Andamiaje

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Andamiaje — apoyo estructurado que ayuda a quienes aprenden a realizar tareas que todavía no pueden completar de forma independiente, con un apoyo que se retira a medida que crece la competencia. En la IA en la educación, el andamiaje es el principio de diseño principal para garantizar que las herramientas de IA apoyen el aprendizaje en lugar de sustituirlo.

Preguntas para reflexionar

• Piense en una ocasión en que alguien le «ayudó» con algo que estaba aprendiendo, y la ayuda hizo tan bien el trabajo que usted aprendió menos. ¿Dónde está la línea entre el apoyo que le deja crecer y el apoyo que le sustituye? La página sostiene que esta es la cuestión de diseño central para los tutores de IA.
• El andamiaje hunde sus raíces en la zona de desarrollo próximo: apoyo suficiente para permitir el progreso, pero no tanto como para saltarse el aprendizaje. ¿Cómo se ve el «exceso de apoyo» en un tutor de IA, y puede detectarlo solo a partir del comportamiento del estudiante?
• Un hallazgo clave: el estudiantado a menudo prefiere los roles más directivos del tutor de IA aunque rinde mejor con los roles colaborativos de par y de asistente del La docencia. ¿Refleja la preferencia de quien aprende de forma fiable lo que es mejor para el aprendizaje, y qué implica esa divergencia a la hora de dejar que el estudiantado elija su propio andamiaje?
• Un andamiaje que nunca se retira crea dependencia. La página señala que los andamiajes automatizados corren el riesgo de quedarse estáticos en lugar de retirarse a medida que crece la competencia. ¿Por qué es esencial la «retirada», y por qué podría un sistema de IA no llevarla a cabo si no se ha diseñado deliberadamente para ello?
• El principio de diseño es «andamiar, no sustituir». El propio estudiantado pidió una IA que «does not provide any solutions for you — you still learn as you have to find the correct answer yourself». ¿Coincide eso con cómo ha vivido usted una ayuda eficaz, o ha preferido el atajo aun sabiendo lo que le costaba?
• Fíjese una meta antes de leer: elija una tarea que enseñe y esboce cómo sería una pista que preserve el esfuerzo de quien aprende frente a una respuesta que lo elimine. ¿Cómo sabrá que sus pistas están en la zona del esfuerzo productivo?

Introducción

Cómo aparece el andamiaje en la AIED

• Andamiaje basado en prompts: el andamiaje guiado con LLM enseña el uso de prompts estructurado como intervención de aprendizaje. El andamiaje de compromiso crítico usa enfoques culturalmente sensibles.
• Andamiaje de iniciativa mixta para las carencias que quien aprende no puede nombrar: Sun et al. (2026) mantienen a quien escribe al mando de la síntesis narrativa mientras el sistema toma la iniciativa solo sobre el descubrimiento del dominio, señalando de forma proactiva las carencias de conocimiento que quienes escriben no pueden formular como consultas.
• Andamiaje socrático: el diálogo socrático con IA evita dar respuestas directas y usa preguntas para guiar el descubrimiento —una forma de andamiaje de dificultades deseables—. Como condición de contorno, el cuestionamiento ayuda al inicio pero decae con la profundidad, por lo que la regla de retirada pasa de provocar la respuesta a abordar el error: el beneficio cae de una ventaja de 20 puntos al inicio a 3 puntos en el cuarto turno de bloqueo, mientras que abordar el error sube de +5 a +12 (Ahtisham et al., 2026).
• Retirada adaptativa: los sistemas de tutoría inteligente ajustan el andamiaje en función de las estimaciones de Seguimiento del conocimiento, aportando más apoyo para los conceptos no dominados y menos para los ya conocidos.
• La función, y no la herramienta, decide qué cuenta como éxito: Vasileiou et al. (2026) proponen un marco de tres funciones para el apoyo de la IA en educación especial. La compensación reduce una demanda ejecutiva para que quien aprende pueda participar (éxito = acceso mientras el apoyo permanece). El andamiaje apoya el rendimiento justo por encima de la capacidad actual (éxito = decisiones con asistencia dirigida). El desarrollo construye estrategias utilizables sin la herramienta (éxito = uso de la estrategia tras la retirada o la transferencia). Cada función conlleva un estándar de evaluación distinto, y el error recurrente del campo es reportar la finalización de la tarea durante el apoyo como desarrollo. Se trata de una revisión narrativa con categorías interpretativas, no de una estimación de efecto agrupada.
• Andamiaje adaptativo activado por la necesidad en la formación de entrevistas clínicas: el ensayo aleatorizado de MeduAI-SP (Yang et al., 2026; N = 100 estudiantes de medicina de tercer año) operativizó el andamiaje como apoyo adaptativo activado por la necesidad: un agente evaluador a nivel de turno señalaba cuándo quien aprendía estaba bloqueado, omitía datos clave de la historia, corría el riesgo de un cierre prematuro o perjudicaba la relación, y solo entonces un agente tutor emitía un prompt socrático. La anotación por parte de expertos de 207 consultas mostró que la necesidad de andamiaje dependía fuertemente de la fase, elevándose desde cerca del 16,1 % de las intervenciones del estudiantado al inicio del encuentro hasta el 34,8 % al final (24,1 % señalado en conjunto) —una prueba empírica de que el apoyo a la consulta de novatos se necesita sobre todo durante la integración y el razonamiento diagnóstico, y no durante la recogida inicial de información—. La condición de andamiaje superó a un control estructurado de divulgación progresiva en el examen final alineado con el OSCE (71,8 % frente a 55,6 %; β = 16,4 puntos porcentuales; P = 3,30e-4), con la mayor ganancia en comunicación (g de Hedges = −0,79).
• Sistemas de pistas: la investigación sobre pistas en tutores de IA examina cuándo las pistas ayudan y cuándo fomentan la dependencia excesiva.
• Andamiajes que elevan la recuperación tras el error. En un experimento de campo con 6.000 estudiantes de secundaria, el apoyo de la IA ralentizó el progreso y redujo las preguntas intentadas, pero aumentó la corrección en el intento siguiente tras los errores y redujo los intentos necesarios para volver a una respuesta correcta —una «ralentización productiva» en lugar del suministro de respuestas— (Oreopoulos et al., 2026).
• La retroalimentación auténtica del profesorado es en su mayor parte andamiaje. Lee et al. (2025) construyeron una taxonomía de diez tipos a partir de 100 mensajes de retroalimentación escritos por docentes sobre respuestas abiertas de matemáticas de secundaria y encontraron que la mayoría de los conglomerados eran movimientos facilitadores (dar pistas, pregunta retórica, muestra tu trabajo y ejemplo resuelto) y no retroalimentación desnuda sobre la corrección. La estructura factorial agudizó el contraste: el Factor 7 «Sugerencia con pistas» cargaba positivamente en Sugerencias matemáticas (N=4) y Pista (N=3) pero negativamente en Explicación (N=2), lo que marca las pistas como apoyo indirecto que andamia la comprensión sin proporcionar la solución casi completa.
• Formar a quien aprende es en sí mismo un andamiaje. Una sesión de 45 minutos que enseñaba al estudiantado a hacer prompting a un modelo por fases de aprendizaje autorregulado (SRL) y a remediar sus errores visuales y de razonamiento elevó la precisión en la revisión de física (d = 0,81) sin aumentar la carga cognitiva total reportada (Huang et al., 2026).
• Andamiajes conceptuales y representacionales: Concept Catalyst y repensar los tutores con LLM exploran patrones de diseño para el apoyo cognitivo. Davor (2026) aporta un dominio en el que el apoyo representacional y el dar respuestas tienen que separarse: la demostración geométrica es rica en recursos de Visualización, pero el paso desde una relación que puede verse hasta un argumento deductivo válido es precisamente el que quienes aprenden no logran dar, por lo que el andamiaje tiene que transportarlos a través de las representaciones en lugar de entregarles otra imagen. Su cuasiexperimento con 86 estudiantes de último curso de secundaria en Ghana configuró la IA generativa para provocar y cuestionar en lugar de resolver —pidiendo a quienes aprendían que justificaran lo que observaban, nombraran los teoremas pertinentes y ordenaran sus pasos lógicos, con el profesor usando las representaciones de la IA para orientar la discusión—, y la clase con apoyo de la IA superó a la enseñanza convencional en la construcción de demostraciones incluso después de controlar el rendimiento en la prueba previa. Las percepciones de la retroalimentación y de la calidad de las explicaciones fueron favorables, aunque solo se encuestó al grupo experimental. El andamiaje se posiciona aquí como el puente desde la intuición visual hasta el razonamiento deductivo, y el artículo nunca nombra el modelo ni una ventana de recogida de datos, por lo que ofrece más una justificación de diseño que una receta de replicación.
• «Andamiar, no sustituir» como principio de diseño: Favero et al. (2026) sostienen que el riesgo central de la IA en la educación es la desalineación —una IA que sustituye el esfuerzo humano erosiona las capacidades que la educación está llamada a construir— y derivan un único principio de diseño: andamiar, no sustituir. El andamiaje debe ser una capacidad de primer orden de los sistemas de IA: saber cuándo retener una respuesta, hacer una pregunta, poner de manifiesto la incertidumbre o presentar perspectivas alternativas. Su análisis de redacciones del estudiantado muestra que quienes aprenden convergen por sí mismos en esto —pidiendo una IA que «does not provide any solutions for you — you still learn as you have to find the correct answer yourself»—. El principio posiciona el andamiaje como la alternativa a un ciclo de daño autorreforzado de sustitución a lo largo de la cognición, la Agencia de quien aprende, la emoción y la Ética.
• La mentoría como andamiaje de un proceso de investigación. Wang et al. (2026) tratan una revisión sistemática como una experiencia de aprendizaje intencional en la que la mentoría aporta un andamiaje metodológico y emocional integrado, mientras la automatización se confina a la carga procedimental como el cribado de resúmenes, y la extracción de datos, la reconciliación y la síntesis quedan en manos de quienes revisan.
• Andamiaje integrado en el medio, no añadido a posteriori: Wang, Du y Jin (2026) operativizan cuatro principios de andamiaje dentro de un reproductor de vídeo —el ajuste de la profundidad de los comentarios basado en la ZDP—, el andamiaje retirable (el apoyo de conocimiento se adelgaza a lo largo de la línea temporal), el andamiaje distribuido (cada comentario es o apoyo de conocimiento o apoyo emocional) y la temporalización derivada de la carga cognitiva —calculando la entropía del vídeo a nivel de fotograma e insertando comentarios solo en los intervalos de baja información—. Su ablación de cuatro condiciones con 20 personas que aprendían encontró que el módulo de temporalización por entropía producía el efecto más fuerte y robusto sobre la calidad percibida cuando se retiraba (Z = −2,85, r = 0,45, p = 0,004), lo que convierte la programación del andamiaje en una variable de diseño medible en lugar de un detalle de empaquetado. El estudio también contiene una advertencia para el andamiaje automatizado: los comentarios generados por ChatGPT fueron sistemáticamente más difíciles de leer, menos diversos léxicamente y menos alineados temáticamente que los comentarios del profesorado, con la mayor brecha de relevancia en el apoyo emocional (calidad de la retroalimentación).
• Andamiaje emocional como capa de prompts, medido frente al andamiaje cognitivo solo. Con la interfaz y la lección fijas, la versión emocional pedía al estudiantado que informara de sus sentimientos en tres momentos y usaba esos informes para variar el tono, el andamiaje afectivo y el desafío cognitivo según las valoraciones de control y de valor, con la temperatura en 0,7 para que las adaptaciones guiaran las respuestas en lugar de dictarlas. En los registros de diálogo consiguió más trabajo de fase de rendimiento y de autorreflexión que los prompts de SRL por sí solos, y más disfrute y menos aburrimiento. No añadió nada a las ganancias de aprendizaje ni a la autoeficacia en una única sesión de 25 minutos (Diordiev, Stenberdt y Makransky, 2026).
• El andamiaje preferido no siempre es el más eficaz: Zhu, Yang y Yang (2026) encontraron en un experimento intrasujeto que el estudiantado rendía mejor con los roles de IA de Par y de Ayudante de Cátedra (que fomentan el razonamiento colaborativo), pero prefería los roles más directivos de Tutor y de Estudiante Excelente —una divergencia entre preferencia y rendimiento que advierte contra equiparar la preferencia de quien aprende con un andamiaje eficaz en el modelado matemático con apoyo de IA—.
• Un andamiaje más estructurado no es automáticamente uno más agente: un bot de diseño experto elevó la duración de la interacción y los prompts de autoría propia frente al ChatGPT corriente, pero la agencia en la resolución de problemas colaborativa cayó en ambas condiciones, y el acuerdo en lugar de la crítica fue el comportamiento de menor agencia observado (Krushinskaia et al., 2026).
• La calificación automatizada como andamiaje deliberado: Chen y Liu (2026) trataron un sistema automatizado de calificación de interpretación como andamiaje formativo más que como instrumento de medida, en una comparación de 14 semanas con 46 estudiantes de segundo curso de Traducción e Interpretación de Inglés. El andamiaje se convirtió en una ganancia solo allí donde el déficit al que apuntaba era descomponible, calificable de forma fiable y escalable con sensibilidad: la precisión lingüística y la coherencia lógica aumentaron, mientras que la fidelidad de la información y la fluidez de la ejecución se mantuvieron planas, siendo la fidelidad la dimensión en la que las calificaciones automatizadas y humanas discrepaban más (r = 0,12). El ciclo que reforzaba también era parcial. Solo la ejecución y la monitorización de la fase de práctica se correlacionaron con las ganancias de puntuación (r = 0,42), mientras que la planificación previa al aprendizaje se situó cerca del punto medio de la escala (M = 3,01) y el estudiantado fijaba metas a partir de la puntuación anterior en lugar de a partir de la tarea por delante. Un andamiaje puede estar bien colocado dentro de la fase de rendimiento y aun así dejar intacta la planificación que lo haría innecesario.
• Andamiaje de bucle cerrado sobre la frontera actual de quien aprende: Zhu, Luo y Li (2026) construyeron un bucle de educación musical en el que la detección de errores IA multimodal sobre el audio de la interpretación y la partitura se convierte en la recompensa que dirige las pistas de práctica generadas por refuerzo, de modo que la dificultad sigue la frontera actual de quien aprende en lugar de un programa fijo: las trayectorias de práctica generadas se ajustaron a los perfiles de habilidad de quienes aprendían con una similitud coseno máxima de 0,962, y la interacción Grupo x Tiempo favoreció al grupo con andamiaje en un cuasiexperimento de 12 semanas con 120 estudiantes de grado (beta = 0,52, IC del 95 % [0,31, 0,73]). Siguen dos límites para el andamiaje automatizado. La detección es un triaje más que un juicio, ya que una precisión en la detección de errores de ritmo del 89,7 % significa que aproximadamente uno de cada diez errores señalados es una falsa alarma, y la revisión ciega por expertos calificó el apoyo a la expresión musical como el área más débil del sistema, dejando la interpretación al profesorado.
• El ritmo también se andamia. Englmeier (2025) combina el andamiaje de contenido con una capa temporal de tiempos semanales, paneles de progreso y comprobaciones al final de cada sección; sin esa cadencia, casi el 25 por ciento de más de 600 estudiantes empezó en la última semana y el 95 por ciento de ellos fracasó.

La conexión con la ZDP

La zona de desarrollo próximo de Vygotsky proporciona el fundamento teórico: el andamiaje se dirige al espacio entre lo que quienes aprenden pueden hacer de forma independiente y lo que pueden lograr con apoyo. Las herramientas de IA deberían operar en esta zona —apoyo suficiente para permitir el progreso, pero no tanto como para saltarse el aprendizaje—. Una configuración que invierte la dirección habitual de la adaptación aparece en el curso de posgrado de Sidorkin (2026), donde quien aprendía, y no el sistema, fijaba el nivel de apoyo: las lecturas semanales se generaban a demanda y el estudiantado ajustaba el nivel de comprensión mediante prompting iterativo (ritmo, definiciones, densidad de vocabulario, profundidad). El análisis de tres registros de lectura encontró marcadores de definición de 3,4x a 8,7x más frecuentes en las respuestas de la IA tras los prompts orientados a la comprensión que en el texto explicativo de referencia, y los casos más claros construían primero una capa de definiciones y después una procedimental numerada, lo que convierte la densidad del andamiaje en una propiedad medible de la petición de quien aprende más que solo de la estimación de dominio de un sistema. Exigir al menos tres preguntas de seguimiento por lectura hizo rutinario ese ajuste, convirtiendo el texto en una interacción que sacaba a la luz las carencias de comprensión que el profesorado de otro modo no habría visto.

La forma del andamiaje tiene que ajustarse a lo que quien aprende ya puede retener, y no solo a lo que la tarea requiere. En una revisión de alcance sistemática de 24 fuentes de evidencia sobre el pensamiento creativo en niños de 6 a 15 años, Niu et al. (2026) reportan que los niños más pequeños carecían del control lingüístico y metacognitivo preciso que exige el prompting basado en texto y necesitaban interfaces multimodales facilitadas por adultos, mientras que los LLM basados en texto mostraban resultados reportados más fuertes con los niños mayores y los adolescentes jóvenes. La dependencia de los prompts era más fuerte en los cursos inferiores, y ningún estudio incluido examinó umbrales de preparación para el desarrollo, por lo que los autores tratan la modalidad y las elecciones de andamiaje como una cuestión de diseño abierta que debe resolverse en función de la capacidad de quien aprende más que por comodidad.

Conexiones

El andamiaje se conecta con la dependencia excesiva (un andamiaje que no se retira crea dependencia), con la teoría de la carga cognitiva (el andamiaje gestiona la carga cognitiva), con el bucle de retroalimentación (el andamiaje aporta retroalimentación formativa) y con la Alfabetización en IA (quienes aprenden deben reconocer cuándo el andamiaje es beneficioso y cuándo desplaza el aprendizaje).

Los agentes deben andamiar de forma dinámica, no estática: Woollaston et al. (2026) identifican que los andamiajes automatizados corren el riesgo de quedarse estáticos en lugar de retirarse a medida que crece la competencia, y recomiendan andamiajes dinámicos que se adaptan y se retiran —un guardarraíl clave para la IA agéntica—. CoMeT (Hou et al., 2026) aporta tanto la separación como la justificación de cuándo retirar: su apoyo sube un escalón cada vez que quien aprende no lo usa y baja al escalón más ligero cuando se acepta, manteniendo la demanda metacognitiva estadísticamente equivalente a la de un tutor que se abstiene (p_TOST = 0,004) a la vez que entrega un artefacto en el 48,1 % de las sesiones frente al 23,7 % —más trabajo del sistema, no menos—. El desencadenante que validó es el objetivo más que la profundidad: tras una demostración completa, el tutor concedió después el 30,3 % de lo que seguía abierto; tras un artefacto pegado, el 25,9 %; tras una afirmación sin más, el 20,4 %; y tras una petición de construir, el 33,7 %, mientras que los turnos no dirigidos a la decisión en cuestión obtuvieron una concesión posterior el 40,3 % de las veces frente al 28,8 % de los turnos dirigidos (diferencia de 11,5 puntos, intervalo de bootstrap al 95 % [2,1, 22,4]). La aceptación era escasa —37,0 % tras la primera petición y 21,8 % tras la tercera—, por lo que una regla de retirada ligada al esfuerzo de quien aprende leería una no-respuesta como señal de preparación.

La retirada puede desaparecer del entrenamiento de un tutor. Un tutor de RL multiturno recompensado solo por el problema actual y una variante enmascarada de transferencia cercana dejaron de retirar el apoyo y de asignar trabajo independiente, aunque nada penalizaba ninguna de las dos cosas, porque su recompensa queda más allá de un episodio de diálogo (Macina, Kapur y Sachan, 2026). Un horizonte de recompensa que termina con el problema borrará la retirada que un diseño especifica.

Una cuarta zona hace visible la fuente del andamiaje: Tsim y Gutoreva (2025) añaden «lo conocido por la IA generativa» a las zonas de Vygotsky, de modo que una tarea cae en Sustituir, Complementar, Ayudar o No negociable —y No negociable alberga lo que necesita a una persona porque es normativo, tácito o demasiado arriesgado para entregarlo—.

• Colocar la IA por la fase de la idea, no por el curso. El marco de colocación de seis movimientos mantiene a la IA fuera del primer intento difícil y de la comprobación final sin ayuda, a la vez que la autoriza entre ambos para pistas, ejemplos y práctica; si la IA hace que la tarea se sienta sin esfuerzo, está en el lugar equivocado (Brcic y Frljic, 2026).

El andamiaje debe ser adecuado a la situación, no maximalista: Zhang et al. (2026) presentan TutorMoments, que evalúa si los tutores con LM andamian solo cuando el apoyo es necesario, presionan por el rigor cuando el estudiante está preparado y evitan el exceso de andamiaje (reducir la demanda cognitiva más de lo que la situación requiere). Los modelos frontera mínimamente provocados tienden por defecto al exceso de andamiaje a expensas del esfuerzo productivo.

• Una IA que andamia el esfuerzo productivo. Kim et al. (2026) derivan principios de diseño de la IA (apoyo no directivo, diseño reflexivo, IA con intervención humana (HITL)) que mantienen el andamiaje en la zona del esfuerzo productivo en lugar de colapsar hacia el dar respuestas; Puech et al. (2025) muestran que los tutores con Grandes modelos de lenguaje (LLM) pueden dirigirse para dar ayuda solo cuando es estrictamente necesaria —un andamiaje que preserva el esfuerzo propio de quien aprende—.

La retirada del andamiaje como mecanismo de aplicación para la verificación. Kumar, Wongsirichot y Nanthaamornphong (2026) sintetizan 72 estudios de educación en computación y sitúan la retirada del andamiaje, junto con las herramientas de guardarraíl y los diseños de Aprendizaje autorregulado, como una de las tres formas en que los cursos exigen compromiso crítico con el resultado de la IA —estructuralmente (restringiendo lo que la herramienta devuelve), procedimentalmente (registros de reflexión, autoevaluación) y temporalmente (restaurando progresivamente las condiciones en las que se requiere razonamiento independiente)—. Su evidencia es que las ganancias de eficiencia bajo asistencia de la IA no se transfieren al rendimiento sin ayuda, y que el modo de fallo —el patrón de pseudoaprendizaje, donde el estudiantado observa a la IA generar código sin realizar la tarea— es exactamente modelado sin práctica de la tarea completa. El acceso graduado funciona por tanto como un calendario de retirada para una nueva y poderosa forma de apoyo, y la revisión lo fundamenta en el 4C/ID: la asistencia ayuda solo cuando quien aprende ya tiene suficiente esquema para comprometerse críticamente con ella (la zona de desarrollo próximo, la Descarga cognitiva).

La secuenciación es la otra palanca del andamiaje: Vendrell y Johnston (2026) recomiendan exigir un intento independiente de quien aprende antes de cualquier consulta a la IA y usar después el modelo para generar contraargumentos en lugar de respuestas, con fases deliberadas sin IA, de modo que el apoyo amplifique el razonamiento en lugar de sustituirlo.

Andamiaje guiado por reglas frente a andamiaje ad hoc

• Andamiaje guiado por reglas frente a andamiaje ad hoc. Looi, Liu y Sun (2026) formalizan una distinción central para el diseño del andamiaje: el andamiaje guiado por reglas, en el que la tutoría se rige por una arquitectura auditable de tres capas (diagnóstico → selección de intención → generación de respuesta restringida), frente al andamiaje ad hoc, donde los movimientos de ayuda son difíciles de auditar y de replicar. Su estudio de matemáticas en primaria mostró que el andamiaje guiado por reglas mejora la consistencia interaccional, reduce el dar respuestas prematuras y el cierre temprano, y sostiene la implicación cognitiva —una prueba de que la explicitación y la auditabilidad de los movimientos de andamiaje importan tanto para la consistencia como para el aprendizaje en dominios procedimentales—.
• El andamiaje como vía restringida entre el rodeo y la descarga cognitiva. El modelo de interacción entre neuroplasticidad e IA nombra el andamiaje como la tercera de las tres vías para la ayuda de los LLM, junto con el rodeo directo y la descarga cognitiva, y lo define por si el modelo preserva el procesamiento con esfuerzo que la tarea está llamada a entrenar (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). La evidencia de calibración del modelo es un experimento natural en la restricción del andamiaje: el acceso sin restricciones a GPT-4 en un estudio con cerca de 1.000 estudiantes de secundaria de matemáticas produjo una ganancia de práctica del 48 % pero un déficit del 17 % en el examen sin asistencia, mientras que GPT Tutor con restricción de pistas produjo una ganancia de práctica del 127 % con el déficit en el examen prácticamente eliminado. La lección de diseño coincide con la distinción entre guiado por reglas y ad hoc de arriba a un grano más grueso: es la restricción sobre lo que se permite suministrar al tutor, y no la presencia de un tutor, lo que determina si el andamiaje se retira con éxito.

El momento puede ser la regla. Rotter y sus colegas entrenaron un agente de aprendizaje por refuerzo para decidir, pregunta a pregunta, si el estudiantado podía abrir un LLM sin restricciones, y lo probaron frente al acceso siempre activo y al nunca activo con 105 estudiantes universitarios. El acceso cronometrado obtuvo 5,11 en la prueba posterior sin ayuda frente a 4,03 del acceso siempre activo (t(71) = 2,51, p = 0,014, d = 0,59) e igualó la restricción total con 5,25, mientras que la precisión de la autoevaluación subió a 5,95 frente a 5,17 (p = 0,023). El mecanismo fue el racionamiento y no el entrenamiento: el estudiantado en la condición cronometrada hizo 2,46 solicitudes de media frente a 11,25, el 43,2% nunca usó el modelo y la conciencia metacognitiva declarada no se movió. El diseño también expuso un resquicio contra el que conviene diseñar: una persona participante consideró responder mal a propósito para desbloquear la IA antes (Rotter et al., 2026).

La distinción entre guiado por reglas y ad hoc alcanza más allá del tutor hasta la propia tarea. Un colectivo de profesorado interinstitucional encontró que la crítica del resultado de la IA no ocurría por sí sola, por lo que los requisitos de auditar, comparar, revisar y justificar el contenido generado tuvieron que escribirse en la tarea, y quienes protegían el análisis disciplinar independiente antes de que entrara la IA encontraron que el estudiantado podía evaluar el resultado de la IA de forma más crítica. La evidencia de ensayo coincide: el profesorado en formación que practicaba con compañeros de IA usaba más preguntas de sondeo y de exploración cuando se proporcionaba retroalimentación estructurada tras el ensayo. En ambos casos el apoyo se especifica por adelantado en lugar de improvisarse, separando la guía diseñada de la ayuda ad hoc que es difícil de auditar y de replicar.

• Un andamiaje correctamente restringido sigue fracasando si la restricción no se administra. Azimi (2026) construyó lo que prescribe la distinción de arriba —un presupuesto de 25 pistas por sesión, un límite de 15 minutos de uso de la IA, una reflexión obligatoria al final de la sesión y ningún código generado— y aleatorizó a 33 estudiantes de máster entre esa condición y el uso sin restricciones de IA generativa a lo largo de siete semanas. El rendimiento en las tareas y las ganancias en el inventario de conceptos no difirieron entre condiciones. El presupuesto de pistas no actuó como mecanismo de racionamiento: algunos estudiantes gastaron la mayor parte en los primeros problemas y no les quedó nada para los exigentes, otros terminaron con la mayor parte sin usar, y dentro de la condición Coach fueron los estudiantes que ya tenían una estrategia deliberada para gastar una pista quienes puntuaron más alto. La restricción elevó la confianza reportada y siguió al estudiantado fuera del aula como un hábito de autointerrogación (si una pregunta merecía la pena hacérsela a la herramienta), pero premió el autogobierno existente en lugar de desarrollarlo. La auditabilidad de un andamiaje y la capacidad de quien aprende para usarlo son condiciones separadas.
• Un andamiaje que quien aprende no puede verificar es un sustituto fluido. Como la química razona a través de fenómenos observables, modelos particulados y notación simbólica, una respuesta generada puede ser localmente persuasiva y globalmente errónea. Vega-Baudrit y Rivera Álvarez (2026) sitúan el andamiaje en el lado productivo de su análisis Presage-Process-Product y la copia acrítica en el lado del fallo, y exigen que los andamiajes demanden traducción representacional en ambos sentidos, ya que una respuesta que describe la neutralización correctamente puede aun así afirmar que todo punto de equivalencia tiene un pH de 7. La verificación se diseña dentro de la tarea en lugar de anunciarse como una regla: el estudiantado identifica un supuesto falso, corrige un error de unidad o de mecanismo, compara una estructura simbólica con un modelo submicroscópico, o justifica el rechazo de una respuesta generada. Como el estudiantado no puede verificar lo que todavía no entiende, el conocimiento previo y el andamiaje van primero, y el prompting se trata como un acto epistémico en el que quien aprende especifica las restricciones que la respuesta debe satisfacer.

El andamiaje puede residir en la tarea y no en la herramienta. En una sección de mecánica de 43 estudiantes, los intercambios con GPT-5 fueron sobre todo peticiones de receta durante las sesiones de discusión, y después cambiaron en una tarea calificada de fin de curso que exigía al menos tres intercambios iterativos y advertía contra pegar los enunciados de los problemas. La búsqueda de recetas cayó del 52% al 22% de las frases codificadas, y las peticiones de pensamiento en voz alta sobre el significado físico subieron del 0% al 25% (Stone, Zhang y Utter, 2026). El modelo no cambió entre las dos condiciones; sí lo hizo la especificación con la que trabajaba el estudiantado.

Concepciones erróneas

• «El andamiaje es un nivel constante de apoyo.» La anotación experta de 207 consultas mostró que la necesidad de andamiaje dependía fuertemente de la fase y aumentaba desde alrededor del 16,1% de las intervenciones del estudiantado al inicio del encuentro. Un único nivel de andamiaje está mal asignado en ambos extremos de una misma consulta.
• «Cualquier condición de control estructurada es una comparación justa para el andamiaje.» En la evaluación, el brazo con andamiaje siguió superando a una alternativa genuina de divulgación progresiva (71,8% frente a 55,6%), así que la ganancia se midió contra una alternativa pedagógica real y no contra nada.
• «Los efectos del andamiaje son generales.» La ganancia fue de 16,4 puntos porcentuales (P = 3,30e-4), con la mayor mejora en comunicación (g de Hedges = -0,79). El efecto se concentró en un resultado, así que un promedio entre resultados subestima dónde funciona y sobrestima dónde no.

Conceptos conectados

• Patrones pedagógicos — Where in the sequence support belongs, and why attempt-before-help is the load-bearing rule
• Aprendizaje basado en problemas — PBL embeds fading scaffolds around ill-structured problems
• Aprender enseñando — Scaffolding knowledge building through explanation
• Aprendizaje sociocultural — Vygotskian foundation: ZPD and socially mediated learning
• Descarga cognitiva — Scaffolding that never fades creates over-reliance
• Retroalimentación — Scaffolding delivers formative feedback as support fades
• Alfabetización en IA — Recognizing when scaffolding supports vs. displaces learning
• Tutoría inteligente — ITSs adapt scaffold intensity to mastery estimates
• Método socrático — Questioning that withholds direct answers
• Metacognición — Scaffolds that build self-monitoring and self-regulation
• Aprendizaje adaptativo — Adaptive systems modulate support within the learner's ZPD
• Diseño de aprendizaje — Scaffolding is a core instructional-design strategy
• Búsqueda de ayuda — Scaffolding shapes when and how learners request help
• La docencia — Teachers scaffold, then fade as competence grows
• Pedagogías y estrategias de enseñanza — Umbrella: pedagogies and teaching strategies in AI education
• IA agéntica
• Fracaso productivo — Productive Failure

Artículos conectados

• AI is ready, but are the students. From answer-making to sense-making — una rúbrica calificada, y no un modelo mejor, desplazó el diálogo del estudiantado de la búsqueda de recetas al pensamiento en voz alta (Stone, Zhang y Utter, 2026)
• Generative AI in computing education: A systematic review and a framework for responsible integration — La retirada del andamiaje como mecanismo que obliga a verificar (marco VIE)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Comentarios de IA cronometrados por entropía como andamiaje cognitivo y emocional dentro del vídeo (Wang, Du y Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — El prompting guiado con LLM como intervención de aprendizaje estructurada
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse in prompt engineering tasks — Andamiaje de implicación crítica culturalmente receptivo con IA generativa
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Design patterns for scaffolding in LLM tutors
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Concept Catalyst scaffolds for conceptual change
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — Cuándo ayudan las pistas y cuándo fomentan la dependencia excesiva
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher education — Andamiar el pensamiento crítico con IA generativa
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Redacción narrativa andamiada con Veriforge
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — De la sustitución al andamiaje: romper el ciclo de daño autorreforzado
• Preferred scaffolding does not lead to better learning performance: Empirical evidence from AI-supported mathematical modelling — Preferred scaffolding in AI-supported mathematical modeling
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Andamiajes dinámicos, que se desvanecen, como salvaguarda para la IA agéntica
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Cuando la ayuda no ayuda: evaluación de tutores de IA para el esfuerzo productivo
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications and AI system design principles — Diseñar sistemas de IA que apoyen el aprendizaje basado en el fracaso productivo
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Dirección pedagógica de los LLM para el fracaso productivo
• Making AI tutoring productive: Evidence from a mastery-based math practice experiment — Making AI tutoring productive: mastery-based math practice
• The effortless trap: Productive struggle, AI, and the illusion of learning — IA protegida frente a IA sin protección: la regla de colocación (Brcic y Frljic 2026)
• Supporting undergraduate students' learning in practical chemistry courses through AI-supported experimental design — AI-supported experimental design in practical chemistry
• Scaffolding systematic reviews in learning design and technology through mentoring and AI integration — Andamiar revisiones sistemáticas con mentoría e IA (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning – a process view on Intelligent-TPACK — La agencia del futuro profesorado durante las interacciones con IA generativa en el diseño para el aprendizaje (Krushinskaia, Elen y Raes 2026)
• Responsible integration of artificial intelligence into pedagogies of practice in mathematics teacher education — La IA en las pedagogías de la práctica en la formación del profesorado de matemáticas: la retroalimentación estructurada de ensayo aumentó las preguntas de indagación (Bondurant y Shaughnessy 2026)
• AI integration as instructional design: Lessons from a cross-institutional faculty collaboratory in teacher preparation — La integración de la IA como diseño instruccional: la crítica de la producción de la IA debe asignarse y el análisis disciplinar va primero
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — Un AI Study Coach con presupuesto de pistas: uso andamiado frente a uso sin restricciones de IA generativa, y por qué la restricción por sí sola no produjo aprendizaje (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: el andamiaje replanteado como la decisión de a qué subzona pertenece una tarea
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — La puntuación automatizada como andamiaje formativo: solo se convierte en ganancia cuando el déficit objetivo es descomponible, fiable y está escalado con sensibilidad (Chen y Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Andamiaje adaptativo en bucle cerrado que sigue el límite actual de quien aprende en la práctica musical, con detección de errores como triaje (Zhu et al. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — La forma del andamiaje debe corresponder a la capacidad evolutiva de la infancia, no solo a la tarea (Niu et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Los andamiajes deben exigir traducción representacional y verificación, porque el estudiantado no puede verificar lo que no comprende (Vega-Baudrit y Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: Effects on senior high school students' geometric reasoning and proof construction — La IA generativa como andamiaje de prompting que tiende un puente entre la intuición visual y la demostración deductiva en geometría, donde la visualización por sí sola no basta (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Examinar la variación en cómo los tutores de IA guiados resuelven los bloqueos del estudiantado
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Formar a quien aprende como andamiaje para el uso de IA generativa en la resolución de problemas STEM (Huang et al. 2026)
• A Conversational AI Framework for Teacher Training — Diagnóstico conversacional de IA para las concepciones erróneas docentes mediante diálogo fundamentado en la evidencia (Miranda y Calvani 2026)
• Scaffolding Autonomy: AI-Augmented Self-Paced Learning Environments for Sustainable Learning Outcomes — Capas de andamiaje de contenido y temporal en un curso a ritmo propio, con tasas de inicio tardío y de fracaso según el momento de estudio
• The Assistance Dilemma - Learning to Teach via Multi-Turn Reinforcement Learning — El dilema de la asistencia: entrenar un tutor de RL multiturno cuyo horizonte de recompensa termina con el problema entrena la desaparición de la retirada (Macina, Kapur y Sachan 2026)