El caso y sus resultados que se desarrollan a continuación son un ejemplo didáctico ficticio para adaptar al curso.
En un taller de proyectos, un equipo de tres estudiantes entrega una propuesta de ocho páginas para reducir el desperdicio de alimentos en la cafetería del centro. La docente ya la leyó; en la defensa pregunta otra cosa: por qué perdió la app de porciones que el equipo quería al principio. El equipo responde con una matriz fechada en la semana 4. Un proyecto es la cadena de decisiones que produjo la propuesta del último día: qué problema atacar, qué alternativas considerar, con qué criterios elegir (costo, plazo, permisos) y contra qué realidad validar. La IA puede ampliar el horizonte de opciones y presionar la justificación; decidir es lo que le queda al equipo.
La propuesta es la punta; el proyecto es la cadena#
Cuando un curso trabaja por proyectos, el documento final —el plan, el prototipo conceptual, la propuesta de intervención— es solo la parte visible. Debajo hay una cadena: alguien delimitó un problema entre muchos posibles, generó alternativas, definió criterios (costo, plazo, permisos), eligió una opción considerando lo que dejaba fuera y examinó sus condiciones de realización. Si el curso se limita al diseño, distingue lo comprobado de lo que sólo podrá observarse durante una ejecución posterior. Esa cadena es el aprendizaje que el aprendizaje basado en proyectos quiere formar: gestionar restricciones, decidir con criterios explícitos («cabe en ocho semanas», «no requiere a la concesionaria») y responder por la decisión. El análisis de casos puede preparar esas decisiones a partir de un caso ya documentado. Esta actividad de proyecto desarrolla una propuesta propia; construirla, ponerla en práctica y evaluar sus efectos requiere un alcance y unas condiciones adicionales.
Aquí está el problema con la IA, y también su oportunidad. Un modelo generativo produce en minutos una propuesta completa y verosímil: objetivos, cronograma, presupuesto estimado, hasta análisis de riesgos. Verosímil no es viable: esa propuesta no ha tocado ninguna restricción real del contexto, y sobre todo no contiene ninguna decisión del equipo. Los entregables pueden parecer completos, pero la justificación pudo generarse después de decidir, o sin decidir nada.
Para utilizarla en la actividad, la IA funciona como una contraparte que examina alternativas: pone sobre la mesa alternativas que el equipo no había considerado, cuestiona criterios («¿con qué instrumento van a medir el impacto?»), busca huecos en la viabilidad. Cada aporte es material para una decisión que el equipo toma y documenta. La taxonomía de Bloom permite describir acciones de este encargo, como analizar alternativas o evaluar criterios. El proyecto no tiene un nivel fijo por su nombre; la demanda depende de las decisiones y evidencias solicitadas.
Encuadrar, divergir, decidir, validar#
La cadena se trabaja en cuatro momentos. Son cuatro tipos de decisión distintos, más que trámites en fila, y cada uno deja una pieza diferente (un encuadre fechado, un registro de descartes, una matriz, una constancia de validación).
1. Encuadrar
El problema y sus restricciones
El equipo delimita el problema, la población afectada, los entregables y —lo decisivo— las restricciones: tiempo, presupuesto, permisos, acceso. La IA ayuda a no olvidar componentes típicos del tipo de proyecto, pero las restricciones salen del contexto real, no del modelo. El encuadre se escribe y se fecha: todo lo que sigue se juzga contra él.2. Divergir
Alternativas genuinamente distintas
Generación de al menos tres alternativas de enfoque diferente —no tres variantes de la misma idea—. Aquí la IA rinde más: amplía el rango con enfoques técnicos, organizativos o sociales que el equipo no tenía a la vista. El equipo descarta con razones («rebasa el presupuesto», «requiere a la concesionaria») y las registra.3. Decidir
La matriz antes que la justificación
El equipo define criterios pertinentes al encuadre (costo dentro del tope, implementable en ocho semanas), los aplica a las alternativas en una matriz y elige. La matriz se fecha antes de redactar la justificación para conservar un registro de la comparación y poder revisar la relación entre criterios y decisión. La IA puede poblar ventajas y desventajas; no vota.4. Validar
Contra la realidad, no contra el modelo
La propuesta elegida se confronta con información verificable disponible para el curso: datos con fuente, documentos o consultas acordadas con personas pertinentes. La IA plantea qué puede fallar y qué supuesto no está demostrado. El equipo comprueba fuera del sistema lo que está a su alcance y señala cómo examinaría lo pendiente; una llamada o una prueba todavía planeada no se registra como realizada.
Ocho semanas contra el desperdicio: un equipo de ejemplo#
Así se ve la cadena en un caso concreto. En un taller de proyectos, Renata, Marco y Sofía reciben estas instrucciones de la actividad:
Diseñen una propuesta viable para reducir el desperdicio de alimentos en la cafetería del centro universitario. Tienen ocho semanas, un presupuesto de implementación máximo de $10,000 MXN y ningún poder de mando sobre la concesionaria. Entregarán la propuesta, su matriz de decisión fechada y una bitácora breve de decisiones.
Momento 1 · El encuadre les corrige la ambición. La primera conversación del equipo apunta a «rediseñar el sistema de alimentación del campus». El encuadre —escrito, con las restricciones enfrente— los baja a tierra: ocho semanas, sin autoridad sobre la concesionaria, presupuesto mínimo. Preguntan a la IA qué componentes suele tener un proyecto de reducción de desperdicio; de la lista de doce, seis quedan fuera por restricción y lo anotan. El problema queda delimitado: reducir el desperdicio de charolas servidas y no consumidas en el turno de comida.
Momento 2 · Divergir más allá de la primera idea. El equipo traía una idea favorita —una app para pedir porciones ajustadas— y ese es el riesgo típico: racionalizar la ocurrencia inicial. Piden a la IA alternativas de enfoque distinto y obtienen ocho; descartan cinco por chocar con el encuadre (composta institucional: requiere a la concesionaria; sensores de peso: rebasa el presupuesto) y se quedan con tres genuinamente diferentes: la app de porciones (tecnológica), un convenio con un banco de alimentos para el excedente (organizativa) y una campaña de cambio de hábitos con medición semanal (social). En la bitácora queda constancia de que dos de las tres no eran suyas al empezar.
Momento 3 · La matriz decide antes que el corazón. Definen cuatro criterios anclados al encuadre (costo dentro del tope, implementable en ocho semanas, no requiere autoridad sobre la concesionaria, impacto medible). Piden a la IA ventajas y desventajas de cada alternativa frente a esos criterios, sin pedirle un ganador («no elijas ni ordenes»), y completan la matriz. En el caso, las condiciones proporcionadas indican que su favorita, la app, no cabe en el plazo de desarrollo y adopción disponible. Fechan la matriz y eligen la campaña con medición, incorporando del convenio una versión mínima: contacto inicial con el banco de alimentos como línea futura. La justificación se redacta después de la matriz, y se nota: cita celdas, no entusiasmo.
Momento 4 · La realidad opina. Piden a la IA actuar como revisora escéptica de la propuesta; de sus objeciones, dos sobreviven al filtro del equipo: «¿cómo medirán el desperdicio sin cooperación de la cafetería?» y «¿qué pasa en semana de exámenes, cuando cambia el flujo?». Ninguna se responde con el modelo. Marco consigue una reunión de quince minutos con el administrador de la cafetería —que acepta un conteo visual de charolas en la zona de retorno— y Sofía delimita la comparación a semanas de actividad habitual y anota que no describirá periodos de exámenes. La propuesta final documenta ambos ajustes y los acuerdos del ejercicio; todavía no aporta resultados de la campaña.
La entrega. Propuesta de ocho páginas, encuadre fechado de la semana 1, matriz de decisión fechada de la semana 4, bitácora con seis decisiones documentadas y declaración de uso de IA. En la defensa, la docente no pregunta por la propuesta —esa ya la leyó—: pregunta por qué perdió la app. El equipo responde con la matriz.
La matriz de decisión y la evidencia que la sostiene#
Comparar alternativas ayuda a conocer cómo se llegó al resultado. La matriz no decide por el equipo: hace visibles criterios, datos y supuestos. Fechar versiones ayuda a situar el proceso, pero una fecha no demuestra por sí sola que la justificación se elaboró con rigor.
Desliza horizontalmente para consultar todas las columnas.
| Evidencia propuesta | Qué permite comprender |
|---|---|
| Encuadre con restricciones | Contra qué se juzgan las decisiones posteriores. |
| Alternativas y descartes | Qué posibilidades se consideraron y con qué razones se seleccionaron. |
| Matriz con datos y supuestos | Cómo se compararon opciones y qué información falta comprobar. |
| Una decisión revisada | Qué objeción o prueba permitió justificar mantener o cambiar la propuesta. |
| Comprobación externa o plan para realizarla | Qué condición se verificó y cuáles siguen pendientes. |
La entrega se ajusta al alcance del curso. En equipos, cada integrante explica su contribución y su relación con el conjunto; no se confunde repartir tareas con compartir todas las decisiones.
Preguntas que amplían sin decidir#
Los prompts de este tipo de trabajo comparten una regla: la IA diverge, cuestiona y puebla matrices; el equipo converge y decide. No hay prompt que pida «la mejor opción».
Momento 1 · Completar el encuadre sin inflarlo
Estamos encuadrando un proyecto de [tipo] sobre [problema] con estas restricciones: [tiempo, presupuesto, permisos, acceso]. No propongas soluciones todavía. Dinos qué componentes o preguntas suele incluir el encuadre de un proyecto de este tipo y cuáles de nuestras restricciones te parecen incompletas o ambiguas. Nosotros decidiremos el alcance.
Momento 2 · Divergir de la idea favorita
Nuestro problema encuadrado es: [encuadre resumido]. Ya tenemos una alternativa de tipo [enfoque]. Propón alternativas de enfoque genuinamente distinto —técnico, organizativo, social, normativo—, una línea cada una, sin desarrollarlas ni recomendar ninguna. Señala para cada una qué restricción nuestra podría descartarla, y nosotros haremos el descarte.
Momento 3 · Poblar la matriz sin votar
Estas son nuestras alternativas finalistas: [lista]. Estos son nuestros criterios, derivados del encuadre: [criterios, por ejemplo «cabe en el presupuesto»]. Para cada celda de la matriz, indica ventajas y desventajas con el dato o supuesto que las sostiene. No elijas ni ordenes las alternativas: la decisión y su justificación son nuestras.
Momento 4 · Buscar los puntos de quiebre
Actúa como revisora escéptica de esta propuesta: [propuesta resumida]. Identifica los supuestos que, de ser falsos, la harían inviable, y clasifícalos: cuáles podríamos comprobar con un documento, cuáles con datos y cuáles hablando con un actor real. No redactes soluciones: nosotros haremos las comprobaciones y decidiremos los ajustes.
Revisar alternativas y viabilidad#
Una propuesta generada puede parecer completa sin responder a restricciones reales. El equipo examina sus decisiones con versiones, fuentes y pruebas pertinentes; esos registros ayudan a comprender el proceso, no constituyen un detector infalible de autoría.
Las instrucciones de esta actividad piden enfoques distintos para evitar tres versiones cosméticas de una favorita. Tampoco se obliga a rechazar la favorita si sigue siendo la mejor sustentada: la comparación debe poder mostrar ventajas, costos e incertidumbres de cualquier opción.
La viabilidad requiere comprobaciones externas cuando la información lo exige. Si todavía no hay acceso a una fuente, persona o recurso necesario, el equipo declara el supuesto pendiente y diseña cómo examinarlo. No lo presenta como acuerdo conseguido ni como efecto observado. Lo que excede el alcance se conserva como posibilidad futura, sin prometer su ejecución.
Evaluación de la propuesta y de las decisiones#
El docente valora producto y proceso según el aprendizaje acordado. Puede pedir una defensa breve de una decisión, contrastada con la matriz y la evidencia. La cantidad de alternativas o de conversaciones con IA no reemplaza el análisis de sus diferencias.
Desliza horizontalmente para consultar todas las columnas.
| Criterio | Evidencia suficiente | Por revisar |
|---|---|---|
| Encuadre | Problema, población, recursos y restricciones son explícitos. | El objetivo crece sin atender las condiciones del curso. |
| Alternativas | Se comparan enfoques pertinentes y se justifican descartes. | Variaciones cosméticas hacen ganar siempre la misma opción. |
| Criterios de decisión | Cada criterio responde al problema y se aplica de manera comparable. | La matriz se rellena con ventajas sin respaldo. |
| Viabilidad | Se distingue condición comprobada de supuesto pendiente. | La respuesta de la IA se trata como autorización o validación real. |
| Coherencia y revisión | La propuesta integra una objeción pertinente y puede defenderse con evidencia. | Se oculta una dificultad para mantener la idea inicial. |
Tres literacidades y seis formas de trabajo con IA#
La literacidad operativa aparece al expresar restricciones y pedir alternativas comparables. La crítica se practica al revisar si las ventajas tienen respaldo y si un supuesto exige comprobación. La co-creación puede desarrollarse cuando el equipo integra aportes en una propuesta, dirige las revisiones y responde por su viabilidad. La IA puede contribuir a cualquiera de estos momentos sin tomar compromisos por las personas.
Desliza horizontalmente para consultar todas las columnas.
| Forma de trabajo | Aplicación y evidencia |
|---|---|
| Exploración | Ampliar opciones frente al problema y justificar enfoques que conviene estudiar. |
| Apoyo | Pedir una revisión acotada del encuadre o de una dependencia del plan. |
| Análisis | Comparar alternativas y reconocer celdas de la matriz que dependen de datos ausentes. |
| Interlocución crítica | Cuestionar un supuesto decisivo y explicar cómo se respondería a la objeción. |
| Cocreación y capacidad crítica | Elaborar una opción revisada con aportes de IA y comprobar sus condiciones. |
| Transformación | Replantear una práctica y comparar su funcionamiento con un punto de partida. |
No forman una escalera. En el ejemplo, obtener permiso para observar charolas permite preparar una medición; todavía no demuestra que una campaña reduzca desperdicio. La transformación requeriría una referencia inicial, acciones realizadas, una comparación posterior y límites del indicador. Un conteo visual de charolas no equivale por sí mismo a medir masa de alimentos ni permite atribuir cualquier cambio a la campaña.
Una justificación suficiente distingue estos estados y explica qué dato modificaría la decisión. «La propuesta es innovadora» o «la IA confirmó su impacto» no resuelve la pregunta. Si se comparan semanas habituales, se declara esa condición y no se generaliza a periodos de exámenes o demanda distinta.
Preparar la actividad con IA y adaptar sus condiciones#
Prompt docente: «Diseña una actividad de proyecto para [grupo y aprendizaje] con [tiempo, recursos y restricciones]. Incluye alternativas, criterios de decisión y una comprobación acotada. Distingue propuesta y ejecución, supuesto y acuerdo confirmado. Propón una entrega que permita revisar decisiones, sin exigir acceso a actores externos cuando no esté disponible. Incluye opción sin IA y formatos accesibles».
El docente revisa que el caso admita opciones defendibles y que cualquier contacto o ejecución real corresponda a los acuerdos del curso. Los prompts anteriores acompañan al estudiante; sus respuestas se contrastan con fuentes y condiciones, no se usan como autorización para actuar.
En ingeniería pueden compararse soluciones de diseño; en ciencias sociales, acciones ante un problema documentado; en artes, formas de producción y difusión. Cambian criterios y recursos. Sin IA, otros equipos formulan alternativas y objeciones. Las matrices se entregan como tablas textuales accesibles y la defensa puede combinar comunicación oral, escrita u otros apoyos acordados. El plan de acción desarrolla la coordinación posterior y la propuesta de intervención profundiza en la relación entre problema y efecto esperado.
Para seguir#
- El análisis de casos ejercita la misma lógica de alternativas y criterios sin construir la solución: funciona bien como preparación.
- El prototipo es la opción para construir y probar un aspecto de la solución cuando el propósito lo requiere; no es una etapa obligatoria de cualquier proyecto.
- La plantilla del Laboratorio ABP con IA lleva esta secuencia a un diseño de curso completo.
- La lógica de valorar decisiones y no solo entregables se desarrolla en evaluación formativa con IA.