Formula objetivos específicos y observables, enlazándolos con capacidades concretas del modelo elegido. Explica qué entradas ofrecerá el alumnado, qué salidas generará la IA y cómo validarás calidad y equidad. Incluye ejemplos de verbos medibles y límites éticos claramente comunicados antes de cualquier actividad.
Esboza historias de usuario que anticipen contextos reales: tiempo limitado, dispositivos fallando, diversidad de niveles y emociones. Dibuja flujos de decisión con ramificaciones guiadas por la IA, pero con salidas de emergencia manuales, garantizando que cada paso preserve autonomía profesional y cuidado emocional estudiantil.
Define la mínima información necesaria y tiempos de retención estrictos. Prefiere procesamiento local o cifrado extremo a extremo cuando sea posible. Explica derechos de acceso, corrección y borrado. Construye consentimientos revocables y comprensibles. Evalúa proveedores con listas de verificación públicas, evitando cajas negras y cláusulas ambiguas perjudiciales.
Evalúa conjuntos de datos y salidas con lentes de equidad. Usa pruebas contrafactuales, auditorías rutinarias y rúbricas de daño potencial. Instala la regla de la segunda mirada docente ante decisiones sensibles. Documenta incidentes, corrige y retroalimenta modelos, manteniendo la dignidad y oportunidades reales de quienes aprenden.
Prepara infografías, preguntas frecuentes y demostraciones en vivo que expliquen cómo se toman recomendaciones. Distingue predicción, clasificación y generación. Muestra límites y protocolos de salida. Invita a supervisión comunitaria y canales de reporte. La claridad reduce miedos y fortalece alianzas que sostienen mejoras continuas y prudentes en cada escuela.