Supòsit 98

El cicle Lean Startup (Ries, 2011) s’organitza al voltant de la pregunta “És això el que els clients realment volen?” i el principi de “validated learning”: les hipòtesis de negoci es validen amb dades reals del mercat abans d’invertir recursos significatius. El cicle Build-Measure-Learn s’itera tres vegades en el trimestre:

Fase 1 — Ideació i validació de la idea (setmanes 1-2, aprox. 6 sessions):

Activitats: Design Thinking (empatitzar-definir-idear) amb entrevistes d’usuari a 5 persones externes a l’IES; elaboració del Business Model Canvas (Osterwalder i Pigneur, 2010); primera hipòtesi de proposta de valor. IA-gen en aquesta fase: els equips usen ChatGPT-4o per a generar variacions de proposta de valor (“Dóna’m 5 enfocaments diferents per a un negoci de…”) — però el docent exigeix que argumenten per escrit per què accepten o descarten cada suggeriment de la IA. Producte de fase: Lean Canvas (versió simplificada del Business Model Canvas per a startups).

Fita d’avaluació: presentació de 5 min al docent (pitch de problema-solució); el docent usa una rúbrica de 3 criteris (problema real identificat, proposta de valor diferenciada, equip compromés).

Fase 2 — MVP i primera iteració (setmanes 3-5, aprox. 9 sessions):

Activitats: disseny del MVP (producte mínim viable) — pot ser un prototip físic, un servei pilotat en el mateix centre, una landing page o un vídeo de demostració. Primer cicle Build-Measure-Learn: el MVP es presenta a 10 clients potencials reals (alumnat d’altres cursos, famílies, veïns); es recullen dades de feedback estructurat (formulari Google); s’analitzen els resultats. IA-gen: ús de Copilot per a generar preguntes d’entrevista per al test del MVP; els equips comparen les preguntes de la IA amb les que van elaborar ells i discuteixen quines són millors i per què.

Fita d’avaluació: informe de validació del MVP (1-2 pàgines): hipòtesi inicial → dades recollides → conclusió (perseverar / pivotar).

Fase 3 — Pivot o desenvolupament (setmanes 6-8, aprox. 9 sessions):

Activitats: basant-se en les dades de la fase 2, cada equip decideix si persevera amb el pla inicial, pivota (canvia la proposta de valor o el segment de clients) o abandona (cas excepcional; el docent acompanya la reflexió sense penalitzar el fracàs). Segon cicle Build-Measure-Learn: versió 2 del producte/servei i segona ronda de validació amb dades. IA-gen: ús de Gemini o ChatGPT per a assistir en la redacció del pla de negoci financer (projecció d’ingressos a 6 mesos, anàlisi de punt d’equilibri). El docent estableix la norma: “La IA pot calcular, però vosaltres heu d’entendre cada número que apareix en el vostre pla.”

Fase 4 — Presentació final i reflexió (setmanes 9-11, aprox. 9 sessions):

Activitats: elaboració del pitch final (5-7 min + 3 min de preguntes davant un jurat mixt: docent + 2 emprenedors locals convidats); creació del dossier de projecte (evidència de tot el procés); reflexió individual escrita sobre l’aprenentatge (diari d’aprenentatge). Producte final: pitch + dossier + diari d’aprenentatge.

Instrument 1 — Avaluació del procés: diari d’aprenentatge de l’equip (continu, setmanes 1-10): Cada equip manté un document compartit (Google Docs) on registra setmanalment: què vam intentar aquesta setmana?, quines dades vam obtindre?, què vam decidir i per què?, com vam usar la IA i amb quin criteri vam acceptar o rebutjar el seu output?

Criteris d’avaluació (RD 243/2022, CE d’Empresa i Emprenedoria): CE1 — Identifica i analitza oportunitats de negoci amb dades de l’entorn; CE3 — Aplica tècniques de gestió de projectes (iteració, validació, pivot). Indicadors: (i) almenys una entrada setmanal rellevant; (ii) les decisions es fonamenten en dades (no només en intuïció); (iii) la reflexió sobre la IA mostra pensament crític (no només “la IA va dir X i ho vam fer”).

Instrument 2 — Avaluació del producte: pitch i dossier (setmana 11): Rúbrica holística per al pitch (jurat mixt):

Nivell 4 (Excel·lent): L’equip presenta un problema real amb dades, proposta de valor diferenciada validada amb clients reals, pla financer amb projecció de punt d’equilibri argumentada, respon amb solvència a les preguntes del jurat. L’ús d’IA està documentat i reflexionat críticament.

Nivell 3 (Bo): Compleix la majoria de criteris amb petites llacunes en dades o en la reflexió sobre IA.

Nivell 2 (En progrés): El problema i la solució estan identificats però la validació amb clients és superficial; el pla financer té errors o és poc realista.

Nivell 1 (Inicial): La proposta no està validada; el pla financer és incoherent; la IA s’ha usat sense reflexió crítica.

Instrument 3 — Autoavaluació i coavaluació (final del projecte): Cada alumne completa una fitxa individual: (i) autoavaluació de la seua contribució a l’equip (1-4) amb evidència concreta; (ii) coavaluació de dos companys de l’equip amb rúbrica de 3 criteris (contribució, comunicació, actitud davant l’error). El docent usa aquestes valoracions per a ajustar la nota individual respecte a la nota d’equip (bonificació o penalització màxima d’1 punt).

L’AI Act (Reglament UE 2024/1689, en vigor des d’agost 2024) classifica els sistemes d’IA segons el seu nivell de risc. Els sistemes d’IA usats en contextos educatius per a assistir l’alumnat (ChatGPT, Copilot, Gemini) cauen en la categoria de “baix risc”, però l’AI Act imposa l’obligació de transparència: l’usuari ha de saber que està interactuant amb IA (art. 50), i els proveïdors d’IA de “propòsit general” (GPAI, com GPT-4) han de publicar un resum del contingut usat per a entrenament (art. 53).

En el projecte, la IA s’integra sota el principi de “IA com a copilot, no autopilot”:

Fase 1: IA genera variacions de proposta de valor → l’equip justifica per escrit què accepta i què descarta i per què. Això desenvolupa el judici crític sobre l’output de la IA.

Fase 2: IA suggereix preguntes per al test del MVP → l’equip avalua la qualitat de les preguntes (són obertes o tancades? mesuren el que necessitem mesurar?) i millora el qüestionari. Desenvolupa competència metodològica d’investigació.

Fase 3: IA assisteix en el pla financer (projeccions) → l’equip ha de ser capaç d’explicar cada xifra oralment. El docent fa preguntes a l’equip sobre les projeccions durant la tutoria de seguiment; si no saben explicar-les, la nota del pla financer baixa independentment de l’aspecte del document.

Fase 4: IA pot assistir en l’estructuració del pitch → el docent avalua l’autenticitat de la veu de l’equip, no el format. Un pitch generat íntegrament per IA sense reflexió pròpia es penalitza en el criteri “comunicació autèntica” de la rúbrica.

Norma explícita del docent (comunicada el primer dia): “Tot ús d’IA ha de declarar-se en el diari d’equip. La IA és com una calculadora avançada: us estalvia temps mecànic, però no pot pensar per vosaltres. Si la IA comet un error i vosaltres no el detecteu, l’error és vostre.”

Neil Selwyn (2019, Should Robots Replace Teachers? The Uneasy Relationship between Education and Technology, Routledge) és un dels crítics més rigorosos del tecno-optimisme educatiu. Els seus principals arguments aplicats a aquest projecte:

Risc 1 — Desaprenentatge d’habilitats cognitives bàsiques (cognitive offloading): si la IA genera les preguntes d’entrevista, el pla financer i l’estructura del pitch, l’alumnat mai desenvolupa l’habilitat de fer-ho autònomament. Selwyn argumenta que la delegació excessiva en la tecnologia pot produir “aprenents dependents” incapaços de funcionar sense el suport tecnològic.

Salvaguarda: en l’avaluació sumativa (pitch), el jurat fa preguntes imprevistes sobre el negoci que la IA no pot respondre pels alumnes. El docent avalua la comprensió profunda, no el document polit.

Risc 2 — Biaix algorítmic i reproducció de desigualtats: els models de llenguatge entrenats amb dades majoritàriament anglòfones i de sectors tecnològics tendeixen a suggerir idees de negoci occidentals i urbanes. Un equip d’alumnes de barri perifèric de Madrid que proposa un negoci de proximitat (recollida de menjar per a majors, reparació de bicicletes) pot veure les seues idees “desvaloritzades” per la IA enfront de propostes d’apps tecnològiques.

Salvaguarda: el docent estableix explícitament que els negocis d’economia local, economia de cures i economia social són igual de vàlids que les startups tecnològiques. La rúbrica valora la validació amb clients reals, no el glamur de la idea.

Risc 3 — Privatització de l’educació per les big tech: Selwyn denuncia que l’ús d’eines com Google, Microsoft o OpenAI a l’aula crea dependència tecnològica d’empreses privades i transfereix dades de l’alumnat a tercers (RGPD, Reglament UE 2016/679). A Espanya, el Reglament de Protecció de Dades prohibeix l’ús de dades de menors de 14 anys sense consentiment parental explícit.

Salvaguarda: el docent usa exclusivament eines que oferisquen versions europees amb protecció de dades RGPD-compliant (Microsoft Copilot for Education, que té acord de DPA amb el MECD; o eines de codi obert com Ollama amb models locals). Per a menors de 14 anys, les activitats amb IA es realitzen amb comptes del centre (no personals) i amb el consentiment informat de les famílies formalitzat a l’inici del curs.

Eric Ries (2011, The Lean Startup) parteix d’una premissa que és també pedagògica: la major font de malbaratament en els projectes d’emprenedoria no és la falta de treball sinó la inversió de temps i recursos a construir alguna cosa que ningú vol. El cicle Build-Measure-Learn força l’equip a eixir de l’aula i confrontar les seues hipòtesis amb la realitat del mercat — exactament el principi d‘“aprenentatge situat” (Lave i Wenger, 1991, Situated Learning) que la pedagogia progressista defensa.

Ken Bain (2004): el projecte trimestral crea exactament l‘“entorn d’aprenentatge natural i crític” que Bain identifica com a característic dels millors docents: els alumnes han de resoldre un problema genuïnament difícil (hi ha algú que pague per això?), amb llibertat de mètode i amb conseqüències reals (el pitch davant emprenedors externs).

Black i Wiliam (1998, Inside the Black Box): el diari d’equip amb retroalimentació setmanal del docent operacionalitza el cicle d’avaluació formativa de màxim impacte: l’evidència de l’aprenentatge (diari) arriba al docent abans que siga massa tard per a corregir el rumb. Ries anomena això “pivoting”; Black-Wiliam ho anomenen “ajust de la instrucció basat en evidència”.

Indicadors quantitatius d’èxit del projecte (per a avaluació de la SA de cara a cursos successius):

Aquests dos indicadors operacionalitzen els criteris de qualitat central del projecte: contacte real amb el mercat (Ries) i comprensió financera profunda (no delegada a la IA). Si en el curs següent l’indicador 2 no aconsegueix el 70%, el docent redissenya la fase 3 per a incloure més instrucció directa sobre anàlisi financera.