¿Cómo puede ayudarme la IA a dar mejor retroalimentación a escala?

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

Es la sexta semana. Tiene una pila de borradores, una rúbrica en la que cree y la sospecha creciente de que un tercio de sus comentarios se leen por encima y se olvidan. Un colega menciona que una herramienta ya comenta todos los borradores en menos de una hora. La reunión de departamento necesita una respuesta: ¿es una mejora o una forma más rápida de producir texto que nadie lee?

Respuesta breve para dar a un colega: la retroalimentación con IA se gana su lugar en cobertura, puntualidad y consistencia, dentro de una banda estrecha. El trabajo lingüístico de nivel de corrección y los comentarios de primera pasada guiados por rúbrica merecen automatizarse. El alcance es la parte barata. En un experimento aleatorizado por conglomerados con 1.176 estudiantes universitarios de primer año, los diseños reflexivos e híbridos superaron a la crítica directa de la IA en la transferencia diferida y sin IA. En un experimento aleatorizado de ensayos con 70 estudiantes, una retroalimentación de IA mejor valorada no produjo mejores revisiones que la de un docente experimentado. Lo que un estudiante hace con un comentario decide el resultado, y la alfabetización en retroalimentación separa a los estudiantes que ganan de los que copian.

La versión breve

1. Decida qué cuenta como éxito antes de pilotar nada: la calidad de la revisión y el rendimiento diferido sin ayuda, no la fluidez de los comentarios.

2. Clasifique sus propios comentarios en correcciones de nivel lingüístico y valoraciones de nivel de juicio. Solo la primera categoría es candidata a automatizarse.

3. Escalone las fuentes. Primero la autoevaluación, después la retroalimentación entre pares y por último la crítica de la IA. Dos fuentes puestas una al lado de otra producen una adopción pasiva.

4. Entregue la rúbrica al modelo y haga que razone paso a paso. Una instrucción escueta produce una salida genérica.

5. Deje el mensaje final, el tono y todo lo que se convierta en registro en manos de una persona.

6. Presupueste las horas que dedicará a borrar y calibrar, y compárelas con las horas que liberó.

Decida qué cuenta como éxito antes de pilotar nada

La métrica tentadora es la calidad de lo que escribe el modelo. Es también la métrica que engaña.

Farrokhnia et al. (2026) aleatorizaron a 70 estudiantes que escribían ensayos argumentativos en persa en tres grupos. La indicación con cadena de pensamiento produjo una retroalimentación valorada significativamente mejor (M = 12,90) que una indicación zero-shot (M = 11,25, p = 0,01) y que un docente humano experimentado (M = 11,20, p = 0,008). El grupo de cadena de pensamiento no revisó sus ensayos significativamente más que el grupo con retroalimentación del docente, que logró ganancias comparables. Mejores comentarios, las mismas revisiones. Si su criterio de éxito es la calidad del comentario, ese estudio se lee como un éxito. Si es qué cambió en el ensayo, no.

Otras dos señales favorecen artificialmente un pilotaje que va mal, así que fíjelas de antemano. La satisfacción del estudiante es una. En el pilotaje de toda la universidad de Deakin que informan Tubino y Adachi (2022), las valoraciones medias positivas coexistían con errores señalados por los estudiantes, así que una encuesta de caritas sonrientes no es evidencia de precisión. El uso es la otra. La herramienta de Deakin era opcional, y el uso promedió en torno al 13% del estudiantado de grado y el 12% del de posgrado, pese a que casi 4.000 estudiantes tenían acceso. Los estudiantes proactivos y de alto rendimiento la usaban más. Eso es lo que se compra al poner una herramienta a disposición.

La medida de resultado que resiste es la calidad de la revisión más el rendimiento diferido sin IA. Los reenvíos múltiples del mismo día son un rastro utilizable de si un estudiante se implicó o no. No son evidencia de que se aprendiera algo.

Clasifique sus comentarios antes de automatizarlos

Tome su último conjunto de comentarios y divídalo en dos: correcciones a frases y valoraciones sobre el pensamiento. La división le dice qué automatizar, y es más estrecha de lo que insinúan los proveedores.

El pilotaje de Deakin se hizo en 2021 con la herramienta de retroalimentación automática con IA de FeedbackFruits en 29 unidades y casi 4.000 estudiantes. Trabaja sobre rasgos textuales de nivel micro: longitud de las frases, puntuación, gramática, estructura del texto. Eso sostiene la etapa de corrección, en la que el docente fija los parámetros, el estudiante usa la herramienta de forma independiente y la retroalimentación llega a tiempo de ser accionable. Lo que escala es la división del trabajo, no el modelo.

Los comentarios de nivel de juicio son donde viven los modos de fallo. Aldino et al. (2026) recogieron problemas del lado del docente de 21 profesores de educación superior: tono incoherente (n = 7), posible información errónea (n = 5) y problemas de confianza (n = 5). Su esfuerzo de revisión se fue en eliminar elogios exagerados y sugerencias genéricas en lugar de añadir contenido. Esa lista es su trabajo de revisión, y es donde se van las horas.

Escalone las fuentes en lugar de apilarlas

La evidencia de diseño más sólida viene de un experimento de campo multisitio, aleatorizado por conglomerados y longitudinal: 1.176 estudiantes universitarios de primer año en 48 secciones de 4 universidades y 3 dominios de ciencia, aleatorizados a nivel de sección en condiciones de solo pares, IA generativa directa, IA generativa reflexiva e híbrida (Ateş, 2026).

La condición reflexiva exigía autoevaluación antes de la crítica de la IA. La híbrida pasaba por autoevaluación, después retroalimentación entre pares y por último crítica de la IA generativa. La híbrida produjo las mayores ganancias en calidad argumentativa y la ventaja más clara en aprendizaje conceptual. La reflexiva y la híbrida produjeron ambas una adopción de la retroalimentación más fuerte y más aprendizaje autorregulado que la IA generativa directa, y ambas la superaron en transferencia diferida y sin IA. La IA generativa directa sí elevó la calidad argumentativa inmediata por encima de la retroalimentación entre pares, que es la ventaja que tiene, y lo hizo con una transferencia más débil.

El mecanismo explica por qué la secuenciación importa más que la herramienta. La crítica directa invita a una adopción pasiva: el estudiante lee un veredicto y lo aplica. Los diseños reflexivos e híbridos obligan al estudiante a interpretar el comentario, compararlo con los criterios, juzgar su relevancia y después revisar. El valor educativo depende menos del acceso a la IA que de si el entorno de retroalimentación preserva la agencia del que aprende y el juicio evaluativo durante la revisión.

La retroalimentación entre pares se gana su propio lugar en la secuencia. Gu, Chen y Yan (2026) llevaron dos clases paralelas de inglés (N = 118 estudiantes universitarios de primer año en China; IA generativa n = 56, pares n = 62) por tres ciclos de autoevaluación a lo largo de un semestre. El andamiaje con IA generativa mejoró la alfabetización en retroalimentación de forma ligera pero significativa respecto a la revisión entre pares humanos (ANCOVA p = 0,049, ηp² = 0,03). Los estudiantes con IA generativa refinaron las indicaciones de forma iterativa y verificaron o impugnaron las salidas inexactas. Los del grupo de pares eligieron fuentes por comodidad social y vieron su juicio evaluativo distorsionado por el sesgo de amistad. La revisión entre pares conservó un valor propio para la conciencia del destinatario, y por eso los autores proponen diseños de varias etapas con retroalimentación anónima entre pares en lugar de una sustitución.

La ventaja de Gu et al. fue pequeña, y la leen como real pero no transformadora por sí sola. El andamiaje del docente, las directrices de indicaciones y las hojas de trabajo hicieron el trabajo de apoyo.

Dé al modelo una rúbrica y haga que muestre sus pasos

La generación referenciada a la rúbrica es la parte automatizable.

La ganancia de calidad de Farrokhnia et al. vino de una indicación con cadena de pensamiento que guiaba al modelo por una evaluación paso a paso frente a una rúbrica de argumentación, no de una instrucción escueta de dar retroalimentación. Gu et al. dieron a su grupo de IA generativa ChatGPT-4o con rúbricas preentrenadas y directrices de indicaciones, y eso es lo que hizo la salida comprobable frente a criterios declarados. En ambos casos, la indicación es donde entran sus criterios en el sistema, y la traza de razonamiento es lo que le permite ver si el modelo los aplicó.

Zhan, Boud, Dawson y Yan (2025) hacen de la calidad de la indicación la bisagra de todo el proceso. Las indicaciones vagas producen salidas genéricas e inútiles, y los comentarios generados pueden estar alucinados, sesgados o solapados, lo que devuelve el juicio evaluativo al lector. La calibración es aún más exigente. En Farrokhnia et al., la calidad de la retroalimentación de la IA generativa se asoció significativamente con la solidez del borrador inicial del estudiante, mientras que la calidad de la retroalimentación del docente no. El docente calibró con más consistencia. El volumen escala. La calibración no.

Deje la última palabra y el registro en manos humanas

Becerra, Palma y Cobos (2026) describen AICoFE, que ejecuta tres modelos ajustados de forma independiente (GPT-4.1-mini, Gemini 2.5 Flash, Llama 3.1) sobre puntuaciones de rúbrica y observaciones cualitativas para producir comentarios de borrador independientes. El docente compone después el mensaje final seleccionando frases o párrafos, con una leyenda que muestra qué modelo aportó cada cosa. El modelo redacta. El docente entrega, y lo entregado lo firma una persona que leyó el borrador.

Aldino et al. encuentran el mismo patrón de asistencia y verificación en la práctica ordinaria. El componente de aprendizaje automático señaló con más frecuencia como ausente "Cumple el objetivo de aprendizaje" (20 de 21 docentes lo habían omitido; 16 aceptaron la señal) y "Relación entre estudiante y docente" (14 lo omitieron; 12 aceptaron). Los docentes decidieron cada sugerencia con juicio profesional, que es el sentido de ponerlos en el bucle.

Doce de los 21 docentes de Aldino et al. hicieron además revisiones de nivel de frase, y el patrón dominante fue calibrar el tono: rebajar el elogio (f = 11), eliminar sugerencias (f = 9), eliminar ánimos (f = 8). Las revisiones se agruparon en la dimensión relacional, sobre todo en la relación entre estudiante y docente (f = 24). Estaban protegiendo la autenticidad y la voz profesional, y ese trabajo no se automatiza.

Los estudiantes son el otro lado de esa verificación, y su relato del reparto del trabajo se acerca al que recomienda esta página. En grupos focales con 20 estudiantes de grado, la retroalimentación del docente se valoró por ser relacional, personalizada y basada en la pericia, mientras que la retroalimentación generada por IA se percibió como impersonal y potencialmente injusta; esos mismos estudiantes se mostraron abiertos a un modelo híbrido en el que el docente lee su trabajo y complementa los comentarios del modelo (Fong et al. (2026)). El mismo estudio encontró que sus juicios coincidían con los de ChatGPT en especificidad y accionabilidad, pero divergían en puntualidad y positividad, así que las dimensiones en las que se puede confiar en el veredicto del propio modelo son más estrechas que la rúbrica completa.

Enseñe a los estudiantes a leer el comentario

La alfabetización en retroalimentación es un requisito previo, y está distribuida de forma desigual.

Hawkins, Taylor-Griffiths y Lodge (2026) hicieron que 32 estudiantes de psicología realizaran una tarea de ensayo de 25 minutos grabada en pantalla con acceso sin restricciones a ChatGPT, y después vieran la grabación en una entrevista con estímulo de vídeo. La alfabetización en retroalimentación fue el único predictor positivo significativo de la nota del ensayo (β = 0,46, p = 0,017). La frecuencia de uso de IA generativa, la fiabilidad de la fuente y el conocimiento previo no predijeron el rendimiento, un punto que Zhan, Wood, Carless y Yan (2026) también plantean en el editorial de su número especial. Menos de un tercio de los estudiantes comparó la salida de la IA con otra fuente de internet. La mitad expresó una evitación deliberada de la IA por integridad académica o porque querían el ensayo con sus propias palabras. La mayoría pidió retroalimentación de nivel de tarea, que se transfiere mal a otras tareas.

Los extremos se ven en el par de escritores de IELTS que describen Zhan et al. Un estudiante con baja alfabetización escribió una indicación vaga, obtuvo retroalimentación genérica, la creyó o la copió en exceso y se implicó de forma superficial. Un estudiante con alta alfabetización escribió una indicación referenciada a criterios, hizo seguimiento, contrastó fuentes y supervisó las revisiones. La diferencia fue instrucción y hábito, no acceso a la herramienta.

Diga a los estudiantes directamente que los comentarios del modelo pueden estar alucinados, sesgados o solapados, y que la revisión es del estudiante. Enmarque la salida como una opinión preliminar que hay que juzgar y no como una respuesta que hay que copiar. Después pida la comparación, porque menos de un tercio de los estudiantes la hace sin que se le pida.

En qué se equivocan los docentes

Más comentarios significan más retroalimentación. Los comentarios son baratos de producir y caros de absorber, y la restricción está en el lado del estudiante del bucle. Los comentarios de IA mejor valorados de Farrokhnia et al. no produjeron más revisión que los comentarios del docente.

Un modelo mejor arreglará la salida genérica. Los fallos de la herramienta de Deakin fueron fallos de alcance: rasgos de nivel de frase, una banda estrecha de corrección. Zhan et al. sitúan la solución en la indicación, la rúbrica o la persona, no en un modelo más grande. El par de escritores de IELTS es la demostración: la misma herramienta, hábitos distintos, resultados distintos.

Poner la herramienta a disposición es la intervención. El uso fue de en torno al 13% del estudiantado de grado y el 12% del de posgrado cuando la herramienta era opcional. El resto de la pregunta de diseño es qué pasa con el otro 87%.

El ahorro de tiempo es automático. Preguntados por lo que les dio la herramienta de retroalimentación con IA, 21 docentes mencionaron el ahorro de tiempo solo rara vez (n = 2). Mencionaron mucho más la reflexión (n = 14), la mejora del lenguaje y la estructura (n = 11) y la identificación de componentes ausentes (n = 10). La edición (f = 32) y la eliminación (f = 27) dominaron su trabajo de revisión, con la adición poco frecuente (f = 8). Lo que aparece es un borrador y una indicación diagnóstica. Lo que también aparece es trabajo de revisión, calibración y verificación. La cuestión de la carga de trabajo es la que más a menudo se promete eliminar, y la IA generativa redistribuye el trabajo docente en lugar de quitarlo.

Las valoraciones de satisfacción le dicen que los comentarios son precisos. En el pilotaje de Deakin, las valoraciones medias positivas coexistían con errores señalados por los estudiantes. Muestree la salida frente a su propia lectura de los mismos borradores y registre dónde el modelo fue genérico, erróneo o adulador.

Lo que le van a responder

"La retroalimentación con IA no es personal." A menudo es cierto, y es la razón para dejar la última palabra en manos humanas. AICoFE existe porque la prosa genérica del modelo no es lo que un estudiante debería recibir: el docente selecciona, edita y firma el mensaje final. Los 21 docentes de Aldino et al. reescribieron el tono por la misma razón. La personalización es su trabajo en este diseño, y el modelo hace el trabajo de preparación.

"Mis estudiantes no leerán la retroalimentación de todos modos." Leen menos de lo que quisiéramos, y la evidencia dice que la solución es de diseño y no de volumen. La adopción en el pilotaje de Deakin fue de en torno al 13% y el 12%. Los comentarios mejor valorados de Farrokhnia et al. no produjeron revisión adicional. Lo que movió la aguja fue una secuenciación que fuerza la implicación, autoevaluación, luego retroalimentación entre pares y por último crítica de la IA, más tres ciclos de revisión a lo largo de un semestre que produjeron diferencias medibles en alfabetización en retroalimentación.

"Esto no es lo que pagan los estudiantes." Entonces no deje que la IA se convierta en la única voz que oyen de usted. La versión defendible da a los estudiantes más momentos de retroalimentación mientras usted dedica sus horas a las partes intensivas en juicio: la última palabra, la calibración, los comentarios que llevan su autoridad. Lo que los estudiantes pierden en un despliegue descuidado es la coherencia entre criterios, comentarios y resultado. Especifique la complementariedad mediante secuenciación, comparación, edición y gobernanza, y la objeción pierde fuerza. Deje dos fuentes una al lado de la otra y no lo hará.

"No tengo tiempo para revisar todo lo que escribe el modelo." Entonces no lo revise todo. Automatice la banda donde los errores son baratos de detectar, el trabajo lingüístico de nivel de frase, y muestree la salida de nivel de juicio frente a borradores que ya calificó. Las cifras de Aldino le dicen qué buscar: tono, información errónea, elogio exagerado, solapamiento.

Qué hacer esta semana

1. Clasifique su último conjunto de comentarios en correcciones de nivel lingüístico y valoraciones de nivel de juicio, y cuente cada montón.

2. Escriba la indicación referenciada a la rúbrica y paso a paso que le daría a un modelo, y pruébela con tres borradores que ya calificó.

3. Muestree la salida frente a sus propios comentarios y registre dónde el modelo fue genérico, erróneo o adulador.

4. Escalone una tarea como autoevaluación, después retroalimentación entre pares y por último crítica de la IA, y diga a los estudiantes que la IA es una opinión preliminar que se espera que cuestionen.

5. Pida una comparación con una segunda fuente o con los criterios, ya que menos de un tercio de los estudiantes lo hace sin que se le pida.

6. Registre qué parte de la retroalimentación final vino del modelo y cuánto cambió usted. El seguimiento de la curaduría de AICoFE es el modelo para ese registro.

7. Vigile la brecha entre expertos y novatos. Los docentes con más de cinco años de experiencia informaron de más problemas con la salida de la herramienta que colegas menos experimentados, que valoraban el andamiaje. Si sus colegas experimentados ven más fallos que usted, eso es información sobre su propia calibración.

Adónde ir después

La retroalimentación es el concepto paraguas de todo el sistema: provisión, bucle, adopción y contexto de evaluación. La calidad de la retroalimentación con IA cubre qué hace que los comentarios generados sean precisos, útiles, oportunos y pedagógicamente sólidos, y esta página es el término medio práctico, sobre qué combinaciones de esas partes producen mejor retroalimentación a escala.

Las preguntas sobre qué debería significar una nota una vez que hay IA implicada, incluida la sustitución del constructo, la evidencia de proceso autenticada y las normas de integridad, pertenecen a rediseñar la evaluación en la era de la IA y a validez de la evaluación y no a esta página. Para el caso especial de la enseñanza de la escritura, consulte buenas prácticas para la enseñanza de la escritura en el contexto de la IA.