Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Agente pedagógico

Creada 2026-09-28 · Actualizada 2026-09-28

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

Síntesis: los agentes pedagógicos son interfaces conversacionales impulsadas por IA integradas en entornos de aprendizaje que emplean estrategias pedagógicas (inducir, explicar, andamiar) para apoyar la implicación de quien aprende, la reflexión y la metacognición. Los diseños varían desde simples proveedores de información hasta interlocutores de diálogo interactivo que se adaptan a los estados de quien aprende.

Preguntas para reflexionar

  • Piense en alguna ocasión en que un chatbot o un tutor le dio una respuesta perfecta que no le dejó más sabio. ¿Qué hace que una IA «enseñe» en lugar de limitarse a «resolver», y por qué una puntuación de un punto de referencia podría no captar esa diferencia?
  • La página constata que las puntuaciones de «resolución» y las de «pedagogía» solo se correlacionan débilmente entre modelos. ¿Qué debería decirle eso sobre evaluar a un tutor de IA por su capacidad de responder preguntas?
  • Algunos diseños asignan a la IA roles diferenciados —docente, compañero de clase, mentor— e incluso mantienen a un progenitor implicado de forma central (como en ParaTutor). Según su experiencia, ¿cambia en algo el modo en que aprenden las personas interactuar con un agente cuando se le da un rol claro?
  • El estudiantado real suele «saltarse» el encuadre pedagógico de un chatbot cuando los objetivos del agente chocan con los suyos. ¿Por qué alguien podría ignorar racionalmente un buen andamiaje, y qué implica eso para el supuesto «si lo construimos, se implicarán»?
  • ¿Preferiría aprender de una IA que le explica cosas, de una que le hace preguntas o de una que media en un debate grupal? ¿Cómo moldea su preferencia lo que usted cree que debería ser un «agente pedagógico»?
  • Desde un simple proveedor de información hasta una flota de agentes especializados que orquestan un curso entero: ¿dónde cree que reside realmente el valor (y el riesgo) de la tutoría con IA conversacional?

Introducción

Un agente pedagógico es un componente interactivo de IA dentro de un sistema de aprendizaje que implica a quien aprende mediante el diálogo, preguntas o prompts para apoyar los procesos cognitivos y metacognitivos. A diferencia de los paneles pasivos o de la retroalimentación estática, los agentes pedagógicos emplean estrategias de tutoría basadas en la evidencia —como inducir autoevaluaciones de quien aprende antes de ofrecer retroalimentación, o andamiar la resolución de problemas mediante el diálogo socrático—. El paraguas abarca hoy desde un único tutor inteligente conversacional hasta flotas de agentes especializados por rol que imparten clase, ejercen de mentores, facilitan la colaboración e incluso orquestan la generación de cursos, todo ello fundamentado en décadas de investigación sobre sistemas de tutoría inteligente.

Cómo se estudian los agentes pedagógicos en la base de conocimiento

Diseño y arquitectura de los agentes conversacionales. Un hilo recurrente es cómo se estructuran los agentes, y no solo qué modelos los impulsan. El marco de tutores de IA conversacional sostiene que las tecnologías probadas de los sistemas de tutoría inteligente —seguimiento del conocimiento, detección del afecto, modelado del estudiantado— deberían anclar a los tutores generativos, conservando la columna vertebral diagnóstica mientras la IA generativa aporta un diálogo flexible. Los diseños multiagente llevan esto más lejos: MAIC sustituye el «un vídeo para N estudiantes» del MOOC por un aula impulsada por un LLM con agentes de Docente, Asistente, Compañero de clase y Analizador para ofrecer aprendizaje personalizado a escala, mientras que LecturaAgents añade un ProfessorAgent corporeizado cuyo algoritmo TASA alinea las acciones visibles de enseñanza (escritura a mano, resaltado) con los perfiles de quien aprende. Incluso la tutoría entre progenitor e hijo se convierte en un problema de dos agentes en ParaTutor, donde un andamiaje con roles separados mantiene al progenitor implicado de forma central en lugar de dejar que un chatbot genérico lo desplace. La misma lógica basada en roles aparece en Instructional Agents, donde agentes con los roles de profesorado docente, diseñador, ayudante y coordinador de programa colaboran a lo largo de ADDIE para generar materiales de curso.

Enseñar frente a resolver. Un hallazgo empírico central es que producir respuestas no es apoyar el aprendizaje. Medir si los tutores LLM enseñan o resuelven muestra que las puntuaciones de resolución y de pedagogía en los puntos de referencia de tutoría solo se correlacionan débilmente (r = 0,421 en ocho modelos), y sostiene que los puntos de referencia deben informar por separado de los criterios orientados a la pedagogía: preguntas guía, pistas calibradas y andamiaje que no desvela la respuesta. Esto concuerda con la evidencia de IA específica para tutoría frente a IA de propósito general: los tutores diseñados pedagógicamente y con barandillas mitigan las caídas en las notas de examen y la supresión del razonamiento que producen los chatbots de propósito general sin más, preservando las dificultades deseables y el esfuerzo productivo en lugar de cortocircuitarlos. Ahora bien, los puntos de referencia pueden sobreestimar lo bien que funcionan incluso los tutores con andamiaje en condiciones reales. Repensar el andamiaje en los tutores LLM encuentra que el estudiantado real se salta con frecuencia el encuadre pedagógico de un chatbot, una respuesta racional a un desajuste entre los objetivos del agente y los de quien aprende, de modo que la adopción debe evaluarse, no darse por supuesta.

Papel en la tutoría y la colaboración. Los agentes se posicionan cada vez más no como dadores de respuestas, sino como facilitadores y mediadores. El marco de mediador pedagógico de Niari replantea la IA en el aprendizaje colaborativo como un mediador interaccional, epistémico y regulador, que andamia la participación y la regulación compartida sin desplazar al profesorado ni la agencia de quien aprende. En concreto, la tutoría colaborativa con IA (ProPACT) trata la colaboración misma como objeto de la enseñanza, anticipa rupturas diádicas hasta 30 segundos antes y ofrece andamiajes mínimamente intrusivos que preservan la metacognición. La indagación corporeizada con la IA como facilitadora muestra que una IA puede complementar la construcción manual de modelos facilitando la aplicación de un modelo ya construido, mientras que el metaanálisis sobre aprendizaje de lenguas asistido por robots encuentra que los resultados dependen más de cómo se posiciona al agente robótico en la enseñanza (interacción en grupo) que de su sofisticación técnica. Que el rol que desempeña un agente sea suficiente, o que además deba adaptar su conducta, lo cuestiona Liao (2026): un estudio de «tertulia literaria» en primaria encontró que un compañero fijo con el rol de «igual» sostenía interacciones más largas pero suprimía la agencia del estudiantado y chocaba con un «techo afectivo» (reflexión emocional y orientada al futuro débil), lo que sostiene que etiquetar un rol debe ir acompañado de una lógica de interacción adaptativa al rol y no de un diseño monolítico de rol único.

Los agentes de formación en ética (Seo et al., 2026) muestran qué ocurre cuando se pide a un agente pedagógico que modere en lugar de enseñar: un facilitador LLM que gestionaba los turnos de palabra (con ventanas de 15 segundos para levantar la mano), el tiempo (avanzando automáticamente una etapa hacia el cierre tras 9 minutos) y resúmenes incrementales por lotes redujo la carga cognitiva de los participantes y les dio la sensación de que la discusión iba «por buen camino»; un participante lo contrastó favorablemente con ChatGPT, que «a menudo puede sentirse desorganizado o dificultar ver el progreso de las ideas». El mismo estudio expone el techo de los agentes basados en personajes: los tres agentes con orientaciones éticas distintas fueron valorados significativamente por debajo de los pares humanos en contribución, diversidad e influencia (Kruskal-Wallis p < 0,001), y los participantes pidieron resultados orientados al proceso («cómo razona el agente») y no a las conclusiones.

Dónde se usan (y dónde no) los agentes conversacionales: el panorama de la revisión paraguas. La revisión paraguas de los agentes de IA conversacional (Ganguly et al. 2025, 34 revisiones) cuantifica la utilización de la IAC: el apoyo a la enseñanza y el aprendizaje (97,1% de las revisiones), el apoyo psicológico y motivacional (91,2%) y el desarrollo metacognitivo y personal (88,2%) van a la cabeza, mientras que el apoyo administrativo (50%), la investigación y la gestión de la información (52,9%) y el apoyo sanitario o médico (41,2%) se quedan atrás. También señala que la investigación sobre IAC carece de orientaciones de diseño de extremo a extremo, de métodos de usabilidad específicos de la IAC y de estrategias concretas de orquestación del aula para el papel del profesorado, lo que refuerza que el diseño de agentes pedagógicos debe estar fundamentado en la interacción persona-ordenador, basarse en la evidencia y atender a la alfabetización en IA.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

La orientación de rol es una variable de diseño, no una elección estilística. La comparación de agentes de física (Wang et al. 2026, 59 personas aprendientes) aísla el rol especificado en el prompt manteniendo fijos el modelo, la plataforma y la temperatura: un agente centrado en el docente, anclado en una fuente acotada del libro de texto y que responde desde la perspectiva del profesorado, frente a un agente centrado en el estudiantado, configurado con conocimiento de la comprensión del alumnado y guiado por un guion para diagnosticar ideas erróneas, nombrar el concepto y transferir a un caso análogo. El rol centrado en el estudiantado ganó en todos los resultados medidos —rendimiento en el postest, menor carga cognitiva extrínseca y mayor carga germánica, experiencia de flujo y empatía percibida— aunque el agente centrado en el docente era el optimizado para la exactitud y la fidelidad al libro de texto. Esto convierte el rol y el patrón de interacción en un parámetro de diseño de primer orden junto con la ingeniería de prompts y la elección de modelo, y muestra que la empatía puede diseñarse a partir de la estructura conversacional y no de un modelo entrenado de otra manera (Computación afectiva).

Agentes en entornos inmersivos y de realidad extendida. Ross y Kaspar (2026) extienden el concepto a la realidad extendida (RA, virtualidad aumentada y RV) con ACLIME, un marco conceptual que —a diferencia de CAMIL, CATLM-VR y TICOL— mantiene al agente dentro del modelo. Nombra dos modos de interacción tomados de la literatura: el tutor, que ofrece orientación, ánimo, preguntas reflexivas y explicaciones, y el compañero de rol, que ocupa un papel definido dentro de un escenario, como un lugareño en una salida de campo sobre el cambio climático o una contraparte negociadora en formación corporativa. El cuerpo del agente (desde solo la cabeza hasta el cuerpo completo) y su conducta se tratan como superficies de diseño: realismo visual frente a conductual, control flexible por IA frente a guiones fijos basados en reglas, habla sintetizada frente a pregrabada, y canales no verbales como la mirada, el gesto y la proxemia. Se sostiene que la inmersión y la interactividad basada en el cuerpo multiplican las señales sociales que sustentan la presencia social —se propone el realismo conductual, y no el visual, como predictor decisivo—, mientras que el propio cuerpo virtual de quien aprende añade una dimensión de corporeización (propiedad corporal, agencia del propio cuerpo virtual, autolocalización) y el efecto Proteo. El equilibrio que el marco explicita es cognitivo: la inmersión y la mera presencia del agente pueden elevar la carga cognitiva incluso cuando la interacción social con el agente la reduce por el efecto de memoria de trabajo colectiva, y a las variables de diseño habituales se añade una capa temporal (familiarización, maduración de la relación humano-agente, declive de la novedad, aparición del cibermareo). Su estatus es deliberadamente provisional: apenas hay trabajo empírico que ponga a prueba agentes pedagógicos en medios inmersivos, y tanto los resultados de aprendizaje a largo plazo como las características de quien aprende quedan fuera del modelo.

Evaluación y puntos de referencia. Medir un agente pedagógico exige poner a prueba la pedagogía, no el contenido. El Teaching Monster Challenge evalúa el conocimiento pedagógico del contenido pidiendo a los agentes que adapten una lección a un perfil de estudiante especificado, y encuentra sistemas fuertes en contenido pero débiles al adaptarlo, además de revelar que los jueces LLM clasifican mal a los sistemas sólidos. EduAgentBench evalúa a los agentes en juicio pedagógico profesional, tutoría multiturno situada y finalización de flujos de trabajo tipo lienzo, y muestra que los modelos se quedan cortos respecto a los estándares profesionales de enseñanza. La ficción interactiva generada por IA añade un ángulo de evaluación de diseño: lo que limita su utilidad para la experiencia del estudiantado es la coherencia y la integración de cuestionarios, no la capacidad de generación.

Orientaciones prácticas

Diseñe para la agencia de quien aprende, no para la comodidad del modelo. Prefiera las barandillas específicas de la tutoría —andamiaje, pistas, preguntas socráticas, focalización en ideas erróneas— frente a la generación directa de respuestas, ya que resolver y enseñar divergen. Distribuya el apoyo según el rol de la persona usuaria (progenitor frente a hijo, igual frente a igual) y no mediante una única interfaz genérica, y trate la colaboración como un objetivo legítimo de andamiaje. No dé por supuesto que el estudiantado adoptará el andamiaje; evalúe la adopción en contextos reales. Integre la supervisión humana en la autoría —como hace PromptDecipher al convertir la revisión docente de las respuestas del bot en una actividad de primer orden— y elija motores más baratos donde la calidad se mantenga. Informe por separado de las puntuaciones de enseñanza y de resolución, y valide el contenido generado con las personas usuarias en lugar de suponer que generar equivale a ser útil.

Conexiones con conceptos relacionados

Los agentes pedagógicos se sitúan en la intersección entre la tutoría inteligente (su columna vertebral diagnóstica de seguimiento del conocimiento y modelado del estudiantado) y la IA generativa o el LLM (su motor de entrega). Operacionalizan el andamiaje y la retroalimentación, apuntan a la metacognición y al aprendizaje autorregulado, y se orientan cada vez más al aprendizaje colaborativo. Las preocupaciones de seguridad reaparecen en la seguridad pedagógica, la calidad de la autoría y el riesgo de que los agentes descarguen el aprendizaje en lugar de apoyarlo. Todo ello se evalúa mediante la evaluación de la IA en educación y puntos de referencia que deben medir la enseñanza, no solo la resolución.

Lo decisivo es que los agentes pedagógicos se juzgan por sus ganancias de aprendizaje, no por la fluidez con que responden. La evidencia de la base de conocimiento es que los agentes producen ganancias duraderas cuando se diseñan como entrenadores específicos de tutoría con barandillas —la IA específica para tutoría supera sistemáticamente a los chatbots de propósito general— y pueden perjudicar el aprendizaje cuando sustituyen el esfuerzo de quien aprende (el ensayo aleatorizado sobre barandillas, dependencia del LLM y notas). Medir las ganancias de aprendizaje de un agente exige, por tanto, medidas de resultado transferibles y sin asistencia, y no el rendimiento dentro de la herramienta.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Metadatos

DisciplinaStem Education
NivelHigher Ed, K 12
Público destinatarioLearners
Aprendizaje y enseñanzaAndamiaje, Interacción entre el estudiantado y la IA
Tecnologías y técnicasIA generativa, Tutoría inteligente, Grandes modelos de lenguaje (LLM), Aprendizaje personalizado
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.