Conceptos
Colaboración humano-IA
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
La colaboración humano-IA — la división del trabajo cognitivo entre las personas y los modelos — es el tema central de interacción: Razmerita et al. (2026), Yin et al. (2026), Dabbagh et al. (2026) y Bella et al. (2026) examinan la confianza, la agencia y los roles complementarios (supervisión humana, IA agéntica). La pregunta definitoria es si la asociación preserva o reemplaza el propio trabajo cognitivo de quien aprende —la misma disposición puede apoyar el aprendizaje o sustituirlo según cómo se reparta la responsabilidad.
Preguntas para reflexionar
- La pregunta definitoria de la colaboración humano-IA es si la asociación preserva o reemplaza el propio trabajo cognitivo. Piense en una tarea que haya delegado en la IA: ¿estaba generando y decidiendo, o solo aceptando?
- Un estudio encontró que colaborar libremente con ChatGPT produjo solo ganancias transitorias que se desmoronaron en una tarea posterior sin asistencia, mientras que un protocolo de «pensar primero, ChatGPT después» produjo un aprendizaje duradero. ¿Por qué quién genera las ideas podría predecir si uno aprende realmente?
- La misma herramienta puede apoyar el aprendizaje o sustituirlo según cómo se reparta la responsabilidad. ¿Puede pensar en una disposición que le mantuvo cognitivamente productivo frente a otra que descargó silenciosamente su pensamiento?
- Una disposición invierte los roles habituales: en lugar de que el modelo aporte respuestas, el estudiantado explica el contenido y el modelo hace de parte ignorante que pide explicaciones, ejemplos y un contraargumento. Si la IA es la que pregunta, ¿qué ocurre con cuánto del pensamiento permanece de su lado?
- La confianza se describe como algo que debe calibrarse, no darse por supuesto: depender de la IA cuando corresponde y verificar cuando no. ¿Cómo decide actualmente cuándo confiar y cuándo verificar la salida de la IA?
- La investigación identifica modos de colaboración que intercambian eficiencia por profundidad de la propia implicación autorreguladora. ¿Cuándo merece la pena aceptar menos eficiencia para conservar más aprendizaje en manos propias?
- Si la colaboración es una elección pedagógica tanto como técnica, ¿qué decisiones de diseño (prompts, flujos de trabajo, estructuras) montaría para asegurar que la IA aumente en lugar de reemplazar el pensamiento de su estudiantado?
Introducción
La colaboración humano-IA describe cómo el estudiantado, el profesorado y los sistemas de IA dividen el trabajo cognitivo —quién hace qué, quién decide y cómo se mantienen la confianza y la agencia. En lugar de enmarcar la IA como un reemplazo o como una herramienta pasiva, la investigación sobre la colaboración trata la IA como un socio con fortalezas complementarias cuyo valor depende de cómo se comparte y se supervisa la responsabilidad. En el plano de la conducta observable, la interacción estudiante-IA captura cómo el estudiantado pone en práctica esta relación: las preguntas, los prompts y los movimientos de verificación que hace con la IA momento a momento.
La división del trabajo también atraviesa a las personas que diseñan la interacción. A lo largo de doce implementaciones de cursos de formación docente, el profesorado posicionó la IA como socio de pensamiento, generador de críticas o herramienta de ensayo, mientras quienes se formaban conservaban la responsabilidad de evaluar, adaptar y justificar las decisiones; sin embargo, el mismo libro blanco informa de que quienes se formaban devaluaron retroalimentación que ya habían juzgado útil una vez revelada la autoría de la IA, un episodio que denomina el efecto de reventar el globo (balloon popping effect). Un análisis de 1.378 turnos de diseñador-chatbot apunta en la dirección opuesta en cuanto a la generación: quienes diseñaban usaron un asistente integrado principalmente para comprobaciones de alineación con los resultados de aprendizaje y el enfoque pedagógico, y no para producir contenido. En ambos casos, el juicio evaluativo humano, y no la salida del modelo, es lo que sostiene el aprendizaje.
Beneficios, riesgos e implicaciones de diseño
La evidencia muestra que la colaboración humano-IA es una disposición de doble filo cuyo resultado lo determina el diseño y no la IA en sí:
-
La colaboración puede mejorar el aprendizaje cuando preserva la implicación cognitiva. Los estudios sobre la IA generativa como herramienta mental y la colaboración guiada muestran que, cuando la división del trabajo mantiene a quien aprende generando, decidiendo y evaluando, la IA aumenta en lugar de reemplazar el pensamiento —produciendo ganancias duraderas de aprendizaje autorregulado y creatividad. Que quien aprende conserve el papel de decidir se extiende a la escritura: Oppenheimer, Cash y Connell Pensky (2025) muestran que las críticas de los LLM a los ensayos argumentativos del estudiantado mejoraron la escritura a lo largo de un semestre, con quienes aprendían decidiendo si incorporar o rebatir la retroalimentación del modelo (87,8% de afirmaciones rebatidas) —una disposición que preservaba el trabajo evaluativo de quien aprende— y las ganancias aparecieron incluso en ensayos escritos sin apoyo de LLM, lo que sugiere una habilidad duradera y no una dependencia de la herramienta.
-
La colaboración puede sustituir el aprendizaje cuando descarga demasiado. El modo de fallo es la dependencia excesiva: cuando la IA produce la respuesta, el papel de quien aprende se derrumba en una aceptación pasiva, y el desempeño inmediato en la tarea enmascara una falta de aprendizaje duradero. La investigación sobre desempeño frente a aprendizaje y el ciclo dañino de sustitución a andamiaje (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) documentan esto sistemáticamente.
-
Una mejor puntuación no es por sí misma evidencia de que la colaboración haya enseñado algo. El resto de la evidencia lee con cautela el desempeño asistido, y una prueba aleatorizada del tipo de apoyo muestra por qué. En el estudio de laboratorio de Iqbal et al. (2026), 87 estudiantes de inglés como lengua extranjera escribieron un ensayo sin ayuda y luego lo revisaron con ChatGPT 4.0 (n = 29), con un instructor humano de escritura (n = 28) o sin apoyo (n = 30). Cuál de las cuatro estrategias de revisión derivadas de las trazas usó cada estudiante estuvo fuertemente asociado con el apoyo que tenía (V de Cramér = 0,668) y solo moderadamente con su estrategia de escritura previa (V de Cramér = 0,333). En cambio, la motivación, la habilidad de escritura y la exactitud del juicio metacognitivo no mostraron asociación general, y el vínculo metacognitivo solo emergió en la condición sin apoyo (p = 0,0460). De forma crítica, ninguna estrategia de revisión predijo el cambio de puntuación (p = 0,273) aunque el tipo de apoyo sí lo hizo. El grupo de IA generativa mejoró significativamente más que los grupos de experto humano y de control (H(2) = 16,591, p = 0,00025, η² = 0,174). Dentro de la misma estrategia de búsqueda de ayuda en disminución gradual, el estudiantado de IA generativa ganó unos 4 puntos de media mientras que el de experto humano perdió 0,5. Los autores leen el patrón como un apoyo externo que sortea el propio juicio metacognitivo de quien aprende y advierten de que las ganancias pueden ser una optimización específica de la tarea y no una capacidad duradera. Esto no invalida el principio de quién genera y quién decide (el estudio varió quién aportaba el apoyo, no quién generaba el pensamiento), pero afina la prueba que debería aplicar quien enseña. Una ganancia obtenida bajo asistencia tiene que sobrevivir a una tarea sin asistencia antes de contar como aprendizaje. Añadir un experto humano a la sala no es automáticamente la disposición más segura.
-
Añadir pares tampoco es automáticamente la disposición más segura. Chu, Dai y Zhai (2026) pusieron a 87 estudiantes de grado a trabajar solos o en parejas con un sistema multiagente de IA generativa durante ocho semanas. Las parejas obtuvieron la puntuación más alta en el proyecto de diseño complejo (M = 89,64, frente a 85,85 para quienes trabajaron en parejas sin el sistema y 86,45 para quienes trabajaron solos con él, p = 0,039), pero la conciencia de pensamiento crítico aumentó más en quienes trabajaron solos (M = 0,41) y descendió ligeramente en las parejas (M = −0,04, p = 0,039).
-
El coste puede recaer sobre los vínculos entre personas. En un experimento aleatorizado con 33 equipos, Nixon et al. (2026) encontraron que un compañero de equipo de IA acaparó el mayor tiempo de palabra en los 16 equipos de tratamiento, mientras que sus dos compañeros estudiantes se respondían menos entre sí (responsividad g = −0,78) y declaraban un sentido de pertenencia más bajo (4,58 frente a 5,27). El coste ya estaba presente en la línea base y no se acumuló a lo largo de la discusión.
-
Principio de diseño: preservar el trabajo productivo de quien aprende. En toda la investigación, el predictor más nítido de si la colaboración ayuda o perjudica es quién genera y quién decide. Las disposiciones que mantienen a la persona cognitivamente productiva (prompting guiado, «pensar primero y consultar a la IA después», pasos de verificación y evaluación) apoyan el aprendizaje; las disposiciones que entregan la tarea completa al modelo, no. El movimiento complementario es cambiar lo que se le asigna ser al modelo. En el cuasiexperimento de Wang et al. (2026), 68 docentes en formación o bien explicaron el concepto de aula invertida a un estudiante novato de IA generativa construido sobre ERNIE 3,5 (un sistema enmarcado como inquisitivo y apreciativo que pedía explicaciones, ejemplos, razonamiento de verificación y una perspectiva opuesta, secuenciados según la taxonomía de Bloom), o bien formularon preguntas a un docente de IA generativa construido sobre el mismo modelo. Quienes enseñaron a la IA explicaron mejor (definir el aula invertida M = 4,18 frente a 3,29; sus actividades de enseñanza M = 4,91 frente a 3,06, ambos p < 0,001) y generaron más preguntas y de mayor calidad (M = 3,67 frente a 2,14; M = 5,67 frente a 3,07, ambos p < 0,001), mientras que el recuerdo objetivo fue estadísticamente indistinguible (M = 23,18 frente a 21,57, p = 0,416), de modo que la ventaja residía en la explicación y la transferencia y no en la recuperación de hechos. El estudiantado de la condición de docente de IA fue sincero sobre el intercambio: algunos reconocieron que daba «información más precisa y detallada», pero relataron que «después de usarlo, no quería pensar de forma independiente». Asignar al modelo el papel de aprendiz al que hay que enseñar convierte al estudiante en la única fuente de las ideas y elimina la dificultad histórica de encontrar un par adecuado al que enseñar. Vienen con ello dos límites de diseño: la planificación y el monitoreo no mejoraron (M = 4,01 frente a 3,78, p = 0,062), por lo que la inversión de roles no es por sí misma una intervención metacognitiva, y los autores atribuyen ese resultado nulo a un diseño de tarea que mantenía al estudiantado centrado en la exactitud del contenido. En un aula de escritura, ese principio adopta una forma concreta y enseñable. En el cuasiexperimento saudí de inglés como lengua extranjera de Alshehri et al. (2026), el estudiantado siguió una rutina de cinco partes —enmarcar el problema y diseñar los prompts, redactar de forma iterativa, revisar, verificar cada afirmación y cita contra bases de datos académicas, y regular su propia atribución y dependencia— con cada tarea exigiendo un registro de uso de IA de lo que aceptaron, rechazaron y por qué. La escritura y el pensamiento crítico digital aumentaron juntos y se movieron casi al unísono, y las reflexiones del estudiantado vincularon las rutinas de verificación y reparación de alucinaciones específicamente con las ganancias en pensamiento crítico: los mismos hábitos de interrogar las salidas dieron forma a sus decisiones de composición. La propia advertencia de los autores es el complemento necesario del principio: el flujo de trabajo es contingente y no autosuficiente, y puede volverse contraproducente con un andamiaje escaso, una preparación baja en pensamiento crítico o metacognición (cuando el estudiantado carece de la capacidad de detectar salidas deficientes), una delegación gradual de las decisiones de composición o una política institucional de uso de IA poco clara.
-
La autoridad acotada es en sí misma un patrón de diseño para la colaboración de alto riesgo. El profesorado de Reichert et al. (2026) no prototipó asistentes abiertos, sino sistemas cuya libertad estaba fijada de antemano: cada diseño acotaba el chatbot a contenido de lección específico, y la seguridad se estratificaba en límites de dominio (alcance específico de la lección, más una «cuota de información» que exigía un número mínimo de hechos o problemas antes de que la conversación avanzara), filtrado de contenido con rechazos estandarizados (una petición fuera del alcance de la lección devolvía un mensaje fijo) que además alertaban al docente. Una anulación docente gestionaba los casos ambiguos; el ejemplo dado era una pregunta sobre la reproducción humana que era legítima dentro de su unidad y debía remitirse a una persona en lugar de rechazarse automáticamente. La personalización de formato, género, ritmo y complejidad era bienvenida dentro de esos límites, y la supervisión (registros completos de conversación, alertas en tiempo real, anulación) se enmarcaba como responsabilidad profesional y no como desconfianza hacia el modelo. La implicación es que, en entornos de alto riesgo, la división del trabajo debe especificarse como acotada, monitoreada y revocable en lugar de negociarse turno a turno.
-
Una alerta afectiva es una señal que el profesorado interpreta, no una instrucción que obedecer. En una clase de geometría de secundaria, las alertas emocionales de un sistema de IA precedieron a movimientos docentes muy distintos, y fue el movimiento —reformular la tarea, una afirmación breve o la no intervención deliberada— lo que cambió la implicación, de modo que la alerta funcionó como un insumo más entre lo que el profesorado podía observar (Swidan (2026)).
-
La automatización y la aumentación no son alternativas. En cuatro casos dirigidos al profesorado, la sustitución se mantuvo dentro de subtareas analíticas acotadas, mientras que la complementación aparecía allí donde el profesorado interpretaba y validaba la salida, de modo que la aumentación resultó ser una propiedad de lo que el docente hace a continuación y no de la herramienta en sí (Horvers et al. (2026)).
-
La confianza debe calibrarse, no darse por supuesta. La colaboración productiva depende de que quien aprende calibre con exactitud cuándo apoyarse en la salida de la IA y cuándo verificarla —lo que conecta con la calibración de la confianza y la supervisión humana, más que con la aceptación ciega o el rechazo generalizado.
-
La colaboración docente-IA es de doble filo para la implicación, no solo para el aprendizaje. En una encuesta de tres oleadas a 468 docentes universitarios, la colaboración elevó la implicación laboral a través de la disponibilidad psicológica (indirecto 0,19) pero la redujo a través de la alienación laboral (indirecto −0,03); la competencia digital moderó ambas, aplanando la pendiente de alienación de 0,38 a 0,17 (Sun et al. (2026)).
-
La división del trabajo sigue la credibilidad, no la capacidad. Lo que el estudiantado acaba eligiendo es una asignación fundamentada: la IA para retroalimentación lingüística inmediata y ampliamente aplicable, y el profesorado para una orientación individualizada y relacional, asignadas por la credibilidad percibida de cada fuente y no por su exactitud, porque la restricción vinculante para apoyarse en ellas era el cuidado percibido y no la competencia (Serpil y Mor, 2026).
-
La dependencia es un proceso poblacional, no solo una elección individual. En un modelo basado en agentes, la prueba social visible a favor del uso no verificado hizo colapsar la verificación de 0,29 a 0,002 y elevó la dependencia excesiva de 0,30 a 0,52, mientras que la verificación visible de los pares restauró una verificación casi completa: cambiar lo que el estudiantado ve hacer a los demás supera a reducir el coste de comprobar (Biswas (2026)).
Esto convierte la colaboración humano-IA en un constructo pedagógico tanto como técnico: el valor de la asociación lo moldean cómo el profesorado diseña la interacción, cómo la regula el estudiantado y cómo el sistema invita o desalienta una implicación productiva.
Cómo aparece la colaboración humano-IA en la investigación
-
Confianza y expectativas: Las expectativas de confianza examinan cómo las expectativas del estudiantado sobre la IA determinan si la colaboración es productiva o conduce a la dependencia excesiva.
-
Roles complementarios en la escritura y el pensamiento: La escritura colaborativa con IA humanizada y la IA generativa como herramienta mental muestran cómo la IA puede aumentar en lugar de reemplazar el pensamiento de quien aprende cuando la división del trabajo preserva su implicación cognitiva.
-
Orquestación y agencia: La orquestación de la agencia docente-estudiante y los modelos mentales del estudiantado abordan cómo se negocia la agencia entre humanos e IA, conectando con IA con intervención humana (HITL) y IA agéntica.
-
Dimensiones metacognitivas y de equipo: Los modelos metacognitivos de IA centrada en el ser humano y la mediación disciplinar en equipos de estudiantes extienden la colaboración a la metacognición y el aprendizaje en equipo.
-
La competencia de colaboración como configuración, no como lista de comprobación: la metacognición asume el papel integrador del Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK). Dang, Hong, Doyle y Nguyen (2026) definen la Competencia de Colaboración Humano-IA como una configuración dinámica de dominio, competencia en IA y competencia metacognitiva más sus intersecciones (Trabajar con IA, Aprendizaje agencial con IA, Desarrollo personal agencial y profesional, y la propia HACC), rechazando explícitamente una lista aditiva de habilidades de IA añadida a un currículo existente. Su movimiento central reasigna el trabajo integrador que la pedagogía desempeña en el TPACK: como la IA es un participante adaptativo cuya contribución cambia a medida que se despliega una tarea, la carga de coordinación recae en la propia metacognición de quien aprende —decidir cuándo consultar a la IA, cómo enmarcar la interacción y cuándo anularla—, de modo que es quien aprende, y no quien enseña, quien sostiene el mecanismo que mantiene productiva la colaboración. La agencia de quien aprende se omite deliberadamente como nodo independiente; es más bien la cualidad emergente que expresa cuando coordina las tres competencias, lo que convierte la agencia en una propiedad de la configuración y no en una habilidad que entrenar de forma aislada. El estudio de entrevistas del marco, con 24 educadores de Nueva Zelanda, respaldó las dimensiones de forma descriptiva, y el nivel del cargo desplazó el énfasis en lugar de la aceptación: las redes del profesorado directivo se centraban en la IA con vínculos con la HACC y el desarrollo profesional, de forma significativamente distinta a la del profesorado sénior (U = 10,00, p = 0,04) y a la del profesorado al inicio de su carrera (U = 7,00, p = 0,01).
-
Modos de colaboración diferenciados: el trabajo empírico identifica tres modos de resolución de problemas colaborativa humano-IA —razonamiento delegado, interpretación concertada y elaboración delegada— que revelan un compromiso entre la eficiencia del sistema distribuido humano-IA y la profundidad de la implicación autorreguladora de quien aprende (el razonamiento delegado rinde mejor, pero con menor autorregulación).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
-
Los facilitadores humanos y de IA pueden ser perceptualmente intercambiables en una discusión estructurada, pero la reutilización se rige por razones distintas. Kuhail et al. (2026) sustituyeron a un moderador humano por un moderador GPT-4 (y de nuevo al contrario) en 32 sesiones de debate dirigidas por 32 estudiantes de STEM, y no encontraron diferencias estadísticamente significativas en eficacia, disfrute, satisfacción, utilidad o intención de uso (t de 0,23 a 1,30, p de 0,198 a 0,818). Lo que difería era por qué volverían quienes participaban: bajo moderación de IA, la utilidad percibida impulsaba la intención de uso (0,806, p = 0,004), mientras que la satisfacción solo la impulsaba bajo moderación humana (0,556, p = 0,002). Los autores leen la comparación plana como una normalización en tareas regidas por reglas y no como una prueba de equivalencia, y recomiendan mantener la supervisión humana por razones éticas y relacionales, a la vez que se hace legible la utilidad de las actividades moderadas por IA en lugar de apoyarse en el disfrute. Dado que el estudio midió solo percepciones, no dice nada sobre si el estudiantado argumentaba mejor.
-
Asigne la tarea antes de delegarla. Tsim y Gutoreva (2025) añaden una cuarta zona —lo que el modelo ya sabe— a las zonas de desarrollo de quien aprende, lo que da lugar a las asignaciones Sustituir, Complementar, Ayudar e Innegociable, y sostienen que los modos de automatización-aumentación-colaboración difieren por el locus de control y la responsabilidad epistémica y no por la sofisticación de la herramienta.
-
La ingeniería de prompts como pensamiento pedagógico, construida mediante el estudio de lecciones. Robinson et al. (2026) siguieron a cinco formadores de docentes de una institución de los EAU a lo largo de dos ciclos de estudio de lecciones que alcanzaron a 36 docentes en formación de matemáticas de secundaria y primaria, diseñando lecciones apoyadas por IA con ChatGPT (GPT-4o). El movimiento que hizo el trabajo fue emparejar la IA con un marco disciplinar: quienes se formaban generaban una tarea, juzgaban su demanda cognitiva contra un marco modificado de Análisis de Tareas Matemáticas y luego reescribían su prompt para elevar la profundidad conceptual, de modo que la revisión quedaba anclada en las matemáticas y no en las funciones de la herramienta. Dieciséis de 26 prompts analizables contenían características de tareas conceptuales, y los formadores concluyeron que la ingeniería de prompts «no es una habilidad técnica; es una habilidad cognitiva». El aprendizaje reportado aumentó en la lección revisada (5 de 7 docentes en formación en el primer ciclo y 10 de 14 en el segundo reportaron haber aprendido a distinguir tareas conceptuales de procedimentales), con la advertencia de que pedir a la IA una tarea más conceptual a veces producía solo una más complicada. Para el desarrollo profesional del profesorado, el argumento es a favor de una indagación colaborativa sostenida sobre lecciones reales y no de talleres de herramientas aislados.
-
La guía decide el desempeño frente al aprendizaje: Wong y Qiu (2026) contrastaron la colaboración humano-IA libre frente a la guiada en una tarea creativa. Colaborar libremente con ChatGPT produjo solo un desempeño transitorio que se desmoronó en una tarea posterior sin asistencia, mientras que un protocolo guiado de «pensar primero, ChatGPT después» —generar las propias ideas y luego usar ChatGPT para mejorarlas, desarrollarlas y evaluarlas— produjo ganancias duraderas en creatividad independiente. La ventaja estaba mediada por prompts colaborativos orientados a mejorar las ideas propias, lo que muestra que quién genera (la división del trabajo) predice si la colaboración produce aprendizaje o sustitución.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
-
La IA como mediadora, no solo como socia: Niari reconceptualiza la IA como una mediadora pedagógica que orquesta la interacción, la construcción de sentido epistémica y los procesos reguladores, redistribuyendo la agencia, la autoridad y la responsabilidad entre actores humanos y no humanos en lugar de tratar la IA como tutora, par o herramienta.
-
La colaboración del profesorado con la IA también tiene patrones, no es binaria. Cuando el profesorado diseña diseños de lección con IA generativa, su interacción adopta formas empíricamente distinguibles. Choi et al. (2026) identificaron siete patrones de interacción docente-IA —desde la adopción directa y la adopción elaborada de la salida de la IA hasta el rechazo inicial, la adopción revisada, el uso guiado de seguimiento, las interacciones complejas y el eludir la IA— en los que la experiencia docente y la competencia en IA de cada docente determinan conjuntamente si vuelven a hacer prompts de forma crítica y adaptan la IA al estudiantado y al contexto (una división del trabajo complementaria de cognición distribuida) o aceptan pasivamente las sugerencias (una distribución dominada por la IA).
-
El agente mediacional como forma híbrida de participación. En lugar de un punto intermedio entre herramienta y colaborador, la IA generativa se conceptualiza como un agente mediacional que media la acción a la vez que genera contribuciones contingentes y no responsables —una categoría distinta que redirige el diseño desde la capacidad tecnológica hacia los hábitos de participación (agencia supervisora, vigilancia epistémica).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
-
Comunidad y autoridad epistémica: el aprendizaje con IA basado en la comunidad muestra que la colaboración es también una cuestión de quién tiene autoridad, anclando la implicación con la IA en las epistemologías vividas del estudiantado.
-
Descubrimiento de rasgos basado en datos: el Análisis de Rasgos Principales (PTA) automatiza la derivación de «rasgos» de interacción a partir de grandes registros de conversaciones con LLM: un pipeline de cuatro etapas inspirado en PCA que extrae observaciones de comportamiento, las agrupa en rasgos candidatos, puntúa a cada colaborador y selecciona los rasgos más distintivos. Evaluado sobre un conjunto de datos de estudiante-tutor de IA y un conjunto de datos de desarrollador-agente de programación, el PTA encuentra rasgos que explican y predicen resultados (por ejemplo, la implicación conceptual profunda de forma positiva y la delegación de tareas de forma negativa en el entorno educativo). Como los rasgos aún no generalizan entre semestres o entornos ni muestran trayectorias de curva de aprendizaje, los autores sostienen que todavía no son interpretables como «habilidades». Esto ofrece un complemento escalable y objetivo a los marcos de alfabetización en IA y a las medidas de autoinforme, e informa directamente de cómo el profesorado enseña «habilidades de uso de la IA».
-
La relación humano-IA como la preocupación más persistente en todas las generaciones de IA conversacional. La revisión paraguas de los agentes de IA conversacional (Ganguly et al. 2025, 34 revisiones) encuentra que las preocupaciones sobre la relación humano-IA —dependencia excesiva, aislamiento social, despersonalización, dependencia emocional, transparencia, rendición de cuentas— son la cuestión ética más discutida en todas las generaciones de IA conversacional, y precede a la IA generativa. Esto sitúa la pregunta de «preservar frente a sustituir» en el mismo centro de la ética de la IA conversacional y refuerza que el valor de la colaboración lo determina el diseño (quién genera, quién decide, cómo se comparte la responsabilidad).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)
-
La IA escalando experiencia en tiempo real a personas novatas: el primer ECA de tutoría en vivo. El ensayo aleatorizado de Wang et al. (2024) (900 tutores, ~1.800 estudiantes de K-12 en comunidades desatendidas) situó la IA del lado del tutor y no del estudiante: Tutor CoPilot generaba sugerencias expertas en tiempo real (construidas a partir de razonamientos en voz alta de tutores experimentados) que los tutores novatos podían editar o rechazar. El estudiantado de los tutores tratados tenía 4 p.p. más de probabilidad de dominar los temas (p < 0,01), con ganancias de 9 p.p. entre el estudiantado de los tutores peor valorados —que llegaron a igualar los resultados del grupo de control de los tutores mejor valorados— a un coste de unos $20 por tutor al año. El hallazgo es un ancla empírica sólida para la aumentación del docente/tutor como modo de colaboración humano-IA equitativo: la persona conserva el juicio pedagógico y la autonomía mientras la IA aporta experiencia escalable.
-
Expertos acotados: cómo reparte el profesorado la autoridad con una IA. Reichert, Briceno, Tabarsi y Barnes (2026) realizaron un estudio de diseño participativo en el que seis docentes de secundaria prototiparon chatbots de LLM para sus propias aulas y analizaron cómo debía distribuirse la autoridad entre docente y sistema. El profesorado enmarcó sistemáticamente la IA como un experto acotado —capacidad especializada confinada a un dominio estrictamente definido y que opera bajo supervisión humana— y dividió esa acotación en dos dimensiones: los límites de autoridad, donde la responsabilidad profesional y legal sobre el aprendizaje y la seguridad del estudiantado no puede delegarse, y los límites de experiencia, donde el sistema carece del conocimiento contextual del docente sobre cada estudiante, la dinámica del aula y las normas institucionales. Al mapear los prototipos sobre los nueve eventos de la instrucción de Gagné, se vio que la delegación era selectiva y no de todo o nada: el profesorado acogía con agrado la IA para presentar contenido, aportar problemas de práctica, andamiar y dar retroalimentación formativa, pero se negaba a ceder el informar al estudiantado de los objetivos o la evaluación sumativa. La lectura de diseño es que una interfaz de colaboración debe hacer visible dónde conserva la persona el papel de decidir, y no solo dónde es capaz el modelo.
-
El papel debe adaptarse, no solo etiquetarse. Liao (2026) muestra que un acompañante de IA de «par» fijo sostuvo interacciones de conversación sobre libros más largas, pero dominó el intercambio (menor cuota de palabras y frases del estudiantado) y alcanzó un techo afectivo, lo que argumenta que la colaboración exige una lógica adaptativa de roles —alternar entre par, asistente y asesor— en lugar de una única persona estática.
-
El codiseño del lado docente y la arquitectura de roles también son colaboraciones. Más allá de los socios orientados al estudiantado, el profesorado colabora con la IA generativa para diseñar la instrucción. Wang et al. (2026) revisan sistemáticamente el codiseño docente-IA de tareas de aprendizaje, trazando los modos y las tensiones colaborativas (agencia, autoridad epistémica, control) que surgen cuando docentes e IA producen diseños conjuntamente; Talebzadeh (2026) encuentra que la experiencia pedagógica del profesorado —y no la fluidez con la IA— determina la calidad de las actividades grupales diferenciadas diseñadas por IA (riqueza de roles, sinergia, alineación de niveles), posicionando al docente como un «diseñador del aprendizaje bilingüe».
-
La IA generativa como agente y como espacio colaborativo en grupos. Xu et al. (2026) observan equipos pequeños de educación superior y muestran que el papel de la IA generativa se negocia y es configurable —de asistente subordinado a compañero de equipo en disputa— y que el uso compartido y síncrono sostiene el terreno común mientras que el uso privado y asíncrono fragmenta la transparencia, proponiendo una lente de Trabajo Cooperativo Apoyado por IA Generativa que trata la IA generativa tanto como agente como espacio colaborativo interactivo.
-
Mitades complementarias de la colaboración en el aula. Dos estudios de 2026 mapean mitades complementarias de la colaboración humano-IA en las aulas. MeduAI-SP (Yang et al.) aboga por una «complementariedad funcional» en la educación clínica: los agentes de IA se encargan del juego de rol repetitivo, la simulación de pacientes consistente, el monitoreo de listas de verificación, el preguntar socrático y la retroalimentación formativa preliminar, mientras que el profesorado y los pacientes estandarizados humanos aportan interpretación contextual, respuesta emocional matizada, remediación individualizada, evaluación del profesionalismo y juicios de preparación —la sustitución queda acotada por las consecuencias del error, la incertidumbre de la tarea, la sensibilidad relacional y la disponibilidad de revisión humana, y un sistema de IA queda explícitamente impedido para determinar de forma autónoma la competencia clínica. En la dirección opuesta, una discusión ética mixta de 45 estudiantes con 3 humanos y 3 agentes (Seo et al., 2026) documenta un patrón de doble filo: los agentes bajaron las barreras sociales (quienes participaban hablaban con más franqueza porque los agentes carecen de emociones y no sentían obligación de llenar los silencios), pero esa misma comodidad desvió la interacción lejos de las personas —el 79,7% de las preguntas fueron a los agentes frente al 60% que predice su disponibilidad (p = 0,017). Cabe destacar que la presencia de otras personas hizo que quienes participaban trataran a la IA con más respeto, lo que sugiere que la copresencia humana es en sí misma una posibilidad para calibrar la implicación con la IA.
-
Los tipos de entrelazamiento difieren en lo que exigen del estudiante, y por eso algunos siguen siendo raros. Sun, Dohn y Rehm (2026) clasifican 102 estudios de educación superior según cómo se reparte el trabajo epistémico entre el estudiante y el sistema (Asistente, Facilitador, Sintetizador, Generador, Reimaginador) y encuentran que las dos formas que mantienen la competencia atribuible a cada estudiante representan el 42,16% del conjunto de estudios cada una, mientras que las formas que distribuyen la autoría siguen siendo marginales. Su explicación es institucional más que técnica: los tipos raros piden al estudiantado asumir responsabilidad epistémica por resultados que no produjo mientras se le sigue evaluando como autor individual, y es esa contradicción —y no la división del trabajo en sí— la que los mantiene fuera de la práctica. La respuesta de diseño es hacer explícita la distribución del trabajo epistémico, secuenciar actividades a lo largo del espectro y construir reflexión sobre cómo se compartió la responsabilidad.
-
Tener una obra no es lo mismo que ser su autor. Hong et al. (2026) nombran un déficit de legitimación de la autoría: una persona puede vivir un resultado como propio y aun así no poder justificar el papel de autor, porque la propiedad psicológica, el sentido de agencia y la responsabilidad de dar a conocer el trabajo son rutas separadas que no tienen por qué coincidir. Su nexo de trabajo de la autoría clasifica las contribuciones rol por rol, de modo que un mismo registro puede sostener una pretensión editorial y fallar a la vez una pretensión de creador único. El planteamiento es un análisis conceptual sin datos ni modelo probado, así que el déficit es un constructo propuesto cuyas predicciones siguen sin contrastar.
-
Guiar en lugar de decir exige su propio criterio para juzgar a un agente. Un caso de diseño que se proponía replicar la facilitación docente encontró que un agente de conocimiento acotado a una base curada podía juzgarse por su exactitud, mientras que un agente pensado para llevar al estudiantado hacia sus propias respuestas no (Humburg et al., 2025).
-
La asociación se extiende al propio proceso de investigación, no solo al aprendizaje del estudiantado: Potter et al. (2026) hicieron que GPT-4o redactara códigos y temas preliminares en una plataforma RAG segura mientras tres investigadores principales y dos validadores externos conservaban la autoridad interpretativa, consolidando cuatro temas finales. El flujo de trabajo híbrido redistribuyó el trabajo de investigación en lugar de eliminarlo.
-
La complementariedad es condicional, no una propiedad por defecto de los equipos. Tuo et al. (2026) encontraron que los equipos humano-IA superaron tanto a las personas como a la IA por separado en solo una de seis condiciones —los casos difíciles en los que la IA era menos precisa que las personas— y no informaron de ninguna ventaja consistente del equipo en el resto, así que añadir un socio de IA no es por sí mismo una vía hacia el rendimiento complementario.
-
Los programas profesionales reorientan la formación desde la producción rutinaria hacia las competencias de colaboración (un protocolo de diseño): Wang (2026) propone un marco basado en el diseño para la formación de traductores, construido en torno a un inventario de desplazamiento de tareas (18 subtareas valoradas por su probabilidad de desplazamiento por IA, con etiquetas de procedencia [E]/[P]) y cuatro competencias reorientadas: conocimiento interdisciplinar, orquestación de la IA, juicio estratégico y evaluación crítica de la IA. El marco es un protocolo preregistrado sin datos empíricos aún; su contribución es el método —un análisis de desplazamiento auditable más una vía de codiseño para la reforma curricular—, que se traslada a cualquier programa profesional cuyas tareas rutinarias los sistemas agénticos realizan cada vez más.
Conexiones
La colaboración humano-IA conecta con IA con intervención humana (HITL) (supervisión), IA agéntica (autonomía), La docencia (el trabajo cambiante del profesorado), Andamiaje y Metacognición (cómo la colaboración apoya el aprendizaje) y la dependencia excesiva (el modo de fallo cuando la colaboración se convierte en sustitución). Es un tema central en Alfabetización en IA, Aprendizaje autorregulado y Experiencia del estudiantado.
- La combinación persona más IA superó a la persona sola en la revisión, no en la prueba. En un ensayo aleatorizado en un curso de economía con 354 estudiantes, los ayudantes que revisaron y editaron la retroalimentación de la IA produjeron revisiones del estudiantado de mayor calidad que los ayudantes que escribieron solos, y el efecto escalaba con la frecuencia con que adoptaban las sugerencias (Lu et al., 2026). Las puntuaciones del postest no difirieron, así que la complementariedad fue de nivel de tarea y no de aprendizaje duradero.
Concepciones erróneas
- «Colaborar significa que la IA hace parte del trabajo.» Quien aprende conserva el papel que decide, y esto se extiende a la escritura: Oppenheimer, Cash y Connell Pensky (2025) muestran que se sostiene cuando el arreglo está diseñado para ello. La división del trabajo no es colaboración a menos que la persona conserve el juicio.
- «En un arreglo invertido es la IA la que explica.» El estudiantado que enseñó a la IA explicó mejor: definir en el aula invertida con M = 4,18 frente a 3,29, y las actividades de enseñanza con M = 4,91 frente a 3,06, ambas p < 0,001. El aprendizaje se acumuló en quien explicaba.
- «Las contribuciones humanas y de la IA son sustitutivas.» Dos estudios de 2026 trazan mitades complementarias de la colaboración en el aula, lo que plantea el problema de diseño como asignación y no como reemplazo.
Conceptos conectados
- Alianzas pedagógicas — Alianzas pedagógicas
- Comunidad de indagación — Comunidad de indagación (las presencias como logros sociotécnicos humano-IA generativa)
- Interacción entre el estudiantado y la IA
- IA generativa
- Alfabetización en IA
- Grandes modelos de lenguaje (LLM)
- Andamiaje
- Tutoría inteligente
- La docencia
- Educación superior
- K-12
- Descarga cognitiva
- Experiencia del estudiantado
- Metacognición
- Aprendizaje autorregulado
- Creatividad
- Educación química — Educación química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
- Educación en biología — Educación en biología e IA: asistentes de laboratorio, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas
- IA con intervención humana (HITL) — supervisión
- IA agéntica — autonomía
- Fracaso productivo
Artículos conectados
-
AI-Mediated Feedback Improves Student Revisions: A Randomized Trial with FeedbackWriter in a Large Undergraduate Course — La retroalimentación de persona más IA superó a la de persona sola en la calidad de la revisión, sin diferencias en el postest (Lu et al. 2026)
-
The Social Cost of an AI Teammate: How an Artificial Teammate Reshapes Human-Human Communication in Small-Team Decision-Making — El coste recae sobre los vínculos entre personas: un compañero de IA redujo la responsividad y la pertenencia entre pares (Nixon et al. 2026)
-
SciStory: Designing AI-Supported Inquiry in Science Learning Games — Tres roles de agente en un juego narrativo de ciencias, y qué criterio de evaluación necesita cada uno (Humburg et al. 2025)
-
Many hands make light work? Individual and collaborative interaction with a GenAI-powered multi-agent system: Effects on learning performance and critical thinking — El trabajo en parejas con un sistema multiagente de IA generativa ganó el proyecto de diseño mientras la conciencia de pensamiento crítico solo aumentó en quienes trabajaron solos (Chu et al. 2026)
-
Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — El debate multiagente con la respuesta preferida oculta redujo la deferencia hacia consejos incorrectos de la IA, pero no de forma correctiva
-
Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency through a metacognitive perspective — HACC: la competencia de colaboración como configuración dinámica de dominio, IA y competencia metacognitiva, con la agencia de quien aprende como cualidad emergente (Dang et al. 2026)
-
Human-centered design of LLM-powered educational chatbots: A study with secondary teachers — Docentes de secundaria diseñan chatbots de aula como expertos acotados bajo supervisión humana
-
AI integration as instructional design: Lessons from a cross-institutional faculty collaboratory in teacher preparation — Doce implementaciones de cursos de formación docente tratan la integración de la IA como un problema de diseño instruccional
-
Tutor CoPilot: A human-AI approach for scaling real-time expertise — Tutor CoPilot: el primer ECA de escalado humano-IA de la experiencia a tutores novatos
-
Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity — Pensar primero, ChatGPT después: creatividad humana independiente
-
Principal Trait Analysis: Towards Deriving "Skills" in Human-AI Collaboration — «Rasgos» de la colaboración humano-IA derivados de datos
-
Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Patrones de interacción docente-IA en el diseño de lecciones según la experiencia y la competencia en IA (Choi et al. 2026)
-
Investigating the role of chatbots in facilitating learning design — Quienes diseñan usan un chatbot integrado para comprobar la alineación de resultados y pedagogía, no para generar contenido
-
Uncovering Students' Mental Models of Generative Artificial Intelligence
-
Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication
-
Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning
-
From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — De la sustitución al andamiaje: romper el ciclo autosostenido de daño
-
Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — La IA generativa como agente mediacional
-
Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use — Revisión paraguas de los agentes de IA conversacional en educación
-
Modeling AI Overreliance as a Complex Adaptive System — La dependencia excesiva de la IA modelada como sistema adaptativo complejo
-
Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — Acompañante de IA adaptativo por roles para la conversación sobre libros en primaria; techo afectivo de los agentes de rol fijo (Liao 2026)
-
Reimagining teacher-AI co-design in learning task design: trends and perspectives — Codiseño docente-IA de tareas de aprendizaje: tendencias y perspectivas (Wang et al. 2026)
-
The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arquitectura de roles en actividades grupales diferenciadas diseñadas por IA (Talebzadeh 2026)
-
AI as an Agent and Collaborative Space: Exploring the role of generative AI in small group synchronous and asynchronous collaborative dynamics — La IA generativa como agente y espacio colaborativo en la dinámica de grupos pequeños (Xu et al. 2026)
-
You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
-
Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluación de un sistema multiagente de modelos de lenguaje de gran tamaño orientado al andamiaje para la formación en entrevista clínica
-
Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Agentes de formación ética: facilitar la educación ética grupal con juego de roles y discusión para la reflexión y exploración éticas
-
SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: automatización, aumentación y colaboración como un continuo de asignación de tareas
-
Bounded reliance: A source credibility perspective on EFL students' engagement with AI-generated writing feedback — Dependencia acotada: una perspectiva de credibilidad de la fuente sobre la implicación de estudiantes de inglés como lengua extranjera con la retroalimentación de escritura generada por IA
-
From tool to scaffold: Structured human–AI collaboration and its effects on academic writing and digital critical thinking among Saudi EFL learners — Flujo de trabajo de escritura estructurado en cinco partes para inglés como lengua extranjera; las rutinas de verificación y uso responsable impulsaron las ganancias de escritura en parejas y de pensamiento crítico digital
-
The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — Inversión de roles: el estudiantado enseña a un aprendiz novato de IA generativa y supera a quienes consultan a un docente de IA generativa
-
Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — El tipo de apoyo moldeó las estrategias de revisión y las puntuaciones, pero ninguna estrategia predijo la ganancia; las ganancias de la IA generativa pueden ser específicas de la tarea
-
The Great Debaters Meet the Great Facilitators: How Debate Students Evaluate Human Moderators and Their AI Counterparts — Moderadores de debate humanos frente a de IA valorados como equivalentes; la utilidad y la satisfacción impulsan la reutilización de forma distinta
-
Exploring Mathematics Teacher Educators' Lesson Study Experiences in Supporting Pre-Service Teachers' Dialogic Engagement With AI — El estudio de lecciones construye la capacidad de los formadores de docentes para diseñar una implicación dialógica con la IA; la ingeniería de prompts como pensamiento pedagógico
-
Literacy demands placed on students in student–GenAI entanglements in higher education — Cinco tipos de entrelazamiento estudiante-IA generativa, y por qué los que distribuyen la autoría siguen siendo marginales (Sun, Dohn y Rehm 2026)
-
The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Las vías opuestas de la colaboración docente-IA hacia la implicación laboral a través de la disponibilidad psicológica y la alienación laboral, acotadas por la competencia digital
-
Beyond agentic translation: A design-based framework for human-AI collaboration in translator education — Protocolo de diseño que reorienta la formación de traductores hacia las competencias de orquestación de la IA, juicio estratégico y evaluación crítica de la IA, sin datos empíricos aún
-
Responding to AI-generated emotional alerts: teachers' intervention and students' engagement in the mathematics classroom — Una alerta afectiva es una señal que el profesorado interpreta, no una instrucción que obedecer
-
Owning what one did not make: psychological ownership, agency, and the authorship legitimation deficit in human–AI co-creation — El déficit de legitimación de la autoría en la cocreación humano-IA