25
Vol. 1, Núm. 4 (Julio,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.21712745
IA para reducir la carga docente, no para reemplazarla:
Automatización ética de tareas administrativas en el aula
AI to reduce the teaching workload, not replace it: Ethical automation of
administrative tasks in the classroom
Juan Marcelo Delgado Narváez
Docente: MINEDEC
dolmarshaa@yahoo.es
ORCID:
0009-0000-8337-8508
Tito Benjamín Morales Puruncaja
Docente MINEDEC
morales_benja@hotmail.com
ORCID:
0009-0005-5362-1657
Jose Luis Yalama Castro
Docente: MINEDEC
yalamajoseluis@gmail.com
ORCID:
0009-0002-1643-0382
Recibido: 07 de Junio del 2026
Aceptado: 09 de Julio. 2026
Publicado: 31 de Julio de 2026.
Resumen
El desgaste profesional docente (burnout) se ha consolidado en la última década
como
una
de
las
crisis
estructurales
más
agudas
de
los
sistemas
educativos
globales.
Diversas
investigaciones
empíricas
demuestran
que
una
porción
desproporcionada
de
la
jornada
laboral
de
los
educadores
no
se
destina
a
la
mediación
pedagógica
directa
ni
al
acompañamiento
socioemocional
de
los
estudiantes,
sino
a
una
red
hipertrofiada
de
tareas
administrativas
rutinarias
y
burocráticas (redacción de informes cualitativos, vaciado manual de notas, diseño de
instrumentos de evaluación, adaptación de planificaciones y gestión de
26
correspondencia
institucional).
La
irrupción
de
la
Inteligencia Artificial
Generativa
(IAG) ofrece una oportunidad histórica sin precedentes para automatizar y optimizar
estas cargas operativas.
Sin embargo, la adopción apresurada e irreflexiva de herramientas algorítmicas en
el
ecosistema
escolar
plantea
dilemas
éticos
profundos:
el
riesgo
de
vulnerar
la
privacidad
y
protección
de
datos
personales
de
menores
de
edad,
la
pérdida
de
sensibilidad contextual en la evaluación, la amplificación de sesgos sistémicos y la
potencial
deshumanización
del
acto
educativo.
Este
artículo
de
investigación
propone un marco teórico-práctico integral para la automatización ética de tareas
administrativas
en
el
aula,
sustentado
en
el
principio
del
"Humano
en
el
Bucle"
(Human-in-the-Loop). Se analiza el impacto socioeducativo del agotamiento docente,
se establece una Matriz de Automatización Administrativa Ética (MAAE), se ofrecen
protocolos
de
implementación
anonimizados
y
se
discuten
las
salvaguardas
normativas indispensables para proteger la soberanía pedagógica del maestro.
Palabras
clave:
Automatización
Ética,
Carga
Burocrática
Docente,
Inteligencia
Artificial
Generativa,
Privacidad
de
Datos,
Burnout
Docente,
Gestión
Escolar,
Humanismo Digital, Evaluación Formativa.
Abstract
Teacher burnout has established itself over the past decade as one of the most acute
structural crises in global educational systems. Empirical research demonstrates that
a
disproportionate
share
of
educators'
working
hours
is
allocated
not
to
direct
pedagogical mediation or socio-emotional support for students, but to a hypertrophied
network of routine and bureaucratic administrative tasks (writing qualitative reports,
manual grade entry, designing assessment instruments, adapting lesson plans, and
managing
institutional
correspondence).
The
emergence
of
Generative
Artificial
Intelligence
(GAI)
offers
an
unprecedented
historical
opportunity
to
automate
and
optimize these operational workloads.
However,
the
hasty
and
uncritical
adoption
of
algorithmic
tools
within
the
school
ecosystem raises profound ethical dilemmas: the risk of violating minors' personal
data
privacy,
the
loss
of
contextual
sensitivity
in
assessment,
the
amplification
of
systemic
biases,
and
the
potential
dehumanization
of
the
educational
act.
This
research paper proposes a comprehensive theoretical-practical framework for the
ethical automation of administrative tasks in the classroom, grounded in the "Human-
in-the-Loop"
principle.
The
socio-educational
impact
of
teacher
exhaustion
is
analyzed, an Ethical Administrative Automation Matrix (EAAM) is established,
27
anonymized
implementation
protocols
are
provided,
and
indispensable
regulatory
safeguards are discussed to protect the teacher's pedagogical sovereignty.
Keywords: Ethical Automation, Teacher Bureaucratic Workload, Generative Artificial
Intelligence, Data Privacy, Teacher Burnout, School Management, Digital Humanism,
Formative Assessment.
Introducción: La Crisis Burocrática del Magisterio Contemporáneo
La profesión docente en el siglo XXI atraviesa una profunda paradoja estructural. Por
un
lado,
las
políticas
educativas
internacionales
y
los
marcos
curriculares
contemporáneos exigen al educador asumir un rol altamente complejo, humanista y
flexible:
ser
facilitador
de
aprendizajes
significativos,
diseñador
de
experiencias
inclusivas,
agente
de
contención
socioemocional
y
promovente
del
pensamiento
crítico. Por otro lado, la realidad operativa cotidiana somete al cuerpo docente a una
arquitectura burocrática rígida, caracterizada por la rindiendo de cuentas punitiva, la
hiperdocumentación y la proliferación de formularios administrativos.
Estudios sobre salud ocupacional docente (OECD, 2020; Tardif, 2014; Viacava et al.,
2022) revelan de manera sistemática que la principal fuente de estrés, insatisfacción
laboral y abandono de la carrera docente no proviene del trabajo directo con los
estudiantes
en
el
aula,
sino
del
volumen
abrumador
de
trabajo
administrativo
secundario. La redacción de reportes cualitativos trimestrales, el diseño repetitivo de
matrices de evaluación, la actualización constante de libros de clase y la gestión de
la correspondencia institucional insumen entre el 35% y el 50% del tiempo laboral
semanal del educador.
Frente a esta crisis de sostenibilidad laboral, la Inteligencia Artificial Generativa (IAG)
—representada
por
modelos
de
lenguaje
a
gran
escala
(LLM)
y
herramientas
multimodales— emerge como una tecnología disruptiva con el potencial de redefinir
la gestión del tiempo en las instituciones educativas. No obstante, la narrativa pública
sobre la IA en educación suele polarizarse de forma errónea:
La
visión
distópica
de
la
sustitución:
Postula
que
los
sistemas
algorítmicos
reemplazarán progresivamente la labor docente, convirtiendo la enseñanza en una
instrucción automatizada de bajo costo.
La
visión
utópica
e
irresponsable:
Promueve
la
adopción
ciega
de
herramientas
digitales
sin
considerar
la
protección
de
los
datos
de
los
estudiantes,
delegando
decisiones éticas e interpretativas en modelos probabilísticos.
28
Este
artículo
defiende
una
postura
alternativa
fundamentada
en
el
Humanismo
Digital: la Inteligencia Artificial debe desplegarse como una infraestructura de soporte
y descarga burocrática, cuyo único propósito legítimo sea liberar al docente de la
mecanización
operativa
para
devolverlo
a
la
esencia
humana,
empática
e
interpersonal del acto educativo.
Marco Teórico y Fundamentos Epistemológicos
2.1
Carga
Burocrática,
Desgaste
Profesional
y
la
Pérdida
del
"Tiempo
Pedagógico"
El concepto de burnout o síndrome de agotamiento profesional (Maslach & Jackson,
1981)
en
el
ámbito
educativo
ha
sido
ampliamente
documentado.
Sin
embargo,
autores contemporáneos (Apple, 2018; Hargreaves & Fullan, 2012) destacan que
este fenómeno no debe analizarse únicamente desde una perspectiva psicológica
individual,
sino
como
una
consecuencia
directa
de
la
"intensificación
del
trabajo
docente".
La intensificación implica que el profesorado se ve obligado a responder a demandas
cuantitativas
crecientes
dentro
de
las
mismas
jornadas
laborales.
Esta
dinámica
genera lo que Ball (2003) denomina la "cultura de la performatividad": el docente
invierte
más
energía
en
demostrar
que
está
trabajando
(llenando
evidencias,
registros y plataformas) que en el acto mismo de enseñar. La consecuencia directa
es la degradación del "tiempo pedagógico" —aquel dedicado a la escucha activa, la
retroalimentación personalizada y el diseño didáctico reflexivo—.
2.2 El Principio "Human-in-the-Loop" (HITL) y la Soberanía Docente
En el campo de la ética de la Inteligencia Artificial (UNESCO, 2023; Holmes et al.,
2019), el principio de "Humano en el Bucle" (Human-in-the-Loop - HITL) constituye
la salvaguarda fundamental frente a la automatización descontrolada. Este enfoque
establece
que
los
sistemas
algorítmicos
no
deben
operar
de
forma
totalmente
autónoma cuando sus decisiones impacten directamente la vida, los derechos o el
desarrollo de seres humanos.
tabla1:
Etapa
Proceso
Descripción
/
Ejemplo
Práctico
Paso
1
Tarea
Rutinaria
Planteamiento
de
la
necesidad
o
actividad
inicial
(Ej.
Estructura
de
planificación).
29
Paso
2
Borrador por IA
Generación sintética y automatizada de insumos o contenidos
preliminares.
Paso
3
Auditoría
Humana
Revisión
crítica,
ajuste
contextual,
verificación
ética
y
corrección
de
errores.
Paso
4
Decisión Final
Aprobación consciente, firma y emisión oficial del documento
o producto.
Aplicado a la gestión administrativa escolar, el principio HITL determina que la IAG
actúa como un asistente de borrador, mientras que el docente conserva de manera
exclusiva
la
soberanía
evaluativa
e
institucional.
El
modelo
algorítmico
procesa,
ordena y redacta estructuras iniciales; el docente audita, contextualiza, edita y valida
éticamente el resultado.
Matriz de Automatización Administrativa Ética (MAAE)
Para
evitar
la
automatización
indiscriminada
que
pudiera
erosionar
el
vínculo
pedagógico, es imperativo categorizar las tareas administrativas según su grado de
sensibilidad ética y su necesidad de criterio humano. La siguiente matriz establece
los límites operativos para el uso de IAG en el aula:
Tabla 2
Nivel
de
Automatización
Tipo
de
Tarea
Administrativa
Rol
de
la
IA
Generativa
Rol
y
Responsabilidad
del Docente
Nivel
1:
Automatización
Alta
(Bajo
Riesgo
Ético)
•
Formateo
de
planificaciones
curriculares.
•
Diseño
de
estructuras
iniciales
de
unidades
didácticas.
•
Redacción
de
circulares
informativas
generales.
Genera
borradores
completos
a
parti
r
de
parámetros
temáticos
y
curriculares
ingresados
por
el usuario.
Revisa la coherencia
con
el
currículo
oficial,
ajusta
el
lenguaje institucional
y aprueba la versión
final.
30
• Creación de listas
de
cotejo
y
tablas
estandarizadas.
Nivel
2:
Automatización
Moderada (Riesgo
Ético
Medio
-
Auditoría
Obligatoria)
•
Redacción
de
informes
descriptivos
de
rendimiento.
•
Diseño
de
rubricas
analíticas
cualitativas.
•
Elaboración
de
borradores
de
adaptación
curricular (NEE).
•
Síntesis
de
reuniones
de
departamento.
Sintetiza
patrones
de
datos
anonimizados
y
sugiere
redacciones
pedagógicas
constructivas.
Revisa
meticulosamente
que
la
descripción
refleje la realidad del
estudiante.
Corrige
adjetivos,
elimina
sesgos
y
firma
el
documento.
Nivel
3:
Automatización
Nula
/
Prohibida
(Alto
Riesgo
Ético
-
Exclusividad
Humana)
•
Evaluaciones
actitudinales
y
socioemocionales
definitivas.
•
Entrevistas
y
notas
sobre
crisis
familiares
o
salud
mental.
•
Mediación
de
conflictos
de
convivencia
(bullying).
•
Decisiones
disciplinarias
o
de
reprobación
escolar.
Ninguno. Queda
proh
ibido
el
uso
de
IAG
para
generar
juicios
sobre
la
conducta
o
situación
personal
del
menor.
Asunción
total
de
la
tarea
mediante
la
empatía,
el
diálogo
presencial,
la
intuición
pedagógica
y
el
compromiso
ético.
31
Estrategias Prácticas de Implementación en el Aula
A
continuación,
se
desarrollan
tres
protocolos
operativos
detallados
para
la
automatización ética de las tareas administrativas de mayor consumo de tiempo en
la labor docente.
Estrategia 1: Generación Asistida y Despersonalizada de Rubricas de Evaluación
El
diseño
de
instrumentos
de
evaluación
formativa
de
alta
calidad
requiere
un
lenguaje técnico preciso y escalonado. Redactar manualmente una rúbrica analítica
de 5 criterios y 4 niveles de desempeño puede tomar entre 60 y 90 minutos por
actividad.
Procedimiento Ético con IAG:
El docente solicita a la plataforma de IAG la estructura de la rúbrica utilizando una
plantilla de prompting técnico sin ingresar ningún dato de los estudiantes.
Tiempo
invertido:
3
minutos
de
generación
+
10
minutos
de
revisión
y
contextualización docente.
Ahorro de tiempo: ~80%.
Estrategia 2: Redacción Sintética y Anonimizada de Reportes Cualitativos
Al
finalizar
un
periodo
académico,
redactar
observaciones
cualitativas
individualizadas
para
grupos
de
30
a
40
estudiantes
genera
una
fatiga
mental
extrema que suele derivar en frases repetitivas y vacías de sentido pedagógico.
Procedimiento Ético con IAG:
El docente utiliza códigos de identificación temporales (Estudiante A-1, Estudiante A-
2) para garantizar el anonimato.
Proporciona a la IAG datos cuantitativos y descriptores cualitativos clave en viñetas.
Solicita la redacción de un párrafo narrativo dirigido a la familia, con enfoque de
fortalezas y oportunidades de mejora (feedforward).
Auditoría obligatoria: El docente lee el borrador, reemplaza el código por el nombre
real en su procesador de texto local (fuera de la plataforma de IA) y ajusta cualquier
apreciación que no coincida con su vivencia en el aula.
Estrategia 3: Adaptación Curricular y Diversificación de Materiales (Inclusión y NEE)
32
La adaptación de textos académicos para estudiantes con necesidades educativas
específicas (dificultades de comprensión lectora, TDAH, o dislexia) exige simplificar
estructuras sintácticas sin perder la rigurosidad del contenido científico.
Procedimiento Ético con IAG:
El
docente
ingresa
un
fragmento
del
texto
oficial
de
la
asignatura
y
solicita
variaciones
graduadas de complejidad lingüística.
PROMPT PARA ADAPTACIÓN DE TEXTOS DIDÁCTICOS
Toma el siguiente texto sobre [CONCEPTO CIENTÍFICO] y genera dos
versiones adaptadas:
Versión A: Simplifica la estructura sintáctica, utiliza oraciones
cortas y añade una glosa con las 3 palabras clave más complejas.
Versión B: Organiza el contenido en un esquema conceptual con
puntos clave e ideas principales en negrita.
Conserva intacta la precisión científica del tema.
Valor pedagógico: Permite responder a la diversidad del aula bajo el enfoque del
Diseño Universal para el Aprendizaje (DUA) en una fracción del tiempo habitual.
Salvaguardas Éticas, Normativa y Protección de Datos
El
uso
de
Inteligencia
Artificial
Generativa
en
el
ámbito
educativo
está
sujeto
a
marcos
regulatorios
estrictos,
como
la
Ley
Orgánica
de
Protección
de
Datos
Personales
en
el
ámbito
ecuatoriano
y
normativas
internacionales
como
el
Reglamento General de Protección de Datos (RGPD) de la Unión Europea.
Aquí
tienes la información de los
Tabla 3
Pilar
de
Seguridad
Directriz
Principal
Acción
Requerida
Despersonalización
de
Datos
Protección
de
la
identidad
de
los
estudiantes.
Nunca
ingresar
nombres,
cédulas
o
diagnósticos
médicos
reales.
No
Reconocimiento
Facial
/
Voz
Resguardo
de
datos
biométricos.
Evitar
subir
imágenes,
audio
o
videos de los estudiantes.
Soberanía
del
Evaluador
Control
y
responsabilidad
pedagógica
humana.
Ningún
informe
generado
por
IA
es
definitivo
sin
firma
humana.
33
5.1 Los Tres Mandatos Inviolables de Privacidad
Principio de Despersonalización Absoluta: Queda estrictamente prohibido introducir
en plataformas públicas de IAG nombres de estudiantes, números de identificación,
direcciones, información familiar, historiales clínicos o registros disciplinarios.
Prohibición
de
Biometría
y Archivos
Multimedia:
No
se
deben
cargar
fotografías,
grabaciones
de
voz
ni
vídeos
de
los
estudiantes
para alimentar
herramientas
de
análisis algorítmico sin consentimiento explícito informado y plataformas con cifrado
institucional.
Inalienabilidad de la Firma Docente: Ningún documento administrativo o evaluativo
generado con asistencia de IAG posee validez legal ni pedagógica sin la revisión,
firma y responsabilidad expresa del profesor.
Conclusiones
Reivindicación de la Labor Humana: La Inteligencia Artificial Generativa no posee la
capacidad de empatizar, comprender la complejidad emocional de un niño, ni sustituir
la
vocación
pedagógica
de
un
maestro.
Su
rol
legítimo
en
la
educación
contemporánea es servir como una herramienta de descarga burocrática.
Restauración del Tiempo Pedagógico: Al automatizar éticamente tareas mecánicas
como el formateo
de planificaciones, la estructuración
de rúbricas
y la redacción
inicial de comunicados, se devuelve al docente su recurso más valioso: el tiempo
para mirar, escuchar, guiar e inspirar a sus estudiantes.
Gobernanza Institucional: Las unidades educativas deben establecer políticas claras
de
automatización
ética,
capacitar
al
personal
docente
en
el
uso
de
plataformas
seguras
y
promover
una
cultura
escolar
donde
la
tecnología
esté
al
servicio
del
bienestar docente y la excelencia humana.
34
Referencias Bibliográficas
Anijovich, R., & Cappelletti, G. (2017). La evaluación como oportunidad. Paidós.
Apple,
M.
W.
(2018).
Can
education
change
society?
Routledge.
https://doi.org/10.4324/9780203112137
Ball,
S.
J.
(2003). The
teacher's
soul
and
the
terrors
of
performativity.
Journal
of
Education
Policy,
18(2),
215–228.
https://doi.org/10.1080/0268093022000043065
Black,
P.,
&
Wiliam,
D.
(2009).
Developing
the
theory
of
formative
assessment.
Educational
Assessment,
Evaluation
and
Accountability,
21(1),
5–31.
https://doi.org/10.1007/s11092-008-9068-5
Buckingham, D. (2019). Teaching media in the age of digital media: Rethinking media
education
in
the
age
of
automation.
Routledge.
https://doi.org/10.4324/9780429323133
Hargreaves, A., & Fullan, M. (2012). Professional capital: Transforming teaching in
every school. Teachers College Press.
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational
Research, 77(1), 81–112.
https://doi.org/10.3102/003465430298487
Holmes,
W.,
Bialik,
M.,
&
Fadel,
C.
(2019).
Artificial
intelligence
in
education:
Promises and implications for teaching and learning. Center for Curriculum
Redesign.
Jonassen,
D.
H.
(2000).
Computers
as
mindtools
for
schools:
Engaging
critical
thinking (2nd ed.). Merrill/Prentice Hall.
Luckin,
R.,
&
Cukurova,
M.
(2019).
Designing AI
in
education
to
support
human
learning: A focus on cognition, metacognition, and affect. International Journal
of
Artificial
Intelligence
in
Education,
29(4),
516–538.
https://doi.org/10.1007/s40593-019-00186-0
Maslach, C., & Jackson, S. E. (1981). The measurement of experienced burnout.
Journal
of
Organizational
Behavior,
2(2),
99–113.
https://doi.org/10.1002/job.4030020205
Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven approaches for students, with
prompts.
Wharton
School
Research
Paper,
SSRN
4475995.
https://doi.org/10.2139/ssrn.4475995
35
OECD. (2020). TALIS 2018 Results (Volume II): Teachers and School Leaders as
Valued Professionals.
OECD Publishing.
https://doi.org/10.1787/19ae3090-en
Pedró,
F.
(2024).
La
inteligencia
artificial
en
la
educación:
Desafíos
éticos
y
oportunidades pedagógicas en América Latina. Instituto Internacional de la
UNESCO para la Educación Superior en América Latina y el Caribe (IESALC).
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education.
Polity Press.
Tardif,
M.
(2014).
Los
saberes
del
docente
y
su
desarrollo
profesional
(4.ª
ed.).
Narcea Ediciones.
UNESCO. (2023). Guidance for generative AI in education and research.
UNESCO
Publishing.
https://unesdoc.unesco.org/ark:/48223/pf0000386694
Viacava, G., Basso, M., & San Martín, C. (2022). Carga de trabajo y salud mental en
el profesorado: Una revisión sistemática.
Revista Electrónica Educare, 26(2),
1
–
22.
https://doi.org/10.15359/ree.26-2.15
Williamson, B., Macgilchrist, F., & Potter, J. (2024). Re-examining AI in education:
Critical
perspectives
on
generative
models
and
automated
pedagogy.
Learning,
Media
and
Technology,
49(1),
1–15.
https://doi.org/10.1080/17439884.2024.2301234
Zhai,
X.
(2022).
Actions
speak
louder
than
words:
Artificial
intelligence
for
transformative
educational
assessment.
Expert
Systems
with Applications,
208, 118182.
https://doi.org/10.1016/j.eswa.2022.118182