Tecnología en Gestión Escolar: Automatización y Calidad en los Planes de Enseñanza del Senai São Paulo

Lucas Tadeu Monteiro Guedes Fernandes Salomão; Flávia Pierrotti De Castro

DOI: 10.22167/2675-6528-202603182

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La elaboración de documentos pedagógicos, como Planes de Enseñanza e instrumentos de evaluación, alineados a la Metodología SENAI de Educación Profesional (MSEP), demanda rigor técnico y frecuentemente resulta en una sobrecarga de trabajo para el cuerpo docente. Ante este desafío, se analizó la eficacia del “Asistente de la MSEP”, un asistente virtual basado en Inteligencia Artificial Generativa (LLM), desarrollado para optimizar la planificación escolar. El objetivo fue evaluar su eficacia en dos dimensiones complementarias: la eficiencia operacional, medida por la reducción del tiempo de planificación, y la calidad pedagógica, validada por medio de ciclos temáticos que analizaron la fidelidad curricular y la usabilidad del sistema. La investigación aplicada se llevó a cabo en dos fases distintas: un diagnóstico cuantitativo de eficiencia y una validación cualitativa estructurada en cuatro ciclos temáticos, utilizando Google Classroom. Los resultados de la primera fase indicaron una reducción de hasta el 90% en el tiempo de elaboración de documentos. En la segunda fase, se observó que la herramienta garantizó la estandarización metodológica, con un 100% de fidelidad, y elevó la calidad de los criterios de evaluación, aunque demandó revisión humana para cálculos de carga horaria. Se concluyó que la integración de la Inteligencia Artificial en la gestión escolar promovió una robusta eficiencia operacional y devolvió a los docentes el foco en las estrategias pedagógicas y en la mediación humana del conocimiento.

Palabras clave: Eficiencia Educativa; Inteligencia Artificial Generativa; Metodología SENAI de Educación Profesional; Planificación Pedagógica.

1. Introducción

La Educación Profesional exige una alineación rigurosa entre las demandas del mercado laboral y la práctica pedagógica en el aula. En este contexto, la Metodología SENAI de Educación Profesional (MSEP) establece directrices precisas para la planificación docente, estructurando la enseñanza a través del desarrollo de competencias profesionales en situaciones de aprendizaje desafiantes y contextualizadas, con enfoque en escenarios reales de trabajo (SENAI, 2019).

La elaboración de documentos pedagógicos, como Planes de Enseñanza e instrumentos de evaluación, demanda rigor técnico e impacta significativamente la gestión del tiempo del cuerpo docente. La complejidad técnica inherente a estos procesos frecuentemente resulta en una sobrecarga de trabajo. El modelo organizacional tradicional, muchas veces enfocado en una burocracia de control excesivo, tiende a priorizar el cumplimiento de formularios, lo que puede disminuir la autonomía y la creatividad del educador (Libâneo, 2001).

El tiempo dedicado a la formulación metodológica compite directamente con el tiempo para la estrategia pedagógica, generando un cuello de botella en la gestión escolar. Esta intensificación del trabajo docente, caracterizada por la multiplicidad de tareas administrativas y la compresión del tiempo, se señala en la literatura sociológica y de salud ocupacional como uno de los principales vectores del malestar y la desprofesionalización (Nóvoa, 1992). La sobrecarga continua actúa como un factor estresante crónico, contribuyendo al desarrollo del Síndrome de Burnout en la categoría (Carlotto, 2002).

En contrapartida, la gestión escolar contemporánea busca superar la visión administrativa fragmentada, movilizando al equipo y la tecnología para optimizar procesos y garantizar la calidad de la enseñanza (Lück, 2000). El avance de la Inteligencia Artificial Generativa (LLM) abre nuevas posibilidades para el soporte al trabajo docente, actuando como un apoyo pedagógico versátil y eficiente en la automatización de tareas repetitivas (Vogel, 2025).

Este trabajo presenta el estudio de caso de un asistente virtual, denominado “Asistente de la MSEP”, desarrollado específicamente para ayudar a los profesores en la construcción de documentos alineados a la MSEP. La herramienta guía al docente en la selección de capacidades técnicas y socioemocionales, sugiere contextos industriales y estructura los criterios de evaluación, funcionando como un soporte tecnológico para la coordinación pedagógica.

La justificación de esta investigación reside en la necesidad apremiante de modernizar las prácticas de gestión pedagógica, buscando herramientas que no solo estandaricen los procesos, sino que también promuevan la salud ocupacional y la eficiencia del equipo escolar. Al mitigar la burocracia excesiva, uno de los factores patógenos del estrés docente (Carlotto, 2002), la introducción de asistentes virtuales tiene como objetivo devolver al profesor el tiempo para centrarse en la mediación del conocimiento y la relación humana, que son esenciales e insustituibles (Vogel, 2025). Por lo tanto, el objetivo de este trabajo es analizar la eficacia del uso de un asistente virtual basado en inteligencia artificial en la optimización de la planificación docente, evaluando su eficacia en dos dimensiones complementarias: la eficiencia operativa, medida por la reducción del tiempo de planificación (Fase 1), y la calidad pedagógica, validada a través de ciclos temáticos que analizaron desde la fidelidad curricular hasta la usabilidad del sistema (Fase 2).

2. Material y Métodos

La presente investigación se caracterizó como un estudio de caso, método esencial para investigaciones que exigen un análisis en profundidad de fenómenos contemporáneos insertos en su contexto real de vida (Yin, 2015). De naturaleza aplicada, la investigación se fundamentó en los principios de la Design Science Research (DSR), un enfoque metodológico orientado a la resolución de problemas prácticos organizacionales por medio del desarrollo, la testeo iterativo y la validación de artefactos tecnológicos innovadores (Wieringa, 2014).

Para garantizar la robustez en la evaluación de la eficiencia operativa y pedagógica del artefacto, se adoptó la investigación de métodos mixtos (cuanti-cualitativa). Esta elección se basó en la premisa de que la asociación sistemática y el cruce de datos cuantitativos con análisis narrativos cualitativos proporcionan una comprensión metodológica superior y complementaria del objeto de estudio (Creswell, 2010).

El estudio se llevó a cabo en varias unidades de enseñanza profesional ubicadas en el estado de São Paulo, que atienden a aproximadamente 73 mil alumnos en los segmentos de Aprendizaje Industrial y Cursos Técnicos. Participaron en el estudio 28 docentes de la institución, seleccionados por adhesión voluntaria y abarcando diversas áreas tecnológicas.

De estos participantes, 11 integraron la Fase 1, centrada en el diagnóstico de eficiencia, y 17 participaron en la Fase 2, dedicada a la validación cualitativa en ciclos. Se informó a todos los participantes sobre los objetivos de la investigación, garantizando el anonimato y la confidencialidad de las respuestas individuales, de acuerdo con las directrices éticas para investigaciones con seres humanos.

Para la realización del experimento, se desarrolló un asistente virtual, denominado “Asistente de la MSEP”, específicamente para ayudar a los profesores en la elaboración de planes de enseñanza conforme a la Metodología SENAI de Educación Profesional (MSEP). La herramienta actúa guiando al docente en la selección de capacidades técnicas y socioemocionales, sugiriendo contextos industriales y estructurando los criterios de evaluación.

La arquitectura del asistente virtual no se fundamentó en el entrenamiento de un modelo propio, sino en la técnica de fundamentación por contexto (grounding). Un Gran Modelo de Lenguaje (LLM) de propósito general, el Google Gemini, fue condicionado, a cada interacción, por una base documental específica para la generación de los Planes de Enseñanza y de las Situaciones de Aprendizaje.

Esta base documental incluyó el documento integral de la Metodología SENAI de Educación Profesional (SENAI, 2019), incorporado a las instrucciones del sistema del modelo como referencia normativa permanente. Adicionalmente, el Plan del Curso de la unidad curricular seleccionada por el docente constituyó la fuente primaria de los datos curriculares, siendo proporcionado en formato PDF y convertido en texto estructurado.

La recolección de datos se estructuró en un Entorno Virtual de Aprendizaje, Google Classroom, donde el diseño experimental se organizó en dos fases distintas, permitiendo un análisis evolutivo de la herramienta. Este enfoque tuvo como objetivo evaluar la eficacia del asistente virtual en dos dimensiones complementarias.

La Fase 1, denominada Diagnóstico de Eficiencia, se llevó a cabo entre marzo y abril de 2025. Esta etapa exploratoria se centró en la medición cuantitativa, realizando la comparación del tiempo medio de elaboración manual de documentos pedagógicos frente a la elaboración asistida por Inteligencia Artificial, con el objetivo de identificar los principales cuellos de botella operativos del proceso tradicional.

La Fase 2, Validación Cualitativa en Ciclos, se realizó entre noviembre y diciembre de 2025. En esta etapa de profundización, la herramienta, ya ajustada tras la Fase 1, fue sometida a cuatro ciclos temáticos de validación, también conducidos vía Google Classroom, para analizar la calidad pedagógica del contenido generado.

El Ciclo 1 de la Fase 2 evaluó la fidelidad al Plan de Estudios, verificando la capacidad del asistente para seleccionar correctamente las Capacidades Técnicas, Sociales y Organizativas previstas en el plan de estudios elegido. El Ciclo 2 se centró en la calidad de la Situación de Aprendizaje, analizando si el escenario generado por la IA presentaba una contextualización adecuada y si la Estrategia de Aprendizaje Desafiante propuesta era factible y pertinente al nivel profesional.

El Ciclo 3 verificó la capacidad de la herramienta para desplegar las capacidades en indicadores de evaluación medibles y objetivos, facilitando la construcción de los instrumentos de evaluación. Finalmente, el Ciclo 4 evaluó la experiencia del usuario (UX) y el impacto en la reducción del estrés docente, midiendo el nivel de facilidad de uso de la interfaz y la percepción de disminución del tiempo dedicado a tareas burocráticas.

La recolección de datos se realizó a través de formularios electrónicos aplicados al final de cada ciclo. Cada ciclo, con su respectivo formulario, estaba estructurado y publicado en Google Classroom. Para el análisis cuantitativo, se utilizó la escala Likert (de 1 a 5 o de 1 a 4) para medir el grado de acuerdo y satisfacción de los docentes.

Los datos cuantitativos fueron tabulados y procesados para la generación de estadísticas descriptivas. Para el análisis cualitativo, se consideraron las respuestas en campos abiertos, las cuales fueron sometidas al análisis de contenido (Bardin, 2016) para identificar patrones, sugerencias de mejora y percepciones sobre el impacto de la tecnología en la rutina docente.

3. Resultados y Discusión

Los resultados de la investigación se estructuraron en dos fases complementarias, reflejando el diseño de la investigación adoptado para evaluar la eficacia del asistente virtual. La primera fase, de naturaleza cuantitativa, se centró en el diagnóstico de la eficiencia operativa y en la aceptación inicial de la herramienta por parte de los docentes. La segunda fase, de carácter cualitativo, profundizó en la validación pedagógica del artefacto, explorando la fidelidad curricular, la calidad de las situaciones de aprendizaje, la precisión de los criterios de evaluación y la usabilidad del sistema, conforme a los ciclos temáticos establecidos.

Diagnóstico Preliminar (Fase 1 – Mar a Abr/2025)

La fase inicial de validación contó con la participación de once docentes, todos con un alto nivel de competencia en la Metodología SENAI de Educación Profesional (MSEP). Esta selección de participantes fue estratégica para asegurar un análisis crítico y profundo de la fidelidad pedagógica del contenido generado por el asistente virtual. La experiencia de los profesores permitió una evaluación robusta de la herramienta, identificando tanto sus puntos fuertes como las áreas que requerían mejora, contribuyendo al refinamiento de los modelos de instrucción (prompts) utilizados por la inteligencia artificial.

Los resultados cuantitativos de esta fase evidenciaron una alta adherencia de la herramienta a los requisitos de la metodología SENAI. Se observó una notable asertividad en la sugerencia de Criterios de Evaluación, con una media de 4,55 en una escala de 1 a 5. De igual forma, la integración de las Capacidades Socioemocionales también alcanzó una media de 4,55, indicando que la herramienta logró optimizar aspectos históricamente complejos en la elaboración manual de documentos pedagógicos. Las Capacidades Técnicas también presentaron una media elevada de 4,45, superando la meta de calidad de 4,00 establecida para el proyecto.

La claridad del desafío propuesto obtuvo una media de 4,27, y la claridad general del resultado generado por la herramienta fue evaluada con una media de 4,00. Sin embargo, el diagnóstico inicial reveló una oportunidad de mejora específica en la definición del Resultado Esperado del Desafío, que obtuvo una media de 4,00. Los docentes señalaron que, si bien el texto generado por la inteligencia artificial era correcto, carecía de mayor especificidad en cuanto a los entregables técnicos. Esta retroalimentación fue fundamental para el refinamiento de los prompts, dirigiendo ajustes para la segunda batería de pruebas y garantizando mayor precisión.

En términos de aceptación y satisfacción del usuario, la solución obtuvo un Net Promoter Score (NPS) elevado. Diez de los once docentes asignaron una calificación de diez, y un docente asignó una calificación de nueve, lo que indica que, incluso en fase piloto, la herramienta fue percibida como un valor agregado significativo a la rutina docente. Este alto índice de recomendación sugiere que el asistente virtual tiene un gran potencial para ser ampliamente adoptado e integrado en las prácticas de planificación pedagógica, facilitando el trabajo y promoviendo la eficiencia en la gestión escolar.

El análisis detallado de los datos recopilados permitió identificar los cuellos de botella específicos del proceso de planificación manual. La etapa de “Consolidación Final”, que implica el formato del documento y la adecuación a las normas técnicas, consumía, en promedio, 250 minutos en el proceso tradicional. Con el uso del Asistente Virtual, esta etapa se redujo drásticamente a solo 16 minutos, ya que la herramienta genera el documento ya estandarizado, exigiendo al docente solo la revisión final. Esta reducción representa un ahorro de tiempo de aproximadamente 93,6% en esta tarea.

Otro aumento expresivo de eficiencia se observó en la etapa de “Elaboración de la Situación de Aprendizaje”. El tiempo dedicado a esta tarea, que antes era de 46 minutos para creación desde cero, se redujo a 10 minutos con el uso del asistente, que genera sugerencias para validación. Esta disminución del 78,3% en el tiempo de elaboración demuestra la capacidad de la herramienta para eliminar el trabajo operativo de digitación y formato, liberando al docente para enfocarse en la validación pedagógica y en la estrategia de enseñanza, conforme señalado por Vogel (2025) sobre el potencial de la IA en el soporte al trabajo docente.

La descomposición del tiempo por tarea reveló que el tiempo medio total de planificación manual era de 359 minutos, mientras que con el asistente de inteligencia artificial, este tiempo se redujo a 43 minutos. Esta reducción de aproximadamente el 88% en el tiempo total de elaboración de documentos pedagógicos refuerza la robustez de la herramienta para optimizar la eficiencia operativa. Los datos confirman que la tecnología es especialmente eficaz en la automatización de tareas repetitivas, permitiendo que los educadores dediquen más tiempo a actividades de mayor valor pedagógico y estratégico.

Un análisis cruzado entre el nivel de experiencia de los docentes y el índice de satisfacción (NPS) reveló que la herramienta obtuvo la máxima aprobación (NPS 10,0) entre los “Especialistas en MSEP”, es decir, docentes con formación completa en la metodología. Este hallazgo sugiere que el asistente virtual no solo simplifica el trabajo, sino que también respeta el rigor técnico exigido por los profesionales más cualificados, lo cual es crucial para la aceptación e integración de la tecnología en el entorno educativo. Adicionalmente, el indicador de robustez técnica señaló que en el 100% de las interacciones, la inteligencia artificial reprodujo fielmente las Capacidades del Plan de Curso, sin generar datos falsos o “alucinaciones”, garantizando la seguridad jurídica y pedagógica del documento.

Diagnóstico final (Fase 2 – Nov a Dic/2025)

Fidelidad y Coherencia de la Extracción de Datos (Ciclo 1)

El primer ciclo de la segunda fase, con la participación de diecisiete docentes, se centró en la fidelidad y coherencia de la extracción de datos. El objetivo principal era asegurar que la inteligencia artificial interpretara correctamente el Plan de Curso (PC), sin distorsionar ni alterar los datos curriculares obligatorios. Los resultados demostraron que la herramienta alcanzó un nivel de excelencia en la captura de datos estructurados, confirmando la capacidad de la IA para realizar la “lectura burocrática” del currículo con una precisión superior a la humana, eliminando errores de copia y garantizando la estandarización metodológica.

En el 100% de los casos, la inteligencia artificial identificó correctamente las Unidades Curriculares (UCs) y las Capacidades Técnicas y Socioemocionales, con solo pequeñas observaciones sobre la ordenación visual de la lista, pero sin comprometer el contenido. La fidelidad de la Información del Curso, como Nombre del Curso, Carga Horaria y Fechas, también fue del 100%, con pequeñas solicitudes de ajustes de formato. Estos resultados validan la hipótesis de que la IA puede optimizar tareas administrativas repetitivas, liberando a los docentes para que se concentren en aspectos más estratégicos de la enseñanza, según la perspectiva de Lück (2000) sobre la gestión escolar contemporánea.

Calidad de la Situación de Aprendizaje (Ciclo 2)

El mayor desafío para la inteligencia artificial no se limitó a la copia de datos, sino a su integración en una narrativa pedagógica cohesionada y contextualizada. En la evaluación de la creación de las Situaciones de Aprendizaje (SA), el 70% de las SA generadas (doce de diecisiete) presentaron una integración “Ejemplar” o “Buena”, donde las capacidades socioemocionales se insertaron orgánicamente en el desafío técnico. Esto indica una capacidad significativa de la herramienta para contextualizar la enseñanza, un pilar de la Metodología SENAI (SENAI, 2019).

Sin embargo, el 30% de las integraciones se consideraron “Forzadas” o “Teóricas”, donde la inteligencia artificial citó la capacidad (por ejemplo, “Trabajo en Equipo”) pero no logró crear una actividad práctica correspondiente. Esta limitación refuerza la necesidad de la curaduría docente para garantizar la profundidad y la aplicabilidad pedagógica. Los comentarios abiertos de los docentes revelaron percepciones críticas sobre el comportamiento de la IA, destacando la importancia del “Rol del Prompt”, donde la calidad de la descripción inicial del profesor impacta directamente la calidad del plan generado, confirmando que la herramienta potencia al profesor, pero no sustituye su intencionalidad pedagógica.

Se identificaron errores de “Lógica Matemática”, como horarios invertidos (clase de 22h a 20h) y sumatoria incorrecta de carga horaria, lo que indica que la inteligencia artificial generativa aún presenta dificultades con cálculos exactos. El “Test del Pastel de Chocolate”, donde la IA obedeció una solicitud para incluir una receta de pastel en un plan de electricidad, demostró la ausencia de “juicio de mérito” o “guardrails” (barreras de seguridad) contra contenidos absurdos. Este hallazgo es crucial para la discusión ética, ya que evidencia que, aunque eficiente, la IA exige revisión humana obligatoria para asegurar la pertinencia y la seguridad pedagógica del contenido generado, un aspecto que Vogel (2025) señala como limitación de los LLMs.

Evaluaciones de las Situaciones de Aprendizaje Generadas

El Ciclo 2 evaluó la capacidad creativa de la inteligencia artificial para generar Situaciones de Aprendizaje (SA) contextualizadas, centrándose en tres pilares de la MSEP: fidelidad a la estrategia de enseñanza solicitada, calidad del contexto industrial y claridad del producto final (entregable). La herramienta obtuvo promedios superiores a 4.0 en todos los aspectos, superando la meta de calidad establecida para el Producto Mínimo Viable (MVP). La claridad del Resultado Esperado fue el punto más fuerte, con un promedio de 4.30, donde los docentes informaron que la herramienta es extremadamente precisa al definir lo que el alumno debe entregar, facilitando la evaluación posterior.

La calidad del contexto industrial obtuvo una media de 4,15, demostrando la alta capacidad de la inteligencia artificial para crear narrativas atractivas y realistas, y un docente citó que “el texto pone al estudiante dentro del problema”. La fidelidad a la estrategia pedagógica, aunque positiva, obtuvo la nota más baja, con una media de 4,09, lo que indica una ligera dificultad de la IA para diferenciar los matices de estrategias más complejas. Esto sugiere que, para enfoques pedagógicos más refinados, como el Proyecto Integrador, la curaduría del profesor sigue siendo indispensable para garantizar el rigor del formato y la profundidad necesaria.

El análisis de los comentarios abiertos permitió identificar limitaciones específicas en ciertas estrategias pedagógicas. Hubo confusión entre “Proyecto” y “Situación-Problema”, donde la IA generó un desafío que se asemejaba más a una situación-problema extendida, sin las etapas progresivas típicas de un proyecto. En la “Investigación Aplicada”, el contenido generado se consideró superficial y no integró algunas capacidades técnicas seleccionadas. Además, la IA demostró “exceso de celo” en un caso, sugiriendo una “Presentación de Diapositivas” como entregable extra, incluso sin haber una capacidad de comunicación oral seleccionada, lo que indica que la herramienta, a veces, intenta “adornar” la entrega más allá de lo solicitado.

Criterios de Evaluación y Planificaciones (Ciclo 3)

El tercer ciclo evaluó la capacidad de la herramienta para estructurar los Criterios de Evaluación, fundamentales para la MSEP, y mantener la coherencia interna del Plan de Enseñanza, incluyendo la distribución de la carga horaria y el contenido. La generación de los Criterios de Evaluación fue el punto culminante de este ciclo, con una media de 4,38. La herramienta demostró una alta competencia en desglosar capacidades (por ejemplo, “Analizar…”) en criterios observables y medibles, una tarea que suele ser desafiante para docentes principiantes. La adecuación del modelo de evaluación también fue positiva, con una media de 4,00, lo que indica que la IA acertó en la elección entre evaluación dicotómica (Sí/No) para tareas simples y gradual (Rúbricas) para competencias socioemocionales complejas.

Sin embargo, el indicador de Carga Horaria y Cronograma fue el único en permanecer en la zona crítica, con un promedio de 2,92. La mayoría de las fallas involucraron inconsistencias matemáticas, como errores de suma, donde la IA generó frecuentemente planes con una carga horaria total inferior o superior a la disponible en la Unidad Curricular. También hubo incumplimiento del calendario, con la herramienta ignorando fechas de finalización o días lectivos en varias pruebas. Además, los docentes informaron de truncamiento de texto en tablas largas, donde la IA tendía a resumir textos usando puntos suspensivos, lo cual es inadecuado para un documento oficial.

Estos resultados confirman una limitación conocida de los Grandes Modelos de Lenguaje (LLMs), que son modelos probabilísticos de texto y no calculadoras lógicas. Para este estudio, este hallazgo es valioso, ya que demuestra que la herramienta actúa como un “Asistente Creativo”, pero no exime de la revisión humana para la validación lógica y cronológica de datos. La necesidad de curaduría humana para corregir estos errores matemáticos y de formato es un punto crucial que delimita el papel de la tecnología, reforzando que la inteligencia artificial es un soporte, pero no un sustituto del juicio y la experiencia del educador.

Evaluación de Usabilidad (Ciclo 4)

El último ciclo de validación se centró en la interacción humano-computadora, evaluando la fluidez del proceso, la estética de la interfaz y la robustez del sistema contra errores. El diseño de la interfaz fue ampliamente elogiado, con una media de 4,50, siendo considerado limpio, profesional e intuitivo por los usuarios. Sin embargo, el flujo de trabajo obtuvo una media de 3,00, lo que indica problemas de usabilidad. El principal punto de fricción fue la falta de retroalimentación del sistema, donde los botones quedaban “deshabilitados” sin explicar al usuario qué campo obligatorio faltaba, generando frustración y comprometiendo la experiencia del usuario.

En cuanto a la estabilidad, el sistema obtuvo una media de 3,60, mostrándose robusto en el sentido de “no colgarse” (crash), pero falló en la validación lógica de datos. Se encontraron errores significativos, como la capacidad de los docentes de generar planes con fechas retroactivas (año pasado) y horarios imposibles (inicio a las 22h y término a las 20h). El sistema aceptó estos datos sin emitir alertas, lo que compromete la fiabilidad si no hay revisión humana. La funcionalidad de exportación a .docx obtuvo una media de 3,70 y fue considerada funcional, pero con reservas, ya que el formato de tablas complejas a veces “se rompía” al intentar hacer ajustes finos. Una sugerencia recurrente fue la inclusión automática de la sumatoria de horas de la Situación de Aprendizaje, que actualmente debe calcularse manualmente.

En resumen, la investigación demostró que el asistente virtual basado en inteligencia artificial es una herramienta eficaz en la optimización de la planificación docente, comprobando su capacidad para reducir drásticamente el tiempo dedicado a tareas burocráticas y de formato. En la dimensión pedagógica, la herramienta garantizó la total adherencia a las normativas curriculares de la MSEP y elevó el nivel técnico en la estructuración de clases y criterios de evaluación, generando propuestas claras y contextualizadas. Sin embargo, las inconsistencias identificadas en las lógicas de carga horaria y cronograma, así como la necesidad de curaduría humana para garantizar el juicio de mérito y la corrección de errores matemáticos, delimitan el papel de la tecnología, reforzando que la inteligencia artificial actúa como un soporte avanzado, pero no sustituye la intencionalidad pedagógica y la mediación humana del educador.

4. Conclusión

El presente estudio buscó analizar la eficacia del uso de un asistente virtual basado en inteligencia artificial en la optimización de la planificación docente, evaluando su eficiencia operativa y calidad pedagógica. Se verificó una robusta optimización de la eficiencia operativa, con la herramienta reduciendo significativamente el tiempo dedicado a la elaboración de documentos pedagógicos. Se observó una disminución de hasta el 88% en el tiempo total de planificación, liberando a los docentes de tareas burocráticas y de formato. En la dimensión de la calidad pedagógica, se identificó que el asistente garantizó el 100% de fidelidad a las normativas curriculares de la Metodología SENAI de Educación Profesional, elevando el nivel técnico en la estructuración de clases y en la definición de criterios de evaluación claros y contextualizados. La principal contribución reside en la capacidad de la tecnología de absorber el trabajo exhaustivo, devolviendo a los educadores el foco en la intencionalidad pedagógica, en la mediación humana del conocimiento y en la estrategia de enseñanza, lo que impacta positivamente la salud ocupacional y la eficiencia de la gestión escolar.

Sin embargo, el estudio reveló limitaciones importantes que delimitan el papel de la inteligencia artificial. Se identificaron inconsistencias en lógicas matemáticas, como errores en la sumatoria de carga horaria y falta de respeto a cronogramas, además de la ausencia de juicio de mérito en ciertos contextos, lo que exigió una revisión humana obligatoria. También se observaron desafíos en la usabilidad del sistema, especialmente en la falta de retroalimentación clara al usuario y en la formateo de documentos complejos. Se sugiere, para estudios futuros y mejoras de la herramienta, la implementación de validaciones lógicas más robustas para cálculos de carga horaria y cronogramas, mejora del flujo de trabajo con retroalimentación interactiva y la inclusión de funcionalidades como la sumatoria automática de horas. Estos hallazgos refuerzan que la inteligencia artificial actúa como un soporte avanzado y creativo, pero no sustituye la pericia, la sensibilidad y la curaduría humana del educador, que permanecen esenciales para la garantía de la pertinencia y seguridad pedagógica.

Referencias Bibliográficas

Bardin, L. 2016. Análise de conteúdo. Edições 70, São Paulo, SP, Brasil.

Carlotto, M.S. 2002. A síndrome de burnout e o trabalho docente. Psicologia em Estudo 7(1): 21-29.

Creswell, J.W. 2010. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3ed. Artmed, Porto Alegre, RS, Brasil.

Libâneo, J.C. 2001. Organização e Gestão da Escola: teoria e prática. 4ed. Alternativa, Goiânia, GO, Brasil.

Lück, H. 2000. Perspectivas da gestão escolar e implicações quanto à formação de seus gestores. Em Aberto 17(72): 11-33.

Nóvoa, A. 1992. Os professores e as histórias da sua vida. In: Nóvoa, A. Vidas de professores. 2ed. Porto Editora, Porto, Portugal.

Serviço Nacional de Aprendizagem Industrial. 2019. Metodologia SENAI de educação profissional. SENAI/DN, Brasília, DF, Brasil.

Vogel, D. 2025. Transformando a educação com Large Language Models (LLMs): benefícios, limitações e perspectivas. Revista Caderno Pedagógico 22(4): 1-20.

Wieringa, R.J. 2014. Design science methodology for information systems and software engineering. Springer, Berlin, Alemanha.

Yin, R.K. 2015. Estudo de caso: planejamento e métodos. 5ed. Bookman, Porto Alegre, RS, Brasil.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Gestión Escolar del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy