Asistente de planificación de lecciones

Asistente de planificación instruccional de lecciones convierte la solicitud estándar del docente —«plan de lección sobre el tema X para 7.º curso, 45 minutos»— en un borrador estructurado con objetivos, etapas, materiales y tareas de verificación. El asistente trabaja integrado con el CMS o LMS de la empresa y se apoya en el programa de estudios aprobado. El objetivo es quitarle al docente la mayor parte del tiempo de borrador, dejándole el trabajo creativo: adaptación al grupo, selección de ejemplos y revisión final.

El proceso paso a paso:

1. El docente define los parámetros mediante un formulario web o interfaz de chat: materia, tema, curso/nivel, duración, tipo de clase (conferencia, seminario, laboratorio), estándar educativo.
2. El agente de IA consulta el CMS/LMS y extrae el contexto relevante: estándares curriculares, planes anteriores sobre el tema, recomendaciones metodológicas del departamento.
3. La búsqueda RAG encuentra fragmentos de la base de conocimiento interna: materiales aprobados, casos exitosos, tareas preparadas.
4. El modelo de lenguaje genera el borrador del plan: objetivos de aprendizaje, estructura de la lección con tiempos, actividades, lista de materiales, preguntas de verificación.
5. El asistente vincula el borrador a estándares y competencias específicos, y muestra la cobertura del programa de estudios.
6. El docente revisa el borrador, aprueba la versión final y lo guarda en el CMS como un nuevo plan.
7. Los planes aprobados enriquecen la base RAG: con el tiempo, la calidad de los siguientes borradores mejora gracias a la acumulación de plantillas y terminología propias.

Lo que el asistente NO hace:

• No imparte la clase ni evalúa a los estudiantes. Es una herramienta de preparación de planes, no de enseñanza o control.
• No reemplaza la pericia metodológica. El borrador requiere revisión del docente antes de utilizarlo con el grupo.
• No genera materiales «de la nada». Si la base no contiene datos sobre el tema o el estándar, el asistente informa explícitamente sobre la laguna, en lugar de inventar.

El flujo técnico se apoya en tres componentes: CMS/LMS como fuente de verdad, la capa RAG para la extracción de contexto, el modelo de lenguaje para la generación del borrador. El asistente no parafrasea el conocimiento de la memoria del modelo: extrae fragmentos relevantes de fuentes internas verificadas y forma el plan estrictamente a partir de ellos.

Flujo de procesamiento de solicitud

1. El docente envía la solicitud a través de la interfaz: formulario web, chat-bot o plugin para CMS.
2. El backend analiza los parámetros (asignatura, clase, duración, estándar) y forma un prompt estructurado.
3. El módulo RAG realiza una búsqueda semántica en la base vectorial: programa de estudios por asignatura, planes anteriores sobre el tema, recomendaciones metodológicas.
4. Los fragmentos encontrados se añaden al contexto del modelo junto con la plantilla de estructura del plan (objetivos → etapas → actividades → verificación).
5. El modelo de lenguaje genera el borrador respetando los campos y el formato requeridos.
6. El posprocesamiento verifica la vinculación con los estándares, resalta las menciones de competencias, formatea la tabla de temporización de la clase.
7. El borrador se devuelve al docente en formato editable: en CMS, Google Docs o en el editor integrado.
8. Tras la aprobación, el plan se guarda en CMS y se indexa en RAG como nueva fuente.

Componentes del sistema

Implantación por etapas

1. Semana 1: auditoría del contenido educativo. Inventario de CMS/LMS, exportación de planes de lecciones, estándares y materiales metodológicos en formato estructurado.
2. Semana 1-2: configuración de vector DB y embedding pipeline. Indexación de los materiales existentes para el primer contorno RAG.
3. Semana 2-3: prompt engineering de la estructura del plan. Pruebas con 20-30 solicitudes reales de los metodólogos.
4. Semana 3-4: integración de UI. Plugin para CMS o interfaz web independiente con autenticación mediante SSO.
5. Semana 4: piloto con 5-10 docentes. Recopilación de feedback, ajuste de prompts, incorporación de edge cases.
6. Tras el piloto: ampliación a todo el departamento. Feedback loop para la mejora de borradores mediante fine-tuning en planes aprobados.

Calidad y guardrails

El borrador siempre pasa por el docente: el asistente no publica los planes automáticamente. Verificaciones integradas: correspondencia con la duración de la clase, vinculación con el estándar, presencia de tareas de evaluación. Si el modelo no encuentra el contexto necesario en RAG, devuelve secciones vacías con la nota «no hay datos en la base» en lugar de inventar. Los registros de solicitudes y respuestas se guardan para la auditoría por parte de los metodólogos.

La implantación requiere contenido educativo estructurado, acceso a LLM API y disposición del equipo metodológico. Sin estos tres elementos, el proyecto entra en una preparación interminable de datos antes del primer borrador.

Datos y accesos

• CMS o LMS con contenido educativo: programa de estudios, planes de lecciones, materiales metodológicos. El mínimo recomendado para la indexación inicial de RAG es de varios cientos de unidades de contenido.
• Estándares educativos en formato estructurado: PDF/DOCX con jerarquía clara o API al catálogo de estándares.
• Acceso a LLM API (modelos de OpenAI, Anthropic o análogos) con límites acordes a la carga planificada.
• Hosting para vector DB y capa de orquestación: servidor propio o nube.

Disposición del equipo

• Metodólogo o Head of Content: responsable de la estructura del plan, los criterios de calidad y la aceptación de borradores.
• Docente embajador: 1-2 personas para el piloto y la formación de feedback.
• Rol técnico: ingeniero de backend/integración o contratista externo para el conector de CMS, la capa de RAG, UI.
• Comprensión del proceso: quién aprueba los planes finales, dónde se publican, quién actualiza la base de conocimiento.

Qué ayuda adicionalmente

• Versionado de planes en CMS: más fácil rastrear la evolución de las versiones aprobadas.
• Taxonomía de materias y clases: simplifica el enrutamiento de solicitudes y la búsqueda en RAG.
• SSO para autorización: los docentes no crean cuentas separadas.

Cronograma

Hasta un MVP funcional se tarda 2-4 semanas con contenido estructurado y equipo listo. Sin inventario de materiales educativos, el plazo se desplaza 2-3 semanas. Un rollout completo con feedback loop y reentrenamiento ocupa 6-8 semanas desde el lanzamiento del piloto.