¿Quién debe rediseñar la evaluación en la era de la IA?
Stanford y ETS reunieron a cien expertos para repensar la evaluación con IA. Cristóbal Cobo dice que casi nada es nuevo. Tiene razón a medias: lo nuevo está en la IA que corrige.
Hace unos días, Cristóbal Cobo publicó en LinkedIn una pregunta incómoda. En julio, Stanford y ETS habían publicado su informe sobre evaluación responsable en la era de la IA, nacido de un encuentro con más de cien líderes de la educación, la investigación y la tecnología. Cobo lo leyó y llegó a una conclusión seca: casi nada de lo que propone es nuevo.
Portafolios, evaluación formativa, tareas auténticas, atención al proceso. Todo lleva décadas en la literatura pedagógica. Su pregunta final iba más lejos. ¿Son las universidades las instituciones adecuadas para decirnos cómo evaluar cuando buena parte del trabajo intelectual se automatiza?
Hemos leído el informe completo, sus 24 páginas y sus 58 notas. Cobo tiene razón en parte. Su crítica, sin embargo, deja fuera lo más interesante del documento. Y su pregunta tiene una respuesta que casi nadie quiere oír.
- Título
- Responsible Assessment in the AI Era: Key Insights from a Future-Focused Convening
- Autoría
- Nneka J. McGee, Candace Thille, Ikkyu Choi, Kadriye Ercikan e Isabelle C. Hau, con revisión de Matthew S. Johnson
- Edita
- Stanford Accelerator for Learning, con apoyo de ETS (Educational Testing Service)
- Origen
- Encuentro celebrado en Stanford el 29 de enero de 2026, con unas cien personas
- Publicación
- 23 de julio de 2026
- Acceso
- PDF gratuito · vídeos de las sesiones
Las ocho ideas principales del informe
El documento se organiza en cuatro bloques: por qué cambia la evaluación, qué exige ese cambio, cómo hacerlo de forma responsable y qué debe hacer cada actor. Debajo hay ocho ideas que merecen atención. Las dos marcadas en coral son, a nuestro juicio, las que el debate está pasando por alto.
El producto final ya no prueba lo que sabe el estudiante Conocida
Es la tesis de partida. Un ensayo impecable puede salir de una herramienta sin que el estudiante haya pasado por el aprendizaje que ese ensayo debía demostrar. El informe lo plantea como un problema de validez: si el producto ya no representa la capacidad, la nota que se apoya en él tampoco.
El matiz tiene consecuencias. Un problema de vigilancia se ataca con detectores. Uno de validez obliga a rediseñar la tarea.
La IA también se equivoca cuando corrige Renovada
Kadriye Ercikan, de ETS, recuerda que la calificación automática es hoy el uso más extendido de la IA en evaluación. Su ejemplo es muy claro: un sistema que, en una prueba de ciencias, premia la buena redacción y no el razonamiento científico. Quien escribe mejor saca más nota aunque razone peor.
Los psicometristas llaman a esto varianza irrelevante para el constructo. Si favorece siempre a un grupo, por ejemplo a quien estudia en su lengua materna, se convierte en sesgo. El informe añade tres riesgos más. El sistema puede captar solo una parte de lo que se quiere medir. Puede fallar en otro contexto. Y la máquina y el docente pueden leer la misma rúbrica de forma distinta.
Corregir con modelos de lenguaje exige más pruebas de validez Nueva
Es la idea menos comentada y, para nosotros, la más valiosa. El informe se apoya en Casabianca et al. (2026), un equipo de ETS que compara tres formas de calificar respuestas abiertas: correctores humanos, sistemas clásicos basados en rasgos del texto y modelos generativos. Su conclusión es que los modelos generativos necesitan más evidencia de validez que los sistemas anteriores, porque son menos transparentes y menos consistentes.
El informe da un paso más y sugiere que reunir esa evidencia puede salir caro. Es un jarro de agua fría para quien piensa que corregir con IA ahorra trabajo sin coste. Un matiz honesto: el estudio es un preprint y trabaja con ensayos de secundaria.
De la prueba puntual a la evidencia que se acumula Conocida
El informe propone pasar de los «eventos de examen» a los «sistemas de inferencia». Dicho en sencillo: dejar de jugarse la nota en un solo día y reunir varias evidencias a lo largo del curso. La evaluación formativa y la sumativa se reparten el trabajo.
Jesse Sparks (ETS) señala un problema práctico de la sumativa: sus resultados llegan tarde, cuando ya no sirven para mejorar. Matthew Johnson añade otro. El estudiante pierde la motivación ante pruebas cuyo resultado quizá nunca vea.
Más datos no significa mejor evaluación Conocida
La IA permite registrar cada clic, cada pausa y cada borrador. El informe habla de evaluación continua y de stealth assessment o evaluación invisible, que extrae señales del trabajo cotidiano sin examen aparte. Luego frena el entusiasmo. Ben Domingue, de Stanford, advierte que cuantos más datos se recogen sin que nadie lo note, más difíciles son las preguntas éticas.
Hay un problema de privacidad y otro de conducta: el estudiante cambia su comportamiento cuando sabe que lo observan. Echamos en falta una cita. La evaluación invisible la formuló Valerie Shute (2011) y el informe no la menciona.
Dos formatos con IA que se pueden llevar a la universidad Conocida
El informe recoge una lista amplia de formatos. Dos se pueden llevar al aula universitaria sin esperar a nadie. El primero es la evaluación conversacional de Diego Zapata-Rivera (ETS). Unos agentes de IA conversan con el estudiante y le piden que muestre lo que sabe. Se parece mucho a una defensa oral.
El segundo es el modelo PAIRR de Sperber et al. (2025), de la Universidad de California en Davis. El estudiante escribe un borrador, recibe la revisión de un compañero, después la de la IA, compara ambas y revisa con una breve reflexión. El orden importa. La IA llega después del borrador y después del compañero.
La transparencia tiene límites Conocida
Emma Brunskill, de Stanford, usa una comparación doméstica. Nadie sabe cómo funciona un microondas por dentro y todos lo usamos, porque confiamos en que hay normas y controles detrás. Con la IA en evaluación pasaría lo mismo: hace falta saber qué hace bien, para qué sirve y dónde falla.
Johnson añade un matiz incómodo. Demasiada transparencia permite engañar al sistema. El argumento es razonable, y también le conviene a quien vende el sistema.
Las decisiones de alto impacto siguen siendo humanas Conocida
El informe pide no automatizar del todo las decisiones que afectan al acceso o a la acreditación. Su conclusión lo resume con una idea que suscribimos: la IA no puede responder de las consecuencias de una evaluación, las personas sí.
En una universidad eso tiene una traducción directa. Si una herramienta propone una nota, la firma sigue siendo del docente.
Qué ideas son nuevas y cuáles ya conocíamos
Seis de las ocho ideas habrían cabido en un congreso de evaluación de 2010. Cobo acierta en el recuento. Lo que cambia es dónde está la novedad.
La crítica de Cristóbal Cobo
Cobo es especialista sénior en educación del Banco Mundial y coautor, con John Moravec, de Aprendizaje invisible (2011). Conoce bien la distancia entre los informes y las aulas. Su publicación resume el documento en cuatro observaciones y luego se desmarca: tras los folletos cuidados y la marca de Stanford, ve muy poco pensamiento nuevo.
No es el único. Desde dentro de Stanford, el arqueólogo Michael Shanks escribió en su blog que el informe describe un futuro que el aprendizaje activo lleva décadas ensayando. Shanks (2026) recomienda el documento, pero recuerda que el aprendizaje por proyectos de Roskilde se institucionalizó en 1972. Dos críticos, uno de fuera y otro de dentro, llegan al mismo sitio.
Dónde acierta la crítica y dónde se queda corta
Dónde acierta
Las herramientas son antiguas. El propio informe cita a Black y Wiliam (1998) para definir la evaluación formativa. El portafolio y la tarea auténtica tienen más años que muchos de los asistentes al encuentro.
Y hay un segundo acierto, más sutil. El informe cambia los instrumentos, pero apenas toca la pregunta de fondo: qué merece la pena saber cuando parte del trabajo intelectual se automatiza. Reconoce que la alfabetización en IA y la adaptabilidad no tienen definición operativa, y ahí se detiene.
Dónde se queda corta
Estas prácticas no fracasaron por falta de ideas. Fracasaron por caras. Exigen tiempo docente, grupos pequeños y corrección lenta. El ensayo final y el examen se impusieron porque eran baratos y parecían fiables. Esa alternativa barata se ha roto, y lo que llevábamos treinta años aplazando ahora es inevitable.
Además, su resumen habla del estudiante que usa IA y omite la IA que corrige. Esa es la parte más original del informe. Y los actores «más allá de los sospechosos habituales» ya estaban en la sala: OpenAI, Google, Meta, Khan Academy y la Fundación Gates. Aportaron poco que fuera nuevo.
El profesorado no estaba en la mesa
La pregunta de Cobo sobre quién debe liderar el rediseño no trae candidatos. Si no son las universidades, las opciones reales son las tecnológicas, las agencias de evaluación y los empleadores. Todas tienen intereses directos en el resultado. La evaluación universitaria acredita, y acreditar exige que alguien responda de la decisión.
Nuestra posición es otra. El problema no es quién lidera, sino quién falta. En la lista de ponentes y moderadores del informe hay decanos, rectoras, investigadores, directivos de empresas y de fundaciones. Cuesta encontrar a alguien cuyo trabajo diario sea corregir cien trabajos por semestre. El liderazgo que falta está dentro de la universidad, en su base.
Lo que hay que leer con cautela
- Conflicto de intereses. Candace Thille, que impulsó el encuentro, forma parte del patronato de ETS, según la nota de prensa de Stanford. ETS vende calificación automática. Eso no invalida el contenido, pero explica su tono. La corrección con IA aparece siempre como algo por validar, nunca como algo que quizá no debería hacerse.
- Mirada escolar. Casi todos los ejemplos proceden de la educación obligatoria estadounidense. La universidad aparece poco.
- Un dato mal citado. El informe atribuye a McKinsey que el 30 % de los empleos se automatizará en cuatro años. El informe original de Hazan et al. (2024) habla de hasta un 30 % de las horas de trabajo en Estados Unidos, y un 27 % en Europa, hacia 2030.
- Erratas. Aparecen «Salano-Flores» por Solano-Flores y «Erkican» por Ercikan. Detalles menores en un texto firmado por expertos en medición.
Cuatro decisiones para el próximo semestre
El informe dirige sus recomendaciones a sistemas, investigadores, desarrolladores y financiadores. Ninguna va dirigida al docente que mañana tiene que corregir. Estas cuatro sí.
- Revise qué tareas se califican solo por el producto. Si una herramienta puede generarlo entero, añada una evidencia del proceso: borradores, decisiones justificadas o una defensa breve.
- Si usa IA para corregir, contrástela. Califique a mano una muestra de diez trabajos y compare. Si las notas divergen o premian la redacción por encima del contenido, ajuste la instrucción o abandone la herramienta.
- Pruebe una defensa conversacional. Diez minutos sobre una entrega importante distinguen al estudiante que entendió del que solo entregó.
- Aplique un ciclo PAIRR en una tarea de escritura. Borrador propio, revisión de un compañero, revisión de la IA, comparación de ambas y reescritura con una reflexión de un párrafo.
La evaluación del aprendizaje en tiempos de la IA
El informe de Stanford pide validar la corrección automática y mantener el juicio humano. El manual explica cómo hacerlo en una asignatura universitaria. Muestra cuándo combinar la retroalimentación y la calificación automatizadas con supervisión humana real. Explica por qué no fiar la integridad a los detectores. Y propone doce patrones listos para rediseñar tareas.
PDF, EPUB y edición HTML en una sola compra, con la aplicación de rediseño de actividades incluida. Disponible en payhip.com/b/XNU0u.
Referencias
Black, P., y Wiliam, D. (1998). Inside the black box: Raising standards through classroom assessment. Phi Delta Kappan, 80(2), 139-148.
Casabianca, J. M., McCaffrey, D. F., Johnson, M. S., Alper, N., y Zubenko, V. (2026). From feature-based models to generative AI: Validity evidence for constructed response scoring [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2603.19280
Cobo, C. (2026, 31 de octubre). Who should redesign assessment for the AI era? [Publicación]. LinkedIn. https://www.linkedin.com/feed/update/urn:li:ugcPost:7494849723657351168/
Cobo, C., y Moravec, J. W. (2011). Aprendizaje invisible: Hacia una nueva ecología de la educación. Publicacions i Edicions de la Universitat de Barcelona.
Hazan, E., Madgavkar, A., Chui, M., Smit, S., Maor, D., Singh Dandona, G., y Huyghues-Despointes, R. (2024). A new future of work: The race to deploy AI and raise skills in Europe and beyond. McKinsey Global Institute. https://www.mckinsey.com/mgi/our-research/a-new-future-of-work-the-race-to-deploy-ai-and-raise-skills-in-europe-and-beyond
Johnson, M. S. (2025). Responsible AI for measurement and learning: Principles and practices (Research Report No. RR-25-03). ETS. https://doi.org/10.64634/4ftg8n64
McGee, N. J., Thille, C., Choi, I., Ercikan, K., y Hau, I. C. (2026). Responsible assessment in the AI era: Key insights from a future-focused convening. Stanford Accelerator for Learning. https://acceleratelearning.stanford.edu/app/uploads/2026/07/ResponsibleAssessmentintheAIEra_StanfordAcceleratorforLearning.pdf
Shanks, M. (2026, 28 de julio). Creative pragmatics for active learning: Implications of AI in assessment. Michael Shanks. https://mshanks.com/2026/07/28/creative-pragmatics-for-active-learning-implications-of-ai-in-assessment/
Shute, V. J. (2011). Stealth assessment in computer-based games to support learning. En S. Tobias y J. D. Fletcher (Eds.), Computer games and instruction (pp. 503-524). Information Age Publishing.
Sperber, L., MacArthur, M., Minnillo, S., Stillman, N., y Whithaus, C. (2025). Peer and AI Review + Reflection (PAIRR): A human-centered approach to formative assessment. Computers and Composition, 76, 102921. https://doi.org/10.1016/j.compcom.2025.102921