Por qué el Backward Design cobra más importancia en la era de la IA

Por: Yahaira Torres Rivera, Ed.D.

Hoy podemos pedirle a una herramienta de inteligencia artificial que nos prepare en segundos objetivos de aprendizaje, actividades, casos, preguntas de evaluación, rúbricas, guiones para videos e incluso la estructura completa de un curso.

Esto puede parecer una gran ventaja para quienes trabajamos en diseño instruccional. Y lo es. Pero también crea un riesgo y es que nunca había sido tan fácil producir mucho contenido sin detenernos primero a pensar si realmente necesitamos producirlo. Porque producir contenido rápidamente no significa necesariamente diseñar una buena experiencia de aprendizaje.

En la era de la inteligencia artificial (IA) existe una tentación muy grande de comenzar por lo que podemos crear: ¿qué presentación hacemos?, ¿qué video producimos?, ¿qué actividad interactiva podemos desarrollar?, ¿qué juego podemos generar con IA?, ¿qué contenido colocamos en Moodle, Canvas o Rise?

Sin embargo, todas esas preguntas corresponden al "cómo". Antes deberíamos contestar otras mucho más importantes: 

• ¿qué queremos que la persona sea capaz de hacer al finalizar la experiencia de aprendizaje?, 
• ¿qué evidencia demostraría que realmente lo aprendió?

Solo después deberíamos preguntarnos qué contenidos, actividades, tecnologías o recursos necesitamos para lograrlo. Ese es precisamente el principio del "Backward Design" o diseño inverso.

¿Qué es el Backward Design?

El Backward Design, ampliamente asociado con el modelo Understanding by Design de Grant Wiggins y Jay McTighe, propone comenzar el proceso de diseño por los resultados que esperamos alcanzar, en lugar de comenzar por los contenidos que queremos presentar.

El propio Teaching + Learning Lab del Massachusetts Institute of Technology (MIT) explica el diseño inverso mediante tres etapas: 

• identificar los resultados deseados, 
• determinar qué evidencia permitirá demostrar esos resultados y, 
• finalmente, planificar las actividades de aprendizaje.

En términos sencillos, diseñamos desde el final hacia el principio:

1. Identificar los resultados de aprendizaje. ¿Qué debe comprender, aplicar, analizar, crear o ser capaz de hacer el estudiante al finalizar?

2. Determinar la evidencia de aprendizaje. ¿Cómo podremos comprobar que realmente alcanzó esos resultados? Aquí pensamos en evaluaciones, productos, proyectos, demostraciones o desempeños.

3. Diseñar las experiencias de aprendizaje. Solo entonces seleccionamos contenidos, explicaciones, lecturas, videos, prácticas, actividades, interacciones y tecnologías que ayudarán al estudiante a alcanzar esos resultados.

Parece sencillo, pero cambia considerablemente la manera en que diseñamos un curso.

El problema de comenzar por el contenido

En eLearning todavía es común recibir algo parecido a lo siguiente: tenemos unas presentaciones, varios PDF, cuatro videos y varias lecturas; ahora necesitamos convertir todo eso en un curso en línea.

Entonces comienza el montaje. Se crean módulos, se colocan los documentos, se producen videos, se añaden imágenes, botones, cuestionarios y algunas actividades interactivas. El resultado puede incluso verse muy bien.

Sin embargo, puede quedar sin responder la pregunta más importante: ¿qué aprendizaje estamos intentando provocar con todo esto? Una colección organizada de recursos digitales no necesariamente constituye una experiencia de aprendizaje.

El diseño inverso nos obliga a detenernos antes de producir.

Pensemos, por ejemplo, en un curso sobre toma de decisiones éticas. El objetivo no debería limitarse a que el participante pueda identificar principios éticos si lo que realmente esperamos es que pueda analizar situaciones profesionales y tomar decisiones justificadas. Ese pequeño cambio tiene enormes implicaciones para el diseño.

Si esperamos análisis y toma de decisiones, una presentación seguida de diez preguntas de selección múltiple probablemente no sea evidencia suficiente. Quizás necesitemos presentar una situación compleja, solicitar que la persona identifique el problema, valore distintas alternativas, aplique determinados principios y finalmente justifique su decisión.

Entonces los contenidos, ejemplos y actividades del módulo deberán preparar al estudiante precisamente para realizar ese desempeño. Eso es alineación instruccional.

MIT vuelve a colocar el Backward Design en el centro de la discusión sobre IA

En agosto de 2026, el MIT publicó el Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, un informe institucional dedicado a examinar cómo la inteligencia artificial está transformando la enseñanza, el aprendizaje y la evaluación. El documento plantea que la llegada de la IA obliga a revisar con cuidado muchas de las decisiones pedagógicas que anteriormente dábamos por sentadas.

Lo particularmente interesante para quienes trabajamos en diseño instruccional es que el MIT propone explícitamente el Backward Design como un marco útil para enfrentar este escenario. El planteamiento es muy pertinente. En lugar de comenzar preguntando si la IA debe permitirse o prohibirse en un curso, el MIT propone comenzar definiendo el propósito de la experiencia de aprendizaje: qué deberían llegar a saber los estudiantes, qué deberían ser capaces de hacer y qué deberían aprender a valorar. A partir de ahí se diseñan las tareas y evaluaciones que permitan demostrar esos resultados, utilizando IA cuando contribuya al aprendizaje y evitando su uso cuando interfiera con él.

La primera pregunta debe ser: “¿Qué quiero que aprendan mediante esta actividad y qué proceso cognitivo necesito que realicen para lograrlo?” Después de responder eso podemos decidir qué papel, si alguno, debe tener la IA.  

¿Por qué el Backward Design es todavía más importante con la inteligencia artificial?

Porque la IA generativa ha eliminado muchas de las barreras que antes ralentizaban el desarrollo.  Hoy se puede pedir a la IA algo como: “Crea un módulo sobre liderazgo con cinco objetivos, una introducción, contenido, tres actividades y diez preguntas de selección múltiple”. Y probablemente recibiremos todo eso en segundos. El problema es que podemos producir muchísimo antes de haber determinado qué necesitamos producir y por qué. La IA puede ayudarnos a trabajar más rápido, pero trabajar más rápido en una dirección equivocada sigue siendo trabajar en una dirección equivocada.

La investigación también demuestra que esta discusión ya forma parte de la práctica profesional del diseño instruccional. Kozan et al. (2025), mediante entrevistas con seis diseñadores instruccionales, encontraron que estos profesionales estaban incorporando GenAI principalmente en las fases de diseño y desarrollo. Los participantes reconocieron ventajas relacionadas con eficiencia e ideación, pero también preocupaciones sobre la calidad y confiabilidad de los resultados generados.

Por eso considero que el Backward Design adquiere una nueva relevancia. No porque sea un modelo nuevo, sino porque proporciona algo que necesitamos mucho en este momento: un criterio pedagógico previo a la generación tecnológica.

La IA debería entrar después del “para qué”

Supongamos que estamos diseñando un curso para supervisores y queremos que, al finalizar, puedan manejar apropiadamente un conflicto entre dos empleados. Desde el diseño inverso, primero definimos el desempeño esperado. Después determinamos qué evidencia permitiría demostrarlo. Podríamos pedir al participante que analice un escenario laboral, identifique el problema, seleccione una estrategia de intervención y justifique su decisión.

Ahora sí podemos comenzar a utilizar IA. Podemos pedirle que genere diferentes escenarios de conflicto, crear variaciones según niveles de dificultad, desarrollar personajes y diálogos, generar retroalimentación para distintas decisiones o incluso ayudarnos a construir una simulación interactiva. También puede ayudarnos a producir ejemplos y contraejemplos, preguntas de reflexión, borradores de rúbricas, escenarios adicionales para práctica o diferentes representaciones del mismo contenido. La diferencia es que ya no estamos preguntándole a la IA qué curso debemos crear. Estamos utilizándola para ayudarnos a construir una experiencia de aprendizaje cuyo propósito ya definimos.

EDUCAUSE ha presentado precisamente esta lógica al discutir el uso de GenAI en el desarrollo de cursos: comenzar por los objetivos, continuar con las evaluaciones y posteriormente diseñar los materiales y actividades que apoyarán el aprendizaje. Desde este enfoque, la IA puede participar en las distintas etapas sin sustituir la alineación pedagógica que debe guiar el proceso.

 “Augmentation, not automation”

El informe del MIT introduce otro principio que considero especialmente relevante para el diseño instruccional: “augmentation, not automation”, es decir, utilizar la IA para ampliar o fortalecer las capacidades humanas en lugar de automatizar los procesos cognitivos que precisamente queremos desarrollar.

El informe advierte que, a medida que estas tecnologías se vuelven más capaces, también aumenta la tentación de delegar en ellas tareas de pensamiento. Señala riesgos asociados con una dependencia excesiva, entre ellos el debilitamiento del pensamiento crítico, la memoria, la confianza y el dominio del aprendizaje. Incluso utiliza el concepto de “cognitive surrender”, o rendición cognitiva, para describir situaciones en las que la persona recurre a la IA ante la primera dificultad y termina sustituyendo el esfuerzo cognitivo que necesitaba realizar para aprender.

Esto tiene una implicación directa para el eLearning. No toda tarea que puede automatizarse debería automatizarse. Si el propósito de una actividad es desarrollar análisis, juicio, resolución de problemas o pensamiento crítico, permitir que la IA realice completamente ese proceso puede eliminar justamente la experiencia cognitiva que habíamos diseñado para producir aprendizaje.

En cambio, podríamos utilizarla después del intento inicial del estudiante, para comparar alternativas, proporcionar retroalimentación, generar nuevos escenarios, cuestionar una decisión o ampliar la práctica. Aquí vuelve a aparecer la importancia del diseño inverso: primero determinamos qué proceso cognitivo necesita realizar el estudiante y después decidimos qué parte puede apoyar la IA sin sustituir ese proceso.

Backward Design también cambia cómo pensamos la evaluación en la era de la IA

Durante años muchas evaluaciones se diseñaron alrededor de productos relativamente fáciles de observar: un ensayo, una presentación, un resumen, unas preguntas de discusión o un examen. Ahora muchos de esos productos pueden ser generados o significativamente asistidos por IA. Esto no significa que debamos eliminar la inteligencia artificial de las evaluaciones. Significa que necesitamos regresar a una de las preguntas fundamentales del diseño instruccional: ¿Qué evidencia necesito observar para concluir que ocurrió aprendizaje?

Un informe de EDUCAUSE de 2026, basado en una encuesta a 438 profesionales de educación superior, muestra precisamente que las instituciones están reconsiderando sus prácticas de evaluación y las expectativas sobre cuándo y cómo debe utilizarse IA. El informe también destaca la importancia de desarrollar alfabetización en IA, incluyendo la capacidad de reconocer cuándo utilizarla y cuándo no hacerlo. Desde la perspectiva del Backward Design,  deberíamos comenzar preguntándonos: “¿Qué necesito observar para saber que este estudiante desarrolló la competencia que estoy evaluando?”

Tal vez necesitemos observar también el proceso: decisiones intermedias, justificaciones, comparación de alternativas, revisiones, explicación de errores, defensa oral de una solución o aplicación de conocimientos a situaciones nuevas. Incluso podemos permitir el uso de IA y evaluar precisamente la capacidad del estudiante para analizar, cuestionar, verificar, modificar y justificar lo que la herramienta produjo. La tecnología cambia. El resultado de aprendizaje continúa siendo nuestro punto de referencia.

Backward Design antes de abrir la herramienta de autor

Esta discusión también tiene una implicación práctica para quienes desarrollamos eLearning. Antes de abrir Rise, Storyline, Moodle, Canvas, Vyond, ChatGPT o cualquier otra herramienta deberíamos poder explicar claramente tres cosas:

1. qué esperamos que el estudiante logre, 
2. qué evidencia demostraría que lo logró y 
3. qué experiencias necesita para conseguirlo.

Después decidimos la tecnología. No al revés.

Una interacción sofisticada no compensa un objetivo mal definido. Un video espectacular no resuelve una evaluación que no mide lo que pretendemos enseñar. Una actividad generada con IA puede ser visualmente impresionante y, aun así, aportar muy poco al aprendizaje. Por eso una de las competencias más importantes del diseñador instruccional en la era de la IA posiblemente no sea saber generar más contenido. Será saber qué contenido no necesitamos generar, qué procesos no debemos automatizar y dónde sigue siendo indispensable que el estudiante piense.

La IA acelera el desarrollo; el diseñador mantiene la intención

UNESCO ha planteado que la incorporación de la IA generativa en educación debe desarrollarse desde una perspectiva centrada en las personas y acompañada por decisiones pedagógicas deliberadas. El informe del MIT lleva esta idea un paso más allá al vincularla directamente con la intencionalidad del diseño: las estructuras del curso, las evaluaciones y las políticas de IA deben responder a un propósito educativo claramente definido. Esto también ayuda a definir el valor del diseñador instruccional en la era de la inteligencia artificial.

Nuestro trabajo no consiste simplemente en transformar información en módulos digitales ni en competir con una herramienta capaz de generar veinte actividades en pocos segundos. Nuestro valor está en determinar qué problema de aprendizaje intentamos resolver, qué resultados importan, cómo sabremos que fueron alcanzados y qué experiencias permitirán que el estudiante los alcance. 

Después podemos utilizar toda la capacidad de la inteligencia artificial para hacer ese proceso más eficiente, creativo, personalizado e interactivo. Por eso, quizás el orden más importante para diseñar eLearning en la era de la IA sea este: Primero, el aprendizaje. Después, la evidencia. Luego, la experiencia. Finalmente, la tecnología. En una época en la que generar contenido nunca había sido tan fácil, diseñar con intención nunca había sido tan importante.

Referencias

Fang, B., & Broussard, K. (2024). Augmented course design: Using AI to boost efficiency and expand capacity. EDUCAUSE Review.

Kozan, K., Hur, J., Kim, I., & Barrett, A. (2025). Instructional designers’ integration of generative artificial intelligence into their professional practice. Education Sciences, 15(9), 1133.

Massachusetts Institute of Technology. (2026, August 13). Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training.

MIT Teaching + Learning Lab. (n.d.). Where to start: Backward design. Massachusetts Institute of Technology.

Robert, J. (2026). The impact of AI on learning assessment. EDUCAUSE.

UNESCO. (2023). Guidance for generative AI in education and research.

Wiggins, G., & McTighe, J. (2005). Understanding by design (2nd ed.). ASCD.

Catedrática Auxiliar y Directora de Educación a Distancia, en el Recinto de Río Piedras de la Universidad de Puerto Rico. Cuenta con más de 22 años experiencia en el sector educativo. Como docente cuenta con experiencia en las disciplinas de diseño instruccional, educación a distancia, diseño gráfico, pedagogía, andragogía, Diseño Universal para el Aprendizaje (DUA), aprendizaje activo, entre otros temas. Ofrece servicios de asesoría a empresas e instituciones educativas sobre temas relacionados a la creación de cursos y academias Online. Cuenta con un Doctorado en Educación, con especialidad en Currículo y Enseñanza, subespecialidad en Tecnologías del aprendizaje, enfocado en Educación a Distancia. También, una maestría en Artes del Diseño Gráfico Digital. Además, ha completado exitosamente otras certificaciones profesionales sobre Enseñanza en Línea, Neuroeducación, Fundamentos de Gerencia de Proyectos, Quality Matters, entre otras.