Por qué leer este artículo
Porque muestra cuándo la innovación deja de ser un proyecto y se convierte en capacidad institucional
Tres razones para seguir: el artículo conecta evidencia, metodología, equipo, contexto y transferencia en una misma arquitectura de trabajo.
Redefine qué cuenta como evidencia
No basta con medir productos finales. El texto propone observar procesos, decisiones y experiencias para construir inferencias más defendibles sobre cómo se aprende, se actúa y se decide.
Explica por qué un Living Lab es una arquitectura de articulación
Su valor no está en la tecnología aislada, sino en conectar problemas reales, investigación, metodología, datos, actores y transferencia para producir soluciones utilizables.
Convierte proyectos distintos en una gramática común
Aula, práctica docente, XR, desempeño profesional y diseño institucional comparten reglas que permiten acumular conocimiento, reutilizar métodos y transferir lo aprendido.
Una pregunta de partida
Durante años hemos transformado la manera de enseñar. Hablamos de competencias, de aprendizaje activo, de retos y de colaboración. Y sin embargo, cuando llega el momento de saber qué ocurrió, seguimos mirando casi lo mismo de siempre: la respuesta final, el producto entregado, el cuestionario de percepción. Lo que permanece invisible es el proceso mediante el cual las personas piensan, deliberan y deciden mientras aprenden.
En el IFE Living Lab, esa brecha dejó de ser una observación general y se volvió una pregunta de trabajo: ¿qué pasaría si pudiéramos observar las competencias mientras emergen? La formulamos por primera vez en un proyecto de evaluación auténtica y, con el tiempo, terminó ordenando otros que parecían de naturaleza distinta: una metodología de decisión para el ecosistema fintech, un marco para evaluar la experiencia en realidad extendida, una manera de analizar la práctica docente con inteligencia artificial multimodal y un modelo de co-diseño institucional.
Este texto describe el constructo que emerge de ese conjunto. Nace, en parte, de un ejercicio externo: en 2026 varios de estos proyectos fueron sometidos a la evaluación internacional de los QS Reimagine Education Awards, donde tres llegaron a la lista de finalistas. Ese proceso nos obligó a responder con precisión qué es lo nuevo, con qué evidencia y con qué límites. Aquí conservamos esas preguntas y retomamos el reconocimiento al final, por lo que indica sobre el constructo.
El problema: evaluar productos en tiempos de inteligencia artificial
El Modelo Educativo Tec21 organizó la formación del Tecnológico de Monterrey en torno a retos, flexibilidad, una vivencia universitaria memorable y profesores inspiradores, y reconoce la innovación educativa como uno de sus habilitadores (Tecnológico de Monterrey, 2016). Un modelo que educa mediante experiencias de reto exige, por coherencia, evaluar lo que ocurre dentro de esas experiencias y no solo lo que sale de ellas. Ahí está la brecha inicial: formamos en situaciones auténticas, pero con frecuencia evaluamos con instrumentos que solo ven el final.
La literatura reciente sobre evaluación auténtica empuja en la misma dirección. Ajjawi et al. (2024) proponen pasar de la evaluación auténtica como propiedad de la tarea a la autenticidad como cualidad de los procesos en que los estudiantes se involucran. La irrupción de la IA generativa vuelve el asunto urgente: cuando un producto competente puede haber sido generado, total o parcialmente, por un sistema, el producto pierde valor como prueba del juicio de quien lo firma. Dawson et al. (2024) sostienen, ya desde el título de su trabajo, que lo que está en juego es la validez y no solo el fraude. Nikolić y Basta Nikolić (2026), en una propuesta conceptual que aún no reporta validación empírica, plantean desplazar la evaluación desde la calidad del producto hacia el razonamiento, la toma de decisiones y la apropiación del aprendizaje que puedan demostrarse. En paralelo, marcos como el de competencias en IA para estudiantes de la UNESCO (Miao y Shiohira, 2024) colocan una mentalidad centrada en lo humano como primera dimensión de la competencia frente a la IA.
Si esto es así, la pregunta metodológica no es cómo detectar mejor a las máquinas, sino cómo diseñar situaciones en las que el juicio humano deje un rastro interpretable. Esa es la apuesta que atraviesa nuestro trabajo.
El constructo: una arquitectura de evidencia situada
Llamamos arquitectura de evidencia situada al modo de trabajo que comparten estos proyectos. No es un instrumento ni una tecnología, sino una manera de decidir qué se diseña primero. Tiene cuatro rasgos.
El primero es un cambio en la unidad de observación. En lugar del producto o de la percepción, se observa el proceso: la decisión con su argumento, la deliberación con sus revisiones, la experiencia mientras ocurre.
El segundo es que la evidencia se diseña antes de recogerse. Nos apoyamos en el Evidence-Centered Design (Mislevy et al., 2003), que obliga a explicitar qué se quiere inferir (modelo de competencia), en qué situaciones podría manifestarse (modelo de tareas) y qué observaciones lo sustentarían (modelo de evidencia). Sin esa cadena, los datos abundan y las inferencias se debilitan.
El tercero es que la IA cumple un papel declarado y acotado. En algunos proyectos se restringe deliberadamente para que no contamine la evidencia; en otros analiza patrones bajo supervisión humana; en otros procesa material audiovisual sujeto a triangulación con una evaluación experta. En todos, la responsabilidad de interpretar y decidir permanece en las personas.
El cuarto es que la evidencia se acumula en un ecosistema. Cada proyecto deja protocolos, instrumentos y datos reutilizables, y esa acumulación es posible porque existe una plataforma institucional estable que los aloja.
Estos rasgos dialogan con lo que la analítica de aprendizaje multimodal viene planteando: evidencia orientada a la retroalimentación y la reflexión en el aprendizaje colaborativo (Yan et al., 2024), en un campo cuyo crecimiento han documentado los mapeos sistemáticos (Ouhaichi et al., 2023).
El equipo como arquitectura de articulación
Los cuatro rasgos anteriores serían solo intención sin un lugar donde sostenerse. Ese lugar es el IFE Living Lab, plataforma de investigación, desarrollo e innovación aplicada del Instituto para el Futuro de la Educación del Tecnológico de Monterrey. Su función es conectar problemas reales con capacidades científicas, tecnológicas y metodológicas para diseñar, probar, validar y transferir soluciones basadas en evidencia (IFE Living Lab, 2026; IFE Living Lab & Data Hub, s. f.).
Un living lab no es un espacio para mostrar tecnología. Se distingue de un laboratorio convencional porque no separa la investigación de la realidad donde ocurren los problemas: parte de un desafío auténtico, involucra a quienes lo viven, diseña y prueba soluciones en condiciones reales, recoge evidencia, la interpreta y devuelve el aprendizaje a quien debe decidir. Ese recorrido puede resumirse en una cadena: problema real, evidencia, conocimiento, metodología, solución transferible. La producción académica es importante, pero no es el punto final. La madurez aparece cuando la investigación se convierte en decisiones, instrumentos, protocolos, modelos, servicios y capacidades institucionales que otros pueden usar.
El problema que resuelve es menos visible de lo que parece. Las organizaciones suelen tener a la vez problemas reales, tecnologías emergentes, datos, especialistas, usuarios e investigadores, pero cada componente opera por separado. El Living Lab actúa como una arquitectura de articulación: conecta actores, problemas, tecnología, contexto, evidencia y decisiones. Su valor no reside en la sofisticación de los dispositivos, sino en integrar capacidades que normalmente funcionan aisladas.
Una arquitectura de articulación
El valor no está en tener más tecnología, datos o especialistas, sino en conseguir que trabajen como un sistema capaz de producir evidencia para decidir.
Antes
Capacidades que suelen operar por separado
Integra
Resultado
Evidencia accionable
Antes
Capacidades que suelen existir, pero no necesariamente articuladas
Muchas organizaciones ya cuentan con estos elementos. El problema no es su ausencia, sino que suelen funcionar en paralelo y no como parte de una arquitectura común.
Núcleo articulador
IFE Living Lab
El Living Lab no agrega simplemente recursos: los articula mediante una lógica de investigación, desarrollo e innovación aplicada para producir evidencia útil y transferible.
Resultado
Evidencia accionable
La articulación metodológica permite que las capacidades disponibles no se queden en información dispersa, sino que se conviertan en decisiones, productos y capacidades institucionales transferibles.
Los elementos de la vista “Antes” representan capacidades que pueden existir de forma aislada. El IFE Living Lab actúa como núcleo articulador para transformarlas en evidencia accionable y transferencia. Fuente: IFE Living Lab.
Esa integración tiene cinco componentes. La investigación aplicada transforma preguntas en estudios, protocolos, conjuntos de datos y evidencia para decidir. El desarrollo convierte conocimiento en metodologías, instrumentos, juegos serios y modelos predictivos, y en ese plano se ubican Living Cards, SkillTrace y XR-Biometrics. La innovación permite validar tecnologías, co-crear con usuarios y acompañar la adopción. La analítica multimodal integra datos fisiológicos, conductuales, de interacción digital, audio y video, rastreo ocular y EEG, entre otros. Y la transferencia asegura que la evidencia no se quede en un reporte, sino que se convierta en rediseños, rutas de formación, metodologías y decisiones. Todo ello opera a lo largo de un ciclo que va del desafío a la comprensión, el diseño, la co-creación, la experimentación, la evidencia, la interpretación, la decisión y la transferencia, y que trata el contexto real como fuente de evidencia y no como simple escenario de prueba: los usuarios reales introducen comportamientos no previstos, tensiones, errores y adaptaciones que permiten saber no solo si una solución funciona, sino cómo, para quién y bajo qué condiciones.
La infraestructura lo hace posible. El Living Lab opera desde el IFE Experiential Classroom, Expedition-FEMSA, con capacidad para registrar actividad neuronal mediante EEG, rastreo ocular, biomarcadores digitales, audio y video apoyados por IA, realidades extendidas, superficies interactivas, cómputo de alto rendimiento y ciencia de datos. Pero los propios documentos institucionales insisten en que el valor no está en cada dispositivo, sino en integrar fuentes de datos dentro de una arquitectura metodológica coherente. La trayectoria acumulada lo respalda: según el reporte institucional FY26, el Living Lab ha habilitado más de 60 proyectos desde 2021, con más de 90 investigadores y docentes vinculados, más de 35 empresas conectadas y más de 4.500 estudiantes impactados directamente, además de producción científica indexada, metodologías propias y modelos predictivos.
El propio Living Lab entiende su madurez a través de seis indicadores: recursos procurados, producción científica y académica, vinculación multiinstitucional, sinergias con la comunidad universitaria, difusión especializada y transferencia de conocimiento. Por eso su éxito no se mide solo por el número de experimentos realizados, sino por cuánto conocimiento, capacidad y valor se generan y se transfieren.
Una trayectoria acumulada
La madurez de un Living Lab no se observa solo en cuántos experimentos realiza, sino en el conocimiento, las capacidades y las relaciones que consigue acumular y transferir.
Importa lo que permanece.
La trayectoria no es la suma de actividades: es lo que cada proyecto deja disponible para el siguiente.
Fuente: Reporte institucional FY26 del IFE Living Lab, según el documento base.
Detrás de esas cifras hay un equipo, y el diferenciador del Living Lab se formula con él en primer lugar: equipo, metodología, infraestructura, contexto, datos, actores y transferencia. No es un orden casual. Un equipo es lo que convierte un aula instrumentada en método y a un actor externo en socio. La literatura sobre living labs universitarios lo confirma por el lado de las dificultades: Herth et al. (2025), tras examinar seis laboratorios en campus, describen retos de administración, coordinación y gobernanza, además de la dificultad de insertarse en estructuras organizacionales tradicionales y las tensiones entre procesos académicos y operativos. Tercanli y Jongbloed (2022) señalan que estas entidades exigen intensificar la relación con los actores, construir capacidad y adoptar metodologías inter y transdisciplinarias, y piden más investigación sobre los modelos de gobernanza híbrida y los roles de quienes los conducen. Un living lab funciona en la medida en que alguien integra de manera sostenida lo que de otro modo permanecería separado.
Esa integración tiene nombres y roles, y cada uno responde a una etapa distinta del ciclo. Luis Fernando Morán Mirabal lidera el Living Lab y encabeza XR-Biometrics. Jessica Alejandra Ruiz Ramírez coordina la investigación experimental, donde se diseña y se captura la evidencia. Sergio Noé Torres Rodríguez, especialista en experimentación educativa, lleva las soluciones a escenarios reales. Antonio González Grez, quien firma este texto, diseña las arquitecturas metodológicas que convierten un problema real en situaciones observables y en evidencia interpretable, como SkillTrace, la Situated Decision Architecture y el EdTech Model Canvas. Ninguna de estas contribuciones funciona sola: sin diseño no hay evidencia, sin experimentación no hay contexto, sin investigación no hay rigor y sin dirección no hay continuidad.
De un problema real a una solución transferible
La metodología es la bisagra: permite convertir evidencia y conocimiento en algo que puede salir del proyecto que lo originó y ser utilizado por otros.
1 · Comprender y diseñar
Una organización identifica una necesidad, un problema o una oportunidad.
Se analizan contexto, actores, restricciones y antecedentes.
Se construye la arquitectura metodológica para observar, experimentar o validar.
2 · Experimentar y observar
Investigadores, usuarios, organizaciones y especialistas participan en el diseño o revisión.
La solución se prueba en escenarios reales o situados.
Se capturan datos cualitativos, cuantitativos, digitales o multimodales.
3 · Interpretar y transferir
Los datos se convierten en hallazgos y conocimiento.
Se fortalece, modifica, escala, descarta o rediseña la solución.
El aprendizaje se convierte en capacidades, metodologías, publicaciones, productos o formación.
Luis Fernando Morán Mirabal
Lidera el Living Lab y encabeza XR-Biometrics. Su función atraviesa el ciclo y sostiene dirección y continuidad.
Jessica Alejandra Ruiz Ramírez
Coordina la investigación experimental, especialmente la captura y lectura de evidencia.
Sergio Noé Torres Rodríguez
Especialista en experimentación educativa. Lleva las soluciones al escenario real de prueba.
Antonio González Grez
Diseña las arquitecturas metodológicas que convierten los problemas en situaciones observables y evidencia interpretable.
La transferencia no comienza al final: se diseña desde el momento en que decidimos qué observar, cómo producir evidencia y cómo convertirla en método.
Lectura funcional basada en los roles y en el ciclo de nueve etapas descritos en el documento del IFE Living Lab.
El diseño metodológico ocupa un lugar determinante en el ciclo. La tercera etapa consiste en construir una arquitectura para observar, experimentar o validar; sin ella, los dispositivos, los socios y los datos producen información, no evidencia. La cadena que resume al Living Lab lo dice con claridad: entre el conocimiento y la solución transferible se interpone la metodología, y es la metodología lo que permite que un hallazgo salga del proyecto que lo originó y sea usado por otros. Ahí se ubica el núcleo metodológico del laboratorio: la arquitectura de evidencia situada que da coherencia a los proyectos de este artículo y las dinámicas con que cada uno la pone en práctica. SkillTrace lo muestra bien. Convierte un problema real del sector en situaciones capaces de producir evidencia observable, siguiendo una lógica de situación, decisión, evidencia, competencia y perfil, y lo hace con escenarios, dilemas, simulaciones y juego serio que complementan las entrevistas y la consulta experta. Living Cards y la Situated Decision Architecture llevan la misma lógica al aula. Una dinámica de este tipo no es un instrumento accesorio: encierra un modelo de competencia, un modelo de tareas y un modelo de evidencia, y por eso puede trasladarse de un sector a otro sin rehacerse desde cero.
Esa arquitectura se materializa en un portafolio de servicios concretos. La validación EdTech acompaña a empresas y startups que buscan validar sus productos y servicios en entornos de aprendizaje reales y centrados en el usuario. El Experiential Classroom funciona como laboratorio de analítica de aprendizaje multimodal, orientado a estudiar los factores que inciden en la experiencia de docentes y estudiantes en escenarios mediados por tecnología. La AI Learning Academy ofrece cursos y talleres a la medida de instituciones educativas y empresas. Las convocatorias de I+D basadas en tecnología buscan estudiar y abordar desafíos clave de la educación. Y la línea de publicaciones reúne artículos, libros, capítulos e informes derivados de los proyectos. Cada servicio deja productos que sobreviven al proyecto que los originó: conjuntos de datos, modelos de IA, artículos e informes, cursos y talleres, conferencias y seminarios.
De las capacidades a los productos
Cinco capacidades integradas sostienen seis servicios y producen activos que pueden permanecer, acumularse y ser reutilizados más allá de cada proyecto.
5 capacidades
6 servicios
Abre cada servicio para conocer su función.
Validación EdTech
Experiential Classroom
AI Learning Academy
Comunidad STEBE
Convocatorias de I+D
Publicaciones
Productos transferibles
Infraestructura común · IFE Experiential Classroom, Expedition-FEMSA
La infraestructura habilita la captura y análisis de evidencia, pero su valor surge al integrarla dentro de una arquitectura metodológica coherente.
Lo importante no es solo prestar un servicio: es que cada proyecto deje algo que pueda volver a utilizarse.
Fuente: documento base y página institucional del IFE Living Lab.
Sobre esa base se apoyan herramientas metodológicas como el EdTech Model Canvas, que estructura problema, propuesta de valor, usuarios, contexto, validación, evidencia, transferencia y escalabilidad para acompañar iniciativas EdTech.
A ello se suma el semillero STEBE, que amplía la función del laboratorio y responde a una práctica que conviene cambiar. En buena parte de la academia es habitual que los estudiantes participen en los experimentos como sujetos de estudio, casi como ratones de laboratorio, y no como coinvestigadores. En STEBE colaboran en la operación y en los proyectos del Living Lab, y con ello desarrollan capacidades investigativas, competencias digitales y competencias en IA para el mundo que viene. El propósito no es solo producir evidencia sobre tecnologías, sino formar personas capaces de investigar con ellas.
Por eso el equipo puede describirse con la sobriedad que corresponde: es multidisciplinario, distribuye la conducción de los proyectos entre sus integrantes y cuenta con un núcleo metodológico común que hace que lo que produce cada proyecto se acumule en lugar de dispersarse. Cada proyecto deja así activos institucionales (protocolos, instrumentos, datos, publicaciones, redes de confianza), y esa es la diferencia entre colaborar y acumular. Explica por qué los proyectos que siguen no parten de cero: comparten infraestructura, una gramática de evidencia y una manera de trabajar con socios.
Qué aporta una unidad así a cada actor
El Living Lab es el mismo. Lo que cambia es la decisión que cada actor necesita tomar y la evidencia que necesita para hacerlo.
Elige un actor. Antes de revelar la respuesta, intenta anticipar qué valor debería producir el Living Lab.
¿Qué debería permitirle decidir un Living Lab a una institución educativa?
Formula una respuesta mental antes de continuar. No pienses primero en tecnología: piensa en qué necesita comprender para poder mejorar.
Contrastar mi respuesta
Mejorar
Hacer observables experiencias, tecnologías y modelos educativos para decidir qué mantener, qué modificar y qué rediseñar.
¿Qué necesita saber una empresa antes de invertir, adoptar o escalar una solución?
Piensa primero en la incertidumbre que necesita reducir antes de tomar una decisión.
Contrastar mi respuesta
Validar
Reducir incertidumbre mediante evidencia obtenida en condiciones reales antes de priorizar, adoptar o escalar.
¿Qué cambia cuando la investigación deja de ocurrir aislada del contexto real?
Piensa qué capacidades aparecen cuando problemas, actores, infraestructura y datos están conectados.
Contrastar mi respuesta
Investigar
Producir conocimiento conectado con problemas, usuarios y decisiones auténticas, con posibilidades reales de transferencia.
¿Qué cambia si el estudiante deja de ser únicamente sujeto de estudio?
Imagina cuál podría ser su papel dentro de la producción auténtica de conocimiento y evidencia.
Contrastar mi respuesta
Participar
Integrarse en procesos auténticos de investigación, experimentación, innovación y producción de evidencia.
¿Qué necesita observar una organización cuando la tecnología cambia la forma de trabajar?
Piensa en la relación entre personas, decisiones, procesos y tecnología.
Contrastar mi respuesta
Comprender
Observar cómo las personas actúan, deciden y adoptan tecnología dentro de sistemas sociotécnicos reales.
Comprueba si puedes reconstruir el mapa sin volver a leer
Antes de mirar las respuestas, intenta recordar qué verbo corresponde a cada actor.
↓
Mejorar
↓
Validar
↓
Investigar
↓
Participar
↓
Comprender
Los proyectos, uno por uno
Living Cards y la Situated Decision Architecture
Si hubiera que señalar el lugar donde el constructo aparece con mayor nitidez, sería la Situated Decision Architecture (SDA) y su primera implementación, Living Cards.
Living Cards es una experiencia de evaluación de formato analógico-digital. Los participantes responden a escenarios auténticos, deliberan en equipo, hacen visibles sus decisiones mediante materiales físicos y construyen soluciones compartidas. La arquitectura que la sostiene integra cuatro capas: elicitación de decisiones, deliberación colaborativa, gobierno de los límites de la IA y reconstrucción de trazas conductuales. Su evidencia proviene de la convergencia de decisiones, conversaciones, configuraciones físicas y productos finales, y no de una medida aislada.
La decisión de diseño más distintiva concierne a la IA. Un agente conversacional coordina el flujo metodológico y recupera información, pero no puede proponer alternativas, validar elecciones ni puntuar el desempeño. La razón es de validez: si el sistema modela la respuesta, el desempeño resultante puede atribuirse al estudiante cuando en parte es del sistema. Por eso la SDA trata la generación de evidencia y la preservación de la agencia humana como requisitos inseparables, y no como objetivos que se negocian entre sí. Esa lógica se apoya en seis principios que consideramos no negociables (una situación auténtica, decisiones observables, deliberación colaborativa, límites explícitos para la IA, triangulación de evidencia y criterios de interpretación transparentes), mientras que el resto de los componentes puede adaptarse a cada disciplina, institución o modalidad. Es también un diseño pedagógico-andragógico: asume que las personas adultas aprenden al decidir con otras, y hace de esa deliberación el objeto de observación.
Hasta ahora, la arquitectura se ha implementado en cinco contextos presenciales de México, Colombia y Argentina, con 114 participantes organizados en 14 equipos: un curso intensivo de educación superior, una experiencia curricular interdisciplinaria, un congreso académico internacional y sesiones de refinamiento con académicos de dos universidades. En la implementación más documentada se reunieron fotografías, audios, configuraciones de decisión, registros conversacionales y artefactos de los estudiantes, lo que permitió reconstruir trayectorias de razonamiento colaborativo. Los siete proyectos finales posicionaron la IA como una mediación crítica y no como un sustituto del juicio humano; evaluadores independientes les asignaron un promedio de 4,11 sobre 5 y señalaron la claridad del prototipado como necesidad común de desarrollo. Ese hallazgo ilustra el propósito: la evidencia de proceso complementa la evaluación del producto y orienta una retroalimentación más precisa.
Conviene ser explícitos sobre lo que aún no se puede afirmar. Estos resultados no establecen ganancias causales de aprendizaje ni una medición validada de competencias. La siguiente fase examinará la consistencia entre evaluadores, la transferibilidad, la utilidad de la retroalimentación y el desarrollo longitudinal. Su potencial reside justamente en que no depende de las cartas, de un agente concreto ni de la presencialidad: puede instanciarse en formatos físicos, híbridos o digitales, con guías para facilitadores y plantillas de escenarios reutilizables.
TP-AISA: la práctica docente como evidencia
TP-AISA (AI-Assisted Teaching Practice Assessment) traslada la misma lógica a la observación de la enseñanza. Analiza clases grabadas con IA multimodal y produce retroalimentación formativa estructurada. Lo distingue del uso directo de un modelo general para describir un video que cada análisis está acotado a criterios observables y debe señalar la evidencia presente en la sesión; que separa la coincidencia de puntajes de la validez de la justificación; que identifica los criterios que no pueden evaluarse con una sola grabación y se abstiene de concluir sobre ellos; y que se calibra al marco de observación que cada institución haya adoptado. Es formativo y no punitivo: no decide contrataciones, ascensos ni sanciones.
La validación principal analizó 26 clases grabadas, una por docente, de 26 docentes de primaria de 21 escuelas públicas de Wuhan (China), con una evaluación experta local sobre las mismas grabaciones y un piloto previo de cuatro clases. La metodología se implementó sobre Gemini 2.5 Pro mediante Google Vertex AI, aunque no depende de un único modelo. El 92 % de las justificaciones sobre los elementos de la rúbrica se consideró válido frente a la evidencia audiovisual; ese porcentaje mide la validez de la justificación y no la exactitud de los puntajes. Como medida complementaria se usó la divergencia de Jensen-Shannon entre las distribuciones humana y de IA (0,1237). Un rasgo poco frecuente: los criterios difíciles de observar se conservaron en el análisis en lugar de excluirse para inflar el desempeño.
Su potencial de transferencia se orienta a la educación superior y a otros desempeños observables en video, como presentaciones orales o entrevistas clínicas simuladas. Lo pendiente es medir si la retroalimentación cambia la práctica docente y los resultados de los estudiantes, algo que esta primera validación no evalúa.
XR-Biometrics: la experiencia mientras ocurre
El aprendizaje inmersivo enfrenta un problema simétrico. Su evaluación sigue apoyándose en cuestionarios autorreportados aplicados después de la experiencia (Tadayyoni et al., 2024), un método que la investigación sobre presencia describe como sesgado (Saha et al., 2024). La literatura ya exploró señales neurofisiológicas y aprendizaje automático para clasificar la inmersión y la presencia, por ejemplo con electroencefalografía y actividad electrodérmica en escenarios controlados. Su desafío es pasar de la medición de laboratorio a una herramienta de decisión para quien diseña y enseña.
XR-Biometrics, desarrollado en el Living Lab, integra realidad extendida, biosensores portátiles, analítica multimodal e IA para generar indicadores interpretables sobre dimensiones de la experiencia como la encarnación, la inmersión visual, la inmersión auditiva y la percepción temporal. Esas dimensiones dialogan con el modelo cognitivo-afectivo del aprendizaje inmersivo, que sitúa la presencia y la agencia como las dos afordancias psicológicas centrales de la realidad virtual (Makransky y Petersen, 2021). Los indicadores están pensados para educadores, diseñadores instruccionales y desarrolladores, sin exigirles experiencia en análisis de biosenales.
En su desarrollo participaron 54 estudiantes universitarios que interactuaron con 30 aplicaciones educativas y recreativas de realidad virtual y mixta en Meta Quest 3 y Apple Vision Pro, lo que generó más de 56.000 registros multimodales. La validación externa, con la Universidad Técnica Particular de Loja (Ecuador), implementó el marco en una capacitación inmersiva en seguridad ocupacional con otros 53 estudiantes de pregrado. El propio campo reconoce el reto que sigue: una revisión sistemática sobre IA en analítica multimodal advierte escasez de estudios a gran escala en entornos auténticos y una integración limitada con las teorías del aprendizaje (Mohammadi et al., 2025). Nuestro siguiente paso apunta a esa dirección: uso longitudinal dentro del Living Lab, evaluando experiencias a lo largo de los ciclos de diseño y examinando accesibilidad y variabilidad entre estudiantes.
SkillTrace: cómo deciden las personas cuando saber ya no basta
SkillTrace lleva la arquitectura al terreno profesional. Es una metodología híbrida que desarrolla juicio profesional mediante decisiones auténticas y combina co-diseño con el ecosistema, una simulación analógica colaborativa, un juego serio digital individual, Evidence-Centered Design y analítica conductual. Su implementación en el ecosistema fintech de América Latina contó con 28 expertos y líderes que moldearon el marco de competencias, 48 profesionales que participaron en una simulación colaborativa de seis horas con seis rondas de complejidad creciente, y 54 profesionales que generaron 1.232 decisiones válidas en 47 dilemas. Como los participantes no se rastrearon entre fases, reportamos participaciones por fase y no un total único de personas.
El análisis mostró una brecha de entre 42 % y 76 % entre las competencias esperadas y las efectivamente puestas en acción, una relación inversa estadísticamente significativa entre la orientación de negocio y la atención regulatoria (r = -0,27, p < 0,001), tres tensiones estructurales (entre ellas, innovación frente a regulación y automatización frente a juicio humano) y tres arquetipos conductuales independientes del cargo formal: perfiles humanístico-holísticos, guardianes éticos y pragmáticos digitales. Que los arquetipos no coincidan con los títulos del puesto sugiere que el juicio profesional se lee mejor en el patrón de decisiones que en el organigrama.
La IA tuvo un papel de apoyo analítico: procesamiento de lenguaje natural y modelado de tópicos para organizar las entrevistas, y agrupamiento (K-Means) y análisis de componentes principales sobre vectores conductuales normalizados. No tomó decisiones educativas ni laborales. El equipo diseñó el modelo de evidencia, interpretó los resultados y conservó la responsabilidad. El manuscrito científico derivado se encuentra en proceso de publicación. La evidencia actual demuestra valor diagnóstico y reflexivo; las ganancias de aprendizaje longitudinales y los resultados de empleabilidad son la siguiente etapa. Su núcleo, la cadena entre afirmaciones de competencia, tareas auténticas, decisiones observables e inferencias defendibles, es transferible a otros sectores donde se debe integrar juicio técnico, ético y organizacional bajo incertidumbre.
Journey DI en Clave IA: instituciones que aprenden mientras diseñan
El cuarto ámbito es el diseño instruccional. En lugar de capacitar a los diseñadores en metodologías predefinidas por otros, el modelo de co-diseño institucional basado en evidencia les permite crear, validar y hacer evolucionar colectivamente el marco de su propia institución. La IA apoya la exploración de alternativas, el prototipado, la comparación de decisiones y la documentación del aprendizaje, dentro de un proceso conducido por personas. Sus cinco componentes son los retos experienciales, el co-diseño, la reflexión documentada, la validación entre pares y la evidencia de implementación.
Su primera implementación, Journey DI en Clave IA, se desarrolló con Duoc UC en Chile: 48 profesionales de diseño y gestión educativa participaron en una experiencia de 16 horas, con un diagnóstico basado en 14 microcasos situacionales, experimentación con IA, prototipos, reflexión asincrónica y validación entre pares. La evaluación confirmó la solidez del núcleo pedagógico-andragógico y reveló fricciones en la segmentación de participantes, la navegación y el soporte tecnológico, que se incorporaron en un plan de mejora. Que el modelo aprenda de su propia implementación es coherente con lo que propone: transformar el aprendizaje individual en capacidad institucional. Los productos alimentarán los recursos didácticos de la institución socia, y esta primera colaboración entre México y Chile ofrece evidencia inicial de transferibilidad, todavía sin publicar.
Lo que suman juntos
Una misma arquitectura, cinco escalas
Cambian el objeto de observación, el contexto y el papel de la IA. Lo que permanece es la misma lógica: diseñar una situación, producir evidencia y utilizarla para tomar una decisión.
Elige una escala. Antes de abrir la respuesta, intenta anticipar qué debería hacerse observable en ese contexto.
Si queremos comprender cómo aprende un equipo, ¿qué debería hacerse observable además del producto final?
Piensa en las acciones que permiten reconstruir cómo llegó el grupo a una decisión.
Contrastar mi hipótesis
Living Cards · SDA
¿Qué se pierde cuando una experiencia inmersiva solo se evalúa después de haber terminado?
Piensa qué tipo de evidencia permitiría observar la experiencia mientras está ocurriendo.
Contrastar mi hipótesis
XR-Biometrics
¿Qué debería observar un sistema de evaluación docente para no reducir una clase a una puntuación?
Piensa en la diferencia entre asignar un resultado y justificarlo mediante evidencia observable.
Contrastar mi hipótesis
TP-AISA
¿Cómo observar una competencia cuando conocer la respuesta correcta ya no es suficiente?
Piensa qué revela una persona cuando debe decidir bajo incertidumbre.
Contrastar mi hipótesis
SkillTrace
¿Cómo saber si una organización está aprendiendo mientras transforma su propio diseño?
Piensa qué trazas permitirían observar no solo lo que aprende una persona, sino lo que aprende la institución.
Contrastar mi hipótesis
Journey DI en Clave IA
Comprueba si puedes reconstruir las cinco escalas
Antes de mirar, intenta recordar qué proyecto corresponde a cada escala y qué se vuelve observable en cada uno.
Living Cards
↓
Decisiones y argumentos
XR-Biometrics
↓
Experiencia mientras ocurre
TP-AISA
↓
Práctica observable
SkillTrace
↓
Decisiones bajo incertidumbre
Journey DI
↓
Aprendizaje institucional
Cinco proyectos, una misma arquitectura de evidencia
Una lectura comparativa de qué se vuelve observable en cada proyecto, cómo interviene la inteligencia artificial y cuál es el estado actual de la evidencia.
| Proyecto | Qué se vuelve observable | Papel de la IA | Estado de la evidencia |
|---|---|---|---|
| Living Cards (SDA) | Decisiones, argumentos y negociación en equipo |
IA acotada Coordina y recupera información, pero no propone alternativas ni evalúa. |
Exploratoria: 114 participantes, 14 equipos y tres países.
|
| TP-AISA | Práctica docente en clases grabadas |
IA con triangulación Analiza video con supervisión humana y criterio de abstención. |
Validación principal: 26 clases y 92 % de justificaciones válidas.
|
| XR-Biometrics | Experiencia inmersiva mientras ocurre |
IA predictiva Modelos predictivos sobre señales multimodales. |
Desarrollo con 54 estudiantes y validación externa con 53.
|
| SkillTrace | Decisiones profesionales bajo incertidumbre |
IA analítica Apoyo analítico sin decisiones autónomas. |
54 profesionales y 1.232 decisiones; manuscrito en proceso.
|
| Journey DI en Clave IA | Decisiones de diseño instruccional y aprendizaje institucional |
IA habilitadora Favorece exploración y prototipado dentro de un proceso conducido por personas. |
Primera implementación con 48 profesionales y plan de mejora.
|
Vistos por separado, cada proyecto resuelve un problema local. Vistos juntos, dibujan una trayectoria completa: del aula a la tecnología inmersiva, de la práctica docente al desempeño profesional y a la capacidad de las instituciones. Cambian el objeto, la escala y el papel de la IA, pero conservan una misma gramática: diseñar la situación, declarar qué evidencia se busca, limitar la IA, mantener al humano como responsable de interpretar y decidir, y acumular lo aprendido.
De esa coherencia se deriva lo que podría llamarse una huella de trabajo riguroso, entendida sin énfasis. Es la consistencia metodológica entre proyectos que nacieron de preguntas distintas; la honestidad al distinguir lo demostrado de lo pendiente; la trazabilidad de la evidencia; el trabajo en contextos de México, Colombia, Argentina, Ecuador, Chile y China, además del ecosistema fintech latinoamericano; y un equipo que integra, coordina y acumula lo que cada proyecto produce. La rigurosidad no aparece como un adjetivo, sino como una disciplina de diseño repetida en cada caso.
Un reconocimiento externo y lo que sigue
Este trabajo ha pasado por una evaluación externa a escala mundial. En los QS Reimagine Education Awards 2026, cuya conferencia se celebra del 6 al 8 de diciembre en Londres, tres de las siete postulaciones presentadas por el equipo quedaron en la lista de finalistas: The Power of Partnerships, con el IFE Living Lab; AI Innovation in Education, con TP-AISA; y Learning Assessment, con la Situated Decision Architecture. Según los certificados, cada una fue seleccionada entre 2.226 postulaciones y superó cuatro rondas de evaluación a cargo de un panel de 1.634 expertos internacionales en educación superior y EdTech, con reconocimiento a su innovación, su impacto y su escalabilidad.
Tres candidaturas finalistas · QS Reimagine Education 2026
El interés no está solo en el reconocimiento, sino en que tres dimensiones distintas del trabajo fueran legibles dentro de categorías diferentes.
postulaciones presentadas por el equipo quedaron en la lista de finalistas, según lo descrito en el artículo.
Precisión: se trata de candidaturas finalistas, no de premios ganados.
¿Qué parte del trabajo podría representar una categoría centrada en alianzas?
Piensa en aquello que conecta actores, capacidades y problemas reales.
Contrastar mi hipótesis
¿Qué proyecto representa innovación con IA sin delegarle la decisión final?
Piensa en práctica observable, triangulación humana y abstención.
Contrastar mi hipótesis
¿Qué arquitectura convierte decisiones y deliberación en evidencia para evaluar?
Piensa en el proceso, no únicamente en el producto final.
Contrastar mi hipótesis
↓
IFE Living Lab
↓
TP-AISA
↓
SDA
Las tres candidaturas pertenecen a categorías distintas. Que hayan atravesado un mismo escrutinio externo sugiere que ciertos rasgos comunes del trabajo —evidencia diseñada, IA acotada y aprendizaje acumulativo— son reconocibles en contextos diferentes. Esto no sustituye la validación longitudinal que cada proyecto todavía debe desarrollar.
Comprueba tu memoria
Alianzas → Living Lab
IA → TP-AISA
Evaluación → SDA
QS Reimagine Education Awards 2026. Conferencia: 6–8 de diciembre de 2026, Londres. Fuente: certificados de finalista y artículo.
Interesa por lo que indica sobre el constructo, más que por el reconocimiento en sí. Las tres candidaturas pertenecen a categorías distintas (una plataforma de alianzas, un sistema de IA para la práctica docente y una arquitectura de evaluación) y, sin embargo, superaron el mismo escrutinio. Eso sugiere que los rasgos que las unen, es decir, evidencia diseñada antes de recogerse, IA con un papel acotado y aprendizaje que se acumula en un ecosistema, son legibles y defendibles ante evaluadores de contextos muy diversos. Refuerza, además, el argumento central de este texto: estos proyectos no son piezas aisladas, sino expresiones de una misma manera de hacer innovación educativa.
Ese reconocimiento abre una etapa más exigente, y cada proyecto tiene una ruta definida. La Situated Decision Architecture avanzará hacia la consistencia entre evaluadores, la transferibilidad, la utilidad de la retroalimentación y el desarrollo longitudinal. TP-AISA, hacia la validación longitudinal y su transferencia a la educación superior. XR-Biometrics, hacia su uso longitudinal dentro del Living Lab, con atención a la accesibilidad y a la variabilidad entre estudiantes. SkillTrace, hacia mediciones pre y post de reflexión, evidencia de seguimiento y la publicación de su manuscrito. Journey DI en Clave IA, hacia una segunda versión con nuevas cohortes, a partir del plan de mejora de su primera implementación. Aplicamos así al propio trabajo el estándar que el constructo propone: distinguir con claridad lo que la evidencia ya demuestra, que es su viabilidad y su valor diagnóstico y reflexivo, de lo que corresponde demostrar después, que son los efectos longitudinales sobre el aprendizaje.
Hacer visible el proceso amplía, además, las obligaciones. Más trazas no equivalen a más validez: lo decisivo es la calidad de las inferencias (Dawson et al., 2024), y esa calidad exige consentimiento, gobernanza de datos y supervisión humana. Por eso cada proyecto declara qué no hace la IA y qué queda a cargo de las personas, y por eso el desarrollo de la capacidad evaluativa de los propios estudiantes, incluso ante sistemas generativos (Bearman et al., 2024), forma parte de la misma agenda.
La condición para que este conjunto siga siendo una arquitectura y no una colección es que cada nueva pieza herede las reglas: evidencia diseñada, IA acotada y aprendizaje que se acumula. Con estudios longitudinales, replicación por terceros y publicación como siguientes pasos, el reconocimiento recibido es una razón más para sostener ese estándar.
Cierre
Volvemos a la pregunta inicial. Observar las competencias mientras emergen no significa recolectar más datos, sino diseñar situaciones en las que el juicio humano se vuelva visible, discutible y desarrollable, y hacerlo dentro de un ecosistema capaz de sostener esa tarea a lo largo del tiempo. Lo que hemos construido no se mide por el número de proyectos, sino por la posibilidad de que cada uno sea leído, criticado y mejorado con las mismas reglas. Esa, creemos, es una forma sobria de entender la innovación educativa desde el Tecnológico de Monterrey.
Glosario para acompañar la lectura
Conceptos clave de la arquitectura de evidencia
Abre este recurso y explora los términos esenciales del artículo. Cada concepto se despliega con un clic.
Glosario para acompañar la lectura
Conceptos clave de la arquitectura de evidencia
Abre este recurso y explora los términos esenciales del artículo. Cada concepto se despliega con un clic.