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

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada 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 será hojeado y olvidado. Un colega menciona que ahora una herramienta comenta cada borrador en menos de una hora. Usted quiere saber si eso es una mejora real o una forma más rápida de producir texto que nadie lee.

El resultado principal: la retroalimentación con IA merece adoptarse por su cobertura, su puntualidad y su consistencia dentro de una franja estrecha, el trabajo lingüístico a escala de corrección de estilo y los comentarios de primera pasada guiados por rúbrica, y solo merece adoptarse si se diseña lo que ocurre alrededor de los comentarios. El alcance es la parte fácil. En un experimento aleatorizado por conglomerados con 1.176 estudiantes 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 de mayor calidad no produjo mejores revisiones que la de un docente experimentado. En toda la evidencia, lo que los estudiantes hacen con un comentario importa más que la rapidez con que llega, y la alfabetización en retroalimentación, y no el acceso a la IA, separa a los estudiantes que se benefician de los que copian.

La distinción que lo decide todo: el volumen no es calidad, y entregada no es leída

Dos separaciones hacen la mayor parte del trabajo en esta página.

Más retroalimentación no es mejor retroalimentación. La IA puede producir comentarios sobre cada borrador cada semana; la cantidad es casi gratis. La calidad no. Zhan, Boud, Dawson y Yan (2025) sitúan la calidad de la indicación en el eje del proceso: las indicaciones vagas producen resultados genéricos e inútiles, y los comentarios generados pueden ser alucinados, sesgados o solapados, lo que devuelve el juicio evaluativo a quien lee. La calibración es aún más delicada: en Farrokhnia et al. (2026), la calidad de la retroalimentación de IA generativa se asoció significativamente con la solidez del borrador inicial del estudiante, mientras que la calidad de la retroalimentación docente no lo hizo: el docente calibró con más consistencia. El volumen escala. La calibración no.

La retroalimentación entregada no es la retroalimentación puesta en práctica. Esta es la confusión más cara. Farrokhnia et al. aleatorizaron a 70 estudiantes que escribían ensayos argumentativos en persa en tres grupos. La indicación de cadena de pensamiento produjo retroalimentación valorada significativamente mejor (M = 12,90) que tanto la indicación zero-shot (M = 11,25, p = .01) como un docente humano experimentado (M = 11,20, p = .008). El grupo de cadena de pensamiento, sin embargo, no revisó sus ensayos significativamente más que el grupo de retroalimentación docente, que logró ganancias comparables. Comentarios mejor valorados, la misma revisión. Si su métrica es la calidad de lo que escribe el modelo, eso se lee como una victoria; si su métrica es lo que cambió en el ensayo, no.

Quién pone en práctica la retroalimentación depende de quien aprende. En Hawkins, Taylor-Griffiths y Lodge (2026), 32 estudiantes de psicología hicieron una tarea de ensayo de 25 minutos grabada en pantalla con acceso sin restricciones a ChatGPT, y después vieron la grabación en una entrevista estimulada por vídeo. La alfabetización en retroalimentación fue el único predictor positivo significativo de la nota del ensayo (β = 0,46, p = .017); el editorial del número especial de Zhan, Wood, Carless y Yan (2026) señala que la frecuencia de uso de IA generativa, la fiabilidad de la fuente y los conocimientos previos no predijeron el rendimiento. Menos de un tercio de los estudiantes comparó el resultado de la IA con otra fuente de internet; la mitad expresó una evitación deliberada de la IA por integridad académica o por querer el ensayo con sus propias palabras; y la mayoría pidió retroalimentación a nivel de tarea, que transfiere mal a otras tareas.

La adopción también está distribuida de forma desigual. En el piloto de toda la universidad de Deakin que describen Tubino y Adachi (2022), la herramienta de IA era opcional y el uso promedió alrededor del 13% de los estudiantes de grado y el 12% de los de posgrado, pese a que casi 4.000 estudiantes tenían acceso. Los estudiantes proactivos y con alto rendimiento la usaron más. Eso es lo que se consigue con «poner la herramienta a disposición», y es la razón por la que el resto de esta página trata sobre diseño y no sobre acceso.

Aquello en lo que la IA es realmente buena, y dónde se detiene

Bueno: cobertura y consistencia dentro de una franja estrecha. Tubino y Adachi describen ese piloto en Deakin en 2021 con la herramienta de retroalimentación automatizada con IA de FeedbackFruits en 29 unidades y casi 4.000 estudiantes. Funciona sobre rasgos textuales de nivel micro, como la longitud de las frases, la puntuación, la gramática y la estructura del texto, y apoya la fase de corrección de estilo: el docente fija los parámetros, el estudiante usa la herramienta de forma independiente y recibe retroalimentación puntual y accionable. Lo que escala es la división del trabajo, no el modelo.

Malo: generalidad, corrección y calibración. Ahí es donde falla (Zhan et al., 2025), y el remedio es una indicación, una rúbrica o una persona, no un modelo más grande. Aldino et al. (2026) añaden modos de fallo del lado del docente a partir de 21 profesores de educación superior: tono inconsistente (n = 7), posible desinformación (n = 5) y problemas de confianza (n = 5), con el esfuerzo de revisión dedicado a eliminar elogios exagerados y sugerencias genéricas en lugar de añadir contenido.

Un patrón de despliegue que resiste

La evidencia respalda una forma más que cualquier otra: la IA redacta el borrador, el estudiante evalúa primero y una persona decide.

Qué automatizar. El trabajo lingüístico de nivel micro y los diagnósticos de primera pasada guiados por rúbrica. Dé al modelo una rúbrica y haga que razone paso a paso: la ganancia de calidad de Farrokhnia et al. provino de una indicación de cadena de pensamiento que guiaba al modelo por una evaluación paso a paso contra una rúbrica de argumentación, no de una instrucción escueta. Gu, Chen y Yan (2026) dieron igualmente a su grupo de IA generativa ChatGPT-4o con rúbricas preentrenadas y guías de indicaciones, que es lo que hizo comprobable el resultado frente a criterios declarados. La generación referenciada a una rúbrica es automatizable; el juicio no.

Qué mantener humano. El mensaje final, el tono y todo lo que se convierte en un registro. 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 borrador independientes, y después hace que el docente componga el mensaje final seleccionando frases o párrafos, con una leyenda que muestra qué aportó cada modelo. La IA es un generador de borradores, no un emisor final. Aldino et al. encuentran el mismo patrón de «asistir pero verificar»: el componente de aprendizaje automático señalaba con más frecuencia Meeting Learning Objective como ausente (20 de 21 docentes lo habían omitido; 16 lo aceptaron) y Student–Teacher Relationship (14 omitido; 12 aceptado), y los docentes decidían cada sugerencia según su juicio profesional.

Cómo secuenciarlo. No apile las fuentes una al lado de otra; escalónelas. En el experimento de Ateş (2026), la condición reflexiva exigía autoevaluación antes de la crítica de la IA, y la híbrida ejecutaba autoevaluación → retroalimentación entre pares → crítica de IA generativa. Tubino y Adachi proponen plantillas para tres fases de redacción por la misma razón. Combine la IA con la retroalimentación entre pares en lugar de sustituir una por otra: Gu et al. llevaron dos clases de inglés paralelas (N = 118 estudiantes de primer año en China; IA generativa n = 56, pares n = 62) por tres ciclos de autoevaluación a lo largo de un semestre, y el andamiaje de IA generativa mejoró la alfabetización en retroalimentación de forma ligera pero significativa frente a la revisión entre pares humanos (ANCOVA p = 0,049, ηp² = 0,03). Los estudiantes de IA generativa refinaron las indicaciones de forma iterativa y verificaron o cuestionaron los resultados inexactos, mientras que 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 público, así que los autores proponen diseños de varias etapas con retroalimentación anónima entre pares.

Cómo planteárselo al estudiantado. Como una opinión en borrador que hay que juzgar, no una respuesta que copiar. Diga con claridad que los comentarios del modelo pueden ser alucinados, sesgados o solapados y que la revisión es responsabilidad del estudiante. La pareja de redactores de IELTS de Zhan et al. muestra los extremos: un estudiante con baja alfabetización y una indicación vaga obtuvo retroalimentación genérica, confió en ella 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 la instrucción y el hábito, no el acceso a la herramienta.

Cómo comprobar el resultado. Muestree los comentarios generados frente a su propia lectura de los mismos borradores, buscando los modos de fallo ya mencionados: tono, desinformación, elogio exagerado, solapamiento. En el piloto de Deakin, valoraciones medias positivas coexistieron con errores señalados por los estudiantes, así que la satisfacción es una señal débil de calidad; una encuesta de caritas sonrientes no es evidencia de precisión.

Modos de fallo, con las cifras

El diseño, no la disponibilidad, impulsa el efecto. La evidencia de diseño más sólida es un experimento de campo multisitio, aleatorizado por conglomerados y longitudinal: 1.176 estudiantes de primer año en 48 secciones de 4 universidades y 3 dominios científicos, aleatorizados a nivel de sección en condiciones de solo pares, IA generativa directa, IA generativa reflexiva e híbrida. La híbrida produjo las mayores ganancias de calidad argumentativa y la ventaja más clara en aprendizaje conceptual. La reflexiva y la híbrida produjeron ambas una mayor adopción de la retroalimentación y un mayor aprendizaje autorregulado que la IA generativa directa, y ambas la superaron en transferencia diferida sin IA. La IA generativa directa sí mejoró la calidad argumentativa inmediata frente a la retroalimentación entre pares, que es la ventaja que tiene, pero con una transferencia más débil. El valor educativo depende, por tanto, menos del acceso a la IA que de si el entorno de retroalimentación preserva la agencia del estudiante, el juicio evaluativo y la responsabilidad sobre la revisión: la crítica directa invita a una adopción pasiva, mientras que los diseños reflexivos e híbridos obligan al estudiante a interpretarla, compararla con los criterios, juzgar su relevancia y después revisar. Otros tamaños de efecto matizan esto. La ventaja de Gu et al. sobre la revisión entre pares fue pequeña, y la leen como real pero no transformadora por sí sola: el andamiaje docente, las guías de indicaciones y las hojas de trabajo hicieron el trabajo de apoyo. El planteamiento del editorial es que la IA generativa y la retroalimentación humana son complementarias solo si la complementariedad se especifica, mediante secuenciación, comparación, edición y gobernanza, en lugar de dejar dos fuentes una al lado de otra.

Exceso de confianza en ambos extremos del proceso. Los estudiantes pueden depender en exceso y sin sentido crítico al poner en práctica la retroalimentación, y los docentes pueden deferir en exceso a las sugerencias. Además, los estudiantes suelen percibir la retroalimentación docente como más negativa o arriesgada que la de la IA generativa, lo que invierte la suposición habitual sobre la calidad. Trate la alfabetización en retroalimentación como un requisito previo y no como una suposición: el predictor más fuerte en Hawkins et al. fue la alfabetización en retroalimentación de quien aprende, no la frecuencia con que usaba la IA.

Carga de trabajo que se desplaza en lugar de reducirse. La cuestión de la carga de trabajo es la que más a menudo se da por resuelta con promesas. Preguntados por lo que les aportó la herramienta de retroalimentación con IA, 21 docentes solo mencionaron en raras ocasiones el ahorro de tiempo (n = 2), y mencionaron mucho más a menudo la reflexión (n = 14), la mejora del lenguaje y la estructura (n = 11) y la identificación de componentes ausentes (n = 10). La ganancia visible es un borrador y una indicación diagnóstica, no un comentario terminado. Lo que aparece en su lugar es trabajo de revisión, calibración y verificación. Doce de los 21 docentes hicieron más revisiones a nivel de frase; dominaron la edición (f = 32) y la eliminación (f = 27), con la adición poco frecuente (f = 8). El patrón dominante fue calibrar el tono (rebajar el elogio, f = 11; eliminar sugerencias, f = 9; eliminar ánimos, f = 8) para proteger la autenticidad y la voz profesional, y las revisiones se concentraron en la dimensión relacional, en especial en Student–Teacher Relationship (f = 24). Los docentes señalaron la necesidad de edición humana (n = 9), el tono inconsistente (n = 7), la desinformación (n = 5) y los problemas de confianza (n = 5); los docentes con más de cinco años de experiencia informaron de más de ellos, mientras que los menos experimentados valoraron el andamiaje, motivo para vigilar si los novatos que deferen a las sugerencias de la IA construyen un juicio menos independiente. La regla del editorial: la IA generativa redistribuye el trabajo docente en lugar de eliminarlo, y las herramientas mal diseñadas pueden aumentarlo.

Tres objeciones, tomadas en serio

«La retroalimentación con IA no es personal.» A menudo es cierto, y es precisamente la razón para mantener la última palabra en manos humanas. AICoFE existe porque la prosa genérica de un 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, eliminando elogios exagerados y recortando sugerencias que no encajaban con su relación con el estudiante. La personalización no es tarea del modelo en este diseño; es suya, 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 el diseño, no el volumen. La adopción en el piloto de Deakin fue de aproximadamente el 13% de los estudiantes de grado y el 12% de los de posgrado. Los comentarios de IA mejor valorados de Farrokhnia et al. no produjeron más revisiones que los comentarios docentes. Lo que movió la aguja fue una secuenciación que obliga a implicarse (autoevaluación primero, después retroalimentación entre pares y por último crítica de IA) junto con tres ciclos de revisión a lo largo de un semestre que produjeron diferencias medibles en alfabetización en retroalimentación. Los reenvíos múltiples el mismo día son un rastro utilizable de si los estudiantes se implicaron de algún modo.

«Esto no es lo que pagan los estudiantes.» Entonces no deje que la IA sea la única voz que escuchen de usted. La versión defendible de la herramienta es aquella en la que los estudiantes reciben 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 con un despliegue descuidado no es su presencia, sino la coherencia entre criterios, comentarios y resultado. Especifique la complementariedad (secuenciación, comparación, edición, gobernanza) y la objeción se disuelve; deje dos fuentes una al lado de otra y no se disuelve.

Esta semana

1. Separe su último conjunto de comentarios en correcciones de nivel lingüístico y decisiones de nivel de juicio. Solo la primera categoría es candidata a la automatización.

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

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

4. Escalone una tarea como autoevaluación → retroalimentación entre pares → crítica de IA, y diga a los estudiantes que la IA es una opinión en borrador que se espera que cuestionen.

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

6. Presupueste el tiempo de revisión que dedicará realmente al tono y a la eliminación, y compárelo con el que liberó.

7. Vigile la brecha entre expertos y novatos. Si colegas experimentados informan de más problemas con el resultado de la herramienta que usted, esa es información sobre su propia calibración.

8. Decida qué resultado cuenta y mida eso: tasas de uso, rastros de revisión y rendimiento diferido sin ayuda, y no valoraciones de satisfacción. El 13% y el 12% aproximados del piloto de Deakin son una línea base útil, y el seguimiento de la curación de AICoFE modela el lado docente: registre qué parte de la retroalimentación final vino del modelo y cuánto cambió usted.

Dónde encaja esta página. Feedback es el concepto paraguas de todo el sistema (suministro, bucle, adopción y contexto de evaluación), y calidad de la retroalimentación con IA cubre qué hace que los comentarios generados sean precisos, útiles, puntuales y pedagógicamente sólidos. Esta página es el punto medio práctico: qué combinaciones de esas partes producen mejor retroalimentación a escala. Las preguntas sobre qué debería significar una nota cuando hay IA de por medio (sustitución del constructo, evidencia de proceso autenticada, normas de integridad) corresponden 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, véase buenas prácticas para la enseñanza de la escritura en el contexto de la IA.