Conceptos
Historia de la IA en la educación
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Historia de la IA en la educación — el estudio de cómo la inteligencia artificial y la educación han coevolucionado desde mediados del siglo 20, y de cómo las decisiones conceptuales, terminológicas y de diseño del pasado siguen moldeando los debates actuales sobre la IA en el aprendizaje. En lugar de tratar la IA generativa como una fuerza repentina y sin precedentes, una mirada histórica revela tensiones recurrentes —control frente a agencia, estandarización frente a creatividad, automatización frente a aumento— que han estructurado la IA en la educación desde sus orígenes.
Preguntas para reflexionar
- La IA generativa actual se describe a menudo como una revolución sin precedentes. ¿Cómo podría ese encuadre (el «cronocentrismo») impedirnos ver los patrones recurrentes que hay debajo?
- El campo estuvo a punto de llamarse «cibernética» en lugar de «inteligencia artificial». ¿Cómo podría haber moldeado esa única decisión de nombre el hecho de que veamos las máquinas como inteligencias independientes o como parte de sistemas de retroalimentación interconectados?
- La historia de la IAED es una tensión entre el control (los tutores cognitivos de Anderson, que optimizan la instrucción) y la agencia (el construccionismo de Papert, que empodera a quienes aprenden). ¿Dónde caen sus propias decisiones sobre IA en educación en ese espectro, y por qué?
- La personalización tiene dos significados: variar el camino hacia el mismo resultado, o habilitar resultados diversos y dirigidos por quien aprende. ¿Qué tipo de personalización persigue realmente su institución, y cuál cree que debería perseguir?
- Si los debates actuales sobre IA generativa «reflejan» estas tensiones históricas, ¿qué errores del pasado podríamos estar repitiendo, y qué podríamos evitar recordándolos?
- Las decisiones de diseño técnico incorporan juicios de valor sobre el propósito del aprendizaje. ¿Puede identificar una decisión de diseño en una herramienta de IA educativa que haya usado que favoreciera en silencio la estandarización frente a la agencia de quien aprende, o al contrario?
Introducción
La historia del campo no es una progresión lineal, sino una serie de decisiones contingentes cuyos efectos todavía resuenan. Comprender esta historia protege contra el «cronocentrismo» (el sesgo de tratar los desarrollos actuales como algo singularmente revolucionario), ayuda a evitar repetir errores del pasado y revela cómo las decisiones sobre el encuadre y la terminología —no solo la tecnología— orientan la trayectoria de la IA en la educación.
Hilos históricos clave
De la cibernética a la «inteligencia artificial». Cuando John McCarthy planificó el Proyecto de Investigación de Verano de Dartmouth de 1956, eligió deliberadamente el término inteligencia artificial en lugar de cibernética, en parte para distanciar el campo de Norbert Wiener y de su interés por la retroalimentación analógica. Esa decisión de nombre enmarcó las capacidades de las máquinas en comparación directa con la cognición humana (un encuadre antropomórfico) y orientó durante décadas las prioridades de investigación, la percepción pública y el debate ético. Si el campo hubiera conservado el encuadre cibernético, imagina el artículo, quizá hablaríamos ahora de «sistemas de aprendizaje cibernéticos» que enfatizan la retroalimentación y la interconexión, en lugar de «tutores de IA» que sitúan la máquina como una fuente independiente de inteligencia.
La revolución cognitiva y las raíces de los ITS. Los primeros pioneros —Herbert Simon, Allen Newell, Marvin Minsky, John Anderson— no solo modelaban la cognición; investigaban preguntas fundamentales sobre el aprendizaje y la instrucción. Su trabajo produjo modelos de procesamiento de la información de la cognición humana que se volvieron fundacionales para la psicología educativa, y condujo a los Sistemas de Tutoría Inteligente (ITS), arraigados en los paradigmas de búsqueda heurística y sistemas expertos de la IA de los años 1960–70. Estos sistemas se alinearon de forma natural con las estructuras existentes de evaluación y estandarización, y acabaron confluyendo en la comunidad AIED.
Control frente a agencia: Anderson y Papert. Surgieron dos visiones competidoras, encarnadas en John Anderson y Seymour Papert. Los tutores cognitivos de Anderson (teoría ACT/ACT-R) descomponían el conocimiento en reglas de producción, ofrecían retroalimentación individualizada precisa y reforzaban las estructuras educativas tradicionales: una visión de la IA como herramienta para optimizar la instrucción. El construccionismo de Papert (Logo, los «micromundos», la depuración como aprendizaje) veía los ordenadores como entornos donde la infancia construye conocimiento mediante la experimentación creativa: una visión de la IA como instrumento de empoderamiento intelectual que desafiaba las jerarquías institucionales. Esta «tensión esencial» entre control y agencia es el hilo conductor de la historia del campo.
Dos formas de personalización. La personalización tiene dos interpretaciones distintas que se corresponden con estas visiones. La primera mantiene resultados uniformes variando el camino (arraigada en las máquinas de enseñar de Skinner; la visión de Khan Academy de tutorizar hasta el dominio). La segunda abraza resultados diversos: estudiantes que persiguen intereses y talentos individuales, sin las restricciones de los límites del currículo estándar (Zhao, 2024). El modelo ITS apoya la primera; el construccionismo, la segunda.
Lecciones para la era de la IA generativa. Los debates actuales sobre IA generativa reflejan de cerca estas tensiones históricas. La IA generativa se presenta a menudo como un tutor inteligente de nueva generación (extendiendo a Anderson), lo que suscita preocupaciones sobre la vigilancia, la recogida de datos y la estandarización. Alternativamente, puede ser una herramienta para la agencia creativa (extendiendo a Papert), lo que exige repensar la evaluación y aceptar resultados más ambiguos. Como concluyen Mishra et al., las fuerzas institucionales favorecen una y otra vez los enfoques que refuerzan las estructuras existentes, y el lenguaje y las metáforas que elijamos moldearán las posibilidades futuras. El marco AI×Ed de Rismanchian y Doroudi da a esta intuición una base empírica: situando artículos de las actas de AIED (1985, 1993, 2021, 2024) y de IJAIED (2004, 2014, 2021) a lo largo de dos ejes —el papel de la IA (herramienta aplicada frente a analogía de la inteligencia humana) y la persona usuaria final—, trazan un campo que pasó de una mezcla diversa, incluida una investigación temprana sustancial que usaba la IA como analogía de la inteligencia humana (modelos computacionales del aprendizaje, los micromundos de Papert, modelos basados en agentes de la adquisición de conocimiento), hacia un foco casi exclusivo en usos aplicados e instrumentales en la década de 2000. En particular, la era de la IA generativa parece invertir parcialmente esa trayectoria: en AIED 2024, tres de los cuatro artículos del cuadrante «IA como analogía» del campo se basaban en LLM, incluido un trabajo premiado sobre agentes enseñables basados en LLM.
El registro de la revista gira dos veces. Un modelo de temas estructural de 5.387 artículos de Computers & Education (1976–2026) encontró IA en 390 registros (7,2%), repartidos en 17 de sus 18 temas. Las probabilidades anuales de que un artículo estuviera relacionado con la IA subieron un 21,8% al año hasta 1989, cayeron un 3,7% anual hasta 2018 y luego treparon un 40,1% anual hasta 2025 (Wu et al., 2026). El giro de 2018 precede a ChatGPT en cuatro años, así que la era generativa aceleró una tendencia que ya estaba en marcha en lugar de iniciarla.
El impacto reciente de la IA generativa
La llegada de la IA generativa —una familia amplia que incluye los grandes modelos de lenguaje (texto), además de generadores de imagen, audio y vídeo— marca el punto de inflexión más consecuente en la historia de la IAED desde la fundación del campo. Los LLM son el miembro más prominente de esta familia y el motor de la mayor parte del impacto en el aula, pero la IA generativa en su conjunto (capaz de producir texto, imágenes, sonido y código novedosos) es la fuerza más amplia que está reconfigurando la educación. Se entiende mejor en contraste con la historia de la IAED que como una ruptura limpia. Varios rasgos hacen distintiva la era de la IA generativa:
Escala y alcance. A diferencia de los tutores cognitivos y los ITS de décadas anteriores, que operaban en entornos controlados de laboratorio y aula, los LLM llegaron a cientos de millones de estudiantes y docentes en pocos meses desde su lanzamiento, entrando casi de inmediato en la escritura, los deberes y la instrucción cotidianos. El debate sobre la IA generativa pasó de las revistas especializadas a las aulas, las salas de juntas y los parlamentos con una velocidad sin precedentes.
Un nuevo tipo de capacidad. Los sistemas de IAED anteriores modelaban la cognición y ofrecían instrucción estructurada (la tradición de Anderson). Los LLM realizan generación abierta —producen ensayos, explicaciones, código y diálogo—, lo que pone en primer plano la agencia y la creatividad de quien aprende (la tradición de Papert) de formas que los ITS anteriores no podían. Por eso el momento actual reaviva con tanta fuerza la tensión entre control y agencia: la misma herramienta puede desplegarse como un tutor inteligente de nueva generación (controlando los resultados) o como un coautor creativo y socio de pensamiento (amplificando la agencia).
Una inversión de la ecuación de acceso. Históricamente, la tutoría personalizada era escasa y cara; la IA generativa hizo que el apoyo adaptativo individual fuera casi gratuito y universal, reduciendo drásticamente las barreras de accesibilidad y de coste que dieron forma a la IAED anterior. Pero también introdujo nuevos riesgos: sesgo algorítmico, alucinación, vigilancia, recogida de datos y pérdida de destrezas del profesorado.
Preocupación renovada por la alfabetización en IA y el mal uso. La era de la IA generativa hizo urgente la alfabetización en IA y reencuadró los debates sobre integridad académica (detección frente a diálogo), a la vez que revivió preocupaciones de larga data sobre la automatización, la estandarización y la dependencia epistémica. Estas son las expresiones modernas de las tensiones originales del campo.
El riesgo del cronocentrismo. Como advierten Mishra et al., el hype en torno a la IA generativa carece a menudo de conciencia histórica, lo que deja que los evangelistas tecnológicos dominen la conversación. Entender que los debates actuales sobre IA generativa hacen eco de la división Anderson–Papert y de la decisión de nombre de 1955 sobre la cibernética nos ayuda a tomar decisiones deliberadas en lugar de tratar el presente como inevitable. La verdadera pregunta no es qué pueden hacer las herramientas de IA generativa, sino qué queremos que hagan: una decisión moldeada por dónde hemos estado.
Implicaciones
- Lea el hype históricamente. Reconozca que cada nueva ola de IA se presenta como revolucionaria; la conciencia histórica revela continuidad y ayuda a resistir el dominio corporativo de la conversación.
- Vea las decisiones de diseño como decisiones de valor. Las decisiones técnicas sobre la IA en la educación incorporan posiciones ideológicas sobre el propósito del aprendizaje: sáquelas a la superficie e interróquelas.
- Sopesar el control frente a la agencia de forma deliberada. Si la IA debe optimizar hacia resultados estándar o habilitar resultados diversos dirigidos por quien aprende es una elección genuina con consecuencias institucionales y políticas, no un dato técnico.
- Preservar la agencia de quien aprende. La resistencia recurrente a la estandarización y al control en favor de enfoques abiertos y centrados en quien aprende es un hilo duradero que merece defenderse.
Concepciones erróneas
«La IA en la educación empezó con ChatGPT.» No fue así, y creerlo sale caro porque vuelve invisible todo lo aprendido antes. La tutoría inteligente desciende del trabajo en búsqueda heurística y sistemas expertos de los años 1960 y 70, y la comunidad AIED se formó en torno a ella décadas antes de los grandes modelos de lenguaje. Mishra et al. muestran que los debates actuales reproducen una división ya explícita en los tutores cognitivos de Anderson y el construccionismo de Papert, así que quien sitúe el inicio del campo en 2022 volverá a derivar argumentos que el campo ya resolvió, abandonó o perdió una vez.
«El campo ha abandonado de forma sostenida la IA como analogía en favor de las herramientas aplicadas, y la IA generativa continúa esa tendencia.» La trayectoria es real pero no monótona, y eso es lo que hace de esta la corrección más instructiva. El análisis posicional de Rismanchian y Doroudi sobre AIED 1985, 1993, 2021 y 2024 e IJAIED 2004, 2014 y 2021 sí muestra una deriva desde un campo mixto hacia una instrumentalidad aplicada casi exclusiva en la década de 2000. Pero en AIED 2024, tres de los cuatro artículos del cuadrante de la IA como analogía se basaban en LLM, incluido un trabajo premiado sobre agentes enseñables basados en LLM. La IA generativa invierte en parte la tendencia en lugar de prolongarla, y por eso tratarla como «el siguiente tutor inteligente» malinterpreta hacia dónde se ha movido realmente la frontera de la investigación.
«Personalizar significa adaptar la dificultad a cada estudiante.» Ese es solo uno de dos sentidos incompatibles, y confundirlos oculta una elección política. En el primer sentido el resultado se mantiene fijo y solo varía el camino, un linaje que va de las máquinas de enseñar de Skinner a la tutoría basada en el dominio. En el segundo los propios resultados se diversifican, a medida que el estudiantado persigue intereses individuales sin las restricciones del currículo estándar (Zhao, 2024). Un ITS implementa el primero; el construccionismo, el segundo. Una herramienta descrita como «personalizada» no le ha dicho nada hasta que sepa cuál de los dos sentidos usa.
«“Inteligencia artificial” era simplemente el nombre obvio para el campo.» El término fue una elección deliberada. Cuando McCarthy planificó el proyecto de Dartmouth de 1956 prefería inteligencia artificial a cibernética, en parte para distanciar el trabajo de la tradición de la retroalimentación analógica de Wiener. Esa única decisión enmarcó las máquinas en comparación directa con la cognición humana, y el encuadre antropomórfico que instaló sigue moldeando las prioridades de investigación, el lenguaje de los productos y las preguntas éticas que se hace el público.
Implicaciones para la práctica
Para el profesorado y el diseño instruccional
- Nombre la tradición a la que pertenece su herramienta antes de adoptarla. Pregunte si optimiza hacia resultados fijos o abre la dirección de quien aprende, porque esa respuesta, y no la lista de funciones, determina qué hará con su diseño de evaluación.
- Interrogue la palabra «personalizado» en cada afirmación de un proveedor y obtenga una respuesta en los términos de los dos sentidos anteriores. Un producto que varía el ritmo hacia un estándar común y uno que deja divergir al estudiantado no son sustitutos.
- Cuando el estudiantado presente la IA generativa como algo sin precedentes, la historia es contenido enseñable por derecho propio. El encuadre Anderson-Papert les da un vocabulario para discutir sobre la IA en lugar de solo usarla.
Para quienes desarrollan
- El lenguaje de la interfaz es una decisión de diseño con un linaje. Llamar «tutor de IA» a su sistema hereda el encuadre de Anderson y la expectativa de optimizar hacia resultados estándar; llamarlo «micromundo» o «entorno de aprendizaje» hereda el de Papert. Ninguno es neutro, así que elija a propósito.
- Si construye en la tradición de la analogía (modelos del aprendizaje, agentes enseñables, simulaciones de la adquisición de conocimiento), dígalo. Ese cuadrante estuvo casi vacío durante dos décadas y se está repoblando; el posicionamiento es un diferenciador y los criterios de evaluación son distintos.
Para quienes investigan
- Use las actas históricas como línea de base en lugar de tratar el presente como la única comparación disponible. Las actas de AIED de 1985, 1993, 2021 y 2024 y las de IJAIED de 2004, 2014 y 2021 son una muestra longitudinal ya lista de las propias afirmaciones del campo.
- Cite el linaje cuando reclame novedad. Una afirmación de que un sistema «personaliza el aprendizaje» o «modela a quien aprende» solo es novedosa respecto de una tradición previa concreta, y esa tradición está documentada.
Conceptos conectados
- IA en la educación
- Tutoría inteligente
- Constructivismo
- Agencia de quien aprende
- Aprendizaje personalizado
- IA generativa
- Teorías del aprendizaje
- Aprendizaje adaptativo
- Alfabetización en IA
- Creatividad
- La docencia
- Ética
Artículos conectados
- Control vs. Agency: Exploring the History of AI in Education — Control frente a agencia: explorar la historia de la IA en la educación
- How human-centered is AI-aided learning in education? — Aprendizaje asistido por IA centrado en las personas (dialoga con el legado de Anderson)
- The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Bienes cognitivos comunes y pericia con IA (encuadre histórico)
- Programming Intelligent Tutoring Systems — Programar sistemas de tutoría inteligente
- Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems — Revisitar el botón de pista en los tutores cognitivos
- Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education — Aprender enseñando con LLM (el linaje construccionista de Papert)
- The evolution of research on AI and education across four decades: Insights from the AIxEd framework
- Fifty years of topic development, thematic combination, and AI's evolving reach in Computers & Education — Cincuenta años de temas en Computers & Education: la prevalencia de la IA giró al alza tras 2018, cuatro años antes de ChatGPT