Los Modelos de Lenguaje Grande (LLMs) ocupan ahora un papel destacado en la ciencia, la ingeniería y la educación superior. Su capacidad para generar soluciones paso a paso, explicaciones conceptuales y caminos de resolución de problemas crea nuevas oportunidades, pero también nuevos riesgos, para los estudiantes de Ingeniería Química. A pesar del uso informal generalizado, pocos estudios empíricos han evaluado el rendimiento de los LLM utilizando un conjunto de datos diseñado sistemáticamente mapeado directamente a la Taxonomía de Bloom. Este estudio evalúa la competencia de ChatGPT en la resolución de problemas de Ingeniería Química mapeados a la Taxonomía de Bloom. Se utilizó un conjunto de datos diverso de problemas a nivel de pregrado que abarca seis dominios cognitivos para evaluar el razonamiento del modelo a través de niveles ascendentes de complejidad cognitiva. Cada respuesta fue evaluada por su precisión y categorizada en cinco tipos de errores. Aunque ChatGPT demostró un potencial considerable en una variedad de temas, el análisis también reveló importantes desafíos y limitaciones que informan las mejores prácticas para integrar LLM en la educación en Ingeniería Química. Los resultados muestran diferencias significativas en el rendimiento de ChatGPT a través de los niveles de Bloom, revelando tres niveles distintos de capacidad. Se observó un rendimiento fuerte en los niveles cognitivos más bajos (Recordar-Aplicar), mientras que se produjo una degradación sustancial en Analizar, Evaluar y especialmente Crear. Los hallazgos proporcionan una comprensión matizada y empíricamente fundamentada de los límites actuales de la capacidad de los LLM, con recomendaciones prácticas para los educadores que integran LLM en los planes de estudio de ingeniería.