En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

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

Plataforma edtech — los sistemas digitales, los sistemas de gestión del aprendizaje (LMS), los sistemas de tutoría y los entornos de aprendizaje en línea a través de los cuales la IA llega a quienes aprenden y a quienes enseñan. En la IA en la educación, la plataforma es la capa de infraestructura que determina si una capacidad de IA llega al estudiantado, cómo se despliega (abierta o propietaria, integrada o independiente) y quién puede acceder a ella, adaptarla y evaluarla. La investigación examina las plataformas desde varios ángulos: su diseño, sus restricciones de adopción y de implicación, su gobernanza institucional y sus implicaciones de equidad.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring) (OATutor: An open-source adaptive tutoring system and curated content library for learning sciences research)

Preguntas para reflexionar

  • Piense en la última herramienta de tutoría o de retroalimentación con IA con la que se topó. Ahora piense dónde «vivía» en realidad: el LMS, la plataforma o la aplicación que la empaquetaba. ¿Ese contenedor le parece un vehículo de entrega neutro, o sus decisiones de diseño (abierta o propietaria, integrada o independiente, en la nube o local) podrían haber cambiado lo que usted podía hacer con él?
  • Un estudio encontró que casi la mitad del estudiantado nunca usó una plataforma de tutoría con IA bien diseñada, y que el uso intensivo se inclinaba hacia el estudiantado de mayor rendimiento. Si una herramienta es eficaz «en principio» pero el estudiantado no la usa, ¿el problema real es la capacidad o la plataforma? ¿Qué significaría eso para cómo evalúa usted la tecnología educativa?
  • Las plataformas de IA propietarias pueden confinar a quien investiga a un puñado de sistemas cerrados, mientras que plataformas abiertas como OATutor permiten a cualquiera bifurcar, experimentar y publicar. ¿Qué podría perderse —para la investigación, la equidad y la autonomía institucional— cuando la educación con IA se entrega a través de plataformas cerradas y opacas?
  • ¿Cuánto moldea el aprendizaje que realmente ocurre en una plataforma su modelo de negocio —quién paga, quién es dueño de los datos, qué se optimiza—? ¿Dónde buscaría usted para ver esa influencia?
  • Algunas plataformas nuevas «nativas de IA» sustituyen el modelo MOOC de un vídeo para muchos estudiantes por un aula multiagente construida en torno a cada persona que aprende. Antes de seguir leyendo, ¿qué le preocuparía perder cuando la instrucción pasa a ser uno a uno con agentes en lugar de uno a muchos con docentes?

Introducción

La plataforma se sitúa entre un modelo o una capacidad de IA y quien aprende. Es el contenedor que empaqueta la tutoría, la evaluación, la retroalimentación y la administración en algo utilizable y, de forma decisiva, moldea los resultados de aprendizaje a través de sus decisiones de diseño, su accesibilidad y su modelo de negocio subyacente. El concepto abarca sistemas de gestión del aprendizaje como Moodle, plataformas en línea a gran escala como los MOOC, sistemas dedicados de tutoría inteligente y plataformas de curso emergentes, agénticas o nativas de IA. Nombrar el contenedor no equivale a nombrar a sus autores: la plataforma es el sistema desplegado, mientras que el actor que decide qué hace es quien desarrolla tecnología educativa, lo que importa aquí porque los hallazgos sobre adopción, sesgo de equidad y contratación que siguen son normalmente consecuencias de decisiones de diseño tomadas antes de que la plataforma llegara siquiera a un aula.

Qué hace una plataforma en la IA en la educación

Las plataformas de la IA en la educación desempeñan varias funciones distintas:

Hallazgos clave de la investigación

La adopción, y no la capacidad, es a menudo la restricción vinculante

Una plataforma puede ser eficaz en principio y fracasar en la práctica si quien aprende no la usa. Dos ensayos controlados aleatorizados de una plataforma de tutoría en alfabetización en IA (lectura) encontraron que casi la mitad del estudiantado del grupo de control nunca usó la plataforma y que quienes la usaban promediaban solo 2–5 minutos por semana, muy por debajo de la dosis necesaria para obtener mejoras en lectura. Un tutor de implicación presencial elevó sustancialmente el uso y la implicación, pero aun así no produjo mejoras en el rendimiento, y quienes la usaban se inclinaban hacia el estudiantado de mayor rendimiento, lo que suscita preocupaciones de equidad.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring)

La secuenciación importa tanto como la capacidad: una revisión de más de 100 estudios sobre IA en la educación (2020-2025) sitúa las plataformas de extremo a extremo en la cima de una pila de adopción, y sostiene que las instituciones deberían resolver la evaluación formativa, la capacidad de liderazgo y las normas compartidas antes de comprar las plataformas que las escalan (Raza y Farooq (2025)).

La brecha está en el nivel del mensaje, no en los inicios de sesión: en un ensayo controlado aleatorizado por conglomerados de dos años, el 96% del estudiantado probó Khanmigo, pero el estudiante mediano le envió mensajes en solo el 17% de las sesiones en las que cometió un error, y ~14,5% de los mensajes contenían una pregunta o un paso de razonamiento matemático genuino — a $15 por estudiante al año (Oreopoulos y Low, 2026).

La restricción vinculante es dónde se sitúa la IA dentro de la plataforma: en un ensayo con 6.000 estudiantes de secundaria, el efecto medido provino de puntos de contacto estructurados dentro del entorno de práctica — 2,0 usos de «ayúdame a empezar», 2,3 recorridos posteriores al error y 3,2 explicaciones de pasos por estudiante que alcanzó el dominio — mientras que el acceso a la IA por sí solo aportó poco (Oreopoulos et al. (2026)).

Qué herramientas dice el profesorado que usa, y qué condiciona el acceso

Un censo poco habitual de la elección de plataforma según el profesorado procede de una tipología de 2026 construida a partir de 211 docentes de nueve países. Las herramientas que llegan a las aulas son desproporcionadamente las que tienen un plan gratuito, porque disponer de una versión gratuita públicamente disponible fue un criterio de inclusión, y las entradas más nominadas son asistentes de uso general y generadores de medios, no plataformas creadas a propósito. Aproximadamente la mitad de las cincuenta herramientas listadas producen imágenes, audio, vídeo o presentaciones, mientras que los asistentes fundamentados en documentos (NotebookLM, Elicit, SciSpace, Humata, Research Rabbit) forman el grupo más coherente de la categoría de investigación. Los sistemas dedicados de tutoría aparecen como un grupo pequeño y específico de una materia, y no como el centro del uso declarado, lo que enmarca el problema de adopción anterior en un entorno más amplio, donde una plataforma compite por la atención con herramientas de uso general que el estudiantado y el profesorado ya tienen abiertas.(Typology of Generative AI Tools for Education)

El modelo de plataforma importa: abierta frente a propietaria

  • Las plataformas propietarias crean barreras para la investigación: quien quiere replicar o ampliar experimentos de aprendizaje adaptativo suele quedar confinado a un pequeño número de plataformas cerradas.

  • Las plataformas abiertas rebajan esa barrera. OATutor es el primer sistema de tutoría adaptativa de código abierto construido sobre principios de STI: una base de código con licencia MIT con una biblioteca de contenido de álgebra en Creative Commons, estimación de dominio mediante seguimiento del conocimiento y pruebas A/B integradas, que permite a quien investiga bifurcar, experimentar y publicar el sistema completo de extremo a extremo.(OATutor: An open-source adaptive tutoring system and curated content library for learning sciences research)

  • La transparencia está concentrada al principio. En la misma auditoría de 48 políticas de plataformas, la recogida de datos y la cesión a terceros se declaraban relativamente bien, mientras que la divulgación y la rendición de cuentas específicas de la IA iban por detrás, y 16 de 48 plataformas (el 33%) no hacían ninguna divulgación significativa sobre IA pese a tener funciones de IA visibles (Nair y Greenstadt, 2026).

  • La API del LMS acota lo que una plataforma integrada con un juego puede evaluar. Un piloto de hipergamificación que generaba un mundo jugable a partir de contenido de Blackboard no pudo mostrar preguntas de opción múltiple ni de respuesta abierta, porque los tokens con alcance de estudiante no devolvían contenido de preguntas y no existía ningún endpoint para publicar respuestas en tiempo de ejecución (Yusubov et al., 2026).

  • El aislamiento y el coste son variables de diseño de la plataforma. VISMATIC combina contenedores sin raíz —que, a diferencia de JupyterHub, impiden el movimiento lateral y el compromiso del host— con telemetría de procesos a nivel de API, ejecutando 19 estudiantes y 1.880 eventos registrados en un único nodo Raspberry Pi 5 calificado para 10 a 20 (Arroyo et al. (2026)).

Las plataformas nativas de IA están reconfigurando la educación en línea

El propio paradigma de plataforma está evolucionando. MAIC (Massive AI-empowered Course) sustituye el modelo MOOC de «un vídeo para N estudiantes» por un aula multiagente impulsada por LLM —«N agentes para 1 estudiante»— usando agentes especializados de Docente, Asistente, Compañero de clase y Analizador para ofrecer aprendizaje personalizado y adaptativo a escala, y reduciendo la producción de un curso de ~$25K/60 horas a menos de 2 $/30 minutos.(From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents) De forma similar, los diseños de LMS integrados con IA proponen ir más allá de las plataformas dedicadas solo al flujo de trabajo, hacia un apoyo instruccional en tiempo real con IA acotada por la política, sugerencias formativas, repaso espaciado y paneles para el profesorado.(AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High School and Beyond) En el otro extremo del espectro de despliegue, la IA integrada en el aula debe demostrar su viabilidad en entornos físicos reales. El Community Builder (CoBi) —una plataforma para toda el aula que usa reconocimiento de voz y comprensión del lenguaje para visualizar el discurso colaborativo en grupos pequeños— se desplegó con éxito en aulas ruidosas de secundaria usando micrófonos corrientes y una canalización en la nube escalable, lo que muestra que la infraestructura de IA de voz en tiempo real puede funcionar en entornos auténticos de K-12 incluso cuando los desajustes de interfaz (las vistas del profesorado frente a las del estudiantado sobre si la retroalimentación era de grupo o de clase) generaban fricción en el despliegue.

Funciones de plataforma basadas en intereses y sensibles al contexto

Las plataformas pueden personalizar más allá de los datos de rendimiento. Taklif.AI es una plataforma impulsada por LLM que genera tareas universitarias a partir de los intereses extracurriculares y los contextos culturales del estudiantado, en línea con la pedagogía culturalmente relevante y alejándose de las tareas idénticas para todos hacia una implicación impulsada por los intereses.(Taklif.AI: LLM-powered platform for interest-based personalized college assignments)

Capas creadas a propósito sobre modelos generales

El aporte de la plataforma es a menudo la estructura de la que carece un modelo general. LearnMate^2 envuelve un LLM en planificación del estudio, ayuda en contexto y actividades que responden al rendimiento, y en una comparación con 16 participantes superó a Khan Academy emparejada con Gemini 2.5 Pro tanto en los cuestionarios (M = 13,375 frente a 10,875, p = 0,0126; 7,875 frente a 5,875, p = 0,0012). EduSim-LLM traduce instrucciones en lenguaje natural a comportamiento de robots CoppeliaSim para principiantes, con éxito en el 100% de las tareas simples pero en el 88,9% de las complejas en 108 casos.

Implicaciones para el diseño y la investigación

  1. Diseñe para la adopción, no solo para la capacidad. La eficacia de una plataforma depende de si quien aprende se implica de verdad con ella; las estructuras de apoyo, la incorporación inicial y la programación importan tanto como la propia IA.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring)
  2. Trate la estructura de la plataforma como una palanca de equidad. Quién se beneficia de una plataforma depende del acceso, la infraestructura y las restricciones de implicación, de modo que el diseño de la plataforma debe examinarse con la lente de la equidad.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring)
  3. Prefiera plataformas abiertas y replicables para la investigación. Las plataformas de código abierto como OATutor permiten una investigación reproducible sobre aprendizaje adaptativo y una base de evidencia compartida.(OATutor: An open-source adaptive tutoring system and curated content library for learning sciences research)
  4. Diseñe plataformas nativas de IA con gobernanza y límites. Una arquitectura que priorice la privacidad, la minimización de datos, los registros auditables y el acceso basado en roles son fundamentales a medida que las plataformas se integran con IA, lo que conecta con las preocupaciones sobre privacidad y gobernanza.(AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High School and Beyond) La privacidad puede incorporarse a la canalización en lugar de a la política: un detector de incidentes en el aula entrenado con trayectorias de postura anonimizadas mantiene fuera del sistema las señales faciales y de apariencia de los menores, aunque todos los métodos perdieron precisión en la transferencia de cero ejemplos a aulas reales, donde la mejor precisión del modelo propuesto fue del 63,41% (Parmar et al. (2026)).
  5. Explique las recomendaciones en el lenguaje propio del dominio del profesorado. Las funciones de IA de una plataforma se ganan la confianza y la adopción cuando sus explicaciones son comprensibles y pedagógicamente significativas: en un experimento intrasujeto con una herramienta de recomendación de agrupamientos con IA (GrouPer), Feldman-Maggor et al. (2025) encontraron que las explicaciones guiadas por el dominio y formuladas en el lenguaje curricular aumentaban la comprensibilidad, la confianza y la aceptación del profesorado mucho más que las explicaciones basadas en la importancia bruta de las variables, y que el uso real en el aula seguía siendo decisivo para lograr la aceptación plena.(The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations)
  6. Separe el sistema que produce la evidencia del que la califica. Cuando los agentes pueden completar un curso en nombre de quien aprende, Srivastava (2026) sostiene que una plataforma debe emitir evidencia contemporánea e inspeccionable del razonamiento de quien aprende y no debe ser su único evaluador: el entorno, el emisor y el verificador deberían ser independientes.(Credentials That Carry Their Evidence: Credential design, dynamic tiering, and approved use when AI agents can do the work)
  7. Genere representaciones en tiempo de diseño, no en tiempo de ejecución. Neshaei et al. (2026) sostienen que la adaptación en tiempo de ejecución no puede verificarse a escala y proponen codificar el contenido como tarjetas semánticas agnósticas a la modalidad, a partir de las cuales se generan variantes interactivas, de audio, de texto simplificado y de bajo ancho de banda que el profesorado aprueba antes de su publicación, lo que elimina el coste de inferencia por estudiante, aunque no se informa de ningún prototipo.

Concepciones erróneas

«Si una plataforma es eficaz en principio, el estudiantado la usará.» La capacidad y la adopción son problemas distintos, y la adopción suele ser el que restringe. En un ensayo controlado aleatorizado por conglomerados de dos años, el 96% del estudiantado probó Khanmigo —una adopción casi universal— y, sin embargo, el estudiante mediano le envió mensajes en solo el 17% de las sesiones en las que cometió un error, justo el momento para el que se construyó la herramienta. Una plataforma que registra a la clase no la ha cambiado.

«La adopción se mide por los inicios de sesión.» La brecha informativa está en el nivel del mensaje, no en el de la cuenta. En ese mismo ensayo, solo ~14,5% de los mensajes contenían una pregunta matemática genuina. El noventa y seis por ciento del estudiantado generó el evento de acceso; aproximadamente uno de cada siete de sus interacciones hizo el trabajo intelectual. Informar aquí una cifra de inicios de sesión habría descrito un éxito que no existía.

«Abierto frente a propietario es un detalle de licencia que no afecta a los resultados.» El modelo de plataforma condiciona lo que las instituciones pueden hacer con el sistema: las plataformas abiertas como OATutor —un tutor adaptativo con licencia MIT, una biblioteca de contenido de álgebra en Creative Commons, estimación de dominio mediante seguimiento del conocimiento y pruebas A/B integradas— permiten a un departamento instrumentar y modificar su propia pedagogía, algo que una plataforma cerrada no puede. La licencia determina quién puede realizar el experimento.

«Una plataforma que funciona en una institución funcionará tal como se adopte.» Los efectos de una plataforma pasan por la gobernanza local: una arquitectura que priorice la privacidad, la minimización de datos, los registros auditables y el acceso basado en roles es lo que hace que una plataforma integrada con IA sea desplegable siquiera, y son decisiones institucionales y no funciones que se puedan inferir de una demostración comercial.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Recursos relacionados

  • LESSON.md
    Un formato abierto y de texto plano para lecciones de aprendizaje en línea basadas en bloques, además de una habilidad de agente que escribe lecciones, evaluaciones y paquetes de curso completos en ese formato.
  • LiaScript
    Un dialecto abierto de Markdown que convierte un archivo de texto plano en un curso interactivo en el navegador, con cuestionarios y código ejecutable, además de un agente de enseñanza multiagente para crear cursos con él.
  • OnMicro.AI
    Un constructor sin código que permite al profesorado crear aplicaciones de IA acotadas, publicarlas mediante un enlace, integrarlas en un LMS a través de LTI y ver cómo las usa el estudiantado.
  • teacher.dev
    Un estudio sin ánimo de lucro que publica una aplicación de aula gratuita por cada día de una racha pública de desarrollo, desde generadores de figuras para imprimir hasta un safari de tiempo de calma y un pase de pasillo que funciona en local.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.