Siguiendo con la idea de desarrollar habilidades de IA en estudiantes (no olvidar revisar la Propuesta de Marco ACIA: Alfabetización Crítica en Inteligencia Artificial, sobre habilidades estudiantiles en la era algorítmica) presentamos 15 estrategias de aula para este fin en concreto.

1.- Introducción

La irrupción de la inteligencia artificial en la vida cotidiana y escolar no es solo un cambio tecnológico: es un cambio cognitivo, cultural y ético. Por eso, el desafío educativo ya no es “si usar o no usar IA”, sino cómo formar estudiantes capaces de comprenderla, usarla con estrategia, cuestionarla críticamente y mantener su agencia intelectual. El conjunto de estrategias que consolidamos responde justamente a ese desafío: desarrolla desde la comprensión básica (“la IA no es magia”) hasta habilidades avanzadas como auditoría algorítmica, verificación de información, autorregulación y ética digital.

Estas estrategias importan porque la IA generativa puede producir textos persuasivos, explicaciones plausibles y respuestas rápidas, pero también puede equivocarse, alucinar, reproducir sesgos y simplificar en exceso. Por lo mismo, educar con IA exige enseñar procedimientos explícitos para: (1) formular mejores preguntas (prompts), (2) verificar (fact-checking/lectura lateral), (3) auditar (pruebas de estrés y análisis de patrones) y (4) delimitar cuándo conviene o no conviene usar IA (semáforo), protegiendo el aprendizaje profundo.

En otras palabras, estas estrategias son importantes porque mueven a la escuela desde el uso “instrumental” de la IA (solo producir más rápido) hacia un enfoque competencial: aprender a pensar con IA sin perder el pensamiento propio. Esto se refuerza con una idea transversal en los documentos: el aprendizaje real se demuestra en el proceso (historial de prompts, bitácoras, borradores, verificación y reflexión), no solo en el producto final.

2.- Estrategias

1) Deconstruyendo la “caja negra” + Caza de IA + Mapas conceptuales

En qué consiste

Es una estrategia para desmitificar la IA (“no es magia”) mostrando que un sistema de IA opera como Entrada → Procesamiento (“caja negra”) → Salida, y que “no sabe”: predice patrones. Incluye una actividad de “caza de IA” (identificar IA en hogar/escuela) y mapas conceptuales para comparar “programa tradicional vs sistema de IA”.

Habilidades que desarrolla (y cómo)

• Comprensión conceptual de IA: entender ejemplos cotidianos y diferenciar reglas explícitas vs modelos entrenados.  
• Pensamiento crítico inicial: si no vemos el “pensamiento” de la máquina, no confiamos ciegamente.

Componentes clave

1. Inventario de IA cotidiana (caza de IA).
2. Modelo mental Entrada‑Caja negra‑Salida.
3. Comparador conceptual: programa tradicional vs IA (mapa conceptual).
4. Discusión guiada sobre límites: “predice, no sabe”.

Paso a paso (implementación detallada)

Paso 1 — Activación (10–15 min)

• Pregunta detonante: “¿Dónde aparece IA en tu día?”
• Recoge ideas sin corregir aún (lluvia de ideas).

Paso 2 — Caza de IA (tarea corta o en clase) (20–40 min)

• Estudiantes listan 5–10 ejemplos (recomendadores, filtros, asistentes, etc.) y anotan:
  • ¿Qué “entrada” entrega el usuario/sistema?
  • ¿Qué “salida” recibe?
• Comparten y discuten en grupos.

Paso 3 — Presentación del esquema “caja negra” (15 min)

• Docente explica: Entrada → Procesamiento invisible → Salida y el riesgo de confiar sin ver el proceso.

Paso 4 — Mapa conceptual comparativo (25–35 min)

• En parejas, construyen mapa:
  • Programa tradicional: “si pasa X, entonces Y” (reglas explícitas)
  • IA: “aprende de datos y predice” (modelo entrenado)  

Paso 5 — Cierre metacognitivo (10 min)

• Cada estudiante escribe 3 frases:
  1. “Antes creía que IA era…”
  2. “Ahora entiendo que…”
  3. “Por eso, cuando use IA, haré…”

Evidencias / evaluación

• Lista de “caza de IA” + clasificación Entrada/Salida.
• Mapa conceptual comparativo.
• Ticket de salida (metacognición).

2) Método RAFA + “Buen Prompt” + Prompt Engineering básico

En qué consiste

Es un andamiaje para que el estudiante aprenda a escribir prompts que controlen la respuesta de la IA:

• RAFA: Rol, Audiencia/Contexto, Formato, Acción/Tarea.
• “Buen prompt”: agrega contexto, tarea específica, restricciones, criterios de calidad.
• Prompt engineering básico educativo: prompts de rol, tarea, mejora, reflexión.

Habilidades que desarrolla (y cómo)

• Uso estratégico de IA para aprender: pedir explicaciones al nivel adecuado, solicitar formatos útiles (tabla, pasos, ejemplos).  ,  
• Comunicación precisa: reducir ambigüedad y mejorar la calidad del resultado.

Componentes clave

Un prompt potente tiene:

1. R (Rol): “Actúa como…” (experto/mentor/revisor).
2. A (Audiencia/Contexto): nivel, curso, propósito, conocimientos previos.
3. F (Formato): tabla/lista/rúbrica/código/mapa textual.
4. A (Acción/Tarea): verbo + producto esperado (explica, compara, sintetiza…).
5. Restricciones: extensión, tono, idioma, fuentes, pasos.
6. Criterios de calidad: “incluye 2 ejemplos”, “define conceptos”, “sin tecnicismos”, etc.

Paso a paso (taller práctico)

Paso 1 — Demostración con contraste (10–15 min)

• Docente muestra 2 prompts: uno vago y uno con RAFA + restricciones.
• Comparan resultados y discuten por qué cambió.

Paso 2 — Enseñanza explícita de la plantilla (15 min)

• Se entrega una “tarjeta RAFA” + checklist del buen prompt.

Paso 3 — Práctica guiada (25–30 min)

• En parejas, eligen un contenido curricular y completan la plantilla:
  • Rol: “tutor de…”
  • Audiencia: “estudiante de…”
  • Formato: “pasos + ejemplo”
  • Acción: “explica/compara…”
  • Restricciones: “máx 120 palabras…”
  • Criterios: “incluye analogía…”  

Paso 4 — Prueba y mejora (20–30 min)

• Ejecutan el prompt, analizan respuesta y editan el prompt (1–2 iteraciones).

Paso 5 — Metacognición breve (5–10 min)

• “¿Qué cambio en el prompt mejoró más el resultado?”

Evidencias / evaluación

• Prompt final + historial de mejoras.
• Rúbrica corta: claridad del rol, contexto, formato, restricciones.

3) Escalera de Prompts (iteración documentada)

En qué consiste

El estudiante parte con un prompt simple y va agregando restricciones y contexto por “peldaños”, documentando cada iteración. Lo importante no es el “resultado bonito”, sino la bitácora de refinamiento.

Habilidades que desarrolla

• Aprender a controlar variables (como en un experimento).
• Metacognición: entender qué componente del prompt produce qué efecto.

Componentes

• Prompt v1 (básico) → v2 (contexto) → v3 (formato) → v4 (restricciones) → v5 (criterios de calidad).

Paso a paso

1. v1: “Explícame X”
2. v2: añade audiencia: “para 1° medio…”
3. v3: añade formato: “en 5 pasos + ejemplo”
4. v4: añade restricciones: “150 palabras, tono cercano”
5. v5: añade criterios: “incluye 2 errores comunes y cómo evitarlos”  
6. Completa una tabla de bitácora: qué cambié, qué mejoró, qué empeoró, qué mantengo.

Evaluación

• Se califica el proceso (bitácora) más que el producto.

4) EMP — Escribir Mejor con Prompts (redacción académica/creativa)

En qué consiste

Estrategia por fases para mejorar redacción usando prompts como disparador + ciclos de revisión (pares, autoevaluación, docente) + creación de prompts por estudiantes + publicación.

Habilidades que desarrolla

• Redacción (coherencia, claridad, organización, profundidad).
• Metacognición escritural (pensar cómo se escribe y se revisa).

Componentes

• Activación + “buen prompt” (contexto, tarea, restricciones, criterios) + iteraciones + rúbricas/checklists + portafolio digital.

Paso a paso (secuencia completa)

Fase 1 — Activación (1 clase breve)

• Qué es un prompt y tipos (descriptivo, argumentativo, reflexivo, creativo).
• Actividad: clasificar prompts según texto que producirían.

Fase 2 — Construcción del buen prompt (1 clase)

• Enseñar componentes (contexto, tarea, restricciones, criterios).
• Modelar un ejemplo con extensión, audiencia y tono.

Fase 3 — Escritura guiada con iteraciones (2–3 clases)

• Responden al prompt (borrador 1).
• Ciclo de revisión: pares + autoevaluación con rúbrica + retro docente por foco (cohesión/ortografía/tono).

Fase 4 — Los estudiantes crean prompts (1 clase)

• En parejas crean 3 prompts para un género (ej. narrativo) y los intercambian.

Fase 5 — Publicación (1 clase)

• Portafolio digital / mural / blog del curso.
• Evaluación final: auto + co + docente.

Evaluación (recomendada)

• Rúbrica de texto + rúbrica del prompt (claridad, restricciones, criterios).

5) IIA — Interacción Inteligente para el Aprendizaje (chatbots/agentes)

En qué consiste

Uso pedagógico de chatbots y agentes para investigar, resolver problemas, escribir asistidamente y comunicar; incluye una introducción ética, alfabetización de prompts y una bitácora metacognitiva. Culmina con la creación de un “agente educativo” con instrucciones (sin programar).

Habilidades que desarrolla

• Pensamiento crítico (contrastar, mejorar preguntas).
• Comunicación (formular preguntas de calidad, pedir reformulaciones).
• Resolución de problemas y habilidades blandas (role-play, atención a casos).

Componentes

• Conversación sobre límites/sesgos/riesgos.
• 4 estructuras educativas: rol, tarea, mejora, reflexión.
• Actividades: investigación guiada, escritura asistida, casos/simulaciones.
• Bitácora: qué pedí, qué aprendí, qué errores detecté.

Paso a paso

Paso 1 — Introducción ética y segura (20–30 min)

• Qué es un chatbot, cómo funciona, límites y sesgos.
• Actividad: identificar preguntas que NO se deben hacer y por qué.

Paso 2 — Mini‑taller de prompts (30–40 min)

• Practicar:
  • Prompt de rol: “Actúa como…”
  • Prompt de tarea: “haz X con Y condiciones”
  • Prompt de mejora: “reescribe mejorando claridad/tono”
  • Prompt de reflexión: “hazme preguntas para comprobar comprensión”

Paso 3 — Actividad pedagógica (elige una ruta) (1–2 clases)

• Investigación guiada: hipótesis, exploración, síntesis, mejores preguntas; docente enseña a contrastar fuentes.
• Escritura asistida: pedir esquemas, reformulaciones, revisiones de estilo (sin copiar, sino aprender).
• Casos/rol de experto: agente simula usuario con problema y estudiante orienta y justifica.

Paso 4 — Bitácora metacognitiva (10–15 min)

• Registro: qué pedí, qué aprendí, qué mejoraría, qué errores detecté.

Paso 5 — Producto final: “Agente Virtual Educativo” (1–2 clases)

• Estudiante diseña un agente (tutor de matemáticas, guía de lectura, etc.) con instrucciones predefinidas.

Evaluación

• Se evalúa calidad de prompts, contraste/validación, bitácora, y el agente final.

6) SimulA‑IA — Aprendizaje basado en simulaciones inteligentes

En qué consiste

Uso de simuladores con IA para recrear situaciones reales o complejas en un entorno seguro: roles, decisiones, consecuencias, reflexión, socialización y evaluación centrada en decisiones y razonamiento.

Habilidades que desarrolla

• Toma de decisiones y análisis de consecuencias.
• Pensamiento crítico y resolución de problemas.
• Comunicación y habilidades socioemocionales (manejo emocional, argumentación).

Componentes

• Introducción (cómo funciona, límites)
• Escenarios y roles (conflictos, casos científicos, liderazgo, debates)
• Ciclo de interacción (situación → opciones → respuesta IA → nueva situación)
• Reflexión metacognitiva + socialización grupal

Paso a paso

1. Introducir la simulación: qué es, cómo retroalimenta, riesgos (no reemplaza fuentes reales).
2. Definir roles y escenario (ej. crisis escolar: mediador, apoderado, etc.).
3. Ejecutar interacción: la IA plantea situación, estudiante elige 2–4 acciones, IA responde y complejiza.
4. Reflexión: decisiones, alternativas, consecuencias, qué haría diferente.
5. Socialización: comparar rutas, debate, análisis ético, rúbrica.
6. Iteración controlada: repetir intentando mejorar decisiones.

Evaluación

• Calidad de decisiones + justificación + nivel de reflexión + participación.

7) Interrogando a la IA (sesgos y estereotipos)

En qué consiste

En vez de tratar la IA como “autoridad”, se la trata como objeto de estudio: se le hacen prompts que revelen sesgos (género, raza, riqueza) y se analiza críticamente el resultado.

Habilidades que desarrolla

• Detección de sesgos y pensamiento crítico sobre “neutralidad” tecnológica.

Componentes

• Preguntas “gatillo” (ej. “Descríbeme una persona exitosa”).
• Categorías de análisis: sesgo de género, estereotipo racial, símbolos culturales.
• Discusión y reformulación: “¿Cómo debería preguntar para evitar ese sesgo?”

Paso a paso

1. Aplicar un prompt gatillo y recoger respuesta.
2. Subrayar indicios de sesgo (lenguaje, atributos, roles).
3. Comparar con otras versiones del prompt (cambiando contexto/audiencia).
4. Reescribir el prompt para reducir sesgo (“incluye diversidad… evita estereotipos…”).
5. Conclusión: la IA no “dice la verdad”, produce una salida que debemos evaluar.

Evaluación

• Informe breve: “qué sesgo observé + evidencia textual + prompt mejorado”.

8) Detective de datos + Fact‑checking con IA (lectura lateral)

En qué consiste

Se solicita a la IA un texto (ensayo, biografía, explicación científica) y el alumnado realiza lectura lateral: contrasta cada afirmación con fuentes primarias confiables, detecta errores/alucinaciones/sesgos y produce versión corregida.

Habilidades que desarrolla

• Verificación (alfabetización informacional) y detección de alucinaciones.
• Pensamiento crítico: no aceptar la salida por autoridad.

Componentes

• Texto generado por IA.
• Fuentes confiables (libros de texto / bibliografía / sitios verificados).
• Planilla de contraste: afirmación → fuente → veredicto → corrección.

Paso a paso

1. La IA produce un texto (docente define tema y extensión).
2. Segmentar en afirmaciones (1 idea por línea).
3. Contrastar cada afirmación con fuentes confiables (lectura lateral).
4. Marcar: correcto / incorrecto / incompleto / sesgado.
5. Reescribir versión corregida citando fuentes y explicando cambios.
6. Meta‑reflexión: “¿qué tipo de errores comete más la IA en este tema?”

Evaluación

• Puntaje por calidad del contraste y argumentación de correcciones.

9) Debates estructurados con IA

En qué consiste

La IA genera argumentos “a favor y en contra” y el alumnado evalúa solidez, detecta falacias, identifica evidencia faltante y reconstruye el argumento con respaldo.

Habilidades que desarrolla

• Evaluación argumentativa (calidad de razones, falacias, evidencia).
• Comunicación y deliberación informada.

Paso a paso

1. Pedir a la IA dos posturas (pro/contra) sobre un tema.
2. Identificar: afirmaciones, razones, supuestos.
3. Marcar falacias o generalizaciones.
4. Buscar evidencia externa (fuentes verificadas).
5. Rehacer argumento final con evidencia y contraargumento.
6. Debate oral con roles (moderador, evidencias, refutación).

10) Auditoría algorítmica (método científico aplicado a IA)

En qué consiste

Una metodología sistemática para poner a prueba la IA: formular hipótesis, generar múltiples salidas, aplicar “pruebas de estrés”, analizar patrones (sesgos/alucinaciones) y reportar un veredicto de fiabilidad.

Los documentos la presentan como un protocolo por pasos con hipótesis → producción → pruebas de estrés → análisis → reporte.

Habilidades que desarrolla

• Pensamiento científico y verificación empírica.
• Auditoría crítica de sesgos y fallos.

Componentes

• Hipótesis (predicción de comportamiento).
• Variaciones de prompts (control de variables).
• Pruebas de estrés (preguntas límite/trampa).
• Registro de datos (tabla de resultados) + análisis de patrones.
• Reporte/veredicto sobre fiabilidad y ética.

Paso a paso (protocolo completo)

1. Hipótesis: “Creo que la IA…” (ej. sesgo en profesiones).
2. Producción: generar múltiples salidas con prompts equivalentes.  
3. Pruebas de estrés: variar condiciones (idioma, rol, contexto, restricciones) e introducir casos límite.
4. Análisis de datos: contar patrones (p. ej., proporción de estereotipos) y documentar alucinaciones.
5. Reporte: conclusiones sobre fiabilidad/uso recomendado y riesgos.

Evaluación

• Se evalúa el rigor del método (claridad de hipótesis, variedad de pruebas, calidad del análisis) más que “tener razón”.

11) Método “Sándwich” (Humano → IA → Humano)

En qué consiste

Principio: el humano inicia y termina el proceso. Se usa IA en el medio para generar borradores/ideas/análisis, pero la edición final incluye verificación y decisión humana.

Habilidades que desarrolla

• Agencia y autoría: no delegar el pensamiento.
• Edición crítica: fact‑checking e integración ética.

Componentes

1. Planificación humana (objetivos + prompt).
2. Procesamiento IA (borradores, ideación, análisis).
3. Edición y verificación humana (fact-checking, ética, finalización).

Paso a paso (operativo)

1. Definir objetivo (qué debe aprenderse y demostrarse).
2. Diseñar prompt (idealmente RAFA).
3. Pedir borrador/ideas a la IA.
4. Revisar: ¿hay errores, sesgos, falta evidencia? (aplicar “detective de datos”).
5. Reescribir con voz propia + citar uso de IA si corresponde (transparencia).

12) Semáforo de uso de IA (Rojo/Amarillo/Verde)

En qué consiste

Clasificar tareas según convenga usar IA:

• Rojo (prohibido): entrenamiento cognitivo puro (si el objetivo es practicar la habilidad).
• Amarillo (supervisado): asistencia y andamiaje.
• Verde (libre): creatividad y producción.

Habilidades que desarrolla

• Autorregulación: saber cuándo la IA ayuda y cuándo perjudica el aprendizaje.
• Ética académica: límites claros y compartidos.

Paso a paso

1. Presentar una lista de tareas reales del curso.
2. En grupos, clasificarlas en rojo/amarillo/verde y justificar.
3. Construir un “acuerdo de aula” (qué se permite y cómo se declara).
4. Revisar el semáforo cada unidad (ajuste por madurez y objetivos).

13) Uso directo de IA para estudiar con NotebookLM (IA “grounded”)

En qué consiste

Uso de una IA centrada en tus propios documentos (PDFs, apuntes) para convertir sobrecarga de información en gestión centralizada, con un principio “grounded”: si el dato no está en tus documentos, la herramienta “no lo sabe”. Esto reduce alucinaciones y permite respuestas con citas verificables.

Incluye salidas útiles para estudio: mapa mental, tarjetas, cuestionarios, informes, presentaciones, resúmenes (incluso audio o video en versión beta según el documento).

Habilidades que desarrolla

• Gestión de información (organizar, sintetizar, estudiar con foco).
• Estudio verificable: trabajar con bibliografía propia y trazabilidad.

Componentes

• Carpeta de documentos (“caja fuerte”).
• Preguntas de estudio bien formuladas (RAFA ayuda aquí).
• Productos de aprendizaje: preguntas, flashcards, mapas, síntesis.
• Conciencia de límites: calidad de entrada (“basura entra, basura sale”) y no es buscador de noticias.

Paso a paso (rutina de estudio)

1. Preparar insumos: subir PDFs/apuntes limpios (mejorar apuntes primero).
2. Definir objetivo: “quiero dominar X para una prueba / escribir informe”.
3. Pedir un mapa de contenidos: “organiza los conceptos clave y relaciones”.
4. Generar preguntas de recuperación (cuestionario) y tarjetas de estudio.
5. Detectar lagunas: “¿qué conceptos no están claros en mis documentos?” (si falta, lo dirá).
6. Crear producto: informe/presentación con base en citas del material.
7. Revisión humana final (sándwich): confirmar comprensión y corregir.

14) Ética y derechos digitales (casos, códigos, “Juicio a la IA”, filtro ético)

En qué consiste

Conjunto de dinámicas para analizar impactos (privacidad, equidad, bienestar), crear normas de uso y debatir casos complejos (por ejemplo, reconocimiento facial en escuela). Incluye:

• Estudio de casos éticos (quién gana/pierde; principios involucrados).
• Códigos de conducta para uso en clase (citar IA, proteger datos, usos prohibidos).
• “Juicio a la IA”: defensores, detractores y jueces con criterios (equidad, transparencia).
• Diseñando el filtro ético: identificar criterios de clasificación y proponer cambios para mayor justicia/inclusión.

Habilidades que desarrolla

• Ciudadanía digital y criterio ético para usar IA responsablemente.
• Argumentación sobre dilemas reales.

Paso a paso (formato “Juicio a la IA”)

1. Presentar un caso real o hipotético (uso de IA en escuela).
2. Dividir roles: defensores, detractores, jueces.
3. Entregar criterios: equidad, transparencia, derechos.
4. Preparación de argumentos con evidencia.
5. Audiencia: exposición + repreguntas + deliberación.
6. Veredicto y “código de conducta” aplicado al aula.

15) Protocolos de evaluación de proceso (transparencia, modelado, rúbricas)

En qué consiste

Para que las habilidades IA sean reales, se evalúa el proceso de pensamiento: historial de prompts, borradores, bitácoras de auditoría, reflexión; y se exige transparencia del uso de IA. El docente modela el uso mostrando cómo corrige errores.

Componentes

• Transparencia: declarar cuándo y cómo se usó IA (diario de IA / “agradecimientos al algoritmo”).  
• Modelado docente: usar IA frente al curso y mostrar correcciones.
• Evaluación de proceso: calificar prompts, borradores, reflexiones (no solo producto final).
• Interdisciplinariedad: conectar IA con ética, matemáticas, ciencias sociales.
• Rúbricas con criterios de uso responsable y verificaciones.

Paso a paso (para cualquier trabajo con IA)

1. Entregar consigna + semáforo (si aplica).
2. Exigir “bitácora mínima”: prompt inicial, 2 iteraciones, qué cambió y por qué.
3. Exigir verificación (fact-checking o auditoría según complejidad).
4. Producto final + sección “uso de IA” (transparencia).
5. Evaluar con rúbrica de proceso: claridad de prompts, evidencia, verificación, reflexión.

3.- Conclusión

En conjunto, estas estrategias conforman un marco pedagógico coherente que permite pasar del “uso espontáneo” de la IA a un uso formativo, donde la herramienta se convierte en un medio para desarrollar habilidades superiores: comprensión conceptual, comunicación precisa, pensamiento crítico, verificación, auditoría, creatividad con agencia y ética digital.

Su principal fortaleza es que no se limitan a enseñar “cómo usar una aplicación”, sino que enseñan cómo pensar frente a un sistema algorítmico:

• primero se entiende qué es IA y por qué no debe mitificarse (caja negra/caza)
• luego se aprende a interactuar con intención (RAFA, buen prompt, escalera)
• se fortalece el juicio crítico (detective de datos, debates, interrogación de sesgos)
• se avanza hacia métodos rigurosos de evaluación de la herramienta (auditoría algorítmica)
• y se consolida la autorregulación para evitar dependencia (sándwich, semáforo, bitácoras)
  todo sostenido por ética y evaluación centrada en proceso (transparencia, rúbricas, modelado).

Además, estas estrategias ayudan a resolver una tensión crítica de la educación actual: cómo mantener la exigencia académica cuando existe una tecnología que puede producir respuestas en segundos. La solución que proponen los documentos es clara: desplazar el foco desde “entregar un producto” hacia mostrar un proceso (prompts, iteraciones, verificación, reflexión y decisiones), lo que hace que el aprendizaje sea visible y evaluable incluso en un entorno con IA.

Finalmente, la conclusión práctica es que no hay una estrategia única que sirva para todo: el valor real está en su articulación. Un aula que combina “comprensión de IA” + “prompts de calidad” + “verificación” + “auditoría” + “autorregulación” + “ética y evaluación de proceso” construye estudiantes que no solo usan IA, sino que aprenden con IA manteniendo criterio, responsabilidad y autonomía intelectual. Esa es, en última instancia, la habilidad más importante para la era algorítmica.

Síntesis de estrategias

Nota: Imágenes creadas con inteligencia artificial. Esta entrada la hemos generado con apoyo de inteligencia artificial.