Introducción al concepto
El marco GenAI-by-Design, propuesto por Zapata, Tzirides, Cope, Kalantzis y Searsmith (2026), es una propuesta pedagógica diseñada para integrar la inteligencia artificial generativa (IAGen) en la enseñanza y la evaluación universitaria, priorizando el juicio docente, la equidad y la transparencia. A continuación, desarrollo su concepto, fundamentación académica y ejemplos concretos.
Concepto y alcance
El objetivo central de GenAI-by-Design es ofrecer un modelo replicable para que el profesorado universitario no adopte la IAGen de forma acrítica, sino que la utilice como un recurso de andamiaje pedagógico. Su alcance comprende tanto la práctica de aula (la mediación pedagógica) como el diseño de evaluaciones, asegurando que la tecnología no sea un atajo, sino una herramienta para desarrollar competencias profundas.
Fundamentos académicos
El marco se asienta sobre dos pilares teóricos principales:
- Pedagogía Learning by Design: Desarrollada por Kalantzis y Cope desde la tradición de las multialfabetizaciones (New London Group, 1996), esta teoría concibe el aprendizaje como un proceso de diseño deliberado. Se estructura a través de «procesos de conocimiento» (knowledge processes): experimentar, conceptualizar, analizar y aplicar. GenAI-by-Design adopta esta lógica para estructurar la progresión del aprendizaje.
- Marco de competencias en IA de la UNESCO: Elaborado por Miao y Shiohira (2024), este marco define las competencias necesarias para comprender, usar y evaluar críticamente sistemas de IA. La convergencia entre este marco y Learning by Design permite operacionalizar la enseñanza de competencias en IA a través de los procesos de conocimiento mencionados.
Además, el marco se apoya en evidencia empírica que indica que, si bien el alumnado suele preferir la retroalimentación humana, su percepción cambia positivamente cuando se implementa un sistema de IA «calibrado» y explícitamente integrado en el diseño del curso, en lugar de utilizarse como un sustituto opaco del docente.
Ejemplos concretos de implementación
Basado en las recomendaciones del informe, se pueden aplicar los siguientes ejemplos:
- Retroalimentación formativa calibrada: En lugar de utilizar IAGen para reemplazar la corrección del profesor, el docente puede configurar un sistema de IA para ofrecer una primera capa de retroalimentación formativa sobre un borrador estudiantil. Luego, el proceso culmina con una revisión humana. Esto integra la IAGen como un andamiaje transparente que respeta la agencia del docente y del estudiante.
- Diseño de evaluación basado en «Procesos de Conocimiento»: En una evaluación, en lugar de solicitar un ensayo estándar donde la IAGen pueda generar un «atajo», se puede diseñar una tarea de múltiples pasos:
- Conceptualizar: Pedir a los estudiantes que definan conceptos clave mediante fuentes académicas.
- Analizar: Utilizar la IAGen para generar argumentos sobre el tema y pedir a los estudiantes que analicen críticamente la validez y los sesgos de esos argumentos generados.
- Aplicar: Solicitar que apliquen los resultados a un problema situado específico, garantizando que el estudiante mantenga el control del proceso.
- Integración de alfabetización en IA: Incorporar actividades donde los estudiantes deban evaluar si una respuesta generada por IA cumple con los criterios de competencia definidos por el marco de la UNESCO. Esto convierte a la IA en el objeto de estudio, desarrollando pensamiento crítico en lugar de un uso pasivo de la herramienta.
Introducción y propósito del informe: GenAI-by-Design: a theoretically grounded, research-informed pedagogical framework for classroom practice and assessment in higher education
Este informe sintetiza la bibliografía académica relevante para comprender y aplicar el marco pedagógico GenAI-by-Design, propuesto por Zapata, Tzirides, Cope, Kalantzis y Searsmith (2026) en la revista Pedagogy, Culture & Society. El objetivo es ofrecer a los docentes de nivel superior una guía fundamentada teóricamente, contextualizada en la investigación empírica disponible, para integrar la inteligencia artificial generativa (IAGen) en la práctica de aula y en el diseño de evaluaciones. Cabe aclarar que el artículo original se encuentra bajo acceso restringido (paywall); este informe se basa en el resumen y los metadatos disponibles públicamente, complementados con literatura académica de acceso abierto y bases indexadas (Google Académico) que permiten reconstruir el marco teórico y empírico en el que se inserta la propuesta.
El artículo de referencia: datos bibliográficos
Zapata, G. C., Tzirides, A. O. (Olnancy), Cope, B., Kalantzis, M., y Searsmith, D. (2026). GenAI-by-Design: a theoretically grounded, research-informed pedagogical framework for classroom practice and assessment in higher education. Pedagogy, Culture & Society. https://doi.org/10.1080/14681366.2026.2667388
Según su resumen, el trabajo presenta un marco denominado GenAI-by-Design para integrar la IAGen en la enseñanza y la evaluación universitaria. Se apoya en dos pilares teóricos —la pedagogía Learning by Design y el marco de competencias en IA para estudiantes de la UNESCO— y se nutre de estudios de métodos mixtos realizados en programas de posgrado en educación en Estados Unidos, centrados en las posibilidades y límites de la IAGen para ofrecer retroalimentación formativa junto con comentarios humanos.
Los hallazgos iniciales indicaron una preferencia marcada del alumnado por la retroalimentación humana, preferencia que se modificó tras implementar un sistema de IA calibrado: tanto estudiantes como docentes llegaron a valorar la IAGen como una fuente legítima de retroalimentación formativa, y se observó además un desarrollo de la alfabetización en IA y del pensamiento crítico frente a estas herramientas.
Fundamentos teóricos del marco
La pedagogía Learning by Design y las multialfabetizaciones
El primer pilar teórico proviene de la tradición pedagógica desarrollada por Mary Kalantzis y Bill Cope desde comienzos de los años dos mil, enraizada en el proyecto de las multialfabetizaciones (New London Group, 1996) y sistematizada en Learning by Design (Kalantzis y Cope, 2005).
Esta pedagogía concibe el aprendizaje como un proceso de diseño consciente y deliberado, articulado en torno a lo que los autores llaman «procesos de conocimiento» (knowledge processes): experimentar, conceptualizar, analizar y aplicar, en secuencias que combinan lo situado, lo conceptual, lo crítico y lo transformador (Kalantzis y Cope, 2010).
Zapata (2022) ha extendido esta pedagogía al campo de la enseñanza de segundas lenguas, mostrando su versatilidad para estructurar progresiones de competencia en distintos dominios disciplinares.
Es significativo que la propia Zapata sea coautora del artículo sobre GenAI-by-Design, lo que sugiere una continuidad deliberada entre su trabajo previo sobre diseño pedagógico y la nueva propuesta orientada a la IAGen.
Cope y Kalantzis (2023) han revisado recientemente el proyecto de las multialfabetizaciones bajo el prisma de la justicia educativa, subrayando la necesidad de equilibrar la práctica situada con la reflexión crítica, un equilibrio que resuena con el énfasis del nuevo marco en la agencia humana y la equidad.
El marco de competencias en IA para estudiantes de la UNESCO
El segundo pilar es el documento de la UNESCO AI competency framework for students, elaborado por Miao y Shiohira (2024), que define de manera progresiva las competencias que el estudiantado necesita para comprender, usar y evaluar críticamente sistemas de inteligencia artificial. Este marco ha sido adoptado y estudiado en múltiples contextos:
Articulación con el modelo pedagógico CARE-KNOW-DO en experiencias de aprendizaje abierto.
Análisis de los retos y oportunidades de implementación institucional.
Diagnósticos de los niveles de competencia en IA entre estudiantes universitarios y de posgrado en distintos países.
La convergencia entre este marco de competencias y la pedagogía Learning by Design es lo que, según el resumen del artículo, permite a GenAI-by-Design operacionalizar la progresión de competencias en IA a través de procesos de conocimiento escalonados.
Evidencia empírica sobre retroalimentación formativa con IA generativa
El componente empírico del marco se apoya en estudios de métodos mixtos sobre retroalimentación formativa asistida por IAGen, un área que ha crecido de forma notable en la literatura reciente.
Se han comparado las percepciones estudiantiles sobre la utilidad y la fiabilidad de la retroalimentación generada por IA frente a la del profesorado, encontrando diferencias relevantes en la confianza depositada en cada fuente.
Se han documentado sesgos sistemáticos del estudiantado hacia la retroalimentación humana frente a la generada por IA, incluso cuando el contenido es equivalente, lo que confirma el hallazgo inicial respecto a la preferencia inicial por la retroalimentación humana.
En una revisión sistemática, se advierte sobre el riesgo de que el entusiasmo tecnológico supere al alineamiento pedagógico si la implementación no está guiada por principios didácticos sólidos, precisamente el problema que GenAI-by-Design busca resolver mediante un sistema de IA calibrado y explícitamente integrado en la pedagogía del curso.
Alfabetización en IA e integridad académica
La literatura reciente sobre evaluación en la era de la IAGen converge en que el diseño de la evaluación, y no solo la detección de su uso indebido, es la vía más sostenible para preservar la integridad académica.
- Repensar el diseño de exámenes y las políticas éticas de IA en la educación superior.
- Revisar sistemáticamente estrategias para rediseñar la evaluación en entornos infundidos de IA
- Proponer un marco teórico que articule alfabetización en IA, rediseño evaluativo y aprendizaje profundo como ejes complementarios.
- Situar estas discusiones dentro de un panorama más amplio de integridad pedagógica y de integración de políticas institucionales.
Todo esto respalda la propuesta de implementar GenAI-by-Design como una evaluación formativa, en la que la IAGen no sustituye el juicio docente sino que lo complementa dentro de un proceso transparente de construcción de competencias.
Equidad, transparencia y agencia humana
Un componente distintivo del marco es su insistencia en salvaguardar la equidad, la transparencia y la agencia humana dentro de los ecosistemas de aprendizaje asistidos por IA. Esta preocupación se enmarca en un debate más amplio de la literatura: Mahajan (2026) discute si la educación superior impulsada por IA debe estar gobernada por lógicas humanas o algorítmicas, proponiendo un marco ético que privilegie la rendición de cuentas y la confianza institucional.
Alfaleh (2026) realiza una revisión sistemática sobre evaluación sostenible impulsada por IA, centrada en equidad, transparencia, innovación pedagógica y gobernanza.
Nandhlal y Kabanda (2026) examinan las implicaciones de gobernanza necesarias para sostener la agencia humana en contextos universitarios mediados por IA.
Estos aportes sugieren que el énfasis de GenAI-by-Design en la ética, el diálogo, la inclusión y el estudiantado como centro del proceso no es una declaración retórica aislada, sino que se corresponde con una corriente consolidada de investigación sobre gobernanza responsable de la IA en la educación superior.
Recomendaciones prácticas para la docencia universitaria
A partir de la síntesis anterior, conviene destacar algunas orientaciones para el profesorado que desee aplicar principios afines a GenAI-by-Design en su propia práctica.
En primer lugar, resulta razonable introducir la IAGen de manera progresiva y calibrada dentro de los procesos de retroalimentación, dado que la evidencia muestra que la aceptación estudiantil mejora cuando el sistema se integra de forma explícita y transparente, y no como un sustituto opaco del juicio docente.
En segundo lugar, es aconsejable estructurar la progresión de competencias en IA siguiendo marcos de referencia contrastados, como el de la UNESCO, en lugar de improvisar criterios ad hoc.
En tercer lugar, el diseño de la evaluación debería priorizar tareas que exijan procesos de conocimiento situados, conceptuales, analíticos y aplicados, siguiendo la lógica de Learning by Design, de modo que la IAGen se convierta en un recurso de andamiaje y no en un atajo que eluda el aprendizaje.
Finalmente, cualquier implementación institucional debe cuidar explícitamente la equidad de acceso, la transparencia sobre el uso de la IA y la preservación de la agencia del estudiantado y del profesorado como principios no negociables.
Estructuras de prompts
Para implementar el marco GenAI-by-Design, los prompts deben ser diseñados no para generar resultados finales, sino para operar como un andamiaje que sostenga los «procesos de conocimiento» (experimentar, conceptualizar, analizar, aplicar) y preserve la agencia del estudiante y el juicio docente.
A continuación, presento las estructuras de prompts para los tres casos de uso clave definidos en el informe:
1. Retroalimentación Formativa Calibrada.
El objetivo es que la IA actúe como un primer nivel de retroalimentación que el estudiante debe procesar, no como un editor final.
Estructura del prompt:«Actúa como un tutor de redacción académica. Tu tarea es proporcionar retroalimentación formativa sobre el siguiente borrador de ensayo [insertar texto del estudiante].
Tus instrucciones de diseño:
- Analiza el texto basándote exclusivamente en esta rúbrica: [insertar criterios de evaluación].
- NO reescribas el ensayo.
- Identifica dos fortalezas argumentativas y dos áreas de mejora (coherencia o evidencia).
- Al final, formula una pregunta reflexiva que me obligue a mí, como estudiante, a reconsiderar un punto débil de mi argumento.
- Explícame brevemente el razonamiento pedagógico detrás de tus sugerencias.»
2. Diseño de Evaluación basado en «Procesos de Conocimiento»
Este prompt guía al estudiante a través de una secuencia pedagógica deliberada, evitando que la IA realice la tarea completa de forma automática.1
Estructura del prompt:«Estamos desarrollando un proceso de aprendizaje sobre [Tema]. Vamos a trabajar paso a paso. No avances a la siguiente etapa hasta que yo valide la anterior.
Paso 1 (Conceptualizar): Ayúdame a definir los tres pilares teóricos de [Tema] basándote en estos textos fuente [adjuntar fuentes].
Paso 2 (Analizar): Una vez definidos, genera un argumento sólido a favor y uno en contra sobre [Problema relacionado con el tema]. Analiza qué sesgos cognitivos podrían estar presentes en cada postura.
Paso 3 (Aplicar): Basado en los pasos anteriores, propone una solución para [Caso práctico]. Tu propuesta debe explicar el ‘porqué’ y cómo se conecta con los pilares teóricos del Paso 1.»
3. Integración de Alfabetización en IA (Evaluación Crítica)
Este prompt convierte a la IA en el objeto de estudio, alineándose con el marco de competencias de la UNESCO.
Estructura del prompt:«Actúa como un analista experto en integridad académica. He generado el siguiente texto mediante una IA sobre [Tema]: [insertar texto generado por la IA].
Tu tarea:
- Evalúa la precisión factual del texto frente a estas fuentes bibliográficas: [insertar fuentes].
- Detecta si el texto presenta ‘alucinaciones’ o generalizaciones excesivas.
- Identifica los criterios de competencia en IA (según UNESCO) que esta respuesta parece cumplir o ignorar (ej. evaluación crítica, comprensión del funcionamiento del sistema).
- Escribe un informe breve de 200 palabras explicando cómo un usuario inexperto podría ser engañado por este texto y qué pasos debería seguir para verificar su validez.»
Recomendaciones para la calibración
Para mantener la agencia humana y la transparencia que exige el marco GenAI-by-Design, asegúrese de que siempre:1
- Solicite justificaciones: Incluya en sus prompts la instrucción: «Explica por qué sugieres este cambio». Esto mantiene al docente o al estudiante en el bucle de razonamiento.
- Restrinja el alcance: Limite la capacidad de la IA de generar contenido creativo libre; exija siempre que el sistema referencie las fuentes proporcionadas por usted o por el programa del curso.
- Promueva la reflexión: Un prompt exitoso en este marco debe terminar con una pregunta dirigida al estudiante, nunca con una conclusión cerrada.
Conclusiones
El marco GenAI-by-Design se inserta en una confluencia sólida y creciente de investigación académica: por un lado, la tradición pedagógica de Learning by Design y las multialfabetizaciones, con más de dos décadas de desarrollo teórico y aplicado; por otro, el marco de competencias en IA de la UNESCO, que ofrece una hoja de ruta internacionalmente reconocida; y, finalmente, un cuerpo emergente pero ya sustancial de estudios empíricos sobre retroalimentación formativa, alfabetización en IA e integridad académica en la educación superior. Para el profesorado universitario, este marco ofrece un modelo replicable: no se trata de adoptar la IAGen de forma acrítica, sino de diseñar pedagógicamente, calibrar con evidencia y someterla a los mismos estándares éticos de equidad, transparencia y agencia humana que deben regir cualquier innovación educativa.
Puedes seguir mis publicaciones y contactarme por DM en LinkedIn
Referencias bibliográficas
Adamakis, M., y Rachiotis, T. (2025). Artificial intelligence in higher education: A state-of-the-art overview of pedagogical integrity, artificial intelligence literacy, and policy integration. Encyclopedia.
Alfaleh, M. (2026). Sustainable AI-driven assessment in higher education: A systematic review of fairness, transparency, pedagogical innovation, and governance. Sustainability.
Çallı, E., y Er, E. (2026). When technological momentum overshadows pedagogical alignment: A systematic review of AI-generated formative feedback in higher education. Assessment & Evaluation in Higher Education.
Cope, B., y Kalantzis, M. (2015). The things you do to know: An introduction to the pedagogy of multiliteracies. En A pedagogy of multiliteracies: Learning by design. Springer.
Cope, B., y Kalantzis, M. (2023). Towards education justice: The multiliteracies project revisited. En Multiliteracies in international educational contexts. Routledge.
Evangelista, E. D. L. (2025). Ensuring academic integrity in the age of ChatGPT: Rethinking exam design, assessment strategies, and ethical AI policies in higher education. Contemporary Educational Technology.
Henderson, M., Bearman, M., Chung, J., et al. (2025). Comparing generative AI and teacher feedback: Student perceptions of usefulness and trustworthiness. Assessment & Evaluation in Higher Education.
Jin, F. J. Y., Maheshi, B., Lai, W., y Li, Y. (2025). Students’ perceptions of generative AI–powered learning analytics in the feedback process: A feedback literacy perspective. Journal of Learning Analytics.
Kalantzis, M., y Cope, B. (2005). Learning by design. Common Ground.
Kalantzis, M., y Cope, B. (2010). The teacher as designer: Pedagogy in the new media age. E-Learning and Digital Media, 7(3).
Kong, Y., Xu, X., Bai, S., y Lin, C. (2025). AI competency in Chinese postgraduates through the UNESCO framework. En Actas de la Conferencia Internacional sobre Inteligencia Artificial.
Mahajan, P. (2026). What is ethical: AIHED driving humans or human-driven AIHED? A conceptual framework enabling the ‘ethos’ of AI-driven higher education. Journal of Experimental & Theoretical Artificial Intelligence.
Miao, F., y Shiohira, K. (2024). AI competency framework for students. UNESCO.
Mutawa, A. M., y Sruthi, S. (2025). UNESCO’s AI competency framework: Challenges and opportunities in educational settings. En Impacts of generative AI on the future of education. IGI Global.
Mutize, E., Mthombeni, A., et al. (2026). Rethinking assessment in the age of generative AI: A theoretical framework for academic integrity, deep learning, and responsible AI use in higher education. Journal of Educational Research and Studies.
Nandhlal, K., y Kabanda, G. (2026). Sustaining human agency in AI-supported higher education: Governance implications for sustainable cities. Frontiers in Sustainable Cities.
Nazaretsky, T., Mejía-Domenzain, P., Swamy, V., et al. (2024). AI or human? Evaluating student feedback perceptions in higher education. En Actas de la Conferencia Europea sobre Aprendizaje Potenciado por Tecnología. Springer.
Nazaretsky, T., Mejía-Domenzain, P., et al. (2026). Who gives feedback matters: Student biases towards human and AI-generated formative feedback. Journal of Computer Assisted Learning.
Ncube, P. D. N., Dzvapatsva, G. P., Matobobo, C., y Ranga, M. M. (2026). Redefining student assessment in AI-infused learning environments: A systematic review of challenges and strategies for academic integrity. AI and Ethics.
Okada, A., Sherborne, T., Panselinas, G., et al. (2025). Fostering transversal skills through open schooling supported by the CARE-KNOW-DO pedagogical model and the UNESCO AI competencies framework. International Journal of Artificial Intelligence in Education.
Satapathy, D., Nanda, S. B., y Jena, S. (2026). AI competency of higher education students of Odisha, India: An UNESCO framework analysis. Asian Research Journal of Education.
Wang, J., Hong, W. C. H., Xu, X., Zhang, Y. F., y Yin, Y. (2026). Exploring AI competency in Chinese undergraduates through the UNESCO framework. Acta Psychologica.
Zapata, G. C. (2022). Learning by design and second language teaching: Theory, research, and practice. Routledge.
Zapata, G. C., Tzirides, A. O. (Olnancy), Cope, B., Kalantzis, M., y Searsmith, D. (2026). GenAI-by-Design: A theoretically grounded, research-informed pedagogical framework for classroom practice and assessment in higher education. Pedagogy, Culture & Society. https://doi.org/10.1080/14681366.2026.2667388
