¿Cómo pueden los agentes de IA apoyar a estudiantes y docentes?

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

Los agentes de IA pueden ir más allá de responder preguntas en un solo turno al planificar, usar herramientas, recordar el contexto relevante, coordinar subtareas y adaptar el apoyo a lo largo de una secuencia de interacciones. Para el estudiantado, entre los papeles plausibles están la tutoría adaptativa, la planificación del estudio, la retroalimentación formativa, la resolución de problemas guiada, la generación de ejercicios de práctica, la simulación, las recomendaciones de prerrequisitos y la formulación de indicaciones reflexiva o metacognitiva. Para el profesorado, los agentes pueden ayudar con el desarrollo de materiales, la generación y validación de preguntas, la clasificación de la retroalimentación, la analítica del curso, los flujos de trabajo de diseño instruccional, la recuperación de recursos y la orquestación de agentes especializados.

Capacidades agenticas recurrentes

El artículo Agentic Workflows in Education describe cuatro capacidades agenticas recurrentes: reflexión, planificación, uso de herramientas y colaboración multiagente. Cada una añade posibilidades, pero también introduce retos de interpretabilidad, coordinación, confianza, latencia y supervisión.

Lo que los agentes de IA pueden hacer bien (implicaciones positivas)

• Apoyo sostenido y adaptativo. A diferencia de los chatbots de un solo turno, los agentes pueden mantener una conversación de aprendizaje a lo largo de muchos turnos, recordando lo que sabe quien aprende, adaptando la dificultad y secuenciando el Scaffolding en varios pasos. Esto sostiene el aprendizaje adaptativo y personalizado a escala.
• Aliviar la carga del profesorado. Los agentes pueden redactar borradores de materiales, generar y validar preguntas (por ejemplo, un emparejamiento de generador y validador), clasificar la retroalimentación y orquestar subagentes especializados, lo que libera al profesorado para interacciones de mayor valor.
• Interacción rica y fricción productiva. Las aulas multiagente y los compañeros simulados crean dinámicas variadas, como el discurso entre pares, el desacuerdo constructivo y el juego de roles, que sostienen el aprendizaje colaborativo y el sondeo de estilo socrático. Los agentes diseñados para cuestionar en lugar de asentir pueden empujar a quien aprende hacia una reconsideración más profunda (los agentes de conflicto constructivo mejoraron los resultados de diseño en la investigación).
• Práctica y simulación de bajo riesgo. Las simulaciones basadas en agentes (estudiantes simulados, escenarios clínicos) permiten practicar en entornos seguros y repetibles antes de la aplicación en el mundo real.

Riesgos y advertencias clave (implicaciones negativas)

• La automatización excesiva puede vaciar el aprendizaje. Cuanto más automatiza un agente, menos trabajo cognitivo hace quien aprende. Los agentes proactivos pueden dejar al estudiantado como consumidor pasivo, debilitando los procesos esforzados que construyen un aprendizaje duradero y elevando el riesgo de dependencia excesiva.
• Menor implicación metacognitiva. Si los agentes se encargan de la planificación y el seguimiento, quienes aprenden pueden no desarrollar la Metacognition y la autorregulación que la educación pretende construir. Los agentes deberían provocar estos procesos, no sustituirlos.
• Confianza mal depositada y lagunas de verificación. Los agentes autónomos pueden producir resultados verosímiles pero no validados; quienes aprenden y quienes enseñan pueden confiar en exceso en ellos. La verificación robusta y la AI Literacy cobran más importancia a medida que los agentes ganan autonomía.
• Opacidad y rendición de cuentas. Los sistemas multiagente complican la supervisión humana: ¿qué agente responde por un error y dónde interviene una persona? Los fallos de coordinación y la deriva de personalidad pueden socavar la fiabilidad y la Pedagogical Safety.
• Equidad y sesgo. Los agentes pueden reproducir a escala el sesgo de los datos de entrenamiento, y el acceso desigual a sistemas agenticos capaces puede ampliar la inequidad.

Lo que muestra la evidencia hasta ahora

Se acumulan resultados concretos, y también advertencias. Tutor CoPilot, el primer ensayo controlado aleatorizado de un sistema humano-IA en tutoría en vivo, dio a tutores novatos orientación experta en tiempo real extraída del razonamiento de tutores experimentados: en 900 tutores y ~1.800 estudiantes, el alumnado de los tutores con acceso tenía 4 puntos porcentuales más de probabilidad de dominar los temas, cifra que subía a 9 p.p. entre los tutores peor valorados, cuyos estudiantes alcanzaron a los de los tutores mejor valorados del grupo de control. Costó alrededor de $20 por tutor al año, y el análisis de más de 550.000 mensajes de tutoría mostró que los tutores se desplazaban hacia formular preguntas guía en lugar de dar las respuestas, un caso claro de IA que aumenta al profesorado en lugar de sustituirlo.

Pero «agentico» no es automáticamente mejor. Un estudio con 130 estudiantes en un curso de comercio electrónico encontró que tanto los chatbots de Generative AI como los agentes de GAI obtuvieron valoraciones superiores a la enseñanza en línea tradicional en mejora del aprendizaje y personalización, pero sin diferencias estadísticamente significativas entre las condiciones de chatbot y de agente, de modo que la autonomía añadida no se tradujo en valor de aprendizaje añadido. El marco propuesto Agentic GAI-Supported Learning Framework trata en consecuencia a los agentes como socios de aprendizaje acotados y supervisados por personas, con objetivos, puntos de control y decisiones finales reservados a los humanos.

Otras dos advertencias importan. Primero, la retirada: los ensayos aleatorizados muestran que incluso una asistencia de IA breve puede deprimir el rendimiento posterior sin ayuda, y el intervalo posterior a la retirada, denominado desvanecimiento cognitivo, apenas se ha medido, por lo que se desconoce la durabilidad de las ganancias de aprendizaje asistidas por agentes. Segundo, la evaluación: al desplegar ocho agentes de enseñanza con IA en un plan de estudios de medicina, las puntuaciones generadas por la plataforma clasificaron a los agentes de forma distinta a una rúbrica experta independiente (el agente situado en tercer lugar por la plataforma quedó último en calidad docente) porque las puntuaciones de la plataforma indexan el rendimiento del estudiantado y no la calidad docente del agente. La revisión de AI Governance Beyond the Agent Label añade una regla de proporcionalidad, la autonomía no debería exceder la madurez de la evidencia ni la solidez del control humano responsable, y señala que la evidencia es más sólida para resultados a nivel de artefacto y más débil para el aprendizaje duradero y la equidad. Para saber cómo construir uno, véase ¿Cuáles son las buenas prácticas para desarrollar un tutor de IA eficaz?; para saber cómo evaluar si funciona, véase ¿Qué medidas y métodos de investigación puede usar un docente para evaluar intervenciones relacionadas con la IA?.

El estado de la evidencia

La base de evidencia aún está emergiendo. La síntesis Agentic AI in Education de esta base de conocimiento se apoya en una revisión de alcance de 474 estudios, pero señala una concentración sustancial en la educación superior, la educación STEM, los diseños de corto plazo y la tutoría basada en texto; solo una minoría de los trabajos revisados fundamentó explícitamente sus sistemas en teoría educativa, y la validación rigurosa de aula a largo plazo sigue siendo limitada.

La advertencia clave de diseño es, por tanto, no equiparar una mayor autonomía con un mejor aprendizaje. Agentic AI and Pedagogical Best Practice recomienda fricción intencionada, andamiaje dinámico y supervisión humana para que la iniciativa del agente no elimine la planificación, el seguimiento, el juicio y el esfuerzo propios de quien aprende. Véanse también Tutoría inteligente y IA con supervisión humana.