Metáforas y analogías

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

Síntesis: Las metáforas y las analogías cumplen dos funciones en la educación con IA. Son dispositivos de construcción de sentido mediante los cuales el profesorado y el estudiantado deciden qué es la IA (una herramienta, un asistente, una caja negra, un oráculo), y son dispositivos instruccionales que proyectan un dominio de origen familiar sobre un concepto meta desconocido. La investigación de esta base de conocimiento muestra que esas dos funciones están conectadas: las metáforas que las personas sostienen configuran lo que esperan de la IA, qué características perciben y si confían en ella o la temen. La misma lógica del mapeo estructural explica por qué una analogía puede hacer memorable una idea técnica y, al mismo tiempo, representarla mal sin que se note. Una analogía defectuosa generada por IA generativa puede ser más útil que una pulida cuando el estudiantado conoce el dominio de origen lo bastante bien como para auditar el mapeo y repararlo. La lección práctica es elegir metáforas para la característica que se enseña, comprobar el ajuste estructural y la accesibilidad cultural, y tratar la comparación como un objeto de crítica y no como una explicación acabada. La evidencia es en su mayoría cualitativa, conceptual y de pequeña escala; el campo tiene poca evidencia causal de que la enseñanza basada en metáforas mejore el aprendizaje.

Preguntas para reflexionar

• ¿Qué metáfora usa para la IA generativa cuando no presta atención, y qué hace esa metáfora fácil de ver o fácil de ignorar?
• ¿Cuándo ayuda una analogía familiar a que el estudiantado entienda un concepto técnico, y cuándo instala una concepción errónea que la instrucción posterior tiene que deshacer?
• ¿Los dominios de origen de quién cuentan como familiares? Si una analogía depende del deporte, los videojuegos o un electrodoméstico de cocina, ¿a quién incluye y a quién deja fuera?
• ¿Debería un tutor de IA generar analogías para el estudiantado, o darle analogías para que las critique? ¿Qué cambia cuando la analogía se personaliza a los intereses declarados de un estudiante?
• Una analogía memorable no es necesariamente exacta. ¿Qué pediría al estudiantado que hiciera para demostrar que distingue una de la otra?
• ¿Qué evidencia le convencería de que una lección basada en metáforas mejoró la alfabetización en IA y no solo hizo la lección más atractiva?

Introducción

Una metáfora afirma que una cosa es otra: la IA es una caja negra, un ayudante, un espejo, un mapa. Una analogía suele hacer la comparación más explícita: una lista enlazada funciona como una cadena, la recursión funciona como un conjunto de cajas anidadas, o usar IA es como cocinar con una Thermomix. Las dos se solapan en la práctica. Ambas piden a quien aprende que traslade relaciones de un dominio de origen familiar a un dominio meta menos familiar, y ambas se vuelven engañosas cuando el mapeo se extiende más allá de las relaciones que de hecho conserva.

Eso las convierte en algo más que decoración retórica. La investigación sobre la metáfora conceptual trata la metáfora como una estructura del pensamiento, no solo del lenguaje: las comparaciones disponibles para las personas configuran qué aspectos de un sistema les resultan salientables y qué explicaciones les parecen naturales. En la educación con IA, lo que está en juego es práctico. Un estudiante que enmarca un LLM como un motor de búsqueda puede esperar que recupere hechos almacenados y puede no buscar los fabricados. Un miembro del profesorado que lo enmarca como un estudiante avanzado puede esperar criterio y experiencia en la materia que el modelo no tiene. Una discusión de políticas enmarcada en torno a un «desastre natural» o un «competidor» sostiene respuestas distintas que una enmarcada en torno a una «calculadora de palabras».

Esta página cubre los dos lados de esa doble función: la metáfora como ventana a cómo el profesorado y el estudiantado entienden la IA, y la analogía como técnica de enseñanza en la alfabetización en IA y en las explicaciones generadas por IA. Conecta el trabajo sobre las conceptualizaciones del profesorado y del estudiantado, los talleres de metáforas en el aula, las analogías generadas por IA generativa, el diseño instruccional basado en analogías y la alfabetización crítica en IA. No trata «metáfora» y «analogía» como sinónimos exactos, pero las mantiene juntas porque los problemas de diseño son compartidos: selección de la fuente, ajuste estructural, acceso cultural y crítica.

Por qué importan las metáforas y las analogías

El punto de partida teórico es la teoría de la metáfora conceptual, asociada a Lakoff y Johnson. Su afirmación central es que las personas entienden dominios abstractos mediante mapeos desde otros más concretos, y que esos mapeos pueden volverse tan familiares que dejan de parecer comparaciones. «El viaje de la vida» no es solo una forma de hablar; conlleva supuestos sobre la dirección, el progreso, los obstáculos y los destinos. Lo mismo ocurre con «el asistente de IA» o «la caja negra de la IA».

Para la educación, la consecuencia útil es que la metáfora puede hacer trabajo conceptual antes de que un docente ofrezca una definición. Da a quien aprende un lugar donde sostenerse. También puede conllevar toda una teoría de la agencia: un «asistente» implica una persona usuaria que controla, mientras que un «agente» implica iniciativa, y una «caja negra» implica que la explicación es imposible o innecesaria. No son descripciones neutras. Distribuyen la responsabilidad y fijan expectativas de confianza.

Las analogías añaden una segunda capa: la correspondencia estructural. Una buena analogía instruccional conserva las relaciones que importan para el concepto meta, no solo la semejanza superficial. Una cadena puede ilustrar una lista enlazada porque ambas implican nodos conectados en secuencia. Un conjunto de cajas anidadas puede ilustrar la recursión porque cada nivel contiene una versión más pequeña de la misma estructura. La comparación siempre es parcial. La pregunta pedagógica es si las relaciones conservadas son las que necesita quien aprende, y si quien aprende puede ver dónde se detiene el mapeo.

Esa pregunta separa esta página de IA explicable. La IA explicable pregunta cómo pueden hacerse legibles las decisiones de un sistema para las partes interesadas. Una analogía pedagógica pregunta cómo puede quien aprende construir un modelo mental utilizable de un proceso. Una explicación de por qué un modelo marcó a un estudiante no es lo mismo que una analogía de cómo genera texto un modelo, y ninguna sustituye a la otra.

Cómo describen la IA el profesorado y el estudiantado

La base de conocimiento tiene ahora varias ventanas a las metáforas que las personas usan de verdad. No convergen en una sola imagen, y eso es parte del argumento.

Vallis, Wilson y Casey (2025) impartieron talleres de análisis de metáforas con estudiantado, personal académico y personal de apoyo educativo. Las metáforas de los participantes se agruparon en cuatro categorías amplias: Funciones (comparaciones de tipo herramienta, como una navaja suiza), Roles (relaciones de tipo humano, como ayudante, compañero de estudio o amigo y rival a la vez), Cualidades (comparaciones poco fiables o incognoscibles, como una caja negra o una pendiente resbaladiza) y Agencia (comparaciones autónomas o amenazantes, como un competidor o un robot siniestro). Dos tensiones recorrieron el conjunto: la agencia humana frente a la de la máquina, y lo conocido frente a lo incognoscible. El taller no resolvió esas tensiones. Las puso a disposición de la discusión, que es lo que una intervención basada en metáforas puede hacer de forma realista.

Gerhardt y sus colegas (2026) entrevistaron a 57 docentes de ingeniería de distintas disciplinas y universidades y analizaron las analogías que ofrecieron espontáneamente. El profesorado enmarcaba en su mayoría la IA generativa como un ser social o agente de tipo humano (un asistente, un estudiante de doctorado) o como un objeto técnico (un motor de búsqueda, una herramienta). Pocos la enmarcaban como una fuerza ambiental o sistémica. Los autores organizan las respuestas en cinco dimensiones: ontología, epistemología, operación, relación y poder o capacidad. Su preocupación no es que el profesorado use metáforas, sino que colegas del mismo departamento puedan sostener metáforas incompatibles mientras suponen que comparten un lenguaje. Eso convierte la elicitación de metáforas en un diagnóstico de desarrollo del profesorado, no solo en una técnica de aula.

El estudiantado muestra un abanico similar. Bohmer y sus colegas (2026) encontraron que el estudiantado conceptualiza la IA generativa como un actor social, una técnica, material de aprendizaje o una estructura, con marcos socioemocionales y técnicos igualmente salientables. Kudina (2026) describe los marcos dominantes del estudiantado de ingeniería como el LLM «oráculo» y «tutor», ambos de los cuales atribuyen autoridad y personalización más allá de lo que la herramienta proporciona de forma fiable. Stillman y sus colegas (2026) tratan la «máquina expendedora de retroalimentación» de una estudiante como un artefacto de alfabetización más útil que el vocabulario pulido del tutor, porque hace visible la transacción: introducir trabajo, recibir una salida, sin relación ni agencia.

El hallazgo transversal es que la metáfora es un diagnóstico de la expectativa. Un estudiante que llama oráculo a un LLM no usa simplemente una palabra colorida. La etiqueta predice qué hará cuando el modelo se equivoque y qué creerá sobre la verificación. Un miembro del profesorado que lo llama motor de búsqueda no es simplemente impreciso. La etiqueta predice qué pedirá al estudiantado que haga con él. Por eso los programas de Desarrollo educativo pueden usar la elicitación de metáforas antes de rediseñar las políticas o la evaluación, y por eso la Educación en ingeniería y la Enseñanza de la informática necesitan conversaciones específicas de cada disciplina y no una única definición institucional.

Una línea filosófica empuja la metáfora en otra dirección: Xie (2026) propone «Zhenren» como contraideal del estudiante gestionado por algoritmos, y trata la imagen como una forma de argumentar sobre los fines educativos y no de explicar un proceso técnico.

Las analogías como técnica de enseñanza

La evidencia de aula más sólida del corpus proviene del uso de analogías en la educación en informática. Bernstein y Sibia (2026) dieron al estudiantado de grado analogías generadas por IA para listas enlazadas y recursión, y después les pidieron anotar y discutir las salidas. El estudiantado no juzgó las analogías como buenas o malas en bloque. Separó la exactitud estructural, la claridad, la idoneidad y la confianza, y nombró fallos concretos: una ruta en bucle describe una lista circular, no una simplemente enlazada; un peloteo de bádminton no tiene una entrada que se encoja de forma garantizada para la recursión; una referencia basada en intereses puede suponer conocimientos que el estudiante no tiene.

La contribución del artículo es la idea de auditoría bidireccional de analogías. El conocimiento del concepto meta indica al estudiante qué relaciones debe conservar una analogía. El conocimiento del dominio de origen le indica si la fuente tiene realmente esas relaciones. Quienes auditaban con más agudeza no eran siempre los estudiantes cuyos intereses coincidían con la analogía. Eran los que conocían el dominio de origen lo bastante bien como para inspeccionarlo. Eso tiene una implicación de diseño: una fuente familiar puede convertir a un estudiante de receptor en auditor experto. Los autores recomiendan asignar analogías defectuosas como objetos que hay que inspeccionar y reparar, en lugar de filtrarlas. La analogía defectuosa se convierte en una dificultad deseable.

Ese hallazgo complica el supuesto habitual de que las explicaciones generadas por IA deberían estar pulidas antes de que el estudiantado las vea. Una analogía limpia puede seguir codificando un mapeo erróneo, y una defectuosa puede ser más instructiva si la tarea es la crítica. La condición importante es que el estudiantado tenga suficiente conocimiento del concepto meta para saber qué debe conservar la analogía, y suficiente conocimiento de la fuente para comprobar si lo hace. Sin ninguno de los dos, la analogía puede ser memorable por el motivo equivocado.

ANVIL muestra el lado de la generación. Toma la definición de un concepto, genera una analogía textual, la compila en un guion, produce código de animación y repara los fallos en un bucle acotado. El sistema se evaluó con profesorado de informática, que valoró la mayoría de las analogías como adecuadas y la herramienta como colaborador creativo para la planificación temprana de lecciones. Los autores también encontraron que el control del docente, la editabilidad y el ajuste pedagógico importaban más que la calidad bruta de la generación. ANVIL recuerda que una analogía generada por IA es un artefacto candidato, no una explicación acabada: el docente todavía tiene que decidir si el mapeo es estructuralmente sólido y adecuado para la clase.

Rummel, Nachtigall y Panadero usan una analogía como argumento en sí mismo. La Thermomix, un electrodoméstico de cocina guiada, provoca entusiasmo y críticas similares a las de la IA generativa en la educación. Al mapear escenarios de cocina sobre escenarios de aprendizaje, desplazan la discusión de «¿la IA es buena o mala?» hacia «¿cuánto del trabajo se delega y qué le hace eso a quien aprende?». La analogía no es evidencia; es un dispositivo para hacer visible un continuo de diseño. Es un uso legítimo de la analogía en un artículo conceptual, pero no debe confundirse con una intervención probada.

Code as Anchor añade una advertencia de diseño. El estudiantado usó múltiples representaciones, incluida una vista de metáfora, pero pasó la mayor parte del tiempo de mirada en el código y solo una pequeña parte en la vista de metáfora. Algunas personas vieron los andamiajes metafóricos como infantiles o de refuerzo. Una metáfora que un docente considera iluminadora puede leerse como una marca de baja capacidad para un estudiante. La legitimidad es parte de la utilidad pedagógica, no una preocupación separada.

La metáfora como alfabetización crítica en IA

El marco más directo para enseñar con metáforas proviene de Roe, Perkins y Furze (2025). Definen la alfabetización crítica en IA como comprender cómo funcionan los sistemas de IA y examinar al mismo tiempo sus consecuencias sociales, ambientales y culturales. Partiendo de una lista de 13 metáforas comunes de la IA, seleccionan cuatro para uso en el aula y evalúan cada una con cuatro criterios: accesibilidad, poder explicativo, potencial de alfabetización crítica en IA y utilidad pedagógica.

Las cuatro son:

• La IA como espejo deformante, para la distorsión y el sesgo en la salida generada.
• La IA como mapa, para la representación, la selección y el conocimiento de quién se incluye.
• La IA como cámara de eco, para los bucles de retroalimentación, las burbujas de filtro y el refuerzo de patrones existentes.
• La IA como caja negra, para la opacidad y los límites de la explicación.

Cada una se acompaña de una actividad breve y una discusión facilitada por el docente. La lección del espejo deformante pide al estudiantado probar prompts en busca de sesgo; la de la cámara de eco le pide observar cómo los prompts repetidos y los datos limitados refuerzan patrones; la del mapa pregunta qué incluye y qué omite la representación de una IA; la de la caja negra usa la generación probabilística para hacer visibles procesos ocultos. Los autores mapean las actividades al marco de competencias en IA de la UNESCO para el estudiantado, lo que da al marco un enganche curricular en lugar de dejarlo como una exhortación general a discutir metáforas.

El movimiento más importante del marco es tratar las metáforas como objetos de crítica. Una metáfora es útil porque es parcial, y se vuelve peligrosa cuando se presenta como completa. El espejo deformante muestra la distorsión pero no el algoritmo que la produce. El mapa muestra la representación pero puede implicar una intención coherente que el sistema no tiene. La caja negra muestra la opacidad pero puede alentar la conclusión de que nada puede saberse. La lección debería terminar con la pregunta de dónde se rompe la comparación.

Eso es también lo que conecta el trabajo con metáforas con la Alfabetización en IA en un sentido más amplio. Un taller de metáforas es una forma de baja tecnología de sacar a la superficie los supuestos antes de una lección técnica. Una crítica de una analogía generada por IA es una forma de evaluar si un estudiante entiende el concepto meta. La metáfora propia de un estudiante, como la máquina expendedora, puede ser más reveladora que un ítem de encuesta estandarizado. Todas son formas de Pensamiento crítico sobre la IA, no solo ejercicios de escritura creativa.

Diseñar instrucción basada en metáforas

• Partir de la característica, no de la imagen. Decida qué necesita entender el estudiantado y pregunte después qué dominio de origen conserva las relaciones que importan. Una comparación memorable que apunta a la característica equivocada es peor que una explicación llana.
• Comprobar el ajuste estructural antes de personalizar. El emparejamiento por intereses puede aumentar la implicación, pero no garantiza que el dominio de origen tenga la estructura correcta. Verifique primero el mapeo y personalice después.
• Auditar el dominio de origen en cuanto a acceso cultural. Los espejos deformantes, los mapas, el deporte y los electrodomésticos de cocina no son igual de familiares para todo el estudiantado. Pregunte qué supone la comparación y ofrezca alternativas.
• Hacer explícitos los límites. Pida al estudiantado que nombre qué conserva la metáfora, qué distorsiona y qué no puede explicar. La crítica es el aprendizaje evaluado, no una discusión opcional.
• Usar varias metáforas parciales. Un espejo deformante, un mapa y una cámara de eco pueden coexistir porque cada uno ilumina una dimensión distinta. Una única metáfora totalizadora tiene más probabilidades de convertirse en una concepción errónea.
• Mantener cerca la explicación técnica. Una analogía puede abrir un tema, pero no debería sustituir la instrucción sobre los datos de entrenamiento, la generación probabilística o la diferencia entre una salida fluida y conocimiento verificado.
• Evaluar la actividad, no solo la implicación. El corpus todavía no muestra que las lecciones basadas en metáforas mejoren la alfabetización en IA o los resultados de aprendizaje. Trate las actividades como diseños que hay que probar y mida qué puede hacer el estudiantado después.

Concepciones erróneas

• «Una metáfora memorable es una buena metáfora.» La memorabilidad no es poder explicativo. El estudiantado puede recordar una analogía vívida y seguir malinterpretando el concepto que debía aclarar.
• «Las metáforas son ilustraciones neutras.» Toda metáfora selecciona algunas características y oculta otras. La elección conlleva supuestos sobre la agencia, la confianza y la responsabilidad.
• «Las analogías generadas por IA están listas para usarse.» Las analogías generadas pueden ser estructuralmente erróneas, culturalmente estrechas o pedagógicamente inadecuadas. Necesitan revisión docente o una tarea de crítica para el estudiantado.
• «Si el estudiantado disfruta de la analogía, aprendió el concepto.» La implicación y el aprendizaje son resultados separados. La base de evidencia aquí es en su mayoría cualitativa y no establece una ganancia de aprendizaje.

Límites y lagunas de evidencia

La literatura de esta base de conocimiento es desigual. Los estudios sobre metáforas del profesorado y del estudiantado son cualitativos y a menudo pequeños. El estudio del profesorado de ingeniería analiza las respuestas a una sola pregunta de entrevista. El estudio sobre profesionalización trata los recuentos de metáforas como exploratorios. El estudio de analogías en el aula tiene diez estudiantes de grado y un factor de confusión entre la personalización y el formato de la explicación. El marco de Roe et al. es conceptual y sus actividades no se han probado con estudiantado. ANVIL es una evaluación de sistema con profesorado, no un estudio de aprendizaje.

Eso no hace inútil el trabajo. Hace que las afirmaciones sean modestas en la medida adecuada. La elicitación de metáforas puede revelar supuestos que las encuestas pasan por alto. La crítica de analogías puede hacer visible la comprensión estructural. Una metáfora bien elegida puede dar a una clase un objeto compartido sobre el que discutir. Pero el campo todavía necesita estudios que comparen la instrucción basada en metáforas con la instrucción ordinaria, midan la transferencia y no el recuerdo de la metáfora, y prueben si el enfoque viaja entre culturas y disciplinas.

El riesgo de exagerar las conclusiones es real en ambas direcciones. Un docente que trata una metáfora como explicación completa puede instalar una concepción errónea. Un investigador que trata la metáfora como mera decoración puede pasar por alto un mecanismo por el cual el estudiantado construye o no construye un modelo mental. La posición productiva es tratar la metáfora como una representación diseñada, parcial y criticable, y estudiar qué hace el estudiantado con ella.

Conceptos conectados

• Alfabetización en IA — el paraguas de la alfabetización crítica en IA y la enseñanza basada en metáforas.
• Pensamiento crítico — la crítica de analogías como forma de razonamiento estructural.
• Ideas erróneas sobre la IA — las analogías defectuosas como fuente de concepciones erróneas duraderas.
• Interacción entre el estudiantado y la IA — cómo interpreta y audita el estudiantado las explicaciones de la IA.
• Agente pedagógico — tutores de IA que generan explicaciones o analogías.
• Diseño de aprendizaje — seleccionar y secuenciar materiales basados en analogías.
• Desarrollo educativo — la elicitación de metáforas en el desarrollo del profesorado.
• Educación en ingeniería — metáforas del profesorado y del estudiantado en ingeniería.
• Enseñanza de la informática — uso y crítica de analogías en la educación en informática.
• Descarga cognitiva — las metáforas de herramienta y de asistente y sus riesgos.
• Calibración de la confianza — los roles antropomórficos y la confianza mal situada.
• Equidad — los dominios de origen de quién cuentan como familiares.
• La docencia — el criterio docente sobre las explicaciones generadas por IA.
• IA explicable — explicación del sistema frente a analogía pedagógica.
• Implicación del estudiantado — efectos de implicación de las analogías personalizadas.
• Educación superior — el contexto de la mayoría de los estudios de este grupo.

Artículos conectados

• Reflecting Reality, Amplifying Bias? Using Metaphors to Teach Critical AI Literacy — Cuatro metáforas y criterios para enseñar alfabetización crítica en IA
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — El estudiantado audita analogías generadas por IA generativa y repara mapeos rotos
• Fear and awe: Making sense of generative AI through metaphor — Talleres de análisis de metáforas con estudiantado, personal académico y de apoyo
• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Las metáforas del profesorado de ingeniería construyen y limitan la comprensión de la IA
• Conceptualizations of GenAI and students' professionalization: Within the multi-layered environment of learning for higher education — Conceptualizaciones metafóricas del estudiantado sobre la IA generativa y el aprendizaje profesional
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — Una analogía de electrodoméstico de cocina para la delegación y el aprendizaje con IA
• ANVIL: Analogies and Videos for Lecturers — Analogías generadas por IA y animaciones instruccionales para informática
• Using AI in engineering education: a balancing act, driven by clear purpose — Las metáforas de «oráculo» y «tutor» del estudiantado exceden las capacidades de los LLM
• Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations — Andamiajes de visualización metafórica y su problema de legitimidad
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — La metáfora de la «máquina expendedora de retroalimentación» de una estudiante como evidencia de alfabetización
• Alternative AI Philosophy: Daoism as Method for AI in Education — «Zhenren» como contrametáfora de la IA en la educación