Por M. Begoña Arenas Romero
La inteligencia artificial ha entrado en nuestras aulas más rápido de lo que nuestros sistemas educativos pueden adaptarse a ella. El profesorado ya utiliza herramientas de IA para preparar clases, dar retroalimentación y personalizar el aprendizaje — a menudo con entusiasmo, a veces con inquietud, y casi siempre sin un mapa claro de las competencias necesarias para hacerlo bien. Esa brecha fue el punto de partida de mi Trabajo Fin de Máster, desarrollado en el marco del proyecto europeo Erasmus+ AI-UpskillEd (2025-1-ES01-KA220-HED-000355590) y recientemente finalizado dentro del Máster Interuniversitario en Tecnología Educativa: e-Learning y Gestión del Conocimiento.
El problema: entusiasmo sin marco de referencia
La investigación muestra de forma consistente que la IA puede favorecer el aprendizaje personalizado, una evaluación más inteligente y una educación más inclusiva. Pero también advierte de riesgos serios cuando se adopta sin criterios éticos y pedagógicos: sesgo algorítmico, amenazas a la privacidad, pérdida de autonomía docente y desafíos a la integridad académica. Mientras tanto, Europa ha avanzado con decisión en el plano normativo — con el Reglamento de IA (AI Act), el Plan de Acción de Educación Digital y el enfoque europeo de las microcredenciales — pero faltaba una pieza crucial: estándares competenciales específicos que indiquen a docentes y formadores qué necesitan realmente saber, saber hacer y de qué deben responsabilizarse al trabajar con IA.
Mi TFM titulado «Integración ética y pedagógica de la Inteligencia Artificial en la educación: diseño y validación de matrices competenciales en los niveles EQF4 y EQF6» se propuso cerrar esa brecha diseñando y validando dos matrices competenciales para la integración ética y pedagógica de la IA en la educación, alineadas con dos niveles del Marco Europeo de Cualificaciones (EQF):
- EQF4, dirigida a educadores de educación de personas adultas, formación profesional y programas de juventud.
- EQF6, dirigida al profesorado de educación superior.
Ambas matrices se anclan en los marcos de referencia europeos que garantizan la calidad y la transferibilidad: el EQF, DigCompEdu, las credenciales digitales Europass y la Recomendación europea sobre microcredenciales.
El enfoque: construir el marco con los educadores, no para ellos
Una de mis convicciones centrales en este trabajo era que un marco competencial diseñado desde un despacho fracasaría en el aula. Por eso la metodología siguió un enfoque de investigación-acción colaborativa basado en el co-diseño participativo, desarrollado en ciclos iterativos:
- Investigación documental: un análisis en profundidad de trece marcos competenciales internacionales y de las políticas nacionales de los países socios, que realicé como base para un primer borrador de las matrices.
- Grupos focales y talleres de co-diseño: paneles de expertos con profesorado universitario, especialistas en IA y perfiles de política educativa para la matriz EQF6, y tres talleres de co-diseño con 28 profesionales de la educación de adultos, la FP y el trabajo con jóvenes en España, Portugal y Grecia para la matriz EQF4.
- Revisión por pares interna: una revisión estructurada con doce revisores del consorcio del proyecto para asegurar la claridad y la consistencia interna.
- Validación externa con expertos: cuestionarios en línea que combinaban ítems de escala Likert y comentarios abiertos, respondidos por 92 expertos de más de doce países de Europa y América Latina.
El resultado es un par de matrices estructuradas en seis áreas competenciales — alfabetización técnica en IA, ética, pedagogía, evaluación, compromiso, y política y gobernanza — con resultados de aprendizaje calibrados según la complejidad y la responsabilidad esperadas en cada nivel EQF. La diferenciación va más allá de ajustar la dificultad cognitiva: la matriz EQF4 incluye unidades específicas de gamificación y accesibilidad, reflejando las realidades de la educación de adultos y la formación profesional, mientras que la matriz EQF6 aborda competencias de mayor complejidad institucional, como la alfabetización en IA, la política y la gobernanza en la universidad.
Qué nos dijo la validación
Los números fueron alentadores. La matriz EQF4 obtuvo una media compuesta de 4,63 sobre 5 con un 93,5 % de acuerdo, y la matriz EQF6 alcanzó 4,43 sobre 5 con un 89,2 % de acuerdo — ambas por encima de los umbrales de consenso habituales en la validación de instrumentos educativos. Ningún experto utilizó el punto más bajo de la escala en ningún ítem, y las desviaciones típicas fueron consistentemente bajas.
Destacan dos hallazgos cualitativos. Primero, la ética emergió como la columna vertebral de todo el marco: los expertos puntuaron las unidades éticas entre las más altas e insistieron en que la ética debe atravesar transversalmente todas las áreas competenciales, no quedar encerrada en un compartimento aparte. Segundo, los expertos pidieron ejemplos prácticos y específicos por disciplina — escenarios para humanidades, ciencias de la salud o ingeniería — confirmando lo que advierte la literatura: los marcos que permanecen abstractos corren el riesgo de convertirse en referencias nominales sin impacto real en la práctica docente.
Limitaciones honestas, próximos pasos claros
Como toda validación conceptual, este trabajo tiene sus límites. Las matrices han sido validadas por expertos, pero aún no pilotadas con el profesorado que finalmente las utilizará; su diseño deliberadamente transversal necesitará contextualización disciplinar; y su impacto a medio plazo está por medir. Lejos de debilitar los resultados, estas limitaciones definen la hoja de ruta: las próximas fases de AI-UPSKILLED pilotarán el marco en contextos educativos reales y convertirán las matrices en programas formativos y microcredenciales vinculadas a Europass, de modo que las competencias puedan certificarse formalmente y reconocerse en toda Europa.
Por qué importa
La lección más profunda de este trabajo es que sí es posible construir marcos competenciales en IA para el profesorado que sean, a la vez, metodológicamente rigurosos, pedagógicamente fundados, éticamente comprometidos y alineados con las políticas europeas. El sólido consenso alcanzado por un panel internacional exigente y diverso sugiere que estas matrices responden a necesidades reales de la práctica docente, y no a una agenda tecnológica abstracta.
La IA seguirá evolucionando más rápido de lo que cualquier marco puede hacerlo. Pero si queremos que su integración en la educación sea equitativa, centrada en las personas y pedagógicamente sólida, los educadores necesitan algo más que herramientas: necesitan un lenguaje común de competencias. Estas matrices son un primer paso validado hacia ese lenguaje: no una meta, sino un sólido punto de partida.
Esta entrada se basa en el Trabajo Fin de Máster «Integración ética y pedagógica de la Inteligencia Artificial en la educación: diseño y validación de matrices competenciales en los niveles EQF4 y EQF6» (2026), dirigido por la Dra. Mireia Usart y desarrollado en el marco del proyecto Erasmus+ AI-UpskillEd (2025-1-ES01-KA220-HED-000355590).
