Por María de los Ángeles Lasa y Fernando C. Barbosa*. Read in English here.

El 19 de mayo lanzamos “IA y MERL en América Latina”, un nuevo grupo impulsado por la Comunidad de Práctica de la Iniciativa MERL Tech. La sesión virtual reunió a profesionales interesados en conocer cómo ya se está utilizando la inteligencia artificial en el monitoreo, la evaluación, la investigación y el aprendizaje (MERL, por sus siglas en inglés) en la región.

A comienzos de este año consultamos a integrantes de la comunidad y encontramos intereses comunes: herramientas prácticas; ejemplos reales y desafíos propios de la región; y preguntas sobre el uso responsable de la IA, incluidas cuestiones éticas, resguardos de seguridad y gobernanza de datos. A partir de estas inquietudes, nos propusimos crear un espacio permanente para abordar estos temas desde las realidades de América Latina y en los idiomas de nuestra región.

Para el lanzamiento invitamos a dos profesionales que trabajan con la IA en ámbitos distintos pero complementarios: Ana Henríquez Orrego, de Chile, Directora de Auditorías Académicas de la Universidad de Las Américas e integrante de su Observatorio de Inteligencia Artificial en Educación; y Alejandra Lucero Manzano, de Argentina, docente y consultora en planificación y evaluación de políticas de desarrollo y programas de cooperación internacional. La idea era anclar la conversación en sus prácticas cotidianas y abrir un espacio para futuros intercambios.

Defina un perfil de cargo, no solo un prompt

Ana Henríquez Orrego presentó una manera sencilla de dejar de buscar el “prompt perfecto”. Cuando un equipo incorpora a una persona nueva, no se limita a darle una única instrucción. Define un rol: qué necesita saber, qué se espera que haga y entregue, qué estándares de calidad debe cumplir y qué límites no puede cruzar. Ana aplica esa misma lógica a la IA mediante lo que denomina un perfil de cargo.

Este enfoque convierte la elaboración de prompts en diseño de flujos de trabajo. Un asistente de IA útil necesita contexto, un rol definido, productos esperados, criterios de calidad, límites, fuentes autorizadas y un mecanismo para verificar su trabajo. Tomar estas decisiones también permite determinar si una herramienta ofrece suficiente control para un uso profesional.

Ana también describió tres funciones que puede desempeñar la IA:

Asistente: realiza una tarea que quien lo utiliza ya comprende y puede supervisar.

Tutor: ayuda a una persona o a un equipo a aprender mientras realiza el trabajo.

Personaje: simula a una persona o una situación, por ejemplo, para probar una guía de entrevista o un instrumento de encuesta.

En el ámbito del análisis de calidad académica, Ana creó dos tutores para apoyar las auditorías de acreditación: uno en NotebookLM y otro como GPT personalizado. Decanos y directores de carrera los utilizan para comprender qué se evaluará, qué evidencias se esperan y cómo prepararse. Las herramientas no realizan la auditoría de manera autónoma, pero ayudan a las personas a participar más activamente en el proceso que ya existe. Ana también utiliza asistentes diseñados para tareas específicas: un asesor curricular, un revisor de resultados de aprendizaje e incluso un corrector de informes que aplica a sus propios borradores.

Este enfoque también es pertinente para aplicar más allá de la educación superior. En MERL, la IA puede ayudar a organizar evidencia, revisar una matriz de evaluación, comparar documentos o preparar un primer borrador. Sin embargo, quienes la utilizan deben comprender la tarea lo suficiente como para definir el rol y valorar el resultado. Como enfatizó Ana, la IA debe fortalecer y acompañar el trabajo existente, no reemplazarlo.

Incorporar la IA en el ciclo de evaluación y comenzar a pequeña escala

Alejandra Lucero Manzano amplió la mirada hacia el ciclo completo de evaluación. La IA puede apoyar la preparación, el diseño metodológico, la recolección de datos, el análisis, la comunicación y el uso de los hallazgos. Sin embargo, el valor de una herramienta depende de la tarea que se le asigne.

Comenzó con una pregunta sobre las condiciones institucionales: ¿Cuál es el nivel actual de madurez en IA en su organización? Una consultora independiente y una organización de gran tamaño enfrentan oportunidades y restricciones diferentes. La adopción debe partir de esa realidad.

Al recorrer cada fase, Alejandra mostró cómo la IA puede apoyar la revisión de antecedentes y de términos de referencia, visualizar una teoría del cambio, desarrollar prototipos de pequeñas aplicaciones, simular a una persona encuestada para probar instrumentos y asistir en la codificación cualitativa, el análisis cuantitativo y la comunicación de hallazgos.

No obstante, una recomendación central fue evitar automatizar todo el ciclo de una sola vez. Para los equipos que se encuentran en una etapa inicial, construir flujos de trabajo pequeños resulta más realista y facilita la verificación. Un ejemplo consiste en elaborar una encuesta con una IA conversacional, solicitar un archivo compatible con KoboToolbox, cargarlo en la plataforma y luego validar el instrumento y su lógica.

El mismo principio se aplica al análisis. Quienes evalúan deben especificar el enfoque analítico, conocer los documentos fuente y distinguir entre organizar información e interpretarla. La IA puede no captar expresiones regionales, ironías, sarcasmos y otras señales contextuales. Alejandra recomendó solicitar citas específicas y separar el procesamiento descriptivo de la inferencia, de lo contrario, el sistema puede mezclar ambos. El criterio de quien evalúa sigue siendo la principal salvaguarda.

Y advirtió: un prompt vago produce una respuesta vaga, y ningún prompt puede sustituir la claridad metodológica ni el conocimiento del contexto.

El uso responsable comienza con reglas institucionales

Las preguntas de la audiencia llevaron la conversación hacia la credibilidad, la transparencia y la protección de datos. ¿Debe un informe de evaluación declarar el uso de IA? ¿Cómo pueden los equipos generar confianza en productos elaborados con apoyo de IA?

Ana sostuvo que las instituciones deben establecer las reglas antes de esperar decisiones individuales coherentes. En las instituciones donde trabaja, el uso de IA debe declararse y las herramientas autorizadas se rigen por políticas institucionales. Los datos personales no deben procesarse mediante cuentas gratuitas de uso personal. Los sistemas que manejan esos datos requieren revisión de seguridad, administración responsable y consentimiento informado.

Alejandra añadió comentarios prácticos: revisar la configuración de privacidad en lugar de aceptar las opciones predeterminadas, separar las cuentas profesionales de las personales, anonimizar los datos antes de utilizar servicios en la nube, y comprender dónde se almacena la información. El consentimiento, la confidencialidad y la gestión responsable de los datos forman parte de una buena práctica de MERL. La IA vuelve estas obligaciones más urgentes y puede hacer que los incumplimientos sean menos visibles.

La conversación reforzó un punto más amplio: mantener “human in the loop” no es suficiente si carece de la autoridad, el tiempo o el conocimiento contextual necesarios para cuestionar los resultados. Una supervisión efectiva requiere personas que comprendan la evidencia, puedan examinar el razonamiento del modelo y mantengan la responsabilidad por el juicio final.

Construir un espacio regional para la práctica y el aprendizaje

De ambas presentaciones surgieron varios principios comunes: comenzar por el problema y el flujo de trabajo, no por la herramienta; definir con claridad el rol, las fuentes, los criterios y los límites del sistema de IA; ajustar la adopción al nivel de preparación de la organización; comenzar con flujos de trabajo pequeños y verificables; y mantener la interpretación contextual, la rendición de cuentas, la transparencia, la privacidad y la gobernanza de datos en el centro del proceso.

Estas preocupaciones también tienen una dimensión regional. Las herramientas desarrolladas en otros contextos no necesariamente comprenden automáticamente las instituciones, los idiomas, las prácticas profesionales ni los contextos sociales de América Latina. Crear un espacio para comparar experiencias en la región puede ayudar a distinguir qué puede transferirse y qué requiere adaptación.

Este primer evento inició ese intercambio. El grupo organizará algunas sesiones públicas cada año, todavía funcionará también como un canal abierto para que sus integrantes propongan temas, compartan recursos y se conecten con colegas.

Puedes ver la grabación del evento de lanzamiento y sumarte a la Comunidad de Práctica para participar en las próximas actividades de IA y MERL en América Latina.

Agradecemos a Ana y Alejandra por compartir generosamente sus experiencias, y a todas las personas que participaron y plantearon excelentes preguntas. ¡Nos vemos en la próxima!

* Se utilizó Codex para resumir la transcripción del evento y ajustar la redacción de este contenido.