Por qué leer este artículo
Tres razones para entender por qué, en la era de la inteligencia artificial, el desafío educativo ya no es solo acceder a la información, sino comprenderla, interpretarla y decidir qué hacer con ella.
El problema ya no es el acceso, sino el sentido
El artículo muestra con claridad que disponer de información, usar IA o formular prompts no garantiza comprensión. Su gran aporte es desplazar el foco hacia la mediación lingüística, revelando que el verdadero reto actual está en construir significado y no solo en operar herramientas.
Entrega un marco sólido para pensar mejor
No se queda en opiniones generales sobre IA. Articula el modelo de Construcción-Integración de Kintsch con una propuesta potente de alfabetizaciones interdependientes —cognitiva, digital y contextual—, ofreciendo una base teórica robusta para analizar comprensión, juicio y aprendizaje en escenarios mediados por inteligencia artificial.
Conecta teoría, contexto latinoamericano y práctica formativa real
Una de las mayores fortalezas del texto es que no separa reflexión académica de diseño educativo concreto. Vincula comprensión textual, Competencia Digital Cero, desigualdad regional, toma de decisiones y experiencias formativas con IA, mostrando por qué innovar no es sumar tecnología, sino rediseñar con criterio pedagógico-andragógico.
Resumen
En la era de la inteligencia artificial generativa, el problema central de la educación ya no es el acceso a la información, sino la capacidad de comprenderla, interpretarla y operar con ella mediante el lenguaje. Este artículo profundiza la idea del prisma lingüístico como principal interfaz de mediación humana con el conocimiento, sosteniendo que la relación contemporánea con la IA depende menos de la competencia técnica que de la capacidad para construir sentido a partir de textos, instrucciones, respuestas y representaciones simbólicas. A partir del modelo de Construcción-Integración de Kintsch (2004), se argumenta que comprender no equivale a decodificar palabras ni a reproducir términos, sino a construir e integrar significado en relación con conocimientos previos y contextos de uso. Se examina la tensión entre la naturaleza no lineal de la comprensión y la persistencia de estructuras formales que organizan el aprendizaje como secuencia acumulativa y homogénea. Se propone que el desafío actual exige articular tres alfabetizaciones interdependientes —cognitiva, digital y contextual— y se analiza cómo esta articulación opera en experiencias formativas concretas mediadas por IA. A diferencia de los enfoques instrumentales que reducen la alfabetización en IA a la formulación de prompts, se sostiene que la comprensión profunda —entendida como construcción de modelos de situación— constituye el requisito previo para toda interacción significativa con sistemas inteligentes.
Palabras clave: comprensión textual, modelo de situación, prisma lingüístico, alfabetización en IA, metacognición, competencia digital, América Latina
1. Introducción: el nuevo problema no es el acceso, sino la mediación
Durante décadas, buena parte del debate sobre brecha digital se concentró en el acceso: conectividad, dispositivos, plataformas, cobertura. Ese problema sigue siendo real, especialmente en América Latina (Lugo et al., 2024). Sin embargo, incluso cuando el acceso mejora, persiste una dificultad más profunda: tener acceso no garantiza comprender. Una persona puede leer, copiar, repetir, buscar e incluso formular prompts sin comprender realmente qué está diciendo, qué está leyendo o qué consecuencias tiene lo que hace con ese lenguaje. Desde esta perspectiva, la IA generativa no inaugura solo un problema tecnológico; vuelve visible una fragilidad previa: la diferencia entre usar palabras y comprender significados.
El panorama empírico reciente confirma esta tensión. La National Literacy Trust (2025) reportó que, aunque el 65% de los jóvenes entre 13 y 18 años han utilizado herramientas de IA generativa, uno de cada cuatro admite copiar directamente las respuestas sin procesarlas. Simultáneamente, dos de cada tres docentes expresaron preocupación por la erosión de las competencias de lectura y escritura que esta dinámica podría producir. Estos datos no describen una carencia de acceso; describen una carencia de comprensión.
El principal punto de interacción del ser humano con la IA no es solo la interfaz técnica, sino el lenguaje. Preguntamos, refinamos, interpretamos, evaluamos y decidimos a través de secuencias lingüísticas. Por eso, el dominio real ya no puede medirse únicamente por acceso o manejo instrumental, sino por la calidad de la mediación lingüística que cada persona logra desplegar. Como señala el informe de New America (2025), la formación en IA tiende a priorizar las aplicaciones sobre la comprensión crítica, lo que puede producir que los estudiantes interactúen pasivamente con el material, acepten las respuestas de la IA sin cuestionarlas y utilicen las herramientas para completar tareas sin comprensión.
Kalantzis y Cope (2025), en su análisis sobre alfabetización en tiempos de IA, advierten que las pruebas tradicionales de comprensión basadas en ítems siguen siendo un proxy barato y perezoso del desempeño lector, mientras que la escritura —que hasta ahora era costosa de evaluar— enfrenta el riesgo de ser delegada a máquinas que generan respuestas indistinguibles de las producidas por humanos. El problema, entonces, no es que la tecnología sea inaccesible, sino que su accesibilidad puede coexistir con —e incluso profundizar— la superficialidad comprensiva.
DigComp 3.0 (Vuorikari et al., 2022), aun desde una tradición europea, reconoce que la competencia digital incluye conocimiento, habilidades y actitudes, y que debe entenderse de manera crítica, responsable y situada. Además, incorpora prerrequisitos para alcanzar el nivel básico, entre ellos la alfabetización suficiente para decodificar información textual, visual y auditiva. Esa admisión es clave: antes de hablar de competencia digital, hay un piso de comprensión que no puede darse por supuesto.
Este artículo se propone tres objetivos. Primero, fundamentar teóricamente por qué la comprensión textual —no el acceso ni el manejo instrumental— constituye el nudo crítico de la interacción humana con sistemas de IA. Segundo, proponer una articulación entre tres alfabetizaciones interdependientes —cognitiva, digital y contextual— que permita superar el reduccionismo instrumental dominante. Tercero, mostrar cómo esta articulación se concretiza en experiencias formativas situadas, conectando el marco teórico con prácticas de diseño educativo mediadas por IA.
Antes de seguir leyendo
El texto que acabas de leer no describe a otros: también te describe a ti. Propone que el verdadero problema no es si tienes acceso a herramientas de IA, sino qué haces con el lenguaje cuando las usas.
El artefacto que viene a continuación no es un cuestionario ni un resumen. Es una lectura en cinco nodos: cada uno toma una afirmación clave del texto y te pide que te posiciones frente a ella. No hay una respuesta correcta. Hay, en cambio, una tensión intelectual esperándote después de escribir la tuya.
Escribe con honestidad. El mapa que construyas al final es tuyo.
2. Comprender no es decodificar: el modelo de Construcción-Integración
2.1 La comprensión como proceso activo
El modelo de Construcción-Integración (CI) de Kintsch (1988, 2004) ofrece un marco preciso para explicar por qué usar palabras no equivale a comprender. La comprensión textual no ocurre por simple recepción lineal del contenido. En la fase de construcción, el lector activa múltiples significados posibles a partir de las proposiciones del texto, incluyendo significados irrelevantes e incluso contradictorios. En la fase de integración, un proceso de satisfacción de restricciones desactiva los nodos irrelevantes y fortalece los coherentes, produciendo una representación estable. Comprender implica, entonces, un proceso activo de construcción e integración de sentido, no solo reconocimiento de vocabulario o repetición de términos.
El modelo distingue tres niveles de representación: la estructura superficial del texto (las palabras exactas), la base textual (las proposiciones derivadas del contenido) y el modelo de situación (la representación del mundo o problema al que el texto se refiere). Es en este tercer nivel donde ocurre la comprensión profunda (Kintsch, 2004). Un lector puede reproducir fielmente la base textual —repetir lo que el texto dice— sin haber construido un modelo de situación viable, es decir, sin comprender de qué se trata realmente.
2.2 La comprensión profunda en la interacción con IA
Esta distinción resulta especialmente fecunda para analizar la interacción contemporánea con sistemas de IA generativa. El fenómeno que Kintsch describe para la lectura —personas que reproducen texto sin comprender— se amplifica en el ecosistema de la IA, donde las respuestas son fluidas, verosímiles y lingüísticamente correctas. Fan et al. (2024) documentan lo que denominan “pereza metacognitiva” (metacognitive laziness): la tendencia de los usuarios a delegar procesos de regulación cognitiva a la IA, reduciendo su esfuerzo de monitoreo, evaluación y ajuste. Este fenómeno es, en términos de Kintsch, una operación al nivel de la base textual —el usuario recibe y reproduce la respuesta— sin construcción de modelo de situación.
Essien et al. (2024) confirman este patrón en contexto universitario: los generadores de texto con IA pueden afectar negativamente las habilidades de pensamiento crítico cuando los estudiantes adoptan las respuestas como productos terminados en lugar de como insumos para elaboración propia. La fluencia superficial de la IA produce lo que Kintsch (2004) describe como una alta coherencia textual que puede paradójicamente inhibir la comprensión profunda: cuando el texto parece claro y completo, el lector invierte menos esfuerzo en generar inferencias propias y en integrar la información con su conocimiento previo.
Personas que usan con soltura términos como “prompt”, “algoritmo”, “sesgo”, “metacognición” o “competencia digital” pueden estar operando todavía al nivel de la estructura superficial: el vocabulario circula, pero el significado no se ha consolidado como modelo de situación. La IA no solo no resuelve este problema; lo intensifica, porque produce respuestas que satisfacen las demandas de coherencia textual sin requerir del usuario la elaboración cognitiva que construiría comprensión profunda.
2.3 Conocimiento previo y comprensión desigual
Un hallazgo central del programa de investigación de Kintsch es el papel decisivo del conocimiento previo. Los estudios de Britton y Gulgoz (1991), utilizando el modelo CI, demostraron que mejorar la coherencia superficial de un texto beneficiaba principalmente a lectores con bajo conocimiento previo, pero tenía poco efecto —o incluso efecto negativo— en lectores con alto conocimiento. McNamara et al. (1996) confirmaron que los textos de alta coherencia podían generar una “ilusión de comprensión” en lectores novatos: la facilidad de procesamiento superficial sustituía la construcción activa de significado.
Esta evidencia tiene implicaciones directas para la interacción con IA. Las respuestas generadas por sistemas como ChatGPT o Claude tienden a ser textos de alta coherencia superficial: bien organizados, fluidos y sin ambigüedades evidentes. Para usuarios con conocimiento previo limitado, esta coherencia puede producir precisamente la ilusión que McNamara et al. describieron: la sensación de haber comprendido sin haber construido modelo de situación alguno. En contraste, usuarios con conocimiento previo robusto pueden utilizar la respuesta de la IA como insumo para elaboración activa, generando inferencias, detectando omisiones y evaluando pertinencia.
Esta asimetría no es un problema técnico; es un problema de comprensión desigual que los sistemas de IA, por su propia naturaleza generativa, tienden a invisibilizar.
Antes de seguir leyendo
Lo que acabas de leer describe un problema que no ocurre solo en los estudiantes. Ocurre cada vez que alguien lee un texto fluido, lo entiende superficialmente y avanza sin saberlo.
El artefacto que viene no explica la ilusión de comprensión. La produce. Te pedirá que leas un fragmento técnico, que evalúes tu propia comprensión y que intentes operar con lo que leíste. Luego te mostrará lo que realmente ocurrió.
No anticipes. Participa como si no supieras lo que viene.
3. La comprensión nunca fue lineal, aunque la educación haya insistido en simularlo
Uno de los aportes más fecundos del modelo CI es mostrar que la comprensión opera de manera relacional, no estrictamente secuencial. El lector no avanza simplemente frase por frase como si almacenara bloques ordenados; activa conocimientos previos, infiere, reorganiza, conecta y reinterpreta. La comprensión tiene, por tanto, una estructura no lineal. Esto desafía una de las grandes ficciones de la educación formal: la idea de que aprender consiste en avanzar homogéneamente por una secuencia fija de contenidos, bajo la suposición de que todos comprenden del mismo modo y en el mismo tiempo.
La investigación reciente sobre autorregulación del aprendizaje en entornos de IA generativa refuerza esta tensión. Xu et al. (2025) encontraron que el soporte metacognitivo —no la herramienta en sí— es lo que determina la calidad del aprendizaje autorregulado en entornos de IA generativa. Sin andamiajes explícitos que promuevan planificación, monitoreo y evaluación, la interacción con IA tiende a ser reactiva y superficial, reproduciendo el patrón secuencial que el propio modelo CI identifica como insuficiente para la comprensión.
La educación formal ha construido un orden para enseñar; pero ese orden no coincide necesariamente con la arquitectura real de la comprensión. En el mejor de los casos, la secuencia pedagógica funciona como una guía externa útil. En el peor, se convierte en una estructura que invisibiliza diferencias de entrada, ritmos de procesamiento, vacíos de comprensión y modos diversos de construcción de sentido. DigComp 3.0 reconoce precisamente que las necesidades de competencia digital varían entre individuos y cambian en el tiempo, y que las aplicaciones del marco deben ser flexibles y adaptables (Vuorikari et al., 2022). Esa idea dialoga con una concepción menos lineal y más situada del aprendizaje, pero no la desarrolla: el marco describe niveles de competencia sin teorizar sobre las condiciones cognitivas que hacen posible —o imposible— el tránsito entre ellos.
Antes de seguir leyendo
La educación formal te enseñó a esperar un camino. Este artefacto te preguntará cómo recorriste el texto que acabas de leer — y luego te mostrará algo que probablemente no esperabas ver.
No hay respuesta correcta. Hay, en cambio, un contraste que dice más sobre cómo aprendes que cualquier evaluación que hayas hecho antes.
Responde con honestidad. El resultado varía según lo que elijas.
4. Del prisma lingüístico a las alfabetizaciones interdependientes
Si el lenguaje es el principal prisma de mediación —como se ha argumentado previamente (Grezan, 2026a)—, entonces el problema educativo contemporáneo no puede resolverse solo con alfabetización digital en sentido instrumental. Lo que se requiere es una articulación más amplia entre, al menos, tres alfabetizaciones que operan como condiciones interdependientes, no como capas separadas.
4.1 Alfabetización cognitiva: comprender cómo se comprende
La primera dimensión se ubica en la capacidad de construir significado, detectar incoherencias, elaborar inferencias, comparar representaciones y distinguir entre apariencia de comprensión y comprensión efectiva. Esta alfabetización no se limita a leer, sino a comprender cómo se comprende. Supone metacognición, vigilancia interpretativa y capacidad para operar con modelos mentales más allá de la literalidad.
La investigación sobre metacognición y IA confirma la centralidad de esta dimensión. Tomisu et al. (2025) proponen el concepto de “espejo cognitivo” (cognitive mirror): un marco donde la IA funciona como agente que externaliza los procesos de pensamiento del aprendiz, haciendo visibles errores conceptuales y sesgos interpretativos que de otro modo permanecerían opacos. Pero este espejo solo funciona si el aprendiz tiene la capacidad metacognitiva para interpretar lo que refleja. Sin alfabetización cognitiva, el espejo no devuelve reflexión; devuelve confirmación.
El constructo de “metacognición colaborativa con IA” (Collaborative AI Metacognition), propuesto y validado por estudios recientes con 292 usuarios de herramientas de IA (Collaborative AI Literacy Scale, 2025), operacionaliza esta dimensión: la capacidad de monitorear, evaluar y ajustar la propia interacción con sistemas de IA no es una competencia técnica, sino una competencia metacognitiva que depende del nivel de comprensión profunda que el usuario puede desplegar.
Kintsch (2004) muestra que el conocimiento previo es decisivo en este proceso: sin esquemas pertinentes, la comprensión se vuelve frágil o incompleta. Esto conecta directamente con la evidencia de que la IA generativa puede generar “pereza metacognitiva” (Fan et al., 2024): el riesgo no es que la herramienta sea deficiente, sino que su fluencia produzca en el usuario la ilusión de que comprender ya no es necesario.
4.2 Alfabetización digital: más allá del uso instrumental
La segunda dimensión no se agota en usar herramientas, sino que abarca buscar, evaluar, gestionar información, crear contenido, colaborar, resolver problemas y actuar de manera ética y segura en entornos digitales. DigComp 3.0 organiza estas capacidades en cinco áreas y veintiuna competencias, integrando la IA de manera transversal (Vuorikari et al., 2022). Chiu et al. (2024) proponen un marco comprehensivo de alfabetización en IA que integra dimensiones afectivas, conductuales, cognitivas y éticas (ABCE), ampliando la conceptualización más allá de lo instrumental.
Sin embargo, incluso estos marcos —que hoy son de los más robustos disponibles— presentan una limitación compartida: insisten en que la competencia digital no es prescriptiva ni universal, pero no articulan explícitamente la relación entre competencia digital y comprensión textual profunda. Es como si asumieran que la capacidad de construir modelos de situación a partir de textos, datos y respuestas de IA fuera un prerrequisito ya resuelto, cuando la evidencia —como se ha argumentado— muestra que no lo es.
La revisión bibliométrica de Chen et al. (2025), que mapeó 335 artículos sobre alfabetización en IA publicados entre 2014 y 2024, identifica una evolución temática desde la comprensión técnica de algoritmos hacia marcos más amplios que incluyen pensamiento crítico, ética y ciudadanía digital. Pero el análisis también revela una ausencia significativa: la comprensión textual como constructo teórico está prácticamente ausente del campo de la alfabetización en IA. Se habla de evaluar respuestas, pero no de las condiciones cognitivas que hacen posible esa evaluación.
4.3 Alfabetización contextual: situar el sentido
La tercera dimensión es quizás la más desatendida en los marcos internacionales. Comprender un texto, una respuesta de IA o una decisión digital exige saber en qué contexto eso tiene sentido, qué consecuencias produce, qué restricciones existen y qué criterios vuelven pertinente una acción. Esta dimensión es crucial porque el lenguaje nunca opera en vacío. Una misma formulación puede ser aceptable en un chat casual y problemática en un entorno educativo, clínico o institucional. Por eso, la comprensión no se agota en el plano semántico; requiere situar el significado dentro de condiciones sociales, culturales, éticas y profesionales.
Robinson y Hollett (2024), en el número especial de Reading Research Quarterly dedicado a alfabetización en la era de la IA, documentan cómo distintas comunidades —desde jóvenes en Uruguay hasta comunidades ChicanX en Estados Unidos— desarrollan contra-narrativas y literacidades críticas que no se reducen a competencias técnicas, sino que están profundamente situadas en contextos culturales específicos. Esta evidencia refuerza que la alfabetización contextual no es un añadido opcional a la digital, sino una condición de posibilidad para que la comprensión sea transferible y pertinente.
4.4 Articulación: las tres alfabetizaciones como sistema
La relación entre estas tres dimensiones no es secuencial ni jerárquica en sentido rígido, pero sí presenta una dependencia funcional: la alfabetización digital sin alfabetización cognitiva produce uso sin comprensión; la alfabetización cognitiva sin contextual produce comprensión desanclada de consecuencias; y la alfabetización contextual sin cognitiva queda reducida a intuición situacional sin capacidad analítica.
Esta articulación sistémica es lo que distingue la propuesta de este artículo de los marcos que tratan cada dimensión por separado. Mientras que la literatura sobre alfabetización en IA tiende a enfatizar la dimensión digital-instrumental (Chen et al., 2025), y la literatura sobre comprensión lectora se concentra en la dimensión cognitiva sin vincularla explícitamente con entornos digitales, el argumento aquí es que ninguna de estas dimensiones opera de manera aislada en la práctica real de interacción con sistemas inteligentes.
Antes de comenzar
A continuación verás tres casos de personas que usan inteligencia artificial. En cada uno, algo esencial falta. Tu tarea no es juzgar, sino identificar qué dimensión está ausente.
Elige con atención: cada decisión revela cómo entiendes el uso de estas herramientas.
5. Cuando el punto de partida importa: América Latina y el nivel 0
Aquí emerge una tensión especialmente relevante para la región. Muchos marcos internacionales suponen un punto de partida que en América Latina no existe para todos. El modelo latinoamericano de progresión en competencias digitales e IA propuesto por González-Grez et al. (2025) advierte precisamente esta omisión: antes del nivel básico existe para muchos sujetos un nivel 0 de exposición inicial, marcado por acceso incipiente, alfabetización básica y construcción de motivación digital. Este nivel —denominado CD0, Competencia Digital Cero— no solo describe una carencia técnica; nombra una condición de entrada profundamente desigual.
Este hallazgo es decisivo para el tema que aquí se plantea. No todas las personas interactúan desde el mismo prisma lingüístico, porque no todas han construido el mismo repertorio de comprensión, ni las mismas condiciones materiales y culturales para hacerlo. Kintsch (2004) demuestra que lectores con bajo conocimiento previo construyen modelos de situación más frágiles y son más susceptibles a la ilusión de comprensión; en América Latina, esta fragilidad se superpone con brechas de acceso, trayectorias educativas discontinuas y formas de apropiación tecnológica heterogéneas.
De ahí que la alfabetización no pueda pensarse como un paquete universal y homogéneo. El tránsito desde destrezas hacia saberes, habilidades y competencias digitales con IA no es lineal ni idéntico para todos. Mucho menos en territorios donde la diferencia entre el nivel superficial y el modelo de situación —en términos de Kintsch— coincide con diferencias estructurales de capital cultural, lingüístico y educativo.
¿Carencia o potencia no medida?
Este recorrido te invita a pensar el nivel 0 no como “estar atrás”, sino como una condición de entrada desigual, donde también pueden existir creatividad, resiliencia y formas propias de apropiación tecnológica.
Dos personas reciben la misma herramienta de IA
Una tiene conexión estable, formación previa y vocabulario técnico. La otra accede desde un celular compartido, con conectividad limitada, pero resuelve problemas cotidianos con enorme creatividad.
¿Qué debería mirar primero un marco de alfabetización?
Lo que no siempre se mide
En muchos contextos latinoamericanos, la falta de recursos no elimina la inteligencia práctica. A veces la intensifica: se improvisa, se adapta, se comparte, se aprende por necesidad y se crean soluciones con poco.
¿Cuál de estas ideas representa mejor el nivel CD0?
El punto de partida también enseña
Pensar América Latina desde el nivel 0 no significa ubicarla “por debajo” de otros territorios. Significa reconocer que sus trayectorias digitales parten de condiciones materiales, culturales y educativas distintas.
Idea clave: el nivel 0 no debe leerse como déficit puro, sino como una zona de entrada donde conviven desigualdad, creatividad, motivación inicial, saberes comunitarios y formas de resiliencia que muchos estándares no alcanzan a medir.
6. La IA no reemplaza la comprensión: la pone a prueba
La expansión de la IA generativa podría hacernos creer que comprender será menos importante, porque ahora una máquina explica, resume, redacta y propone. Pero la evidencia empírica muestra lo contrario.
La meta-análisis de Ma et al. (2025), que sintetizó estudios sobre el impacto de la IA generativa en resultados de aprendizaje, encontró efectos positivos moderados en rendimiento académico, pero efectos más débiles —y en algunos casos negativos— en pensamiento crítico y metacognición. Darvishi et al. (2024) documentan que la asistencia de IA para procesos metacognitivos y tareas creativas puede crear dependencia, degradando habilidades y socavando la agencia del estudiante. Estos hallazgos confirman que la IA no borra el problema de la alfabetización comprensiva; lo intensifica.
DigComp 3.0 incorpora la competencia en IA de manera explícita e implícita a lo largo del marco, pero mantiene algo esencial: la IA se integra como parte de una competencia digital humana más amplia, no como sustituto del juicio (Vuorikari et al., 2022). De hecho, el propio marco señala que ciertos aspectos siguen siendo inherentemente humanos, vinculados a la elección, las preferencias y el juicio situacional. Sin embargo, esta declaración programática permanece sin operacionalización: ¿cómo se cultiva ese juicio? ¿Desde qué comprensión se ejerce? Es ahí donde el modelo CI aporta la especificidad que falta: el juicio humano frente a la IA requiere un modelo de situación, no solo una base textual.
Un usuario puede producir resultados aceptables con prompts eficaces, pero seguir siendo débil en evaluación crítica, comprensión profunda o transferencia. La pregunta educativa ya no es solo cómo enseñar a usar IA, sino desde qué comprensión del lenguaje y del contexto se la usa.
La IA no reemplaza la comprensión: la desafía
En este recorrido tomarás decisiones frente a respuestas generadas por IA. Tu objetivo no es usar la herramienta más rápido, sino detectar cuándo hace falta juicio, contexto y comprensión profunda.
Reto 1: La respuesta que suena bien
Un estudiante pide a una IA que explique un texto complejo. La IA entrega un resumen claro, ordenado y convincente.
¿Cuál sería la mejor acción del lector?
Reto 2: La dependencia invisible
Una persona usa IA para planificar, escribir, corregir y justificar todas sus tareas. Sus entregas mejoran, pero cada vez le cuesta más explicar por qué tomó ciertas decisiones.
¿Qué riesgo aparece aquí?
Reto 3: Prompt eficaz, comprensión débil
Un usuario sabe pedirle buenos productos a la IA. Obtiene textos aceptables, pero no logra evaluar su calidad, transferir ideas ni detectar errores conceptuales.
¿Qué demuestra este caso?
Resultado de tu entrenamiento
Idea central: la IA puede ayudar a producir mejores respuestas, pero también puede ocultar una comprensión frágil. Por eso, el juicio humano necesita algo más que prompts: necesita interpretación, evaluación crítica, metacognición y modelo de situación.
7. Comprender es también decidir: aterrizajes en la práctica formativa
7.1 La decisión como evidencia de comprensión
Este punto se vuelve más claro cuando observamos la comprensión no solo como un acto interpretativo, sino también como base de decisiones. La toma de decisiones funciona como un escenario donde se hacen visibles competencias cognitivas, metacognitivas, emocionales y sociales (González-Grez, 2025b). La decisión revela qué se comprendió realmente, qué criterios fueron activados, qué sesgos intervinieron y qué capacidad existe para actuar con juicio. En términos del modelo CI, decidir adecuadamente ante una respuesta de IA exige haber construido un modelo de situación que permita evaluar pertinencia, detectar omisiones y anticipar consecuencias.
Comprender un texto o una respuesta de IA no es solo “entenderla”, sino decidir qué hacer con ella: qué creer, qué ajustar, qué descartar y cómo transferirla a una acción situada. Esta conexión entre comprensión y decisión es lo que convierte a la evaluación decisional —entendida como metodología donde se observa cómo el aprendiz toma decisiones fundamentadas ante escenarios complejos— en un indicador más potente de comprensión profunda que la reproducción de contenido.
7.2 Experiencias formativas como terreno de prueba
La articulación teórica que este artículo propone no es puramente especulativa. En el diseño de experiencias formativas mediadas por IA desarrolladas por el autor en contextos de educación superior y formación continua en Chile, Perú y México, las tres alfabetizaciones se manifiestan como condiciones concretas de diseño.
El Learning Experience Canvas (González-Grez, 2025c), utilizado en programas de posgrado en tecnología educativa, opera precisamente como una herramienta que obliga al diseñador a articular simultáneamente la dimensión cognitiva (¿qué comprensión se espera?), la digital (¿qué mediación tecnológica se selecciona y por qué?) y la contextual (¿en qué condiciones institucionales, culturales y profesionales operará esta experiencia?). Sin esa articulación triple, el diseño se reduce a selección de herramientas —una versión sofisticada del instrumentalismo que este artículo critica.
De modo similar, los juegos serios desarrollados en el IFE Living Lab —como Living Cards (González-Grez et al., 2026) y FUTURE DECK (González-Grez & Ruiz-Ramírez, 2025)— utilizan la dinámica de decisión ante escenarios complejos como mecanismo para hacer visible el nivel de comprensión de los participantes. En estos dispositivos, un jugador que opera al nivel de la estructura superficial (reconoce términos, repite definiciones) toma decisiones cualitativamente diferentes de uno que ha construido un modelo de situación (comprende relaciones, anticipa consecuencias, evalúa pertinencia contextual). La decisión en el juego funciona como una prueba de comprensión en sentido kintschiano: no mide qué se recuerda, sino qué modelo de situación se ha construido.
Esta conexión entre teoría de la comprensión y práctica formativa permite ir más allá de la propuesta programática: no solo se argumenta que las tres alfabetizaciones son necesarias, sino que se muestra cómo funcionan —y cómo fallan— cuando se las pone a prueba en contextos reales de aprendizaje.
7.3 La innovación como reconfiguración de decisiones pedagógico-andragógicas
La transformación digital en educación no se resuelve incorporando herramientas, sino reconfigurando decisiones pedagógico-andragógicas que sostienen el acompañamiento del aprendizaje (González-Grez, 2026b). La innovación no se entiende como novedad técnica, sino como capacidad de diseñar, ajustar y justificar experiencias mediadas por tecnologías. Esa formulación se conecta directamente con la tesis de este artículo: el verdadero problema no es el dispositivo, sino el tipo de comprensión y decisión que una persona puede desplegar al interactuar con él.
Cuando un docente decide integrar IA generativa en su práctica, esa decisión solo es genuinamente innovadora si parte de un modelo de situación sobre qué significa aprender en ese contexto, qué comprensión se espera del estudiante y qué condiciones hacen pertinente —o no— la mediación tecnológica seleccionada. Sin ese modelo, la integración de IA es un acto de actualización instrumental, no de innovación pedagógico-andragógica.
Comprender no es repetir.
Es decidir con criterio.
En este laboratorio tomarás una decisión ante una situación mediada por IA. Tu elección mostrará si operas desde la superficie, desde la herramienta o desde un modelo de situación.
Tu decisión será interpretada aquí.
8. Hacia una pedagogía-Andragogía de la comprensión situada
Si se acepta todo lo anterior, la tarea educativa cambia de foco. Ya no basta con enseñar a buscar información o a operar herramientas. Tampoco alcanza con celebrar la producción de textos, presentaciones o prompts. La prioridad pasa a ser una pedagogía de la comprensión situada, capaz de fortalecer el tránsito desde el acceso al sentido, desde la fluencia al juicio, desde la interacción al discernimiento.
Las revisiones sistemáticas recientes sobre IA generativa y lectoescritura académica (Frontiers in Education, 2025) coinciden en que la integración de IA exige un replanteamiento de las prácticas pedagógicas-andragógicas, evaluativas e institucionales, así como el desarrollo de competencias de alfabetización crítica y digital tanto en docentes como en estudiantes. Pero ese replanteamiento requiere especificidad: ¿qué significa, concretamente, formar para la comprensión profunda en un ecosistema donde la IA produce textos de alta coherencia superficial?
Desde el marco aquí propuesto, eso implica al menos cuatro desplazamientos:
Primero, dejar de confundir exposición con aprendizaje. La disponibilidad de respuestas generadas por IA no equivale a comprensión. Kintsch (2004) documenta extensamente que recordar un texto y aprender de él son procesos distintos: el aprendizaje requiere integración con conocimiento previo y construcción de modelo de situación, no mera reproducción.
Segundo, dejar de suponer que todo uso tecnológico expresa competencia. La formulación fluida de un prompt puede operar al nivel de la estructura superficial: el usuario conoce las palabras correctas sin comprender las relaciones conceptuales subyacentes. La Collaborative AI Metacognition Scale (2025) apunta en esta dirección: la competencia en IA no se mide por la eficacia del prompt, sino por la capacidad de monitorear, evaluar y ajustar la interacción en función de objetivos de comprensión.
Tercero, reconocer que la comprensión es desigual, no lineal y profundamente dependiente de contexto. Los marcos universales de competencia digital necesitan articularse con diagnósticos situados que identifiquen los niveles reales de comprensión textual de los participantes, no solo sus habilidades instrumentales.
Cuarto, diseñar procesos formativos donde leer, escribir, dialogar, decidir y revisar críticamente vuelvan a ser actos centrales, ahora en interacción con sistemas inteligentes. El diseño iterativo de experiencias educativas mediadas por datos e IA no requiere solo una propuesta técnica; requiere comprensión del problema, lectura crítica de evidencias, uso estratégico de tecnología e iteración fundamentada.
Del acceso al sentido.
De la fluencia al juicio.
Este recorrido no te pedirá repetir el texto. Te pedirá tomar decisiones sobre cómo formar comprensión profunda en un ecosistema donde la IA produce respuestas convincentes.
Tu recorrido será interpretado aquí.
9. Reflexión final
En la era de la inteligencia artificial, el analfabetismo más peligroso no será no saber usar una herramienta, sino no saber construir significado con el lenguaje que la activa. El acceso importa, pero no alcanza. La interacción lingüística con la IA vuelve visible algo que siempre estuvo ahí: muchas veces las personas usan palabras que aún no comprenden del todo, operan sistemas cuyos supuestos no dominan y producen respuestas cuya pertinencia no pueden evaluar.
Kintsch (2004) mostró que la comprensión profunda depende de la capacidad del lector para ir más allá de la base textual y construir un modelo de situación que integre el texto con el conocimiento previo y el contexto de uso. En la interacción con IA generativa, esa capacidad se vuelve aún más crítica: cuando la máquina produce textos de alta coherencia superficial, solo quien ha construido un modelo de situación propio puede distinguir entre sentido y simulación de sentido.
Frente a ello, el desafío no es retroceder ante la tecnología, sino elevar la exigencia formativa: comprender mejor, leer más profundamente, situar más críticamente y decidir con mayor conciencia. La alfabetización del presente no puede limitarse a lo digital; debe ser, al mismo tiempo, cognitiva, lingüística y contextual. Solo así el lenguaje dejará de ser una superficie de interacción para convertirse en una verdadera herramienta de pensamiento.
El nuevo analfabetismo no será técnico.
Será semántico.
En la era de la inteligencia artificial, el riesgo más profundo no es no saber usar una herramienta, sino no saber construir significado con el lenguaje que la activa. El acceso importa, pero no alcanza.
Lenguaje
La interacción con IA revela que muchas personas usan palabras que aún no comprenden del todo.
Comprensión
Comprender exige ir más allá de la base textual y construir un modelo de situación propio.
Juicio
Cuando la IA produce coherencia superficial, el desafío es distinguir entre sentido y simulación de sentido.
Frente a la IA, el desafío no es retroceder ante la tecnología, sino elevar la exigencia formativa.
Comprender mejor, leer más profundamente, situar más críticamente
y decidir con mayor conciencia.
Solo así el lenguaje deja de ser superficie y se convierte en pensamiento.
25 conceptos para leer el texto con mayor profundidad
Activa el glosario y despliega cada concepto. No está pensado para memorizar definiciones, sino para aclarar ideas complejas que sostienen el argumento central del texto.
Es la idea de que el lenguaje funciona como interfaz principal entre la persona, el conocimiento y la IA. No interactuamos con la IA solo mediante botones: preguntamos, interpretamos, ajustamos y decidimos mediante palabras.
Proceso por el cual el lenguaje permite acceder, transformar y evaluar información. En IA generativa, la calidad de lo que una persona obtiene depende mucho de cómo formula, comprende y revisa sus interacciones lingüísticas.
No es solo leer palabras. Es construir significado a partir de un texto, relacionándolo con conocimientos previos, inferencias y contexto. En el texto, aparece como una condición previa para usar IA con juicio.
Modelo de Kintsch que explica la comprensión como dos movimientos: primero se activan significados posibles y luego se integran los más coherentes. Comprender implica construir e integrar sentido, no copiar información.
Es el nivel más externo del texto: las palabras exactas, frases y formas visibles. Una persona puede repetir términos como “prompt” o “metacognición” sin comprender realmente las relaciones profundas que esos términos implican.
Es el contenido proposicional del texto: lo que el texto dice de manera organizada. Alguien puede reproducir correctamente la base textual y, aun así, no comprender el problema al que el texto se refiere.
Es la representación profunda del mundo, problema o situación que el texto describe. En el artículo, es la clave para distinguir entre repetir información y comprender de verdad.
Es la sensación de claridad que produce un texto bien ordenado, fluido y sin contradicciones visibles. La IA puede producir alta coherencia superficial, pero eso no garantiza que el usuario haya comprendido.
Ocurre cuando una persona cree haber comprendido porque el texto parece claro, pero no ha construido un modelo de situación. Es especialmente riesgosa cuando la IA genera respuestas convincentes.
Tendencia a delegar en la IA procesos que deberían permanecer activos en el usuario: revisar, evaluar, monitorear y ajustar. No es simple flojera; es una reducción del esfuerzo de pensamiento crítico.
Capacidad de observar y regular el propio pensamiento. En este texto, significa preguntarse: ¿entiendo realmente?, ¿qué estoy asumiendo?, ¿qué debo verificar?, ¿por qué acepto esta respuesta?
Actitud activa de revisión frente al significado. Implica no aceptar automáticamente lo que un texto o una IA dicen, sino examinar omisiones, supuestos, incoherencias y consecuencias.
Capacidad de comprender cómo se comprende: construir inferencias, detectar incoherencias, comparar representaciones y distinguir apariencia de comprensión de comprensión efectiva.
No se limita a usar herramientas. Incluye buscar, evaluar, gestionar información, crear contenido, resolver problemas y actuar de manera ética y segura en entornos digitales.
Capacidad de situar el significado: entender en qué contexto algo tiene sentido, qué consecuencias produce y qué criterios vuelven pertinente una acción o una respuesta.
Idea central del texto: la alfabetización cognitiva, digital y contextual no funcionan separadas. Usar IA con sentido exige articular comprensión, dominio tecnológico y lectura del contexto.
Forma limitada de entender la alfabetización en IA como simple manejo de herramientas o formulación de prompts. El texto critica esta visión porque deja fuera comprensión, juicio y contexto.
Nivel previo al básico, marcado por acceso incipiente, alfabetización inicial y construcción de motivación digital. No debe leerse como inferioridad, sino como una condición de entrada desigual.
Reconoce que las personas no comprenden desde el mismo punto de partida. Influyen el conocimiento previo, el capital cultural, las trayectorias educativas, el acceso y el contexto lingüístico.
Capacidad del aprendiz para actuar con criterio propio: decidir, justificar, evaluar y hacerse responsable de su proceso. La dependencia excesiva de IA puede debilitar esta agencia.
Capacidad de decidir qué hacer en una situación concreta. No basta saber que una respuesta es correcta en abstracto; hay que evaluar si es pertinente, ética y útil en ese contexto específico.
Forma de evaluar comprensión observando cómo una persona toma decisiones fundamentadas ante escenarios complejos. Mide menos la memoria y más la calidad del modelo de situación construido.
Enfoque formativo que busca enseñar a comprender en contexto. No se centra solo en contenidos ni herramientas, sino en leer, escribir, dialogar, decidir y revisar críticamente con apoyo de IA.
Desplazamiento clave del texto: pasar de valorar respuestas fluidas, rápidas y bien redactadas a exigir evaluación crítica, pertinencia, conciencia de contexto y capacidad de decisión.
Riesgo central de la era de la IA: no es solo no saber usar herramientas, sino no saber construir significado con el lenguaje que las activa. Es usar palabras, sistemas y respuestas sin comprender su sentido profundo.