La Comisión Europea acaba de publicar una revisión sobre inteligencia artificial y aprendizaje y concluyó que los estudiantes tienden a beneficiarse más cuando la IA acompaña su propio pensamiento y exige participación activa. Además, afirma que las herramientas educativas de IA muestran mejores resultados de aprendizaje que las herramientas generalistas. La discusión empieza a cambiar: ya no alcanza con preguntar si usamos IA en educación. Tenemos que empezar a preguntarnos qué tipo de IA estamos usando y para qué fue diseñada.
Estamos llamando “IA educativa” a casi cualquier inteligencia artificial que aparece cerca de una tarea escolar.
Un alumno usa una IA para resumir un texto y decimos que está usando IA educativa. Le pide que le explique un tema, que resuelva una ecuación o que corrija un ensayo, y volvemos a hablar de IA aplicada a educación. Pero usar una inteligencia artificial para estudiar no convierte automáticamente a esa tecnología en una inteligencia artificial diseñada para enseñar.
La diferencia puede parecer semántica hasta que miramos qué pasa con el aprendizaje. Una herramienta puede producir una respuesta excelente, mejorar una tarea y ayudar a un estudiante a llegar mucho más rápido a un resultado.
Pero nada de eso nos dice, por sí solo, qué tuvo que pensar ese estudiante, qué entendió, qué capacidad desarrolló o qué va a poder hacer cuando la herramienta ya no esté, y finalmente, ahora empieza a aparecer evidencia que hace que esta diferencia sea bastante más difícil de ignorar.
La Comisión Europea empieza a poner evidencia detrás de una pregunta que venimos haciéndonos hace tiempo
El 22 de septiembre de 2026, la Comisión Europea publicó Friend or foe? Evidence from the use of generative artificial intelligence in learning and teaching, una revisión de evidencia científica e internacional sobre el impacto de la IA generativa en estudiantes, docentes, familias y sistemas educativos.
El trabajo analiza aprendizaje, pensamiento crítico, autorregulación, equidad y efectos socioemocionales. Y entre sus principales conclusiones hay dos que nos parecen especialmente importantes.
- La primera es que una mejora en la performance no implica necesariamente una mejora en el aprendizaje.
- La segunda es que los estudiantes tienen más probabilidades de beneficiarse cuando la IA sostiene su propio pensamiento y ellos participan activamente de lo que están haciendo.
La Comisión agrega que, en general, las herramientas educativas de IA muestran mejores resultados de aprendizaje que las herramientas de propósito general. Esto no significa que toda IA generalista perjudique el aprendizaje.
Tampoco significa que cualquier producto que se presente como “IA educativa” tenga automáticamente evidencia de que enseña. De hecho, la propia Comisión advierte que todavía faltan estudios representativos y longitudinales para entender los efectos de largo plazo de estas tecnologías sobre el aprendizaje y el desarrollo de capacidades.
Lo que sí empieza a quedar bastante claro es otra cosa: no todas las experiencias con IA son pedagógicamente equivalentes.
Dos alumnos pueden usar IA para la misma tarea y atravesar procesos de aprendizaje completamente distintos
Pensemos en un ejercicio de matemática. Un estudiante se traba, copia el problema en una IA y recibe la solución completa con todos los pasos desarrollados. Puede leerla, entenderla e incluso entregarla correctamente.
Otro estudiante se traba con exactamente el mismo ejercicio y recibe una pregunta: “¿Hasta dónde llegaste?”. La IA observa su intento, identifica dónde aparece el error y le da una pista. El alumno vuelve a probar. Si sigue sin poder avanzar, recibe un poco más de ayuda.
Los dos usaron inteligencia artificial, los dos pueden terminar con la respuesta correcta, pero no hicieron el mismo trabajo cognitivo para llegar hasta ahí.
Podemos llevar el ejemplo a cualquier materia. Una IA puede resumir un texto por el alumno o ayudarlo a identificar qué ideas son centrales. Puede corregir directamente un ensayo o señalar una inconsistencia para que sea el estudiante quien la revise. Puede contestar una pregunta o intentar primero entender qué sabe el alumno y qué necesita para poder responderla.
Por eso, cuando evaluamos inteligencia artificial para educación, mirar solamente la calidad del output nos dice muy poco. La pregunta pedagógica es qué pasa con el pensamiento del alumno mientras la tecnología lo ayuda.
IA educativa e IA generalista no significan lo mismo
Una IA generalista está construida para resolver una enorme variedad de necesidades. Puede escribir, programar, resumir, explicar, traducir, analizar y responder preguntas de usuarios con objetivos completamente distintos.
Y puede ser utilizada de maneras educativas muy valiosas. Un docente puede diseñar una actividad extraordinaria alrededor de una herramienta generalista; un alumno puede usarla para contrastar argumentos, pedir explicaciones o cuestionar sus propios razonamientos.
El uso importa muchísimo, pero el uso que hacemos de una tecnología y el propósito para el que esa tecnología fue diseñada son dos cosas distintas.
Una inteligencia artificial pedagógica parte de preguntas diferentes. No empieza solamente por “¿cómo puedo responder bien esto?”, sino por “¿qué necesita aprender este estudiante?, ¿qué puede hacer solo?, ¿cuánta ayuda necesita?, ¿qué conviene que todavía no resolvamos por él?, ¿cómo cambia esa intervención según su edad y autonomía?, ¿qué objetivo definió su docente?”.
Ahí es donde la palabra “educativa” empieza a tener contenido real.
Para nosotros, una IA pedagógica debería poder considerar el objetivo de aprendizaje, la edad y autonomía del estudiante, el nivel de ayuda adecuado, el valor pedagógico del error, la progresión hacia una mayor independencia y el lugar del docente y de la institución en las decisiones sobre cómo se aprende.
No porque una IA tenga que dar menos respuestas, sino porque ayudar bien no siempre significa responder todo lo que uno puede responder.
La diferencia entre performance y aprendizaje se vuelve cada vez más importante
Este mismo mes, la American Psychological Association publicó un informe sobre tecnología educativa que insiste en una distinción parecida: que un estudiante tenga un mejor desempeño mientras utiliza una herramienta no significa necesariamente que haya construido conocimiento o habilidades que pueda transferir después a otros contextos.
El ejemplo es muy fácil de entender. Si una IA ayuda a un alumno a escribir un ensayo mucho mejor, vemos un mejor ensayo, pero todavía necesitamos saber si ese alumno también aprendió a escribir mejor.
La APA plantea justamente que la prueba más importante ocurre cuando la aplicación se cierra: qué sabe hacer el estudiante después, sin depender de esa ayuda. También recomienda que escuelas y familias busquen tecnologías apoyadas en estrategias de aprendizaje respaldadas por investigación, en lugar de evaluar solamente funcionalidades atractivas o buenos resultados dentro de la propia herramienta.
Esto nos parece central porque la inteligencia artificial es extraordinariamente buena produciendo resultados, y la escuela no existe solamente para producir resultados. Una tarea, un ensayo, un ejercicio o una investigación son también medios a través de los cuales un chico aprende a recordar, ordenar ideas, relacionar conceptos, equivocarse, revisar, argumentar y construir criterio.
Si una tecnología mejora el producto final mientras se lleva puesto parte de ese proceso, tenemos que poder verlo.
Usar activamente la IA no es lo mismo que aceptar lo que produce
Otro de los puntos que destaca la revisión de la Comisión Europea es la diferencia entre involucrarse activamente con la IA y utilizarla de manera mecánica.
Los estudiantes tienen más posibilidades de beneficiarse cuando la herramienta apoya su pensamiento y ellos siguen participando del contenido. En cambio, aceptar simplemente un output sin integrarlo con la propia comprensión puede afectar el aprendizaje.
Esto conecta con algo que venimos discutiendo mucho desde Auroria: el objetivo no puede ser solamente que el alumno “use IA”. Necesitamos preguntarnos qué está haciendo él mientras la usa.
- ¿Está contrastando?
- ¿Está intentando?
- ¿Está tomando decisiones?
- ¿Está revisando?
- ¿Puede explicar por qué llegó a esa conclusión?
- ¿O simplemente obtuvo una respuesta que parece correcta?
Ahí hay una diferencia enorme, aunque desde afuera las dos escenas parezcan “un estudiante usando inteligencia artificial”.
Del Pro-Learner AI a la evidencia sobre el tipo de herramienta
Hace pocas semanas escribimos sobre el concepto de Pro-Learner AI propuesto por el comité del MIT: inteligencia artificial pensada para ampliar las capacidades del estudiante en lugar de automatizar aquello que necesita aprender.
El MIT lo resume con una idea muy clara: augmentation, not automation. La tecnología debería ampliar lo que una persona puede aprender y hacer, no eliminar automáticamente el esfuerzo que permite desarrollar esa capacidad. El informe forma parte de una revisión más amplia que MIT hizo durante 2026 sobre el impacto de la IA generativa en enseñanza, aprendizaje y evaluación. (GUE)
La revisión de la Comisión Europea agrega ahora una pieza distinta.
El concepto pro-learner nos ayuda a pensar cómo debería diseñarse una IA para aprender.
La evidencia europea empieza a mostrarnos por qué el tipo de herramienta elegida puede importar también para los resultados de aprendizaje. (Área Europea de Educación)
No son exactamente la misma afirmación, y vale la pena no mezclarlas.
Pero juntas nos llevan a una conversación bastante más interesante que “IA sí o IA no”.
Una buena capacitación no convierte cualquier producto en una IA pedagógica
Capacitar a los docentes es necesario. Alfabetizar a los estudiantes también. Tener políticas institucionales claras sobre cuándo, cómo y para qué usar inteligencia artificial es fundamental.
Nada de eso desaparece porque existan herramientas específicamente diseñadas para educación.
Pero tampoco funciona al revés.
No podemos asumir que, si capacitamos lo suficiente a docentes y alumnos, el diseño de la herramienta deja de importar.
Una escuela puede decidir que quiere preservar el intento antes de recibir una solución, graduar la ayuda según la edad o mantener al docente en el centro del proceso. Si la tecnología que selecciona fue construida con otra lógica, la institución tendrá que estar compensando permanentemente desde afuera aquello que el producto no contempla desde adentro.
Para nosotros, esa es una responsabilidad demasiado importante para ponerla solamente sobre el chico o el docente.
La tecnología también tiene que hacer su parte.
¿Cómo debería evaluar una escuela si una IA es realmente educativa?
Probablemente durante los últimos dos años la primera pregunta haya sido: “¿Qué puede hacer esta IA?” Hoy creemos que esa vara empieza a quedarse corta.
Claro que importan sus capacidades, pero una institución también debería poder entender para quién fue diseñada, qué concepción de aprendizaje hay detrás, cómo maneja distintos niveles de ayuda, qué ocurre con el error, si contempla la edad y la autonomía, cómo se integra con el trabajo docente y qué parte del proceso intenta preservar en manos del estudiante.
Y hay una pregunta todavía más incómoda, pero probablemente más útil: ¿Qué fue diseñada para NO hacer por el alumno?
Nosotros creemos que una tecnología educativa no se define solamente por todas las cosas que es capaz de resolver, sino también se define por las decisiones que toma para no reemplazar aquello que el estudiante todavía necesita aprender a hacer.
En Auroria, “pedagógica” no es una etiqueta
Nosotros construimos Auroria desde esa diferencia. No partimos de una inteligencia artificial generalista para después buscar formas de utilizarla dentro de una escuela, sino que partimos de cómo aprende un estudiante, cómo cambia la autonomía con la edad, qué lugar tiene el error, cómo se gradúa la ayuda, qué decisiones corresponden al docente y cómo una tecnología puede integrarse al proyecto educativo de una institución.
Eso se traduce en una lógica de interacción socrática, distintos niveles de ayuda, acompañamiento progresivo y una tecnología que busca intervenir de manera diferente según el contexto pedagógico.
No creemos que una IA educativa tenga que ser menos capaz, de hecho, creemos exactamente lo contrario: tiene que ser suficientemente sofisticada como para no confundir hacer más con enseñar mejor.
La nueva evidencia de la Comisión Europea no cierra esta discusión, al contrario, insiste en que todavía necesitamos mucha más investigación para comprender qué efectos tendrá la IA sobre el aprendizaje en el largo plazo, pero sí nos ayuda a subir la vara.
Durante mucho tiempo preguntamos si la inteligencia artificial tenía lugar en la educación, pero es obvio que hoy esa pregunta empieza a quedarnos chica y es hora ya de pasar a cuestionar ¿Qué tipo de inteligencia artificial estamos poniendo frente a nuestros estudiantes y para qué fue diseñada?
Porque no toda IA que se usa para aprender es una IA educativa, y antes de preguntar qué puede hacer una herramienta, una escuela debería empezar por entender qué aprendizaje fue diseñada para acompañar.
Sobre Auroria
Auroria es una plataforma de inteligencia artificial pedagógica desarrollada en Argentina para acompañar a toda la comunidad educativa: estudiantes, docentes, equipos directivos y familias.
La diseñamos desde la lógica de la escuela y del aprendizaje, no como una adaptación posterior de una herramienta generalista. En el caso de los estudiantes, contemplamos variables como edad, autonomía, objetivos pedagógicos, nivel de ayuda y valor del error, con una lógica de acompañamiento que busca ampliar capacidades sin reemplazar el trabajo que cada alumno necesita hacer por sí mismo.
Para docentes e instituciones, Auroria busca integrarse a sus decisiones pedagógicas y a su proyecto educativo, preservando el rol humano y permitiendo que la tecnología acompañe el criterio de cada escuela.
Porque una cosa es usar inteligencia artificial en educación.
Otra es diseñar inteligencia artificial para educar.
Fuentes y referencias
Comisión Europea. Friend or foe? Evidence from the use of generative artificial intelligence in learning and teaching. 22 de septiembre de 2026. La Comisión resume entre sus hallazgos que la mejora de performance no implica necesariamente aprendizaje, que la participación activa del estudiante importa y que las herramientas educativas de IA muestran, en general, mejores resultados de aprendizaje que las generalistas. (Área Europea de Educación)
American Psychological Association. Children’s and adolescents’ learning with educational technology. Septiembre de 2026. El informe diferencia engagement y performance de aprendizaje duradero y recomienda evaluar las tecnologías por aquello que el estudiante puede hacer una vez que deja de utilizarlas. (APA)
MIT. Report of the Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Agosto de 2026. El comité analiza usos de IA generativa en enseñanza, aprendizaje y evaluación y propone un enfoque centrado en ampliar las capacidades humanas. (GUE)
Preguntas frecuentes sobre IA educativa e IA generalista
¿Qué es una IA educativa?
Una IA educativa es una inteligencia artificial diseñada específicamente alrededor de objetivos de aprendizaje. No alcanza con que pueda explicar contenidos o resolver tareas: su diseño debería contemplar cómo y cuánto intervenir, el nivel de autonomía del estudiante, su edad, el valor del error, la progresión del aprendizaje y el rol del docente.
¿Cuál es la diferencia entre una IA educativa y una IA generalista?
Una IA generalista está diseñada para resolver una gran variedad de tareas para usuarios y contextos diferentes. Una IA educativa parte de una lógica pedagógica: busca que la ayuda de la tecnología contribuya a desarrollar capacidades en el estudiante sin reemplazar innecesariamente el proceso que necesita atravesar para aprender.
¿Una IA generalista puede utilizarse bien en educación?
Sí. Una IA generalista puede formar parte de actividades educativas valiosas si existe una buena propuesta pedagógica, mediación docente y un uso activo por parte del estudiante. La diferencia es que usar pedagógicamente una herramienta no significa que esa herramienta haya sido diseñada pedagógicamente.
¿La Comisión Europea dice que la IA educativa es mejor que la IA generalista?
La revisión publicada por la Comisión Europea en septiembre de 2026 señala que las herramientas educativas de IA muestran, en general, mejores resultados de aprendizaje que las herramientas de propósito general. También aclara que el impacto depende de cómo se utiliza la tecnología y que todavía hace falta más investigación longitudinal sobre sus efectos de largo plazo. (Área Europea de Educación)
¿Usar inteligencia artificial mejora el aprendizaje?
No necesariamente. Una IA puede mejorar el desempeño inmediato o la calidad de una tarea sin que eso implique que el estudiante haya aprendido más. Tanto la Comisión Europea como la American Psychological Association remarcan la importancia de distinguir performance de aprendizaje y observar qué capacidades quedan cuando la ayuda tecnológica ya no está disponible. (Área Europea de Educación)
¿Qué significa Pro-Learner AI?
Pro-Learner AI es un concepto utilizado por el MIT para describir una inteligencia artificial orientada a ampliar las capacidades de quien aprende en lugar de automatizar el proceso educativo. La idea está vinculada al principio augmentation, not automation: utilizar IA para potenciar el aprendizaje sin reemplazar el esfuerzo cognitivo necesario para desarrollar capacidades propias. (GUE)
¿Qué debería analizar una escuela antes de elegir una IA educativa?
Además de sus funcionalidades, una escuela debería evaluar para quién fue diseñada la herramienta, qué objetivos de aprendizaje contempla, cómo adapta el nivel de ayuda, qué tratamiento hace del error, si considera edad y autonomía, cómo preserva el rol docente y qué decisiones puede definir la propia institución. También debería preguntar qué evidencia existe de que la herramienta contribuye realmente al aprendizaje.
¿Auroria es una IA educativa?
Sí. Auroria fue diseñada específicamente como una plataforma de inteligencia artificial pedagógica para instituciones educativas. Su lógica contempla estudiantes, docentes, equipos directivos y familias, y parte de variables educativas como edad, autonomía, objetivos de aprendizaje, nivel de ayuda, error y mediación docente. No nació como una IA generalista adaptada posteriormente al aula.
