Un profesor de evaluación de proyectos plantea a su grupo el caso de una panadería de barrio: el horno rentado cuesta 6 000 pesos al mes y uno nuevo, 180 000. ¿Conviene comprar? Cada equipo entrega una recomendación con su planilla. Lo que el profesor revisa es la honestidad de los supuestos (cuántas piezas venden al día, qué pasa en diciembre, cuánto durará el horno), más que la elegancia de las planillas. La IA puede correr escenarios y señalar qué variable pesa más; asumir el riesgo de la recomendación es trabajo del equipo.
Qué es y para qué sirve#
Un análisis económico estructura una decisión cuantificando flujos, costos y beneficios bajo criterios estándar (VPN, TIR, payback, costo-beneficio). Lo que el estudiante aprende: a elegir la métrica con razones (payback si al dueño le importa recuperar pronto; VPN si compara opciones a cinco años), a hacer un análisis de sensibilidad y a escribir los supuestos que sostienen su conclusión.
Dónde entra la IA en este tipo de trabajo: verifica que las métricas sean las adecuadas, identifica variables críticas en el análisis de sensibilidad (por ejemplo, que el precio de la harina pese más que la tasa de descuento) y pone a prueba los supuestos que sostienen la conclusión. Los cálculos y la recomendación los hace el estudiante.
Taxonomía de Bloom y progresión de prompts#
Nivel dominante 5 — Evaluar (la prueba de los supuestos y la decisión justificada). Para ti, la tabla es un banco de prompts: copia el de la fase en la que tu grupo se atasca (casi siempre la de supuestos, cuando presentan una sola corrida como conclusión) y sustituye los corchetes por tu caso.
Desliza horizontalmente para consultar todas las columnas.
| Nivel de la taxonomía de Bloom | Movimiento del análisis | Qué hace el estudiante | Prompt sugerido |
|---|---|---|---|
| 3 — Aplicar | Selección de métricas | Identifica las métricas estándar pertinentes al caso | “Voy a hacer un análisis económico de [proyecto/decisión]. ¿Qué métricas son estándar (VPN, TIR, payback, costo-beneficio) y cuáles aplican a este caso?” |
| 4 — Analizar | Sensibilidad | Identifica variables cuyos cambios pequeños alteran la decisión | “Tengo este escenario base: [datos clave]. ¿Qué variables tienen mayor impacto si cambian un ±10 %? No me des los nuevos números; sólo identifica las variables críticas.” |
| 5 — Evaluar (dominante) | Prueba de supuestos | Hace explícitos los supuestos que sostienen la conclusión | “He concluido que la opción A es preferible bajo [criterios]. ¿En qué supuestos descansa mi conclusión y qué cambio en esos supuestos invertiría la decisión?” |
Competencias que desarrolla#
- Profesionales — toma de decisiones bajo incertidumbre, justificación cuantitativa, comunicación financiera.
- Cognitivas — análisis sistémico, identificación de supuestos implícitos, juicio sobre umbrales de decisión.
Secuencia de la actividad (proceso → producto)#
Fase 1 — Métricas y datos
Encuadre
Selección de métricas según el tipo de decisión y reunión de datos de entrada verificables.Fase 2 — Escenario base
Cálculo propio
Cálculo del escenario base por el estudiante (planilla, software).Fase 3 — Sensibilidad
Robustez
Identificación con IA de variables críticas y construcción de escenarios optimista/pesimista por el estudiante.Fase 4 — Supuestos y decisión
Honestidad
Listado explícito de supuestos y prueba con IA: qué cambio en cada supuesto invertiría la decisión.
Qué entrega el estudiante además de la recomendación#
Riesgo medio de sustitución de autoría: las planillas pueden generarse, pero los datos de entrada (una cotización real del horno) y la lista de supuestos son lo que más te dice de su trabajo:
Desliza horizontalmente para consultar todas las columnas.
| Evidencia | Estado | Forma concreta |
|---|---|---|
| Bitácora del diálogo con IA | obligatoria | Registro breve por fase: qué se pidió, qué se aceptó o descartó y qué se comprobó; no la conversación completa |
| Planilla con cálculos propios | obligatoria | Archivo nativo, no sólo capturas |
| Datos de entrada verificables | obligatoria | Fuentes citadas (cotizaciones, índices, tarifas), no generadas por IA |
| Análisis de sensibilidad documentado | obligatoria | Tabla o gráfico mostrando impacto de cambios |
| Lista explícita de supuestos | obligatoria | Cada supuesto nombrado |
| Anotaciones de validación | obligatoria | Qué variables críticas aceptó/rechazó |
| Bitácora metacognitiva | recomendada | Qué aprendió sobre decisiones cuantitativas |
| Declaración de uso de IA | obligatoria | Modelo, contexto y propósito |
Cómo se evalúa (rúbrica de proceso)#
Con esta rúbrica revisas la bitácora, la planilla y la lista de supuestos, no sólo la recomendación; ajusta los pesos a tu curso (por ejemplo, más peso a «metacognición» si quieres que expliquen qué supuesto les costó más nombrar):
Desliza horizontalmente para consultar todas las columnas.
| Criterio | N1 Inicial | N2 En desarrollo | N3 Competente | N4 Avanzado | Peso |
|---|---|---|---|---|---|
| Pertinencia del prompt | Vago | Relación parcial | Claro y adecuado | Pertinente y estratégico | 10% |
| Nivel cognitivo del prompt | Pide la conclusión | Algo de análisis | Análisis y evaluación | Pensamiento crítico — IA como crítico de supuestos | 15% |
| Uso crítico de la respuesta | Acepta sin cuestionar | Cuestiona poco | Contrasta y analiza | Evalúa y reformula con argumento | 20% |
| Integración en el trabajo | Copia | Uso limitado | Integra y adapta | Transforma; el análisis es propio | 20% |
| Iteración del prompt | No ajusta | Ajustes mínimos | Mejora prompts | Itera estratégicamente | 10% |
| Metacognición | No reflexiona | Reflexión superficial | Explica su aprendizaje | Analiza supuestos y umbrales de decisión | 15% |
| Uso ético | Inadecuado | Básico | Adecuado | Crítico y consciente | 10% |
Riesgos y salvaguardas#
- Datos inventados. La IA sugiere cifras sin fuente. Salvaguarda: cada dato de entrada con fuente verificable.
- Supuestos invisibles. El estudiante decide sin nombrar lo que está asumiendo. Salvaguarda: lista explícita obligatoria.
- Análisis sin sensibilidad. Una sola corrida presentada como conclusiva. Salvaguarda: sensibilidad obligatoria con identificación de umbrales de decisión.
- Confusión de unidades o tasas. Errores en escalas temporales o monetarias. Salvaguarda: revisión cruzada manual de unidades antes de la conclusión.
Asignatura de ejemplo#
Economía, administración, ingeniería industrial, evaluación de proyectos, finanzas aplicadas.
Ejemplos y enlaces#
- Trabajo cercano: Proyecto con IA — el análisis económico como soporte de viabilidad.
- Trabajo cercano: Modelado matemático con IA — base cuantitativa con análisis de sensibilidad análogo.
- Trabajo cercano: Gestión industrial con IA — decisiones operativas.