Gran parte de la adopción temprana de la inteligencia artificial (IA) en educación ha situado a los estudiantes en un rol pasivo: preguntar, recibir, usar. Sin embargo, la investigación en aprendizaje profundo y pensamiento crítico muestra que el aprendizaje significativo ocurre cuando los estudiantes detectan inconsistencias, evalúan evidencia y justifican correcciones, no cuando simplemente consumen información bien presentada. La simulación con errores intencionales invierte la lógica habitual: la IA no es una fuente, sino un objeto de análisis (y siempre debería serlo).

Hernán Carvallo, docente y fundador de la plataforma IA para Educar, iniciativa orientada a fortalecer las competencias de los profesores en el uso pedagógico de la inteligencia artificial.

La simulación con errores intencionales invierte la lógica habitual: la IA no es una fuente, sino un objeto de análisis (y siempre debería ser así).

En esta dinámica, la IA simula un personaje histórico, un científico, un narrador o un “experto” disciplinar, pero el docente introduce explícitamente la consigna de que el texto contiene errores. El objetivo no es “pillar a la IA”, sino entrenar capacidades humanas clave: identificar supuestos incorrectos, contrastarlos con conocimiento previo, justificar por qué algo es erróneo y proponer una corrección fundada.

Fundamento cognitivo y pedagógico

Esta estrategia se apoya en al menos tres líneas robustas de investigación educativa.

Primero, la literatura sobre aprendizaje por conflicto cognitivo muestra que la detección de errores activa procesos metacognitivos más profundos que la simple exposición a información correcta. Cuando los estudiantes deben explicar por qué algo está mal, se ven obligados a explicitar modelos mentales y confrontarlos con evidencia.

Segundo, estudios sobre desirable difficulties indican que tareas que requieren esfuerzo cognitivo adicional –como evaluar y corregir errores– generan aprendizajes más duraderos. La IA, al producir errores plausibles y verosímiles, ofrece un terreno ideal para este tipo de dificultad productiva.

Tercero, desde la alfabetización digital y mediática, múltiples autores advierten que el problema contemporáneo no es la falta de información, sino la incapacidad para evaluar su fiabilidad. Entrenar a los estudiantes para “auditar” o revisar a una IA es, en la práctica, prepararlos para analizar cualquier fuente.

Diseño de la actividad “Detecta  los errores del experto”

La fortaleza de este enfoque radica en su simplicidad y transferibilidad. La actividad puede estructurarse en cuatro pasos claros.

Primero, el docente solicita a la IA una simulación específica, por ejemplo: “Simula que eres un historiador romano explicando las causas de la caída del Imperio romano que vive en el siglo V d. C.” o “Simula a un biólogo moderno explicando la fotosíntesis bajo el mar”. El prompt puede incluir explícitamente la instrucción de introducir tres errores conceptuales, históricos o científicos.

Segundo, los estudiantes trabajan individualmente o en grupo para identificar los errores. Aquí es clave exigir justificación: no basta con decir “esto está mal”, sino explicar por qué lo está y qué evidencia lo demuestra. Pueden analizar el diálogo entre el profesor y el modelo de lenguaje o revisar el material por escrito.

Tercero, los estudiantes proponen una versión corregida del fragmento, explicitando qué cambiarían y por qué. Este paso es crucial para evitar que la actividad se reduzca a una caza superficial de errores.

Cuarto, se cierra con una reflexión metacognitiva: qué hizo que el texto pareciera creíble, qué señales ayudaron a detectar errores y qué criterios permiten considerar una fuente como más o menos fiable.

Relación con políticas de uso responsable de la IA

Este enfoque es coherente con las recomendaciones emergentes sobre el uso ético y pedagógico de esta herramienta en educación. Diversos marcos institucionales subrayan que los estudiantes deben aprender a evaluar, verificar y asumir responsabilidad por los outputs de la IA, en lugar de delegarles el juicio epistémico. La simulación con errores intencionales operacionaliza estas recomendaciones en una práctica concreta de aula.

Además, investigaciones recientes sobre human-in-the-loop AI destacan que el valor educativo de la IA aumenta cuando el humano mantiene un rol activo de supervisión y validación. Aquí, la auditoría no es un añadido posterior, sino el núcleo de la actividad.

Riesgos y malas implementaciones

Conviene ser explícitos: esta estrategia puede fallar si se implementa mal. Si los errores son triviales o caricaturescos, los estudiantes no desarrollan criterios sofisticados. Si no se exige justificación, la actividad se convierte en un juego superficial. 

Y además, si el docente no contextualiza el propósito de cada actividad, existe el riesgo de reforzar la idea equivocada de que “la IA siempre se equivoca”, en lugar de enseñar que puede ser útil, pero nunca infalible.

Por ello, el rol del docente es central: seleccionar el nivel de dificultad adecuado, modelar el tipo de razonamiento esperado y conectar la actividad con criterios disciplinares claros.

La simulación inteligente con errores intencionales no es una actividad “creativa” más ni un truco para hacer la clase entretenida. 

Se trata de una estrategia pedagógica profundamente alineada con lo que hoy necesitamos formar: estudiantes capaces de ejercer juicio, detectar errores plausibles y asumir responsabilidad epistémica en un entorno saturado de información generada por máquinas.

Lejos de competir con la IA, esta práctica utiliza esta nueva herramienta tecnológica  como un espejo que revela lo que sigue siendo irremplazable: el pensamiento crítico. 

De hecho, si la educación no enseña a revisar, corregir y justificar, entonces la inteligencia artificial no será un asistente pedagógico, sino un “atajo cognitivo”. Y queremos exactamente lo contrario.