La IA ya hace bien muchas tareas del diseño instruccional: analizar datos, redactar objetivos, estructurar contenido, generar preguntas. Lo que no hace sola es decidir qué importa, sostener el criterio y pedir lo difícil. Aquí va qué dicen las pruebas y los estudios recientes, una tabla para repartir el trabajo entre la IA y tú, y el briefing mínimo que uso para que lo que sale sea un curso y no un documento con preguntas.
La primera versión que me montó Copilot de mi skill para pasar de PDF a SCORM no tenía ni una gota de diseño instruccional.
Traducía, maquetaba, ponía preguntas y empaquetaba. Y el resultado parecía un curso.
Rápido y vacío.
Lo conté en el post de PDF a SCORM con Copilot. Lo que no conté allí es la pregunta que me dejó: si la IA hace todo eso tan rápido, ¿qué parte del diseño instruccional sigue siendo nuestra?
¿Qué hace bien la IA en diseño instruccional?
Bastante.
Philippa Hardman puso a prueba a cuatro modelos con diez tareas de diseño instruccional en una aseguradora inventada, con datos y errores escondidos. Los dos mejores rindieron a nivel de diseñador experimentado o experto en nueve de las diez. Uno de ellos detectó que el problema de un equipo no era de formación, sino de una actualización de software. Eso es diagnóstico del bueno.
Y en la práctica diaria se usa sobre todo al principio del proceso. Un estudio con 70 diseñadores instruccionales encontró que la usaban sobre todo para redactar objetivos y para seleccionar o adaptar contenido. Casi nada para implantar o evaluar. Uno de ellos lo resumió así: la IA es mucho mejor para empezar un proyecto que para terminarlo.
¿Qué sale flojo cuando no se le pide bien?
Tres cosas.
Las preguntas salen fáciles y de memoria. En un estudio con un examen de medicina, las preguntas escritas por ChatGPT fueron más fáciles y casi la mitad eran de recordar datos, frente a menos de un tercio en las de los expertos. Los autores reconocen que no le pidieron preguntas de aplicar. Eso es justo lo que hay que pedir.
Los objetivos salen con verbos que no se pueden comprobar. «Conocer», «entender», «familiarizarse». Suenan bien y no hay forma de saber si se han cumplido.
Cede cuando se le insiste. En la misma prueba de Hardman, cuando un responsable llevaba la contraria sin datos nuevos, los modelos cambiaban de opinión casi siempre. De 24 recomendaciones discutidas, se mantuvieron dos.
Ninguna de las tres es un problema técnico. Son decisiones de diseño que alguien tiene que tomar y que la IA no toma sola.
¿Cómo repartir el trabajo entre la IA y tú?
Esta tabla resume lo anterior. No es una ley, es un punto de partida para pensarlo.
| Tarea | Lo que hace bien la IA | Lo que sigue siendo tuyo |
|---|---|---|
| Detectar necesidades | Mirar datos y proponer hipótesis | Decidir si hace falta formar y sostenerlo |
| Objetivos | Borradores con verbo observable, si se lo pides | Elegir los dos o tres que de verdad importan |
| Contenido | Ordenar, resumir, traducir, adaptar el tono | Validar que es correcto, sobre todo la normativa |
| Preguntas y casos | Generar muchas variantes en poco tiempo | Pedir que sean de aplicar y revisar la dificultad |
| Práctica y feedback | Aplicar una rúbrica a cada intento | Diseñar la rúbrica y el escenario |
| Evaluar el impacto | Ordenar y resumir los datos | Decidir qué se mide y qué significa |
Fíjate en la columna de la derecha. Casi todo son decisiones: qué importa, qué es correcto, qué es suficientemente difícil. La IA propone. Tú decides.
¿Qué le pido antes de que diseñe nada?
Para piezas cortas, no hace falta un briefing largo. Yo me quedé con lo mínimo que hace que un curso sea un curso. Esto es lo que le pido a la skill antes de que genere nada:
1. El colectivo. A quién va. Si se puede deducir del documento, que lo proponga y yo lo confirmo.
2. Dos o tres objetivos con verbo observable. Identificar, aplicar, decidir. Nunca «conocer» ni «entender».
3. Una o dos preguntas por objetivo, de escenario. Del tipo «un proveedor te envía esto, ¿qué deberías hacer?». Cada una con su feedback y diciendo a qué objetivo responde.
4. Una sola validación, con todo junto. Objetivos, preguntas y glosario a la vez, antes de generar el curso. Si cambio algo, me vuelve a enseñar la versión completa, porque a veces aplica una corrección y de paso pierde otra parte.
Con esos cuatro pasos, lo que sale deja de estar vacío. No es magia. Es que le has dado el criterio que no tenía.
Y una cosa más, que viene de la prueba de Hardman: si vas a trabajar con la IA en decisiones que alguien te va a discutir, añade a tus instrucciones algo como «si te contradigo sin datos nuevos, mantén tu recomendación y explica por qué».
¿Cuándo no compensa?
Cuando el contenido vive en imágenes. Diagramas, tablas complejas, esquemas técnicos. Ahí la IA se pierde más y la revisión pesa más.
Cuando es una experiencia compleja. Escenarios ramificados, simulaciones con muchas variables. La IA ayuda a escribir piezas, pero el diseño del conjunto sigue pidiendo una herramienta de autor y mucha cabeza.
Cuando nadie va a revisar. Si no hay una persona que conozca el contenido y valide, es mejor no usarla. Un curso con un error de normativa es peor que no tener curso.
En resumen
- La IA ya hace bien muchas tareas del diseño instruccional, sobre todo al principio: analizar, redactar objetivos, estructurar contenido.
- Sin indicaciones, las preguntas salen fáciles y de memoria y los objetivos, sin verbo comprobable.
- Cede cuando alguien le lleva la contraria sin datos. El criterio hay que sostenerlo tú.
- Reparte así: la IA propone, tú decides qué importa, pides lo difícil y validas.
- Un briefing mínimo de cuatro pasos basta para que lo que sale sea un curso.
La skill sigue traduciendo, maquetando y empaquetando igual de rápido. Lo que cambió es lo que le pido antes. Ahora el curso no solo parece un curso.
¿Hablamos?
¿Para qué usas tú la IA en tus diseños? ¿Qué tarea le has delegado del todo y cuál no le dejarías nunca? ¿Te ha pasado lo de las preguntas fáciles? Cuéntamelo en los comentarios.
Preguntas frecuentes
¿Puede la IA hacer el diseño instruccional de un curso?
Puede hacer buena parte de las tareas, y en pruebas recientes ha rendido a nivel de diseñador experimentado. Pero necesita que le des el criterio: a quién va, qué objetivos importan, qué tipo de preguntas quieres. Y alguien tiene que validar.
¿Para qué usan la IA los diseñadores instruccionales?
Sobre todo para redactar objetivos y para seleccionar o adaptar contenido, según un estudio con 70 diseñadores. Mucho menos para implantar y evaluar.
¿Por qué las preguntas de la IA salen tan fáciles?
Porque si no se le pide otra cosa, tiende a preguntar por datos. Hay que pedir expresamente preguntas de escenario, de aplicar lo aprendido, y revisar la dificultad.
¿Va a sustituir la IA a los diseñadores instruccionales?
No lo sé, y desconfío de quien lo diga con seguridad. Lo que sí veo es que cambia dónde está el trabajo: menos en producir y más en decidir y validar.
Si quieres el detalle
Aquí abajo dejo lo que me he saltado arriba para no cortar la lectura: qué hicieron las fuentes que cito, qué no demuestran y por qué las leo como las leo. Si el post te ha valido, no hace falta que sigas. La investigación para este post la hice con IA, abriendo cada fuente original.
La prueba de Hardman
Hardman, P. (15 de octubre de 2026). Tests Show AI Can Design Like an Expert Instructional Designer, So What Next? Boletín en Substack.
Cuatro modelos de IA en configuración de serie, diez tareas con datos y errores escondidos, puntuadas con una rúbrica de 24 competencias basada en estándares profesionales. Los dos mejores, a nivel experimentado o experto en 9 de 10 tareas. Tras cada respuesta, un responsable objetaba sin datos nuevos: de 24 recomendaciones discutidas se mantuvieron 2.
De quién es. De la autora, que diseñó y puntuó la prueba. No consta financiación.
Lo que no demuestra. Comportamiento en empresas reales, con otras versiones o con instrucciones preparadas. Sin evaluadores independientes.
Por qué lo leo así. Como una prueba bien planteada que apunta a un patrón, no como un estudio cerrado.
Cómo usan la IA los diseñadores
Luo, T., Muljana, P. S., Ren, X. y otros (2025). Educational Technology Research and Development, 73, 741–766.
Encuesta a 70 diseñadores instruccionales y entrevistas a 13. Las tareas en las que más usaban la IA: redactar objetivos y seleccionar o modificar contenido. Uso escaso en implantación y evaluación. Casi todos mencionaron dudas de calidad: errores, sesgos, falta de autenticidad.
De quién es. Universidades; sin financiación y sin conflictos declarados.
Lo que no demuestra. Es lo que dicen que hacen, no lo que se observó. Muestra pequeña, sobre todo de educación superior.
Por qué lo leo así. Como una foto de cómo se está usando, no de cómo se debería usar.
Preguntas escritas por la IA
Law, A. K. y otros (2025). BMC Medical Education, 25, 208.
100 preguntas de ChatGPT-4o frente a 100 de expertos para un examen de medicina de urgencias. Las de la IA se hicieron en 24,5 horas-persona frente a 96, fueron más fáciles y tuvieron más errores de pertinencia. 47 de 100 eran de recordar, frente a 28 en las humanas.
De quién es. Sin financiación y sin conflictos declarados.
Lo que no demuestra. Que no pueda hacerlo mejor con otras instrucciones: no pedían preguntas de aplicar. Muestra pequeña.
Por qué lo leo así. Como un aviso práctico sobre qué hay que pedir.
Referencias
- Hardman, P. (2026). Tests Show AI Can Design Like an Expert Instructional Designer, So What Next?
- Luo, T. y otros (2025). Exploring instructional designers’ utilization and perspectives on generative AI tools: A mixed methods study. Educational Technology Research and Development.
- Law, A. K. y otros (2025). AI versus human-generated multiple-choice questions for medical education. BMC Medical Education.
Deja una respuesta