1Revisar el contenido sin delegarlo en la IA

Los textos que genera la inteligencia artificial (IA) suenan bien, las explicaciones resultan convincentes y las referencias parecen reales. Sin embargo, a veces son falsos. El riesgo no está en el error evidente, que cualquiera detecta, sino en el error plausible: la fecha que casi es correcta, la cita que casi existió, el dato que casi coincide. Martín Núñez Calleja, del Centro Nacional de Desarrollo Curricular en Sistemas no Propietarios (CEDEC), lo resume con claridad en su ponencia «Crear REA con eXeLearning en tiempos de IA», dedicada a los recursos educativos abiertos (REA): «En el aula, un error que nadie detecta no es un error: es un aprendizaje equivocado».

En un material interactivo el problema se multiplica, porque el error no se lee una vez, sino que se repite con cada alumno que lo utiliza. Un simulador con una fórmula mal aplicada, un cuestionario que da por buena una respuesta incorrecta o una explicación que invierte una relación de causa y efecto enseñan ese error tantas veces como se abra el material.

Conviene revisar el material completo antes de publicarlo, y no solo la parte que se ha pedido expresamente. La comprobación abarca cuatro aspectos:

• Los contenidos. Los conceptos, los datos, las fechas, las unidades y las fórmulas que aparecen en las explicaciones.
• Las actividades. Los enunciados, las opciones de respuesta y, sobre todo, cuáles se dan por correctas. Un distractor mal planteado puede ser tan dañino como una respuesta equivocada.
• La retroalimentación. Lo que el material responde cuando el alumnado se equivoca, que solo se ve si se prueban respuestas incorrectas.
• El comportamiento en los casos extremos. Qué ocurre al dejar una respuesta en blanco, al escribir un número negativo, al introducir un valor enorme o al pulsar dos veces seguidas.

La forma de hacerlo es recorrer el material como lo haría el alumnado, también con respuestas equivocadas, y no limitarse a mirar la pantalla inicial. Muchos fallos solo aparecen al llegar al final de la actividad o al repetirla.

Con la IA es fácil modificar un material ya revisado, y esa facilidad tiene un riesgo. Un cambio que parece pequeño, como añadir una pregunta o cambiar el diseño, puede estropear otra parte que ya funcionaba, aunque aparentemente no tenga relación con lo que se ha pedido. Estos fallos se conocen como regresiones, y la revisión inicial no los detecta, ya que se hizo sobre la versión anterior.

Para detectarlos, la revisión se convierte en una lista de comprobaciones que se repite después de cada cambio importante. La lista recoge los recorridos principales y los casos extremos que ya se han comprobado, y puede redactarla la propia IA a partir de lo que se ha probado. En un cuestionario, por ejemplo, podría ser la siguiente:

• El cuestionario se completa de principio a fin.
• Una respuesta incorrecta muestra la retroalimentación prevista.
• Una respuesta en blanco no produce errores.
• Al reiniciar, la actividad vuelve al estado inicial.
• Funciona solo con el teclado.

Cuando el proyecto lo permite, la IA puede convertir esas comprobaciones en pruebas automáticas y ejecutarlas después de cada cambio. Los agentes de programación lo hacen sin ayuda. Estas pruebas solo confirman que el material sigue funcionando como antes, y la corrección de lo que enseña sigue dependiendo de la revisión descrita más arriba. La IA puede encargarse de repetir las comprobaciones, aunque decidir qué comportamientos deben conservarse corresponde a la persona que conoce el material.

La IA acelera la producción, pero la responsabilidad pedagógica sigue siendo de la persona que publica el material. Así lo recoge también la «Guía sobre el uso de la inteligencia artificial en el ámbito educativo» del Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado (INTEF), en su versión 2.0 de septiembre de 2026, que entre sus principios éticos sitúa la supervisión humana y la responsabilidad: el profesorado debe mantener el control sobre el uso de la IA, y las decisiones educativas no pueden depender de sistemas automatizados.

Esto tiene una consecuencia práctica para el resto de la guía. La IA puede encargarse de casi todas las recomendaciones, desde la licencia hasta la accesibilidad, pero no de esta. Puede señalar qué conviene comprobar, e incluso advertir de aquello de lo que no está segura, aunque no puede certificar que lo que enseña el material sea correcto. Por eso, en la evaluación VCER, la IA puntúa solo los errores que detecta y señala lo que debe revisar la persona.

La revisión no termina al publicar. Las personas que utilizan el material encuentran fallos que su autor no ha visto, porque lo prueban con otro alumnado, en otros dispositivos y con otras preguntas. Por eso conviene darlo a conocer en una comunidad docente y atender a los comentarios de las personas que lo prueban. En el grupo de Telegram Vibe Coding Educativo, la sección «¡Comparte tu App!» está pensada para presentar los programas publicados, y los comentarios que reciben sirven para corregirlos y mejorarlos.

Que los datos sean exactos es el mínimo, no el objetivo. Un material puede no contener ningún error y seguir siendo pobre desde el punto de vista didáctico. El artículo «Mantener la “A” de abierto en los REA en tiempos de IA» señala tres aspectos que ningún código sustituye.

El primero es la claridad del objetivo de aprendizaje, de forma que el alumnado sepa en todo momento qué se espera que aprenda y por qué. El segundo es la retroalimentación formativa, que no consiste solo en indicar si una respuesta es correcta, sino en explicar el motivo, ofrecer una pista e invitar a intentarlo de nuevo. El tercero es la coherencia metodológica, es decir, que cada actividad responda a una decisión didáctica y no a lo que la IA propuso por defecto.

La pregunta que conviene hacerse al revisar no es si el material ha quedado vistoso, sino si ayuda a aprender mejor. Esa valoración corresponde a la persona que conoce la materia y al alumnado, y es su aportación al vibe coding educativo.