Del docente que elige al docente que crea: la capacidad EdTech en el perfil del docente catalítico

Por qué leer este artículo

Porque la competencia digital ya no termina en usar tecnología.

Tres razones para leer un texto que desplaza la discusión desde las herramientas hacia el criterio, la creación y la autonomía tecnológica del docente.

1

Descubre el vacío que los marcos no están mirando

DigCompEdu, UNESCO y los marcos latinoamericanos avanzan en competencia digital, pero crear suele reducirse a producir recursos. El artículo muestra lo que todavía no se operacionaliza: detectar, prototipar, iterar, validar y decidir si una tecnología debe construirse, adaptarse, adoptarse o descartarse.

2

Convierte EdTech en una capacidad docente observable

No propone sumar otra herramienta al repertorio. Formula la capacidad EdTech situada: detectar un problema real, construir la solución mínima, probarla con estudiantes y validarla mediante evidencia decisional. La pregunta deja de ser «¿qué tecnología uso?» y pasa a ser «¿qué necesita realmente este contexto?».

3

Redefine la autonomía docente frente a la IA

Cuando la IA reduce la barrera para crear, el desafío se desplaza hacia el criterio, la validación y la gobernanza. El artículo organiza esa autonomía en cinco niveles: adoptar, adaptar, mediar, producir y gobernar. El docente deja de ser solamente usuario de tecnología para poder decidir también sobre ella.

Pregunta de fondo

Si un docente ya puede crear la tecnología que necesita, ¿seguir sabiendo usar herramientas es suficiente?

Resumen

Los marcos de competencia digital docente de América Latina convergen con referentes supranacionales, en particular DigCompEdu y los marcos de la UNESCO, con adecuaciones que reducen la capacidad de crear a la producción de recursos digitales. Este artículo sostiene que, cuando la inteligencia artificial generativa permite a docentes y estudiantes construir sus propias aplicaciones, la capacidad EdTech deja de ser un rasgo de las empresas y pasa a integrar la definición del docente catalítico. Mediante un análisis documental comparativo de marcos y guías oficiales de siete países, contrastados con DigCompEdu y el marco UNESCO de IA para docentes, se muestra que ninguno operacionaliza el ciclo de detectar, prototipar, iterar, validar y decidir entre construir, adaptar, adoptar o descartar. Se propone la capacidad EdTech situada, un constructo con genealogía latinoamericana (Freire, Martín-Barbero, Fals Borda, Sábato y Dagnino) que entiende EdTech como lógica ágil pedagógico-andragógica, valida con evidencia decisional, se organiza en cinco niveles de autonomía tecnológica docente e incorpora criterios de gobernanza. Se discuten tensiones (sobrecarga, desigualdad, dependencia de plataformas, datos de estudiantes) y se formulan proposiciones para su validación.

Palabras clave: docente catalítico; capacidad EdTech; competencia digital docente; DigCompEdu; inteligencia artificial generativa; América Latina; evidencia decisional

Figura 1. Capacidad EdTech situada: síntesis del constructo, vacío identificado y niveles de autonomía tecnológica docente.

1. Introducción

La capacidad de crear tecnología educativa ya no depende de equipos técnicos. Con inteligencia artificial generativa, un docente puede producir una aplicación propia para un problema de su aula, y un estudiante puede construir la herramienta que necesita para aprender. Ese desplazamiento cambia la pregunta profesional: durante décadas la tarea docente frente a la tecnología fue elegir entre lo que el mercado ofrecía, y hoy es posible también decidir qué construir, qué adaptar, qué adoptar y qué descartar (González Grez, 2026a).

Los marcos de competencia digital docente no han acompañado ese desplazamiento. En América Latina, tanto la investigación como buena parte de los marcos nacionales se apoyan en referentes europeos, en especial DigCompEdu (Cabero-Almenara et al., 2023; Lázaro-Guillermo et al., 2026), y en los marcos de la UNESCO, que el propio organismo ofrece como referencia global para orientar marcos nacionales (Miao y Cukurova, 2025). La evidencia sobre la formación sugiere que la creación es justamente el nivel más débil: un estudio descriptivo con 252 estudiantes de formación docente halló ese patrón pese al uso frecuente de herramientas de IA (Oktaviani et al., 2026).

El artículo parte además de una observación situada. En la mentoría de iniciativas EdTech y de innovación educativa en el IFE Living Lab del Tecnológico de Monterrey se observa una tendencia: docentes que dejan de esperar la herramienta perfecta y empiezan a construirla. No es una tendencia hacia una región llena de startups, sino hacia docentes creadores de las experiencias de aprendizaje de sus estudiantes, que es una figura distinta y más potente.

Se abordan tres preguntas. Primera, ¿qué relación guardan los marcos latinoamericanos de competencia digital e IA docente con DigCompEdu y con los marcos UNESCO? Segunda, ¿operacionalizan la capacidad de crear y validar herramientas propias? Tercera, ¿qué constructo, con genealogía latinoamericana, permitiría llenar ese vacío dentro del perfil del docente catalítico?

El aporte es triple: un mapa comparativo sintético de la convergencia y sus adecuaciones, el constructo de capacidad EdTech situada con sus niveles y su evidencia decisional, y un conjunto de proposiciones para validarlo. El texto continúa y explicita un trabajo previo que propuso la función de mediador tecnológico en la formación inicial docente (González Grez, 2026a). Aquí esa función se convierte en dimensión del perfil y se somete a contraste con los marcos vigentes.

Reflexión docente

Frente a un problema específico en tu aula, ¿cómo actúas ante la tecnología?

Por qué leer este artículo

Porque la competencia digital ya no termina en usar tecnología.

Tres razones para leer un texto que desplaza la discusión desde las herramientas hacia el criterio, la creación y la autonomía tecnológica del docente.

Selecciona cada tarjeta para profundizar en los hallazgos de la investigación.

1 Descubre el vacío que los marcos no están mirando

DigCompEdu, UNESCO y los marcos latinoamericanos avanzan en competencia digital, pero crear suele reducirse a producir recursos.

El vacío: todavía no se operacionaliza el ciclo de detectar, prototipar, iterar, validar y decidir si una tecnología debe construirse, adaptarse, adoptarse o descartarse.
2 Convierte EdTech en una capacidad docente observable

No propone sumar otra herramienta al repertorio. Formula la capacidad EdTech situada: detectar un problema real, construir una solución mínima, probarla y validarla.

Cambio de pregunta: deja de ser «¿qué tecnología uso?» para convertirse en «¿qué necesita realmente este contexto?».
3 Redefine la autonomía docente frente a la IA

Cuando la IA reduce la barrera para crear, el desafío se desplaza hacia el criterio, la validación y la gobernanza.

Cinco niveles: adoptar, adaptar, mediar, producir y gobernar. El docente deja de ser solamente usuario para poder decidir también sobre la tecnología.
Pregunta de fondo

Si un docente ya puede crear la tecnología que necesita, ¿seguir sabiendo usar herramientas es suficiente?

2. Marco conceptual

2.1. El docente catalítico

En el marco de la Teoría de Metacatálisis y del modelo SEED (Ulloa, 2026; González Grez, 2025a), el docente catalítico no es un transmisor de contenidos ni un facilitador que elimina toda fricción, sino un agente que genera las condiciones para que el estudiante protagonice su propia transformación (González Grez, 2026a). Generar condiciones supone, muchas veces, disponer de mediaciones que el mercado no ofrece con la pertinencia que el contexto exige. Allí se sitúa la capacidad EdTech.

2.2. EdTech como lógica ágil, no como empresa

Se entiende aquí por EdTech la suma de una lógica ágil de producto y una finalidad educativa. No designa una industria ni un modelo de negocio. De la lógica ágil se toman el descubrimiento del problema, la solución mínima, la prueba con usuarios, la medición y el pivote. De la finalidad educativa se toma el criterio: una solución se sostiene si sirve para que las personas aprendan bien, y se descarta si no.

La suma no es aditiva. La educación transforma la lógica ágil en tres puntos. El usuario es una persona en formación, no un cliente. La validación se hace con evidencia decisional, esto es, con las decisiones que la persona toma ante situaciones nuevas (González Grez, 2025b), y no con métricas de uso o retención, un giro coherente con la pérdida de legitimidad de las tareas que un chatbot resuelve igual que un estudiante (Farazouli et al., 2023). Y descartar puede significar concluir que no hace falta tecnología.

Estas metodologías ya entran a la formación docente. Hay evidencia de docentes formados en design thinking con prototipado y prueba (Erdem, 2025) y propuestas de integrar lean startup y design thinking en ciclos de construir, medir y aprender (Sreenivasan y Suresh, 2024). La contribución de este artículo es situarlas como capacidad profesional del docente catalítico y no como técnica ocasional.

2.3. De la función de mediador a la capacidad EdTech

La tradición iberoamericana ya pensó al docente como mediador tecnológico, es decir, como función situada entre el estudiante y el artefacto cultural que media su aprendizaje (Fuentes Leiva, 2019; Ligarretto Feo, 2021). Esa función es la semilla. La capacidad EdTech es su capa operativa: especifica qué sabe hacer el docente cuando la mediación disponible no basta.

No propone una identidad nueva que reemplace la anterior, sino una dimensión del perfil que se activa cuando el problema lo pide y se desactiva cuando no. Para operarla existen dos instrumentos propios, el EdTech Model Canvas y el Canvas de experiencias de aprendizaje situadas (González Grez, 2026b, 2026c).

Marco conceptual interactivo

Reconfigurando el rol docente

Explora tres desplazamientos conceptuales: quién es el docente, cómo se traduce la lógica ágil a educación y cuándo se activa la capacidad EdTech.

1

¿Cuál es tu postura principal en el aula?

Selecciona una posición y observa qué cambia.

Selecciona una postura para contrastarla con el perfil del docente catalítico.
2

De Startup a Aula

La lógica ágil cambia cuando su finalidad deja de ser comercial y pasa a ser educativa.

Traducción educativa

Selecciona un concepto

Observa cómo cambia su significado cuando el criterio central es el aprendizaje.

3

Activando la capa operativa

La capacidad EdTech no sustituye la mediación: amplía lo que el docente puede decidir.

Función base

Mediador tecnológico

Situado entre el estudiante y el artefacto cultural disponible.

Activar capacidad EdTech

Capa operativa

No reemplaza al mediador. Se activa cuando la solución disponible no responde con suficiente pertinencia al problema educativo.

EdTech Model Canvas Canvas de Experiencias Situadas
Pausa metacognitiva

Del uso a la decisión

Piensa en la última vez que una herramienta tecnológica no funcionó como esperabas en una experiencia de aprendizaje.

¿Intentarías forzar la herramienta existente, la descartarías o crearías un prototipo mínimo para ese contexto?

3. Método

Se realizó un análisis documental comparativo, de naturaleza cualitativa, sobre marcos y guías de competencia digital y de IA para docentes. El corpus es intencionado y no exhaustivo. Incluye referentes supranacionales (DigCompEdu, el marco UNESCO de competencias TIC de 2018 y el marco UNESCO de IA para docentes) y marcos o guías oficiales de siete países latinoamericanos: Chile, Colombia, Costa Rica, México, Perú, Argentina y Brasil. Se suman una propuesta regional de IA (Scoppetta, 2026) y el Modelo Latinoamericano de Progresión, coautoría del autor, tratado con el mismo criterio que los demás (Ramírez-Martinell y González Grez, 2026).

Cada marco se codificó según tres categorías. La primera es su relación con DigCompEdu: derivación declarada, convergencia por linaje o desarrollo propio. La segunda es el sentido de «crear» y la presencia, ausencia o presencia parcial del ciclo detectar, prototipar, iterar, validar, decidir entre construir, adaptar o adoptar, y descartar. La tercera es la incorporación de condiciones contextuales de la región: infraestructura, conectividad, desigualdad, lengua, formación inicial, ética de datos e IA.

Cinco marcos se codificaron sobre el texto oficial: DigCompEdu, el marco UNESCO de IA para docentes, el marco orientador chileno de 2025, el informe del Ministerio de Educación Pública de Costa Rica y la normativa peruana de formación docente. Los demás, entre ellos el marco chileno de 2011, el colombiano de 2013, Saberes Digitales, el marco UNESCO de 2018 (UNESCO, 2018), el CIEB de Brasil y la guía argentina (Ministerio de Capital Humano, 2025), se codificaron con verificación primaria parcial, de modo que sus resultados son provisionales. La codificación la realizó un solo investigador; una versión definitiva requiere doble codificación con cálculo de acuerdo entre codificadores.

Posición del autor. El autor es mentor de iniciativas EdTech y de innovación educativa en el IFE Living Lab del Tecnológico de Monterrey. La tendencia que motiva el artículo se observó en esa práctica y se declara como observación situada. No se presentan aquí datos sistematizados de esos casos, cuya documentación se propone como agenda (sección 8).

Consola de análisis cualitativo

STATUS: ESPERANDO INVESTIGADOR

Progreso 0%

Para entender cómo los marcos actuales limitan a los docentes, el autor realizó un análisis documental comparativo. Asume el rol del investigador y replica el método paso a paso para revelar los hallazgos.

1

Conformación del corpus

Selecciona al menos 3 expedientes para habilitar el análisis.

>> INSTRUCCIÓN: extrae al menos 3 de los 5 expedientes documentales.

> CORPUS ESTABLECIDO. MÁQUINA DE CODIFICACIÓN HABILITADA.
2

Decodificando el verbo «crear»

La mayoría de los marcos reducen «crear» a producir recursos digitales. Activa los seis elementos del ciclo.

Definición tradicional detectada
“Producir recursos digitales”

¡Definición actualizada!

Has revelado el vacío en la investigación: los marcos actuales no operacionalizan este ciclo completo, dejando a los docentes como creadores de contenido y no necesariamente como creadores de soluciones.

3

Contexto y posición situada

El análisis no termina en el marco: también pregunta qué condiciones y qué posición intervienen en la lectura.

> CATEGORÍA 3: VARIABLES LATAM

La investigación cualitativa exige revisar si los marcos integran las condiciones concretas de la región:

Infraestructura y conectividad
Desigualdad social
Ética de datos e IA locales

> BITÁCORA DE TRANSPARENCIA

“La tendencia de docentes creadores no es una abstracción. Se observó directamente...”

Práctica Mentora en el IFE Living Lab (Tec de Monterrey)

Conclusión del laboratorio

El método revela un vacío: los marcos oficiales enfatizan el uso y la creación de recursos, mientras el ciclo completo de innovación y las condiciones latinoamericanas permanecen insuficientemente operacionalizados.

¿Qué cambiaría en tu institución si empezaran a evaluar a los docentes no por las apps que usan, sino por los problemas que resuelven creando tecnología?

4. Resultados: convergencia con adecuaciones y un vacío

Los marcos revisados convergen con DigCompEdu y con los marcos UNESCO por tres vías, y ninguno operacionaliza el ciclo de creación y validación de herramientas propias. La Tabla 1 sintetiza el hallazgo.

Tabla 1. Relación de los marcos con DigCompEdu y tratamiento de la capacidad de crear

Mapa comparativo

Todos hablan de crear. Pero el ciclo sigue incompleto.

Comparación del tratamiento de la creación tecnológica en marcos de competencia digital e inteligencia artificial para docentes. El contraste permite observar no solo qué entienden por «crear», sino hasta dónde llega realmente la autonomía tecnológica docente.

Referente Ciclo parcial Ciclo ausente
Marco Relación con DigCompEdu Sentido de «crear» Ciclo detectar a descartar
DigCompEdu
(Redecker, 2017)
REFERENCIA
Referencia
Crear y modificar recursos; aplicaciones propias solo en el nivel C2 Parcial: sin descarte ni decisión de construir o adoptar
UNESCO, IA para docentes
(Miao y Cukurova, 2025)
SUPRANACIONAL
Referencia supranacional para IA
Configurar y probar herramientas de IA propias (nivel Crear) Parcial: sin descarte ni pivote
Chile 2025
(Mineduc, 2025)
DERIVACIÓN
Derivación declarada
Adaptar y crear recursos digitales Ausente
Costa Rica 2026
(MEP)
DERIVACIÓN
Derivación estructural: 6 áreas, 22 competencias
Recursos Ausente
Chile 2011 y
Colombia 2013
CONVERGENCIA
Convergencia previa, vía estándares UNESCO
Colombia: soluciones a problemas del contexto en el nivel innovador Parcial en Colombia; por verificar en Chile 2011
México
Saberes Digitales
DESARROLLO PROPIO
Desarrollo propio, instrumental
Manejo y creación de contenidos Ausente Por verificar en fuente primaria
Perú
competencia 11 de formación inicial
DESARROLLO PROPIO
Desarrollo propio, sociocultural
Creatividad y emprendimiento digital en la comunidad Ausente
Marco regional de IA
(Scoppetta, 2026)
UNESCO
Fundamentado en UNESCO
Apropiación y creación de modelos abiertos, a escala de sistema Ausente
El patrón que emerge

La creación aparece. La capacidad de decidir sobre lo creado, no. Ninguno de los marcos operacionaliza completamente el tránsito desde detectar un problema hasta validar, adaptar, adoptar, construir o descartar una solución.

Tres vías de convergencia. La primera es la derivación declarada: el marco orientador chileno de 2025 usa DigCompEdu como insumo principal, junto con el Marco para la Buena Enseñanza, y se organiza en tres dimensiones y 19 competencias (Mineduc, 2025). Costa Rica reproduce el número de áreas y de competencias de DigCompEdu, seis y 22 (Ministerio de Educación Pública de Costa Rica, 2026). La segunda es la convergencia por linaje: los marcos de Chile de 2011 y de Colombia de 2013 son anteriores a DigCompEdu, publicado en 2017, de modo que su parecido proviene de estándares previos de la UNESCO (Mineduc-Enlaces, 2011; Ministerio de Educación Nacional de Colombia, 2013). La tercera es el desarrollo propio, de orientación instrumental o sociocultural, como Saberes Digitales en México (Ramírez-Martinell y Casillas, 2017) y la competencia 11 de la formación inicial peruana, retomada por la RVM 035-2025 (Ministerio de Educación del Perú, 2025). Afirmar que la mayoría deriva de DigCompEdu sería impreciso. Lo exacto es que los marcos más recientes convergen cada vez más hacia él.

La investigación muestra un patrón semejante. Un estudio comparativo con 6.664 docentes de universidades latinoamericanas se apoyó en DigCompEdu (Cabero-Almenara et al., 2023). Dos revisiones recientes registran la presencia de DigCompEdu y otros marcos europeos, y en una de ellas nueve estudios usaron métricas propias sin validación ecológica (Guerrero Alberca, 2026; Lázaro-Guillermo et al., 2026). Ambas provienen de revistas de menor exigencia y se leen como corroboración.

«Crear» se domestica en la traducción. Los marcos supranacionales sitúan la creación de herramientas en sus niveles superiores. DigCompEdu la ubica en el nivel C2, donde el docente crea aplicaciones propias para sus objetivos educativos (Redecker, 2017). El marco UNESCO de IA incluye una competencia de creación con IA que pide personalizar, ensamblar y probar herramientas propias (Miao y Cukurova, 2025). En las adecuaciones regionales, en cambio, «crear» se reduce a recursos: el marco chileno de 2025 distingue herramientas de recursos y aplica la creación a estos últimos (Mineduc, 2025). Se traduce la estructura y se pierde la ambición productiva.

El ciclo no aparece. Ningún marco convierte en competencia el descarte ni la decisión de construir, adaptar o adoptar. La validación existe como análisis de evidencia de aprendizaje, no como validación de la herramienta. La UNESCO es la que más se aproxima, al pedir criterios de prueba para una herramienta de IA autocreada, pero sin descarte ni pivote (Miao y Cukurova, 2025). Las propuestas regionales de IA más recientes avanzan hacia la soberanía tecnológica, pero a escala de sistema y no de práctica docente (Scoppetta, 2026).

El contexto está en el diagnóstico, no en la competencia. Costa Rica mide condiciones habilitadoras: la conectividad de alta velocidad del profesorado se sitúa entre 33,0 % y 53,3 % (Ministerio de Educación Pública de Costa Rica, 2026). Una revisión de alcance sobre competencias emergentes para IA generativa en América Latina registra la adaptación creativa a infraestructuras limitadas (Betti Galasso, 2026), una competencia contextual que los marcos globales no recogen.

La convergencia es real y explicable. Lo que falta no es un marco más, sino un constructo que trate la creación y la validación como capacidad docente situada.

5. Un constructo latinoamericano: la capacidad EdTech situada

5.1. De adecuar el marco a adecuar la tecnología

La región ha practicado la adecuación de referentes: traducir, contextualizar y ajustar marcos concebidos en otro lugar. La tradición latinoamericana ofrece otra idea de adecuación, la de la tecnología. Cuatro líneas sostienen el constructo.

Freire (2005) concibe el conocimiento como producción situada y a la persona educadora como sujeto y no como ejecutora de saberes ajenos, lo que fundamenta la autonomía docente frente a la tecnología. Martín-Barbero (1987) desplaza la atención de los medios a las mediaciones: lo que una tecnología significa se decide en el uso cultural y no en el artefacto. Fals Borda (1979) legitima conocer para transformar junto con los participantes, es decir, ensayar y validar en la propia situación educativa. Sábato y Botana (1968) y Dagnino et al. (2004) aportan la exigencia de una capacidad tecnológica propia y la idea de adecuación sociotécnica: ajustar la tecnología al contexto de uso, y no el contexto a la tecnología.

La capacidad EdTech situada traduce esas cuatro ideas a la práctica del aula.

5.2. Definición y componentes

Se define la capacidad EdTech situada como la aptitud del docente catalítico para detectar problemas pedagógico-andragógicos de su contexto, construir la solución mínima que permita ponerlos a prueba, validarla con evidencia decisional y decidir con criterio entre construir, adaptar, adoptar o descartar, gobernando los riesgos éticos, de datos y de dependencia. Tiene tres componentes: una lógica ágil pedagógico-andragógica, una evidencia decisional y una gobernanza situada.

El ciclo con que opera la lógica ágil se sintetiza así: detectar el problema y a quiénes afecta; prototipar la versión mínima; iterar con los estudiantes en ciclos cortos; validar con evidencia decisional; y decidir si se construye, se adapta, se adopta o se descarta. Ese ciclo ya se planteó como función de mediación (González Grez, 2026a). Aquí se lo traduce en capacidades observables (Tabla 2).

Tabla 2. Inventario de la capacidad EdTech situada

Inventario de la capacidad EdTech situada

No basta con hacer. Hay que observar qué decisión produce.

La lógica ágil se traduce aquí en capacidades concretas, acciones realizables a escala de aula, evidencias decisionales observables y un criterio explícito sobre aquello que cambia cuando esa lógica entra en educación.

Capacidad → Acción docente → Evidencia decisional → Transformación educativa
Capacidad · lógica ágil Versión docente a escala de aula Evidencia decisional observable Lo que transforma la educación
Ajuste problema-solución Distinguir un problema real del aula de una novedad tecnológica. Qué problema prioriza y con qué criterio. El criterio es pedagógico-andragógico , no de mercado.
Solución mínima Construir un recurso o una secuencia mínima con los estudiantes. Qué incluye y qué deja fuera en la primera versión. El usuario es una persona en formación , no un cliente.
Medir y aprender Probar en ciclos cortos dentro del aula. Qué cambia después de cada ciclo y por qué. La métrica es la decisión del estudiante , no el uso ni la retención.
Pivotar o descartar Ajustar o abandonar lo construido. Cuándo abandona una solución y con qué razones. Descartar incluye concluir que no hace falta tecnología.
Construir, adaptar o adoptar Comparar el prototipo propio con la oferta existente. Qué elige y qué costos considera. Pesan la privacidad, el mantenimiento y la dependencia.
Gobernar datos y riesgos Decidir qué datos entran y qué salidas se verifican. Qué autoriza, qué bloquea y por qué. Los datos de estudiantes entran solo con propósito pedagógico-andragógico explícito.
La diferencia

La capacidad EdTech no se observa por la cantidad de tecnología producida, sino por las decisiones que el docente puede justificar antes, durante y después de utilizarla.

5.3. Cinco niveles de autonomía tecnológica docente

La capacidad se despliega en cinco niveles (Tabla 3). No es una escalera que todo docente deba subir. Es un repertorio del que el docente catalítico dispone en un grado mínimo y que activa según el problema. Lo exigible es poder decidir con criterio en cualquier nivel, y no producir siempre.

Tabla 3. Niveles de autonomía tecnológica docente

Autonomía tecnológica docente

Cinco niveles para pasar de usar a gobernar tecnología.

Cada nivel describe una forma distinta de relación del docente con la tecnología y la evidencia decisional que permite observar esa autonomía en la práctica.

Adoptar → Adaptar → Mediar → Producir → Gobernar
Nivel Qué hace el docente Evidencia decisional
1 Adoptar
Elige una herramienta existente con criterio. Qué criterios aplica y qué descarta.
2 Adaptar
Configura o personaliza una herramienta, como un asistente a medida. Qué ajusta y cómo comprueba que funciona como se pretendía.
3 Mediar
Articula a los estudiantes con la tecnología disponible y decide cuándo activar esa función. Cuándo interviene y cuándo no.
4 Producir
Construye y valida una microproducción EdTech situada. Qué decide mantener, cambiar o descartar tras la prueba.
5 Gobernar
Define criterios y protocolos para su comunidad y habilita a otros a crear. Qué reglas de datos, calidad y mantenimiento establece.
El cambio

La autonomía tecnológica no se limita a saber utilizar herramientas: implica poder elegir, modificar, producir y gobernar con criterio.

La gradación es compatible con la evidencia sobre roles docentes ante la IA generativa, que distingue observador, adoptante, colaborador e innovador (Zhai, 2024).

5.4. Una doble dirección

La capacidad opera en dos sentidos. El docente crea para sus estudiantes, y también habilita a los estudiantes a crear sus propias herramientas de aprendizaje, un nivel que el marco UNESCO de competencias en IA para estudiantes ya reconoce (Miao et al., 2024). Formar estudiantes creadores exige un docente que conozca el ciclo desde dentro.

5.5. Su lugar en el perfil del docente catalítico

La capacidad EdTech situada es la dimensión del perfil que asegura que las condiciones que el docente catalítico genera puedan producirse cuando el mercado no las ofrece. Se articula con tres construcciones propias: el ciclo de mediación tecnológica (González Grez, 2026a), la evidencia decisional como unidad mínima observable de la competencia (González Grez, 2025b) y el pensamiento complejo regenerativo (González Grez, 2025a). Este texto aporta la primera de varias dimensiones que integrarán un marco o perfil del docente catalítico, que se irá construyendo a partir de esos trabajos.

6. La condición habilitante: crear con IA

La IA generativa cambia el punto de partida: crear una aplicación propia ya no exige saber programar, pero sí saber especificar, probar y decidir. La evidencia es emergente y debe leerse con cautela. Proviene sobre todo de preprints, de muestras pequeñas y de contextos de computación, y no se encontraron estudios empíricos latinoamericanos con docentes que construyan aplicaciones propias.

En el terreno docente, Song et al. (2026) proponen un marco para que docentes de educación escolar creen tecnologías de aprendizaje con IA mediante «vibe coding», entendido como construir aplicaciones dialogando con un modelo en lenguaje natural, y señalan que faltan orientaciones para acompañar ese proceso. Con estudiantes, Geng et al. (2025) observaron que sus interacciones con la herramienta se dirigían sobre todo a probar y depurar el prototipo, y rara vez a revisar el código. Un estudio cualitativo sobre esta modalidad halla que se emplea para prototipos y herramientas personales, con cautela ante usos críticos, y que los puntos de dolor son la especificación, la fiabilidad y la depuración (Pimenova et al., 2025).

De ahí se desprende una hipótesis, no un hecho: la barrera técnica se reduce y el cuello de botella se desplaza hacia lo metodológico, es decir, hacia el criterio de diseño, la validación y la decisión. La hipótesis es coherente con un argumento de fondo sobre la elección. Cuando la tecnología educativa se diseña priorizando al estudiante y su compromiso, deja poco margen para que el docente influya sobre ella (Frøsig y Romero, 2024). La capacidad de crear devuelve ese margen. También es coherente con la propuesta regional de pasar de usar herramientas cerradas a apropiarse de ellas y crear modelos abiertos (Scoppetta, 2026).

Por eso el artículo formula la capacidad EdTech situada como criterio de diseño y de validación, y no como destreza de programación.

Figura 2. La condición habilitante de la IA generativa: desplazamiento de la barrera técnica hacia el criterio, la validación y la decisión pedagógica.

7. Tensiones y criterios mínimos de cuidado

La capacidad EdTech situada no está exenta de riesgos, y una proposición que no los trate sería frágil. Se identifican seis tensiones.

  1. Sobrecarga y mantenimiento. Cada herramienta propia genera soporte y actualización, y una capacidad individual puede convertirse en trabajo invisible si la institución no la reconoce. La agencia docente es una propiedad ecológica, que depende de las estructuras y culturas de la escuela y no solo de las capacidades individuales (Priestley et al., 2015).
  2. Desigualdad de condiciones. Si en Costa Rica la conectividad de alta velocidad del profesorado se sitúa entre 33,0 % y 53,3 % (Ministerio de Educación Pública de Costa Rica, 2026), la microproducción no está igualmente disponible. Por eso la capacidad se formula como mínima en el plano individual y distribuida en equipos y comunidades.
  3. Dependencia de plataformas y modelos de terceros. Crear sobre infraestructura ajena limita la autonomía que la capacidad promete. La crítica a la intermediación comercial y a la economía política de la IA educativa (Ortegón et al., 2024; Williamson, 2024; Selwyn, 2024) obliga a tratar esta dependencia como eje del argumento y no como nota final.
  4. Datos de estudiantes. Una herramienta propia puede recolectar más de lo necesario. La literatura sobre datificación escolar advierte que el seguimiento y la analítica convierten al estudiante en objeto de vigilancia (Pangrazio et al., 2023).
  5. Automatización y juicio profesional. La automatización creciente puede desplazar el juicio docente hacia sistemas con escasa supervisión humana (Andrejevic y Selwyn, 2023). Por eso la capacidad incluye auditar y descartar, y la integración de la IA exige un uso crítico que no desplace el análisis propio del estudiante (Romero Alonso et al., 2025).
  6. Errores no evidentes. Las salidas generativas pueden fallar sin que se note, y los usuarios rara vez revisan el código (Geng et al., 2025; Pimenova et al., 2025).

Sobre la ética de ensayar. Probar una versión mínima con estudiantes, ajustarla y descartarla es práctica docente habitual y tiene genealogía en la investigación-acción (Fals Borda, 1979). No se propone aquí un estándar más exigente que el de la práctica actual. Lo que la IA agrega son dos riesgos específicos, los datos y los errores no evidentes, que justifican criterios mínimos de cuidado (elaboración propia):

  • propósito pedagógico-andragógico explícito y proporcional;
  • minimización de datos y preferencia por datos no identificables;
  • información a los estudiantes y, cuando corresponda, su consentimiento;
  • ninguna consecuencia en la calificación por participar o no en la prueba;
  • reversibilidad: la clase debe funcionar sin la herramienta;
  • registro de la decisión tomada (seguir, adaptar o descartar);
  • revisión por pares o por el comité institucional cuando haya datos sensibles o decisiones de alto impacto.
Fase crítica · análisis de riesgos

El lado B de la creación tecnológica

La capacidad EdTech situada promete autonomía, pero también exige reconocer las tensiones del sistema y establecer criterios mínimos de cuidado antes de llevar una herramienta al aula.

Identifica las tensiones 0%
1

Escáner de tensiones estructurales

Reconoce las seis tensiones antes de pasar al filtro de cuidado.

Tensiones reconocidas: 0 / 6 ✓ Filtro de cuidado habilitado
2

Filtro de cuidado · Pre-vuelo

Revisa los siete criterios mínimos antes de implementar un prototipo con estudiantes.

Criterios revisados: 0 / 7 ✓ Reflexión habilitada
Cierre metacognitivo

Despliegue autorizado

Ensayar forma parte de la práctica docente. La innovación no queda prohibida: queda subordinada al cuidado, la revisión, la proporcionalidad y la posibilidad de corregir o abandonar la solución.

Mirando hacia atrás: ¿cuál de estos siete criterios ignoraste la última vez que implementaste una aplicación o IA nueva en tu sala de clases?

8. Proposiciones, diferenciación y agenda de validación

8.1. Proposiciones
  • P1. La capacidad de crear y validar herramientas propias es una dimensión del perfil del docente catalítico, y no un complemento opcional.
  • P2. En los marcos de competencia digital e IA docente de la región, la creación se reduce a recursos y el ciclo detectar, prototipar, iterar, validar y decidir no está operacionalizado.
  • P3. La barrera técnica de la creación de herramientas se reduce con IA generativa, y el cuello de botella se desplaza hacia el criterio de diseño y la validación (hipótesis a contrastar).
  • P4. La validación de la capacidad debe apoyarse en evidencia decisional y no en métricas de uso o de satisfacción.
  • P5. La capacidad es individual en un mínimo y distribuida en equipos y comunidades, y depende de condiciones institucionales.
  • P6. La autonomía tecnológica docente se despliega en cinco niveles que se activan según el problema.
  • P7. Formar docentes con esta capacidad favorece que los estudiantes puedan crear sus propias herramientas de aprendizaje.
8.2. Diferenciación

El trabajo más cercano en la literatura es el marco GAIDE (Song et al., 2026), que orienta el proceso de creación por docentes de educación escolar. Aquí se propone en cambio una dimensión del perfil profesional, con niveles de autonomía y evidencia decisional.

El marco UNESCO de IA ya contempla la creación de herramientas propias (Miao y Cukurova, 2025). Este artículo la generaliza como lógica de validación, agrega el descarte y la decisión de construir, adaptar o adoptar, y la ancla en una genealogía latinoamericana. La propuesta regional de Scoppetta (2026) opera a escala de sistema, mientras que la capacidad EdTech situada opera a escala de práctica docente.

Frente al trabajo previo del autor (González Grez, 2026a), que definió la función de mediación y su ciclo, aquí se explicita la capacidad como dimensión del perfil y se incorporan niveles, gobernanza y tensiones nuevas.

8.3. Límites y agenda

Los límites son cuatro: corpus intencionado y no exhaustivo; codificación de un solo investigador; verificación primaria parcial de algunos marcos; y evidencia sobre creación con IA proveniente de preprints y de contextos ajenos a la región.

La agenda de validación comprende cuatro tareas:

  1. doble codificación del corpus con cálculo de acuerdo entre codificadores;
  2. juicio de expertos sobre el inventario y los niveles;
  3. documentación de entre cinco y ocho casos de mentoría del Living Lab, anonimizados y descritos con una ficha basada en el EdTech Model Canvas (problema, qué se construyó, con qué IA, cómo se validó y qué se decidió);
  4. estudios con docentes latinoamericanos que construyan sus propias herramientas.
Evidence Lab · sesión activa
misión 1 / 5
E/L
> cargando corpus...
> inicializando comité académico...
> evidencia incompleta detectada.

¿Está lista la Capacidad EdTech Situada para sobrevivir a un comité académico?

Has sido convocado para evaluar un constructo prometedor. Tienes siete proposiciones, cuatro límites y solo 100 créditos de investigación. Tu misión no es defender la idea. Es decidir qué puede sostenerse con evidencia.
Misión 01 · epistemología

¿Qué estamos afirmando?

No todas las afirmaciones tienen el mismo estatus científico. Decide qué representa P3.

expediente · proposición P3

“La barrera técnica de la creación de herramientas se reduce con IA generativa, y el cuello de botella se desplaza hacia el criterio de diseño y la validación.”

Misión 02 · diferenciación

¿Es realmente nuevo?

Vincula cada antecedente con el aporte específico de la capacidad EdTech situada.

antecedentes
diferencia específica
conexiones: 0 / 3
Misión 03 · auditoría

Ataca el constructo

Selecciona exactamente las cuatro limitaciones que el propio artículo reconoce.

seleccionadas: 0 / 4
Misión 04 · estrategia

Presupuesto de evidencia

El plan completo cuesta 115 créditos. Solo tienes 100. No puedes resolverlo todo.

créditos
100

Doble codificación

Mejora la fiabilidad del análisis documental.

Juicio de expertos

Evalúa inventario, niveles y validez de contenido.

Casos Living Lab

Documenta 5–8 experiencias situadas de mentoría.

Estudio empírico LATAM

Observa docentes construyendo herramientas propias.

inversión: 0 CR
Misión 05 · decisión final

Emitir dictamen

Ya revisaste afirmaciones, diferenciación, límites y estrategia de validación. Ahora decide.

análisis completado

Tu patrón de decisión

No evaluamos cuánto recordaste. Observamos cómo manejaste evidencia incompleta, límites, recursos y decisiones.

Rigor epistemológico 0%
Diferenciación 0%
Sensibilidad a límites 0%
Criterio de validación 0%
Analizando...
anomalía detectada

El constructo que evaluabas acaba de evaluarte a ti.

Durante el juego priorizaste, contrastaste, descartaste, asignaste recursos y emitiste una decisión frente a evidencia incompleta. Acabas de producir evidencia decisional. Evidence Lab no solo te explicó la capacidad EdTech situada: te hizo experimentar su lógica.

traza decisional de la sesión
    El perfil es feedback formativo generado por las decisiones del juego; no constituye una medición psicométrica.

    9. Conclusión

    Los marcos de competencia digital e IA docente de la región convergen con DigCompEdu y con la UNESCO, y esa convergencia es explicable. Lo que dejan sin resolver es lo que la IA vuelve urgente: que el docente pueda crear, probar y decidir sobre la tecnología que su contexto necesita. Los marcos supranacionales sitúan esa capacidad en sus niveles superiores, las adecuaciones regionales la reducen a producir recursos, y ninguno convierte en competencia el ciclo de detectar, prototipar, iterar, validar y decidir entre construir, adaptar, adoptar o descartar.

    La capacidad EdTech situada responde a ese vacío con otra forma de adecuación: no la del marco al contexto, sino la de la tecnología al contexto, con raíces en Freire, Martín-Barbero, Fals Borda, Sábato y Dagnino. Entiende EdTech como lógica ágil pedagógico-andragógica y no como empresa, valida con evidencia decisional, se despliega en cinco niveles de autonomía e incorpora criterios de gobernanza frente a la sobrecarga, la desigualdad, la dependencia de plataformas y el cuidado de los datos.

    De ahí se desprenden tres implicaciones. Para la formación inicial y continua, el ciclo de creación y validación pasa a ser contenido formativo y no un complemento optativo. Para los marcos y perfiles, la creación de herramientas propias requiere una operacionalización explícita, con niveles y evidencia observable. Para las instituciones, la capacidad individual solo se sostiene con condiciones: tiempo reconocido, conectividad, criterios sobre datos y apoyo para mantener lo construido.

    El alcance es acotado. El corpus es intencionado, la codificación requiere doble revisión y la evidencia sobre creación con IA es aún emergente y ajena a la región. Por eso las proposiciones se ofrecen como hipótesis que deben validarse con juicio de expertos, casos documentados y estudios con docentes latinoamericanos.

    No se anuncia una región de startups, sino una de docentes creadores, catalizadores de las experiencias de aprendizaje de sus estudiantes. La capacidad EdTech situada es la primera dimensión de un perfil del docente catalítico que se irá construyendo, y este artículo la deja planteada para ser puesta a prueba.

    Figura 3. Capacidad EdTech situada: del marco global al contexto, mediante un ciclo de creación, validación y decisión docente.
    Glosario conceptual

    30 conceptos para comprender la capacidad EdTech situada

    Una guía de lectura para entrar en los conceptos más densos del artículo: desde el docente catalítico y la evidencia decisional hasta la autonomía tecnológica, la adecuación sociotécnica y los riesgos asociados a la inteligencia artificial.

    Abre el glosario y explora cada término de manera independiente.
    Glosario interactivo Abrir los 30 conceptos Cerrar glosario

    Selecciona cualquier concepto para desplegar su definición dentro del marco específico del artículo.

    Docente catalítico

    Figura docente que no se limita a transmitir contenidos ni a eliminar toda dificultad. Su función es generar las condiciones para que el estudiante protagonice su propia transformación. La tecnología es una mediación que activa cuando el problema educativo realmente la requiere.

    Perfil docente
    Capacidad EdTech situada

    Aptitud para detectar problemas pedagógico- andragógicos del contexto, construir una solución mínima, probarla, validarla mediante evidencia decisional y decidir si conviene construir, adaptar, adoptar o descartar, gobernando además riesgos éticos, de datos y de dependencia.

    Constructo central
    Lógica ágil pedagógico-andragógica

    Adaptación educativa de la lógica ágil de producto. Conserva el descubrimiento del problema, la solución mínima, la prueba, la medición y el pivote, pero cambia el criterio: el usuario es una persona en formación, no un cliente, y una solución vale por su aporte al aprendizaje.

    Metodología
    Evidencia decisional

    Evidencia obtenida a partir de las decisiones que una persona toma ante situaciones nuevas. En el artículo reemplaza como criterio central a métricas de uso, satisfacción o retención y permite observar si una mediación produce aprendizaje con criterio.

    Evaluación
    Gobernanza situada

    Componente de la capacidad EdTech que obliga a tomar decisiones sobre datos, privacidad, riesgos, mantenimiento, calidad y dependencia atendiendo a las condiciones reales de la comunidad educativa y no únicamente a las posibilidades técnicas de una herramienta.

    Gobernanza
    Autonomía tecnológica docente

    Repertorio de capacidades mediante el cual el docente puede adoptar, adaptar, mediar, producir y gobernar tecnología. No es una escalera que todos deban recorrer hasta el último nivel: cada capacidad se activa según el problema y el contexto.

    Autonomía
    Mediación tecnológica

    Función situada entre el estudiante y el artefacto tecnológico o cultural que interviene en su aprendizaje. En el artículo constituye la semilla conceptual de la capacidad EdTech: esta última especifica qué hace el docente cuando la mediación disponible resulta insuficiente.

    Mediación
    Ciclo detectar–prototipar–iterar–validar–decidir

    Secuencia operacional de la capacidad EdTech: detectar el problema y a quién afecta, crear una versión mínima, probarla en ciclos cortos, validarla mediante evidencia decisional y decidir qué hacer después: construir, adaptar, adoptar o descartar.

    Ciclo operativo
    Ajuste problema-solución

    Capacidad de diferenciar un problema educativo real de una novedad tecnológica atractiva. La decisión comienza por identificar qué problema merece intervención y por qué, antes de escoger o construir una herramienta.

    Diseño
    Solución mínima

    Primera versión deliberadamente acotada de una mediación, recurso o secuencia. Su propósito no es estar terminada, sino hacer posible una prueba temprana que permita aprender qué funciona, qué sobra y qué necesita cambiar.

    Prototipado
    Medir y aprender

    Prueba de una solución en ciclos cortos para observar qué cambia y por qué. A diferencia de una lógica comercial, la medición educativa se centra en la decisión del estudiante y no simplemente en clics, permanencia, uso o retención.

    Validación
    Pivotar o descartar

    Capacidad de modificar sustancialmente una solución o abandonarla a partir de lo aprendido. El descarte adquiere un sentido especialmente educativo: puede significar concluir con fundamento que el problema no necesita tecnología.

    Decisión
    Construir, adaptar o adoptar

    Decisión comparativa entre desarrollar una solución propia, modificar una disponible o utilizar una existente. La elección incorpora criterios pedagógicos junto con privacidad, costos de mantenimiento, dependencia y sostenibilidad.

    Criterio tecnológico
    Microproducción EdTech situada

    Tecnología educativa de pequeña escala creada para responder a una necesidad concreta del aula. No pretende transformarse necesariamente en un producto comercial: su valor está en ser construida, probada y validada en la situación donde se necesita.

    Producción
    IA generativa como condición habilitante

    La IA generativa reduce la necesidad de dominar programación para producir aplicaciones y prototipos. El artículo plantea como hipótesis que, al bajar esa barrera, el cuello de botella se desplaza hacia especificar, probar, validar y decidir.

    Inteligencia artificial
    Vibe coding

    Modalidad de creación de aplicaciones mediante interacción en lenguaje natural con modelos de IA. Permite prototipar sin revisar necesariamente cada línea de código, pero desplaza los problemas hacia la especificación, la fiabilidad y la depuración.

    IA aplicada
    Competencia digital docente

    Conjunto de capacidades asociadas al uso profesional, pedagógico y crítico de tecnologías digitales por docentes. El artículo cuestiona que muchos marcos desarrollen ampliamente el uso y la creación de recursos, pero no operacionalicen la creación y validación de herramientas propias.

    Marco competencial
    DigCompEdu

    Marco europeo utilizado como uno de los referentes principales para analizar competencia digital docente. Reconoce creación y modificación de recursos y, en niveles avanzados, aplicaciones propias, pero el artículo observa que no completa el ciclo hasta el descarte y la decisión construir/adoptar.

    Referente
    Marco UNESCO de competencias en IA para docentes

    Referente supranacional que incorpora un nivel de creación en IA y contempla personalizar, ensamblar y probar herramientas propias. Es el marco que más se aproxima al planteamiento del artículo, aunque no incorpora plenamente pivote, descarte y decisión construir/adoptar.

    Referente
    Convergencia por derivación declarada

    Relación en la que un marco nacional reconoce de forma explícita que utiliza otro referente —como DigCompEdu— como insumo para su estructura o competencias. Es una de las vías mediante las cuales el artículo explica la convergencia regional.

    Análisis comparativo
    Convergencia por linaje

    Similitud entre marcos que no implica una derivación directa. El artículo utiliza esta categoría para marcos anteriores a DigCompEdu cuya semejanza procede de referentes previos compartidos, particularmente estándares UNESCO.

    Análisis comparativo
    Desarrollo propio

    Marcos cuya organización no se explica como una derivación directa de DigCompEdu. El artículo identifica desarrollos de orientación instrumental o sociocultural, mostrando que la región no puede reducirse a una simple copia de referentes europeos.

    Marcos regionales
    Adecuación sociotécnica

    Idea vinculada a la tradición latinoamericana según la cual la tecnología debe ajustarse al contexto social donde será utilizada, y no obligar al contexto a adaptarse a la tecnología. Es una de las bases conceptuales del carácter «situado».

    Genealogía latinoamericana
    Soberanía tecnológica

    Aspiración a aumentar la capacidad de actores y sistemas educativos para apropiarse, configurar y crear tecnología sin quedar enteramente subordinados a soluciones cerradas de terceros. El artículo diferencia esta discusión sistémica de la capacidad situada a escala de práctica docente.

    Autonomía
    Agencia docente ecológica

    Perspectiva según la cual la capacidad de actuar del docente no depende únicamente de sus competencias individuales. También emerge de estructuras, culturas, recursos y condiciones institucionales. Por eso crear tecnología no puede transformarse en una obligación individual invisible.

    Agencia
    Dependencia de plataformas

    Tensión que aparece cuando una solución aparentemente propia depende de infraestructura, modelos o servicios externos. Esa dependencia puede limitar autonomía, continuidad, control de datos y capacidad de mantenimiento, incluso cuando el docente haya creado la experiencia.

    Riesgo
    Datificación escolar

    Conversión de actividades, comportamientos e interacciones educativas en datos susceptibles de seguimiento y análisis. El artículo advierte que una herramienta propia puede recolectar más información de la necesaria y convertir al estudiante en objeto de vigilancia.

    Datos
    Automatización y juicio profesional

    Tensión entre delegar tareas a sistemas automatizados y conservar la capacidad humana de interpretar, cuestionar y decidir. La capacidad EdTech exige auditar y eventualmente descartar la automatización cuando esta desplaza el juicio docente o el análisis del estudiante.

    Juicio profesional
    Errores no evidentes

    Fallos producidos por sistemas generativos que pueden pasar inadvertidos porque la salida parece correcta o funcional. El problema se vuelve más crítico cuando quienes crean mediante IA no revisan directamente el código o no cuentan con mecanismos independientes de verificación.

    Riesgo IA
    Reversibilidad

    Criterio de cuidado según el cual una experiencia educativa debe poder continuar aunque la herramienta experimental deje de utilizarse. En términos prácticos, la clase debe funcionar sin la tecnología. Esto evita convertir una prueba en una dependencia irreversible.

    Criterio ético
    El hilo que conecta los 30 conceptos es uno: la competencia tecnológica deja de medirse por cuánto sabe usar un docente y comienza a preguntarse qué puede decidir con criterio sobre la tecnología que media el aprendizaje.
    Referencias
    Andrejevic, M., y Selwyn, N. (2023). Education in an era of pervasive automation. Postdigital Science and Education, 5(1), 220-231. https://doi.org/10.1007/s42438-022-00336-x

    Betti Galasso, B. J. (2026). Inteligencia artificial generativa y formación docente: Competencias emergentes en América Latina. Una revisión de alcance [Revista y volumen por confirmar]. Universidad de Costa Rica. https://revistas.ucr.ac.cr/index.php/raie/article/view/4305

    Cabero-Almenara, J., Gutiérrez-Castillo, J. J., Barroso-Osuna, J., y Palacios-Rodríguez, A. (2023). Digital teaching competence according to the DigCompEdu framework: Comparative study in different Latin American universities. Journal of New Approaches in Educational Research, 12(2), 276-291. https://doi.org/10.7821/naer.2023.7.1452

    Dagnino, R., Brandão, F. C., y Novaes, H. T. (2004). Sobre o marco analítico-conceitual da tecnologia social. En Tecnologia social: Uma estratégia para o desenvolvimento (pp. 15-64). Fundação Banco do Brasil.

    Erdem, M. (2025). Design, implementation, and evaluation of an online instructional process to enhance teachers’ design thinking skills. Humanities and Social Sciences Communications, 12, Artículo 820. https://doi.org/10.1057/s41599-025-05131-0

    Fals Borda, O. (1979). El problema de cómo investigar la realidad para transformarla por la praxis. Tercer Mundo.

    Farazouli, A., Cerratto-Pargman, T., Bolander-Laksov, K., y McGrath, C. (2023). Hello GPT! Goodbye home examination? An exploratory study of AI chatbots’ impact on university teachers’ assessment practices. Assessment & Evaluation in Higher Education, 49(3), 363-375. https://doi.org/10.1080/02602938.2023.2241676

    Freire, P. (2005). Pedagogía del oprimido (2.ª ed.). Siglo XXI. (Obra original publicada en 1970)

    Frøsig, T. B., y Romero, M. (2024). Teacher agency in the age of generative AI: Towards a framework of hybrid intelligence for learning design [Preprint]. arXiv. https://arxiv.org/abs/2407.06655

    Fuentes Leiva, D. (2019). La función mediadora del docente y la intervención educativa. Revista Multi-Ensayos, 5(9), 6-9. https://doi.org/10.5377/multiensayos.v5i9.9428

    Geng, F., Shah, A., Li, H., Mulla, N., Swanson, S., Soosai Raj, G., Zingaro, D., y Porter, L. (2025). Exploring student-AI interactions in vibe coding [Preprint]. arXiv. https://arxiv.org/abs/2507.22614

    González Grez, A. (2025a). Pensamiento complejo regenerativo: Comprender, transformarse, regenerar. grezan.cl. https://grezan.cl/pensamiento-complejo-regenerativo-cuando-aprender-a-comprender-ya-no-es-suficiente/

    González Grez, A. (2025b). La decisión como unidad mínima observable de la competencia: Del bloque fragmentado a las decisiones vivas. grezan.cl. https://grezan.cl/la-decision-como-unidad-minima-observable-de-la-competencia-del-bloque-fragmentado-a-las-decisiones-vivas/

    González Grez, A. (2026a). EdTech, tarea pendiente del docente catalítico: Hacia una función de mediador tecnológico en la formación inicial docente. grezan.cl. https://grezan.cl/edtech-tarea-pendiente-del-docente-catalitico-hacia-una-funcion-de-mediador-tecnologico-en-la-formacion-inicial-docente/

    González Grez, A. (2026b). EdTech Model Canvas: Propuesta de valor educativa basada en evidencia desde el diseño. grezan.cl. https://grezan.cl/edtech-model-canvas-propuesta-de-valor-educativa-basada-en-evidencia-desde-el-diseno/

    González Grez, A. (2026c). Model Canvas de experiencias de aprendizaje situadas. grezan.cl. https://grezan.cl/model-canvas-de-experiencias-de-aprendizaje-situadas/

    Guerrero Alberca, J. C. (2026). Competencias digitales y desempeño docente en Latinoamérica entre 2019-2024: Una revisión sistemática de literatura. Revista Cubana de Educación Superior, 45. https://revistas.uh.cu/rces/article/view/12469

    Lázaro-Guillermo, [iniciales por completar], Villacrez-Mozombite, [iniciales por completar], Pineda-Aguilar, [iniciales por completar], y Vargas-Flores, J. I. (2026). Competencias digitales en el docente universitario latinoamericano: Revisión de tendencias y vacíos. Maestro y Sociedad. https://maestroysociedad.uo.edu.cu/index.php/MyS/article/view/7737

    Ligarretto Feo, R. E. (2021). Mediación tecnológica de la enseñanza: Entre artefactos, modelos y rol docente. Revista Educación, 45(2), 1-19. https://doi.org/10.15517/revedu.v45i1.42999

    Martín-Barbero, J. (1987). De los medios a las mediaciones: Comunicación, cultura y hegemonía. Gustavo Gili.
    Miao, F., y Cukurova, M. (2025). Marco de competencias para docentes en materia de IA (L. Pavón, Trad.). UNESCO. https://doi.org/10.54675/AQKZ9414 (Obra original publicada en 2024)

    Miao, F., Shiohira, K., y Lao, N. (2024). AI competency framework for students. UNESCO. https://doi.org/10.54675/JKJB9835
    Mineduc. (2025). Marco orientador de competencias digitales docentes. Ministerio de Educación de Chile. https://hdl.handle.net/20.500.12365/21735

    Mineduc-Enlaces. (2011). Competencias y estándares TIC para la profesión docente. Ministerio de Educación de Chile.

    Ministerio de Capital Humano, Secretaría de Educación. (2025). Guía para la integración de las inteligencias artificiales en educación. https://www.argentina.gob.ar/sites/default/files/documento_guia_de_integracion_vf_digital.pdf
    Ministerio de Educación del Perú. (2025). Resolución Viceministerial N.° 035-2025-MINEDU. https://cdn.www.gob.pe/uploads/document/file/7892492/6646663-rvm_n-_035-2025-minedu.pdf

    Ministerio de Educación Nacional de Colombia. (2013). Competencias TIC para el desarrollo profesional docente. Ministerio de Educación Nacional.
    Ministerio de Educación Pública de Costa Rica. (2026). Competencia digital docente en el Ministerio de Educación Pública: Resultados nacionales de la aplicación del instrumento de autopercepción 2024-2025. https://mep.go.cr/sites/default/files/2026-09/CompetenciaDigitalDocente2024-2025.pdf

    Oktaviani, F. D., Rullyana, G., Setiawati, L., y Asmara, L. G. (2026). Mapping pre-service teachers’ AI literacy competence based on UNESCO framework: A descriptive study. EDUTECH: Jurnal Inovasi Pendidikan Berbantuan Teknologi, 6(2), 632-645. https://doi.org/10.51878/edutech.v6i2.10504

    Ortegón, C., Decuypere, M., y Williamson, B. (2024). Mediating educational technologies: Edtech brokering between schools, academia, governance, and industry. Research in Education, 120(1), 25-53. https://doi.org/10.1177/00345237241242990

    Pangrazio, L., Selwyn, N., y Cumbo, B. (2023). Tracking technology: Exploring student experiences of school datafication. Cambridge Journal of Education, 53(6), 847-862. https://doi.org/10.1080/0305764x.2023.2215194

    Pimenova, V., Fakhoury, S., Bird, C., Storey, M.-A., y Endres, M. (2025). Good vibrations? A qualitative study of co-creation, communication, flow, and trust in vibe coding [Preprint]. arXiv. https://arxiv.org/abs/2509.12491

    Priestley, M., Biesta, G., y Robinson, S. (2015). Teacher agency: An ecological approach. Bloomsbury Academic.

    Ramírez-Martinell, A., y Casillas, M. A.
    (Coords.). (2017). Saberes digitales de los docentes de educación básica: Una propuesta para la discusión desde Veracruz. Secretaría de Educación de Veracruz.

    Ramírez-Martinell, A., y González Grez, A. (2026). Hacia un modelo latinoamericano de progresión en competencias digitales y de IA. Actas de IFE Conference 2026, Tecnológico de Monterrey. https://grezan.cl/hacia-un-modelo-latinoamericano-de-progresion-en-competencias-digitales-y-de-ia/

    Redecker, C. (2017). European framework for the digital competence of educators: DigCompEdu (Y. Punie, Ed.). Publications Office of the European Union. https://doi.org/10.2760/159770

    Romero Alonso, R., Araya Carvajal, K., y Reyes Acevedo, N. (2025). Role of artificial intelligence in the personalization of distance education: A systematic review. RIED-Revista Iberoamericana de Educación a Distancia, 28(1), 9-36. https://doi.org/10.5944/ried.28.1.41538

    Sábato, J. A., y Botana, N. (1968). La ciencia y la tecnología en el desarrollo futuro de América Latina. Revista de la Integración, 3, 15-36.

    Scoppetta, O. (2026). Inteligencia artificial en la educación secundaria de América Latina: Un marco estratégico para la apropiación humanista y crítica. Praxis, 26(41), 152-168. https://doi.org/10.26620/uniminuto.praxis.26.41.2026.152-168

    Selwyn, N. (2024). On the limits of artificial intelligence (AI) in education. Nordisk Tidsskrift for Pedagogikk og Kritikk, 10. https://doi.org/10.23865/ntpk.v10.6062

    Song, Y., Choi, S., Kim, J., Kim, Y., Weisberg, L., y Moon, J. (2026). A guiding framework for K-12 teachers in creating AI-powered learning technologies through vibe coding [Preprint]. arXiv. https://arxiv.org/abs/2607.05406

    Sreenivasan, A., y Suresh, M. (2024). A comparative analysis of lean start-up and design thinking and its integration. Asia Pacific Journal of Innovation and Entrepreneurship, 18(2), 172-[páginas por confirmar]. https://www.emerald.com/apjie/article/18/2/172/1238677/A-comparative-analysis-of-lean-start-up-and-design

    Ulloa, V. (2026). Teoría de metacatálisis y modelo SEED [Manuscrito en preparación].

    UNESCO. (2018). UNESCO ICT competency framework for teachers (Versión 3). UNESCO.

    Williamson, B. (2024). The social life of AI in education. International Journal of Artificial Intelligence in Education, 34(1), 97-104. https://doi.org/10.1007/s40593-023-00342-5

    Zhai, X. (2024). Transforming teachers’ roles and agencies in the era of generative AI: Perceptions, acceptance, knowledge, and practices [Preprint]. arXiv. https://arxiv.org/abs/2410.03018
    Leave a Reply

    Tu dirección de correo electrónico no será publicada. Los campos requeridos están marcados *