Supuesto 18

El ciclo Lean Startup (Ries, 2011) se organiza en torno a la pregunta “¿Es esto lo que los clientes realmente quieren?” y el principio de “validated learning”: las hipótesis de negocio se validan con datos reales del mercado antes de invertir recursos significativos. El ciclo Build-Measure-Learn se itera tres veces en el trimestre:

Fase 1 — Ideación y validación de la idea (semanas 1-2, aprox. 6 sesiones):

Actividades: Design Thinking (empatizar-definir-idear) con entrevistas de usuario a 5 personas externas al IES; elaboración del Business Model Canvas (Osterwalder y Pigneur, 2010); primera hipótesis de propuesta de valor. IA-gen en esta fase: los equipos usan ChatGPT-4o para generar variaciones de propuesta de valor (“Dame 5 enfoques distintos para un negocio de…”) — pero el docente exige que argumenten por escrito por qué aceptan o descartan cada sugerencia de la IA. Producto de fase: Lean Canvas (versión simplificada del Business Model Canvas para startups).

Hito de evaluación: presentación de 5 min al docente (pitch de problema-solución); el docente usa una rúbrica de 3 criterios (problema real identificado, propuesta de valor diferenciada, equipo comprometido).

Fase 2 — MVP y primera iteración (semanas 3-5, aprox. 9 sesiones):

Actividades: diseño del MVP (producto mínimo viable) — puede ser un prototipo físico, un servicio pilotado en el propio centro, una landing page o un vídeo de demostración. Primer ciclo Build-Measure-Learn: el MVP se presenta a 10 clientes potenciales reales (alumnado de otros cursos, familias, vecinos); se recogen datos de feedback estructurado (formulario Google); se analizan los resultados. IA-gen: uso de Copilot para generar preguntas de entrevista para el test del MVP; los equipos comparan las preguntas de la IA con las que elaboraron ellos y discuten cuáles son mejores y por qué.

Hito de evaluación: informe de validación del MVP (1-2 páginas): hipótesis inicial → datos recogidos → conclusión (perseverar / pivotar).

Fase 3 — Pivot o desarrollo (semanas 6-8, aprox. 9 sesiones):

Actividades: basándose en los datos de la fase 2, cada equipo decide si persevera con el plan inicial, pivota (cambia la propuesta de valor o el segmento de clientes) o abandona (caso excepcional; el docente acompaña la reflexión sin penalizar el fracaso). Segundo ciclo Build-Measure-Learn: versión 2 del producto/servicio y segunda ronda de validación con datos. IA-gen: uso de Gemini o ChatGPT para asistir en la redacción del plan de negocio financiero (proyección de ingresos a 6 meses, análisis de punto de equilibrio). El docente establece la norma: “La IA puede calcular, pero vosotros debéis entender cada número que aparece en vuestro plan.”

Fase 4 — Presentación final y reflexión (semanas 9-11, aprox. 9 sesiones):

Actividades: elaboración del pitch final (5-7 min + 3 min de preguntas ante un jurado mixto: docente + 2 emprendedores locales invitados); creación del dossier de proyecto (evidencia de todo el proceso); reflexión individual escrita sobre el aprendizaje (diario de aprendizaje). Producto final: pitch + dossier + diario de aprendizaje.

Instrumento 1 — Evaluación del proceso: diario de aprendizaje del equipo (continuo, semanas 1-10): Cada equipo mantiene un documento compartido (Google Docs) donde registra semanalmente: ¿qué intentamos esta semana?, ¿qué datos obtuvimos?, ¿qué decidimos y por qué?, ¿cómo usamos la IA y con qué criterio aceptamos o rechazamos su output?

Criterios de evaluación (RD 243/2022, CE de Empresa y Emprendimiento): CE1 — Identifica y analiza oportunidades de negocio con datos del entorno; CE3 — Aplica técnicas de gestión de proyectos (iteración, validación, pivot). Indicadores: (i) al menos una entrada semanal relevante; (ii) las decisiones se fundamentan en datos (no solo en intuición); (iii) la reflexión sobre la IA muestra pensamiento crítico (no solo “la IA dijo X y lo hicimos”).

Instrumento 2 — Evaluación del producto: pitch y dossier (semana 11): Rúbrica holística para el pitch (jurado mixto):

Nivel 4 (Excelente): El equipo presenta un problema real con datos, propuesta de valor diferenciada validada con clientes reales, plan financiero con proyección de punto de equilibrio argumentada, responde con solvencia a las preguntas del jurado. El uso de IA está documentado y reflexionado críticamente.

Nivel 3 (Bueno): Cumple la mayoría de criterios con pequeñas lagunas en datos o en la reflexión sobre IA.

Nivel 2 (En progreso): El problema y la solución están identificados pero la validación con clientes es superficial; el plan financiero tiene errores o es poco realista.

Nivel 1 (Inicial): La propuesta no está validada; el plan financiero es incoherente; la IA se ha usado sin reflexión crítica.

Instrumento 3 — Autoevaluación y coevaluación (final del proyecto): Cada alumno completa una ficha individual: (i) autoevaluación de su contribución al equipo (1-4) con evidencia concreta; (ii) coevaluación de dos compañeros del equipo con rúbrica de 3 criterios (contribución, comunicación, actitud ante el error). El docente usa estas valoraciones para ajustar la nota individual respecto a la nota de equipo (bonificación o penalización máxima de 1 punto).

El AI Act (Reglamento UE 2024/1689, en vigor desde agosto 2024) clasifica los sistemas de IA según su nivel de riesgo. Los sistemas de IA usados en contextos educativos para asistir al alumnado (ChatGPT, Copilot, Gemini) caen en la categoría de “bajo riesgo”, pero el AI Act impone la obligación de transparencia: el usuario debe saber que está interactuando con IA (art. 50), y los proveedores de IA de “propósito general” (GPAI, como GPT-4) deben publicar un resumen del contenido usado para entrenamiento (art. 53).

En el proyecto, la IA se integra bajo el principio de “IA como co-piloto, no auto-piloto”:

Fase 1: IA genera variaciones de propuesta de valor → el equipo justifica por escrito qué acepta y qué descarta y por qué. Esto desarrolla el juicio crítico sobre el output de la IA.

Fase 2: IA sugiere preguntas para el test del MVP → el equipo evalúa la calidad de las preguntas (¿son abiertas o cerradas? ¿miden lo que necesitamos medir?) y mejora el cuestionario. Desarrolla competencia metodológica de investigación.

Fase 3: IA asiste en el plan financiero (proyecciones) → el equipo debe ser capaz de explicar cada cifra oralmente. El docente hace preguntas al equipo sobre las proyecciones durante la tutoría de seguimiento; si no saben explicarlas, la nota del plan financiero baja independientemente del aspecto del documento.

Fase 4: IA puede asistir en la estructuración del pitch → el docente evalúa la autenticidad de la voz del equipo, no el formato. Un pitch generado íntegramente por IA sin reflexión propia se penaliza en el criterio “comunicación auténtica” de la rúbrica.

Norma explícita del docente (comunicada el primer día): “Todo uso de IA debe declararse en el diario de equipo. La IA es como una calculadora avanzada: os ahorra tiempo mecánico, pero no puede pensar por vosotros. Si la IA comete un error y vosotros no lo detectáis, el error es vuestro.”

Neil Selwyn (2019, Should Robots Replace Teachers? The Uneasy Relationship between Education and Technology, Routledge) es uno de los críticos más rigurosos del tecno-optimismo educativo. Sus principales argumentos aplicados a este proyecto:

Riesgo 1 — Desaprendizaje de habilidades cognitivas básicas (cognitive offloading): si la IA genera las preguntas de entrevista, el plan financiero y la estructura del pitch, el alumnado nunca desarrolla la habilidad de hacerlo autónomamente. Selwyn argumenta que la delegación excesiva en la tecnología puede producir “aprendices dependientes” incapaces de funcionar sin el apoyo tecnológico.

Salvaguarda: en la evaluación sumativa (pitch), el jurado hace preguntas imprevistas sobre el negocio que la IA no puede responder por los alumnos. El docente evalúa la comprensión profunda, no el documento pulido.

Riesgo 2 — Sesgo algorítmico y reproducción de desigualdades: los modelos de lenguaje entrenados con datos mayoritariamente anglófonos y de sectores tecnológicos tienden a sugerir ideas de negocio occidentales y urbanas. Un equipo de alumnos de barrio periférico de Madrid que propone un negocio de proximidad (recogida de comida para mayores, reparación de bicicletas) puede ver sus ideas “desvalorizadas” por la IA frente a propuestas de apps tecnológicas.

Salvaguarda: el docente establece explícitamente que los negocios de economía local, economía de cuidados y economía social son igual de válidos que las startups tecnológicas. La rúbrica valora la validación con clientes reales, no el glamour de la idea.

Riesgo 3 — Privatización de la educación por las big tech: Selwyn denuncia que el uso de herramientas como Google, Microsoft o OpenAI en el aula crea dependencia tecnológica de empresas privadas y transfiere datos del alumnado a terceros (RGPD, Reglamento UE 2016/679). En España, el Reglamento de Protección de Datos prohíbe el uso de datos de menores de 14 años sin consentimiento parental explícito.

Salvaguarda: el docente usa exclusivamente herramientas que ofrezcan versiones europeas con protección de datos RGPD-compliant (Microsoft Copilot for Education, que tiene acuerdo de DPA con el MECD; o herramientas de código abierto como Ollama con modelos locales). Para menores de 14 años, las actividades con IA se realizan con cuentas del centro (no personales) y con el consentimiento informado de las familias formalizado al inicio del curso.

Eric Ries (2011, The Lean Startup) parte de una premisa que es también pedagógica: la mayor fuente de desperdicio en los proyectos de emprendimiento no es la falta de trabajo sino la inversión de tiempo y recursos en construir algo que nadie quiere. El ciclo Build-Measure-Learn fuerza al equipo a salir del aula y confrontar sus hipótesis con la realidad del mercado — exactamente el principio de “aprendizaje situado” (Lave y Wenger, 1991, Situated Learning) que la pedagogía progresista defiende.

Ken Bain (2004): el proyecto trimestral crea exactamente el “entorno de aprendizaje natural y crítico” que Bain identifica como característico de los mejores docentes: los alumnos tienen que resolver un problema genuinamente difícil (¿hay alguien que pague por esto?), con libertad de método y con consecuencias reales (el pitch ante emprendedores externos).

Black y Wiliam (1998, Inside the Black Box): el diario de equipo con retroalimentación semanal del docente operacionaliza el ciclo de evaluación formativa de máximo impacto: la evidencia del aprendizaje (diario) llega al docente antes de que sea demasiado tarde para corregir el rumbo. Ries llama a esto “pivoting”; Black-Wiliam lo llaman “ajuste de la instrucción basado en evidencia”.

Indicadores cuantitativos de éxito del proyecto (para evaluación de la SA de cara a cursos sucesivos):

Estos dos indicadores operacionalizan los criterios de calidad central del proyecto: contacto real con el mercado (Ries) y comprensión financiera profunda (no delegada a la IA). Si en el curso siguiente el indicador 2 no alcanza el 70%, el docente rediseña la fase 3 para incluir más instrucción directa sobre análisis financiero.