TPACK ante la IA: lo que mide la guía y lo que se le escapa
Una guía de autodiagnóstico con cincuenta preguntas mide bien el manejo de la IA. Deja fuera el contexto, el saber que Mishra considera hoy más difícil de delegar en un algoritmo.
El caso: una sentencia que no existe
Pensemos en una profesora de Derecho Mercantil. Un martes por la tarde responde la guía AI-TPACK de Kharbach (2025), cincuenta preguntas para saber qué dominamos de la IA. Llega a la sexta: «¿Entiendo las limitaciones de la IA, como las alucinaciones?». Marca que sí. Y es verdad.
El miércoles, una estudiante le entrega un dictamen impecable. Cita una sentencia que nunca existió.
La profesora la detecta. Pero no gracias a lo que contestó el martes. La detecta porque conoce la jurisprudencia de su área. Y porque sabe que esa estudiante nunca cita sentencias.
La guía midió lo que ella cree saber de la herramienta. Lo que la salvó fue su materia y su contexto.
La guía de Kharbach es útil, clara y está bien documentada. Por eso merece una lectura atenta. La hemos contado pregunta a pregunta y la hemos contrastado con las fuentes que cita. Aparece un hueco que conviene conocer antes de llevarla a un claustro.
Qué es TPACK y qué añaden Celik y Mishra
TPACK es el marco de Mishra y Koehler (2006). Cruza tres saberes del docente: el del contenido (CK), el pedagógico (PK) y el tecnológico (TK). Donde se solapan aparecen saberes mixtos. En el centro está la decisión que los integra. La idea de fondo viene de Shulman (1986): enseñar una materia exige un saber propio, que nace de combinar contenido y pedagogía.
Celik (2023) adaptó esos dominios a la IA con su Intelligent-TPACK. Y añadió uno nuevo, el conocimiento ético: valorar una herramienta por su transparencia, su equidad, su rendición de cuentas y su carácter inclusivo. La guía de Kharbach se construye sobre este modelo.
Falta una pieza. El diagrama clásico de TPACK siempre tuvo un círculo punteado exterior, rotulado como «contextos». Mishra (2019) vio ahí una incoherencia. Si cada espacio cerrado del diagrama es un saber del docente, el contexto también debía serlo. Lo rebautizó como conocimiento contextual (XK), con una X de variable, porque el contexto cambia mucho. La consecuencia importa: si el contexto es conocimiento, se puede aprender y se puede formar.
Cinco rasgos de la IA generativa según Mishra, Warr e Islam (2023)
En 2023, Mishra, Warr e Islam aplicaron TPACK a la IA generativa. Antes de hablar de competencias, describen qué tecnología tenemos delante. Señalan cinco rasgos, tal como los resume Kharbach (2026).
Pasa del texto a la imagen, el código o el vídeo en la misma conversación.
Funciona como una caja negra, incluso para quienes la diseñan.
Responde distinto cada vez y a veces inventa con total seguridad.
No recupera información. Produce contenido nuevo en cada respuesta.
Habla como una persona y activa nuestros reflejos sociales.
Compartido con toda tecnología digitalNuevo con la IA generativa
De ahí sacan una conclusión fuerte. La IA generativa no se comporta como una herramienta más, sino como un «otro psicológico». Le hablamos y nos contesta como si fuera alguien. Por eso amplían mucho el XK. Ya no se queda en el aula o el centro. Llega a la idea de verdad, a la confianza en las instituciones, a la salud mental y al mercado laboral.
Qué preguntan las cincuenta preguntas de la guía
Preguntas por dominio
Diez por cada bloque de Celik. Ninguna sobre el contexto.
Preguntas por tipo
Las cincuenta piden autopercepción. Ninguna pide una prueba.
Recuento propio sobre el PDF de Kharbach (2025). Las barras de tipo están a escala sobre cincuenta.
El primer recuento muestra el hueco. Hay diez preguntas por cada dominio de Celik y ninguna sobre el contexto. Algunas lo rozan, como la de la normativa del centro o la del alumnado diverso. Pero ningún bloque lo trata como un saber propio.
Lo curioso es que la guía conoce el problema. En su página de componentes enumera los siete saberes clásicos y omite el XK. En la página siguiente cita a Mishra et al. (2023) para decir que el XK gana peso.
El segundo recuento muestra otra cosa. Veinticinco preguntas empiezan por «¿Puedo…?». Trece preguntan si sé o entiendo algo. Doce preguntan si hago algo de forma habitual. Hay incluso un patrón fijo: en los cinco bloques, todas las preguntas impares empiezan por «¿Puedo…?». La guía mide lo que creemos saber. Sirve para pensar, pero no dice qué pasa en clase.
El mismo hueco aparece en la investigación
No es un defecto exclusivo de esta guía. La revisión de Paidicán y Arredondo (2024) analizó diecinueve estudios sobre TPACK e IA. La mayoría trabaja con profesorado universitario que informa de su propio conocimiento. Su hallazgo es incómodo: los saberes de base apenas explican el TPACK aplicado a la IA.
El instrumento TPACK-IA de George-Reyes et al. (2026) va en la misma línea. Es un cuestionario de autoevaluación respondido por 407 docentes de tres universidades latinoamericanas. Tiene siete dimensiones y ninguna es el contexto. Además, su dimensión de contenido no pregunta por la materia. Pregunta por usar la IA para acceder a contenido actualizado o generar materiales. Hasta el contenido se mide como manejo de la herramienta.
A mayor escala, Schmid et al. (2024) revisaron 21 revisiones sistemáticas y 2 metaanálisis sobre TPACK. Concluyen que muchos problemas teóricos y metodológicos del marco siguen sin resolverse. Piden definir mejor qué es conocimiento, hacer más estudios longitudinales y medir también el aprendizaje del alumnado. El título del trabajo lo resume bien: Running in circles, dar vueltas en círculo.
Por qué el contenido y el contexto pesan más con la IA
Mishra describe estos sistemas como smart drunk interns: becarios listos pero borrachos. Muy capaces y poco fiables.
Mishra y Bozkurt (2026), Open PraxisEn un diálogo académico reciente, Mishra y Bozkurt (2026) dan la vuelta a un discurso de moda. La IA no reduce la necesidad de saber la materia. La aumenta. Hace falta un conocimiento profundo del contenido para verificar y curar lo que produce la máquina.
El segundo argumento es el contexto. Un algoritmo no conoce a esos estudiantes, ni esa facultad, ni lo que pasó en la clase anterior. Ahí el docente conserva una ventaja clara. Mishra habla incluso de un «Future-PACK» que incluya una comprensión casi política de los sistemas sociales y éticos que rodean la educación.
Volvamos a la profesora. Lo que la salvó fue justo eso: contenido y contexto. Son los dos saberes que la guía y buena parte de la investigación miden peor, o no miden. Nuestra impresión es que también son los que menos se trabajan en los cursos de IA para docentes, que suelen centrarse en mostrar herramientas.
Cómo usar la guía en un departamento universitario
La guía sirve, y mucho, si cambiamos el uso. Proponemos cuatro pasos para un equipo docente.
Convertir el test en conversación
Cada docente responde por separado. Luego el grupo compara dónde discrepa. La discrepancia dice más que la puntuación.
Pedir una prueba por cada «sí»
Para cada respuesta afirmativa, una actividad, una instrucción guardada o un error detectado. Si no hay prueba, la respuesta queda en suspenso.
Añadir un bloque de contexto
Completar los cinco bloques con un sexto sobre XK. Más abajo proponemos cuatro afirmaciones.
Formar con casos, no con demostraciones
Dogan (2026) propone cuatro vías: aprendizaje activo, modelos y ejemplos, acompañamiento experto y retroalimentación. Todas parten de la práctica, no de la herramienta.
Autodiagnóstico con evidencia
Marque solo lo que podría mostrar a un colega. Tres afirmaciones por dominio y cuatro en el bloque de contexto, redactadas por nosotros. El bloque de contexto, en coral, es el que la guía no incluye.
La profesora de Derecho no necesitaba saber más de la herramienta. Necesitaba lo que ya tenía: conocer su materia y conocer a sus estudiantes. Una buena formación en IA debería empezar por ahí, y una buena guía debería preguntarlo.
Referencias
Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers’ professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468
Dogan, S. (2026). Designing effective AI professional development: A framework grounded in intelligent-TPACK. Computers and Education Open, 10, 100337. https://doi.org/10.1016/j.caeo.2026.100337
George-Reyes, C. E., Sandoval Benítez, L. F., Bustamante-Ruiz, S. P. y Caicedo-Quiroz, R. (2026). Integration of artificial intelligence into the TPACK model: Transforming teaching in the digital age. Foro de Educación, 24(1), 36-53. https://doi.org/10.14201/fde.24103
Kharbach, M. (2025). The AI-TPACK guide for teachers. Educators Technology. https://www.educatorstechnology.com/wp-content/uploads/2025/11/AI-Tpack.pdf
Kharbach, M. (2026, 17 de mayo). TPACK and AI: What teachers need to know. Educators Technology. https://www.educatorstechnology.com/2026/05/tpack-and-ai.html
Mishra, P. (2018, 10 de septiembre). The TPACK diagram gets an upgrade. Punya Mishra. https://punyamishra.com/2018/09/10/the-tpack-diagram-gets-an-upgrade/
Mishra, P. (2019). Considering contextual knowledge: The TPACK diagram gets an upgrade. Journal of Digital Learning in Teacher Education, 35(2), 76-78. https://doi.org/10.1080/21532974.2019.1588611
Mishra, P. (2026, 3 de junio). Of pride & prejudice (and a smart drunk intern). Punya Mishra. https://punyamishra.com/2026/06/03/of-pride-prejudice-and-a-smart-drunk-intern/
Mishra, P. y Bozkurt, A. (2026). TPACK in the age of context and artificial intelligence: Punya Mishra on the “wicked problem” of AI and why algorithms can’t replace context. Open Praxis, 18(2), 398-407. https://doi.org/10.55982/openpraxis.18.2.1093
Mishra, P. y Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Mishra, P., Warr, M. e Islam, R. (2023). TPACK in the age of ChatGPT and generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235-251. https://doi.org/10.1080/21532974.2023.2247480
Paidicán Soto, M. y Arredondo Herrera, P. (2024). Artificial intelligence in technical pedagogical content knowledge (TPACK) contexts: A literature review. Panorama, 18(35). https://doi.org/10.15765/pkjpwv56
Schmid, M., Brianza, E., Mok, S. Y. y Petko, D. (2024). Running in circles: A systematic review of reviews on technological pedagogical content knowledge (TPACK). Computers & Education, 214, 105024. https://doi.org/10.1016/j.compedu.2024.105024
Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching. Educational Researcher, 15(2), 4-14. https://doi.org/10.3102/0013189X015002004
Fernando Santamaría · IAforTeachers