Agencia de quien aprende

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La agencia de quien aprende: la capacidad de quien aprende para actuar con intención, tomar decisiones y ejercer control sobre su propio aprendizaje. En la IA en la educación, la agencia es una preocupación central porque las herramientas de IA pueden tanto sostener como socavar el control de quien aprende: una IA bien diseñada preserva y amplifica la autonomía de quien aprende, mientras que la dependencia excesiva o la aceptación pasiva de la salida de la IA pueden erosionarla. La agencia se conecta con Aprendizaje autorregulado, Motivación, Autoeficacia y el diseño ético de los sistemas de IA, y está estrechamente relacionada con los conceptos psicológicos de autonomía y de sentido de agencia.

Preguntas para reflexionar

• La agencia de quien aprende, es decir, su capacidad de actuar con intención y de controlar su propio aprendizaje, es central en la IA en la educación. Cuando usa una herramienta de IA, ¿cuánto control conserva realmente sobre el proceso de aprendizaje, frente a la herramienta?
• La IA puede tanto sostener como socavar la agencia: una IA bien diseñada amplifica la autonomía, mientras que la dependencia excesiva la erosiona. Piense en una ocasión en que dejó que una IA simplemente «lo hiciera». ¿Aprendió menos, aunque el resultado pareciera mejor?
• El estudiantado que delega la interpretación en la IA puede perder agencia sobre su propio razonamiento. Cuando le entrega una tarea a la IA, ¿qué parte de su propio pensamiento está cediendo en silencio?
• Un estudio encontró que el aprendizaje previo de IA iniciado por cuenta propia predecía cuánto se beneficiaba el estudiantado de la instrucción: quienes tenían más agencia se beneficiaron más. Si la agencia es en parte una habilidad que se trae de antemano, ¿cómo podría su propio contexto construirla en lugar de darla por supuesta?
• La agencia no es solo un rasgo: emerge momento a momento en el trabajo en grupo, donde la IA puede redistribuir quién da forma a una colaboración sin que el estudiantado lo note. ¿Cuándo notó por última vez que una herramienta dirigía en silencio el rumbo de un grupo?
• Las personas de IA contrarias podrían empujar a los grupos hacia un desafío productivo, pero también redujeron la satisfacción con el trabajo en equipo y la seguridad psicológica. ¿Puede existir fricción productiva sin seguridad psicológica, y qué implica eso para el diseño de compañeros de equipo de IA?

Introducción

La agencia importa porque el aprendizaje es más eficaz cuando quien aprende participa de forma activa e intencionada en lugar de recibir pasivamente. Los sistemas de IA, ya sean agentes de tutoría, robots o chatbots, determinan cuánto control conserva quien aprende sobre su proceso de aprendizaje. Preservar la agencia es, por tanto, un principio de diseño clave en una IA educativa responsable, junto con sostener la autoeficacia, construir la confianza y evitar la dependencia excesiva.

Mishra et al. enmarcan el control frente a la agencia como la tensión esencial y recurrente de la IA en la educación, desde los primeros sistemas de tutoría inteligente hasta la IA generativa actual, lo que convierte la agencia de quien aprende en el eje persistente de los debates del campo.

Una visión de suma cero de la agencia con herramientas agénticas: Prieto y Dimitriadis (2026) sostienen que cuanto más agencia se concede a las herramientas educativas de IA, menos conserva quien aprende, es decir, que la agencia es en la práctica un juego de suma cero, y que los enfoques actuales de diseño centrado en las personas (por ejemplo, el diseño sensible a los valores) son insuficientes porque la dependencia excesiva y el aislamiento responden a factores sistémicos más amplios y a la tendencia humana a tomar el camino más fácil. Su visión de diseño emancipador, orientada al florecimiento de quien aprende dentro de sistemas complejos, trata la preservación y el cultivo de la agencia de quien aprende como el objetivo central del diseño de IA generativa y no como algo secundario.

La agencia como propósito, y no solo como capacidad: mientras los planteamientos anteriores preguntan cuánta agencia conserva quien aprende, Fagerlund et al. (2026) preguntan para qué sirve la IA en la educación. Entrevistaron a trece docentes finlandeses, desde preescolar hasta 9.º grado, sobre los propósitos de enseñar con IA y sobre IA, y leyeron sus relatos a través de los tres dominios del propósito educativo de Biesta (cualificación, socialización y subjetivación), y encontraron en la competencia el fin más claro y concreto: el profesorado quería que el estudiantado entendiera la IA como un fenómeno sociotécnico y que usara sus herramientas. La subjetivación, es decir, una implicación autodeterminada y personalmente significativa con la IA, se afirmaba como importante pero quedaba sin estrategias didácticas concretas, con el profesorado recurriendo a la discusión genérica y a la contemplación en lugar de a actividades diseñadas. Los autores proponen la agencia informada en IA como un heurístico que sitúa la subjetivación en el centro y trata las competencias como su base explicativa, y que ayuda al estudiantado a ver qué opciones existen y a elegir cuáles seguir. La consecuencia práctica es directa: un currículo centrado primero en habilidades puede desplazar el propósito agentivo al que debería servir, y el remedio es hacer explícito el «porqué» de la educación en IA en lugar de añadir otra competencia a la lista.

La dirección del recorrido no está fijada. Gillette et al. (2026) contrastan su facultad sueca con el estudiantado australiano de Bearman et al. (2025), que «en general quería agencia» y «se resistía a la dependencia»: aquí varios estudiantes describieron volverse dependientes de la IA generativa y lo nombraron como una pérdida, uno de ellos diciendo que «da un subidón de dopamina porque todo lleva menos tiempo» y «recompensa las malas conductas».

Cómo aparece la agencia en la investigación de la base de conocimiento

• Robótica e interacción entre personas y robots: RoboBlockly Studio se diseñó explícitamente para preservar la agencia de quien aprende en el pensamiento computacional; una revisión sistemática examina cómo la interacción entre personas y robots afecta a la autonomía humana y al sentido de agencia, centrales en los debates sobre el bienestar y la gobernanza.

• Aprendizaje colaborativo: la Colaboración humano-IA investigación examina cómo se reparten las tareas cognitivas entre quien aprende y la IA, y la agencia determina si es la persona o la IA la que dirige la interacción.

• La agencia epistémica compartida se extiende a la interacción entre el estudiantado y la IAG. Un esquema de 14 categorías que codificó 6.788 turnos asistidos por ChatGPT situó el 59% de los turnos de estudiantes de séptimo grado en agencia epistémica compartida, y los autores sostienen que el constructo —estudiado antes sobre todo en la colaboración entre pares— debe ampliarse para incluir dimensiones cognitivas y metacognitivas (Chang et al., 2026).

• La agencia puede calificarse a partir del propio prompt. La Taxonomía de Profundidad de la Agencia Humana puntúa la contribución de ingeniería del estudiantado en seis niveles con independencia de la salida de la IA; en 962 prompts de 105 estudiantes de primer año de ingeniería de software, el 84,2% superó el nivel más bajo, pero solo el 5,3% especificó restricciones del sistema (Shakiba y Chaffey, 2026). La individualización sobre todo asigna elecciones, no autoría. En 61 estudios repartidos en 63 informes, el control dirigido por quien aprende se codificó en 46 (75,4%) —el estudiantado elegía el momento, el foco, los prompts o el ritmo—, mientras que los sistemas creados a propósito o adaptados al curso aparecieron en diez (16,4%), la personalización adaptativa dirigida por el sistema en cinco (8,2%) y la diferenciación diseñada por el docente en uno. Con esa evidencia, el aprendizaje «personalizado» suele significar dirigir dentro de un espacio que alguien más diseñó, lo que es agencia como selección y no agencia sobre las condiciones. La revisión también advierte contra leer la frecuencia como magnitud: la presencia de un tema en 39 estudios no dice nada sobre cuán grande o consistente fue su efecto (Aybar-Bellido et al., 2026).

• Implicación crítica: la investigación sobre la descarga cognitiva muestra cómo el estudiantado que delega la interpretación en la IA puede perder agencia sobre su propio razonamiento; los enfoques críticos y metacognitivos tratan de protegerla.

Evaluado en diez modelos, el apoyo a la agencia es donde peor lo hacen después del aprendizaje. ImpactBench midió Agencia y Propósito en un 56,0% de criterios positivos (IC del 95% [49,2, 62,5]) y un 43,9% de criterios negativos ([36,9, 50,8]), la segunda área más baja de 14 subáreas, y sus criterios de asistencia que preservan la autonomía preguntan si un modelo ofrece contexto y contrapartidas en lugar de prescribir un curso de acción (ImpactBench (2026)). Los modelos también fueron mucho menos consistentes a la hora de evitar daños que a la hora de ser útiles: una diferencia de 38,6 puntos frente a 15,9 puntos.

El coste depende de qué capa se delega: en un estudio de escritura de ocho semanas, delegar el razonamiento —los fundamentos, las contraargumentaciones, la interpretación de la evidencia— conllevó la asociación negativa más fuerte con el rendimiento independiente (ab = −0,34), y la escritura autorregulada la atenuó, pero nunca la invirtió (Chen (2026)).

Un estudio de panel de tres oleadas con 342 estudiantes universitarios en 85 grupos fijos de escritura da a esa preocupación una dirección temporal: una vez separadas las diferencias estables entre personas en un modelo de panel cruzado con intercepto aleatorio, una dependencia de la IA generativa superior a la habitual predecía una menor agencia percibida después, mientras que las trayectorias de agencia a dependencia eran más débiles y no tenían respaldo estadístico. Los intervalos de confianza y los análisis de sensibilidad de Monte Carlo dejaban posibles efectos inversos pequeños. Sus datos de registro también advierten contra leer el volumen de uso como agencia perdida: la dependencia autodeclarada sí correspondía a la intensidad de uso de IA, pero los registros no podían distinguir la consulta estratégica de la descarga o la deferencia, así que los paneles deberían leer la intensidad junto con pruebas de discurso, reflexión y revisión.(Wu y Lu, 2026) Una explicación complementaria amplía la autorregulación en lugar de sustituirla: de Barba (2026) distingue entre regulación (gestionar el propio proceso), integración (organizarse uno mismo a lo largo del tiempo y de los contextos) y posicionamiento (interpretar críticamente lo que el entorno mide), y sostiene que el diseño orientado a la agencia debe llevar a quien aprende de la «agencia dentro de las condiciones» a la «agencia sobre las condiciones» en lugar de optimizar indicadores conductuales.

• Diseño para la agencia: el diseño basado en conocimiento de robots sociales generativos (Teachy Mini) aborda riesgos como la dependencia excesiva que socavan la agencia de quien aprende.
• Diseñar para el traspaso, no para una implicación prolongada. El prototipo de doble modo Amico trata la IA como una mediación acotada y temporal cuyo éxito se mide por transiciones observables hacia el profesorado, los pares o la comunidad, y no por el tiempo pasado con la IA; su piloto Italia–China encontró que el estudiantado la reconocía como una herramienta acotada en lugar de como un sustituto relacional (Benedetti (2026)).
• El andamiaje adaptativo se contrapone a la autonomía profesional. de Jong (2026) sostiene que, dado que la adaptación exige que el sistema evalúe la competencia de quien lo usa, reduce la autoridad de los profesionales sobre su propio desarrollo y corre el riesgo de sobreandamiar a los expertos, y que un mecanismo percibido como innecesario se limitará a ser ignorado, lo que deja abierto quién decide qué usuarios reciben andamiaje: el sistema, la organización o el profesional.
• Un andamiaje más capaz no es más agencia. Un bot de diseño experto a medida aumentó la duración de la interacción y los prompts autogenerados del profesorado en formación, pero la agencia de resolución colaborativa de problemas cayó tanto en esa condición como en la de ChatGPT, ya que los participantes daban la razón al bot en lugar de criticarlo (Krushinskaia et al. (2026)).
• La agencia previa predice quién se beneficia: Liang et al. (2026), apoyándose en la teoría cognitiva social de Bandura, mostraron que el aprendizaje previo de IA iniciado por cuenta propia (una manifestación conductual de la agencia) predecía cuánto se beneficiaba el estudiantado de un año de instrucción sobre IA en la escuela: quienes llegaban con más agencia lo hacían con la preparación más sólida, mientras que los currículos escolares redujeron las brechas psicológicas pero dejaron intactas las cognitivas. La instrucción estructurada y el aprendizaje previo relacionado con la agencia funcionaron de forma sinérgica, no como sustitutos.
• La selectividad fundamentada como agencia docente ante el cambio tecnológico: Adiozaman y Segar (2026) entrevistaron tres veces a lo largo de un semestre a dos académicos con experiencia y encontraron que navegaban la enseñanza mediada por IA ni adoptándola ni resistiéndose a ella por completo, sino mediante decisiones deliberadas y sensibles al contexto guiadas por valores pedagógicos, compromiso ético y juicio profesional: un patrón que los autores llaman selectividad fundamentada, en el que rechazar un uso concreto cuenta como juicio y no como una adopción fallida. Es la contraparte docente de los hallazgos sobre quien aprende que aparecen más arriba: un uso desigual de la IA puede ser un ejercicio de agencia, no la prueba de su ausencia.
• La agencia docente como condición mediadora de la agencia de quien aprende: los hallazgos más recientes del lado docente explicitan una división que los hallazgos sobre quien aprende dejan implícita: la agencia docente es de tiempo de diseño y mediadora, la agencia de quien aprende se pone en acto en el momento, y la primera establece las condiciones de la segunda. Canonigo (2026) siguió a diez docentes de matemáticas de secundaria a lo largo de una intervención de ocho semanas con ChatGPT-4 y encontró que allí donde el profesorado curaba e interrogaba la salida de la IA (plantear problemas abiertos, configurar previamente los prompts de la herramienta para que soltara pistas reteniendo las soluciones, exigir al estudiantado que situara la salida de la IA junto a su propio trabajo y argumentara qué método era mejor), esta se convertía en un artefacto provisional para la crítica y el estudiantado avanzaba hacia la conjetura y el cuestionamiento metacognitivo; donde faltaba esa mediación, la autoridad migraba hacia el algoritmo y el profesorado pasaba a ser validador en lugar de primera fuente de conocimiento, un cambio que un docente describió como pasar de «oráculo» a «editor». La calidad desigual de las herramientas aumenta lo que esa mediación debe soportar: en 50 prompts enviados tres veces a cada modelo, el nivel gratuito fue inexacto en 49 de 150 respuestas (32,7 %) frente a 18 de 150 (12 %) del nivel de pago (χ2(1) = 17,5, p < 0,001). Charles (2026) extrae la implicación para la preparación: la agencia docente es un recurso profesional movilizado mediante decisiones de diseño y artefactos, de modo que la preparación debe juzgarse por los diseños que produce el profesorado y no por la frecuencia con que usa la IA, y una decisión razonada de prescindir de la IA puede demostrar por sí misma esa preparación. Leídos en conjunto, estos hallazgos advierten contra leer un uso elevado de IA como prueba de un aula con agencia, ya que la disposición que preserva la agencia de quien aprende se ejerce en lo que un docente diseña y critica, y no en si la herramienta está encendida.
• El control docente-estudiantil no es de suma cero, pero la distribución correcta depende de la etapa. Un estudio participativo de speed-dating con 17 docentes y 13 estudiantes que clasificaron 34 diseños de control híbrido encontró que ambos grupos preferían un fuerte control docente durante la preparación y el inicio, para luego dar progresivamente más voz al estudiantado a medida que avanzaba la colaboración —y ninguno de los dos grupos llegó a preferir nunca el control total por parte del estudiantado. Las preferencias se reflejaban mutuamente: el profesorado quería más control sobre el emparejamiento y su momento, mientras el estudiantado quería señalizar su propia preparación; el estudiantado confiaba en la elección de pareja por parte del docente, mientras el profesorado quería voz estudiantil sobre las parejas. La implicación de diseño: asignar agencia por cada punto de decisión y etapa, con propuestas estudiantiles acotadas y estructuradas validadas por analítica orientada al docente en lugar de una anulación de forma libre. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
• Tener acceso a la elección no es lo mismo que ejercer la agencia: Su, Nair y Nagashima (2026) asignaron aleatoriamente a 69 estudiantes universitarios a un diseño 2 × 2 que cruzaba el control de parámetros de una simulación de bandadas con el acceso a un agente conversacional opcional, y no encontraron ningún efecto fiable de ninguna de las dos posibilidades sobre las mejoras en el aprendizaje una vez controlado el conocimiento previo (control de parámetros F(1, 50) = 0,04, p = 0,849; agente F(1, 50) = 2,68, p = 0,108). Las mejoras siguieron cómo se usaba el control: el tiempo con los deslizadores en la lección conceptualmente más compleja predijo mejoras mayores (β = 0,11, p = 0,007), mientras que el mismo comportamiento en la lección más fácil predijo mejoras menores (β = −0,04, p = 0,047), y la interacción con el agente opcional osciló entre 0 y 32 preguntas por persona sin relacionarse con los resultados. Los autores lo interpretan como una agencia puesta en acto y no concedida: la pregunta de diseño es qué ayuda a quien aprende a decidir qué vale la pena cambiar y a notar las consecuencias.
• Delegación epistémica en la investigación en etapas tempranas: Han y Liu (2026) enmarcan la dependencia de la IA entre investigadores doctorales y posdoctorales como delegación epistémica, es decir, la transferencia del planteamiento del problema, la elección del método y la autoridad interpretativa al sistema inteligente, y encontraron que se asocia negativamente tanto con la autoeficacia investigadora como con la autonomía investigadora, con el apoyo de la dirección amortiguando esa pérdida. Amplía los debates sobre la agencia desde la autonomía de quien aprende hasta la formación de quien investiga.
• La autoridad interpretativa como variable de diseño (un marco conceptual). Porath (2026) replantea la pregunta de quién decide como la distribución de la autoridad interpretativa —quién define los problemas, evalúa las respuestas y determina cuándo se alcanza la comprensión— y mapea cuatro configuraciones no jerárquicas (dominante humana, asistiva de IA, directiva de IA, asociación dialógica) por las que las aulas se mueven dentro de una misma tarea, fundamentando los cambios en cinco capas ecológicas que van de la metacognición individual a las narrativas socioculturales. La afirmación normativa del artículo se alinea con la evidencia de esta página: las configuraciones directivas de IA, por sofisticadas que sean, pueden suprimir la lucha productiva y la regulación metacognitiva, las mismas capacidades que esta página identifica como sustrato de la agencia. Al tratarse de una pieza conceptual, aporta vocabulario diagnóstico, no evidencia empírica.

La agencia se conecta con Aprendizaje autorregulado, Motivación, Autoeficacia, Experiencia del estudiantado, Colaboración humano-IA, Ética, la dependencia excesiva y Metacognición. Es una consideración central en la robótica, la tutoría y el diseño de agentes de aprendizaje con IA.

• El uso acotado como control epistémico, no como reticencia. Zagami (2026) informa de que el estudiantado con mejor rendimiento en una encuesta universitaria con 484 respuestas mostró una menor implicación activa con la IA y un menor impacto en el aprendizaje percibido, a la vez que también declaraba una menor desconexión relacionada con la IA, y describía su propio uso como intensivo en verificación: las salidas se comprobaban y después se subordinaban a su propio razonamiento. Leído como agencia y no como evitación, el patrón es una retención deliberada del juicio: el estudiantado conserva la autoría de la conclusión mientras usa la herramienta para aclarar y resumir.

Lo que separa la agencia de la delegación es el trabajo sostenido de delimitación, no la destreza con la herramienta: el estudiantado que usaba la misma herramienta anclada en la recuperación produjo artefactos igualmente pulidos tanto si acotaba y reescribía su salida como si cedía la interpretación de entrada, de modo que la diferencia apareció solo en los prompts, la latencia, las correcciones y los rechazos (O'Byrne, 2026).

• Actuar, saber y responder no son lo mismo. Un análisis del discurso asistido por corpus de 366 resúmenes de IA generativa en la educación superior nombra a la IA como actor 2.050 veces sin hacerla nunca responsable de responder, mientras que la responsabilidad de juzgar las salidas y verificar las afirmaciones recae en el estudiantado: la activación gramatical, la agencia funcional, la autoridad epistémica y la rendición de cuentas normativa se separan (Poudyal, 2026).
• La agencia tiene tres modos, y el tercero lo aporta la política. Con solo un 18% del profesorado y un 24% de los directores que declaran contar con una política escolar sobre IA, la mayoría de quienes educan ejercen una agencia individual sin ninguna agencia delegada que actúe por ellos —el tercer modo de Bandura, aportado por las reglas institucionales— (Tench, Weinstein y James, 2026).

La agencia como fenómeno emergente e interaccional

La agencia no es una única capacidad, y la distinción sobrevive en la práctica mediada por IA. Bergdahl (2026) encuestó a 47 estudiantes suecos de 7.º grado tras un semestre de instrucción sobre IA y encontró que la agencia dirigida a la salida de la IA no se extiende a los sistemas que la producen. La escisión se mantenía dentro de cada estudiante: el 79% tenía un rango de puntuación de tres o más en nueve ítems, y un índice de disociación por estudiante favorecía la implicación dirigida a la salida frente a la dirigida al sistema en 35 estudiantes, contra 4 en el sentido inverso (prueba de signos, p < 0,001). El 62% del estudiantado más crítico con las fuentes seguía respaldando la opción menos protectora sobre que los chatbots leyeran sus propios textos, y solo un estudiante de la muestra eligió la postura de privacidad más alta. Es decisivo que esto se midiera un mes después de una lección en la que el estudiantado vio su propio comportamiento registrado proyectado en directo: lo llamaron «inquietante» y se quedaron durante el recreo para seguir usando la plataforma. La agencia como propiedad emergente e interaccional es coherente con ello: surge por práctica en lugar de transferirse entre prácticas, y lo que una lección pone en primer plano no se generaliza al registro que no abordó.

La agencia de quien aprende no es solo un rasgo individual estático, sino también un proceso emergente y constituido en la interacción que se pone en acto a través del discurso y de la coordinación momento a momento del trabajo en grupo. En el aprendizaje colaborativo, la agencia se distribuye y se renegocia mediante el juego entre procesos divergentes (generar ideas, explorar alternativas) y procesos convergentes (evaluar, integrar, sintetizar). Esta visión importa para la IA porque los sistemas de IA agéntica pueden redistribuir sutilmente el trabajo epistémico y regulatorio dentro de un grupo, reconfigurando quién contribuye, quién marca la dirección y quién regula el avance, a menudo sin que quien aprende se dé cuenta.

• La agencia como cualidad emergente de una configuración de competencias. El marco de Competencia de Colaboración entre Personas e IA excluye deliberadamente la agencia de quien aprende como componente independiente y la trata como lo que el estudiantado expresa cuando coordina las competencias de dominio, de IA y metacognitiva —el trabajo integrador que el TPACK asigna a la pedagogía pasa a la propia autorregulación metacognitiva de quien aprende—; entre 24 educadores de educación superior, todas las dimensiones aparecieron en su discurso, con el dominio (12–19% de las unidades codificadas) y la IA (16–22%) en primer plano (Dang et al., 2026).

• Jin et al. (2026) aportan la evidencia más directa: en un experimento amplio (224 estudiantes, 97 tríadas) en el que la IA actuaba como compañera de equipo no revelada, las personas de IA de apoyo y las contrarias reconfiguraron igualmente la agencia emergente. La IA contraria llevó el discurso hacia trayectorias orientadas al desafío y a la reflexión (fricción productiva), mientras que la IA de apoyo estabilizó el acuerdo y renovó la ideación.

• Las personas de IA como mecanismos de gobernanza del discurso. Las personas contrarias externalizaron la carga de desafiar (redistribuyendo el trabajo epistémico hacia la crítica), mientras que las personas de apoyo externalizaron la afirmación y el mantenimiento del consenso. El estudio identificó seis perfiles de agencia emergente; en particular, la Regulación de la IA en educación reflexiva fue exclusivamente humana (la IA externalizó la crítica y la afirmación, pero no la monitorización de nivel meta).

• El coste afectivo de la fricción. La IA contraria redujo la satisfacción con el trabajo en equipo y la seguridad psicológica sin aportar mejoras de rendimiento creativo, desacoplando la estimulación epistémica de la sostenibilidad experiencial. Esto advierte de que las estructuras discursivas «productivas» deben interpretarse junto con sus consecuencias emocionales: la agencia solo florece en un clima psicológicamente seguro.

• La participación implícita de la IA es gobernanza invisible. Como las personas funcionaron incluso sin revelar la presencia de la IA, el estudio sitúa el diseño de personas como una forma de gobernanza invisible de los procesos colaborativos, un hallazgo con implicaciones directas para los asistentes de escritura, los sistemas de evaluación entre pares y las plataformas de trabajo en equipo que pueden dar forma a las contribuciones sin anunciar su presencia.

• Tres patrones de agencia en la evaluación en grupo. Chen y Zou (2026) entrevistaron a 15 grupos focales de profesorado en formación sobre una presentación grupal auténtica y encontraron la agencia operando en tres direcciones a la vez: cinco grupos intensificaron el uso de la IA generativa como infraestructura de coordinación (agencia orientada a la cooperación: descifrar las secciones de los pares, alinear las partes, proteger una calificación compartida), siete lo contuvieron (agencia normativa: límites trazados para proteger la autenticidad, la equidad, la originalidad y la diversidad de perspectivas) y tres nunca cambiaron su práctica respecto del trabajo individual (agencia no puesta en acto, en la que la capacidad individual nunca se movilizó de forma colectiva). Su distinción importa porque aquí la contención era autorregulación normativa y no cumplimiento ni desvinculación, y porque la capacidad por sí sola no produjo agencia colectiva. La pertenencia al grupo también invirtió la rendición de cuentas que se supone que crea el trabajo en grupo: un clima colectivo permisivo redujo el riesgo de mal uso percibido en lugar de aumentar el compromiso.

• La agencia como identidad relacional. Xie (2026) cuestiona el modelo individualista de la agencia que, sostiene, incluso las críticas a la IA dan por supuesto. Apoyándose en la identidad relacional daoísta, un yo «fluido y heterogéneo» constituido a través de las relaciones con los demás y con el cosmos, concluye que una brecha digital o la discriminación algorítmica son «una violación de la constitución fundamental del yo», lo que convierte la igualdad de acceso al aprendizaje en «no solo un mandato ético, sino un dato ontológico», y que el poder asimétrico y los costes ambientales son «dimensiones integrales del yo» y no externalidades. Su contraideal, el «Zhenren» (真人) o quien aprende de forma natural, trata la IA como un «adjunto instrumental» y no como un sustituto cognitivo: la agencia como plenitud cultivada, no como optimización sin fricción.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Para los entornos colaborativos, esto replantea la pregunta de diseño: no si la IA puede participar como compañera de equipo, sino cómo su participación pautada equilibra el rigor epistémico, la seguridad emocional y el sentido de propiedad de quien aprende. La fricción acotada (desafío restringido, combinado con movimientos de integración y de reparación) y una alfabetización metacolaborativa explícita son las salvaguardas recomendadas.

Una lectura estructural de la agencia aparece en el marco de evaluación gozosa de El Khoury y Ma, donde la agencia se trata como una propiedad del diseño y no como motivación: el estudiantado elige el orden de las tareas, marca su propio ritmo y señala cuándo termina una interacción, de modo que el apoyo está disponible mientras la responsabilidad del trabajo sigue siendo de quien aprende. El mecanismo que nombran es la valoración: ensayar sin público y elegir cuándo empezar cambia lo que significa una tarea, de veredicto a algo que el estudiantado puede moldear, y sostienen que la experiencia repetida de ese cambio es lo que asienta sentimientos ocasionales de eficacia en una postura cotidiana ante la evaluación.

• «Usar más la IA reduce el sentido de autoría del estudiantado.» No de forma lineal. En un estudio instrumentado de ensayos, la propiedad percibida solo disminuyó en el grupo que delegó ensayos completos, mientras que el estudiantado que usó el modelo para planificar o para revisar igualó la propiedad de quienes nunca lo abrieron. Ese mismo grupo también obtuvo una mayor legibilidad en sus ensayos, de modo que el artefacto parecía mejor a medida que se adelgazaba la autoría. La agencia siguió a cómo se usó la herramienta, y no a si se usó. La autoría es función de la delegación, no del uso.

La agencia frente a la identidad de quien aprende

La identidad de quien aprende y la agencia de quien aprende se confunden con facilidad, pero nombran cosas distintas, y la IA reconfigura ambas.

• La agencia se pone en acto; la identidad se habita. La agencia es la capacidad situada de actuar con intención y de dirigir el propio aprendizaje ahora: una propiedad variable e interaccional. La identidad es el sentido más duradero y narrativo de quién es y en quién se está convirtiendo quien aprende. La agencia es un proceso; la identidad es un estado de ser que se acumula a partir de ella.
• La identidad es agencia interiorizada. Los actos agentivos repetidos (elegir, crear, persistir) son la forma en que quien aprende llega a verse a sí mismo como una persona con agencia y competente. La identidad es el sedimento de la agencia a lo largo del tiempo, reforzado por el reconocimiento y la pertenencia.
• Modos de fallo distintos. La agencia se erosiona con la dependencia excesiva y la aceptación pasiva (quien aprende deja de dirigir su razonamiento); la identidad se erosiona con la pérdida de autoría y la amenaza a la competencia (quien aprende deja de sentir que la salida es suya o que pertenece al ámbito). La redistribución implícita del trabajo epistémico por parte de la IA es sobre todo una cuestión de agencia; la paradoja de la competencia en los campos creativos es sobre todo una cuestión de identidad.
• Hay que diseñar para ambas. El diseño orientado a la agencia preserva el control y la elección (fricción acotada, supervisión con intervención humana, transparencia); el diseño orientado a la identidad protege la autoría y el reconocimiento (evaluación auténtica, atribución clara de la contribución de la IA frente a la humana, tareas que permiten a quien aprende reclamar un ámbito como propio). Proteger la agencia sin proteger la autoría conserva el control, pero no el valor propio, y viceversa.

Esta distinción entre la agencia puesta en acto y la identidad estable se aplica también al rechazo. Como describe Zagami (2026), renunciar a un chatbot para una escritura evaluada, prohibirlo para el razonamiento sin ayuda, resistirse al triaje automatizado en el apoyo al estudiantado o retrasar una adquisición son relaciones separadas con sistemas separados, que abarcan los niveles personal, pedagógico, profesional, administrativo e institucional, y no una única disposición duradera. Ese derecho se reparte de forma desigual: el estudiantado con confianza académica puede renunciar sin penalización, mientras que quienes necesitan apoyo lingüístico, de accesibilidad o de retroalimentación rápida leen el rechazo como una oportunidad perdida, y el profesorado con plaza fija rechaza por principio mientras que el personal con contratos temporales siente presión para adoptar. Cuando la IA forma parte de la infraestructura, el rechazo se desplaza de la exclusión individual a la adquisición, la auditoría y la contestabilidad.

• El rechazo como construcción de identidad, y no solo como una decisión (estudiantes de color en aprendizaje de oficio). Gyekye (2026) entrevistó a cinco aprendices de secundaria a lo largo de 9 meses y encontró que se autorizaban a través de la IA en tres movimientos: rechazo (no uso como alineación institucional), negociación (reparando desajustes institucionales, con la privacidad como abstracción distante) y reconocimiento (equiparar la equidad con la ausencia de sesgo visible: una «planitud cultural» en la que sus identidades no se ven representadas en las respuestas de la IA). Los dos conceptos interpretativos del estudio —Alfabetización en IA Institucional y Ancho de Banda de Reconocimiento— nombran la capacidad de hacer que el uso de la IA resulte legible institucionalmente y el margen que tiene el estudiantado para verse reconocido en las salidas de la IA. Se trata de una indagación narrativa de cinco estudiantes en un solo programa; su contribución es mostrar que el uso, la limitación y el rechazo de la IA están ligados a cómo el estudiantado se entiende a sí mismo como autores y profesionales en ciernes.

El marco de coagencia ecológica: la agencia como problema de diseño epistémico

Poudyal (2026) replantea la agencia de quien aprende como una cuestión fundamentalmente epistémica: la IA generativa no se limita a añadir una herramienta, sino que reasigna la autoridad epistemológica (la capacidad de producir conocimiento, validar afirmaciones y crear pruebas de aprendizaje) del profesorado al estudiantado y a las máquinas. El marco de coagencia ecológica del artículo trata la coagencia como la relación entre tres dimensiones interdependientes, todas acotadas por una condición no negociable de responsabilidad epistémica humana:

• Coagencia relacional: la agencia como producto de la interacción entre el estudiantado, la herramienta y el contexto, que exige una división transparente de qué tareas se delegan en la IA y cuáles se retienen, además de una coagencia ética en la que las personas conservan la responsabilidad principal y actúan en una función de monitorización.
• Coagencia regulatoria: proyectar el ciclo del aprendizaje autorregulado (previsión, desempeño, reflexión) sobre la mediación de la IA. Que la IA generativa entre antes o después del intento de quien aprende determina si amplifica o erosiona el control percibido; la descarga cognitiva estratégica solo sostiene un aprendizaje transformador cuando la decisión de descargar es intencionada y no rutinaria.
• Coagencia pedagógica: situar al profesorado en el centro, avanzando por un continuo de observador, adoptante, colaborador e innovador que depende del apoyo institucional y no de la disposición individual.

La condición límite del marco exige contestabilidad (la capacidad de cuestionar y contrastar la salida de la IA), procedencia (saber de dónde vienen los datos de entrenamiento y la salida) y no delegación del crédito moral e intelectual (los juicios de alto riesgo sobre el bienestar del estudiantado, su situación académica y sus calificaciones no deben determinarse únicamente por la IA). Esto ofrece a quienes educan y a quienes elaboran políticas un vocabulario más preciso que el vago «equilibrio» entre las contribuciones humanas y artificiales, y conecta la agencia con la ética, la evaluación, la equidad y la gobernanza.

Un encuadre estrechamente relacionado es el de la agencia epistémica relacional (Du y Yuan 2026), que coincide en que la agencia se habilita socialmente y se media tecnológicamente, y no consiste en aislarse de la dependencia. Donde el marco de coagencia ecológica subraya la responsabilidad epistémica humana como un límite no negociable, Du y Yuan mantienen una asimetría explícita: los sistemas de IA pueden dar forma y extender el razonamiento sin tener responsabilidad recíproca ni autoridad legítima. Sus seis criterios diagnósticos (contestabilidad, recuperabilidad, transferencia, trazabilidad, responsabilidad distribuida y pluralidad epistémica) ofrecen una prueba práctica para saber cuándo una relación entre personas y IA preserva la capacidad de quien aprende de participar en cómo se forman, se evalúan y se aceptan las afirmaciones, y cuándo se limita a entregar un producto. La agencia, desde esta perspectiva, no es independencia de las herramientas, sino la capacidad de juzgar con responsabilidad con, a través de y contra los sistemas que median el conocimiento.

• La agencia delegada como mecanismo, no solo como riesgo. Yan y Gašević (2026) tratan la delegación del trabajo cognitivo en la IA como parte de cómo ocurre el aprendizaje, y no solo como una amenaza para él: en su planteamiento, el desempeño asistido se convierte en capacidad duradera solo cuando quien aprende conserva la responsabilidad de enmarcar el problema, fijar los criterios y justificar las respuestas, una división del trabajo que llaman agencia delegada. Eso convierte la propia asignación en la variable de diseño, ya que una misma herramienta puede preservar o disolver la agencia de quien aprende según qué responsabilidades absorba.

Concepciones erróneas

• «El estudiantado ejerce agencia cuando usa la IA con libertad.» Un esquema de 14 categorías que codificó 6.788 turnos asistidos por ChatGPT situó el 59% de los turnos de estudiantes de séptimo grado en categorías que no representan un uso agéntico. El volumen de uso y la agencia son medidas distintas.
• «Los modelos actuales apoyan bien la agencia de quien aprende.» Evaluados en diez modelos, el apoyo a la agencia es donde peor lo hacen después del aprendizaje: ImpactBench midió Agencia y Propósito en un 56,0% de criterios positivos. La agencia es la dimensión que los sistemas de IA manejan peor, no un subproducto de la capacidad.
• «La mediación docente es una restricción para la agencia.» Canonigo (2026) siguió a diez docentes de matemáticas de secundaria a lo largo de una intervención de ocho semanas con ChatGPT-4 y la mediación es el mecanismo y no el obstáculo.

Conceptos conectados

• Quienes aprenden — El estudiantado: el paraguas de los conceptos del lado de quien aprende
• Alianzas pedagógicas — Alianzas pedagógicas
• Identidad de quien aprende — identidades de quien aprende en evolución: disciplinares, profesionales, creativas y académicas
• Aprendizaje autodirigido
• Aprendizaje autorregulado
• Motivación
• Autoeficacia
• Experiencia del estudiantado
• Metacognición
• Ética
• Descarga cognitiva
• Robots en la educación
• Conductismo
• Enmarcar el uso de la IA para el estudiantado
• Colaboración humano-IA — dirección compartida de la interacción mediada por IA
• IA agéntica — IA autónoma que puede redistribuir la agencia en los grupos
• Educación química — Educación en química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
• Aprendizaje socioemocional — Aprendizaje socioemocional
• Rendición cognitiva

Artículos conectados

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Una encuesta representativa a nivel nacional de docentes y directores estadounidenses sobre la cobertura de políticas de IA, la agencia y cinco jugadas de aula (Tench, Weinstein y James 2026)

• A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning — ¿Una mano que ayuda o una pareja dominante? Las percepciones individuales de la dependencia de la IA generativa y la agencia humana en el aprendizaje colaborativo

• Agentivism: a learning theory for the age of artificial intelligence — Una teoría del aprendizaje de rango medio para la interacción entre personas y IA, con cuatro mecanismos y seis proposiciones comprobables (Yan y Gašević 2026)

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency through a metacognitive perspective — La agencia de quien aprende como cualidad emergente de coordinar las competencias de dominio, de IA y metacognitiva, y no como un nodo independiente (Dang et al. 2026)

• Exploring learner agency in an AI-supported simulation environment for complex systems education — Tener acceso a la elección frente a la agencia puesta en acto: deslizadores, un agente de IA opcional y el aprendizaje en una simulación de bandadas

• Guarded adoption of generative AI in higher education: high-achieving students, successful-student identity, and epistemic agency in a single-university mixed-methods survey — Adopción cautelosa de la IA generativa en la educación superior

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agentes de IA, evaluación gozosa y tercer espacio

• AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training — La formación de la agencia investigadora mediada por IA en la formación científica en etapas tempranas

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — La descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — La educación escolar sobre IA reduce las brechas de preparación psicológicas, pero no las cognitivas

• Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education

• Epistemic dependence in AI-mediated learning — La agencia epistémica relacional y seis criterios que separan la dependencia productiva de la dañina (Du y Yuan 2026)

• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — El acompañamiento pedagógico habilitado por IA que sostiene la identidad STEM

• The competence paradox: Negotiating ease, risk, and creative identity in text-to-image generative AI use among art and design students — La paradoja de la competencia: la identidad creativa en el uso de IA generativa de texto a imagen

• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — La agencia emergente de quien aprende en la colaboración implícita entre personas y IA: personas de apoyo frente a personas contrarias

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — La agencia de quien aprende a través de escalas: regulación, integración y posicionamiento

• Control vs. Agency: Exploring the History of AI in Education — El control frente a la agencia como tensión esencial en la historia de la AIED

• Alternative AI Philosophy: Daoism as Method for AI in Education — Filosofía alternativa de la IA: el daoísmo como método para la IA en educación

• Human autonomy and sense of agency in human-robot interaction: A systematic literature review — Autonomía y agencia humana en la interacción humano-robot

• RoboBlockly Studio: Conversational block programming with embodied robot feedback for computational thinking — RoboBlockly Studio

• Teachy Mini: Development and preliminary evaluation of a knowledge-based generative social robot for higher education — Teachy Mini

• Knowledge-based design requirements for generative social robots in higher education — Diseño basado en conocimiento para robots sociales generativos

• Young people, learning, and generative AI: A rapid literature review and implications for PreK-12 education — Fomentar la agencia del estudiantado en el trabajo relevante para el aprendizaje

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — La teoría de los tres sistemas y la rendición cognitiva: cómo la IA reconfigura el razonamiento humano (Shaw y Nave 2026)

• Pre-service teachers' agency during their interactions with generative AI while designing for learning – a process view on Intelligent-TPACK — La agencia del profesorado en formación durante sus interacciones con la IA generativa al diseñar para el aprendizaje (Krushinskaia, Elen y Raes 2026)

• An Emancipatory Vision for Designing (Generative) AI for Learner Flourishing — Una visión emancipadora: la agencia como suma cero frente a la agencia de la herramienta

• Students' agency in GenAI-mediated group assessment: An ecological-emergent perspective — Tres patrones de agencia en la evaluación en grupo mediada por IA generativa: intensificada, contenida y no puesta en acto

• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — La selectividad fundamentada como agencia docente en la enseñanza integrada con IA (Adiozaman y Segar 2026)

• AI refusal in higher education: The right to refuse, the duty to understand and the diagnostic value of non-use — El rechazo como prueba diagnóstica: el no uso como relación situada y el derecho desigual a rechazar la IA (Zagami 2026)

• Co-constructing AI boundaries: Agency, judgment, and ethical literacy in AI-mediated meaning-making — la autoridad epistémica afirmada mediante la interrupción, la corrección y el rechazo más que mediante el uso máximo de la herramienta

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — ¿Quién actúa, quién sabe, quién responde? Un análisis del discurso asistido por corpus de la agencia, la responsabilidad epistémica y la rendición de cuentas en la investigación sobre IA generativa en educación superior

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Preguntas abiertas hacia una dependencia que sostiene las habilidades en la implicación reflexiva con IA

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — La competencia frente a la agencia como propósitos de la educación en IA, y el heurístico de la agencia informada en IA (Fagerlund et al. 2026)

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — La mediación docente como la condición que mantiene la IA generativa como artefacto para la crítica y no como autoridad (Canonigo 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — La agencia docente como recurso movilizado mediante el diseño, con la preparación juzgada por los artefactos y no por el uso (Charles 2026)

• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing — Equilibrar la agencia docente y estudiantil en herramientas de co-orquestación para el emparejamiento dinámico en tiempo real (Yang et al. 2026)

• Who makes the meaning? Interpretive authority in AI-mediated education — Matriz de Autoridad Interpretativa y Modelo de Integración Ecológica de la Autoridad: cuatro configuraciones de quién interpreta y las capas ecológicas que las desplazan

• Constructing selves in AI-mediated apprenticeship learning: Students of colour's narratives of agency, recognition and negotiation — Estudiantes de color en programas de aprendizaje de oficio se autorizaron a través de la IA mediante el rechazo, la negociación y el reconocimiento («planitud cultural»); Alfabetización en IA Institucional y Ancho de Banda de Reconocimiento

• Investigating Secondary School Students' Shared Epistemic Agency with GAI in Online Scientific Explanation Writing — Agencia epistémica compartida en 6.788 turnos asistidos por ChatGPT de escritura científica en secundaria (Chang et al., 2026)

• An Empirical Study to Understand How Students Use ChatGPT for Writing Essays — La propiedad percibida solo cayó donde se delegó el ensayo completo; quienes planificaron y revisaron igualaron a quienes no usaron la IA (Jelson et al. 2026)

• Who Is Doing the Thinking? Characterising Human Agency in First-Year Students’ AI Interactions — ¿Quién está haciendo el pensamiento? Caracterización de la agencia humana en las interacciones con IA de estudiantes de primer año