo como herramienta de planificación. Estos esquemas
sirven como guía para el desarrollo humano del trabajo; su organización
puede reflejarse en el resultado. Si el encargo consiste en entregar el
propio esquema como producto final, su generación debe clasificarse como
tal y no como mera planificación.
Asistencia en la investigación. La IA puede sugerir
temas, áreas de interés o fuentes útiles para la investigación, también
a través de buscadores.
Ejemplos para el
profesorado
Elaborar el plan de una lección. Usar IA para
generar ideas y crear un esquema o índice para un plan de lección, pero
el desarrollo final del plan se realiza sin IA.
Esquemas. Crear esquemas estructurados para
unidades de estudio o programas de curso utilizando IA, como guía para
que el profesor desarrolle después las unidades o el programa.
Asistencia en la investigación académica. La IA
puede sugerir temas, áreas de interés o fuentes útiles para
investigaciones educativas, facilitando la búsqueda de referencias.
Generación de ideas para proyectos de clase y
actividades. La IA da ideas para actividades que luego son
creadas, adaptadas y refinadas por el profesor.
Nivel
3. Asistencia parcial de IA (uso de borradores o «esqueleto»)
La IA genera borradores iniciales o «esqueletos» que ya desarrollan
contenido, más allá de reformular material proporcionado. El humano
utiliza este material como un punto de partida, pero asume la autoría
principal, reescribiendo, adaptando y construyendo significativamente
sobre la base generada por la IA. La interacción es principalmente
unidireccional: la IA produce y el humano revisa y
modifica.
Un «esqueleto» de este nivel contiene un desarrollo inicial que la
persona reconstruye; un índice que solo orienta el trabajo corresponde
al nivel 2. La reconstrucción significativa afecta al contenido, al
razonamiento o al funcionamiento del resultado. No basta con seleccionar
una respuesta o introducir retoques de estilo. Puede haber consultas
posteriores a la IA sin que el proceso sea nivel 4, si la persona sigue
realizando el desarrollo principal por sí misma.
Características clave
La interacción es principalmente unidireccional: la IA produce, el
humano revisa y modifica.
El humano utiliza la IA para generar borradores, propuestas o
«esqueletos» que sirven como punto de partida.
El uso de la IA se centra en tareas específicas donde aporta
eficiencia, permitiendo al humano enfocarse en aspectos que requieren
otras habilidades.
La persona mantiene un control significativo sobre el proceso y el
resultado, asumiendo la autoría final del contenido.
Ejemplos para el alumnado
Redacción de secciones de un informe. La IA puede
redactar un borrador inicial de una sección. Los estudiantes revisan
esta sección, realizando modificaciones, añadiendo sus propias ideas y
asegurando que el contenido final refleje su comprensión y análisis
personal.
Análisis de datos. La IA lleva a cabo el análisis
preliminar de un conjunto de datos y genera gráficos o tablas y los
interpreta. Los alumnos revisan y reelaboran significativamente esa
interpretación, incorporan sus conclusiones y construyen un informe
propio sobre las implicaciones de los datos.
Redacción de preguntas para un cuestionario. La IA
genera las preguntas de un cuestionario y la persona las selecciona y
reelabora significativamente, revisando su planteamiento, los contenidos
que evalúan y su adecuación a las necesidades concretas.
Creación de presentaciones. La IA genera un
borrador de una presentación y el alumnado desarrolla y reorganiza sus
argumentos, incorpora explicaciones propias y adapta los
materiales.
Ejemplos para el
profesorado
Generación de recursos didácticos. La IA crea
borradores de recursos didácticos, como guías de lectura o materiales
suplementarios. El profesor revisa, adapta y desarrolla estos recursos
para asegurarse de que sean adecuados para las necesidades específicas
de sus estudiantes y el currículo.
Diseño de actividades de aprendizaje. La IA propone
una serie de actividades para una unidad temática. El profesor evalúa
cada actividad, modifica algunas para hacerlas más interactivas o
relevantes para su contexto específico, y añade nuevas actividades
basadas en su experiencia y conocimiento de las necesidades de
aprendizaje de sus estudiantes.
Desarrollo de casos prácticos. La IA genera un
listado de posibles casos prácticos basados en los conceptos clave del
curso. El docente selecciona, revisa y enriquece el caso, añadiendo
contexto real y preguntas de análisis que fomenten el pensamiento
crítico y la aplicación práctica de los conocimientos adquiridos.
Creación de exámenes. La IA propone un conjunto de
preguntas para un examen. El profesor selecciona las más apropiadas,
modifica otras para ajustar su dificultad o enfoque, y añade sus propias
preguntas para asegurar una evaluación completa y equilibrada de los
conocimientos y habilidades de los estudiantes.
Nivel 4.
Colaboración avanzada humano-IA (cocreación)
Hay un diálogo continuo y bidireccional en el que la
persona y la IA contribuyen al desarrollo del contenido. La persona guía
activamente a la IA durante esa elaboración, contrastando y refinando
las aportaciones a través de la conversación. El resultado es una
fusión estrecha y cocreada del trabajo de ambos, donde
la IA actúa como un colaborador activo.
La idea inicial puede ser completamente humana. Lo que define la
cocreación es que el diálogo interviene en su desarrollo mediante
aportaciones de ambos. La persona puede contribuir con argumentos,
objeciones, criterios y decisiones de contenido expresados en la
conversación; no es necesario que escriba directamente una parte del
texto final.
La repetición de instrucciones, la aceptación de propuestas o las
peticiones de cambios de estilo no bastan por sí solas. Tampoco una
conversación limitada a preparar ideas que la persona desarrollará
después sin IA. Debe haber elaboración compartida del contenido de la
tarea, con dirección y juicio humano durante ese desarrollo.
Características clave
Hay un diálogo continuo y bidireccional entre el humano y la IA, con
iteraciones en las que ambos desarrollan y refinan el contenido.
El humano mantiene un papel crucial en la dirección, refinamiento y
validación del trabajo, asegurando la coherencia general y la calidad
del producto final.
La creatividad y el juicio crítico del humano se aplican para
mejorar, personalizar y dar coherencia al resultado de la IA.
La persona actúa como coordinadora y directora del proyecto, tomando
decisiones críticas sobre la estructura, el contenido y la presentación
del trabajo.
Ejemplos para el alumnado
Proyecto de investigación. El estudiante y la IA
colaboran en un proceso iterativo. La IA ayuda a buscar fuentes,
proponer borradores de texto y crear gráficos. El estudiante dialoga con
la IA para ajustar dicho contenido, pidiendo correcciones, ampliaciones
y cambios de enfoque para asegurar su precisión y relevancia.
Trabajo escolar. El alumno proporciona los datos
necesarios para hacer el trabajo. La IA redacta un informe que es
examinado por el primero, quien le indica las correcciones a realizar.
Se establece un diálogo donde el alumnado contrasta las
interpretaciones, aporta argumentos y decide qué explicaciones revisar o
ampliar con la IA.
Resolución de problemas matemáticos. La IA
proporciona pasos y soluciones detalladas para problemas avanzados. El
estudiante contrasta los pasos, propone razonamientos y desarrolla con
la IA soluciones alternativas, justificando las decisiones que incorpora
a la respuesta final. Pedir explicaciones para comprender una solución
ya dada no basta, por sí solo, para clasificar su elaboración como
cocreación.
Creación de un pódcast histórico. Un estudiante
comienza proporcionando a la IA su idea general. La IA genera un esquema
inicial. El estudiante revisa este esquema, solicita cambios y pide a la
IA que amplíe ciertos aspectos. La IA produce borradores de guiones que
el estudiante edita. Colaboran en la creación de notas y materiales
complementarios. Este proceso continúa hasta que el pódcast alcanza un
alto nivel de calidad.
Modelo matemático aplicado al cambio climático. El
estudiante describe el problema a la IA. La IA sugiere enfoques y la
estudiante pide que los desarrolle. Solicita a la IA un borrador del
modelo. El estudiante revisa el modelo, ajusta variables e incorpora
factores adicionales con la ayuda de la IA. La IA genera visualizaciones
y el proceso iterativo continúa refinando el modelo.
Ejemplos para el
profesorado
Planificación de unidades didácticas. El profesor y
la IA diseñan iterativamente una unidad completa. El profesor pide
objetivos, la IA los genera, el profesor solicita ajustarlos para su
contexto, la IA sugiere actividades y el profesor pide modificarlas, en
un diálogo constante.
Desarrollo de evaluaciones. El profesor colabora
con la IA para generar preguntas, rúbricas y criterios de evaluación. A
través de un diálogo, refina el nivel de dificultad, solicita
variaciones de las preguntas y ajusta las rúbricas hasta que se alinean
con los objetivos del curso.
Desarrollo de materiales interactivos. El profesor
dirige a la IA para crear borradores de simulaciones o juegos. A través
de iteraciones, el profesor revisa, solicita ajustes en la mecánica o el
contenido y complementa los materiales, co-creando un recurso atractivo
y efectivo.
Desarrollo de una idea propia. El docente parte de
una idea completamente suya y pide ayuda para redactarla. Durante el
diálogo, la IA propone desglosar conceptos, explorar consecuencias,
introducir distinciones o profundizar determinados aspectos. El docente
contrasta esas propuestas, aporta sus razones, acepta unas, rechaza
otras y orienta su desarrollo. Las aportaciones elaboradas conjuntamente
influyen en el contenido final. El proceso puede haber comenzado en el
nivel 1 y pasar al nivel 4; el cambio depende de esa elaboración
compartida, no del origen de la idea.
Nivel 5. Supervisión
humana de IA autónoma
La IA genera el contenido o producto de forma autónoma, con el humano
actuando como supervisor. El humano establece los parámetros iniciales,
pero la IA desarrolla el trabajo con mínima o nula intervención durante
el proceso. El rol del humano es validar el producto
final para su uso o entrega, asegurando que cumple con los
requisitos iniciales.
La autonomía se refiere al desarrollo del contenido o producto
encargado. Proporcionar el tema, los datos o los requisitos no impide
este nivel si la IA realiza ese desarrollo y la persona se limita a
supervisarlo. Los retoques menores posteriores no constituyen por sí
solos reconstrucción de nivel 3 ni cocreación de nivel 4. En cambio, una
redacción que solo reformula contenidos humanos ya desarrollados
corresponde al nivel 1.
Características clave
La IA genera el contenido de forma independiente, basándose en los
parámetros iniciales establecidos por la persona.
La intervención humana durante el proceso de generación es mínima o
nula, limitándose a la configuración inicial y la revisión final.
El contenido generado por la IA es el producto final en sí mismo,
que el humano valida, aprueba y utiliza directamente.
El humano actúa como un director o validador que aprueba el
resultado, a diferencia del Nivel 4 (donde es un cocreador) o el Nivel 3
(donde es un constructor).
En los ejemplos siguientes, el nivel 5 corresponde a la
generación del recurso: el cuento, el informe, el texto
histórico o el diálogo. El análisis, la comparación o el debate
posteriores son tareas diferentes y se clasifican según cómo se
realicen. Si el docente proporciona el recurso y el alumno lo analiza
sin IA, esa tarea del alumno puede ser de nivel 0. Si el propio alumno
encarga el recurso y después lo analiza, conviene describir ambas
partes; el conjunto no es un trabajo sin IA.
Ejemplos para el alumnado
Análisis literario: La IA genera un cuento o relato
breve sobre un tema o género literario específico. El estudiante utiliza
este cuento para realizar un análisis literario, identificando temas,
motivos, recursos estilísticos y estructuras narrativas. El trabajo
final del alumno no es la modificación del cuento, sino el análisis
crítico del texto generado por la IA.
Análisis de datos científicos: La IA produce un
informe completo basado en un conjunto de datos científicos, como los
resultados de un experimento o una simulación. El estudiante utiliza
este informe para realizar un análisis crítico, discutir la metodología,
interpretar los resultados y evaluar las conclusiones. El informe
generado por la IA es tratado como un documento fuente sobre el cual el
estudiante realiza su análisis.
Estudio de casos históricos: La IA crea una
descripción detallada de un evento histórico, incluyendo narrativas,
fechas clave, y actores involucrados. El estudiante emplea este texto
para realizar una comparación entre este evento y otro estudiado en
clase, desarrollando un ensayo comparativo que analiza las similitudes y
diferencias en contextos históricos.
Discusión filosófica: La IA redacta un diálogo
filosófico entre dos personajes sobre un tema ético contemporáneo. Los
estudiantes usan este diálogo como base para un debate en clase, donde
discuten las posiciones de cada personaje, analizan sus argumentos y
desarrollan sus propias reflexiones filosóficas a partir del texto.
Ejemplos para el
profesorado
Análisis de textos en clase: La IA genera un
conjunto de textos expositivos sobre diferentes teorías científicas o
conceptos matemáticos. El profesor utiliza estos textos como material
para que los estudiantes realicen análisis de comprensión, discutan en
grupos o respondan a preguntas específicas sobre los conceptos
presentados en los textos generados.
Estudio de documentos históricos simulados: La IA
produce discursos o documentos simulados de figuras históricas en
diferentes contextos. El profesor utiliza estos documentos en clase para
que los estudiantes los analicen como ejercicio de interpretación,
identificándolos expresamente como simulaciones y sin atribuirles valor
de fuente histórica auténtica, desarrollando ensayos o discusiones
basadas en el contenido generado.
Práctica de interpretación de datos: La IA crea una
serie de informes técnicos o científicos que incluyen análisis de datos,
gráficos y conclusiones. El profesor utiliza estos informes en
ejercicios de clase donde los estudiantes practican la interpretación de
datos, critican la metodología utilizada y desarrollan sus propias
conclusiones basadas en la información presentada.
Preparación para un debate: La IA redacta textos
que representan diferentes posiciones en un tema controversial. El
profesor utiliza estos textos para preparar a los estudiantes para un
debate, donde cada grupo analiza y defiende la posición presentada por
la IA, desarrollando argumentos a partir del texto base.
Asistente del MIAE
El asistente
del MIAE en Gemini Notebook permite consultar el marco, analizar
casos y explorar cómo adaptar las tareas a sus distintos niveles. Sus
respuestas se basan en el texto completo de la versión 2.1 y pueden
contrastarse con las citas de la fuente.
Perkins, M., Furze, L., Roe, J., MacVaugh, J.(2024). The Artificial
Intelligence Assessment Scale (AIAS): A Framework for Ethical
Integration of Generative AI in Educational Assessment. Journal of
University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Perkins, M., Roe, J., & Furze, L. (2025). Reimagining the
Artificial Intelligence Assessment Scale (AIAS): A refined framework for
educational assessment.Journal of University Teaching and
Learning Practice, 22(7). https://doi.org/10.53761/rrm4y757
Vídeo explicativo del MIAE v2.1 realizado con Gemini Notebook.
La preparación de materiales suele exigir un mismo contenido en
formatos distintos: el documento de Word que pide el departamento, el
PDF que se entrega al alumnado y, en ocasiones, la página web del aula
virtual. Cuando el texto incluye fórmulas, la conversión de un formato a
otro deja de ser inmediata y obliga a repasar y rehacer el resultado en
cada paso.
EdiMarkWeb es un editor
de Markdown pensado para ese trabajo: se escribe una sola vez, o se pega
directamente lo que ha respondido un chatbot, se ve el resultado
mientras se escribe y se exporta a DOCX, ODT, EPUB, HTML, LaTeX o PDF
según convenga. Funciona en el navegador, sin instalar nada, y también
como aplicación de escritorio para Linux, Windows y macOS. En los dos
casos el documento no sale del equipo: no hay cuentas, ni servidores, ni
subida de archivos a ningún sitio.
Pódcast del artículo realizado por Gemini Notebook
Markdown y los dos editores
Markdown es texto corriente con unas pocas marcas: almohadillas para
los encabezados, asteriscos para la negrita, guiones para las listas. Se
aprende en unos minutos y tiene una ventaja de fondo: el archivo es
texto plano, de modo que se abre en cualquier ordenador, también dentro
de veinte años, sin depender de la versión del programa con que se
escribió.
La pantalla se divide en dos paneles. A la izquierda, el editor
Markdown, con el texto y sus marcas. A la derecha, el editor visual, con
el documento ya compuesto. Los dos están sincronizados y los dos
se pueden editar, de modo que se puede corregir sobre el texto
acabado, como en un procesador, y ver cómo cambia el Markdown de la
izquierda. La barra de herramientas cubre lo habitual (encabezados,
listas, citas, enlaces, imágenes, tablas, bloques de código) y trabaja
en cualquiera de los dos.
El panel izquierdo contiene el texto con sus marcas; el derecho,
el documento tal como va a imprimirse. La fórmula del centro se compone
al escribirla.
Bajo los paneles, una barra de estado reúne lo que se consulta a
diario: el número de caracteres y palabras, el idioma del documento, un
resumen de cómo va a salir (tamaño de letra, tipo e interlineado), la
lupa y los tres botones que reparten la pantalla entre un panel, los dos
o el otro.
Los documentos se organizan en pestañas, cada una con su archivo, y
se guardan solas: si se cierra el navegador por accidente, al volver
está todo. Y si queda algo sin guardar, avisa antes de cerrar la
pestaña.
El Markdown de
la IA, directamente al documento
Esta es la función con la que nació el programa y sigue siendo la más
utilizada. Al copiar la respuesta de un chatbot y pegarla en un
procesador de textos, lo que aparece es un texto lleno de asteriscos y
almohadillas. Las fórmulas llegan además como el código que son,
\frac{-b \pm \sqrt{b^{2}-4ac}}{2a}, y no compuestas. El
contenido es correcto, pero no se puede entregar en ese estado.
La causa es que las inteligencias artificiales responden en
Markdown, con las fórmulas escritas en LaTeX. Es su formato
nativo, aunque el chat lo presente ya compuesto. Al copiar, lo que viaja
son las marcas, y el procesador de textos no sabe qué hacer con
ellas.
EdiMarkWeb interpreta ese formato. Se copia la respuesta del chat, se
pega en el panel izquierdo y en el derecho aparece el documento
terminado: los encabezados como encabezados, las listas como listas, las
tablas como tablas y las fórmulas compuestas. De ahí sale ya un DOCX, un
ODT o un PDF listos para entregar.
A la izquierda, la respuesta tal como se copia del chat. A la
derecha, lo que se obtiene sin tocar nada más.
El pegado admite algo más que texto plano. El botón
Pegar de la barra de herramientas, o el habitual
Ctrl+V, reconoce también el contenido enriquecido que se
copia de una página web o de un documento de Word, y lo convierte a
Markdown, así como las imágenes copiadas al portapapeles, que quedan
incrustadas en el documento. Y para las respuestas que vienen en LaTeX
completo, con su preámbulo y su \begin{document}, está
Archivo → Pegar LaTeX (Ctrl+Mayús+V), que las
convierte en un documento editable.
En la práctica, la conversación con la IA deja de quedarse en el chat
y se convierte en material de trabajo (los ejercicios resueltos, el
examen, los apuntes de un tema) guardado en un archivo propio, en el
ordenador, y en el formato que haga falta.
La vista previa compone
la página real
El cambio más visible de las últimas versiones está en el panel
derecho, que ha pasado de mostrar una aproximación del documento a
componer la página tal como se va a imprimir. La hoja mide lo que mide
un A4 o una Carta y el texto se reparte en páginas, con su separación
entre una y otra. El corte cae siempre entre dos bloques, nunca a media
línea, como en un procesador de textos.
Con el índice activado, el editor visual lo muestra al principio
de la hoja, con el número de página de cada apartado, y lleva hasta
ellos al pulsarlo. No forma parte del texto: el índice definitivo lo
genera cada formato al exportar.
El aumento se aplica a la página completa, con sus márgenes, en lugar
de reordenar el texto, de modo que el reparto se conserva. Un
interruptor con forma de cadena vincula además el ancho del panel y el
aumento en los dos sentidos: al apartar el separador la hoja crece, y al
modificar la lupa es el separador el que se retira para dejarle sitio.
La página se ve así siempre entera, sin barra de desplazamiento
horizontal.
El reparto es exacto para el PDF y para la impresión, que se generan
a partir de esta misma hoja.
Las fórmulas
Las fórmulas se escriben en LaTeX entre delimitadores, y se admiten los
cuatro habituales: \(...\) y $...$ para las que van
dentro de una línea, \[...\] y $$...$$ para las que
van aparte. Los dos primeros son los recomendados, porque el dólar también
aparece en el texto por sus propios motivos y ahí puede confundirse con el
principio de una fórmula. La vista previa las
compone al momento con KaTeX, mientras se escribe. Hay tres maneras de
ponerlas: el menú de fórmulas del editor Markdown, que inserta los
delimitadores sin tener que recordarlos; una ventana propia en el editor
visual, que muestra el código y el resultado a la vez y avisa del error
si lo hay; y EdiCuaTeX, el
editor visual de ecuaciones, para quien no domine la sintaxis.
EdiCuaTeX se abre desde la propia barra de herramientas. Se elige
el elemento de una galería ordenada por temas y la fórmula construida
aquí se inserta en el documento sin copiar ni pegar nada.
Los formatos de entrada y
de salida
Editores de Markdown hay muchos. Lo que distingue a EdiMarkWeb son
los formatos que admite al abrir un documento y los que produce al
exportarlo.
Todo pasa por el mismo punto: se importa el documento, se edita
en Markdown y se exporta al formato que haga falta.
Lo que entra. Además de los archivos Markdown, se
pueden abrir documentos de Word (.docx), de LibreOffice
(.odt), libros digitales (.epub), páginas web
(.html) y documentos LaTeX (.tex), que se
convierten a Markdown al abrirlos. Las imágenes de los DOCX, ODT y EPUB
se extraen del propio archivo, de modo que no se pierden, y de un EPUB
vuelve además el idioma, que el libro guarda en su envoltorio y no en el
texto. Los archivos se pueden arrastrar sobre la ventana, incluso
carpetas enteras: cada documento compatible se abre en su pestaña y lo
demás se ignora.
Lo que sale. Del mismo documento se obtiene un DOCX
para quien trabaja con Word, que es también el formato con el que Google
Docs importa y exporta, de modo que el mismo archivo sirve para los dos,
un ODT para LibreOffice, un EPUB que se lee en cualquier lector de
libros electrónicos, una página web autónoma (con los estilos y las
fórmulas dentro del propio archivo, lista para subir a un servidor) o un
.tex preparado para compilar. Y el PDF, que es la sexta
salida del menú: abre el diálogo de impresión del sistema, donde se
elige «Guardar como PDF» como destino. Lo que sale es exactamente lo que
se ve en la hoja, con las fórmulas compuestas, los márgenes del
documento y el texto seleccionable y buscable.
Exportar es un menú propio, entre Archivo y Configuración, con
cada formato explicado bajo su nombre. Archivo, al lado, reúne lo que
trae contenido: abrir, importar, pegar LaTeX.
En la barra de arriba, junto al icono de guardar, hay además dos
botones que repiten de un clic el último formato usado, y lo dicen en un
rótulo pequeño: uno exporta a un archivo y el otro copia al
portapapeles.
Lo que no llega a ser archivo. El botón de copiar
hace lo mismo que Exportar con otro destino, el portapapeles, y ofrece
cuatro formatos: Markdown, HTML, LaTeX y LaTeX completo. El útil para el
trabajo diario es el HTML, porque pega el documento con su
formato en Word, LibreOffice, Google Docs o el correo, con los
encabezados, las negritas, las listas y las tablas ya compuestos, sin
pasar por ningún archivo intermedio. Dos advertencias: las fórmulas se
pegan como texto, así que para llevarlas como ecuaciones hay que
exportar a DOCX u ODT, y las imágenes solo viajan si están incrustadas
en el documento.
El botón recuerda el último formato elegido y lo dice a su lado,
de modo que volver a copiar en ese formato es un solo clic.
Citas y bibliografía
Las citas y la bibliografía son la incorporación más reciente y
amplían el uso del programa más allá de la preparación de materiales de
clase: sirven igualmente para una memoria, un artículo o un trabajo de
fin de grado.
Se carga una biblioteca en BibTeX
(.bib) o CSL JSON (.json),
los dos formatos que exportan Zotero, Mendeley y Google Académico, y a
partir de ahí las citas se insertan desde un cuadro que busca por autor,
título, año o clave. Quien no tenga todavía una biblioteca puede cargar
la de ejemplo, con siete referencias completas, o escribir las suyas a
mano: el formulario admite artículos, libros, capítulos, informes,
páginas web, tesis y comunicaciones, con los campos propios de cada
tipo, y la clave de cita se genera sola con el apellido, el año y una
palabra del título.
Al pie del cuadro se lee con qué estilo se van a componer las
citas y un enlace lleva a cambiarlo. La forma de la cita puede ser
parentética, narrativa o de solo año, y con una sola referencia se le
puede añadir la página.
En el texto queda una marca corta, [@freeman2014active],
y de ella salen la cita compuesta y la lista de referencias del final,
ordenada por apellidos. El estilo inicial es APA 7;
también hay Chicago autor-fecha, MLA 9 e IEEE, y se puede cargar un
archivo CSL propio, que es como se ajustan las normas
de una revista o de una universidad concreta.
A la izquierda se escribe la clave; a la derecha aparecen la cita
y las referencias, con la sangría francesa de la norma. Lo mismo sale al
exportar, en los seis formatos.
Al guardar, la biblioteca y el estilo se copian junto al documento,
en su carpeta, y quedan declarados dentro del archivo. Es lo que permite
abrir el mismo trabajo en otro ordenador y que las citas se compongan
igual.
Cada documento, con su
formato
Los ajustes de salida están reunidos en Configuración → Opciones
generales…, que es lo que antes se llamaba opciones de exportación.
Son cinco pestañas: los datos y el índice (idioma, autor, numeración de
apartados, profundidad), el texto y la página, la portada del EPUB, las
citas y, para quien use LaTeX, la clase del documento, sus opciones y un
preámbulo propio.
Estos valores son el punto de partida para todos los documentos y
se recuerdan de una sesión a otra. Lo que fije cada documento manda
sobre ellos.
La pestaña de texto y página reúne lo que suele obligar a retocar el
documento una vez exportado: la alineación, el tipo y el tamaño de
letra, el interlineado, el tamaño de papel, la orientación, los márgenes
de los cuatro lados, la sangría de primera línea y la partición de
palabras con guion. Se aplica a la hoja que se está viendo y a todos los
formatos de salida, de modo que el DOCX y el ODT salen ya con la caja y
la tipografía que se quieren.
No es necesario que todos los documentos compartan esos ajustes. Cada
uno puede llevar los suyos, junto con su idioma, su autor y su decisión
sobre el índice, en el cuadro Opciones de este
documento, que se abre desde la propia barra de estado. Se
guardan dentro del archivo, en unas líneas de metadatos al principio,
así que viajan con él: un manual quiere índice numerado y una nota de
dos párrafos no, y cada uno lo lleva escrito.
Los ajustes que se repiten se guardan una vez con un nombre
(«TFG», «apuntes») y se aplican después a cualquier documento. Nada
llega al texto hasta que se pulsa Aplicar.
Un detalle que suele dar problemas es el idioma.
Cada documento puede llevar el suyo, guardado dentro del propio archivo,
y todos los formatos de salida lo declaran. Eso es lo que evita que Word
y LibreOffice subrayen en rojo un texto castellano por corregirlo en
inglés, y lo que hace que LaTeX parta bien las palabras.
Las imágenes y la
carpeta del documento
Una imagen se puede insertar de dos maneras: incrustada en el propio
archivo, que se vuelve autónomo pero mucho más pesado, o con ruta
relativa, que es lo recomendado y lo que hace cualquier editor de
Markdown. En ese caso el documento y sus imágenes viajan juntos: al
guardar mi-archivo.md se crea al lado una carpeta
mi-archivo con las imágenes dentro y, si hay bibliografía,
también con ella y con el estilo. Basta conservar los dos para llevarse
el trabajo a otro ordenador.
Bajo el editor Markdown, una lista reúne todas las imágenes del
documento, las incrustadas y las enlazadas. Desde ahí se ven, se
reemplazan (por una del disco, del portapapeles o de una dirección web)
y se quitan del texto, y las enlazadas se pueden incrustar. Existe
también la operación inversa: las incrustadas se extraen del archivo y
quedan como imágenes dentro de la carpeta.
En la aplicación de escritorio las imágenes con ruta relativa se
encuentran solas. En el navegador no, porque ninguna página puede leer
una carpeta sin permiso: aparece un aviso con un botón para señalarla y,
hecho una vez, se ven todas.
En el navegador o instalado
La versión web no necesita instalación y basta para la mayoría de los
casos. La aplicación de escritorio, para Linux, Windows y macOS, es la
misma (los mismos menús, los mismos atajos, los mismos formatos) y añade
lo que solo puede hacer un programa instalado: abrir los archivos
.md con doble clic, guardar sobre el documento original sin
pasar por la carpeta de descargas, usar el corrector ortográfico del
sistema y funcionar sin conexión, porque lleva dentro
las herramientas de conversión. También avisa cuando hay una versión
nueva y la instala.
En el navegador, con todo, guardar ha dejado de ser una descarga:
Chrome y Edge abren el diálogo del sistema para elegir el nombre y la
carpeta, y recuerdan el archivo, así que la siguiente vez
Ctrl+S escribe encima como en la aplicación de escritorio.
Firefox todavía no admite esa forma de guardar y sigue descargando el
archivo.
Conviene tener presentes algunas limitaciones antes de emplearlo en
un trabajo extenso. El índice de un DOCX o un ODT es un campo que
calcula el procesador de textos, así que el documento se abre con la
lista de apartados pero sin números de página hasta que se actualiza (en
Word, botón derecho sobre el índice y Actualizar campos). En el
EPUB los márgenes son una sugerencia, porque manda el lector de libros.
La partición de palabras necesita los diccionarios de guiones del
sistema. Y el reparto en páginas que se ve en pantalla es exacto para el
PDF y la impresión, pero solo orientativo para Word y para LaTeX, que
componen las líneas a su manera.
Para qué sirve en la
práctica
El destinatario natural es el profesorado que prepara materiales con
fórmulas y los tiene que entregar en formatos distintos: los apuntes en
PDF, el examen en Word para el departamento (o en Google Docs, que abre
ese mismo archivo), la misma unidad convertida en página web para el
aula virtual y, si se quiere, en libro digital para leerlo en una
tableta. Todo eso sale de un único archivo de texto que se puede
corregir el curso que viene sin volver a maquetar nada. Con la
bibliografía se añade un trabajo que hasta ahora se hacía en otra parte:
la memoria, el artículo o el trabajo de fin de grado, con sus citas y su
lista de referencias en la norma que se exija.
Sirve también para lo contrario: recuperar el material que ya existe.
Un documento de Word de hace años se abre aquí, se convierte en texto
limpio y vuelve a salir por el formato que se necesite. Y, sobre todo,
para conservar lo que ha respondido la inteligencia artificial, en un
archivo propio y en un formato que se pueda entregar.
Hacer una ficha interactiva a partir de un PDF tiene dos partes. Una
es decidir qué se pregunta. La otra es colocar los campos: abrir el
documento, dibujar una caja encima de cada línea de puntos, ajustar el
tamaño, escribir la solución, repetirlo veinte veces y descubrir al
final que un campo tapa el enunciado siguiente.
Desde la versión 1.29, OpenWorksheets puede hacer
ese trabajo por nosotros. No con un botón dentro de la aplicación, sino
desde la conversación con la inteligencia artificial que ya usemos: se
le dice dónde está el PDF y ella lo abre, lee la página, coloca los
campos donde tocan, mira cómo ha quedado y guarda la
ficha lista para abrir en el editor. Y no solo convertir: si no partimos de ningún documento, podemos pedirle la ficha entera sobre un tema, y la escribe sobre hojas en blanco.
«Convierte en ficha interactiva de OpenWorksheets este PDF:
energia.pdf»
Este artículo explica qué es lo que hace posible eso (un servidor
MCP), qué se le puede pedir, qué hace falta para instalarlo y, sobre
todo, dónde están sus límites, que los tiene.
Pódcast del artículo realizado por Gemini Notebook
Qué es un servidor MCP
Una IA de las de conversar sabe redactar preguntas, pero no puede
abrir un archivo de nuestro disco ni escribir uno. Vive dentro de su
ventana de chat. El MCP (Model Context
Protocol, «protocolo de contexto del modelo») es el estándar que le
da manos: un programa pequeño que se instala en el ordenador y le ofrece
a la IA una lista de operaciones concretas que puede ejecutar.
El servidor MCP de OpenWorksheets ofrece las operaciones propias para
fabricar una ficha: abrir un PDF, leer el texto de una página
con las coordenadas de cada línea, colocar campos de
respuesta, tapar una zona, ver el resultado y guardar el paquete
.owpkg. La IA decide qué preguntar y dónde ponerlo; el
servidor hace el trabajo material y le dice cuándo se está
equivocando.
Que sea un programa local tiene una consecuencia práctica: el
archivo no se sube a ningún servicio. El PDF se abre en nuestro
ordenador, las páginas se dibujan ahí y la ficha se guarda ahí, sin
pasar por ninguna web de conversión.
Conviene no confundir eso con privacidad total, porque no lo es. La
IA con la que hablamos sí ve el contenido: para colocar
los campos necesita el texto de las páginas, y para comprobar el
resultado necesita mirar la imagen de la ficha. Ambas cosas viajan a los
servidores de quien preste el servicio (Anthropic, OpenAI, Google,
etc.), igual que si pegásemos el documento en el chat. Con datos
personales del alumnado, o con material que no deba salir del centro,
hay que tenerlo presente. La única forma de que no salga nada es usar un
modelo que corra en el propio ordenador, con LM Studio, aunque de
momento lo usa muy poca gente, sobre todo porque necesita de un
ordenador muy potente para poder funcionar de forma fluida.
Formas de hacer una ficha
Sobre un documento propio. Es el caso para el que
nació. Partimos de un PDF o de una imagen (un examen antiguo, una ficha
fotocopiada, un esquema) y los campos se colocan encima, cada uno en su
sitio, respetando el diseño original. El alumnado ve el documento de
siempre, pero relleno de huecos que podrá completar y que se corrigen
solos.
Desde cero, sobre hojas en blanco. Le decimos el tema, el nivel y cuántos ejercicios, y la ficha se escribe entera: enunciado, campo de respuesta, separación y salto de página cuando hace falta. Es lo mismo que ya permitía la opción Crear una ficha con IA de la aplicación, la de copiar un prompt y pegar la respuesta, pero sin copiar ni pegar nada y con una diferencia importante: el servidor valida el formato sobre la marcha, así que si algo viene mal, la IA se entera al momento y lo corrige, en lugar de entregarnos un archivo que no abre.
Las dos formas se mezclan: se puede partir de un PDF y añadir al
final tres preguntas nuevas sobre hoja en blanco.
La vista previa es lo que lo hace fiable
Una IA colocando cajas sobre una página, a ciegas, se puede equivocar. Si pone el campo dos centímetros por debajo de donde iba, tapa media palabra del enunciado, deja a la vista la solución impresa en el margen. Por eso el paso importante no es colocar, sino comprobar: el servidor monta la página con el mismo visor que verá el alumnado y le devuelve a la IA una captura de cómo ha quedado, con el contorno y el número de cada campo dibujados encima. Con esa imagen delante, la IA corrige lo que esté desplazado antes de guardar nada.
Lo que ve la IA después de colocar los campos: la ficha real
montada con el visor del alumnado, con el contorno y el número de cada
campo añadidos encima. Esta ficha se ha hecho para el artículo con el
propio servidor, a partir de un PDF de una hoja.
Qué se le puede pedir
Todo en lenguaje normal, en la conversación, sin tocar la
aplicación:
«Convierte en ficha interactiva de OpenWorksheets este
PDF»
«Crea una ficha interactiva de OpenWorksheets con 10 ejercicios
y nivel de 1.º de ESO sobre la célula»
«El ejercicio 5 prefiero que lo cambies por una pregunta de
respuesta múltiple, en lugar de verdadero o falso»
«Tapa las soluciones que están impresas al pie de la
página»
«Enséñame la página 3 antes de guardar»
Los tipos de campo que sabe colocar son casi todos: respuesta corta,
numérica, fórmula, respuesta larga, opción única y múltiple,
desplegable, verdadero/falso, huecos en el texto, huecos dibujados sobre
el documento, casillas, tabla editable, emparejar, ordenar, arrastrar a
zonas y grabación de voz.
Qué hace falta
1. Una IA instalada en el ordenador. Esto no se puede hacer desde la web de ChatGPT, de Claude ni de Gemini: el navegador no puede instalar ni ejecutar nada en nuestro equipo. Hacen falta las aplicaciones de escritorio o herramientas de terminal como Claude Code o Codex CLI. Y en las aplicaciones de escritorio de ChatGPT y de Claude no vale el chat de siempre: hay que pedírselo desde su pestaña de código (Codex en ChatGPT, Claude Code en Claude), que es la parte que puede trabajar con archivos y programas. También sirven LM Studio, Antigravity, Cursor y VS Code.
2. Node.js 18 o superior y un navegador basado en
Chromium (Chrome, Chromium o Edge). Node es lo que ejecuta el
servidor; el navegador, que trabaja sin abrirse ni verse, es lo que
dibuja las páginas del PDF y monta la vista previa. Es probable que ya
estén instalados; si falta alguno, la propia IA puede
encargarse de instalarlo o guiarnos en el proceso.
3. El servidor, instalado una sola vez. Hay que
destacar que no lo instalamos nosotros, lo instala la
IA. En el editor de OpenWorksheets, en Archivo → Crear o
convertir fichas con IA (MCP), hay un prompt para copiar y pegarle
en su chat. Ella descarga la carpeta, la registra en su propia
configuración y comprueba que responde. Claude Code, Codex CLI, la
aplicación de escritorio de ChatGPT, Antigravity, Cursor y VS Code lo
pueden hacer; LM Studio no puede tocar su configuración, así que al
final nos dará escrito el texto que hay que pegar y nos dirá en qué
archivo va. Aunque si tenemos alguna de las IA anteriores, le podemos
decir que nos lo instale en LM Studio.
El diálogo del editor con las instrucciones que se le pegan a la
IA para que instale el servidor.
Para actualizarlo, hacemos lo mismo, escribimos en el chat: «Actualiza el servidor MCP de OpenWorksheets a la última versión y dime en cuál se ha quedado».
Límites que conviene conocer antes de empezar
Un PDF escaneado da mucho más trabajo. Si la página
es una fotografía, sin capa de texto, no hay coordenadas que leer y la
IA tiene que colocar los campos mirando la imagen y afinando por
aproximación. Sale, pero cuesta varias vueltas. Con un PDF generado
desde un procesador de textos, en cambio, es más sencillo.
Las respuestas las propone la IA. En preguntas
cerradas suele acertar; en las abiertas, y en cualquier cosa que dependa
de un criterio nuestro, hay que revisar la ficha antes de repartirla. La
ficha se abre en el editor como cualquier otra y podremos corregir lo
que haga falta.
No sustituye al editor, lo alimenta. Lo que devuelve
la IA es un .owpkg normal, que se abre en OpenWorksheets,
se retoca, se le puede modificar la puntuación y las opciones de
corrección, y se comparte como siempre.
Para qué sirve esto realmente
El cuello de botella de las fichas interactivas nunca ha sido la
falta de material: el profesorado tiene carpetas llenas de PDF buenos.
El cuello de botella es el rato de trabajo mecánico que separa ese PDF
del material interactivo, y que hace que muchos no lleguen a dar el
paso. Eso es exactamente lo que esto quita de en medio.
Con la ventaja de que no cambia el resto: la ficha resultante es una ficha de OpenWorksheets como cualquier otra, sin cuentas, sin servidores, sin depender de ninguna plataforma.
La misma ficha sin las marcas de trabajo: así la abre el
alumnado. El documento original se conserva intacto; los campos se
corrigen solos.
Cualquier persona que trabaje con documentación acumula un fondo de
textos que consulta una y otra vez: normativa, actas, memorias, apuntes,
artículos. Preguntarle a una inteligencia artificial sobre ese material
choca siempre con el mismo muro: hay que subirlo a algún sitio, o
pegarlo en la conversación, o confiar en que el modelo lo recuerde de su
entrenamiento, cosa que no ocurre.
Este artículo explica qué es un RAG (Retrieval Augmented
Generation, en español «generación aumentada por recuperación»),
qué es el protocolo MCP (Model Context Protocol, en español
«protocolo de contexto del modelo») que hace posible esa conexión, cómo
funciona el conjunto y cómo montarlo sin escribir una línea de
código.
Si solo quieres las instrucciones, ve directamente a la guía rápida del final: reúne las tres
que hacen falta, listas para copiar y pegar. El resto del artículo
explica qué hace cada una y por qué, que es lo que permite juzgar si el
resultado es bueno.
El código está publicado: el sistema completo que se
describe aquí, con un fondo documental de ejemplo ya indexado, está en
github.com/jjdeharo/cuadernos-rag,
con licencia libre. Quien prefiera verlo antes de leer nada más, puede
empezar por ahí.
Pódcast del artículo realizado por Gemini Notebook
Qué es un RAG
Un buscador colocado delante de una inteligencia artificial.
Un modelo de lenguaje, que es el programa que hay detrás de ChatGPT,
Claude o Gemini, no puede leer mil páginas cada vez que recibe una
pregunta porque no caben en una consulta y, aunque lo hiciese,
resultaría lento y costoso. Lo que hace un RAG es localizar primero los
pocos fragmentos que hacen falta para responder a esa pregunta concreta,
y entregar solo eso. El modelo no aprende los documentos ni los
memoriza: los consulta, como haría cualquiera con un libro delante, e
indica de dónde ha salido cada afirmación.
La consecuencia práctica es doble. Por un lado, deja de haber límite
de volumen: da igual que el fondo documental sean quinientas páginas o
veinte mil, porque en cada consulta solo viajan unos pocos fragmentos.
Por otro, y más importante, cada respuesta puede citar su fuente. En
materia normativa o técnica, una respuesta sin fuente no tiene ningún
valor.
Qué es el MCP
El servidor declara sus herramientas una vez y cualquier
asistente compatible puede usarlas.
Un RAG, por sí solo, es una herramienta de línea de comandos: se le
hace una pregunta y devuelve fragmentos. Útil, pero incómodo.
MCP son las siglas de Model Context Protocol, un estándar
abierto propuesto por Anthropic a finales de 2024 y adoptado después por
los demás asistentes. Resuelve un problema muy concreto: cómo permitir
que una IA use herramientas externas sin que haya que programar una
integración distinta para cada combinación de herramienta y asistente.
Con MCP, quien construye la herramienta la describe una sola vez, y
cualquier asistente compatible sabe cómo usarla.
Aplicado a un RAG, el cambio es importante, ya que en lugar de
ejecutar búsquedas a mano y pegar los resultados en una conversación, el
asistente busca por su cuenta, tantas veces como necesite. Ante una
pregunta que cruza tres documentos distintos, hace tres búsquedas con
vocabulario distinto, compara lo que encuentra y responde citando cada
fuente. El fondo documental deja de ser un archivo aparte y pasa a estar
dentro de la conversación.
Un servidor MCP no es más que un programa que declara qué sabe hacer.
En el caso de un RAG documental, cuatro operaciones bastan: buscar
pasajes, listar los documentos disponibles, ampliar el contexto de un
pasaje concreto y recorrer un documento entero. El asistente decide
cuándo usar cada una.
Conviene añadir una instrucción que gobierne su uso, porque sin ella
el asistente tenderá a responder de memoria. Basta con una regla
explícita: no afirmar nada que no proceda de una búsqueda, buscar varias
veces reformulando con el vocabulario propio de cada fuente, citar
siempre el identificador del pasaje, y decir con claridad cuándo el
fondo documental no cubre la pregunta.
Cómo funciona por dentro
Arriba, la preparación: se hace una vez. Abajo, lo que ocurre en
cada pregunta: dura un segundo.
Son cuatro piezas, y solo la última tiene que ver con la inteligencia
artificial tal y como la entiende la mayoría.
Convertir a texto. PDF, páginas web, documentos de
Word, audio transcrito: todo tiene que acabar siendo texto plano. Un PDF
no guarda un texto, guarda dónde va cada letra en la página; al leerlo
hay que reconstruir el orden, y en tablas o en textos a dos columnas se
falla a menudo. Es la pieza menos vistosa y la que estropea el resultado
con más frecuencia.
Trocear. Consiste en partir cada documento en
fragmentos manejables y, aunque parezca un detalle de poca importancia,
es lo que más determina la calidad final. Un troceado rudimentario corta
cada mil palabras sin atender a dónde cae el corte, mientras que uno
cuidadoso respeta la estructura del texto: en una norma, por ejemplo, un
fragmento por artículo. La diferencia se aprecia en cuanto se formula
una consulta concreta, porque en el primer caso llega un trozo que
empieza a mitad de un artículo y se interrumpe antes de acabar el
siguiente, mientras que en el segundo llega el artículo completo, con su
título.
Convertir cada fragmento en números. De esto no se
encarga un asistente de los que conversan, sino un programa mucho más
pequeño, entrenado para una sola tarea: no redacta ni responde nada,
solo lee un texto y devuelve números. A cada fragmento le asigna una
lista de más de mil números que funciona como unas coordenadas: igual
que una latitud y una longitud sitúan un lugar en un mapa, esos números
sitúan el fragmento en un espacio donde la posición depende del
significado. Los textos que hablan de lo mismo quedan cerca unos de
otros, aunque estén escritos con palabras distintas; los que hablan de
cosas diferentes quedan lejos.
A partir de ahí, buscar deja de ser comparar palabras y pasa a ser
medir distancias. La pregunta se convierte también en un punto de ese
mapa, y el sistema devuelve los fragmentos que han quedado más cerca.
Por eso una consulta como «¿cuánta gente hace falta para que la reunión
sea válida?» encuentra un párrafo que habla del «quorum de
constitución», sin que compartan una sola palabra.
Buscar y citar. La búsqueda por significado es muy
eficaz y tiene un punto ciego: los nombres propios y las referencias
exactas. Ante una consulta por un artículo numerado o por unas siglas,
falla, porque esas expresiones no significan nada, solo nombran. Por eso
se hacen dos búsquedas a la vez (la de significado y la literal, por
palabras) y se combinan los resultados. Después, un segundo modelo igual
de mudo, llamado reranker, relee los mejores candidatos junto a
la pregunta y los reordena. De ahí salen los fragmentos que se entregan
al asistente, cada uno con su procedencia.
Todo esto ocurre en el propio ordenador, y conviene distinguir las
tres piezas que intervienen, porque en la jerga a las tres se las llama
«modelos» y no son lo mismo:
El conversor a números, o modelo de
embeddings, que traduce cada fragmento a su lista de coordenadas.
Ocupa unos dos gigabytes.
El reordenador, o reranker, que afina la
lista de candidatos que ha devuelto la búsqueda. Ocupa algo más de
uno.
El asistente, Claude, ChatGPT, Gemini, que es el
que redacta la respuesta final.
Los dos primeros viven en el disco, se descargan una vez y funcionan
sin conexión y sin coste. Mientras se consulta, además, se cargan en memoria: conviene tener unos cuatro gigabytes de RAM libres, aparte de los tres y medio que ocupan en el disco. Es un gasto que solo dura lo que dura la consulta, porque un sistema bien montado los suelta cuando pasan unos minutos sin preguntas. No conversan ni generan texto: entra un texto
y sale un resultado numérico. Solo el tercero es lo que la mayoría llama
«una IA», y no ve el fondo documental entero, sino los pocos fragmentos
que la búsqueda le pone delante. Ningún documento sale del equipo.
Cómo montarlo sin saber
programar
Hacen falta dos cosas: los documentos y un asistente que trabaje
dentro del ordenador, con permiso para escribir programas y ejecutarlos.
Hoy hay tres opciones equivalentes, y todas están disponibles tanto en
el terminal como en una aplicación de escritorio, para quien prefiera no
escribir órdenes:
Claude, de Anthropic: la orden claude
en el terminal, o la aplicación de escritorio, que reúne tres modos:
conversación, Claude Code y Cowork.
Codex, de OpenAI: la orden codex en el
terminal, o su aplicación de escritorio, disponible para macOS, Windows
y Linux.
Antigravity, de Google: un entorno de escritorio
propio y la orden agy en el terminal, que desde junio de
2026 sustituye al anterior Gemini CLI.
Cualquiera de ellas sirve, y se instalan en un minuto. Lo único que
importa es que el asistente pueda leer y escribir ficheros en las
carpetas del equipo y ejecutar órdenes en él.
Esas tres son las que montan el sistema, y para eso
conviene un modelo potente. Pero una vez montado, quien lo consulta a
diario puede ser otro, y ahí entra una cuarta posibilidad: un modelo
instalado en el propio ordenador. LM Studio es el
camino sencillo, una aplicación de escritorio para Windows, macOS y
Linux con una tienda de modelos integrada, que además reconoce el
servidor del RAG igual que lo haría cualquier asistente comercial.
llama.cpp es la alternativa para quien no quiera
aplicación gráfica, con algo más de soltura técnica a cambio.
Merece la pena por una razón concreta. Con un asistente comercial, los documentos no salen del equipo, pero los pocos fragmentos que la búsqueda selecciona viajan con cada pregunta. Para normativa pública da igual; para un expediente o unas actas con nombres propios, no. Con un modelo local no sale nada: ni los documentos, ni los fragmentos, ni las preguntas. El precio es real, eso sí: sin una tarjeta gráfica potente, la respuesta tarda decenas de segundos, y los modelos que caben en un ordenador corriente citan con menos rigor. Para material sensible compensa; para material público, el asistente de siempre responde mejor y antes.
Conviene comprobar un detalle en las modalidades que trabajan dentro
de una máquina virtual aislada, como el modo Cowork: si esa máquina es
remota, los documentos salen del ordenador, que es justo lo que se
pretendía evitar. Las versiones que operan directamente sobre las
carpetas locales no plantean ese problema.
A partir de ahí basta con encargar el trabajo. La instrucción que
sigue está escrita para el asistente, no para quien la copia: no hace
falta entender cada línea, porque cada una le pide una decisión técnica
concreta y le impide tomar el atajo de cobrar por el servicio o de subir
el material a algún sitio.
Quiero poder preguntarte sobre mis documentos sin que
salgan de mi ordenador. Móntame un RAG local.
Pregúntame dónde están los documentos y decide tú
dónde conviene instalar todo lo demás.
- Todo en local y gratis: embeddings con fastembed
(multilingual-e5-large) y un reranker multilingüe.
- Índice en SQLite con sqlite-vec y FTS5, búsqueda
híbrida (significado + palabras exactas) fusionada
con RRF.
- Trocea respetando la estructura del documento
(artículos, apartados) y limpia las palabras que
los PDF parten al maquetar.
- Cada respuesta debe citar documento y artículo.
- Móntalo como servidor MCP, para poder consultarlo
en lenguaje natural.
- Los dos modelos ocupan más de tres gigabytes en
memoria y habrá un proceso del servidor por cada
programa conectado: cárgalos solo en la primera
búsqueda y suéltalos tras unos minutos sin usarse.
- Que el indexado sea incremental: añadir un
documento no puede obligar a rehacerlo todo.
Antes de ponerte, mira qué documentos hay y explícame
en lenguaje llano cómo piensas partirlos y por qué.
Si algo de lo que te pido no encaja con este material,
dímelo y propón otra cosa.
Esa última petición es la más importante de todas, y conviene no
saltársela: obliga al asistente a enseñar cómo piensa partir los
documentos antes de ponerse a trabajar, que es donde se decide casi
todo. Basta con leer su propuesta y comprobar que respeta la estructura
del material (los artículos de una norma, los puntos del orden del día
de un acta, los capítulos de un informe) en lugar de cortar cada tantas
palabras.
Las tres condiciones finales también merecen explicación. La de las
citas separa una herramienta de consulta de un generador de respuestas
plausibles. La de la memoria evita el descuido más caro de todos: un
servidor que carga los dos modelos nada más arrancar y se queda con tres
gigabytes ocupados aunque nadie pregunte nada, multiplicado por cada
programa que lo tenga conectado. Y la del indexado incremental evita un error frecuente: una
primera versión que rehace el trabajo entero cada vez que se añade o
corrige un documento, con tres cuartos de hora de cálculo en cada
ocasión.
La alternativa a construirlo desde cero es partir de algo que ya
funciona. El código de un sistema así, con todo lo descrito, está
publicado en github.com/jjdeharo/cuadernos-rag
bajo licencia libre. Incluye, a modo de ejemplo, un fondo documental de
quince normas y guías sobre uso ético y legal de la IA en educación (el
RGPD, la LOPDGDD, el reglamento europeo de inteligencia artificial,
guías de la Agencia Española de Protección de Datos, marcos de la
UNESCO), ya indexado y listo para consultar. Ese ejemplo concreto
importa poco: lo aprovechable es la estructura, que sirve igual para
actas municipales, bibliografía académica o documentación técnica de una
empresa.
Añadir nuevos cuadernos
El motor y los modelos se instalan una sola vez; cada tema añade
solo sus documentos y su índice.
Esta es la parte que suele quedar sin explicar, y es la que convierte
un experimento en una herramienta de uso diario.
Quien viene de Gemini Notebook está acostumbrado a tener un cuaderno
por tema: uno de normativa, otro de actas, otro con la bibliografía de
un curso. Aquí funciona igual, y con una ventaja: lo que ocupa espacio,
que son los programas y los dos modelos, más de tres gigabytes, se
instala una sola vez y lo comparten todos los cuadernos. Cada tema nuevo
añade únicamente sus documentos y su índice, unos pocos megabytes. No
hay límite de cuadernos ni cuota que agotar.
Crear uno nuevo no exige tocar nada por dentro: basta con pedírselo
al asistente en la misma conversación de siempre, indicando dónde están
los documentos y qué nombre quieres darle. Él prepara la carpeta,
convierte los PDF a texto, repara las palabras que la maquetación parte
con guiones, descarta lo que no sea texto aprovechable y construye el
índice. Un cuaderno de unos cuantos PDF está listo en unos minutos.
La instrucción, otra vez escrita para el asistente y no para quien la
copia:
Ya tengo montado el RAG. Quiero un cuaderno nuevo,
aparte del que ya existe.
Los documentos están en <carpeta>. Llámalo <nombre>.
- Aprovecha lo que ya está instalado: los programas,
el entorno y los dos modelos. No descargues ni
instales nada otra vez.
- El cuaderno nuevo va aparte: sus documentos y su
índice, sin tocar los del anterior.
- Trocea y limpia igual que en el primero.
- Déjalo accesible desde el mismo servidor MCP, para
poder preguntar por su nombre.
Antes de empezar, dime qué documentos has encontrado
y cómo piensas partirlos.
Lo importante es la primera condición. Sin ella, el asistente puede
ponerse a instalarlo todo de nuevo, con otra copia de los modelos, y el
ordenador acaba con tres gigabytes repetidos por cada cuaderno.
Añadir documentos a un cuaderno que ya existe es todavía más simple:
se dejan los ficheros nuevos y se pide que lo actualice. Aquí importa
una de las condiciones que se le exigieron al montarlo, la del indexado
incremental: el sistema guarda una huella de cada documento y solo
procesa los que han cambiado, así que incorporar un PDF cuesta el tiempo
de ese PDF, alrededor de un minuto por cada cien mil caracteres, y no el
del fondo entero. Sin esa condición, añadir una circular de dos folios
obligaría a rehacerlo todo.
Al preguntar, con un solo cuaderno no hace falta decir cuál; con
varios, se nombra el que interesa. El asistente los ve todos y, si la
pregunta lo pide, puede buscar en el que corresponda.
Cuándo montar un RAG
Con poco material no hace falta montar nada.
Los modelos actuales procesan cientos de miles de palabras de una sola vez. Por debajo de unas trescientas páginas, basta con dejar los documentos en una carpeta y pedirle al asistente que los lea directamente. Buscando por su cuenta, acierta más que cualquier RAG, porque puede leer, releer y afinar la búsqueda tantas veces como haga falta. Entre trescientas y mil quinientas páginas hay una zona intermedia: el material cabe, pero se relee entero en cada pregunta, y eso resulta lento y caro en una consulta diaria, por lo que se aconseja montar el RAG. Por encima de mil quinientas páginas ya no cabe, y el RAG deja de ser opcional.
El criterio es el volumen de texto, no el número de archivos.
Cincuenta circulares de dos folios no llegan a cien páginas; tres
memorias anuales pueden superar las mil.
Guía rápida
Las tres instrucciones, sin explicaciones. Se pegan tal cual en
Claude, Codex o Antigravity, sustituyendo lo que va entre ángulos.
1. Montar el primer cuaderno. Una sola vez.
Quiero poder preguntarte sobre mis documentos sin que
salgan de mi ordenador. Móntame un RAG local.
Pregúntame dónde están los documentos y decide tú
dónde conviene instalar todo lo demás.
- Todo en local y gratis: embeddings con fastembed
(multilingual-e5-large) y un reranker multilingüe.
- Índice en SQLite con sqlite-vec y FTS5, búsqueda
híbrida (significado + palabras exactas) fusionada
con RRF.
- Trocea respetando la estructura del documento
(artículos, apartados) y limpia las palabras que
los PDF parten al maquetar.
- Cada respuesta debe citar documento y artículo.
- Móntalo como servidor MCP, para poder consultarlo
en lenguaje natural.
- Los dos modelos ocupan más de tres gigabytes en
memoria y habrá un proceso del servidor por cada
programa conectado: cárgalos solo en la primera
búsqueda y suéltalos tras unos minutos sin usarse.
- Que el indexado sea incremental: añadir un
documento no puede obligar a rehacerlo todo.
Antes de ponerte, mira qué documentos hay y explícame
en lenguaje llano cómo piensas partirlos y por qué.
Si algo de lo que te pido no encaja con este material,
dímelo y propón otra cosa.
2. Crear otro cuaderno, reutilizando lo ya
instalado.
Ya tengo montado el RAG. Quiero un cuaderno nuevo,
aparte del que ya existe.
Los documentos están en <carpeta>. Llámalo <nombre>.
- Aprovecha lo que ya está instalado: los programas,
el entorno y los dos modelos. No descargues ni
instales nada otra vez.
- El cuaderno nuevo va aparte: sus documentos y su
índice, sin tocar los del anterior.
- Trocea y limpia igual que en el primero.
- Déjalo accesible desde el mismo servidor MCP, para
poder preguntar por su nombre.
Antes de empezar, dime qué documentos has encontrado
y cómo piensas partirlos.
3. Añadir documentos a un cuaderno que ya existe. Lo
más frecuente con el tiempo.
Añade estos documentos al cuaderno <nombre>:
<carpeta o lista de ficheros>
- Trátalos igual que los que ya están: mismo troceado
y misma limpieza.
- Aprovecha el indexado incremental: procesa solo lo
nuevo, sin rehacer el índice entero.
- Al terminar, dime qué has añadido y qué documentos
contiene ahora el cuaderno.
En los tres casos conviene leer lo que responde antes de dejarle
continuar. Si su plan no respeta la estructura de los documentos (los
artículos de una norma, los puntos del orden del día de un acta), es el
momento de decírselo, porque de ese detalle depende la calidad de todas
las respuestas posteriores.
Los boletines de los grupos de Telegram ChatGPT-IA-edu y Vibe Coding
Educativo se publican desde 2023 y, por primera vez, su creación se ha
automatizado por completo. Una simple instrucción pone en marcha un
agente de IA que se encarga absolutamente de todo, desde la creación y
publicación hasta la difusión en redes sociales. Le he pedido a Claude
Code Opus 5 que escriba el artículo que hay a continuación. Utiliza sus
propias palabras y forma de ver todo el asunto, incluyendo sus menciones
a mi persona. Únicamente le indiqué el público docente al que va
encaminado el artículo y le he hecho algunas correcciones, tanto de
contenido como de estilo (cosa que él explica perfectamente más
abajo).
Juan José de Haro
Hacer el boletín semanal de dos comunidades educativas era una tarea
de tarde entera. Hoy el boletín está hecho y publicado en media hora —y
difundido en redes en un cuarto de hora más—, y lo ejecuta entero un
agente de IA.
La palabra importa, y merece una aclaración temprana. Un
asistente responde: le preguntas algo y te contesta. Un
agente actúa: recibe un encargo y lo lleva a cabo por
su cuenta, ejecutando programas, entrando en servicios, comprobando
resultados y corrigiendo el rumbo cuando algo falla. La diferencia no es
de inteligencia, sino de permisos y de autonomía: al agente no se le
pregunta, se le encarga.
Conviene decirlo desde el principio, porque es lo que suele
malinterpretarse: todos los pasos que vienen a continuación los
ejecuta el agente, incluidas las decisiones de redacción y las
comprobaciones intermedias. Juan José de Haro, que coordina las dos
comunidades, no ejecuta ninguno de ellos.
Lo que sí hace es lo que ninguna máquina puede hacer por él:
encarga, revisa, valida y, cuando algo no está a la altura, lo
manda repetir. La última palabra es suya, y la ejerce. Este
mismo artículo pasó por varias correcciones suyas antes de llegar aquí:
un dato mal atribuido, un cierre que se leía como una enmienda al propio
trabajo, unos diagramas con la letra demasiado pequeña para la columna
del blog. Nada de eso lo detectó el agente que los produjo.
Esa es la división real del trabajo: la ejecución es automática de
principio a fin; el criterio sobre si el resultado vale, no.
De qué estamos hablando
Cada semana, dos grupos de Telegram —ChatGPT-IA-edu y Vibe Coding Educativo—
generan cientos de mensajes: enlaces, dudas, hallazgos, debates,
aplicaciones que alguien ha creado y comparte. Es material valioso, pero
se pierde: quien no entra un par de días ya no lo recupera.
El boletín semanal existe para rescatarlo. Y no es solo un texto. De
cada semana y de cada grupo salen:
un boletín escrito, publicado en una web
consultable;
una infografía que resume visualmente la
semana;
un pódcast de quince o veinte minutos, en formato
conversación;
un vídeo de unos seis minutos, publicado en
YouTube;
y la difusión de todo ello en Telegram, X y
LinkedIn.
Todo está abierto y se puede consultar sin cuenta ni permiso:
Seis archivos multimedia, dos boletines, dos vídeos publicados y una
veintena de mensajes en redes. Cada semana. Hecho a mano, eso son
horas.
Todo el recorrido, de un vistazo. Lo importante es la
bifurcación: después de exportar, hay dos caminos que no se
estorban.
La idea de
fondo: una skill, que es una receta escrita
Lo primero que hay que entender es que la automatización no empezó
por programar, sino por escribir. Todo el proceso está
documentado en un único archivo que actúa como receta: qué se hace, en
qué orden, qué puede fallar y qué decisiones no se pueden tomar a la
ligera.
Ese archivo tiene nombre propio en el mundo de los agentes de IA: es
una skill. Conviene explicarlo porque el término se va
a oír cada vez más.
Una skill («habilidad», aunque casi nadie la
traduce) es un documento escrito en lenguaje corriente que le enseña a
un agente de IA a hacer una tarea concreta de la forma en que tú quieres
que se haga. No es un programa: es un texto, con sus instrucciones, sus
advertencias y sus ejemplos. El agente lo lee cuando toca hacer esa
tarea, y actúa en consecuencia.
La comparación que mejor funciona es la del profesorado sustituto. Si
dejas escrito «segunda hora, 3.º B, seguid por la página 84; a Marcos
hay que sentarlo delante; el proyector solo va con el cable HDMI de la
derecha», quien llegue podrá dar la clase decentemente aunque no conozca
al grupo. Una skill es eso mismo: el conocimiento acumulado de hacer
algo muchas veces, puesto por escrito para que otro pueda ejecutarlo sin
haber estado allí. La del boletín pasa de las setecientas líneas, y buena
parte son cosas que solo se aprenden fallando: que hay que acotar el
resumen a la semana o saldrá el histórico entero, o que la transcripción
confunde los nombres propios.
Como está escrita en lenguaje corriente y no en código, no
está atada a un agente concreto: puede seguirla cualquiera de
los que hoy existen —Claude Code, Codex, Antigravity CLI (Agy CLI)—, y
de hecho el boletín no siempre lo hace el mismo. De ahí la consecuencia
práctica que conviene tener presente al montar algo así: lo valioso, lo
que cuesta construir y no debe perderse, es el documento. El agente es
intercambiable.
De esa skill cuelgan una serie de pequeños programas —los llamamos
scripts— que son simplemente listas de órdenes que el ordenador
ejecuta solo. Nada exótico: es el equivalente informático de una macro
de hoja de cálculo, pero capaz de hablar con Telegram, con Google o con
YouTube. La skill es el guion; los scripts son las manos.
Cómo transcurre una semana
1. Recoger la conversación y poner a
trabajar a Gemini Notebook
Un programa se conecta a los dos grupos de Telegram y descarga todos
los mensajes de la semana pasada, de lunes a domingo. Con ellos monta
dos cosas: un archivo de datos que servirá para redactar, y un
PDF con la conversación ordenada y legible. Tarda dos o
tres segundos por grupo.
Con ese PDF entra en juego la pieza que más sorprende a quien no la
conoce.
Gemini Notebook —el nombre actual de lo que hasta hace
poco se llamaba NotebookLM— es la herramienta de Google que lee
documentos y produce resúmenes, esquemas, audios y vídeos a partir de
ellos. Lo habitual es usarla desde su página web (notebooklm.google.com),
subiendo archivos a mano.
En este proceso se le habla directamente, sin abrir el navegador: se
le sube el PDF de la semana y se le encargan de golpe las seis piezas
—infografía, pódcast y vídeo para cada grupo— con instrucciones que
están guardadas y son siempre las mismas. Eso garantiza que el boletín
de esta semana se parezca al de la anterior y al de dentro de tres
meses.
Un detalle que costó aprender: cada cuaderno de Gemini Notebook
acumula una fuente por semana desde 2025. Si no se le
dice explícitamente «resume esta semana», resume el histórico
entero y produce un material que no sirve para nada. Es el tipo de error
que no da ningún mensaje de fallo: simplemente sale mal.
Estas generaciones tardan entre veinticinco y treinta y cinco
minutos. Y aquí está el truco que ahorra media hora: se lanzan
antes de escribir nada. Mientras Google genera, el agente
redacta.
La barra amarilla es espera pura. El ahorro no está en hacer las
cosas más rápido, sino en colocarlas dentro de un hueco que ya
existía.
2. Redactar el
boletín (aquí el agente decide)
Con los mensajes de la semana delante, el agente redacta cada boletín
siguiendo una guía de estilo propia para cada comunidad —tienen tonos
distintos— y tomando como referencia boletines reales ya publicados. No
es un resumen mecánico: selecciona qué merece contarse, agrupa temas,
redacta un cuerpo de al menos seiscientas palabras, prepara un apartado
de preguntas frecuentes y extrae las palabras clave.
Este es uno de los dos puntos del proceso donde hay juicio de verdad,
no ejecución.
3. Publicar la fila en
la hoja de cálculo
Los boletines viven en una hoja de cálculo de Google, que es lo que
alimenta las webs públicas donde se consultan: chatgpt-ia-edu.github.io/boletin
y vibe-coding-educativo.github.io/boletin.
Cada boletín tiene además una dirección propia, con el año y la semana,
para poder enlazar uno concreto:
Un programa escribe cada boletín en su hoja, y lo hace con tres
precauciones que conviene destacar porque son las que evitan
desastres:
comprueba justo antes de escribir si esa semana ya
está publicada, para no duplicarla;
escribe en la primera fila libre, sin tocar nada más;
y después vuelve a leer lo que ha escrito y lo
compara campo a campo con lo que debía escribir. Si algo no cuadra, se
detiene y avisa.
Esa última comprobación es la diferencia entre automatizar y confiar.
Un proceso automático que no verifica su propio resultado es un proceso
que falla en silencio.
4. Recoger las seis piezas
Cuando Gemini Notebook termina, otro programa descarga los seis
archivos, les pone nombres consistentes y convierte los
audios. Aquí hay un detalle práctico: Gemini Notebook entrega
el pódcast en un formato innecesariamente pesado para voz
hablada, así que se reconvierte a uno más ligero y queda en la cuarta
parte de su tamaño, sin pérdida audible. Importa para quien lo escuche desde el
móvil con datos.
5. Los
vídeos a YouTube (y el segundo punto donde decide)
Antes de subir un vídeo hay que describirlo. Y para describirlo hay
que saber qué dice. El proceso lo transcribe automáticamente en
el propio ordenador, sin enviar nada a ningún servicio
externo.
Ahora bien: la transcripción automática se equivoca con los nombres
propios y con el vocabulario técnico. En las pruebas apareció «Resulen»
por resumen, «bargas de agua» por marcas de agua y «a
Yafgos» por hallazgos. Por eso la skill obliga a un paso más:
el agente relee la transcripción entera, corrige lo que está mal
escrito y comprueba que el texto tiene sentido antes de resumir
nada. Solo después redacta la descripción del vídeo.
Es una revisión de verdad, no un trámite: si la transcripción dice
algo incoherente, corregirlo exige entender de qué se estaba hablando
esa semana.
Y una advertencia que parece obvia y no lo es: la descripción debe
resumir el vídeo, no el PDF de conversaciones. El vídeo
dura seis minutos y cubre una parte de los temas de la semana. Resumir
el PDF produce descripciones que prometen contenidos que el vídeo no
tiene.
Hecho eso, la subida es automática: publica, añade el vídeo a su
lista de reproducción y escribe la dirección resultante en la hoja de
cálculo. Cada comunidad tiene la suya, y ahí están todas las semanas
seguidas:
Los audios se alojan en Internet Archive, la
biblioteca digital sin ánimo de lucro. Es una decisión deliberada: un
enlace estable, gratuito y que no depende de que una empresa decida
cerrar el servicio. Hay una colección por comunidad y por año, con todos
los pódcast juntos:
También aquí hubo que aprender algo: Internet Archive acepta el
archivo al instante pero tarda uno o dos minutos en indexarlo. Durante
ese rato el enlace no funciona, y parece un error sin serlo. El programa
espera a que el archivo esté realmente disponible antes de anotar la
dirección. Si no lo estuviera, no la escribe: prefiere dejar la casilla
vacía a dejar un enlace roto.
Cada pieza se aloja donde mejor se conserva y donde mejor se
encuentra. La fila de la hoja de cálculo es la que mantiene unido todo
lo demás.
7. La difusión en redes
La última fase publica en Telegram, X y LinkedIn. Es la fase que se
trata con más respeto, porque es la única que no se puede
ensayar: cualquier ejecución es visible al instante para toda
la comunidad.
Por eso existe un comando previo que lo revisa todo —los archivos,
sus formatos, sus duraciones, los textos, los enlaces— y muestra una
vista previa sin publicar nada. La IA lo ejecuta y lee
el resultado siempre, sin excepción, antes de tocar nada público.
Telegram y X se publican con sus respectivas conexiones automáticas.
LinkedIn es otra historia, y es la parte más curiosa de todo el
proceso.
LinkedIn no ofrece una puerta de entrada para programas como esta, y
tampoco vale el atajo habitual —copiar las credenciales de la sesión a
un navegador automatizado—, porque puede invalidar la sesión. Así que la
solución fue otra: el agente usa el navegador que ya está
abierto en el ordenador, exactamente como lo usaría una
persona. Trae al frente la ventana de Firefox, teclea la
dirección, pulsa el botón Vídeo, elige el archivo, pega el
texto y publica. Mueve el ratón y el teclado igual que tú.
¿Y cómo sabe si el clic ha funcionado? Haciendo una captura
de pantalla después de cada paso y mirándola. Esa es toda la
verificación que hay: mira si el diálogo se abrió, si el texto es el
correcto, si el aviso de Procesando ya desapareció. Si algo no
está donde debía, se detiene en lugar de seguir haciendo clics a
ciegas.
Es un método poco elegante y frágil —un rediseño de LinkedIn lo
rompe—, pero resuelve un problema real: cuando un servicio no ofrece
forma de automatizarlo, queda la de usarlo como lo usa una persona.
Lo que tarda cada cosa
Estos tiempos no son estimaciones: cada fase deja una marca
al empezar y otra al terminar, y un comando las suma al acabar.
Son de una semana normal, con los dos grupos.
Paso
Tiempo
Exportar la semana de un grupo de Telegram
2-3 segundos
Que Gemini Notebook indexe el PDF
30 s a 2 min
Generar una infografía
unos 3 min
Generar un pódcast
13-16 min
Generar un vídeo
18-24 min
Redactar un boletín
ocurre dentro de la espera anterior
Publicar una fila en la hoja
2-3 segundos
Convertir un audio a MP3 ligero
3-5 segundos
Transcribir un vídeo
1-2 min
Subir un vídeo a YouTube
5-10 segundos
Subir un audio a Internet Archive
10 s, más 1-2 min de indexado
Publicar en Telegram
1-2 min
Publicar en X
3-5 min
Publicar en LinkedIn
5-10 min
Hasta tenerlo todo publicado
25-35 min
Con la difusión en redes incluida
40-50 min
Dos cosas llaman la atención en esa lista. La primera, que lo
que tarda no es el trabajo, sino la espera: generar el vídeo y
el pódcast se lleva la mitad del tiempo, y ahí no hay nada que hacer
salvo aprovecharlo. La segunda, que publicar en LinkedIn a mano
cuesta más que todo el proceso de creación, y es justo la parte
que ningún programa puede acortar.
De la redacción no hay cronómetro: es lo único que no ejecuta un
script, y sucede mientras Google genera, así que no añade tiempo al
total.
Qué he aprendido de todo
esto
La automatización no elimina el criterio, lo
reparte. Dentro del proceso hay dos momentos que exigen pensar
—decidir qué merece contarse de la semana y comprobar que lo transcrito
tiene sentido—, y esos los ejerce el agente. Pero por encima queda un
tercero que no se delega: decidir si el resultado vale.
Ese sigue siendo de quien firma la publicación, y es el que corrige las
cosas que el agente no puede ver desde dentro. Lo que ha desaparecido es
el trabajo mecánico que rodeaba a todos ellos: descargar, renombrar,
convertir, pegar, subir, verificar.
Lo que no se verifica, falla en silencio. Cada paso
comprueba su propio resultado, porque un proceso que publica sin mirar
acaba publicando basura durante semanas sin que nadie se entere.
Ha llegado a ocurrir: una de las seis generaciones se encargó
correctamente, pero su identificador no llegó a quedar anotado en la
lista de encargos pendientes. La descarga
terminó con cinco piezas de seis, informó de que todo había ido bien y
no dio ningún error. Lo delató contar los archivos. El proceso ya
comprueba que eso no vuelva a pasar, pero la lección es la de siempre:
un programa solo detecta los fallos que alguien previó.
Pero hay errores que ninguna comprobación automática
detecta. Un resumen de la semana equivocada pasa todos los
controles técnicos con sobresaliente: el archivo existe, pesa lo que
debe y el enlace funciona. Todo perfecto salvo lo único que importaba,
que es el contenido. Por eso la revisión final es de otra naturaleza
—abrir la infografía y leerla, escuchar un fragmento del audio— y por
eso la hace también una persona: quien produce algo tiende a darlo por
bueno, y la mirada que puede decir «esto no vale, hazlo otra vez» tiene
que venir de fuera.
Para quien esté
pensando en algo parecido
No hace falta empezar por aquí. Este sistema funciona porque se
construyó en el orden correcto: primero haciendo el boletín a mano,
hasta entender bien cada paso; después escribiendo esa experiencia como
skill; y solo entonces automatizando lo que ya se hacía siempre
igual.
Y la parte más aprovechable no es la más técnica. Escribir la skill
—dejar por escrito, con precisión, cómo se hace algo que ya sabes hacer—
es una tarea docente de toda la vida, y sirve para cualquier rutina que
se repita cada curso: preparar las actas, montar los grupos, redactar
los informes trimestrales. Ese documento vale por sí solo, aunque nunca
llegue a automatizarse nada.
El resultado, al final, no es un ahorro de tiempo. Es que cada semana
de conversación de dos comunidades docentes queda recogida, resumida,
escuchable y consultable, en vez de perderse en el desplazamiento
infinito de un grupo de Telegram. Eso antes no se hacía porque no había
tiempo material para hacerlo. Ahora se hace todas las semanas.
Artículo redactado por Claude (Anthropic) bajo
la guía de Juan José de Haro. El sistema que aquí se
describe —los scripts, la skill que lo documenta y las soluciones a los
problemas que fueron surgiendo— se construyó entre los dos: él
decidiendo qué debía hacer el proceso, probándolo, señalando lo que
fallaba y exigiendo que se rehiciera cuando hacía falta; el agente
escribiendo el código, la documentación y este texto. Otros agentes
ejecutan el proceso algunas semanas, y alguno ha revisado puntualmente
este trabajo.
Sería insensato, y contradictorio en sí mismo, pensar que es posible hacer lo que hasta ahora nunca se ha hecho por procedimientos que no sean totalmente nuevos.
La versión 2.1 del MIAE mantiene sus seis niveles y aclara la redacción de ideas humanas, la planificación y la cocreación. Añade criterios para describir tareas que evolucionan o combinan diferentes usos de la IA.
Comentarios recientes