🏗️ El Arquitecto de Preguntas

🔑 5 ideas clave que nos deja esta sesión

• El problema no es tecnológico, es pedagógico. Nunca vamos a alcanzar a la IA — sale un modelo mejor cada semana. La solución no es perseguirla con más tecnología, sino regresar a las bases pedagógicas y rediseñar desde ahí.
• Los detectores de IA no funcionan — y nunca lo harán. La misma OpenAI bajó su detector. Los mejores actuales tienen ~4% de falsos positivos con sesgo contra personas neurodivergentes y no-nativos del inglés. Encima existe la "humanización" como práctica para evadirlos.
• Usar IA no es plagio — es "falsa autoría". El plagio implica robo de un texto existente; la IA genera texto nuevo. El modelo opera como el viejo "escritor fantasma". La discusión productiva es concientizar, no prohibir: el riesgo real es la atrofia cognitiva, no la copia.
• El producto ya no se evalúa — el proceso sí. El entregable final se puede hacer con IA en minutos. Lo que no se puede falsificar fácilmente: borradores, mapas conceptuales, decisiones tomadas, reflexiones metacognitivas. Ahí va la ponderación nueva.
• El framework: Arquitecto de Preguntas. Toda actividad nace de una pregunta detonadora. Si la pregunta es "¿qué es la fotosíntesis?", ChatGPT la responde en 2 segundos y el aprendizaje no ocurre. Hay que rediseñar la pregunta apuntando a niveles altos: crear/evaluar (Bloom), relacional/abstracto extendido (SOLO).

🏗️ WebApp: El Arquitecto de Preguntas

La herramienta central del curso tiene dos versiones — usa la que mejor te describa. Ambas siguen el mismo flujo y usan la taxonomía SOLO de Biggs; la diferencia está en el lenguaje del consumidor de tu pregunta.

🔑 5 ideas clave que nos deja esta sesión

• La fricción es parte del diseño, no un error. La mayoría reportó que el momento de mayor fricción fue al recibir retroalimentación. Jorge enfatizó que las experiencias de aprendizaje deben provocar una emoción esa sensación es señal de que algo está sucediendo cognitivamente.
• Nuestras preguntas suelen respondernos a nosotros, no al estudiante. José Manuel articuló que su pregunta inicial "solo respondía a mí". El framework ayuda a separar lo que nosotros necesitamos saber de lo que activará el pensamiento del estudiante.
• El siguiente nivel: que la pregunta detonadora dispare una acción, no solo una respuesta. Si la pregunta puede contestarse hablando o tecleando, la IA la cubre. Adriana lo nombró: hay que mover el diseño hacia experiencias donde el estudiante decida, construya o intervenga, no solo articule.
• La herramienta multiperfil permite que diferentes roles se apropien del framework. Profesionales de audiovisual, desarrollo, PMO e innovación educativa pudieron aplicar el mismo framework a sus contextos específicos gracias a la adaptación por rol.
• Siempre ofrecer la opción de no usar IA cuando no es parte del plan analítico. Ya existe un número de estudiantes que prefieren no usar IA. La recomendación: cuando no está en el temario, debe existir alternativa; cuando sí lo está, es parte del aprendizaje.

🌱 Prompt Semilla — Dashboard FTE (ejemplo en vivo)

Materializa la pregunta transformada de Ezel Escobar (Planeación / PMO) en S02: "Desarrollar un dashboard donde pueda revisar la eficiencia de cada proyecto y los FTEs empleados, para pronosticar el siguiente periodo anual." El consumidor (director) deja de leer un reporte y empieza a operar una herramienta.

🤖 Generador de Prompt Semilla para Canva AI

Llena 5 campos sobre la app que quieres y obtén un prompt semilla optimizado para Canva (≤1000 caracteres, listo para copiar y pegar). Usa Claude Sonnet en el backend con las reglas que aprendimos en clase.

📝 Padlet: Mis Creaciones

Sube una captura de pantalla de tu app (aunque esté en proceso). Incluye el nombre de la app y para qué materia o disciplina es.

🔑 5 ideas clave que nos deja esta sesión

• Canva AI es punto de entrada, no destino final. Las aplicaciones generadas son borradores funcionales, no productos terminados. Sirven para validar la idea pedagógica antes de escalarla con desarrolladores o con herramientas más potentes como Gemini.
• La calidad del primer prompt define cuántas iteraciones se necesitan. Canva AI tiene un límite claro en la extensión de la instrucción inicial. Eso obliga a ser muy preciso desde el inicio. Las dos estrategias ofrecidas, prompt semilla y formulario generador, buscan compensar esa limitación generando prompts bien estructurados antes de llegar a Canva.
• La aplicación web amplía el rango de uso del framework. Varios participantes están encontrando aplicaciones que no son experiencias profesor-alumno, sino herramientas para flujos paralelos: planeación de videos, dashboards de gestión, simuladores técnicos. El framework de preguntas sigue siendo el insumo, pero el output ya no es solo una actividad de clase.
• Cuando el código se oculta, también se ocultan sus límites. Canva no muestra líneas de código para evitar el bloqueo psicológico de perfiles no técnicos. La contraparte es que tampoco vemos qué modelo está detrás ni qué ventana de contexto tiene. Conviene mantenerlo presente al evaluar resultados.
• Publicar es parte del ejercicio, no un extra. La publicación con dominio de Canva permite compartir la aplicación de inmediato. La vigencia aproximada es de un año y se puede republicar. La integración con hojas de cálculo existe pero todavía no es funcional al nivel necesario para registrar datos reales.

🔑 5 ideas clave que nos deja esta sesión

• Saltarse al intermediario amplía el poder creativo. Trabajar directo con Gemini, en lugar de pasar por Canva AI, libera la ventana de contexto, permite prompts largos y abre la puerta a documentos como insumo del modelo.
• La cuenta institucional tiene un costo oculto. En Gemini con cuenta TEC no se pueden compartir ligas, no se pueden borrar conversaciones y no se accede a notebooks ni ciertos modelos. Para el curso conviene usar una cuenta de Gmail no institucional.
• Usar el mismo modelo como copiloto para mejorar el prompt. Pedirle a Gemini que haga cinco preguntas antes de generar la app produce instrucciones redactadas en los términos que el propio modelo entiende mejor, y eso eleva visiblemente la calidad del resultado.
• Agente no es lo mismo que chatbot. Un chatbot responde; un agente planifica, crea archivos, ejecuta herramientas y resuelve un objetivo con cierta autonomía. Repl.it introduce ese paradigma al curso.
• La ventana de contexto cambia lo que es posible. Un millón de tokens en Gemini no es solo un número más grande: significa poder pegar un syllabus completo, varios PDFs o una transcripción larga, y que el modelo los integre. Las aplicaciones que diseñas dejan de ser plantillas para volverse contextuales.

🎯 El concepto: hiperpersonalización

De adaptar para grupos a adaptar para cada estudiante, en tiempo real. Lo que la habilita: telemetría (señales del proceso) + IA generativa (decisiones contextuales) + bucle continuo.

🔑 5 ideas clave que nos deja esta sesión

• Telemetría como huella del proceso de aprendizaje. No se trata solo de vigilar al estudiante, sino de capturar cómo interactúa: tiempo dedicado, ritmo de escritura, iteraciones, copy-paste. Esa información cuenta una historia del proceso, no solo del resultado.
• De personalización a hiperpersonalización. La personalización del aprendizaje sonaba bien en papel pero era difícil de operar. Con IA y telemetría ahora es viable adaptar realmente la enseñanza al comportamiento individual del estudiante.
• El giro de Violeta: usar los datos para mí, no contra el otro. La telemetría tiene más valor cuando alimenta decisiones pedagógicas del profesor que cuando se usa como prueba acusatoria. El alumno puede evidenciarse solo si la siguiente actividad está bien diseñada.
• Un agente no es un chatbot. Un agente planifica, ejecuta acciones, itera, corrige, conecta componentes y crea archivos. Esa diferencia es la que abre el salto entre Canva o Gemini y Replit.
• Iterar y migrar de cuenta como estrategia frente a los límites gratuitos. Construir aplicaciones complejas en Replit consume créditos rápidamente. Descargar el zip y migrar a una cuenta nueva es una forma honesta de seguir avanzando sin pagar, asumiendo que llegar a un sistema robusto toma varias iteraciones.

🔑 5 ideas clave que nos deja esta sesión

• Editar no es publicar. Toda app tiene dos estados: desarrollo (donde editas y te puedes equivocar, solo tú lo ves) y producción (lo que ven todos con la liga). Los cambios no llegan al usuario hasta que vuelves a darle Republicar.
• La primera iteración es un cascarón. No hay que conflictuarse con que la app salga perfecta del primer prompt. El primer prompt construye una base; las funciones se agregan iterando con el agente. Publicar no cuesta créditos, las modificaciones sí.
• El grupo construye herramientas, no contenido. El análisis del Padlet confirmó que la mayoría está creando herramientas para su trabajo diario (validar, medir, visualizar), no contenido para alumnos. La democratización del código permite crear tu propia herramienta a la medida.
• Anatomía de un chatbot. Son tres piezas: frontend (la pantalla), backend (el código) y modelo de lenguaje (Gemini, conectado al backend). Se personaliza desde el config.json (nombre, color) y el SYSTEM_PROMPT (cómo se comporta).
• La API key es secreta como una tarjeta de crédito. Si alguien más la usa, te gasta tus créditos. Nunca va escrita en el código ni expuesta en el frontend: vive en los Secrets de Replit, ocultos incluso al publicar.

🔑 5 ideas clave que nos deja esta sesión

• Importar una base que ya existe y conectarle un modelo. El valor no está en el chatbot en sí, sino en aprender la mecánica reutilizable: tomar un proyecto (importándolo como zip a Replit), entender sus piezas y conectarle un modelo de lenguaje. Eso aplica a cualquier herramienta, no solo a un chatbot.
• El SYSTEM_PROMPT es el alma del chatbot. Se personaliza en el config.json (nombre, color, personalidad) y, sobre todo, en el SYSTEM_PROMPT dentro de app.py. Ante la misma pregunta, tres chatbots con system prompts distintos responden distinto: ahí defines si es tutor de cálculo, de redacción, o hasta un personaje conocido.
• La API key vive en Secrets, nunca en el código. Se guarda como Secret GEMINI_API_KEY (mayúsculas y guiones bajos, tal cual la espera el código) y el código la llama desde ahí. Cuidarla no es solo por los créditos: cada petición queda registrada en los servidores del modelo vinculada a tu cuenta.
• Reiniciar el proceso resuelve la mayoría de los bloqueos. El error más común ("API key no configurada" o cambios que no se reflejan) se arregla casi siempre igual: consola (botón Más → console), detener con el botón rojo y volver a darle Run. El programa lee los Secrets solo al arrancar. El nombre del bot se cambia en el config.json.
• Iterar con el agente y depurar copiando el error. El chatbot base es un punto de partida que el agente puede transformar (entre más específica la instrucción, mejor). Cuando algo falla, como un error 404 porque Replit cambió el modelo, el flujo es copiar el mensaje completo y pedirle al agente que primero identifique el error y luego lo resuelva.

🔑 5 ideas clave que nos deja esta sesión

• Agent Studio crea asistentes, no agentes. En Replit usamos un agente: ese tipo de herramienta toma acciones, crea archivos y se conecta con otras herramientas. En Agent Studio, en cambio, construimos chatbots conversacionales. Vale la pena cuidar la palabra: si le decimos "agente" a un alumno cuando es un asistente, generamos una confusión que después cuesta.
• El ecosistema TECgpt te quita la API key y el código de encima. TECgpt (chat privado donde la info no sale a los servidores del modelo), Skill Studio (formularios) y Agent Studio (asistentes). Llegas a un resultado muy parecido al chatbot que hicimos en Replit, pero sin preocuparte por la API key ni por programar: todo tu esfuerzo se va al prompt del sistema.
• Hay una jerarquía de prioridades que conviene tener clara. Manda primero quien creó el modelo (OpenAI), luego tu prompt del sistema, luego el conocimiento que cargas vía RAG, y al final, en la prioridad más baja, lo que escribe el usuario. Por eso el comportamiento del asistente se define arriba, en tu prompt, no en lo que pida quien lo usa.
• RAG y la ventana de contexto se configuran, no se dejan al azar. Cargas documentos (mejor PDF o Markdown, no Word; máx 20 MB), se parten en fragmentos (chunks) y el modelo usa solo los más relevantes: ese número arranca en 4, conviene subirlo (recomendado 10, rango 2–20). Los "mensajes anteriores" son la memoria del chat (15 por defecto, ajustable 6–50). Más es más preciso, pero más lento y costoso: hay que balancear.
• Alineación, consistencia y "si no existe la herramienta, constrúyela". Alineación = que el asistente siga tus reglas al pie de la letra; consistencia = que la experiencia sea la misma para los 30 alumnos. Y el espíritu del curso, que aportó el grupo: pasar los PDF a Markdown rinde mucho más, y si te falta una herramienta (por ejemplo, una que convierta PDF a Markdown), la puedes construir tú mismo con Canvas o Gemini.

🧠 Antes de construir: 3 conceptos que sostienen tu asistente

• Alineación y consistencia. Alineación = que el asistente siga tus reglas al pie de la letra. Consistencia = que la experiencia sea la misma para los 30 alumnos. Ambas se logran con un prompt del sistema bien estructurado.
• Jerarquía de prioridades. Manda primero quien creó el modelo (OpenAI), luego tu prompt del sistema, luego el conocimiento (RAG) y, al final, lo que escribe el usuario. Por eso el comportamiento se define en tu prompt, no en lo que pida quien lo usa.
• Asistente, no agente. Agent Studio crea chatbots conversacionales. Los agentes (como el de Replit) toman acciones y se conectan a herramientas. Cuidar la palabra evita confusiones con los alumnos.