Pedro Sáenz Muñoz
El acceso al aprendizaje debe ser entendido como la posibilidad real de resolver problemas con criterio y no simplemente el conectarse a una plataforma. Nuestro sello, el aprender haciendo, pide evaluar lo que el estudiante es capaz de diseñar, probar y mejorar en contextos reales. En ese sentido la aplicación del marco PAIR —Problem, AI, Interaction, Reflection—encaja de forma natural y ayuda a integrar la inteligencia artificial sin perder el protagonismo humano.
Cada experiencia parte de un reto situado, de un problema auténtico: una necesidad de barrio, un caso de una organización, un dilema público. El problema se declara con datos, límites y supuestos verificables. En evaluación, este componente valora pertinencia, fuentes y alcance del desafío.
La IA entra como herramienta, no como sustituto con un uso responsable. Se exige transparencia: qué modelo se usó, con qué prompts, cómo se verificaron sesgos o imprecisiones. La regla de oro es clara: toda salida de IA es un borrador que debe contrastarse con evidencia y criterio disciplinar. La bitácora de prompts y verificaciones forma parte de la entrega.
Aprender haciendo es, también, aprender con otros. Talleres, prototipos iterados, retroalimentación oportuna del docente, peer review y breves defensas orales aseguran comprensión y sobre todo interacción humana significativa. Este componente observa colaboración, negociación de ideas y capacidad para explicar decisiones sin apoyos automáticos.
El estudiante documenta su proceso: qué intentó, qué funcionó, qué no, qué cambió en su comprensión en un proceso de metacognición y ética. Declara criterios de autoría, riesgos éticos y posible impacto social. La reflexión conecta el resultado con principios profesionales y con el contexto boliviano.
En la línea del “aprender haciendo”, podemos encontrar espacios en diversas áreas, como, por ejemplo, en salud, simulando el triaje en un centro de atención. La IA sugiere protocolos y priorizaciones; el equipo adapta a la normativa local, prueba en escenarios y justifica decisiones en una defensa breve. En arquitectura o ingeniería, por ejemplo, en el rediseño de una plaza barrial, la IA genera variantes y estimaciones, pero el grupo valida con mediciones in situ y entrevistas a vecinos, ajustando con criterios de accesibilidad y mantenimiento. O, en comunicación y diseño, planteando una campaña de salud preventiva, la IA propone ideas y medios; el equipo testea con usuarios reales, corrige sesgos y entrega un kit final con trazabilidad de iteraciones.
Así, al cotejar los resultados obtenidos, la rúbrica mínima (25 % cada componente) considera elementos concretos de cada uno: Problema: definición, datos y límites; AI: elecciones, prompts, verificaciones y manejo de sesgos; Interacción: coautoría, prototipos y defensa. Finalmente, en Reflexión: trazabilidad, ética y transferencia a otros contextos.
Todo ello desincentiva el plagio porque califica el proceso visible: bitácoras, versiones en repositorio, defensas orales aleatorias y productos anclados a situaciones locales. La transparencia educa criterio y hace menos atractiva la copia, garantizando la integridad académica y reduciendo la paranoia sobre el uso de la IA.
El marco del aprender haciendo refuerza nuestro ADN: proyectos reales, estándares de calidad y evaluación por desempeño. El docente conserva su rol crítico —plantea problemas, orienta y exige evidencias— y la IA queda donde debe: como un instrumento potente bajo supervisión humana. El resultado son graduados capaces de diagnosticar, crear y mejorar, no solo de responder.
Si el acceso al aprendizaje es participar con calidad en la solución de problemas, PAIR ofrece una guía simple y replicable para implementarse en la educación superior boliviana. En Unifranz, por ejemplo, ya practicamos el aprender haciendo; con PAIR, lo hacemos con más transparencia, ética y rigor. Implementarlo es una decisión académica; postergarlo, un riesgo para la calidad que los profesionales y el país necesitan.