Diseñar con IA, sin rendirse ante ella

---

Ha pasado un tiempo desde la última vez que escribí acá.

Podría dedicar este post a explicar esa pausa, pero no creo que esa sea la parte más interesante de la historia. Lo que más importa es lo que cambió mientras estuve ausente. Y cambió mucho.

La inteligencia artificial dejó de ser una idea lejana, un tema de nicho o algo reservado para investigadores y entusiastas de la tecnología. Pasó a formar parte de la vida cotidiana. Se metió en cómo las personas escriben, buscan, planifican, hacen brainstorming, resuelven problemas y aprenden. En algunos casos de forma silenciosa, en otros de forma agresiva, pero con la suficiente constancia como para que ignorarla ya no sea una opción seria.

Eso importa porque cuando una nueva tecnología cambia la forma en que las personas acceden a la información, también cambia lo que esperan del aprendizaje. Cambia el ritmo. Cambia el formato. Cambia el umbral de fricción. Y quizá, lo más importante, cambia la relación entre el aprendiz y el conocimiento.

Durante mucho tiempo, muchos de nosotros diseñamos experiencias de aprendizaje alrededor de una suposición relativamente estable: que el aprendizaje ocurriría en un entorno estructurado, a través de una secuencia clara, con un principio, un desarrollo y un final. Un curso. Un módulo. Una lección. Una lectura. Un video. Una evaluación. Paso a paso.

Ese modelo todavía tiene valor. En muchos casos, todavía funciona. Algunas cosas sí necesitan estructura, secuencia, ritmo y una progresión guiada. No me interesa fingir que todo lo anterior está roto solo porque llegó algo nuevo.

Pero sí creo que el punto de partida por defecto cambió.

La gente ya no espera ser enseñada como antes. Busca. Escanea. Compara. Hace preguntas de seguimiento. Salta entre fuentes. Aprende en fragmentos y arma la comprensión sobre la marcha. Y ahora, con la IA, puede pedir una explicación en sus propias palabras, a su propio nivel, en su propio contexto, y obtener una respuesta en segundos.

Eso no hace que el aprendizaje mejore automáticamente. Pero sí lo hace diferente.

Y esa diferencia es exactamente la razón por la que quería que este post marcara mi regreso.

No porque quiera hablar de la IA como una tendencia, ni porque quiera mostrar una configuración técnica solo por novedad. Escribo esto porque creo que estamos en medio de un cambio más profundo. Las herramientas cambiaron, sí. Pero, más importante aún, la superficie del aprendizaje cambió. Dónde ocurre el aprendizaje. Cómo empieza. Qué esperan los aprendices. Qué cuenta como apoyo. Qué cuenta como fricción. Qué cuenta como útil.

Si trabajamos en educación, capacitación o diseño del conocimiento, ese cambio debería importarnos.

Porque, nos guste o no, la IA ya está entre nosotros.

Una encuesta de HEPI de 2025 encontró que el 92% de los estudiantes informó usar algún tipo de herramienta de IA, y el 88% informó usar IA generativa de maneras relacionadas con evaluaciones. Esos números no describen una posibilidad futura. Describen una realidad presente.

Así que este post no trata simplemente de instalar o usar una nueva herramienta de IA.

Trata de algo más importante.

Trata de lo que hacen los educadores cuando el entorno cambia.

Trata de lo que significa diseñar aprendizaje en un mundo donde la IA ya forma parte de cómo las personas piensan, buscan y crean.

Y trata de construir algo útil, intencional y anclado en esa realidad.

Uno de los mayores errores que podemos cometer en este momento es asumir que la IA es la única historia.

No lo es.

---

El aprendizaje ya no es lineal

La historia más grande es que el aprendizaje en sí mismo ya venía cambiando desde hace años. La IA no inventó ese cambio. Lo aceleró.

Pensá en cómo la mayoría de las personas aprende algo nuevo hoy.

No necesariamente empiezan con un curso cuidadosamente estructurado. Muchas veces empiezan con una necesidad. Un problema. Una curiosidad. Una tarea que necesitan completar. Un concepto que necesitan entender rápido. A partir de ahí, el proceso se vuelve caótico de una forma muy familiar. Buscan. Abren múltiples pestañas. Miran parte de un video. Escanean un artículo. Comparan explicaciones. Copian algunas notas. Le preguntan a alguien. Prueban algo. Vuelven atrás. Refinan la pregunta. Buscan de nuevo.

En otras palabras, el aprendizaje muchas veces comienza dentro del flujo de trabajo, no fuera de él.

Ocurre mientras se hace. Ocurre bajo presión. Ocurre en contexto.

Y eso lo cambia todo para quienes diseñamos experiencias de aprendizaje.

Porque una vez que el aprendizaje se vuelve más contextual, más on-demand y más fragmentado, la vieja idea de que la educación siempre debe llegar en un paquete lineal empieza a sentirse menos natural como opción por defecto. No inútil. No obsoleta. Pero ya no suficiente por sí sola.

Aquí es donde la IA se vuelve especialmente poderosa.

No porque siempre dé la mejor respuesta, y ciertamente no porque deba reemplazar una enseñanza reflexiva, sino porque encaja casi perfectamente con el comportamiento actual de los aprendices. Un aprendiz puede hacer una pregunta en lenguaje simple, adaptar el nivel de complejidad, pedir ejemplos, cuestionar la respuesta, pedir alternativas y seguir refinando hasta que la respuesta se sienta relevante. Esa es una dinámica muy distinta a consumir pasivamente una explicación estática.

Esa también es la razón por la que tanta gente ya la está usando de manera informal, estén o no listas las instituciones.

El mismo estudio de HEPI encontró que los estudiantes usan IA generativa no solo para generar texto, sino también para explicar conceptos, resumir artículos, sugerir ideas de investigación y ahorrar tiempo mientras mejoran la calidad de su trabajo. En ese mismo informe, el 67% de los estudiantes dijo que usar IA es esencial en el mundo actual, mientras que solo el 36% dijo haber recibido formación en habilidades de IA por parte de su institución. Esa brecha es importante. Nos dice que el uso está ampliamente extendido, pero la orientación no avanza al mismo ritmo.

Y eso, para mí, es una de las señales educativas más claras de este momento.

Los aprendices se están adaptando más rápido que los sistemas.

Ya están construyendo sus propios flujos de trabajo no oficiales alrededor de la IA, la búsqueda, las notas, los prompts y el apoyo contextual rápido. Si los educadores respondemos solo defendiendo formatos más antiguos sin entender este cambio de comportamiento, corremos el riesgo de diseñar experiencias que se sientan cada vez más desconectadas de cómo realmente aprende la gente.

Eso no significa que todo curso deba convertirse en un chatbot. No significa que la estructura ya no importe. No significa que el aprendizaje profundo haya muerto.

Significa que el panorama de expectativas cambió.

La gente quiere relevancia.

Quiere velocidad, pero no a costa del sentido.

Quiere apoyo en su propio contexto.

Quiere hacer preguntas con sus propias palabras.

Quiere moverse entre la exploración y la guía, no quedar atrapada en un solo camino de principio a fin.

Y si así es como la gente aprende ahora, entonces los educadores necesitamos repensar no solo el contenido, sino también el formato, la interacción, el feedback y la autonomía.

Esa es la verdadera razón por la que esta conversación importa.

El desafío no es simplemente que la IA exista.

El desafío es que llegó a un entorno de aprendizaje que ya se estaba volviendo más fluido, más no lineal y más centrado en el aprendiz.

Así que la pregunta ya no es si este cambio está ocurriendo.

La pregunta es si estamos dispuestos a diseñar para él.

---

No podemos resolver esto fingiendo que la IA no está ahí

Siempre que la educación enfrenta una tecnología disruptiva, suele haber un período de confusión en el que la conversación se vuelve más estrecha de lo que debería.

Empezamos a hacer preguntas pequeñas porque las grandes se sienten más difíciles.

• ¿Podemos prohibirla?
• ¿Podemos detectarla?
• ¿Podemos evitar que los estudiantes la usen?
• ¿Podemos forzar al aprendizaje a volver a formas más antiguas?

Entiendo por qué aparecen esas preguntas. Vienen de preocupaciones válidas. La integridad académica importa. La autoría importa. La confianza importa. El pensamiento humano importa. Si una herramienta puede producir resultados pulidos rápidamente, entonces, por supuesto, a los educadores les va a preocupar lo que se vuelve invisible en el proceso: el esfuerzo, la comprensión, el juicio y el pensamiento original.

Esas no son sobrerreacciones. Son preocupaciones reales.

Pero la preocupación por sí sola no es una estrategia.

Y fingir que la IA puede simplemente eliminarse del entorno tampoco es una estrategia.

Si acaso, esa respuesta corre el riesgo de empeorar la situación. Crea una brecha entre el lenguaje institucional y el comportamiento real del aprendiz. Los estudiantes siguen usando las herramientas, pero ahora lo hacen sin expectativas compartidas, sin buena orientación y sin una comprensión clara de lo que significa un uso responsable.

Por eso creo que la respuesta más útil no es la negación, ni la rendición, sino el diseño.

No podemos construir para un mundo donde la IA no existe.

Tenemos que construir para un mundo donde sí existe, y donde los aprendices necesitan ayuda para usarla bien.

Eso significa que el rol del educador se vuelve aún más importante, no menos. Ya no somos solo proveedores de contenido. Somos diseñadores de condiciones. Definimos las reglas, los límites, los puntos de fricción, los momentos en que los estudiantes deberían pensar solos, los momentos en que el apoyo es apropiado y los momentos en que deben evaluar críticamente lo que un sistema les da.

En otras palabras, la respuesta no es quitar al ser humano. La respuesta es hacer que la responsabilidad humana sea más visible.

Esta es una de las razones por las que encuentro tan útil la AI Assessment Scale. En su formulación original, el marco fue diseñado para ayudar a los educadores a alinear el nivel permitido de uso de GenAI con el resultado de aprendizaje real de la tarea, desde sin IA hasta IA total. Es práctico, flexible y está construido alrededor de la claridad en lugar del pánico.

Igual de importante, investigaciones posteriores sobre la implementación piloto del AIAS sostuvieron que prohibir o bloquear herramientas de GenAI había demostrado ser ineficaz, y que los mejores resultados surgían de rediseñar la evaluación de maneras que preservaran una contribución humana significativa mientras integraban la tecnología de forma más transparente. El estudio reportó una reducción en los casos de mala conducta académica relacionados con GenAI y una participación estudiantil más fuerte con la tecnología cuando las expectativas se estructuraban con más claridad.

Eso importa.

Porque sugiere que el verdadero desafío educativo no es simplemente cómo vigilar la IA, sino cómo diseñar inteligentemente a su alrededor.

• ¿Cómo creamos actividades donde los estudiantes todavía necesiten cuestionar, interpretar, comparar, juzgar, defender y reflexionar?
• ¿Cómo permitimos formas útiles de apoyo sin reducir la tarea a apretar botones?
• ¿Cómo preservamos el rigor sin fingir que el entorno tecnológico está congelado en el tiempo?

Esas son preguntas de diseño.

Y las preguntas de diseño son donde los educadores todavía pueden liderar.

Ese es el espíritu detrás del resto de este post.

No me interesa construir un flujo de trabajo con IA que quite al docente, automatice el aula o convierta el aprendizaje en un atajo guiado por máquinas. Me interesa construir algo más útil que eso. Un sistema con límites, contexto y propósito. Un sistema que pueda ahorrar tiempo, apoyar la creatividad y hacer el aprendizaje más interactivo, mientras mantiene al ser humano al mando.

Ahí es donde la pedagogía se encuentra con la tecnología.

Y ahí es donde empieza la siguiente parte.

---

Por qué las herramientas no son suficientes

En este punto, sería fácil reducir toda la conversación a una cuestión de software.

• ¿Qué modelo deberíamos usar?
• ¿Qué app es mejor?
• ¿Qué plataforma es más segura?
• ¿Qué herramienta es más rápida?
• ¿Qué asistente suena más inteligente?

Esas no son preguntas inútiles. Importan. Pero por sí solas son demasiado pequeñas para el momento en el que estamos.

Porque el verdadero problema en educación no es la falta de herramientas. Si acaso, ocurre lo contrario. Estamos rodeados de herramientas. Constantemente aparecen nuevas. Algunas son impresionantes, algunas son superficiales y muchas son simplemente variaciones de la misma promesa: salidas más rápidas, menos esfuerzo, más productividad.

Pero el aprendizaje nunca dependió solo de herramientas.

Una herramienta poderosa en manos de alguien sin dirección puede producir confusión con más eficiencia. Una herramienta poderosa en manos de alguien que busca atajos puede producir vacío pulido. Una herramienta poderosa en una actividad mal diseñada puede ocultar un pensamiento débil bajo un lenguaje seguro de sí mismo.

Por eso no creo que la conversación deba empezar con ¿qué puede hacer la herramienta?
Debería empezar con ¿qué queremos que el aprendiz haga, entienda, cuestione y sea capaz de hacer mejor?

Esa diferencia importa.

Porque una vez que partimos del objetivo de aprendizaje en lugar de la herramienta, todo el proceso de diseño cambia. La pregunta ya no es si la IA puede ayudar. Por supuesto que puede. La mejor pregunta es dónde ayuda de una forma pedagógicamente útil, éticamente clara y que siga dejando espacio para un juicio humano visible.

Ahí es donde muchas conversaciones educativas sobre IA todavía se sienten poco desarrolladas. Hablamos de acceso, pero no siempre de límites. Hablamos de innovación, pero no siempre de intencionalidad. Hablamos de eficiencia, pero no siempre del tipo de pensamiento que estamos protegiendo o intentando cultivar.

Y por eso creo que los educadores necesitan más que herramientas.

• Necesitamos diseño creativo.
• Necesitamos expectativas claras.
• Necesitamos reglas que sean comprensibles y realistas.
• Necesitamos límites de seguridad que no traten a los estudiantes como adversarios, pero que tampoco los dejen solos en una niebla moral vaga.

Y necesitamos experiencias de aprendizaje que dejen claro cuándo la IA es apoyo, cuándo es colaboración y cuándo debe hacerse a un lado.

Porque si no podemos luchar contra la existencia de la IA, y yo no creo que podamos, entonces la respuesta responsable no es la rendición. Es la preparación.

Los estudiantes vivirán y trabajarán en un mundo donde la IA es normal. Escribirán con ella, buscarán con ella, planificarán con ella y casi con certeza cometerán errores con ella. El rol de la educación, entonces, no es preservar un mundo artificial donde esas herramientas no existen. Es ayudar a los aprendices a desarrollar el juicio para usarlas correctamente, de forma crítica y con un claro sentido de responsabilidad.

Eso significa que el valor real no está en el modelo en sí. Está en el sistema alrededor del modelo.

• Los prompts.
• Las restricciones.
• El contexto.
• Las reglas de interacción.
• Las expectativas sobre lo que sigue siendo humano.
• Los momentos en los que el aprendiz todavía debe pensar, comparar, justificar, revisar y decidir.

Por eso me interesa construir flujos de trabajo, no simplemente probar software.

Un flujo de trabajo refleja una filosofía.

Y la filosofía que me importa es simple: la IA debería expandir lo que es posible en el aprendizaje sin volver opcional el pensamiento humano.

Ese es el estándar contra el que quiero diseñar. No la novedad por sí misma. No la automatización por sí misma. No contenido más rápido por sí mismo.

Lo que importa es si el uso de la IA produce algo más significativo, más interactivo, más adaptable y más intencional que lo que teníamos antes.

Si no lo hace, entonces el hecho de que sea técnicamente impresionante no alcanza.

Por eso el siguiente paso en esta conversación es tan importante.

Antes de empezar a instalar cualquier cosa, antes de construir un flujo de trabajo, antes de generar una sola nota o actividad, necesitamos una forma de definir qué tipo de uso de IA es realmente apropiado para una tarea determinada.

Y ahí es donde un marco se vuelve esencial.

---

Entra en escena la AI Assessment Scale

Una de las razones por las que tantas conversaciones sobre IA en educación se sienten caóticas es que muchas veces siguen siendo demasiado abstractas.

La gente dice cosas como los estudiantes pueden usar IA, o los estudiantes no pueden usar IA, o la IA está permitida con limitaciones, pero sin suficiente detalle como para que esas afirmaciones se vuelvan útiles en la práctica. El resultado es confusión, inconsistencia y mucha ansiedad evitable.

• ¿Qué cuenta como uso aceptable?
• ¿Puede un estudiante hacer brainstorming con IA?
• ¿Puede editar con ella?
• ¿Puede generar ideas pero no la redacción final?
• ¿Puede usarla como parte de un ejercicio si todavía se requiere reflexión?
• ¿Puede usarla por completo si el objetivo de aprendizaje no es la autoría, sino la estrategia, la iteración o la evaluación?

Esas no son preguntas menores. Dan forma a la tarea misma.

Por eso encuentro tan valiosa la Artificial Intelligence Assessment Scale, o AIAS.

La AIAS fue introducida como un marco práctico y flexible para integrar la IA generativa en la evaluación educativa. En lugar de tratar el uso de IA como una cuestión de sí o no, propone cinco niveles de involucramiento, que van desde Nivel 1: Sin IA hasta Nivel 5: IA Total, con cada nivel alineado a distintos objetivos de aprendizaje y distintos grados de responsabilidad estudiantil.

Ese cambio es increíblemente importante.

Porque una vez que enmarcás el uso de la IA como un espectro y no como una dicotomía, la conversación se vuelve mucho más educativa y mucho menos reactiva. La pregunta deja de ser ¿la IA es buena o mala? y pasa a ser ¿qué tipo de uso de IA apoya el propósito de esta tarea sin borrar el trabajo humano que más importa?

Esa es una pregunta mucho mejor.

• En el Nivel 1, no se permite IA. Esto tiene sentido cuando el objetivo es observar comprensión sin ayuda, pensamiento espontáneo o demostración directa de conocimiento o habilidad.
• En el Nivel 2, los estudiantes pueden usar IA para generación de ideas, brainstorming y estructuración, pero la producción final sigue siendo completamente de autoría humana.
• En el Nivel 3, la IA puede ayudar a refinar y editar el propio trabajo del aprendiz. Esto es especialmente útil cuando el objetivo no es evaluar la fluidez a nivel de oración, sino apoyar la claridad, la coherencia o la accesibilidad del lenguaje.
• En el Nivel 4, el estudiante puede usar IA para completar parte de una tarea, pero debe evaluar críticamente, interpretar, comparar o analizar la producción resultante.
• En el Nivel 5, la IA puede usarse a lo largo de todo el proceso, a menudo en tareas más abiertas, creativas, exploratorias o alineadas con la industria, donde el valor humano reside en la orquestación, la toma de decisiones y la calidad del resultado final más que en la ausencia de asistencia de máquina.

Lo que valoro de este modelo no es solo su claridad, sino también su honestidad.

Reconoce que la IA ya forma parte del panorama. No desperdicia energía fingiendo lo contrario. Al mismo tiempo, no cae en un enfoque descuidado de todo vale. Preserva un lugar para la autoría humana, la evaluación crítica y la integridad académica, al tiempo que da a los educadores un lenguaje para hacer visibles las expectativas.

Esa visibilidad importa.

La investigación sobre la implementación piloto del AIAS reportó que las simples prohibiciones y estrategias de bloqueo habían demostrado ser ineficaces, y que los mejores resultados surgían del rediseño de la evaluación que hacía el uso de la IA más transparente y más alineado intencionalmente con el aprendizaje. El estudio también reportó una reducción en la mala conducta académica relacionada con GenAI y una participación estudiantil más fuerte cuando el marco se usaba en la práctica.

Para mí, esa es una de las lecciones más útiles de todo este debate.

Los estudiantes no solo necesitan permiso o prohibición. Necesitan claridad.

Necesitan saber dónde la IA puede apoyarlos, dónde no puede reemplazarlos y dónde su propia interpretación, decisiones y responsabilidad siguen siendo esenciales.

Esa es exactamente la razón por la que este marco ocupa el centro del flujo de trabajo que quiero explorar en este post.

Porque no me interesa mostrar una stack local de IA solo para demostrar que puede generar contenido. Me interesa mostrar cómo puede usarse dentro de una estructura educativa más reflexiva.

En el ejemplo que voy a construir más adelante en este artículo, voy a usar esa estructura de forma muy deliberada.

Una de las actividades se alineará con el Nivel 3, donde los estudiantes usan IA como apoyo para refinar y mejorar sus propias preguntas de entrevista. La segunda actividad se alineará más de cerca con el Nivel 5, donde los estudiantes interactúan con un rol o escenario impulsado por IA como parte de la experiencia de aprendizaje.

Esa distinción importa porque el objetivo de la actividad cambia.

El rol de la herramienta cambia.

El tipo de pensamiento humano que queremos preservar cambia.

Y una vez que esas diferencias se vuelven explícitas, la tecnología se vuelve mucho más fácil de diseñar alrededor de ella.

Ese es el momento en que el marco deja de ser teórico y empieza a volverse práctico.

Porque ahora ya no estamos preguntando si la IA pertenece a la educación.

Estamos haciendo una pregunta mucho más útil:

¿Qué tipo de IA pertenece a esta actividad, bajo estas condiciones, para este objetivo de aprendizaje?

Esa es la pregunta que hace posible la siguiente parte.

---

Por qué elegí una configuración local de IA

Una vez que los límites pedagógicos están claros, la conversación sobre tecnología se vuelve mucho más útil.

En ese punto, ya no me pregunto qué herramienta se ve más impresionante en una demo, ni qué plataforma produce el resultado más vistoso. Me estoy preguntando algo mucho más práctico:

¿Qué tipo de configuración me da más control sobre la forma en que quiero trabajar, diseñar y enseñar?

Esa pregunta fue la que me llevó a la IA local.

Para mí, el atractivo de una configuración local no es solo curiosidad técnica. No se trata de construir algo complicado por el simple hecho de la complejidad, y definitivamente no se trata de fingir que todo educador necesita convertirse en ingeniero de sistemas. Lo que me interesa es que la IA local cambia la relación entre el usuario y la herramienta.

En lugar de adaptarme por completo a la plataforma de otra persona, puedo dar forma al entorno de una manera más intencional.

• Puedo elegir el modelo.
• Puedo definir el flujo de trabajo.
• Puedo organizar la base de conocimiento.
• Puedo decidir en qué debería ayudar el asistente.
• Puedo construir límites alrededor del tipo de trabajo que quiero que apoye.

Tampoco estoy pensando constantemente en tokens, límites o suscripciones. Puedo explorar ideas, iterar y construir sin esa presión invisible moldeando cómo y cuándo uso la herramienta. Y quizá lo más importante, puedo mantener todo el proceso más cerca de mi propio contexto.

Esa última parte importa mucho en educación.

Cuando trabajamos con materiales de clase, prompts, notas, contexto histórico, rúbricas, ejemplos y actividades en borrador, rara vez estamos lidiando con una sola entrada limpia y una sola salida limpia. El proceso es por capas. Hay ideas en desarrollo, estructuras a medio terminar, notas que todavía necesitan orden, preguntas que todavía no están del todo definidas y objetivos de aprendizaje que necesitan traducirse en actividades. En ese tipo de entorno, lo que necesito no es solo una máquina de respuestas. Necesito un asistente que pueda trabajar con mis materiales y dentro de un flujo de trabajo que tenga sentido para mí.

Esa es exactamente la razón por la que esta stack me resultó tan prometedora.

• Beelink me da hardware confiable y potente en un formato pequeño.
• Ubuntu me da una base estable sobre la que trabajar.
• Ollama me permite ejecutar modelos de lenguaje locales de una forma relativamente simple y accesible.
• OpenClaw me da una capa más similar a un agente, con estructura, archivos reutilizables y la posibilidad de construir un sistema que se comporte de una manera más intencional.
• Obsidian me da algo que considero esencial en todo este proceso: un lugar para construir y conectar conocimiento, no solo para almacenar archivos.

Juntas, estas herramientas crean algo más interesante que un chatbot.

Crean la posibilidad de un entorno de trabajo.

Un lugar donde puedo pasar de ideas en bruto a notas organizadas, de notas a conocimiento estructurado, de conocimiento estructurado a recursos instruccionales reutilizables, y de ahí a actividades reales de aula.

Esa es la parte que más me entusiasma.

Porque cuando la gente habla de IA en educación, la conversación suele saltar directamente al resultado. Generar una lección. Generar un cuestionario. Generar una explicación. Generar una guía de trabajo.

Pero a mí me interesa mucho más el espacio de diseño que ocurre antes del resultado final.

• ¿Cómo moldeo el comportamiento del asistente?
• ¿Cómo defino lo que debería y no debería hacer?
• ¿Cómo hago que sea útil para mi propio flujo de trabajo, y no solo impresionantemente general?
• ¿Cómo construyo algo que apoye mi trabajo como educador en lugar de convertirme en un revisor pasivo de material generado por máquinas?

Esa es la verdadera promesa de la IA local para mí.

No automatización total.

No reemplazo.

No velocidad a cualquier costo.

Lo que quiero es control, adaptabilidad y un sistema que pueda tratar menos como una máquina expendedora y más como un compañero de trabajo con límites.

Y hay otra razón por la que esto me resulta especialmente valioso.

En un momento en que tantas experiencias de IA se están volviendo más cerradas, más abstractas y más dependientes de las decisiones de interfaz de otras personas, hay algo profundamente útil en construir una configuración que vuelva a hacer visible la lógica del proceso. Puedo ver la estructura. Puedo definir las carpetas. Puedo escribir los archivos que moldean el comportamiento. Puedo organizar la base de conocimiento de una forma que refleje cómo pienso sobre un tema.

Para los educadores, esa visibilidad no es solo una preferencia técnica. Es parte de la pedagogía.

Porque si quiero enseñar de forma responsable con IA, necesito entender las condiciones bajo las cuales se está usando. Necesito saber de dónde viene el contexto, cómo está enmarcada la tarea, qué restricciones están en juego y qué tipo de salida estoy pidiendo realmente.

Una configuración local no resuelve automáticamente esas preguntas, por supuesto. Pero me da un mejor espacio para responderlas de forma deliberada.

Por eso este post no trata simplemente de instalar herramientas. Trata de construir un pequeño entorno de diseño de aprendizaje: uno que pueda ayudarme a crear conocimiento, dar forma a actividades, ahorrar tiempo y, aun así, mantener al educador firmemente en el centro del proceso.

Pero la teoría solo importa si se vuelve práctica. Así que, en lugar de detenerme aquí para hablar de la configuración en términos abstractos, construyámosla.blar de la configuración en términos abstractos, vamos a construirla.

---

El sistema que estoy usando para este experimento corre sobre una Beelink SER9 Pro AMD Ryzen™ AI 9 HX 370 con 64 GB de RAM y Ubuntu.

Y la stack es simple: Ollama para ejecutar el modelo localmente, Obsidian para estructurar la base de conocimiento y OpenClaw para sumar una capa más similar a un agente que me ayude a transformar material en bruto en algo más utilizable.

Mi objetivo no es simplemente lograr que un modelo funcione. Mi objetivo es crear un flujo de trabajo que pueda pasar de tema a wiki, de wiki a mini brain, y de mini brain a actividad de aula.

Antes de meternos de lleno, una nota rápida: voy a mantener esta parte práctica y enfocada. No voy a profundizar en troubleshooting ni en casos límite, porque eso depende mucho del hardware, la configuración y las restricciones de cada persona. Este flujo de trabajo también puede funcionar en Windows, pero los pasos exactos pueden variar. Ya existen innumerables guías que cubren esos escenarios en detalle. Lo que comparto acá es simplemente lo que me funcionó a mí. Y eso también es parte del punto. Cuando controlás tu propio flujo de trabajo, no quedás atrapado en una única forma “correcta” de hacer las cosas. Podés probar, ajustar y adaptar la configuración a tu propio contexto. Más importante aún, el foco aquí no es la tecnología en sí, sino lo que podés hacer con ella. El objetivo no es solo lograr que un modelo funcione, sino construir un flujo de trabajo que apoye un diseño de aprendizaje real.

Así que empecemos con el primer paso: instalar Ollama y descargar el modelo.

---

Instalando Ollama

El primer paso es lograr que un modelo local funcione, y para eso estoy usando Ollama.

Ollama hace que sea muy fácil ejecutar modelos de lenguaje locales sin lidiar con configuraciones complejas o dependencias. Te da una interfaz simple para descargar, ejecutar y administrar modelos directamente desde tu máquina.

1. Instalar Ollama

En Ubuntu, podés instalarlo con:

curl -fsSL https://ollama.com/install.sh | sh

Una vez que la instalación esté completa, podés verificarla ejecutando:

ollama -v

Si todo está funcionando, ya estás listo para descargar tu primer modelo.

(Si estás en Windows u otro sistema operativo, el proceso de instalación es un poco diferente, pero la idea es la misma. Hay muchas guías disponibles según tu configuración.)

3. Descargar un modelo

Para este flujo de trabajo, estoy usando:

ollama pull qwen3.5:9b

Este modelo logra un buen equilibrio entre rendimiento y capacidad para una configuración local. Es lo suficientemente potente como para ser útil, pero sigue siendo práctico para ejecutarlo en una mini PC.

Una vez que termine la descarga, podés probarlo con:

ollama run qwen3.5:9b

Escribí cualquier prompt. Si obtenés una respuesta, ya está listo.

En este punto, ya tenés algo importante: un modelo de IA local ejecutándose en tu propia máquina.

Solo eso ya cambia la dinámica.

Ya no dependés de una interfaz externa. Tenés algo que podés integrar en tu propio flujo de trabajo, moldear y usar como parte de un sistema más amplio.

Y ahí es donde las cosas empiezan a ponerse interesantes.

---

Instalar Obsidian

El siguiente paso es instalar Obsidian, que usaremos más adelante para organizar y trabajar con nuestro contenido.

Obsidian es una herramienta liviana para gestionar notas localmente, y funciona muy bien como base para construir una base de conocimiento estructurada.

1. Descargar e instalar

Andá al sitio oficial de Obsidian y descargá la versión para tu sistema operativo.

Seguí el proceso de instalación estándar para tu sistema operativo. La configuración es sencilla y no debería llevar más de un par de minutos.

2. Crear una bóveda

Una vez instalado, abrí Obsidian y creá un nuevo vault.

Un vault es simplemente una carpeta en tu máquina donde vivirá este sistema. Podés ponerle el nombre que quieras y guardarlo donde tenga más sentido para tu flujo de trabajo.

Por ahora, eso es todo lo que necesitamos.

---

Instalar OpenClaw

Con Ollama y Obsidian listos, el siguiente paso es OpenClaw.

OpenClaw agrega una capa sobre tu modelo local que te permite definir estructura, instrucciones y comportamiento. En lugar de trabajar con prompts aislados, empezás a trabajar con un sistema que puede conservar contexto y seguir una configuración más intencional.

1. Instalar OpenClaw

En Ubuntu, podés instalarlo con:

curl -fsSL https://openclaw.ai/install.sh | bash

Esto instalará OpenClaw y lanzará el proceso de onboarding directamente en tu terminal.

2. Completar el onboarding

Una vez que la instalación se complete, OpenClaw te va a guiar a través de una configuración paso a paso.

Algunas cosas a tener en cuenta:

• La navegación ocurre en la terminal.
  • Usá las flechas para moverte, la barra espaciadora para seleccionar y enter para confirmar.
• Te va a pedir que elijas un modelo por defecto.
  • En esta configuración, podés seleccionar tu modelo local de Ollama.
• Puede que veas opciones para proveedores externos.
  • Son opcionales. Como estamos trabajando de forma local, podés saltearlas o ignorarlas.
• Algunas funciones, como la búsqueda web u otras herramientas adicionales, pueden configurarse más adelante.
  • No hace falta habilitar todo en esta etapa.

3. Mantenelo simple

OpenClaw incluye varias opciones avanzadas:

• integraciones externas
• canales de mensajería
• herramientas y skills adicionales

Para este flujo de trabajo, no necesitás la mayoría de ellas.

El objetivo acá no es construir un agente completamente conectado.
El objetivo es crear un entorno local controlado sobre el que puedas construir.r.

4. Dejá que genere sus archivos base

Dentro, va a generar un conjunto de archivos que definen cómo funciona tu agente.

Vas a ver cosas como:

• AGENTS.md → instrucciones centrales y memoria
• SOUL.md → tono, comportamiento y límites
• IDENTITY.md → definición básica del agente
• TOOLS.md → cómo se usan las herramientas
• USER.md → información sobre vos

Todavía no necesitás editar estos archivos.

Solo tené en cuenta que acá es donde el sistema empieza a volverse personalizable.

5. Verificá que todo funcione

Antes de seguir, hacé una prueba rápida:

• Asegurate de que OpenClaw inicie correctamente.
• Confirmá que se conecta a tu modelo de Ollama.
• Enviá una solicitud simple y verificá que recibís una respuesta.
• Confirmá que puede ver la carpeta de tu vault.

Si eso funciona, tu configuración está lista.

---

El caso de uso: de contenido en bruto a actividad de aula

Ahora que la configuración está lista, la verdadera pregunta es qué hacemos con ella.

Para este ejemplo, no estoy usando el sistema para generar una lección aislada ni una guía genérica. Lo estoy usando para construir una pequeña LLM Wiki, inspirada en el patrón de wiki de Andrej Karpathy, para tener mucho más control sobre el contexto antes de generar cualquier cosa orientada a estudiantes. En el documento del flujo de trabajo, OpenClaw está posicionado explícitamente como una base de conocimiento y arquitecto de lecciones que mantiene una wiki estructurada a partir de materiales fuente y luego construye Mini Brains a partir de ese contexto.

Esa distinción importa.

No quiero que la actividad dependa de lo que el modelo casualmente sepa en ese momento. Quiero que funcione desde una capa de contexto que pueda inspeccionar, organizar, mejorar y reutilizar. Por eso el flujo de trabajo comienza con contenido en bruto, pasa a una wiki y solo entonces produce los recursos orientados a estudiantes.

En términos prácticos, la estructura es muy simple:

vault/
├── raw/
├── wiki/
├── minibrains/
└── instrucciones.md

La lógica detrás también es simple. La carpeta raw/ contiene el material fuente original. La carpeta wiki/ se convierte en la base de conocimiento estructurada mantenida por OpenClaw. La carpeta minibrains/ almacena los archivos de persona orientados a estudiantes. Y instrucciones.md le dice a OpenClaw qué tipo de sistema se supone que es este, cómo debe ingerir información, cómo debe organizar conocimiento y cómo debe crear Mini Brains. En las instrucciones adjuntas, raw/ se trata explícitamente como inmutable, wiki/ contiene las páginas markdown mantenidas más un índice y un log, y minibrains/ contiene los archivos de persona alineados al AIAS que usarán los estudiantes.

Lo que me gusta de esta estructura es que es clara sin ser rígida.

Nada acá está escrito en piedra. Podés cambiar las carpetas, renombrar los archivos, simplificar el flujo de trabajo o expandirlo según tu propio contexto. El punto no es presentar una arquitectura sagrada. El punto es mostrar un patrón práctico que vuelve el flujo de trabajo más intencional y más fácil de controlar.

El archivo más importante de esta configuración probablemente sea instrucciones.md.

Aviso: este workflow fue diseñado originalmente en inglés, por lo que el archivo de instrucciones traducido puede contener diferencias, matices distintos o posibles errores respecto de la versión original.

Ese archivo actúa como la lógica operativa del proyecto. Le dice a OpenClaw cuál es su propósito, para qué sirve cada carpeta, cómo debe funcionar la ingestión, cómo deben formatearse las páginas de la wiki, cómo deben crearse los Mini Brains, cómo deben respetarse los niveles de AIAS, e incluso cómo deben manejarse las citas, los logs y las auditorías. En otras palabras, OpenClaw no está improvisando su rol desde cero. Se le está dando una descripción de trabajo, una estructura y un conjunto de límites antes de que empiece el trabajo real.

Este archivo no apareció de la nada. Es el resultado de combinar ideas de distintas fuentes a lo largo del tiempo, incluyendo guías, videos, el repositorio original de GitHub de llm-wiki y experimentación. A esta altura, honestamente no puedo rastrear el origen exacto de la estructura original. Si el autor original de este patrón llega a encontrarse con esto, me gustaría reconocer que este trabajo se apoya sobre esa base y expresar mi agradecimiento.

Eso importa porque, una vez que el asistente tiene instrucciones claras, el workflow se vuelve mucho más confiable.

En lugar de lanzar prompts a un modelo esperando que las respuestas se mantengan coherentes, puedo alimentar al sistema con contenido en bruto y dejar que procese ese material dentro de una estructura definida. En este caso de uso, el contenido en bruto es el material fuente que quiero que el sistema ingiera para crear una capa de conocimiento contextual antes de generar resultados orientados al estudiante. Según las instrucciones, ese workflow de ingestión incluye leer la fuente completa, discutir las ideas clave, crear páginas de resumen, mapear conceptos históricos, interconectarlos, y actualizar tanto el índice como el log.

Ahí es donde la wiki se vuelve importante.

La wiki no es solo un espacio de almacenamiento para resúmenes. Es la capa que me da control sobre el contexto. Le permite al sistema mapear conceptos, conectar ideas y mantener un registro visible de cómo la base de conocimiento evoluciona. También me da algo que puedo revisar y refinar antes de pasar al diseño de actividades. Esa es una dinámica muy distinta de saltar directamente del material fuente a preguntas de quiz o prompts de roleplay.

Una vez creado el vault, necesito asegurarme de que OpenClaw sepa dónde vive el proyecto y qué reglas debe seguir. En mi caso, el vault está en una ruta local como ~/Documents/Vault/, y una de las primeras cosas que pregunto es si OpenClaw puede acceder a esa ubicación, ver las carpetas raw/, wiki/ y minibrains/, y leer el archivo instrucciones.md. Eso importa porque no quiero que el asistente improvise el workflow desde cero. Quiero que trabaje dentro de la estructura y las reglas que ya están definidas en el vault.

Antes de pedirle que ingiera nada, empiezo con un prompt simple de verificación:

¿Podés confirmar que tenés acceso a ~/Documents/Vault/ y que podés ver las carpetas raw/, wiki/ y minibrains/, así como también el archivo instrucciones.md? Por favor, leé el archivo de instrucciones y decime si hay algo que no esté claro antes de que empecemos.

Una vez confirmado eso, puedo pasar al paso real de ingesta. En este ejemplo, agregué dos archivos a la carpeta raw/: una copia del artículo de Wikipedia sobre la Revolución Industrial y la transcripción de un video de YouTube de 1 hora y 40 minutos sobre el tema.

Luego le hice este prompt a OpenClaw:

Acabo de agregar 2 archivos sobre la Revolución Industrial a la carpeta raw/. Por favor, leelos, seguí las instrucciones de instrucciones.md y actualizá la wiki.

A partir de ahí, OpenClaw empieza a avanzar por el workflow de ingestión, pero esto es mucho más que leer y resumir.

Actúa como un aliado en el proceso.

Lee el contenido en bruto, identifica las ideas clave, extrae conceptos relevantes y empieza a darles forma dentro de un sistema de conocimiento estructurado. Decide qué merece su propia página, qué debería agruparse, cómo se relacionan los conceptos entre sí y dónde deberían crearse enlaces. Construye resúmenes, organiza información, conecta temas, y prepara todo para que pueda reutilizarse después.

En lugar de darme una única salida, está haciendo el trabajo de base de curación, organización y construcción de contexto.

Si se encuentra con obstáculos, puede decirlo. Una vez que termina de leer, informa lo que encontró, lo que planea crear o actualizar, y pide aprobación final antes de hacer cambios. Ese paso es importante porque mantiene el workflow colaborativo. Yo puedo validar la dirección, ajustar el alcance o refinar el enfoque antes de que la base de conocimiento crezca.

Una vez aprobado, OpenClaw pasa de la planificación a la ejecución.

Crea las páginas de la wiki, mapea los conceptos, establece relaciones entre ellos, actualiza el índice, registra los cambios, y transforma material en bruto en algo estructurado y navegable. Lo que empezó como un par de archivos se convierte en una red creciente de ideas conectadas.

Ahí es donde el sistema realmente empieza a cobrar vida.

En Obsidian, la Graph View empieza a llenarse de nodos y enlaces a medida que la wiki crece. Conceptos que antes estaban enterrados dentro de documentos largos ahora existen como piezas individuales que pueden explorarse, conectarse y reutilizarse. El contexto ya no está oculto. Se vuelve visible, inspeccionable y editable.

Ahí es también donde Obsidian se vuelve especialmente útil como un sistema liviano de contexto tipo RAG. Si quiero refinar el contexto, no necesito reconstruir nada complejo. Puedo simplemente abrir una nota, ajustar el contenido, guardarla, y la base de conocimiento mejora al instante.

Esa combinación es lo que vuelve tan poderoso al workflow.

OpenClaw se encarga del trabajo pesado de convertir contenido en bruto en conocimiento estructurado, y Obsidian me da control total para revisar, editar y moldear ese conocimiento con el tiempo.

Una vez que estoy conforme con la wiki, el siguiente paso es pasar de la construcción de contexto al diseño de actividades. En ese punto, puedo pedirle a OpenClaw que me ayude a hacer brainstorming de posibles Mini Brains, dar forma a los rasgos de la persona, definir los límites, y luego generar los archivos finales que realmente van a usar los estudiantes.

Una vez que esa capa contextual está en su lugar, el workflow puede pasar a la siguiente fase: crear Mini Brains.

Un Mini Brain no es solo un prompt, y no es solo una persona. En este sistema, es un documento enfocado que combina identidad, propósito, reglas de comportamiento, prioridad de instrucciones, referencia de conocimiento y lógica de cumplimiento para una tarea específica. Las instrucciones adjuntas definen un Mini Brain como un archivo estructurado que contiene una identidad de una sola oración, un nivel de AIAS, un propósito, prioridad de instrucciones, comportamientos obligatorios y prohibidos, una referencia de conocimiento y una lógica de juicio de cumplimiento.

Esa estructura es lo que vuelve poderosos a los Mini Brains.

No solo apoyan la clase que estamos enseñando, sino que también construyen activamente alfabetización en IA. Los estudiantes no están simplemente interactuando con un modelo. Están aprendiendo a trabajar con IA bajo condiciones claras, entendiendo qué puede y qué no puede hacer, y desarrollando el juicio para usarla de forma responsable.

En muchos sentidos, un Mini Brain funciona como un custom GPT portable.

En lugar de depender de una plataforma específica, una suscripción o un conjunto de funciones, el comportamiento queda definido en el propio documento. Eso significa que los estudiantes pueden usarlo con el LLM que prefieran, ya sea una cuenta gratuita, una herramienta provista por la escuela o incluso un modelo local.

Esa portabilidad importa.

Baja la barrera de entrada y vuelve la actividad más accesible. Los estudiantes no necesitan herramientas premium para participar. Esto se vuelve especialmente valioso en zonas remotas, contextos de bajos ingresos o entornos donde el acceso a la tecnología es desigual. La experiencia de aprendizaje no queda encerrada detrás de una plataforma. Viaja con el estudiante.

En lugar de pedirle a un LLM que improvise un rol a partir de conocimiento general, puedo darles a los estudiantes un contexto acotado y un marco de comportamiento claro. La IA que usen sigue siendo su propia herramienta, pero el Mini Brain da forma a cómo esa herramienta debe comportarse durante la actividad.

Ese cambio es sutil, pero importante.

Porque desplaza el foco de la herramienta en sí al diseño de la interacción.

Para esta clase, quiero crear dos Mini Brains.

Al principio, le pedí a OpenClaw que sugiriera algunas personas, solo para probarlo. Los resultados fueron geniales, pero como yo ya tenía una actividad específica en mente, después le pedí que actualizara contenido en la wiki y creara dos Mini Brains enfocados a partir de esa idea.

El primero ayudará a los estudiantes a preparar sus preguntas de entrevista. Esta es la capa más guiada. Está diseñada para apoyar a los estudiantes mientras piensan qué preguntar, refinan la redacción y estructuran su enfoque antes de la interacción real.

El segundo será la persona histórica a la que van a entrevistar. Ese Mini Brain contendrá la persona, el conocimiento contextual y las reglas de comportamiento necesarias para el roleplay en sí.

Ahí es donde la actividad se vuelve especialmente interesante.

A los estudiantes no simplemente se les dirá “usen IA”. Se les dará una estructura mucho más intencional. Primero, usarán un Mini Brain para prepararse. Después usarán otro Mini Brain para realizar una entrevista con una persona situada durante la Revolución Industrial. Lo harán con el LLM de su elección, siguiendo las instrucciones que yo les proporcione, y su entrega final incluirá no solo la tarea terminada, sino también una copia de sus interacciones con las IA que hayan usado. Ese requisito hace que el proceso sea más visible, más reflexivo y más alineado con la idea de que el uso de IA en el aprendizaje debería ser explícito y no oculto.

Ese es, para mí, el valor real de este flujo de trabajo.

No se trata solo de que pueda generar contenido localmente. Se trata de que me permite pasar de material fuente, a contexto estructurado, a comportamiento de IA específico para la tarea, y finalmente a una actividad estudiantil más guiada, más transparente y más pedagógicamente intencional.

En otras palabras, la configuración local no es el punto de llegada.

Es la base que hace posible el diseño de aprendizaje.

Después de unos minutos, los Mini Brains estuvieron listos.

---

Poniendo los Mini Brains a trabajar

Ahora que los Mini Brains están listos, es momento de ponerlos a prueba.

En este punto, el flujo de trabajo pasa del diseño a la evaluación. Ahora necesito convertir todo esto en una actividad que los estudiantes realmente puedan completar. El objetivo no es solo darles un archivo ingenioso y esperar que todo salga bien. El objetivo es crear una experiencia de aprendizaje clara, acotada e intencional.

Para la primera etapa de la actividad, los estudiantes usarán el Mini Brain de Nivel 3. Es el que está diseñado para ayudarlos a mejorar sus preguntas de entrevista sobre la Revolución Industrial. La IA está ahí como un compañero de pensamiento, no como un atajo.

Esa primera etapa es intencionalmente enfocada y acotada. El objetivo no es la velocidad. No es la conveniencia. No es pedirle a la IA que produzca algo pulido a demanda. El objetivo es ayudar a los estudiantes a bajar un poco la velocidad para pensar, refinar y apropiarse de sus preguntas.

En este nivel, el Mini Brain actúa como una guía. Ayuda a los estudiantes a mejorar la redacción, profundizar su pensamiento y verificar si sus preguntas realmente encajan en el contexto histórico de la consigna. Pero el trabajo intelectual sigue siendo de ellos. Son ellos quienes deciden qué preguntar, qué cambiar y qué vale la pena conservar.

Eso importa porque un buen uso de IA en educación no se trata solo de permiso. Se trata de claridad de rol. Si los estudiantes no entienden cuál es la función de la IA, la herramienta se convierte rápidamente en un atajo en lugar de un sistema de apoyo.

Una vez que esa primera etapa se completa, la actividad puede expandirse.

Ahora que los estudiantes tienen un conjunto de preguntas más sólido, están listos para el segundo Mini Brain. Ahí es donde el flujo de trabajo se vuelve más interactivo, más inmersivo y más abierto. En lugar de usar la IA como editora, los estudiantes ahora la usan como parte del propio entorno de aprendizaje.

El segundo Mini Brain está diseñado para encarnar a la persona histórica que van a entrevistar. Le da al modelo una persona, un contexto histórico acotado y un conjunto claro de reglas de comportamiento para que la interacción se mantenga alineada con la lección. En otras palabras, la IA ya no está ayudando a los estudiantes a prepararse para la actividad. Ahora es parte de la actividad.

Este es también el punto en el que el paso del Nivel 3 al Nivel 5 se vuelve visible.

En la primera etapa, la IA apoya el refinamiento. En la segunda, apoya la co-creación y el diálogo. Los estudiantes toman las preguntas que desarrollaron, interactúan con la persona histórica y usan esa conversación para explorar las realidades, tensiones y perspectivas de la vida durante la Revolución Industrial.

Ese cambio de rol es exactamente la razón por la que ambos Mini Brains importan. Uno ayuda a los estudiantes a construir mejores preguntas. El otro les ayuda a poner esas preguntas en juego dentro de una interacción más dinámica y significativa.

Acá está la consigna de Nivel 5 que recibirían los estudiantes para esa segunda etapa.

Lo que me resultó más interesante es que los Mini Brains no son solo un concepto. Funcionan. Moldean la interacción de una forma muy notoria.

Si querés sacarle el máximo provecho a este post, no te limites a leer sobre ellos. Probálos. Subí los archivos a tu IA favorita, iniciá el flujo de trabajo y experimentá cuán distinta se siente la interacción cuando a la IA se le da un rol claro y un contexto definido.

---

Conclusión: diseñar con IA, sin rendirse ante ella

Si hay algo que todo este experimento reforzó para mí, es que la IA se vuelve más útil cuando dejamos de tratarla como una caja mágica y empezamos a tratarla como parte de un sistema diseñado.

Esa, para mí, es la verdadera lección acá.

La parte más interesante de este workflow nunca fue el hecho de que yo pudiera ejecutar un modelo localmente. Nunca fue solo Ollama, ni Obsidian, ni OpenClaw, ni la satisfacción de ver cómo un gráfico se llenaba de nodos y conceptos. Esas cosas importan. Hacen posible el workflow. Pero no son el punto.

El punto es lo que pasa cuando tomamos estas herramientas y las usamos con intención.

En este ejemplo, eso significó construir una pequeña LLM Wiki para controlar el contexto, usar ese contexto para crear Mini Brains, y luego convertir esos Mini Brains en una experiencia de aprendizaje que ayuda a los estudiantes a pensar más profundamente, hacer mejores preguntas e interactuar con IA de una manera visible, acotada y con propósito.

También reveló algo más.

Como los Mini Brains son, en esencia, custom GPTs portables, la experiencia no queda encerrada detrás de una plataforma, una suscripción o una herramienta específica. Los estudiantes pueden usarlos con la IA a la que ya tienen acceso, ya sea una cuenta gratuita o un modelo local. Eso hace que este tipo de enfoque no solo sea flexible, sino también más accesible, especialmente en contextos donde los recursos son limitados.

Esa es una mentalidad muy distinta de simplemente pedirle a un chatbot que haga el trabajo.

Y creo que esa diferencia importa más que nunca.

Porque el futuro del aprendizaje no va a ser moldeado por educadores que intenten fingir que estas herramientas no existen. Va a ser moldeado por educadores que aprendan a usarlas a nuestro favor. No para reemplazar el pensamiento, sino para apoyarlo. No para automatizar al humano fuera del proceso, sino para hacer que el juicio humano, la creatividad y el diseño sean todavía más importantes.

Ahí es donde creo que nuestro rol está evolucionando.

Ya no somos solo creadores de contenido, constructores de cursos o traductores de expertise temática. Cada vez más, nos estamos convirtiendo en habilitadores creativos. Somos quienes definen las reglas, dan forma a los workflows, crean los límites de seguridad, diseñan las experiencias y preparan a los estudiantes no solo para consumir conocimiento, sino para navegar un mundo donde la IA ya forma parte de cómo el conocimiento se encuentra, se moldea y se usa.

Y esa preparación importa.

Nuestros estudiantes no necesitan un aula de fantasía donde la IA haya quedado encerrada afuera. Necesitan ayuda para aprender a trabajar con ella de manera responsable, crítica e intencional. Necesitan saber cuándo puede apoyarlos, cuándo debe ser cuestionada, cuándo debe ser limitada y cuándo su propio pensamiento necesita seguir completamente al volante.

Esa también es la razón por la que workflows como este no tratan solo de creación de contenido. Tratan de alfabetización en IA.

No de aprender qué botones apretar, sino de aprender a definir contexto, establecer límites y moldear interacciones de una manera que produzca resultados significativos.

Por eso este tipo de workflow me resulta tan emocionante.

Y también por eso herramientas como OpenClaw merecen más atención en este espacio.

No porque sean complejas, sino porque pueden actuar como un verdadero aliado para educadores.

Los docentes ya están navegando cargas de trabajo pesadas, tiempo limitado y presión constante por mantener a los estudiantes enganchados. Diseñar actividades significativas, adaptar contenido, crear variaciones y encontrar formas de hacer el aprendizaje más interactivo no es trivial. Requiere tiempo, energía y creatividad.

Lo que OpenClaw hace posible es un tipo diferente de apoyo.

Ayuda con el trabajo pesado de organizar contenido, estructurar conocimiento y preparar recursos reutilizables como los Mini Brains. Les da a los educadores una manera de experimentar con interacciones gamificadas, aprendizaje basado en roles y experiencias de aula más dinámicas sin tener que empezar desde cero cada vez.

También abre la puerta a entornos de aprendizaje más inclusivos.

Porque la salida es portable, flexible y no está atada a una única plataforma, permite que estudiantes con distintos niveles de acceso participen usando las herramientas que ya tienen. Ya sea que trabajen con cuentas gratuitas o con configuraciones locales, la experiencia puede seguir siendo estructurada, guiada y significativa.

Esa combinación importa.

Significa que no solo estamos agregando otra herramienta a la pila. Estamos creando un sistema que ayuda a los educadores a ahorrar tiempo, extender su creatividad, y diseñar experiencias de aprendizaje más atractivas y más accesibles al mismo tiempo.

No porque sea la única manera de hacer las cosas, y no porque todo el mundo deba copiar esta estructura exacta, sino porque muestra lo que se vuelve posible cuando dejamos de pensar la IA como una app más y empezamos a pensarla como algo que podemos moldear alrededor de nuestros propios objetivos.

Y este es solo un ejemplo.

La misma lógica podría adaptarse en muchísimas direcciones.

Con una capa de contexto distinta, personas diferentes e instrucciones distintas, esto podría convertirse en un workflow para aprendizaje corporativo, donde equipos de ventas practiquen conversaciones con prospectos realistas, donde equipos de HR ensayen entrevistas, donde managers se entrenen para conversaciones difíciles, o donde el onboarding se vuelva más interactivo y contextual. La estructura sigue siendo la misma, pero el caso de uso cambia.

Esa es la belleza de esto.

Una vez que entendés el patrón, las posibilidades se abren muy rápido.

• La wiki puede cambiar.
• Las personas pueden cambiar.
• Los Mini Brains pueden cambiar.
• La actividad puede cambiar.
• La audiencia puede cambiar.

Lo que permanece es la idea de fondo: crear contexto, definir comportamiento, moldear la interacción y mantener al humano al mando.

Por eso no veo workflows como este como curiosidades técnicas. Los veo como ejemplos tempranos de cómo podemos construir entornos de aprendizaje más intencionales, más flexibles y más creativos en un mundo que ya está cambiando.

Y, honestamente, creo que recién estamos empezando.

Las herramientas van a cambiar. Los modelos van a mejorar. Las interfaces van a evolucionar. Pero la oportunidad más profunda va a seguir siendo la misma: usar la tecnología no como reemplazo de una enseñanza y un diseño reflexivos, sino como una forma de extender en qué pueden convertirse una buena enseñanza y un buen diseño.

Esa es la dirección que quiero seguir explorando.

Porque si estamos dispuestos a ir más allá del miedo, más allá del hype y más allá de la adopción pasiva, entonces la IA no tiene por qué ser algo que le sucede a la educación.

Puede convertirse en algo que nosotros moldeamos activamente para el aprendizaje.

Y una vez que empezamos a pensar de esa manera, el límite es el cielo.