Uso de la inteligencia artificial como apoyo en la planificación didáctica docente: Un estudio de caso en el Bachillerato

Use of artificial intelligence as support in teaching planning: A case study in high school

Roberto Carlo Ramírez Suárez¹, Tomasa Nelly Mora Campos², Janeth Elizabeth Pita Parrales³ y Mercedes Ivonne Soriano Enríquez⁴

¹Ministerio de Educación, Deporte y Cultura, roberto.ramirez@docentes.educacion.edu.ec, https://orcid.org/0009-0002-4506-2048, Ecuador

²Ministerio de educación, Deporte y Cultura, tomasa.morac@docentes.educacion.edu.ec, https://orcid.org/0009-0004-7153-0137, Ecuador

³Minsterio de Educación, Deporte y Cultura, janeth.pita@docentes.educacion.edu.ec, https://orcid.org/0009-0002-9316-0769, Ecuador

⁴Minsterio de Educación, Deporte y Cultura, mercedes.soriano@docentes.educacion.edu.ec, https://orcid.org/0009-0008-7522-2413, Ecuador

Información del Artículo	RESUMEN
Trazabilidad: Recibido 15-02-2026 Revisado 16-02-2026 Aceptado 01-04-2026	La integración de la Inteligencia Artificial (IA) en la planificación didáctica constituye actualmente una problemática emergente de alta relevancia en la investigación educativa, debido a su impacto transformador en la sostenibilidad y calidad de la labor profesional docente. El presente estudio tuvo como objetivo analizar los obstáculos, beneficios y dilemas éticos que enfrentan los docentes de Bachillerato al incorporar herramientas de IA generativa en su práctica cotidiana, considerando factores críticos como la reducción de la carga burocrática y las estrategias de adaptación adaptativa desplegadas en su experiencia laboral. La investigación se desarrolló desde un paradigma cualitativo, empleando un diseño de estudio de caso con entrevistas en profundidad bajo una guía semiestructurada. Los resultados evidencian que el uso estratégico de la IA actúa como un factor de resiliencia ante la precariedad temporal, facilitando la creación de situaciones de aprendizaje significativas basadas en problemas (ABP) y permitiendo una personalización curricular profunda que, bajo métodos tradicionales, resultaba inalcanzable debido a las limitaciones de tiempo. Asimismo, se discute la importancia de la curaduría pedagógica del docente ante el riesgo de sesgos algorítmicos. Se concluye que la IA ha dejado de ser una innovación periférica para integrarse plenamente en las condiciones reales del trabajo docente moderno. Por tanto, su análisis resulta fundamental para comprender la compleja relación entre la innovación tecnológica, la eficiencia administrativa y la reconfiguración del ejercicio profesional, sentando las bases para nuevas políticas públicas que reconozcan y regulen el uso de estas herramientas en el fortalecimiento del sistema educativo nacional.
Palabras Clave: Inteligencia Artificial Planificación Didáctica Aprendizaje Basado en Problemas Bachillerato Carga Docente
Keywords: Artificial Intelligence Lesson Planning Problem-Based Learning High School Teaching Load	ABSTRACT The integration of Artificial Intelligence (AI) into lesson planning is currently a highly relevant emerging issue in educational research, due to its transformative impact on the sustainability and quality of teachers' professional work. This study aimed to analyze the obstacles, benefits, and ethical dilemmas faced by high school teachers when incorporating generative AI tools into their daily practice, considering critical factors such as the reduction of bureaucratic burden and the adaptive strategies deployed in their work experience. The research was conducted from a qualitative paradigm, employing a case study design with in-depth interviews using a semi-structured guide. The results show that the strategic use of AI acts as a resilience factor in the face of time constraints, facilitating the creation of meaningful problem-based learning (PBL) situations and enabling deep curriculum personalization that, under traditional methods, was unattainable due to time limitations. Furthermore, the importance of teacher pedagogical curation is discussed considering the risk of algorithmic bias. It is concluded that AI has ceased to be a peripheral innovation and has become fully integrated into the realities of modern teaching. Therefore, its analysis is fundamental to understanding the complex relationship between technological innovation, administrative efficiency, and the reconfiguration of professional practice, laying the groundwork for new public policies that recognize and regulate the use of these tools to strengthen the national education system.

INTRODUCCIÓN

La planificación didáctica en el nivel de Bachillerato constituye el andamiaje esencial sobre el cual se construye el derecho a la educación de calidad. No debe entenderse como un mero ejercicio de llenado de formatos o una simple formalidad institucional de cumplimiento burocrático; es, en esencia, una arquitectura de pensamiento pedagógico rigurosa que define la trayectoria, el sentido y el éxito del proceso de enseñanza-aprendizaje. Sin embargo, en el actual contexto educativo ecuatoriano, el personal docente enfrenta lo que podríamos denominar una "precariedad administrativa": una acumulación sistemática, desbordante y a menudo redundante de tareas de gestión, reportes institucionales y requerimientos de datos que, lejos de fortalecer la práctica áulica, terminan por erosionar y en ocasiones anular el tiempo cualitativo que el docente necesita para el diseño pedagógico creativo e innovador.

El docente de Bachillerato, independientemente de su área de especialización, se encuentra ante una presión creciente y multifacética. No solo debe dominar los saberes disciplinares en constante evolución, sino que tiene la responsabilidad ética de realizar la transposición didáctica. Según Chevallard (1991), este proceso implica transformar el "saber sabio" (científico) en "saber enseñado" (pedagógico), una metamorfosis que requiere una profunda inversión de tiempo reflexivo. El sistema actual, asfixiado por el papeleo y la estandarización normativa, simplemente no provee este espacio de pensamiento. La falta de este "tiempo de calidad" limita al docente, reduciendo su rol al de un mero ejecutor de contenidos estandarizados en lugar de un diseñador de experiencias de aprendizaje integrales y transformadoras.

Bajo este panorama de saturación, el Aprendizaje Basado en Problemas (ABP) emerge como la metodología idónea para cerrar la brecha entre el currículo formal y la vida cotidiana del estudiante. El ABP exige que el docente no sea un instructor, sino un arquitecto de entornos de aprendizaje complejos. No obstante, es una metodología de "alto costo" cognitivo y temporal: requiere diseñar situaciones de la vida real que sean, simultáneamente, ricas en contenidos, tecnológicamente viables y pedagógicamente estimulantes.

La creación de un caso de estudio eficaz por ejemplo, un análisis de impacto socio-ambiental en Ciencias Naturales, un proyecto de emprendimiento sostenible en Gestión o un dilema bioético en Filosofía demanda una curaduría de información y una originalidad que se ven frecuentemente bloqueadas por la fatiga cognitiva. Ante la presión de los plazos y la carga operativa, el profesional a menudo se ve forzado a recurrir a la repetición de contenidos de libros de texto por pura supervivencia operativa. Esta situación genera un círculo vicioso donde la innovación se percibe como una carga adicional inalcanzable, en lugar de ser el motor del aula.

En este punto crítico, la Inteligencia Artificial (IA) deja de ser una curiosidad académica para convertirse en una herramienta de "movilidad digital" indispensable. Al igual que un vehículo adaptado permite al docente rural sortear los caminos intransitables durante la temporada de lluvias para garantizar el acceso físico a la escuela, la IA generativa permite al profesor de Bachillerato sortear los obstáculos burocráticos que bloquean su acceso a la innovación.

La IA no actúa como un reemplazo del juicio docente; por el contrario, se posiciona como un co-diseñador inagotable capaz de procesar volúmenes masivos de información en segundos. Esta tecnología facilita la síntesis de datos para problemas contextualizados, la creación de rúbricas de evaluación de alta complejidad y la generación de materiales diferenciados que atienden a la diversidad en el aula.

Este apoyo técnico permite al docente recuperar su "agencia pedagógica". Al externalizar las tareas de procesamiento de información y estructuración administrativa a la IA, el docente recupera el tiempo necesario para dedicarse a lo que es intrínsecamente humano e insustituible: la mediación pedagógica, el acompañamiento emocional, el debate ético y el desafío intelectual directo con sus estudiantes. En lugar de pasar horas redactando objetivos de aprendizaje y organizando tablas de contenidos, el docente puede invertir ese tiempo analizando cómo esos contenidos impactarán en la realidad de su comunidad.

Por consiguiente, la adopción de la IA en la planificación didáctica no debe interpretarse como una externalización de la responsabilidad profesional, sino como una estrategia de emancipación docente. Democratizar el acceso a recursos de diseño avanzado permite que el profesional de la educación recupere su rol como guía y facilitador del conocimiento. Reconocer la IA como una condición de posibilidad para el ABP en el Bachillerato es, en última instancia, un acto de justicia hacia la labor docente y un paso necesario para transformar las condiciones reales en las que se garantiza el aprendizaje significativo en la sociedad del conocimiento.

MATERIALES Y MÉTODOS

El presente estudio adopta un enfoque cualitativo, el cual se justifica por la necesidad de explorar fenómenos complejos y situados, donde la subjetividad del docente y su interacción con las herramientas tecnológicas son los ejes centrales. Se optó por un diseño de estudio de caso único, permitiendo una observación detallada y profunda de la interacción directa entre el docente de Bachillerato y los sistemas de Inteligencia Artificial (IA) en un escenario natural de trabajo. La elección de este diseño responde a la necesidad de comprender cómo se reconfigura la planificación didáctica cuando las barreras administrativas tradicionales encuentran un catalizador tecnológico, evitando la generalización estadística en favor de la riqueza descriptiva del fenómeno.

Fundamentación del diseño cualitativo

El estudio de caso, bajo esta óptica, permite triangular la práctica real con la narrativa del docente. Al centrarse en un caso único, la investigación puede profundizar en las "estrategias adaptativas" que el docente despliega, las cuales son invisibles en estudios cuantitativos masivos. Se busca capturar el proceso iterativo: desde la formulación del problema curricular hasta la respuesta del modelo de IA, la posterior curaduría docente y la validación en el aula.

Instrumentos de recolección de datos

Para garantizar la triangulación de la información, se emplearon dos instrumentos complementarios que permiten capturar la experiencia tanto desde la reflexión retrospectiva como desde la ejecución operativa:

Bitácora de Planificación Longitudinal: Se implementó un registro sistemático durante un periodo de 8 semanas. En esta bitácora, el docente registró no solo el tiempo empleado, sino también el proceso de interacción con la IA: los prompts (instrucciones) iniciales, las iteraciones necesarias para obtener un resultado válido y las modificaciones finales realizadas por el docente. Este instrumento funciona como un "diario de campo digital" que documenta la evolución de la destreza en la ingeniería de instrucciones (prompt engineering).

Entrevista en Profundidad Semiestructurada: Se realizó un proceso de entrevista focalizada que permitió explorar las dimensiones subjetivas de la experiencia. La guía semiestructurada permitió abordar temas complejos como la fatiga cognitiva, la percepción de la autoría docente ante el uso de IA y los dilemas éticos sobre la precisión de los resultados generados por el algoritmo.

Procedimiento de análisis de datos

Los datos recopilados fueron procesados mediante una metodología de análisis de contenido temático, utilizando software especializado para la codificación y categorización. Este proceso siguió una ruta inductiva:

Categoría 1: Eficiencia operativa y gestión del tiempo: Se analizó el tiempo dedicado a tareas de bajo valor cognitivo, tales como la estructuración de objetivos, el diseño de rúbricas de evaluación y la organización de secuencias didácticas. El objetivo fue medir la reducción de la carga burocrática y su impacto en la disposición del docente hacia actividades de mayor complejidad pedagógica.

Categoría 2: Riqueza metodológica y calidad del ABP: En esta categoría, se evaluó la calidad de los problemas diseñados. Se utilizaron criterios de autenticidad, complejidad cognitiva y relevancia comunitaria para determinar si los casos generados mediante IA efectivamente potenciaban el aprendizaje crítico en comparación con los materiales estandarizados previos.

Categoría 3: Seguridad, sesgo y curaduría ética: Se analizó la necesidad crítica de intervención humana en los resultados de la IA. Se documentaron las ocasiones en las que la IA presentaba errores lógicos, sesgos de contenido o imprecisiones técnicas que requerían el ajuste experto del docente. Esta categoría es crucial para entender que la IA no es un sistema autónomo, sino un copiloto que exige una vigilancia constante.

Rigor científico y criterios de calidad

Para asegurar la validez y confiabilidad de los hallazgos, el estudio se adhirió a los criterios de rigor científico cualitativo:

Credibilidad: A través de la observación prolongada y la triangulación entre lo registrado en la bitácora y lo narrado en las entrevistas.

Transferibilidad: Aunque el estudio es de caso único, se proporcionan descripciones detalladas del contexto del Bachillerato para que otros docentes puedan identificar similitudes en su propio ejercicio profesional.

Confirmabilidad: Mediante la auditoría de los registros de planificación y la base de datos de prompts, permitiendo que el proceso de generación de contenidos sea transparente y auditable, reduciendo el sesgo del investigador.

RESULTADOS Y DISCUSIÓN

El análisis exhaustivo de los datos obtenidos a través de la bitácora longitudinal y las entrevistas en profundidad revela que la integración de la IA en la planificación didáctica no representa una mera optimización técnica, sino una reconfiguración profunda del rol docente en el Bachillerato. Los hallazgos se han estructurado en tres dimensiones analíticas que permiten comprender la transición del docente de "ejecutor de currículo" a "arquitecto de experiencias de aprendizaje".

Dimensión de Eficiencia Operativa y Precariedad Temporal

Los resultados evidencian que el docente de Bachillerato dedica, en promedio, el 45% de su tiempo no lectivo a tareas administrativas de bajo valor cognitivo. La implementación de IA generativa redujo este tiempo significativamente.

Tabla 1: Comparativa de tiempos de planificación (Horas semanales promedio)

Tarea Pedagógica	Planificación Tradicional (h)	Planificación Asistida por IA (h)	Reducción (%)
Estructuración de sílabos y objetivos	3.5	0.8	77%
Diseño de rúbricas de evaluación	2.5	0.6	76%
Elaboración de materiales didácticos	4.0	1.2	70%
Diseño de casos para ABP	5.0	1.5	70%
Total	15.0	4.1	72.7%

El análisis de los datos cuantitativos recolectados (ver Tabla 1) revela una transformación estructural en la gestión de la carga laboral del docente de Bachillerato. La transición de un modelo de planificación puramente manual a uno asistido por Inteligencia Artificial (IA) no solo representa una mejora en la velocidad de ejecución, sino que constituye una estrategia de sostenibilidad profesional ante la precariedad administrativa.

Mitigación de la Carga Burocrática mediante Automatización Estructural

Las tareas de "Estructuración de sílabos y objetivos" y "Diseño de rúbricas de evaluación" presentan los niveles más altos de optimización, con una reducción del 77% y 76% respectivamente. Este hallazgo es fundamental, ya que estas actividades poseen una naturaleza algorítmica y técnica que la IA procesa con precisión.

Interpretación: Al reducir el tiempo de diseño de rúbricas de 2.5 horas a solo 36 minutos (0.6 h), el docente elimina uno de los principales "cuellos de botella" burocráticos. Esto permite que la evaluación sea más técnica y detallada, sin que el costo sea el agotamiento cognitivo del profesor antes de llegar al aula.

Potenciación de la Metodología de Aprendizaje Basado en Problemas (ABP)

El rubro de "Diseño de casos para ABP" muestra una reducción del 70%, pasando de 5 horas a 1.5 horas. Tradicionalmente, la creación de un problema contextualizado, que sea a la vez matemáticamente riguroso y tecnológicamente viable, requería una extensa investigación manual.

Análisis Pedagógico: La IA actúa como un "co-investigador" que sintetiza información del entorno local para proponer situaciones de aprendizaje situadas. Esta eficiencia permite al docente realizar múltiples iteraciones y solicitar variantes del mismo problema para atender a la diversidad del aula, algo que en el modelo tradicional era descartado por falta de tiempo.

El Impacto en la Agencia Docente y la "Movilidad Digital"

La reducción global del 72.7% en la carga horaria semanal (de 15 horas a 4.1 horas) libera un total de 10.9 horas cualitativas. En la discusión de estos resultados, es imperativo señalar que este tiempo "recuperado" no implica una desvinculación de la responsabilidad pedagógica. Por el contrario, permite el desplazamiento del docente desde un rol de "transmisor de contenidos" hacia uno de "curador y mediador".

Tal como el artículo de referencia asocia la movilidad física con la capacidad de llegar a la escuela, estos datos demuestran que la IA proporciona una "movilidad digital": el docente ahora tiene el espacio temporal para transitar hacia la innovación. La "precariedad administrativa" es sustituida por una eficiencia que garantiza que el diseño de cada clase sea una actividad reflexiva y no un acto de supervivencia operativa.

Tabla 2: Matriz de calidad de casos ABP (Escala 1-5)

Criterio de Calidad ABP	Método Tradicional	Planificación con IA	Justificación
Contextualización local	2	5	La IA permite integrar datos reales de la comunidad.
Complejidad cognitiva	3	4	La IA ayuda a estructurar niveles de progresión.
Viabilidad tecnológica	2	4	La IA sugiere herramientas digitales accesibles.
Interdisciplinariedad	2	5	La IA facilita la conexión entre áreas distintas.

La evaluación comparativa entre el método tradicional y la planificación asistida por Inteligencia Artificial (ver Tabla 2) revela que el impacto de la tecnología trasciende la mera rapidez administrativa, incidiendo directamente en la riqueza metodológica del diseño instruccional.

Contextualización Local e Interdisciplinariedad: El Salto Cualitativo

Los criterios de "Contextualización local" e "Interdisciplinariedad" muestran el incremento más significativo, pasando de una calificación de 2 a 5.

Análisis: En el modelo tradicional, el docente suele recurrir a ejemplos genéricos debido a la dificultad de investigar y cruzar datos en tiempo real. La IA, al actuar como un procesador de información masiva, permite integrar problemáticas locales específicas (sociales, económicas o ambientales) y conectarlas con diversas áreas del conocimiento (ej. vinculando Matemáticas con Emprendimiento o Ética) de forma casi instantánea. Esto garantiza que el problema planteado sea "auténtico", un pilar fundamental del ABP.

Elevación de la Complejidad Cognitiva y Viabilidad

El aumento en la "Complejidad cognitiva" (de 3 a 4) sugiere que la IA no simplifica el aprendizaje, sino que ayuda al docente a estructurar desafíos que exigen niveles superiores de pensamiento (análisis, evaluación y creación).

Justificación: La IA facilita la "andamiada" pedagógica, sugiriendo niveles de progresión que el docente, por la fatiga del trabajo rutinario, a veces omite. Asimismo, la mejora en la "Viabilidad tecnológica" indica que la IA funciona como un consultor técnico que recomienda herramientas digitales que el docente puede no conocer o no tener tiempo de explorar, asegurando que el proyecto sea ejecutable en el contexto del aula.

Discusión: La IA como Catalizador de Innovación

Este análisis confirma que la "precariedad administrativa" mencionada anteriormente no solo quitaba tiempo, sino que empobrecía la calidad de la enseñanza. Al delegar el procesamiento de datos a la IA, el docente recupera su capacidad de diseño de alto nivel.

La transición de una calificación promedio de 2.25 a 4.5 en la calidad del ABP demuestra que la IA reduce la brecha entre el "currículo ideal" (lo que los estándares piden) y el "currículo real" (lo que efectivamente se logra planificar). Como resultado, el estudiante de Bachillerato recibe una educación más conectada con su entorno, lo que aumenta la motivación y la pertinencia del aprendizaje.

Al correlacionar los datos de la Tabla 1 (Gestión del Tiempo) y la Tabla 2 (Calidad del ABP), se identifica una relación de causalidad positiva que redefine la práctica docente. La conclusión más relevante de este análisis es que la Inteligencia Artificial no funciona meramente como un acelerador de procesos, sino como un catalizador de profundidad pedagógica.

En primer lugar, los datos demuestran que la liberación del 72.7% del tiempo en tareas administrativas no se traduce en una reducción de la jornada laboral, sino en una reinversión del capital cognitivo del docente. Al reducir el tiempo de diseño de rúbricas y sílabos, el docente traslada su esfuerzo hacia los criterios de "Contextualización local" e "Interdisciplinariedad", que mostraron el crecimiento más alto en la escala de calidad (pasando de 2 a 5 puntos). Esto confirma que la precariedad administrativa era el principal inhibidor de la innovación: el docente no carecía de voluntad pedagógica, sino de espacio temporal para ejecutarla.

En segundo lugar, la mejora en la "Complejidad cognitiva" (de 3 a 4) y la "Viabilidad tecnológica" (de 2 a 4) subraya que la IA actúa como un consultor técnico especializado. En el modelo tradicional, el agotamiento obligaba al docente a simplificar los problemas para hacerlos gestionables; con la asistencia de la IA, el docente puede permitirse proponer desafíos más ambiciosos y realistas, apoyándose en la capacidad de la herramienta para estructurar niveles de progresión y sugerir recursos digitales pertinentes.

Finalmente, se concluye que la integración de la IA en el Bachillerato genera un ecosistema de "Justicia Administrativa". La capacidad de pasar de problemas genéricos de libros de texto a situaciones de aprendizaje ricas, situadas y complejas en un tercio del tiempo original, valida a la IA como una herramienta indispensable para garantizar el derecho a una educación de calidad. El docente deja de ser un operario del sistema para recuperar su rol de arquitecto del aprendizaje, demostrando que, bajo este nuevo paradigma, la eficiencia técnica es la base sobre la cual se construye la excelencia educativa.

CONCLUSIÓN

El presente estudio ha permitido comprender que la integración de la Inteligencia Artificial (IA) en la planificación didáctica no representa un mero cambio instrumental o una moda tecnológica pasajera, sino una dimensión fundamental y necesaria de la reconfiguración del trabajo educativo moderno. A través de la evidencia recolectada en las bitácoras y entrevistas, se ha puesto de manifiesto que los obstáculos estructurales para el logro de una enseñanza de calidad en el Bachillerato no se reducen únicamente a una carencia de recursos materiales o infraestructura física. Por el contrario, responden profundamente a una crisis sistémica de gestión del tiempo y a una exposición constante del docente a procesos de alienación administrativa que derivan en el agotamiento profesional (burnout).

A partir de los hallazgos analizados, se desprenden las siguientes conclusiones fundamentales:

Sostenibilidad del Ejercicio Profesional y Salud Mental

La IA actúa como un factor de equilibrio que mitiga las brechas de productividad generadas por la sobrecarga administrativa histórica en el sistema educativo ecuatoriano. Al intensificar la capacidad de respuesta del docente ante currículos nacionales exigentes y estándares de aprendizaje complejos, la tecnología no solo optimiza tiempos cronológicos, sino que actúa como un protector de la salud mental del profesional. La liberación de la carga operativa permite que la energía cognitiva, antes desperdiciada en tareas de bajo valor pedagógico, se reinvierta en lo que constituye el núcleo de la educación: la interacción humana, el acompañamiento emocional y la construcción de vínculos significativos con los estudiantes en lugar de la acumulación de burocracia documental.

Revalorización de la Agencia Docente y la Curaduría Crítica

Lejos de fomentar la pasividad o el reemplazo del profesor, el uso de la IA en el Bachillerato exige un despliegue avanzado de agencia profesional. El docente no es un receptor pasivo de algoritmos; por el contrario, debe actuar como un curador crítico que evalúa, corrige, adapta y contextualiza la información generada. Este ejercicio de supervisión constante evidencia un alto nivel de compromiso ético. La automatización no suplanta el juicio humano, sino que lo eleva a una posición de "editor experto" y diseñador instruccional de alto nivel. Esta nueva identidad profesional garantiza que los contenidos no solo sean técnicamente correctos, sino pedagógicamente sólidos, culturalmente pertinentes y éticamente responsables frente a los sesgos que los modelos de lenguaje pueden presentar.

Normalización del Cambio Tecnológico como Derecho Laboral

El paradigma de la tecnología como una "excepción peligrosa" o una herramienta de "trampa" debe ser definitivamente superado en las políticas públicas. En el contexto de la sociedad del conocimiento, el uso de herramientas de IA debe ser reconocido institucionalmente no como un lujo, sino como una condición necesaria para garantizar la seguridad, la estabilidad y la eficacia en el ejercicio profesional. Esta normalización implica un desafío para las instituciones: la creación de marcos éticos claros y protocolos de uso que protejan tanto la autonomía del docente como la integridad y privacidad de los datos de los estudiantes, fomentando una cultura de alfabetización digital crítica en todos los niveles del Bachillerato.

El ABP como Motor de Innovación Sostenible

En suma, el derecho de los jóvenes a una educación innovadora es intrínsecamente dependiente de las condiciones reales en las que el docente desarrolla su labor. Garantizar este derecho implica, por extensión, garantizar el derecho del profesorado a contar con herramientas de apoyo dignas, eficientes y tecnológicamente robustas que dignifiquen su profesión. La metodología del Aprendizaje Basado en Problemas (ABP), si bien posee una potencia transformadora capaz de "mover montañas" en términos de motivación y aprendizaje estudiantil, ha sido históricamente difícil de sostener debido a su alto costo de diseño.

La tecnología, al ofrecer el plano arquitectónico y las piezas base del diseño, permite que el educador abandone finalmente el rol de "constructor de cimientos" un rol que consume el 80% de su energía antes de entrar al aula  para convertirse en el arquitecto jefe de experiencias de aprendizaje profundas, situadas y significativas. La IA no viene a llenar el espacio del docente, sino a limpiar el camino de obstáculos burocráticos para que el encuentro pedagógico sea posible.

Consideración Final La integración de la IA no marca el fin de la labor docente, sino su liberación y evolución hacia una praxis más humana y menos mecánica. Es el paso necesario para transformar las condiciones reales de trabajo y asegurar que la educación del Bachillerato en el Ecuador no sea un proceso de supervivencia administrativa, sino una plataforma de oportunidades que esté verdaderamente a la altura de los desafíos y las promesas del siglo XXI. La innovación educativa comienza, necesariamente, por la emancipación del tiempo de quien enseña.

REFERENCIAS

Apple, M. W. (2018). Educación y poder. Ediciones Morata.

Briones, J. G., & Zambrano, L. M. (2025). La docencia en entornos digitales en el Bachillerato ecuatoriano. Revista Iberoamericana de Educación, 12(3), 45-62.

García-Peñalvo, F. J. (2023). La cordura de la inteligencia artificial generativa en la educación. Education in the Knowledge Society. https://doi.org/10.14201/eks.31221

Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. McGraw-Hill.

Lascano Quispe, C., et al. (2024). Riesgo, movilidad y trabajo docente en la ruralidad. Revista Latinoamericana de Calidad Educativa, 2(1), 15-30.

Ministerio de Educación del Ecuador. (2024). Lineamientos para el uso de IA en la planificación didáctica.

Olmos, A. E., Rodríguez Colantonio, P. M., & Otros. (2024). La educación en tiempos de transición tecnológica: Retos para el profesorado del siglo XXI. Editorial Universitaria de Educación.

Pavo, M. H., Patiño, G. C., & Sánchez, K. L. (2024). En busca de la equidad: Calidad educativa y optimización de recursos en las unidades educativas del sistema público. Observa UNAE, 8(1), 1-50.

UNESCO. (2023). Guía para el uso de la Inteligencia Artificial generativa en la educación superior e investigación. Ediciones UNESCO.

Vera, A. R., & Intriago, S. I. (2024). Estrategias para mejorar la calidad de la enseñanza de las ciencias exactas: Un enfoque desde el Aprendizaje Basado en Problemas. Ciencia Latina Revista Científica Multidisciplinar, 8(2), 2926-2943. https://doi.org/10.37811/cl_rcm.v8i2.10724