Actualizado el 30 de octubre de 2026. Por Juan Pablo Del Alcázar Ponce (ORCID).
El Bloom invertido es una propuesta que recorre la taxonomía de Bloom en sentido contrario: el estudiante parte de crear con ayuda de la IA, evalúa lo que la herramienta produjo y después analiza por qué funciona o falla. Junto a él han aparecido UnBlooms, Bloom’s stAIrcase, un mapa de capacidades humanas y de IA por nivel y una revisión del pensamiento crítico. Son propuestas recientes y, en su mayoría, conceptuales. Ninguna reemplaza a la taxonomía clásica y cada una responde a un tipo de curso distinto, como se resume en la tabla comparativa de este artículo.
Guía de Contenido
Por qué la IA generativa presiona a la taxonomía de Bloom
Una herramienta de IA generativa resuelve en segundos las tareas de recordar y comprender, y produce borradores aceptables de aplicar y analizar. Cuando el único producto de una tarea es un texto entregado, ese texto deja de demostrar por sí solo que el estudiante pensó. El primer ajuste, compatible con la taxonomía clásica, consiste en pedir además del producto la evidencia del razonamiento. Los seis niveles, con preguntas y tareas de ejemplo, están en la guía de ejemplos de la taxonomía de Bloom.
| Nivel | Qué resuelve con facilidad la IA | Rediseño de la tarea |
|---|---|---|
| Recordar y comprender | Definiciones, resúmenes y paráfrasis | Verificarlos en clase con una prueba breve y oral, y reservar el trabajo en casa para niveles superiores |
| Aplicar | El ejercicio estándar con datos genéricos | Pedir un caso con datos propios del estudiante o de su organización y el registro de las decisiones tomadas |
| Analizar | Un análisis genérico y bien redactado | Pedir que contraste su análisis con el de la IA y señale en qué difieren y por qué |
| Evaluar | Un juicio plausible | Pedir que audite una respuesta de IA (errores, supuestos no declarados, fuentes inexistentes) y defienda su juicio en una conversación oral |
| Crear | Un primer borrador | Evaluar el proceso: versiones, decisiones y el criterio con que aceptó o rechazó las sugerencias de la IA |
Prueba rápida para el docente: pega la consigna de tu tarea en una herramienta de IA. Si la respuesta obtendría una nota aprobatoria sin edición, la tarea mide recordar o comprender aunque su verbo diga analizar.
Los verbos del objetivo, además, no garantizan el proceso cognitivo. Un estudio de 940 ítems de biología, citado por Blomquist, Long y Gladd (s. f.), encontró que los verbos de acción no predecían de forma confiable el proceso cognitivo que exigía cada ítem. Por eso esos autores recomiendan una auditoría de resultados de aprendizaje en la que cada resultado nombra la evidencia que el estudiante debe entregar. Ejemplo: en lugar de “analizar un acontecimiento histórico”, “comparar dos explicaciones generadas por IA con fuentes primarias y explicar cuáles afirmaciones deben corregirse”, con anotaciones de las fuentes y una explicación breve del juicio revisado como evidencia.
Bloom invertido

Michelle Kassorla plantea esta idea sobre todo para cursos con mucha escritura: el borrador de la IA es materia prima que el estudiante revisa (Sturgill, 2026). Pesovski, Vorkel y Trajkovik (2024) la denominan Reverse Bloom Taxonomy y la aplican a la enseñanza de programación. Su argumento es que herramientas como WebSim.ai y Anthropic Artifacts generan soluciones con facilidad, de modo que crear pesa menos como habilidad a evaluar y el énfasis pasa a comprender, evaluar con criterio las soluciones generadas y hacer ingeniería inversa de trabajos existentes. Su artículo es una propuesta conceptual y no reporta resultados empíricos.
Secuencia de ejemplo en un curso de finanzas (ilustración del autor):
- Crear: el estudiante pide a una herramienta de IA un plan financiero de 12 meses para una pyme y registra el prompt que usó.
- Evaluar: lista los supuestos no declarados del plan y las cifras que no puede verificar.
- Analizar: explica por qué el plan fallaría si la tasa de interés sube dos puntos.
- Comprender: reexplica el plan corregido con sus propias palabras en una defensa oral de cinco minutos.
Límites señalados por otros autores. Sturgill (2026) duda de que un estudiante novato pueda juzgar bien lo que produce la IA. Austin (2026) sostiene que la inversión sigue siendo lineal y que se transfiere mal a trabajos que no son textos, como un ensayo de laboratorio.
UnBlooms
Tina Austin (2026) propone UnBlooms, un marco para evaluar cuando la IA puede producir trabajos pulidos. Parte de que el aprendizaje es un ciclo en espiral y no una pirámide, de modo que el estudiante puede entrar por cualquier punto. Incluye una escala de evaluación crítica con puntos de control metacognitivos, que va de detectar errores superficiales a criticar de forma sistémica lo que produce la IA, y un árbol de decisión sobre si la IA hace avanzar la comprensión o automatiza la curiosidad. Uno de sus niveles es resistir: trabajar sin IA cuando el esfuerzo es el objetivo de aprendizaje. Su criterio de evaluación es calificar el pensamiento y no el producto. Es una propuesta de autoría independiente publicada en un blog; no localicé estudios de validación.
Bloom’s stAIrcase
Brigette Meskell y Nicole Baker crearon Bloom’s stAIrcase, un recurso abierto e interactivo que cruza los seis procesos cognitivos y las cuatro dimensiones de conocimiento de la revisión de Anderson y Krathwohl con competencias de alfabetización en IA, adaptadas del marco de Kara Kennedy. Propone cinco preguntas de diseño: qué proceso y qué tipo de conocimiento se busca, en qué punto la IA ayuda de verdad, qué trabajo estudiantil debe permanecer humano, y cómo evaluar ese pensamiento. Es una herramienta de diseño de actividades y no una teoría del aprendizaje.
Mapa de capacidades humanas y de IA por nivel
La Universidad Estatal de Oregón (Ecampus, 2024) publicó una tabla que, para cada nivel de Bloom, lista las habilidades distintivas del ser humano y la forma en que la IA generativa puede complementar el aprendizaje. En los niveles bajos, la IA apoya sobre todo con recuperar datos, definir términos y reformular conceptos. En crear y evaluar, las habilidades humanas distintivas son las soluciones originales basadas en experiencia y juicio, la reflexión metacognitiva y la valoración ética. La tabla recomienda revisar con regularidad actividades y evaluaciones, porque las capacidades de la IA cambian.
Revisión del pensamiento crítico
Gonsalves (2024) revisa la taxonomía ante la IA generativa en el Journal of Marketing Education y propone un marco de 12 proposiciones para orientar la investigación y la pedagogía futuras.
Comparativa de las propuestas
| Propuesta | Idea central | Punto de partida | Fortaleza | Límite |
|---|---|---|---|---|
| Bloom revisado (Anderson y Krathwohl, 2001) | Seis procesos cognitivos cruzados con cuatro tipos de conocimiento | Recordar | Lenguaje común para resultados de aprendizaje y evaluación | Los verbos no garantizan el proceso cognitivo |
| Bloom invertido (Kassorla; Pesovski et al., 2024) | Crear con IA y retroceder a evaluar, analizar y comprender | Crear con IA | Convierte el borrador de la IA en materia prima y ejercita el juicio | El novato puede no distinguir una salida deficiente; propuesta conceptual |
| UnBlooms (Austin, 2026) | Aprendizaje en espiral, evaluación del pensamiento y no del producto | Cualquier punto | Sirve para trabajo no textual e incluye la decisión de no usar IA | Autoría independiente; no localicé estudios de validación |
| Bloom’s stAIrcase (Meskell y Baker) | Cruce de proceso cognitivo, tipo de conocimiento y alfabetización en IA | Elegir la celda a trabajar | Fija el trabajo estudiantil que debe permanecer humano | Es una herramienta de diseño y no una teoría; sin fecha de publicación |
| Mapa de Oregon State (2024) | Habilidades humanas distintivas y apoyo de la IA por nivel | Cada nivel de Bloom | Guía rápida para revisar actividades | Es una tabla de referencia, no un método de evaluación |
Cuándo aplica cada propuesta con IA
| Situación | Propuesta sugerida | Por qué |
|---|---|---|
| Curso de escritura, programación o diseño con estudiantes que ya dominan lo básico | Bloom invertido | El borrador de la IA ahorra producción y el estudiante ejercita el juicio |
| Estudiantes novatos en la materia | Bloom en orden clásico, con IA como apoyo y verificación oral | Un novato puede no juzgar bien la salida de la IA (Sturgill, 2026) |
| Laboratorio, taller o práctica que no es texto | UnBlooms o evaluación del proceso | La inversión lineal se transfiere mal a ese tipo de trabajo (Austin, 2026) |
| Diseño de actividades concretas con IA | Bloom’s stAIrcase | Define el trabajo que debe seguir siendo humano |
| Revisión rápida de un curso existente | Mapa de Oregon State | Permite ubicar en cada nivel qué complementa la IA |
Ninguna propuesta es absoluta. La combinación depende del contexto institucional, del perfil de los estudiantes, de los resultados de aprendizaje (RDA) y de las necesidades del curso. Para sumar la motivación y la regulación metacognitiva, y para ver un modelo híbrido completo, consulta la taxonomía de Marzano y Kendall y su comparación con Bloom.
Conclusiones
- La inversión es una estrategia de diseño de actividades y no un reemplazo de la taxonomía. Depende de que el estudiante tenga base suficiente para evaluar lo que produce la IA.
- El resultado de aprendizaje debe nombrar la evidencia que el estudiante entrega, porque el verbo solo no demuestra el proceso.
- Una consigna que la IA resuelve sin edición mide recordar o comprender, sin importar el verbo que use.
- Cada curso debe revisarse con regularidad, porque las capacidades de la IA cambian y con ellas lo que una tarea logra medir.
El marco de competencias en IA para docentes de la UNESCO (2024) organiza quince competencias en cinco dimensiones: mentalidad centrada en el ser humano, ética de la IA, fundamentos y aplicaciones de la IA, pedagogía de la IA y la IA para el desarrollo profesional. Sus tres niveles de progresión, adquirir, profundizar y crear, siguen una lógica de complejidad creciente comparable a la de Bloom, y sirven de referencia complementaria para institucionalizar estos rediseños. Para el marco de competencias genéricas de los estudiantes universitarios de la región, consulta el Proyecto Tuning América Latina.
Limitaciones de estas propuestas
Las propuestas aquí reunidas son de 2024 en adelante. La de Pesovski et al. (2024) es conceptual y no reporta resultados empíricos, la de Austin (2026) es de autoría independiente y no localicé estudios de validación de ninguna de las cinco. Las capacidades de la IA cambian con rapidez, por lo que lo que una tarea mide hoy puede ser distinto en seis meses. Este artículo resume las fuentes que revisé y no sustituye la lectura de cada una.
Preguntas frecuentes sobre la taxonomía de Bloom con IA
¿Qué es el Bloom invertido?
Es una propuesta que recorre la taxonomía en sentido contrario: el estudiante parte de crear con ayuda de la IA, evalúa lo que la herramienta produjo y luego analiza por qué funciona o falla.
¿Quién propuso el Bloom invertido?
Michelle Kassorla lo plantea para cursos con mucha escritura (Sturgill, 2026), y Pesovski, Vorkel y Trajkovik (2024) lo formalizan como Reverse Bloom Taxonomy para la enseñanza de programación.
¿Sirve el Bloom invertido con estudiantes novatos?
Con reservas. Sturgill (2026) duda de que un novato pueda juzgar bien lo que produce la IA, por lo que en ese caso conviene el orden clásico con verificación oral.
¿Cómo se usa la taxonomía de Bloom con inteligencia artificial?
Se clasifica cada tarea por nivel, se comprueba si una herramienta de IA puede resolverla sin edición y se rediseña para que el estudiante aporte evidencia de su razonamiento, como una auditoría de la respuesta de la IA o una defensa oral.
¿Qué es UnBlooms?
Es un marco de Tina Austin (2026) que concibe el aprendizaje como una espiral, evalúa el pensamiento y no el producto, e incluye la decisión de trabajar sin IA cuando el esfuerzo es el objetivo.
¿Qué es Bloom’s stAIrcase?
Es un recurso abierto de Meskell y Baker que cruza procesos cognitivos, tipos de conocimiento y alfabetización en IA para diseñar actividades.
¿Quedó obsoleta la taxonomía de Bloom por la IA?
Las fuentes revisadas la mantienen como lenguaje común y proponen ajustar las tareas y la evidencia de evaluación, no abandonarla.
Artículos relacionados
- Taxonomía de Bloom: preguntas guía y tareas de ejemplo por nivel
- Taxonomía de Marzano y Kendall: qué es, diferencias con Bloom y cuándo usarla
- Competencias universitarias del Proyecto Tuning América Latina
Del currículo al aula con inteligencia artificial
Rediseñar tareas y evaluaciones con criterio frente a la IA es el centro de El docente aumentado: cómo ampliar el criterio, la enseñanza y el liderazgo universitario con IA. El libro propone seis estrategias: mentoría humana, escepticismo experto, evaluaciones auténticas, sintaxis de la IA, equipos profesionales y un sistema de docente aumentado. Es una edición impresa limitada de 116 páginas. Solicita tu ejemplar de El docente aumentado.
Fuentes y recursos complementarios
- Anderson, L. W. y Krathwohl, D. R. (eds.) (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Nueva York: Longman.
- Austin, T. (2026). The evolution of Bloom’s taxonomy, and where it was always heading in the age of AI. Substack.
- Blomquist, J., Long, L. y Gladd, J. (s. f.). Rethinking Bloom’s taxonomy for the AI era. En A guide to teaching and learning with artificial intelligence, cap. 10. Idaho Pressbooks.
- Gonsalves, C. (2024). Generative AI’s impact on critical thinking: Revisiting Bloom’s taxonomy. Journal of Marketing Education. https://doi.org/10.1177/02734753241305980.
- Meskell, B. y Baker, N. (s. f.). Bloom’s stAIrcase.
- Oregon State University Ecampus (2024). Bloom’s taxonomy revisited, v2.0.
- Pesovski, I., Vorkel, D. y Trajkovik, V. (2024). AI-powered education: Rethinking the way programming is taught using AI tools and reversed Bloom’s taxonomy. 2024 21st International Conference on Information Technology Based Higher Education and Training (ITHET). IEEE. Registro.
- Sturgill, A. (2026). Assessment in the upside down: Academic AI with students as the audience. Center for Engaged Learning, Universidad de Elon.
- UNESCO (2024). AI competency frameworks for students and teachers.
