Conceptos
Simulación
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Simulación: el uso de entornos, agentes o escenarios modelados para apoyar el aprendizaje mediante la práctica y la retroalimentación en contextos que son seguros, repetibles y a menudo inaccesibles por otras vías. Las simulaciones permiten a quien aprende actuar, cometer errores y ver las consecuencias sin coste en el mundo real, y cada vez están más impulsadas por la IA y el modelado basado en agentes.
Preguntas para reflexionar
- Recuerde una ocasión en que aprendió algo haciéndolo en un entorno seguro y de bajo riesgo: un laboratorio, un ejercicio simulado, un simulador de vuelo o de juego. ¿Qué hizo eficaz esa práctica, y qué podría perderse si la simulación fuera demasiado realista o no lo bastante realista?
- Las simulaciones permiten a quien aprende cometer errores y ver las consecuencias «sin coste en el mundo real». ¿Qué cree que se gana y qué podría perderse cuando el coste de un error baja hasta casi cero?
- Si una IA puede simular pacientes, estudiantes o interlocutores para practicar, ¿dónde trazaría la línea entre un ensayo valioso y una práctica que no se transfiere a la interacción humana real?
- ¿Por qué la conciencia de quien aprende sobre los límites de una simulación —su fiabilidad— podría importar tanto como la fidelidad con que modela la realidad?
- ¿Cómo podría la misma tecnología de simulación que ayuda a alguien a aprender también inducirle a error, y qué necesitaría saber para distinguir esos dos desenlaces?
Introducción
La simulación ocupa el núcleo de las pedagogías experienciales y de aprendizaje activo. Aporta la práctica deliberada, el fallo productivo y los bucles de retroalimentación que construyen habilidad y criterio. La IA ha transformado la simulación de dos maneras: impulsa entornos simulados más realistas y adaptativos, y genera estudiantado simulado, pacientes o interlocutores que hacen escalable la práctica. La evidencia conductual muestra que cómo se implica quien aprende con una simulación varía de forma sistemática y no uniforme: al trazar el trabajo de estudiantes en línea que construían modelos ecológicos en VERA, An, Hammock y Goel (2025) clasificaron la implicación en Observación (ejecuciones frecuentes y ajuste de parámetros con poca construcción de modelos), Construcción (construcción práctica con poca simulación) y Exploración (ciclos completos de construir–parametrizar–simular), con quienes exploran produciendo los modelos más complejos y diversos y quienes se centran en observar copiando en gran medida los existentes, un argumento para diseñar entornos de simulación que empujen a quien aprende hacia la actividad de ciclo completo.
- Un mecanismo explícito es inspeccionable de un modo que un generador aprendido no lo es. DagFlow-AI construye datos sintéticos a partir de un grafo acíclico dirigido más distribuciones y fórmulas por variable, de modo que el proceso de generación de datos es un documento que el profesorado puede leer y corregir (Arthur et al., 2026). Es un contraste deliberado con la síntesis mediante GAN y VAE, que necesita un conjunto de datos semilla y produce un proceso opaco. La contrapartida es que llegar a una simulación estable requirió varias iteraciones.
La IA y la simulación
-
Entornos impulsados por IA: las simulaciones adaptativas ajustan la dificultad y los escenarios al estado de quien aprende, lo que enlaza con el aprendizaje adaptativo y con el entrenamiento basado en el aprendizaje por refuerzo.
-
El entorno virtual y la capa de IA son ganancias separables. En una unidad de tres semanas sobre la ley de Ohm en 9.º grado, el rendimiento ajustado fue 23,45 sobre 30 con un laboratorio virtual apoyado por IA, 20,51 con el mismo laboratorio sin IA y 16,57 en un laboratorio físico (Li y Ahmad (2026)). Las clases intactas se asignaron con un docente distinto en cada una, así que describe tres configuraciones de aula, no el agente por sí solo.
-
Las simulaciones generadas por prompt ponen un laboratorio a medida al alcance. Quien enseña puede generar modelos ejecutables en el navegador del tema que necesita un curso a partir de una plantilla de prompt reutilizable (controles deslizantes, animación, gráficos dependientes del tiempo), validando cada uno dos veces —primero técnicamente y luego frente a la solución analítica conocida— en lugar de aceptar la simulación publicada más parecida (Ben-Zion et al., 2025).
-
Automatizar la contraparte humana. Chew et al. (2026) sustituyen a los especialistas que interpretan papeles en las simulaciones de control de tránsito aéreo por simuladores de piloto autónomos basados en LLM, eliminando un cuello de botella de capacidad de formación; su canalización de voz ajustada redujo la tasa de error de palabras en habla aeronáutica con acento singapurense del 107,80% al 23,45%, aunque todas las evaluaciones fueron a nivel de componente y sin cohorte de alumnos.
-
Simuladores adversarios como compañeros de entrenamiento. ResidencyRL (Liévin et al., 2026) empareja un agente de política con simuladores de pacientes basados en LLM diseñados para comportarse de forma adversaria en una canalización de escenarios de 57K casos; entrenar contra ellos redujo las tasas de señales de alarma pasadas por alto en torno a un tercio, y los clínicos con enmascaramiento prefirieron el agente entrenado en el 87,6% de las comparaciones cara a cara.
-
Codificar explícitamente los estados ausentes del caso. Un sistema multiagente de pacientes estandarizados mantiene separados el reconocimiento de intenciones, la generación de respuestas fundamentadas en el caso y la evaluación posterior a la sesión, y distingue cuatro tipos de información ausente —clínicamente negativa, desconocida para el paciente, aún no evaluada y ausente del caso— porque colapsarlas en «normal» inyecta hechos clínicos no respaldados (Gao et al. (2026)).
-
Agentes simulados: la IA puede simular pacientes (para la formación médica), estudiantes (para la práctica de docencia) o interlocutores, lo que hace accesible y repetible la práctica interpersonal de alto riesgo. En la formación del profesorado, Zhuang y Zhang (2025) construyeron Student GPT, un chatbot personalizado de ChatGPT que interpretaba el papel de un estudiante de secundaria con concepciones erróneas habituales sobre el razonamiento de proporciones, y que daba al profesorado de matemática en formación una práctica asequible y específica del contenido para diagnosticar el pensamiento del estudiantado; además usaron un marco de codificación Afectivo, Comunicativo y Técnico (ACT) de computación afectiva para evaluar sistemáticamente los puntos fuertes de la interpretación del estudiante simulado (claridad, relevancia, coherencia de los errores) y sus debilidades de autenticidad (tono propio de docente, confusión de rol).
-
La interpretación de roles pone a quien aprende en el papel. Donde los agentes simulados aportan la contraparte, la interpretación de roles da ese papel a quien aprende. Sanoubari y sus colegas (2026) hicieron que 18 niños de 9 a 10 años observaran una escena de acoso representada por robots sociales, razonaran sobre la posición de cada personaje y luego ensayaran la defensa manejando un avatar robótico, y comunicaron ganancias en la autoeficacia percibida para defender y creencias mejor calibradas sobre si enfrentarse a quien acosa realmente lo detiene. Su enfoque, el drama aplicado mediado por robots, mantiene a una persona facilitadora en el papel del Teatro Foro y limita la automatización al control narrativo, un recordatorio útil de que la parte exigente de la interpretación de roles es la reflexión y no la maquinaria. Lock, Arteaga y Johnson (2025) sitúan la interpretación de roles junto a la simulación entre las estrategias de las que se sirve el aprendizaje en línea apoyado por IA.
-
Convertir la historia contrafactual en una función de primer orden. Los agentes contextuales multiagente basados en LLM de SupplyNet generan dinámicas de cadena de suministro emergentes de las decisiones de quien aprende en lugar de guionizadas, y su línea temporal ramificada permite revisitar decisiones anteriores sin penalización: 13 de 14 participantes lo valoraron muy bien por conectar las decisiones con el rendimiento, frente a 3 en la línea base (Li et al. (2026)).
-
Dinámicas fundamentadas, no una persona invocada por prompt. Chen et al. (2026) parametrizaron las dinámicas de revelación de un paciente virtual a partir de casi 2.000 horas de transcripciones reales de psicoterapia y luego actualizaban el nivel en cada turno; en 1.033 turnos con 20 clínicos, su revelación aumentó con la empatía y la exploración del terapeuta, mientras que una línea base de solo prompt sobre el mismo LLM se mantuvo plana.
-
Estudiantado simulado: los modelos de comportamiento del estudiantado permiten a investigadores y diseñadores probar sistemas de tutoría y currículo antes del despliegue real, y fundamentan el modelado del estudiantado y el seguimiento del conocimiento.
-
Confianza y fidelidad: el valor de una simulación depende de la fidelidad con que modela el contexto real, y de la conciencia de quien aprende sobre sus límites, lo que conecta con la calibración de la confianza.
-
Los simuladores de estudiantado fallan la prueba de fidelidad donde más importa: incluso el mejor modelo ajustado pasó por alto los errores que cometen los estudiantes reales, y el prompting rindió peor, así que un simulador debe medirse antes de confiar en él (Scarlatos et al. (2026)).
-
El parecido humano es una propiedad de la interacción, no del modelo. Una vez que ambos sistemas se renderizaron tras el mismo avatar, la ventaja de parecido humano del texto desapareció: los participantes llamaron natural al modelo comercial (54% frente a 22%) mientras el desempeño comunicativo era idéntico; la voz, la latencia y la toma de turnos remodelaron cómo se percibía la misma calidad de diálogo (Hasan et al. (2026)).
-
La IA generativa en el aprendizaje basado en simulación. Neto y sus colegas (2026) revisan sistemáticamente la IA generativa en el aprendizaje basado en escenarios, casos, problemas y simulación en la educación sanitaria, y encuentran resultados positivos en habilidades cognitivas de orden superior pero resultados inconsistentes en lo demás, con la colaboración híbrida entre personas y IA superando a los enfoques totalmente automatizados. Wenzel, Geiger y Liening (2026) desarrollan agentes conversacionales de IA para el apoyo adaptativo en juegos de simulación empresarial, y abordan la carencia habitual de retroalimentación formativa y de reflexión estructurada en el aprendizaje basado en simulación.
-
La «brecha de autenticidad» acota lo que la simulación con IA puede sustituir. En la simulación clínica, la revisión sistemática de métodos mixtos de Jiang et al. (2026) sobre simulación de enfermería impulsada por IA (19 estudios, N = 1.253) encuentra que la IA es eficaz para el conocimiento cognitivo y los resultados afectivos, pero inconsistente para las habilidades psicomotoras complejas. Su brecha de autenticidad es una carencia percibida por quien aprende en resonancia emocional, reconocimiento de señales no verbales y dimensiones táctiles o de exploración física: esa brecha explica por qué la simulación con IA es mejor para objetivos muy estructurados (comunicación básica, anamnesis) y por qué debería situarse en un continuo escalonado de simulación que entregue los escenarios psicomotores avanzados y emocionalmente complejos a pacientes estandarizados humanos y a la práctica clínica. La inestabilidad técnica (por ejemplo, los retrasos del reconocimiento de voz) también puede añadir carga cognitiva superflua y ansiedad, así que la fidelidad y la estabilidad son en sí mismas palancas de diseño. Esto es paralelo al hallazgo de Neto et al. de que los enfoques híbridos entre personas y IA superan a los totalmente automatizados.
-
Simulaciones codiseñadas por profesorado e IA. Las simulaciones interactivas que apoyan a la vez el aprendizaje conceptual y el desarrollo de competencias son escasas en los ámbitos prácticos, y la producción de la IA generativa a menudo carece de validez pedagógica. En la educación STEM con drones, se evaluaron simulaciones codiseñadas por profesorado e IA, integradas en un currículo práctico por lo demás idéntico, con un diseño cuasiexperimental de pretest y postest en 30 estudiantes de secundaria, para examinar si la instrucción apoyada por simulación produce mejores resultados de aprendizaje (From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies). Por separado, las referencias de tutoría multiagente como ASTRA usan agentes simulados socialmente inteligentes para estudiar la colaboración con participación equilibrada en la programación introductoria (ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring and participation-balanced collaboration in introductory programming).
-
El control de quien aprende en la simulación se ejerce, no se concede. Un experimento 2 × 2 en una simulación de bandadas (Su, Nair y Nagashima 2026) dio a algunos estudiantes controles deslizantes de parámetros, a otros un agente conversacional opcional y a otros ambos; todas las condiciones mejoraron, pero ninguna de las dos prestaciones produjo una diferencia fiable una vez controlado el conocimiento previo (p = 0,849 y p = 0,108). Lo que predijo las ganancias fue dónde y durante cuánto tiempo manipulaba el estudiantado los parámetros: el uso sostenido de los controles en la lección conceptualmente más compleja se asoció positivamente con las ganancias, y el mismo comportamiento en la lección más fácil, negativamente. Para quienes construyen simulaciones, la implicación es que ofrecer controles no es la intervención: lo es ayudar a quien aprende a decidir qué cambiar y a registrar qué cambió.
-
La agencia es una capa de diseño, no una propiedad de la tecnología. Theelen et al. (2026) clasifican las simulaciones por la práctica representada, la situación simulada, cómo se distribuyen la agencia y la adaptación y cómo se orquesta el aprendizaje, en lugar de por el nivel de inmersión.
-
Un gemelo digital es una simulación con una factura de hardware, y la factura determina quién puede participar. Una revisión sistemática de 11 estudios de gemelos digitales en ingeniería y la educación superior STEM encontró que todas las implementaciones entregaban un prototipo funcional con sincronización en tiempo real, pero solo tres informaron ganancias de aprendizaje estadísticamente significativas. Los equipos físicos limitaron el acceso a 1-3 estudiantes simultáneos en cinco estudios, y la reducción de la interacción social fue el desafío pedagógico más citado, en seis (Pelayo-González et al. (2026)).
-
La simulación basada en agentes puede modelar una teoría de la metacognición como un sistema comprobable. Un marco basado en agentes inspirado en el gemelo digital que combina el modelo AMERT de cinco niveles con una simulación en NetLogo permitió a quienes investigan variar los arquetipos de quien aprende y las condiciones de la tarea y observar trayectorias metacognitivas, aunque los autores subrayan que la salida es generación de hipótesis y no evidencia sobre personas que aprenden reales (Guo, 2026). La simulación se convierte en un laboratorio virtual para una teoría que de otro modo es difícil de observar.
-
El currículo es la unidad que decide el valor de una simulación. El Modelo de Puente Curricular sostiene que el rendimiento de la simulación depende de cómo se secuencian las experiencias a lo largo de un programa —reutilización de contextos, variación de las exigencias de razonamiento, evidencia que alimenta la progresión— y no de la fidelidad de la plataforma (Herrera Alcaíno, 2026).
-
Los clientes simulados superaron a la evidencia. Una revisión de alcance de 14 fuentes sobre IA generativa en la formación de consejeros encontró que los clientes simulados por IA eran la aplicación dominante, pero ningún estudio midió la competencia del estudiantado en formación, usó una condición de comparación ni puso a prueba escenarios de crisis y de evaluación de riesgos (Generative AI in Counselor Education: A Scoping Review of Applications, Ethics, and CACREP Competency Mapping (2015-2026)).
Conexiones
La simulación se conecta con el aprendizaje activo, el aprendizaje adaptativo y el agente pedagógico. Es un mecanismo para el aprendizaje experiencial y constructivista y se amplifica por la capacidad de la IA de generar entornos de práctica adaptativos y realistas.
El aprendizaje basado en simulación incluye hoy pacientes, estudiantes e interlocutores sintéticos, y Avatares de IA e instructores sintéticos sostiene que sus preguntas sobre consentimiento, divulgación y fidelidad de la persona no son las mismas que las de fidelidad de equipos o escenarios.
Qué no se puede delegar
La mayor parte del trabajo sobre conversación simulada pregunta con qué fidelidad interpreta un agente su papel. Álvarez-Rubio (2026) plantea la pregunta previa: qué no puede ceder en absoluto un docente a lo largo del ciclo de simulación de sesión informativa, escenario y debriefing. El artículo separa cuatro operaciones de delegación: ejecución, transmisión, facilitación y asunción de un compromiso. La ejecución y la transmisión permiten al docente corregir un fallo después; la facilitación cede el juicio sobre la estructura de una actividad. La cuarta falla de otro modo, porque la condición esencial de un compromiso es la responsabilidad como relación con quienes pueden exigir razones. Un agente puede desempeñar una función de debriefing; no puede ser la parte que responde por ella. Según este planteamiento, un chatbot que hace un debriefing tan bien como una persona nunca llega a ser responsable, así que una evidencia más sólida sobre el debriefing no puede mover la línea.
El marco funciona como una prueba y no como un catálogo. Tres preguntas deciden cualquier función: qué pasaría al agente, si el docente podría corregir un fallo y a quién se podría pedir que respondiera por las palabras del agente. Una función sin respuesta a la tercera no es candidata. Aplicada a la preparación, la prueba arroja seis veredictos: el diagnóstico y la logística son delegables, los objetivos declarados lo son en parte, y el contrato de ficción, la seguridad psicológica y las condiciones de evaluación se rechazan. En el debriefing, el artículo plantea tres posturas que un agente podría adoptar —experto, personaje y mayéutica— y describe el modo de fallo de la mayéutica: un agente construido para enseñar no respondiendo nunca dejó frustrados a los estudiantes. Es un marco de diseño, no un estudio de resultados. Los autores declaran que no se recogieron datos para la investigación y que el despliegue descrito es un piloto leído a través de las observaciones del propio docente.
Concepciones erróneas comunes
- «La simulación es más barata y por tanto de segunda categoría.» Los simuladores de piloto autónomos de LLM sustituyen a las personas especialistas que interpretan papeles en las simulaciones de control de tránsito aéreo y eliminan un cuello de botella de capacidad de formación: la restricción era la dotación de personal, no la fidelidad. Donde escasean las personas que interpretan papeles, la simulación con LLM no es un sustituto sino la única opción disponible.
- «Los simuladores deberían comportarse como los casos medios.» ResidencyRL (Liévin et al., 2026) empareja un agente de política con simuladores de pacientes basados en LLM diseñados para comportarse de forma adversaria. Un simulador diseñado para ser cooperativo hace la práctica más fácil que la clínica, que es lo contrario de lo que necesita la formación.
- «Los escenarios guionizados enseñan a decidir bajo incertidumbre.» Los agentes contextuales multiagente de SupplyNet generan dinámicas emergentes de las decisiones de quien aprende en lugar de secuencias guionizadas. Los escenarios guionizados ensayan un camino conocido; los emergentes ensayan la decisión.
Conceptos conectados
- Aprendizaje activo
- Aprendizaje adaptativo
- Agente pedagógico
- Aprendizaje por refuerzo
- Modelado del estudiantado e instrucción adaptativa
- Constructivismo
- Calibración de la confianza
- Aprendizaje en el lugar de trabajo
- Educación química — Educación en 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
- Tecnologías — Marco general: tecnologías y técnicas de IA (modelos, entrenamiento de LLM, robótica, RAG, IA agéntica)
- Realidad virtual y aumentada — el modelo, no la modalidad: los entornos inmersivos normalmente representan una simulación
- Avatares de IA e instructores sintéticos
Artículos conectados
- Artificial Intelligence for Affective-Domain Development in Healthcare Professions Education: A Systematic Review — La simulación con IA y los pacientes virtuales dominan la formación en el dominio afectivo, con resultados en su mayoría autoinformados (Ismail y Zafira, 2026)
- Generative AI in Counselor Education: A Scoping Review of Applications, Ethics, and CACREP Competency Mapping (2015-2026) — Revisión de alcance de 14 fuentes: dominan los clientes simulados y la competencia del estudiantado en formación no se mide (Van Patten-Freeman y Rath 2026)
- AI-supported virtual laboratory for flipped physics learning: effects on middle school students' achievement, motivation, and cognitive load — Laboratorio virtual asistido por IA para el aprendizaje invertido de física: efectos en el rendimiento, la motivación y la carga cognitiva de estudiantes de secundaria
- Exploring learner agency in an AI-supported simulation environment for complex systems education — Control de parámetros y un agente de IA opcional en una simulación de sistemas complejos: las ganancias siguieron a la ejecución, no al acceso
- Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab
- The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist Micro-Skills — Pacientes virtuales adaptativos para la formación en psicoterapia
- AI-Enabled Serious Games: Integrating Intelligence and Adaptivity in Training Systems — Juegos serios habilitados por IA
- ANVIL: Analogies and Videos for Lecturers — ANVIL: analogías y vídeos para el profesorado
- ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots — ASTRA: simulador de formación para controladores de tránsito aéreo
- SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: aprendizaje exploratorio visual
- MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEASY: pacientes estandarizados con IA
- Play-testing REMind: Evaluating an educational robot-mediated role-play game — Juego de interpretación de roles mediado por robots para la intervención de testigos (drama aplicado)
- ResidencyRL: Reinforcement learning in simulated clinical environments
- Generative AI in scenario-based healthcare education: A systematic review of applications, validation practices, and pedagogical integration — Revisión sistemática de la IA generativa en la educación sanitaria basada en escenarios (Neto et al. 2026)
- Designing Conversational Agents for Adaptive Instructional Support in Business Simulation Gaming — Marco CAIS-GBL para agentes conversacionales de IA en juegos de simulación empresarial (Wenzel et al. 2026)
- Modelling individual participants as LLM agents in collaborative problem solving simulations — Agentes LLM ajustados y específicos de cada participante que reproducen diálogos de resolución colaborativa de problemas (Fang 2026)
- ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring and participation-balanced collaboration in introductory programming — Referencia sintética ASTRA para tutoría multiagente y colaboración con participación equilibrada
- From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies — Aprendizaje con drones apoyado por simulación y andamiajes codiseñados por profesorado e IA
- How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
- Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
- AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulación impulsada por IA en enfermería: revisión sistemática de métodos mixtos (brecha de autenticidad, continuo escalonado)
- Scalable AI-based clinical communication training and automated assessment — Formación escalable en comunicación clínica con IA y evaluación automatizada
- Digital Twins in STEM Education: A Systematic Review — Gemelos digitales en la educación STEM: todos los prototipos funcionaron, las ganancias de aprendizaje en su mayoría no
- Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI — Marco de cuatro capas que separa la práctica representada, la situación simulada, la agencia y la adaptación, y la orquestación
- From technology adoption to curricular coherence: technology-enhanced simulation as a bridge in health professions education — De la adopción tecnológica a la coherencia curricular: la simulación mejorada con tecnología como puente en la formación de profesiones de la salud
- What a teacher cannot delegate: a pedagogy-first framework for integrating conversational AI agents across the simulation cycle — Qué no puede delegar un docente a un agente conversacional a lo largo del ciclo de simulación
Recursos relacionados
- OpenMAICLa versión de código abierto de MAIC: un aula multiagente que convierte un tema o un documento en diapositivas, cuestionarios, simulaciones interactivas y actividades basadas en proyectos, impartidos por profesores y compañeros de clase de IA.
- PrimerUn sistema de autoría de código abierto de Generative AI Labs de Wharton que convierte una entrevista estructurada con un docente en una simulación de aprendizaje ejecutable y adaptativa, con sus propios agentes mentor, de práctica y de retroalimentación.