DM 219 PNRR e IA en la escuela: qué deben decidir los docentes antes del verano de 2026

Entre 2025 y 2026, la adopción de la inteligencia artificial en la escuela deja de ser una elección individual “del docente” y se convierte en una cuestión de sistema: normas, evaluación, privacidad, formación, herramientas. La referencia operativa que muchos centros están utilizando para orientarse es elDM 219 2025 PNRR escuela, con plazos del PNRR que empujan a tomar decisiones antes del verano de 2026 para llegar preparados al curso escolar 2026–2027.

Este artículo traduce el marco normativo y de proyecto en decisiones concretas: qué aprobar en el claustro de profesores, qué definir en los departamentos, qué hacer operativo en los consejos de clase. El objetivo no es “hacer un reglamento sobre la IA”, sino construir un marco didáctico sostenible: tareas con sentido, pruebas sólidas, criterios compartidos de integridad y una formación que realmente mejore la enseñanza.

DM 219/2025 y PNRR: qué cambia de verdad para los docentes (y por qué el plazo es el verano de 2026)

En la práctica escolar, el “qué cambia” no coincide con una sola circular, sino con un conjunto de restricciones y oportunidades: fondos, rendición de cuentas, objetivos de innovación y, sobre todo, la necesidad de hacer coherentes el PTOF, los currículos, la evaluación y las herramientas digitales. En este escenario, el DM 219/2025 se lee a menudo como un acelerador: impulsa a estructurar acciones sobre competencias digitales y uso consciente de las tecnologías, incluyendo la IA como tema transversal (didáctica, ciudadanía digital, inclusión, evaluación).

¿Por qué el verano de 2026 es un punto de inflexión? Porque muchas escuelas están planificando dentro de esa ventana: (1) el cierre de los ciclos de diseño/formación vinculados al PNRR, (2) la actualización del PTOF y de los reglamentos internos, (3) la definición de procedimientos de evaluación y de gestión de los casos de uso indebido de la IA. Llegar a septiembre de 2026 sin decisiones compartidas significa dejar a cada clase “sola” para gestionar herramientas que los estudiantes ya usan a diario.

Entre primavera–verano de 2026, las decisiones operativas que típicamente recaen en los distintos órganos son:

• Claustro de profesores: directrices comunes sobre uso de la IA, criterios de transparencia, marco de evaluación, prioridades formativas e integración en el PTOF.
• Departamentos: estándares por materia (qué se permite en las tareas, cómo se cita la IA, qué pruebas siguen siendo “a mano”, cuáles pasan a ser híbridas), rúbricas y tareas auténticas.
• Consejos de clase: concreción por grupo-clase, comunicación a las familias, gestión de PDP/PEI y medidas de equidad (p. ej., herramientas compensatorias vs ventajas indebidas).

El punto didáctico es claro: la IA ya está “en el contexto”. La elección no es si entrar o no, sinocómo gobernarlapara mantener la validez de las pruebas, la calidad de los aprendizajes y la confianza en la evaluación.

Normas de centro sobre el uso de la IA: qué definir ahora para evitar el caos en 2026–2027

Una política eficaz no es una lista de prohibiciones: es un pacto formativo que hace explícitas expectativas y responsabilidades. Si el centro no define un marco mínimo, cada docente se verá obligado a inventar reglas “de emergencia”, con efectos colaterales: incoherencia entre materias, conflictos con estudiantes y familias, litigios sobre evaluaciones y sanciones.

Para el curso 2026–2027, las escuelas que mejor funcionan están convergiendo en cuatro pilares, todos traducibles a reglamento y a consignas didácticas:

• Ámbitos de uso: qué está permitido (p. ej., lluvia de ideas, aclaraciones, ejercicios guiados, revisión lingüística) y qué está prohibido (p. ej., generar íntegramente trabajos evaluados sin declaración, resolver pruebas en curso).
• Transparencia: obligación de declarar si y cómo se ha usado la IA (prompt, pasos, output, modificaciones), con fórmulas simples y estándar.
• Trazabilidad y privacidad: herramientas aprobadas, cuentas, gestión de datos, prohibición de subir contenidos sensibles (datos personales, PEI/PDP, pruebas no públicas) a plataformas no autorizadas.
• Coherencia evaluativa: indicaciones sobre tareas para casa, pruebas en clase, interrogaciones/exámenes orales, y sobre cómo la IA influye (o no influye) en la nota.

Un nudo específico, a menudo pasado por alto, se refiere aIA en la escuela 2026 2027 reglaspara las tareas para casa: prohibir en bloque es poco realista; permitir sin condiciones vuelve frágil la evaluación. La solución más sólida es distinguir entre tareas “de entrenamiento” (donde la IA puede ser tutor, con declaración) y tareas “de comprobación” (donde hacen falta restricciones: producción en clase, oral, portafolio procesual, o entrega con huellas de trabajo).

Incluid en la política también un anexo “operativo” de una página con ejemplos: cómo citar la IA, cómo adjuntar prompts y revisiones, cómo gestionar el error de la IA (alucinaciones) como ocasión para verificar fuentes. Esto reduce la arbitrariedad y hace que la norma sea enseñable, no solo sancionable.

Plagio, IA fuera del campus e integridad académica: criterios prácticos de evaluación y pruebas “resilientes a la IA”

Con la IA generativa, el problema no es solo “copiar”. Es redefinir la línea entre apoyo legítimo y sustitución del trabajo cognitivo. En particular, los docentes piden criterios sobreuso IA estudiantes fuera del campus IA plagio: ¿qué ocurre cuando el trabajo nace en casa con un asistente de IA y llega a clase “perfecto” pero opaco?

Tres indicaciones prácticas ayudan a gestionar la integridad sin convertir la escuela en un tribunal.

1) Desplazar el foco del “producto” al “proceso”. Cuando se evalúa el proceso (esquemas, borradores, elecciones argumentativas, fuentes, autocorrecciones), la IA se convierte en una herramienta visible. Esto es coherente con evidencias pedagógicas sobre evaluación formativa y metacognición: el aprendizaje mejora cuando el estudiante hace explícitas estrategias y revisiones.

2) Definir umbrales claros de “ayuda lícita”. Un ejemplo útil (adaptable por edad y itinerario):

• Lícito: pedir ejemplos, explicaciones, preguntas de autoevaluación, mejorar la claridad lingüística manteniendo ideas propias, generar un mapa conceptual para compararlo con el libro.
• A declarar y discutir: reorganizar un texto, proponer un esquema, sugerir contraargumentos, simular un examen oral con feedback.
• Ilícito (si no está autorizado): generar el trabajo completo, resolver ejercicios evaluados sin comprensión, producir respuestas “listas” para pruebas o exámenes orales.

3) Diseñar pruebas “resilientes a la IA”. No significa pruebas imposibles de copiar, sino pruebas en las que copiar no conviene porque se necesita comprensión situada. Algunos formatos eficaces en la escuela secundaria:

• Si queréis explorar la herramienta de forma operativa, podéis
• y evaluar en el departamento qué consignas y qué rúbricas hacen que el uso sea didácticamente transparente. Para profundizar en el enfoque y el contexto del proyecto, también encontráis la página
• .

Llevar la IA a la escuela de manera seria, antes del verano de 2026, significa cerrar tres frentes: política clara, evaluación resiliente a la IA, formación con productos concretos. Así la IA se convierte en un aliado para aprender mejor, y no en un factor de conflicto o de desconfianza. El 2026–2027 premiará a los centros que hayan elegido método y coherencia, no a los que hayan perseguido la última herramienta.integridad académica IA trampas escuela secundaria: no “caza de brujas”, sino educación en la responsabilidad (declaración de uso), proporcionalidad (sanciones graduadas) y reparación (rehacer la prueba, entrevista reflexiva, entrega procesual).

Por último, atención a los detectores: son falibles y pueden penalizar a estudiantes con estilos de escritura “limpios” o con italiano no nativo. Usadlos, si acaso, solo como un indicio débil. La gestión de los casos dudosos debería basarse en entrevista, solicitud de explicación de los pasos, comparación con producciones anteriores y verificación presencial. Es un cambio cultural: de la prueba “por sorpresa” a la prueba “argumentada y defendible”.

Formación obligatoria y gobernanza: cómo diseñar itinerarios útiles (no solo cumplimientos) con los fondos PNRR

Muchos centros están programandoformación inteligencia artificial docentes 2026con fondos PNRR. El riesgo es concentrarlo todo en “tutoriales de herramientas” (que cambian en pocos meses) y poco en didáctica, evaluación y diseño. Un itinerario útil, en cambio, parte de competencias transferibles y produce evidencias: unidades de aprendizaje, rúbricas, tareas auténticas, ejemplos de prompts responsables y rejillas de transparencia.

Una gobernanza mínima (realista para una escuela) puede prever:

• Un grupo de trabajo de IA (coordinador digital + referentes de departamento + función instrumental de evaluación) con un mandato claro: política, formación, seguimiento.
• Objetivos medibles: p. ej., antes de junio de 2026 cada departamento produce 2 pruebas resilientes a la IA y 1 rúbrica con criterios de transparencia; antes de septiembre de 2026 cada consejo de clase acuerda una consigna estándar de declaración de uso.
• Microformación en la práctica: talleres sobre tareas reales (pruebas, exámenes orales, tareas para casa), con revisión entre pares y experimentación en el aula.
• Seguimiento ligero: recopilación de ejemplos, criticidades, casos de integridad y actualización anual de la política (no cada semana).

Para evitar que la formación se quede en lo abstracto, vinculadla a tres preguntas guía: (1) ¿qué actividad mejoro mañana en clase? (2) ¿qué riesgo reduzco (privacidad, trampas, sesgos)? (3) ¿qué evidencia aporto (rúbrica, prueba, unidad, protocolo)? Este enfoque convierte la formación en una inversión didáctica, no solo en un cumplimiento.

En paralelo, actualizad el PTOF y los currículos con un léxico compartido: competencias de ciudadanía digital, uso crítico de las fuentes, gestión del error y capacidad de documentar procesos. Son competencias que siguen siendo válidas incluso cuando cambian las herramientas.

Cómo StudierAI puede apoyar a docentes y estudiantes de forma conforme: casos de uso y criterios de elección de la plataforma

Una vez definidas reglas y criterios, hace falta una herramienta que los haga practicables.StudierAIpuede integrarse en un marco conforme si se usa como apoyo al estudio y a la metacognición, no como atajo para “producir tareas”. La diferencia la marca la consigna: qué se pide al estudiante que haga con el output y qué debe declarar.

Ejemplos de casos de uso didácticamente sólidos (y fáciles de hacer transparentes):

• Resúmenes guiados: el estudiante compara el resumen con el texto y señala 3 puntos ausentes o imprecisos, citando la página del libro o el apunte de clase.
• Flashcards y quiz: uso para recuperación y consolidación, con entrega de un “error log” (qué preguntas falladas y por qué).
• Simulaciones orales: el estudiante practica y luego lleva a clase un mapa con 5 preguntas “difíciles” surgidas y las respuestas razonadas (no copiadas).
• Planificador de estudio: planificación realista de las cargas, útil sobre todo en clases con dificultades organizativas; el docente puede pedir una breve reflexión sobre qué funcionó y qué no.

Para los docentes, la ventaja es transformar la IA en un “amplificador” de prácticas conocidas: recuperación espaciada, testing effect, feedback frecuente, estudio activo. Son principios sólidos a nivel de evidencias: no dependen de la moda tecnológica y se integran bien con la evaluación formativa.

¿Cuándo, en cambio, una herramienta se vuelve arriesgada? Cuando incentiva la opacidad (outputs “finales” sin proceso), cuando no aclara las responsabilidades o cuando empuja a los estudiantes a subir materiales sensibles. Aquí entra la pregunta clave para cada centro:cómo elegir plataformas de IA conformes para la didáctica?

Una checklist esencial (para usar en la comisión digital o en el grupo de trabajo de IA) incluye:

• Conformidad de privacidad y gestión de datos: por dónde transitan los datos, qué logs se conservan, posibilidad de minimización y control.
• Transparencia de uso: posibilidad de documentar prompts, pasos, revisiones o al menos de guiar al estudiante a declarar el uso de forma estándar.
• Alineación con la política: ¿la herramienta apoya el estudio, la autoevaluación y el feedback? ¿O incentiva la producción “llave en mano” de trabajos?
• Accesibilidad y equidad: funciona en distintos dispositivos, no crea barreras económicas y se presta a usos inclusivos (tiempos, modalidades, apoyos).

Si queréis explorar la herramienta de forma operativa, podéisempieza gratisy evaluar en el departamento qué consignas y qué rúbricas hacen que el uso sea didácticamente transparente. Para profundizar en el enfoque y el contexto del proyecto, también encontráis la páginaquiénes somos.

Llevar la IA a la escuela de manera seria, antes del verano de 2026, significa cerrar tres frentes: política clara, evaluación resiliente a la IA, formación con productos concretos. Así la IA se convierte en un aliado para aprender mejor, y no en un factor de conflicto o de desconfianza. El 2026–2027 premiará a los centros que hayan elegido método y coherencia, no a los que hayan perseguido la última herramienta.