Bilateria

Blog sobre educación

Etiqueta: Inteligencia artificial

Consolas de IA: qué son y cómo se instalan

10 de septiembre de 2026 / / Sin comentarios

Hace un año escribí una guía sobre el uso de la inteligencia artificial desde la terminal. Lo esencial sigue siendo válido, pero una parte importante ha quedado desfasada: casi todas estas herramientas han pasado a requerir una suscripción de pago. Quien siga hoy aquellas instrucciones se encontrará con límites y precios que entonces no existían.

Este artículo pone al día el panorama. Es una introducción breve para quien empieza: qué son estas consolas, qué cuesta cada una en septiembre de 2026, cómo se instalan y cómo se dan los primeros pasos.

Pódcast del artículo realizado por Gemini Notebook

Pódcast del artículo realizado por Gemini Notebook

Qué son

Estamos acostumbrados a usar la IA en una página web. Una consola de IA es el mismo modelo, pero instalado en nuestro ordenador y manejado desde una ventana de texto: la terminal del sistema. Se habla con ella igual que en el chat, escribiendo lo que queremos.

La diferencia no está en la conversación, sino en lo que puede hacer. La IA en la web no ve nuestro ordenador: hay que subirle los archivos de uno en uno y bajar después los resultados. La consola trabaja directamente en la carpeta desde la que la hemos abierto, así que puede leer, escribir, convertir y ordenar decenas de archivos sin que intervengamos. Renombrar con un criterio común las fotos de una salida, convertir a PDF los documentos de una unidad, sacar la transcripción de unos audios o construir un recurso interactivo de varios archivos son tareas que en la web resultan tediosas y en la consola se piden en una frase.

No hace falta un ordenador potente. El programa solo pone en contacto nuestro equipo con el servicio en Internet, de modo que un portátil modesto es suficiente.

Lo que ha cambiado: ahora casi todo es de pago

El cambio de este año afecta a lo esencial, que es el acceso. Lo que en 2025 era gratuito y generoso hoy está limitado o cerrado.

  • Gemini CLI ya no existe para el usuario particular. Google la limitó primero a los modelos Flash y, el 18 de junio de 2026, dejó de atender peticiones de las cuentas personales, tanto gratuitas como de pago. Su sustituta es Antigravity CLI, que se instala aparte y se abre con la orden agy. Gemini CLI sobrevive solo para las licencias corporativas de Gemini Code Assist y para quien pague por clave de API.
  • Qwen Code era la alternativa gratuita. Su acceso libre con cuenta de Qwen se retiró el 15 de abril de 2026 y ahora necesita un plan de Alibaba Cloud o una clave de API de pago.
  • Codex, en cambio, ha ido en sentido contrario: OpenAI lo ha incluido en todos los planes de ChatGPT, incluido el gratuito, aunque en este último solo para un uso mínimo.
  • Claude Code nunca fue gratuito y sigue sin serlo.
  • Copilot CLI, de GitHub, tampoco funciona con el plan gratuito de Copilot.
Qué consola de IA da cada plan
Resumen del acceso a cada consola según el plan contratado, en septiembre de 2026.

Qué hay hoy y qué cuesta

Consola Empresa Sin pagar nada Con suscripción
Antigravity CLI Google Sí, con una cuota que se renueva cada semana Google AI Pro (21,99 €/mes) o Ultra, con cuota mayor cada cinco horas
Codex OpenAI Sí, uso mínimo con el plan gratuito de ChatGPT ChatGPT Go (8 $), Plus (20 $) o Pro (desde 100 $)
Claude Code Anthropic No Claude Pro (20 $/mes) o Max (desde 100 $)
Copilot CLI GitHub No Cualquier plan de pago de Copilot
Qwen Code Alibaba No desde abril de 2026 Plan de Alibaba Cloud o clave de API

Dos advertencias sobre los precios, que son los del 10 de septiembre de 2026 y conviene comprobar antes de pagar:

  • El plan Google AI Plus (4,99 €/mes) no amplía nada aquí. Es el más barato de Google y resulta tentador, pero para la consola cuenta igual que no tener plan: la cuota mayor es solo de AI Pro y AI Ultra.
  • Las suscripciones incluyen un límite de uso por ventanas de pocas horas. En un trabajo intenso se agota antes de lo que parece, y entonces no queda más que esperar o pagar más.

Existen también consolas de código abierto, como OpenCode, que funcionan con el modelo que se les indique, incluidos los de proveedores más económicos o los que se ejecutan en el propio ordenador. Son flexibles, pero exigen configurarlas y entender qué se está contratando, así que no son el punto de partida recomendable.

Instalación

Primero se abre la terminal del sistema operativo:

  • Windows: pulsar la tecla de Windows, escribir PowerShell y abrir el programa.
  • Mac: abrir Launchpad, escribir Terminal y hacer clic en la aplicación.
  • Linux: buscar Terminal en el menú de aplicaciones, o pulsar CTRL + ALT + T.

Y allí se escribe una de las siguientes órdenes, según la consola que se quiera instalar. Basta elegir una herramienta: no hay ninguna ventaja en instalar las tres.

Antigravity CLI, la de Google. En Mac y Linux:

curl -fsSL https://antigravity.google/cli/install.sh | bash

Y en Windows, desde PowerShell:

irm https://antigravity.google/cli/install.ps1 | iex

Ninguna de las tres necesita ya Node.js: las tres traen su propio instalador. Si alguien tiene todavía instalada la antigua Gemini CLI, puede desinstalarla: con una cuenta personal ya no responde.

Codex, la de OpenAI. En Mac y Linux:

curl -fsSL https://chatgpt.com/codex/install.sh | sh

Y en Windows, desde PowerShell:

powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"

Claude Code, la de Anthropic. En Mac y Linux:

curl -fsSL https://claude.ai/install.sh | bash

Y en Windows, desde PowerShell:

irm https://claude.ai/install.ps1 | iex

Si algo falla, lo más práctico es copiar el mensaje de error y pegárselo a la IA de la web: son errores conocidos y los resuelve en un par de intentos.

Los primeros pasos

Abrir la consola en la carpeta de trabajo

Esto es lo más importante y lo que más se olvida. La IA trabaja sobre la carpeta desde la que se ha arrancado, de modo que nunca conviene abrirla en la carpeta personal ni en la raíz del disco, donde tiene a la vista todo lo que guardamos. Se crea una carpeta para el trabajo en cuestión y se abre allí:

  • En Windows, abrir la carpeta en el explorador de archivos, pulsar CTRL + L y escribir powershell.
  • En Mac, desde Finder, con el botón derecho sobre la carpeta y «Nueva terminal en la carpeta».
  • En Linux, con el botón derecho en un espacio vacío de la carpeta y «Abrir en un terminal».

Una vez dentro, se escribe agy, codex o claude, según lo que hayamos instalado, y se pulsa Enter. La primera vez se abrirá el navegador para iniciar sesión con nuestra cuenta; después ya no lo volverá a pedir.

Hablar con ella

A partir de aquí se escribe lo que queremos, en lenguaje corriente y con el mismo detalle que en la web. Conviene empezar por algo inofensivo y comprobable, como pedirle que describa lo que hay en la carpeta.

Antigravity CLI resume el contenido de una carpeta
Antigravity CLI, la consola de Google, resumiendo una carpeta de trabajo. Arriba indica la cuenta, el modelo y la carpeta.
Codex responde a una pregunta sobre los archivos de la carpeta
Codex, la consola de OpenAI, resumiendo el contenido de una carpeta. En el recuadro superior indica el modelo que utiliza y la carpeta en la que trabaja.

Cuando la tarea implique tocar nuestros archivos o ejecutar un programa, pedirá permiso. Se le puede dar una sola vez o para el resto de la sesión. Es la protección principal que tenemos: merece la pena leer qué pide antes de aceptar.

Claude Code pidiendo permiso para crear un archivo
Claude Code, antes de crear un archivo, enseña lo que va a escribir y espera la respuesta.

Cuatro comandos que sirven en todas

  • / muestra la lista completa de comandos disponibles, con una descripción de cada uno. Son muchos, y esta es la forma de descubrirlos sin buscar en la documentación.
  • /model indica qué modelo se está usando y permite cambiarlo, en las tres. Conviene usarlo en lugar de fiarse de lo que se leyó en un artículo: los modelos cambian cada pocos meses. Codex y Claude Code tienen además /status, que muestra el plan y el consumo, y Antigravity CLI, /usage, que muestra cuánta cuota queda.
  • /init hace que examine la carpeta y escriba un resumen de lo que contiene, que usará como memoria a partir de entonces. Está en Codex y en Claude Code, y conviene ejecutarlo al empezar en una carpeta que ya tenga archivos; Antigravity CLI no lo tiene.
  • /exit cierra la consola, y en Codex y Claude Code vale también /quit. En las tres se consigue lo mismo pulsando dos veces CTRL + C.

Darle memoria

Cada consola lee, al arrancar, un archivo de texto en formato Markdown con instrucciones permanentes que hay que dejar en la carpeta de trabajo: AGENTS.md para Antigravity CLI y para Codex, y CLAUDE.md para Claude Code. Codex y Claude Code buscan además uno general en su carpeta de configuración (~/.codex y ~/.claude, y en Windows %USERPROFILE%\.codex y %USERPROFILE%\.claude), que se aplica a todo lo que hagamos con ellas.

Es el equivalente a la personalización de los chats web, y vale la pena dedicarle diez minutos: nuestro nombre, las asignaturas que impartimos, el nivel del alumnado o la licencia que queremos en todo lo que produzca. Se escribe una vez y lo tiene en cuenta siempre.

Tres atajos que ahorran tiempo

Cuando la consola deja de dar respeto, estos tres recursos son los que más se usan a diario.

Arrancar con el trabajo ya encargado. No hace falta abrir la consola y escribir después: la instrucción puede ir en la misma orden de arranque, y la consola aparece ya trabajando. En Antigravity CLI se pasa con -i, y en Codex y Claude Code basta con escribirla detrás, entre comillas:

agy -i "Lee los archivos .txt de esta carpeta y dime qué contienen"
claude "Lee los archivos .txt de esta carpeta y dime qué contienen"

Pedir algo sin llegar a entrar. Para un encargo suelto, la opción -p devuelve la respuesta en la terminal del sistema y termina, sin abrir ninguna sesión. Es lo cómodo para una consulta rápida o para dejar preparada una tarea:

agy -p "Renombra las fotos de esta carpeta como salida-01, salida-02, y así"
claude -p "Renombra las fotos de esta carpeta como salida-01, salida-02, y así"

Codex funciona de otra manera: usa codex exec "…", y si la carpeta no está controlada con Git, avisa de que hay que añadir --skip-git-repo-check.

Cuatro teclas. En la terminal el ratón no sirve de mucho, y estas suplen casi todo: CTRL + A y CTRL + E llevan el cursor al principio y al final de la línea; CTRL + L limpia la pantalla; CTRL + R, en la terminal del sistema, busca entre las órdenes ya escritas mientras tecleamos, que evita volver a escribir las largas; y CTRL + C interrumpe lo que la IA esté haciendo, sin cerrar la sesión. En Linux, además, copiar y pegar son CTRL + MAYÚS + C y CTRL + MAYÚS + V, porque CTRL + C está ocupado en interrumpir.

Antes de empezar, dos precauciones

La privacidad depende del plan. En las cuentas personales gratuitas de Google, las conversaciones pueden usarse para entrenar los modelos salvo que se desactive expresamente. Los planes de pago, los corporativos y los de Workspace for Education ofrecen garantías mayores. La regla práctica es no poner en la consola datos del alumnado ni documentación confidencial del centro, igual que en el chat web.

Conviene mirar lo que hace. Una consola de IA puede borrar y sobrescribir archivos, y se equivoca. Trabajar sobre una copia, o en una carpeta controlada con Git, evita disgustos que de otro modo no tienen vuelta atrás.

Qué elegir

Para quien no quiera pagar nada, hoy la opción con más recorrido es Antigravity CLI, cuya cuota semanal gratuita da para las tareas mecánicas con archivos, que es justamente donde la consola aporta más al trabajo diario. El plan gratuito de ChatGPT también permite probar Codex, aunque con muy poco margen.

Para quien ya pague una suscripción, lo sensato es usar la que tenga: con ChatGPT, Codex; con Claude, Claude Code; con Google AI Pro, Antigravity CLI. La diferencia entre ellas es hoy menor que la diferencia entre usar una consola y no usar ninguna.

Y si la ventana de texto se hace cuesta arriba, conviene saber que Claude, ChatGPT y el propio Antigravity tienen ya aplicación de escritorio o editor propio, con las mismas capacidades y sin terminal a la vista. La terminal es el camino más directo, no el único.

Y para decidir qué herramienta encaja con cada tipo de proyecto, La elección de herramientas para el Vibe Coding Educativo.

Vídeo del artículo realizado por Gemini Notebook

Vídeo del artículo realizado por Gemini Notebook

Juan José de Haro

Nota: Este artículo tiene nivel 5 en el Marco para la integración de la IA generativa.

MIAE v2.1: la persona y la IA colaboran en las tareas educativas
Imagen de referencia del MIAE v2.1

Marco para la integración de la IA generativa en las tareas educativas (MIAE), v.2.1

6 de septiembre de 2026 / / 1 comentario

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.

Web del MIAE: el marco completo, la guía rápida, la ficha para declarar el uso de IA en una tarea, la infografía y el PDF están disponibles en jjdeharo.github.io/miae, en castellano, catalán, euskera, gallego e inglés.

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. 

Este trabajo se ha inspirado en el artículo The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Después de diversas adaptaciones de la escala del trabajo anterior, el número de modificaciones ha llegado a ser tan alto que finalmente me he decidido a escribir este artículo con una nueva escala que ya mantiene poca relación con el trabajo anteriormente citado.

Origen 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.

MIAE v2.1: seis formas de repartir el trabajo entre la persona y la IA
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.

Referencias

Miller, M. (2024). AI in the classroom: What’s cheating? What’s OK? Ditch That Textbook

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.

Cómo citar este trabajo:

De Haro, J. J. (2026). Marco para la integración de la IA generativa en las tareas educativas (MIAE) (v.2.1). Zenodo. https://doi.org/10.5281/zenodo.22647408

Para citar cualquier versión del marco, y no esta en concreto, se utiliza el DOI de concepto: https://doi.org/10.5281/zenodo.22647407. Este artículo es la publicación original de la versión 2.1; la edición web multilingüe está en jjdeharo.github.io/miae.

La v.2 revisada se publicó el 3 de noviembre de 2025.

Nota: Este trabajo tiene nivel 4 en este marco.

Convertir una imagen o PDF en una ficha interactiva hablando con la IA

23 de agosto de 2026 / / Sin comentarios

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.

Vista previa de la página con los campos colocados y numerados
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 de instalación del MCP en el editor
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 ficha terminada, tal como la ve el alumnado
La misma ficha sin las marcas de trabajo: así la abre el alumnado. El documento original se conserva intacto; los campos se corrigen solos.

El servidor es software libre y vive en la carpeta mcp/ del repositorio, con su documentación completa.

Nota: Este artículo tiene nivel 4 en el Marco para la integración de la IA generativa.

Escritorio con un portátil que muestra un asistente de IA respondiendo con citas, y sobre él un esquema del RAG local: documentos propios, recuperación con índice vectorial y búsqueda semántica, y conexión con el asistente mediante MCP.

Cómo preguntar a la IA sobre tus documentos: un Gemini Notebook en tu propio ordenador

21 de agosto de 2026 / / 1 comentario

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

Qué añade 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

El flujo de un sistema RAG
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

Un motor, varios 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.

Nota: Este artículo tiene nivel 4 en el Marco para la integración de la IA generativa.

iNaturalist y Natusfera, ciencia ciudadana con la ayuda de inteligencia artificial

28 de agosto de 2021 / / 1 comentario

iNaturalist (a veces abreviado como iNat) es un proyecto de ciencia ciudadana que también actúa como red social, donde los amantes de la naturaleza pueden subir y compartir las fotos que hacen de los organismos vivos que encuentran en estado silvestre.

iNaturalist la app para descubrir y conocer la biodiversidad

La red de iNaturalist dispone de plataformas locales, en España esta es Natusfera, que además está disponible en multitud de idiomas, entre los que se encuentran el euskera, catalán y gallego. Tanto iNaturalist como Natusfera son la misma red. iNaturalist está mantenida por la California Academy of Sciences y National Geographic. El nodo español, Natusfera, está impulsada por el Nodo Nacional de Información en Biodiversidad y el CREAF.

Las fotos subidas por los usuarios (llamados naturalistas) se asignan a un taxón de clasificación como la especie o, si no se conoce, el género, la familia, el orden, etc. Es el propio usuario que, con ayuda de la inteligencia artificial, a través de la aplicación para móvil o de la web, puede clasificarlo. El resto de usuarios de iNaturalist puede confirmar el taxón propuesto o sugerir otros diferentes. Salvo los mensajes privados que los usuarios puedan enviarse entre sí, todo lo que se sube o comenta en iNaturalist es de acceso público sin restricciones.

Observaciones de uno de los usuarios de Natusfera (iNat).

No hace falta ser un experto para dar un nombre a las especies que encontramos. El sistema de reconocimiento de imágenes que utiliza iNaturalist es capaz de asignar satisfactoriamente un elevadísimo número de especies (además, es bastante superior a Google Lens que, como se comentó en un artículo anterior, puede realizar una función similar), en caso de no reconocerla directamente nos proporcionará el nombre de la familia o de otra categoría taxonómica para encuadrar nuestro espécimen. En todos los casos nos mostrará una lista de especies visualmente similares que nos ayudará en ell proceso de la clasificación.

Clasificación en la aplicación para móvil. Nuestra foto (superior) es analizada y se nos proponen diversas opciones. Pulsando la doble flecha podremos comparar nuestras fotos con las de iNaturalist (véase la imagen siguiente), pulsando el tic de la derecha aceptaremos como válida una propuesta concreta.
Podemos comparar nuestras fotos (arriba) con las que nos propone iNaturalist (abajo) y así decidir si es la misma especie o no.

Cada observación deberá llevar la fecha y hora así como la localización, que normalmente se obtiene del GPS del móvil, aunque también puede establecerse manualmente. Si no deseamos dar la localización exacta (por ejemplo, porque hemos añadido fotos de la araña que hemos encontrado en el salón de nuestra casa) podemos oscurecer la localización, lo que significa que nuestra observación será emplazada en un cuadrado de 10 km de lado, de forma que será imposible saber el lugar exacto. Esta localización oscurecida se aplica automáticamente cuando iNaturalist detecta una especie en peligro de extinción o protegida. Además podemos hacer que únicamente determinadas personas o grupos puedan verla.

Una especie sobre la que no hay consenso en la comunidad, como en la de este ejemplo, se marca como «Necesita identificación», se necesitan más de dos tercios de identificaciones en común para que adquiera el «Grado de investigación». Esta imagen corresponde a la plataforma en la web.

Las observaciones podrán ser de tres tipos:

  • Casual. Si falta la fecha y hora, la localización geográfica o se ha marcado la observación como perteneciente a una planta cultivada o animal doméstico (por ejemplo, una foto de nuestro gato).
  • Necesita ID. Si nuestra observación cumple los requisitos anteriores, pero no está clasificada al nivel de especie o no tiene más de los dos tercios de aprobaciones de la comunidad de iNat.
  • Grado de investigación. Si la clasificación de nuestro espécimen coincide en más de dos tercios de los usuarios (incluidos nosotros mismos). Para esto necesitamos, como mínimo, otro usuario que confirme la especie que hemos propuesto. Estos datos se añadirán a la Infraestructura Mundial de Información en Biodiversidad (GBIF) y podrán ser objeto de estudio por los científicos.

Todavía más

Natusfera no solo permite clasificar organismos de forma automática así como con la ayuda de aficionados y especialistas, sino que admite la consulta por localidad geográfica, fecha, tipo de ser vivo y un largo etcétera que lo hace una excelente herramienta para el estudio de la biodiversidad.

Mapa correspondiente a la búsqueda en la web de Natusfera de las setas de la sierra de Collserola (Barcelona). Los resultados pueden verse también en forma de cuadrícula o lista.

Además, dispone de proyectos específicos de lugares o taxones concretos, por ejemplo las aves de España, los insectos de la Península Ibérica, la biodiversidad de Catalunya, plantas de Madrid, hongos y setas de la Península Ibérica y un larguísimo etcétera.

Natusfera en la escuela

Los proyectos que se pueden llevar a cabo son realmente apasionantes, estudiar la fauna y flora local es mucho más accesible. El registro en Natusfera requiere una edad mínima de 13 años, pero existen varias soluciones si deseamos usar iNat con niños y jóvenes escolares.

  • Usar la aplicación Seek. Esta aplicación no requiere registro ni transfiere datos personales por Internet. Nos permite clasificar cualquier organismo, igual que la aplicación iNaturalist, pero no permitirá subir los datos a la red de la plataforma. Ha sido ideada para ser usada con los más pequeños y para los niveles de primaria es la más interesante.
  • Otro método (aparte de que se registren individualmente en iNaturalist si tienen la edad) puede ser crear una cuenta para la clase de forma que identifiquen sus aportaciones particulares mediante etiquetas utilizando la aplicación iNaturalist. Este método puede ser utilizado también con los más pequeños, ya que no requiere la cesión de ningún dato y permite que el profesorado controle la cuenta en caso de tener que actuar frente a una foto o comentario inapropiado.

Para conocer más detalles relacionados con la enseñanza existe una página con numerosa información (en inglés) para el profesorado: Teacher’s Guide.

Advertencia

En este artículo se ha tratado iNaturalist y Natusfera como sinónimos, ya que el segundo no es más que la versión local del primero, no obstante debemos hacer una advertencia.

En estos momentos existen dos proyectos con el mismo nombre, Natusfera, que no deben ser confundidos. Uno de ellos es el que encontraremos en la dirección https://natusfera.gbif.es/ que proviene también de iNaturalist, pero que se ha bifurcado como una rama independiente y en la que está planificado que más adelante cambie de nombre y dirección de Internet, ya que tendrá una finalidad diferente. El segundo Natusfera es el que se ha tratado en este artículo. En el futuro el nombre Natusfera quedará exclusivamente para este proyecto que está integrado en iNaturalist como su portal en España y la dirección de Internet es la que ya hemos proporcionado: https://spain.inaturalist.org.

La aplicación para móvil Natusfera que podemos encontrar en las tiendas de aplicaciones no corresponde a la versión que hemos tratado aquí. La aplicación que deberemos descargar es la de iNaturalist, de la que damos los enlaces a continuación.

Ambas versiones de Natusfera están en este momento en fase de separación y en ocasiones puede resultar desconcertante, ya que nos podemos encontrar con webs ligeramente diferentes con el mismo nombre, de funcionamiento muy similar pero sin conexión en los datos entre la una y la otra.

Enlaces de interés:

Dejo también el enlace a mis propias observaciones que pueden verse también en el lateral derecho de este blog con el widget que proporciona iNat.

Licencia de uso del sitio

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.

© 2026 Bilateria

Tema por Anders Noren — Arriba ↑