98
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19871447
Inteligencia Artificial para la Gestión del Aula: Automatización de
la Asistencia, Reportes Cualitativos y Comunicación Estratégica
con Familias
Artificial Intelligence for Classroom Management: Automation of Attendance,
Qualitative Reports, and Strategic Communication with Families
Sandra Katherine Hinojosa Rubio
Escuela de Educación Básica Fiscal Manuel Gómez Abad, Durán-
Ecuador
Sandra.hinojosa@educacion.gob.ec
Recibido: 09 de marzo 2026 / Aceptado: 04 de abril. 2026 / Publicado: 29 de abril
de 2026.
1. Resumen
El presente artículo de investigación analiza la integración de la Inteligencia Artificial
(IA) y el Procesamiento de Lenguaje Natural (PLN) en la gestión administrativa del
aula
de
Educación
Básica.
El
problema
de
investigación
se
centra
en
la
"burocratización de la docencia", un fenómeno donde el tiempo dedicado a la toma
de
asistencia,
la
redacción
de
informes
de
progreso
y
la
comunicación
con
representantes
legales
supera
significativamente
el
tiempo
invertido
en
el
diseño
pedagógico, generando desgaste profesional (
burnout
). El objetivo principal de este
estudio
es
diseñar
y
validar
un
marco
metodológico
para
automatizar
tareas
operativas
mediante
Inteligencia
Artificial
Generativa
(IAG),
sin
comprometer
la
calidez
y
personalización
del
vínculo
escuela-familia.
A
través
de
un
enfoque
cualitativo
y
un
diseño
de
investigación-acción,
se
modelaron
flujos
de
trabajo
(
workflows
) utilizando
prompts
estructurados para la generación masiva de reportes
cualitativos y la redacción de comunicados empáticos. Los resultados evidencian una
reducción del 75% en la carga administrativa semanal del docente. Se concluye que
la IA transforma la gestión escolar al operar como un "asistente ejecutivo virtual",
permitiendo al educador redirigir su energía cognitiva hacia la mediación didáctica y
el acompañamiento socioemocional del estudiante, bajo un estricto rigor ético y de
privacidad de datos.
99
Palabras
clave:
Gestión
del
Aula,
Inteligencia
Artificial,
Automatización
Administrativa,
Relaciones
Escuela-Familia,
Procesamiento
de
Lenguaje
Natural,
Innovación Educativa.
1. Abstract
This research article analyzes the integration of Artificial Intelligence (AI) and Natural
Language
Processing
(NLP)
in
the
administrative
management
of
the
Basic
Education
classroom. The
research
problem
focuses on
the
"bureaucratization
of
teaching,"
a
phenomenon
where
the
time
dedicated
to
taking
attendance,
writing
progress reports, and communicating with legal representatives significantly exceeds
the time invested in pedagogical design, leading to professional burnout. The main
objective
of
this
study
is
to
design
and
validate
a
methodological
framework
to
automate operational tasks through Generative Artificial Intelligence (GAI), without
compromising the warmth and personalization of the school-family bond. Through a
qualitative approach and an action-research design, workflows were modeled using
structured prompts for the mass generation of qualitative reports and the drafting of
empathetic
communications.
The
results
show
a
75%
reduction
in
the
teacher's
weekly administrative load. It is concluded that AI transforms school management by
operating as a "virtual executive assistant," allowing the educator to redirect their
cognitive energy toward didactic mediation and the socio-emotional support of the
student, under strict ethical rigor and data privacy.
Keywords:
Classroom
Management,
Artificial
Intelligence,
Administrative
Automation,
School-Family
Relations,
Natural
Language
Processing,
Educational
Innovation.
2. Introducción
La docencia en la Educación Básica contemporánea es una profesión bifronte: exige
una dedicación absoluta a la pedagogía en el aula y, simultáneamente, impone una
carga gerencial y administrativa equiparable a la de un administrador de proyectos.
Diariamente,
un
educador
debe
registrar
asistencias,
documentar
incidencias
conductuales, redactar informes cualitativos para la junta de curso y mantener una
comunicación constante, fluida y asertiva con decenas de padres de familia. En el
contexto educativo ecuatoriano, esta hiper-burocratización ha sido identificada como
la
causa
primordial
de
la
fatiga
ocupacional
y
el
distanciamiento
de
la
vocación
formativa.
La Inteligencia Artificial (IA), en su vertiente generativa y predictiva, ofrece soluciones
algorítmicas para mitigar esta crisis operativa. Si bien gran parte de la literatura
100
reciente se ha centrado en el uso de herramientas como ChatGPT para el diseño de
clases o la tutoría de estudiantes, el potencial de la IA como sistema de
Gestión de
Relaciones
Comunitarias
(CRM,
por
sus
siglas
en
inglés)
en
el
entorno
escolar
apenas comienza a explorarse.
El
propósito
de
esta
investigación
es
demostrar
empíricamente
cómo
las
herramientas de procesamiento de lenguaje natural y los sistemas de automatización
pueden
ser
orquestados
por
el
docente
para
gestionar
la
infraestructura
administrativa de un aula con 35 o más estudiantes. Este estudio busca responder a
la
pregunta:
¿Cómo
se
puede
utilizar
la
Inteligencia
Artificial
Generativa
para
automatizar la emisión de reportes de progreso y la comunicación con las familias,
garantizando la eficiencia temporal sin deshumanizar el proceso comunicativo en la
Escuela de Educación Básica Particular “Ciudad de Jerusalén”?
3. Marco Teórico
3.1. Burocratización Docente y Costo de Oportunidad Pedagógica
El
"Costo
de
Oportunidad
Pedagógica"
se
define
como
el
valor
de
la
instrucción
directa y la innovación didáctica que se pierde cuando un docente debe dedicar horas
a tareas mecánicas de transcripción y reporte (Selwyn, 2020). La gestión manual de
la asistencia, combinada con la tabulación de datos para informes quimestrales o
trimestrales,
agota
los
recursos
ejecutivos
del
cerebro
del
maestro,
limitando
su
capacidad para la empatía y la resolución de conflictos en tiempo real dentro del
aula.
3.2. Procesamiento de Lenguaje Natural (PLN) en la Comunicación Institucional
La comunicación escuela-familia requiere tacto, asertividad y claridad. A menudo, los
docentes deben redactar correos electrónicos o mensajes sobre el bajo rendimiento
o problemas conductuales de un alumno, una tarea emocionalmente desgastante
que puede derivar en malentendidos si la sintaxis no es la adecuada. Los Modelos
de Lenguaje de Gran Escala (LLM) actúan como "filtros de asertividad" mediante el
Procesamiento
de
Lenguaje
Natural.
Pueden
tomar
las
notas
informales
o
apresuradas de un profesor y estructurarlas en comunicados formales, constructivos
y desprovistos de carga emocional negativa, utilizando la técnica de la comunicación
no violenta.
3.3. Sistemas de Alerta Temprana Automatizados
Más allá de la generación de texto, la IA en la gestión del aula se apoya en la analítica
de datos básicos. Sistemas simples impulsados por IA pueden vincular el registro de
101
asistencia
digital
con
los
reportes
de
tareas.
Al
cruzar
estos
datos
de
manera
automatizada,
el
sistema
puede
pre-redactar
notificaciones
preventivas
para
los
representantes
legales
cuando
detecta
un
patrón
anómalo
(ej.
tres
faltas
injustificadas
combinadas
con
dos
deberes
no
entregados),
operando
bajo
el
principio de co-responsabilidad familiar preventiva.
4. Materiales y Métodos
4.1. Diseño y Contexto de la Investigación
Se adoptó un diseño descriptivo, observacional y de investigación-acción, focalizado
en las tareas administrativas de un docente tutor en el subnivel de Educación Básica
Media.
4.2. Instrumentos
El estudio utilizó la arquitectura de modelos generativos de OpenAI (GPT-4) para la
automatización
textual.
Se
utilizaron
matrices
de
hojas
de
cálculo
(Microsoft
Excel/Google Sheets) como bases de datos simuladas para almacenar las variables
de
entrada
(calificaciones
cualitativas,
anotaciones
conductuales
y
recuento
de
asistencia).
4.3. Protocolo de Automatización Administrativa
La metodología para automatizar la gestión se dividió en tres ejes de intervención:
1.
Eje de Comunicación de Novedades:
Diseño de un protocolo algorítmico
(
prompt
) que transforma viñetas crudas de observación docente en correos
electrónicos
o
mensajes
de
WhatsApp
estructurados
bajo
el
formato
de
Comunicación Asertiva.
2.
Eje
de
Reportes
de
Progreso
Cualitativo:
Configuración
de
un
sistema
donde la IA lee una fila de datos de una matriz de Excel (Logros, Dificultades,
Comportamiento)
y
redacta
un
párrafo
coherente
y
personalizado
de
100
palabras para el boletín de calificaciones de cada estudiante.
3.
Eje de Gestión de Asistencia y Alertas:
Conceptualización de respuestas
automatizadas
para
integrar
las
ausencias
con
el
seguimiento
académico,
promoviendo la intervención temprana de las familias.
5. Resultados
102
La
implementación
de
flujos
de
trabajo
asistidos
por
IA
demostró
una
eficacia
disruptiva en la gestión de las relaciones institucionales y la administración de datos
cualitativos.
5.1. Optimización en la Redacción de Reportes Quimestrales
Uno de los picos de mayor estrés docente es la entrega de libretas o boletines, los
cuales exigen, además de la nota cuantitativa, una justificación cualitativa.
Tabla
1.
Comparativa
de
eficiencia
en
la
redacción
de
35
Informes
de
Progreso
Cualitativo.
Fases del Proceso de
Reporte
Método
Manual
(Tradicional)
Método
Automatizado
con
LLM (IA)
Porcentaje
de
Reducción
de
Tiempo
Revisión
de
bitácoras
y
consolidación
de
notas.
60 minutos
60 minutos
0%
(Se
mantiene
el
juicio humano)
Redacción
individual
del
texto
para
el
boletín (35 alumnos).
210
minutos
(6
min
por
estudiante)
15
minutos
(Procesamiento
en
bloque)
92.8%
Revisión,
edición
de
tono y curaduría final.
N/A
30
minutos
Fase
humana
de
control
de
calidad.
Tiempo
Total
Operativo
270 Minutos (4.5
horas)
105
Minutos
(1.75
horas)
Ahorro
global
del 61.1%
5.2. Asertividad en la Comunicación de Conflictos
La validación cualitativa de los correos electrónicos generados por IA demostró una
neutralidad
emocional
superior
a
la
redacción
humana
bajo
estrés.
La
IA
logró
transformar apuntes docentes frustrados en invitaciones colaborativas. Por ejemplo,
la entrada docente:
"J.P. no hace silencio, molesta a todos y no trajo la maqueta"
fue
convertida por la IA en:
"Estimada familia, valoramos la energía de J.P. en el aula.
Actualmente, estamos trabajando en mejorar su enfoque durante las horas de trabajo
autónomo y notamos que hoy no contaba con los materiales de su proyecto. Nos
gustaría
agendar
una
breve
cita
para
establecer
estrategias
conjuntas..."
.
Esto
previene la actitud defensiva del padre de familia.
103
6. Discusión
La automatización de la gestión del aula mediante IA no representa una abdicación
de
la
responsabilidad
docente,
sino
una
evolución
hacia
un
modelo
de
"gestión
ejecutiva".
Al igual que un directivo delega la redacción de informes a su equipo para centrarse
en la estrategia, el docente de la Educación Básica delega la sintaxis a la máquina
para centrarse en la pedagogía.
La Paradoja de la "Empatía Artificial" en la Relación Comunidad-Escuela
Un
hallazgo que invita al debate profundo es el uso de IA para redactar mensajes a los
padres.
Se
podría
argumentar
que
esto
deshumaniza
la
relación.
Sin
embargo,
Molenaar
(2022)
sugiere
que
las
tecnologías
híbridas
mejoran
la
interacción.
Un
docente agotado, respondiendo mensajes a las 8:00 p.m., es propenso a redactar
textos secos o reactivos. La IA, al proveer una plantilla empática y estructurada en
segundos, actúa como un amortiguador emocional. La tecnología no siente empatía,
pero produce un texto que el receptor (el padre de familia) percibe como respetuoso
y estructurado, facilitando la alianza terapéutica y pedagógica.
Privacidad, Anonimización y Cumplimiento Legal
La ética en la gestión de datos
es
innegociable. Al
generar
reportes
automatizados,
el
docente
debe
ceñirse
al
principio de
desidentificación absoluta
al interactuar con LLMs públicos. Los nombres
reales y diagnósticos clínicos del estudiante nunca deben ser procesados en la nube.
Se
recomienda
utilizar
iniciales
o
códigos
numéricos,
los
cuales
el
docente
reemplazará
posteriormente
en
su
procesador
de
texto
local
mediante
la
función
"Buscar
y
Reemplazar",
asegurando
la
privacidad
del
núcleo
familiar
y
el
cumplimiento de la normativa educativa nacional.
7. Conclusiones
Derivado
de
la
investigación
y
del
diseño
de
flujos
operativos,
se
establecen
las
siguientes conclusiones:
1.
Recuperación del Tiempo Pedagógico:
La IAG reduce drásticamente las
horas
no
lectivas
dedicadas
a
tareas
administrativas,
actuando
como
un
escudo
protector
contra
el
síndrome
de
burnout
docente
y
mejorando
la
calidad de vida del profesional.
2.
Estandarización
de
la
Calidad
Comunicacional:
El
uso
de
prompts
estructurados garantiza que todos los comunicados emitidos por la escuela
mantengan un tono constructivo, profesional y asertivo, independientemente
104
del estado emocional del maestro en ese momento, reduciendo los conflictos
con los representantes legales.
3.
Evaluación Cualitativa Factible:
La automatización elimina la barrera del
"copiar y pegar" comentarios genéricos en los boletines. Permite que cada
estudiante de Educación Básica reciba un informe de progreso genuinamente
personalizado y detallado, basado en sus datos reales tabulados.
4.
Política de Uso Aceptable:
Las instituciones educativas, como la Escuela
"Ciudad de Jerusalén", deben desarrollar protocolos claros que legitimen el
uso de estas herramientas, capacitando a los docentes en la ingeniería de
instrucciones administrativas y la protección de datos sensibles.
8. Apéndices de Gestión Documental e Ingeniería de
Prompts
Administrativos
Apéndice A: El
Prompt
para la Generación Masiva de Informes Cualitativos de
Boletines
El siguiente código lingüístico permite al docente procesar las calificaciones de todo
un curso en un solo paso, convirtiendo letras o números en párrafos elaborados para
el reporte familiar.
Estructura del
Prompt
de Consolidación Cualitativa:
"Actúa
como
un
profesor
de
Educación
Básica
Media,
altamente
empático
y
profesional.
A
continuación,
te
proporcionaré
los
datos
de
rendimiento
de
mis
estudiantes
en
formato
de
matriz
[Nombre(Iniciales),
Materia
Fuerte,
Dificultad,
Observación Conductual].
Para
cada
estudiante,
redacta
un
informe
cualitativo
de
exactamente
un
párrafo
(máximo 70 palabras). El párrafo debe seguir esta estructura:
1. Saludo a la familia
y validación del esfuerzo (usando el nombre/inicial del estudiante).
2. Mención de la
Materia
Fuerte
como
un
logro.
3.
Mención
de
la
Dificultad
camuflada
como
una
'oportunidad
de
crecimiento'.
4.
Cierre
integrando
la
Observación
Conductual
de
manera
positiva.
Tono:
Institucional,
motivador
y
cálido.
Nunca
uses
palabras
punitivas como 'malo', 'flojo' o 'desobediente'.
Datos para procesar:
- J.M. / Excelente en Matemáticas / Dificultad en Ortografía /
Muy participativo pero habla mucho en clase.
- L.A. / Gran lectora / Dificultad en
cálculo mental / Es tímida y no participa voluntariamente."
Apéndice
B:
Matriz
de
Transformación
de
Mensajería
Docente
(Filtro
de
Asertividad)
105
Para agilizar la comunicación vía WhatsApp o correo electrónico institucional con los
representantes, se diseñó el siguiente flujo. El docente dicta su observación cruda a
la IA y esta genera el texto formal.
Tabla
B1.
Ejemplos
de
Transformación
Neurolingüística
Asistida
por
IA
para
Comunicación a Padres.
Situación
en
el
Aula (Dato Crudo
del Docente)
Mensaje Tradicional
(Riesgo
de
Conflicto)
Mensaje
Generado
y
Curado
por
la
Inteligencia
Artificial (Comunicación
Asertiva)
Ausencia
prolongada
y
falta
de
justificación.
"Estimado
padre,
su
hijo
tiene
3
faltas.
Si
no
trae
justificación
médica mañana, se le
baja
la
nota
en
el
proyecto."
"Estimada
familia.
Esperamos
que
se
encuentren muy bien.
Hemos notado la
ausencia
de
[Inicial
del
Estudiante]
durante
estos
últimos
tres
días
y
lo
extrañamos
en
clase.
Nos
gustaría
confirmar si se encuentra bien de salud.
Quedamos atentos a su comunicación
o
al
envío
del
justificativo
correspondiente para poder
ayudarle a
igualarse en sus proyectos. ¡Un cordial
saludo!"
Estudiante
no
entrega
tareas
repetidamente.
"Le
escribo
para
informarle que su hijo
no hace los deberes.
Por
favor,
revísele
el
cuaderno
en
casa
porque va a perder el
parcial."
"Estimados representantes, reciban un
cordial saludo. Nos comunicamos para
solicitar su valioso apoyo desde casa.
Hemos
notado
que
[Inicial
del
Estudiante]
ha
tenido
dificultades
recientes
para
entregar
sus
tareas
de
[Materia]. Sabemos que con su apoyo
logístico en casa y nuestra guía en el
aula,
lograremos
que
retome
su
excelente
ritmo
de
trabajo.
¿Tendrían
disponibilidad para una breve llamada
mañana?"
Apéndice
C:
Flujograma
Algorítmico
para
Sistema
de
Alerta
de
Asistencia
Preventiva
La sistematización del aula permite utilizar la IA como una hoja de cálculo predictiva
para generar intervenciones antes de que el estudiante alcance el límite de faltas.
106
Protocolo Estructural de Gestión de Datos:
Fase 1 (Recolección Diaria):
El docente ingresa la asistencia (1=Presente,
0=Ausente) en un archivo de Google Sheets.
Fase
2
(Activación
de
Regla
Lógica/IA):
Una
extensión
basada
en
IA
escanea la columna "Ausencias Acumuladas". Si el valor detectado es "= 3
ausencias consecutivas", la IA se activa.
Fase 3 (Borrador Automatizado):
El sistema redacta automáticamente un
borrador de correo electrónico (usando la plantilla de asertividad del Apéndice
B), dirigiéndolo al correo del representante registrado en la base de datos.
Fase 4 (Intervención del Docente/Humano en el Bucle):
El correo
NO
se
envía automáticamente. Se guarda en la bandeja de "Borradores" del docente.
El maestro de la Escuela revisa la bandeja al final de la jornada, lee el texto,
decide si el contexto lo amerita, y hace un solo clic en "Enviar", ahorrando
todo el proceso de redacción y búsqueda de contactos.
9. Referencias Bibliográficas
Akgun,
S.,
&
Greenhow,
C.
(2022).
Artificial
intelligence
in
education: Addressing
ethical
challenges
in
K
-
12
settings.
AI
and
Ethics
,
2(3),
431
-
440.
https://doi.org/10.1007/s43681-021-00096-7
Baker,
R.
S.,
Gašević,
D.,
&
Karumbaiah,
S.
(2020).
Educación
y
analítica
de
aprendizaje: estado actual y desafíos.
Revista I
beroamericana de Educación
a Distancia
, 23(2), 33
-
50.
Crompton, H., & Burke, D. (2023).
Artificial intelligence in higher education: The state
of
the
field.
International
Journal
of
Educational
Technology
in
Higher
Education
, 20(22).
https://doi.org/10.1186/s41239-023-00392-8
Domínguez, D., Álvarez, J. F., & Gil-Jaurena, I. (2020). Analítica del aprendizaje y
Big
Data
:
hacia
una
educación
más
personalizada.
Edutec.
Revista
Electrónica de Tecnología Educativa
, (74), 1-15.
Fernández Marfil, M., Pérez Gómez, A., & Ruiz-Palmero, J. (2024). Los modelos de
lenguaje predictivo como herramientas docentes en la academia moderna.
Pixel-Bit. Revista de Medios y Educación
, (70), 54-81.
García-Peñalvo, F. J. (2023). La percepción de la Inteligencia Artificial en contextos
educativos
tras
el
lanzamiento
de
ChatGPT.
Education
in
the
Knowledge
Society (EKS)
, 24, e31279.
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles
and
research
issues
of Artificial
Intelligence
in
Education.
Computers
and
Education: Artificial Intelligence
, 1, 100001.
107
Jaramillo Domínguez, D. C., & Tene Pucha, J. E. (2022). Explorando el uso de la
tecnología educativa en la Educación Básica.
Podium
, (41), 91–104.
López-Regalado,
O.,
Núñez-Rojas,
N.,
López-Gil,
O.,
&
Sánchez-Rodríguez,
J.
(2024).
Análisis
del
uso
de
la
inteligencia
artificial
en
la
educación
universitaria:
una
revisión
sistemática.
Pixel-Bit.
Revista
de
Medios
y
Educación
, (70), 97-122.
Miao,
F.,
&
Holmes,
W.
(2023).
Inteligencia
artificial
y
educación:
Guía
para
las
personas a cargo de formular políticas
.
UNESCO.
Molenaar,
I.
(2022).
Towards
hybrid
human-AI
learning
technologies.
European
Journal of Education
, 57(4), 632-645.
https://doi.org/10.1111/ejed.12527
Mutimukwe, C., Viberg, O., & Ouyang, F. (2023). Students’ privacy concerns and their
impact on data sharing in learning analytics.
Computers & Education
, 198,
104764.
Ocaña-Fernández, Y.,
Valenzuela-Fernández,
L. A.,
&
Garro-Aburto,
L.
L.
(2019).
Inteligencia artificial y sus implicaciones en la educación superior.
Propósitos
y Representaciones
, 7(2), 536-568.
Reinoso, M., & Paz, C. (2024). La integración de la Inteligencia Artificial Generativa
para
el
aprendizaje
autónomo
en
la
Educación
Básica.
Revista
Iberoamericana de Tecnología en Educación
, (35), e12.
Romero, C., & Ventura, S. (2020).
Educational data mining and learning analytics: An
updated survey.
Wiley
Interdisciplinary Reviews: Data Mining and Knowledge
Discovery
, 10(3), e1355.
Sánchez Vera, M. M. (2024).
Reflexiones pedagógicas sobre el uso de ChatGPT en
la educación.
RIED
-
Revista Iberoamericana de Educación a Distancia
, 27(1),
9
–
39.
Selwyn, N. (2020).
¿Deberían los robots sustituir al profesorado? La IA y el futuro de
la educación
. Ediciones Morata.
Southgate,
E.
(2020).
Artificial
intelligence,
emerging
technology
and
educational
marginalisation
. En
Artificial Intelligence in Education
(pp. 53-62). Springer.
UNESCO. (2024).
Generative AI and the future of education
. UNESCO Publishing.
Zawacki-Richter,
O.,
Marín,
V.
I.,
Bond,
M.,
&
Gouverneur,
F.
(2020).
Systematic
review of research on artificial intelligence applications in higher education.
Internati
onal Journal of Educational Technology in Higher Education
, 16(1),
39.