Qué prompt usar para generar feedback personalizados con los LLM

¿Por qué los LLM son ideales para dar feedback en clase? En 2026, las aulas son cada vez más digitales y los profesores buscan formas rápidas de ofrecer evaluaciones personalizadas sin sacrificar la calidad. Los grandes modelos de lenguaje (LLM) ofrecen una combinación única de velocidad, comprensión contextual y capacidad para adaptarse al estilo de cada estudiante. Gracias a modelos como GLM-5.3-Flash, que puede procesar hasta 1 millón de tokens y comprender texto, imágenes y diagramas, es posible analizar una tarea completa en cuestión de segundos y proporcionar un feedback detallado que parece escrito a mano. Cómo crear un prompt eficaz para el feedback La calidad del feedback depende casi por completo de la claridad del prompt. Un buen prompt debe incluir: - Objetivo específico: evaluar la comprensión de un concepto, corregir un error o mejorar el estilo. - Contexto del estudiante: nivel, materia y posibles tareas anteriores. - Formato deseado: puntos clave, sugerencias prácticas, evaluación de errores y próximas acciones. - Restricciones de tono: alentador, formal o semiformal según la edad. Un prompt bien estructurado mantiene al modelo enfocado, reduce las respuestas genéricas y aumenta la relevancia pedagógica. Ejemplo de prompt y código A continuación, se muestra un prompt listo para usar que puedes copiar y adaptar en cualquier entorno de aprendizaje basado en LLM. El código está escrito en estilo Python con una simple llamada a la API, pero el mismo prompt funciona con la mayoría de los servicios de LLM de texto disponibles en 2026. '''[ROL] Eres un tutor de matemáticas experiencial que trabaja con estudiantes de secundaria (16-18 años). [TAREA] Lee la siguiente tarea realizada por un estudiante y proporciona un feedback personalizado que incluya: 1. Evaluación del nivel de comprensión (0-10). 2. Lista de errores cometidos (si los hay). 3. Tres sugerencias concretas para mejorar. 4. Un recurso adicional opcional (enlace a un vídeo o artículo). [ENTRADA] Estudiante: "Calcula el valor medio de los números 12, 18, 24 y 30." [FORMATO] Usa un tono alentador, incluye emojis relevantes y mantén la respuesta por debajo de 150 caracteres por punto. [RESULTADO] ''' Este prompt funciona con modelos como GLM-5.3-Flash, GPT-4 Turbo e incluso con LLM optimizados para dispositivos edge como los basados en NVIDIA Jetson Orin Nano 2, ideales para laboratorios donde la privacidad es fundamental. Cuándo integrar los LLM en las clases El momento adecuado para introducir un LLM para el feedback depende del flujo de trabajo del profesor y de los objetivos de la clase: - Revisión inmediata: después de una tarea en clase o un cuestionario breve, los LLM proporcionan evaluaciones instantáneas que permiten aclarar dudas antes de que el estudiante olvide el contexto. - Creación de contenido personalizado: cuando es necesario generar hojas de ejercicios adaptadas a las necesidades de toda una clase, un LLM puede producir varias variantes en cuestión de segundos. - Aprendizaje adaptativo: en las plataformas de estudio guiado, los LLM pueden adaptar el feedback al nivel de competencia de cada alumno, creando un camino de aprendizaje verdaderamente personalizado. En 2026, muchas instituciones educativas ya utilizan modelos edge para garantizar el cumplimiento del GDPR y reducir la latencia, combinando la inteligencia en la nube con la infraestructura local. Ventajas y consideraciones éticas Las ventajas son evidentes: velocidad, coherencia y escalabilidad. Sin embargo, es fundamental: - Verificación humana: utiliza el LLM como apoyo, no como sustituto del juicio humano. Un segundo control por parte del profesor garantiza la precisión y la relevancia pedagógica. - Transparencia: informa a los estudiantes cuando el feedback proviene de una IA y por qué, respetando las directrices sobre IA ética promovidas por la UE. - Privacidad: los datos de los estudiantes deben estar cifrados durante el tránsito y en reposo. Los modelos edge como los de Jetson Orin Nano 2 mantienen los datos localmente, reduciendo los riesgos. En 2026 también han surgido herramientas de evaluación de la propia IA (como los sistemas de calificación de los LLM), que pueden ayudarte a supervisar la calidad de los feedback generados. Conclusiones: acciones concretas para los profesores Si quieres empezar a utilizar los LLM para el feedback esta misma semana, sigue estos tres pasos: 1. Prueba un prompt sencillo: copia el ejemplo anterior, sustituye la tarea por un breve ejercicio y envía el prompt a un LLM a través de una interfaz web o de un plugin para tu LMS. 2. Combina con el control humano: revisa el feedback generado, realiza modificaciones y anota posibles patrones (por ejemplo, errores comunes) para perfeccionar el prompt con el tiempo. 3. Explora las opciones edge: si tu escuela tiene dispositivos NVIDIA Jetson o similares, configura una instancia local de un modelo optimizado para evaluar tareas en tiempo real, manteniendo todos los datos dentro del perímetro escolar. Al implementar estos pasos, transformarás un costoso proceso de corrección manual en un flujo de trabajo automatizado y personalizado, que deja más tiempo a los profesores para enseñar y menos tiempo para la burocracia. Conclusión Los LLM se están convirtiendo en un recurso esencial para los profesores, ofreciendo evaluaciones inmediatas, personalizadas y adaptables. Si eliges el prompt adecuado, integras el feedback de la IA con el juicio humano y aprovechas los últimos modelos edge, puedes proporcionar a cada estudiante la ayuda que necesita sin sacrificar la calidad o la privacidad. Empieza hoy mismo con un prompt sencillo, observa los resultados y adapta tu enfoque a medida que la tecnología evolucione en 2026 y más allá. IMPORTANTE: Estamos en 2026. Todas las referencias temporales deben ser actuales. No menciones años pasados como 2024, 2023, etc. El contenido debe ser fresco y relevante para el presente. CONTEXTO ACTUAL (agosto de 2026): Aquí tienes algunas tendencias y noticias recientes para inspirarte: - La orquestación es el nuevo desafío para la CX en la era de los agentes de IA: Presentado por Tata Communications Enterprises, que está implementando agentes de IA, voz IA y automatización en canales de mensajería, voz y digitales más rápido que... [26-08-2026] - Z.ai lanza GLM-5.3-Flash: un modelo MoE nativamente multimodal de 320B-A18B con un contexto de 1 millón de tokens: Z.ai ha lanzado GLM-5.3-Flash, el primer modelo nativamente multimodal de la serie GLM-5: un modelo MoE de 320 mil millones totales / 18 mil millones activos con un contexto de 1.048.576 tokens... [26-08-2026] - ¿Qué tendría que ser cierto para que la programación agentica reemplazara a los ingenieros junior?: Cuatro condiciones falsificables para que la programación agentica reemplace a los juniors, evaluadas contra METR, OpenAI, DORA y evidencia de fuentes primarias de Stanford El artículo What... [26-08-2026] Usa esta información actual como inspiración para crear un prompt original y relevante para 2026.