Planteo 7 — El historial de commits no miente

En el proyecto final, el historial de commits en el repositorio compartido será parte de la evidencia de aprendizaje y de la contribución individual de cada integrante. ¿Qué revelaría tu historial si la mayor parte del código apareciera de golpe, en bloques grandes y pulidos, en lugar de crecer incrementalmente? ¿Cómo querés que se vea tu proceso?

Orientaciones para la reflexión:

–   Pensá en la diferencia entre un historial que muestra ensayo, error, refactor y mejora, y uno que muestra grandes pegados de código terminado. ¿Cuál refleja aprendizaje genuino?

–   Rabossi (2025) describe que Cambridge exige declarar el modelo de IA, el prompt y la fecha de uso. ¿Cómo integrarías esa transparencia a tus commits o a tu README?

–   La rúbrica del proyecto evalúa la contribución individual evidenciada en el versionado. ¿Cómo asegurás que tu aporte real sea visible y no quede enmascarado por código generado?

Competencias asociadas: CT1 (documentación), CG2 (ética y responsabilidad), CG3 (colaboración).

Planteo 8 — El protocolo de equipo para el proyecto

El proyecto final es en equipo. Distinto de un protocolo personal, un equipo necesita acordar reglas comunes sobre el uso de IA: ¿en qué partes se permite?, ¿cómo se documenta?, ¿cómo se verifica el código que aporta?, ¿qué pasa si un integrante usa IA de un modo que el resto no comparte? Proponé un borrador de «protocolo de equipo para el uso de IA» con al menos cuatro reglas concretas.

Orientaciones para la reflexión:

–   Inspirate en los modelos institucionales que documenta Rabossi (2025): París (prohibición total), Duke (uso guiado por cláusulas), Cambridge (declaración obligatoria). ¿Cuál adoptaría tu equipo y por qué?

–   Incluí al menos: usos permitidos, usos no permitidos, método de verificación obligatoria, y formato de documentación del uso de IA.

–   Tené presente que el Problema 5 ya fue un ensayo de trabajo en equipo. ¿Surgió allí alguna tensión sobre el uso de IA entre integrantes? ¿Cómo la resolverían con un protocolo previo?

Competencias asociadas: CG2 (ética), CG3 (colaboración y comunicación), CT1 (documentación).

Planteo 9 — Usuario o interrogador: tu balance del cursado

Como cierre integrador de las doce semanas, hacé tu balance honesto: a lo largo del cursado, ¿fuiste predominantemente un usuario de la IA (le pedías y aceptabas) o un interrogador crítico (la cuestionabas, verificabas y aprendías de ella)? ¿Cómo cambió tu relación con la IA entre la Semana 1 y la Semana 12? ¿Qué te proponés para el proyecto final?

Orientaciones para la reflexión:

–   Tomeo (2025) recupera el concepto ciceroniano de ingenium: la capacidad de analizar, contradecir y refutar. ¿Sentís que ejercitaste o atrofiaste ese «músculo crítico» durante el cursado?

–   Ini (2024) describe que editar lo que escribe la IA es menos trabajoso que crear desde cero, pero «convertirse en correctora de la IA no resulta motivador». ¿Te identificás con esa pérdida de motivación, o encontraste otra relación con la herramienta?

–   Recordá la frase de Toffler citada por Rabossi: los verdaderos alfabetos serán quienes sepan ejercer la duda crítica como método. ¿Saliste de este cursado más cerca o más lejos de esa alfabetización?

Competencias asociadas: Todas las competencias transversales (CT) y genéricas (CG) del cursado.

Planteo 4 — ¿La IA descompone o vos descomponés?

El Problema 5 exigía descomponer un sistema en cuatro módulos (persistencia, índices, reportes, agenda) y decidir qué técnica aplicar a cada uno. Esa decisión de diseño —reconocer que los índices son diccionarios, que los reportes piden merge sort estable, que la agenda es backtracking— es el corazón del pensamiento algorítmico. Si le pedías a la IA «el sistema completo», ¿te daba esa descomposición ya hecha? ¿Qué aprendizaje te ahorraba, y a qué costo?

Orientaciones para la reflexión:

–   Uez (2024) advierte que cada función que delegamos en la máquina implica dejar de activar las neuronas con estímulos de aprendizaje. ¿La habilidad de descomponer un problema es de las que se atrofian si la delegás?

–   Distinguí entre pedir ayuda para implementar un módulo cuya función ya entendiste, y pedir que decidan por vos la arquitectura del sistema. ¿Son lo mismo desde el punto de vista del aprendizaje?

–   En el proyecto final tendrás que descomponer un problema de elección propia, sin enunciado que reparta los módulos. ¿Qué tan preparado te sentís para hacerlo vos, y cuánto dependerías de la IA?

Competencias asociadas: CP1–CP3 (diseño de soluciones), CC2–CC3 (descomposición y modelado), CG1 (autonomía).

Planteo 5 — La complejidad que la IA no siente

Los Problemas 1 y 2 de la semana medían empíricamente la diferencia entre O(n log n) y O(n²), y mostraban cómo quick sort degrada con un mal pivote. La IA puede recitar que quick sort es O(n log n) en promedio, pero ¿puede transmitirte la intuición de por qué un pivote en el primer elemento es peligroso con datos ya ordenados? ¿Qué parte de ese entendimiento solo se gana ejecutando el experimento vos mismo?

Orientaciones para la reflexión:

–   Pensá en la diferencia entre saber un dato (la complejidad asintótica) y comprender un fenómeno (ver la profundidad de recursión crecer hasta el RecursionError). ¿Cuál de los dos te da la IA con facilidad y cuál no?

–   Muscillo (2024) advierte que un estudiante que delega todo en la IA puede aprobar sin haber comprendido. ¿Es posible «saber» que quick sort es O(n²) en el peor caso sin entender por qué? ¿Sirve de algo ese saber hueco?

–   Si en una entrevista de trabajo te pidieran explicar por qué elegiste merge sort en lugar de quick sort para un caso concreto, ¿te alcanzaría con lo que te dijo la IA, o necesitarías la intuición que construiste experimentando?

Competencias asociadas: CC4 (complejidad algorítmica), CA1 (evaluación), CT5 (reflexión crítica).

Planteo 6 — El tutor socrático que no te da la respuesta

Una forma de usar la IA sin que reemplace el aprendizaje es pedirle que actúe como un tutor que hace preguntas en lugar de dar soluciones. ¿Probaste alguna vez pedirle a la IA que te guiara con preguntas hacia la solución, en lugar de que te la escribiera? Si no, ¿cómo diseñarías un prompt para lograrlo? Si sí, ¿funcionó? ¿Aprendiste más o menos que cuando te daba el código?

Orientaciones para la reflexión:

–   Rabossi (2026) recupera a Descartes —que dudaba para investigar la verdad— y a Popper —para quien la ciencia avanza poniendo a prueba las hipótesis—. Un buen tutor socrático fuerza esa puesta a prueba. ¿Cómo se lo pedirías a una IA?

–   Recordá la metodología de Pólya (Análisis → Diseño → Codificación → Evaluación). ¿En qué fase un tutor que pregunta es más valioso que uno que responde?

–   Escribí, como aporte concreto al foro, un prompt de «tutor socrático» que podrías usar éticamente en el proyecto final, y explicá qué te daría y qué te seguiría exigiendo a vos.

Competencias asociadas: CC1 (comprensión), CT4 (comunicación), CT5 (reflexión), CG2 (ética).

Planteo 1 — La anatomía de un prompt que sirvió

Elegí una interacción con IA de tu registro que efectivamente te ayudó a resolver una parte de alguno de los problemas del día. Transcribí el prompt que usaste y analizalo: ¿por qué funcionó? Del Campo, Martínez-Mediero y Murillo (2025) describen el prompt como un acto de comunicación que requiere definir rol, tarea, contexto, restricciones y formato. ¿Tu prompt útil tenía esos componentes? ¿Qué le faltaba a los prompts que no te sirvieron?

Orientaciones para la reflexión:

–   Compará un prompt vago («resolvé el problema del consultorio») con uno preciso («explicame por qué mi función asignar_agenda devuelve None cuando debería encontrar solución, dado este caso de prueba»). ¿Cuál te dejó algo y cuál te resolvió sin enseñarte?

–   Pensá si la calidad de la respuesta dependió más de la herramienta o de cómo formulaste la pregunta. ¿Mejoró tu forma de preguntar a lo largo de la semana?

–   ¿Hubo casos en que reformular el prompt te obligó a entender mejor tu propio problema, incluso antes de recibir respuesta?

Competencias asociadas: CC1 (comprensión del problema), CT4 (comunicación), CT5 (reflexión crítica sobre el uso de IA).

Planteo 2 — Qué tomaste y qué descartaste

El registro pedía anotar no solo la respuesta de la IA, sino qué tomaste de ella y qué descartaste. Elegí una respuesta de IA que hayas tenido que corregir, rechazar parcialmente o desechar. ¿Cómo te diste cuenta de que algo no estaba bien? ¿Qué conocimiento propio te permitió detectarlo?

Orientaciones para la reflexión:

–   Rabossi (2026) usa la metáfora del Caballo de Troya para el riesgo de aceptar acríticamente respuestas que pueden contener «alucinaciones». ¿Detectaste alguna alucinación —código que no compilaba, una función inexistente, una complejidad mal calculada— en tus interacciones?

–   En la Semana 8, sobre archivos binarios, un error típico de la IA es equivocarse con el endianness o el tamaño del registro en struct. Si usaste IA para el Módulo 1 del Problema 5, ¿la respuesta respetaba el formato declarado como fuente única de verdad?

–   Reflexioná sobre esto: para descartar una respuesta incorrecta de la IA, primero tuviste que saber lo suficiente como para evaluarla. ¿Qué dice eso sobre quién puede usar la IA con provecho y quién no?

Competencias asociadas: CA1 (evaluación de resultados), CA2 (verificación y validación), CT5 (reflexión crítica).

Planteo 3 — El verificador silencioso

En el Problema 5, la evaluación se apoyaba en aserciones y casos de prueba: que el tamaño del archivo coincidiera con la cantidad de registros por el tamaño de cada uno, que la búsqueda por DNI devolviera el paciente correcto, que el caso sobre-restringido de la agenda devolviera None. Si usaste IA, ¿verificaste sus respuestas con casos de prueba propios, o las aceptaste porque «se veían bien»?

Orientaciones para la reflexión:

–   Tomeo (2025) advierte que empezamos a confundir rigor con estilo y verdad con verosimilitud: un código limpio y bien comentado «parece» correcto por el solo hecho de sonar bien. ¿Te pasó de confiar en una solución de IA por su prolijidad?

–   Describí un caso de prueba concreto que hayas diseñado para verificar una respuesta (de la IA o propia). ¿Qué error reveló, o qué confianza te dio?

–   Castro-López et al. (2025), citado por Rabossi, encontró que el uso frecuente de IA interactiva se correlaciona con calificaciones más bajas. Una hipótesis es que se salta la verificación. ¿La práctica de verificar siempre cambia esa ecuación?

Competencias asociadas: CA1 (evaluación), CA2 (validación), CC4 (análisis de complejidad y corrección).