“Quizás estamos construyendo una cerca muy sólida alrededor del jardín, pero descuidando regar las plantas”. — Vincent Liardi, Pearson
La metáfora procede del DEC Executive Briefing #018: The Next Era of Assessment, una conversación entre Vincent Liardi y Daniel A. Bielik publicada por el Digital Education Council en julio de 2025. La fuente propone desplazar parte de la atención desde la detección del uso de IA hacia el diseño de evaluaciones que permitan observar decisiones, revisión y aprendizaje.
Procedencia y alcance de la fuente#
Esta es una perspectiva institucional, no es un estudio de eficacia. El artículo del DEC resume una conversación con un representante de Pearson; no presenta muestra, comparación de grupos ni resultados de aprendizaje. El DEC y Pearson habían anunciado una alianza estratégica el 23 de abril de 2025 y desarrollaron conjuntamente The Next Era of Assessment. Esa relación no invalida el argumento, pero debe conocerse al valorar sus recomendaciones.
Las citas de Liardi que aparecen en esta página provienen del artículo del DEC y se ofrecen en traducción al español. Las tablas, condiciones de uso y propuestas para revisar una evaluación forman parte de la lectura editorial del sitio.
Lo que sostiene Liardi#
Liardi cuestiona que la respuesta institucional se concentre en detectar o impedir el uso de IA. Su metáfora distingue la protección del perímetro, la “cerca”, del desarrollo de las capacidades que la evaluación pretende observar, las “plantas”. En sus términos, la discusión debe incluir cómo preparar al estudiantado para contextos de trabajo donde estas herramientas estarán disponibles.
“La pregunta para mí no es sobre integridad académica, sino sobre cómo podemos prosperar en un mundo aumentado por la IA”.
— Vincent Liardi, traducción del sitio
El argumento también favorece una diversidad de formatos. Portafolios de proceso, conversaciones orales, proyectos reflexivos y evaluación entre pares pueden mostrar aspectos distintos del trabajo. La fuente no demuestra que uno de estos formatos mejore por sí solo el aprendizaje; propone ampliar el repertorio y examinar qué permite observar cada método.
Liardi advierte además que el acceso desigual puede agravar diferencias entre estudiantes. Permitir una herramienta sin garantizar condiciones comparables, o prohibirla sin considerar sus usos reales, produce problemas distintos que una política de evaluación debe hacer visibles.
Lectura editorial del sitio: del producto aislado al proceso revisable#
La propuesta puede traducirse en una decisión más acotada: conservar la entrega final y acompañarla con rastros proporcionados de las decisiones que importan. No hace falta registrar cada interacción. Conviene pedir únicamente aquello que permita reconstruir cómo la persona definió el problema, qué verificó, qué descartó y por qué sostuvo la versión final.
Versión vertical adaptada para pantalla estrecha.
Aprendizaje Digital e IA (UDGPlus), Universidad de Guadalajara CC BY-SA 4.0
Material editorial del proyecto; no constituye un dictamen institucional.
Descripción textual del diagrama
Mirar solo el producto final permite conocer el resultado, pero puede ocultar quién tomó las decisiones y cómo se comprobaron las respuestas. Añadir una muestra del recorrido —qué se preguntó, qué se descartó, qué se transformó y por qué— ayuda a comprender el aprendizaje sin intentar adivinar si se usó IA:
Desliza horizontalmente para consultar todas las columnas.
| Muestra posible | Qué permite comprender | Qué no exige |
|---|---|---|
| Versiones sucesivas. | Qué cambió entre una versión y otra, y qué provocó el cambio. | Entregar todo el historial de trabajo. |
| Nota sobre una decisión. | Qué se aceptó, corrigió o descartó, y por qué. | Compartir la conversación completa con la herramienta. |
| Conversación breve. | Una elección explicada por la propia persona. | Un interrogatorio ni una sospecha previa. |
| Criterios explícitos. | Qué se observará y con qué juicio se valorará. | Vigilancia: anuncia el juicio en lugar de perseguir la falta. |
Las cuatro muestras pueden adaptarse a cada disciplina. Una muestra breve puede explicar una decisión importante; no hace falta guardar cada clic ni toda la conversación con la herramienta.
Condiciones para usar IA en retroalimentación#
La posibilidad de generar comentarios rápidos no convierte una herramienta en evaluador. Antes de usar IA para retroalimentar trabajos, el equipo docente debe definir qué datos pueden procesarse, evitar información personal o confidencial y comprobar las reglas institucionales de privacidad. También debe prever una alternativa para quienes no tengan el mismo acceso a la herramienta.
La persona docente conserva la responsabilidad de revisar la pertinencia de los comentarios, corregir errores y explicar qué parte influyó en una calificación. La revisión humana es indispensable cuando la respuesta de la herramienta puede afectar oportunidades, resultados o trato entre estudiantes. La IA puede preparar observaciones iniciales; no debe tomar por sí sola una decisión de evaluación.
Fuentes y atribución
- Digital Education Council. (7 de julio de 2025). “Watering the Plants, Not Just Building Fences”: Rethinking Assessment in the AI Era. Resumen del Executive Briefing #018 con Vincent Liardi y Daniel A. Bielik.
- Digital Education Council. (23 de abril de 2025). Digital Education Council Announce Strategic Partnership with Pearson to Shape the Future of Global Higher Education.
- Digital Education Council y Pearson. (2025). The Next Era of Assessment: A Global Review of AI in Assessment Design.