El reciente informe del MIT le pone un nombre a una idea que está en el corazón de Auroria desde el día uno: “pro-learner AI”. Una inteligencia artificial para educación no debería optimizar cuántas cosas puede hacer por un estudiante, sino cuántas capacidades logra desarrollar en ese estudiante. Porque una cosa es producir más y otra, muy distinta, es aprender más.
Si una inteligencia artificial puede resolver en segundos algo que a un estudiante le llevaría una hora, ¿eso es una mejora educativa? Puede ser una mejora de productividad, puede generar un resultado mejor y hacerlo muchísimo más rápido, pero si en esa hora el estudiante tenía que pensar, probar, equivocarse, revisar, recordar, argumentar o desarrollar una capacidad que todavía no tenía, hacer desaparecer el proceso no vuelve más eficiente el aprendizaje. De hecho, elimina la fricción y parte del proceso cognitivo. Vuelve más eficiente la producción del resultado, sí, pero no el aprendizaje.
Esta distinción está en el centro del reciente informe del comité del MIT sobre inteligencia artificial, enseñanza y aprendizaje. Uno de sus ocho principios es explícito: “augmentation, not automation”, ampliar las capacidades humanas en lugar de automatizarlas; y cuando lleva esa idea a educación propone una IA “pro-learner”, orientada a aumentar la curiosidad, la creatividad y el aprendizaje, no a reemplazar el trabajo de pensar, crear y resolver.
Para nosotros esta conversación no empieza con el informe del MIT. Cuando nació Auroria, antes de que MIT llamara a esta lógica pro-learner, ya habíamos tomado una decisión bastante incómoda para la lógica tecnológica tradicional: no queríamos construir una IA que demostrara todo lo que podía hacer por un alumno, queríamos construir una que supiera cuánto hacer para que el alumno pudiera hacer cada vez más por sí mismo.
Que hoy una institución como MIT ponga esa discusión en el centro está buenísimo, no solo porque reconoce la relevancia de una dirección que venimos sosteniendo desde el inicio, sino porque eleva el estándar de lo que deberíamos empezar a exigirle a cualquier inteligencia artificial que entra en una experiencia educativa.
La tarea no es el aprendizaje
Un estudiante escribe un ensayo, resuelve un problema matemático o prepara una investigación.
Cuando lo entrega vemos un texto, una respuesta, una presentación; pero la escuela no necesitaba ese producto porque sí. La tarea era el medio para que, en el camino, el alumno aprendiera a ordenar ideas, recordar, relacionar conceptos, argumentar, investigar, detectar errores y construir criterio.
La inteligencia artificial rompe bastante esa relación porque hoy puede producir el resultado sin que necesariamente ocurra el proceso. De hecho, el propio MIT reconoce que los modelos actuales ya pueden resolver razonablemente prácticamente cualquier tipo de trabajo escrito de su currícula de grado, y además advierte que, cuando la IA permite delegar el trabajo cognitivo, se vuelve mucho más difícil saber qué aprendió realmente el estudiante.
Esto, francamente, ya lo estamos viendo todos, entonces, ¿qué hacemos? Hay países que decidieron prohibir la IA en la educación, como Noruega, hay otros que pusieron límites estrictos a la Inteligencia Artificial, como lo fueron los recientes anuncios del gobierno de Nueva York, y otros, como China, que ya cuentan con regulaciones claras y formales.
En Argentina, por el contrario, estamos incorporando IA a las escuelas. Más allá de que estemos de acuerdo o no, es un hecho. También es un hecho que los chicos deberán usar IA en sus vidas laborales, es por ello, que entendemos que la alfabetización en IA es necesaria. Prohibir no soluciona el problema, y además, los deja afuera de la tecnología del momento.
Ahora bien, esto no quiere decir que, por ello, debamos exponer a los estudiantes a riesgos cognitivos y/o emocionales. Cualquier inteligencia artificial no es adecuada para educar, y para nosotros ahí está una parte de la conversación que todavía estamos esquivando.
Capacitar es necesario, tener una política también, pero la herramienta importa.
Podemos enseñarles a los estudiantes cuándo usar IA y cuándo no; podemos capacitar a los docente, y podemos también definir políticas institucionales muy buenas sobre qué está permitido, qué está limitado y con qué propósito.
De hecho, el MIT recomienda que las materias tengan políticas explícitas de uso de IA y, algo muy importante, que esas políticas estén justificadas por los objetivos de aprendizaje. No propone una regla idéntica para todos, sino decidir cuándo la IA debe estar permitida, restringida o requerida en función de qué queremos que el estudiante aprenda.
En eso, estamos completamente de acuerdo, pero hay una parte que no podemos resolver únicamente con capacitación o normativa: el diseño de la tecnología que ponemos frente al alumno. Porque una cosa es decirle a un chico “no le pidas la respuesta” y otra es darle una herramienta cuyo comportamiento por defecto es justamente responder todo lo que pueda, lo más rápido y satisfactoriamente posible.
También podemos pedirle a un docente que use una IA generalista de manera socrática, podemos escribir un gran prompt para que primero dé pistas y podemos decirle al estudiante que intente solo antes de preguntar; pero si cada vez tenemos que construir una capa pedagógica alrededor de una tecnología para evitar que haga aquello para lo que fue diseñada, quizás el problema no está solamente en cómo la usamos, también está en qué herramienta elegimos.
Una IA generalista no se convierte en pedagógica simplemente porque entra a una escuela, porque un docente la use con buenas intenciones o porque escribamos una política responsable alrededor suyo. La tecnología también tiene que estar diseñada desde esa misma lógica.
Eso es lo potente de una IA “pro-learner”
Cuando MIT habla de augmentation, not automation, la diferencia es bastante concreta; si un alumno tiene que escribir, una IA puede redactar por él o puede ayudarlo a construir y defender una idea. No estamos hablando de una IA menos capaz, sino de una IA cuya capacidad está subordinada al aprendizaje.
El informe también recupera la idea de productive struggle: parte del aprendizaje ocurre justamente cuando tenemos que recordar, intentar, equivocarnos, revisar y volver a probar. MIT advierte que automatizar demasiado rápido ese trabajo puede privar al estudiante de la fricción cognitiva necesaria para construir comprensión y dominio.
Por eso una IA pedagógica no debería tener una única respuesta frente a “no sé”, a veces tendrá que explicar, otras dar una pista, preguntar… y dependiendo de la edad, del objetivo y de la autonomía que ese estudiante ya construyó, intervenir más o intervenir menos.
La diferencia entre una IA generalista y una IA pedagógica no está solamente en qué saben hacer, sino en qué deciden hacer con el pensamiento del alumno.
Auroria nació desde esa lógica
Cuando empezamos a construir Auroria no partimos de una IA generalista para después agregarle algunas reglas educativas, partimos de la educación: de la edad del estudiante, de su nivel de autonomía, del error como parte del aprendizaje, del rol del docente, del nivel de ayuda que corresponde en cada momento y de algo que para nosotros siempre fue central: la tecnología tiene que adecuarse al chico y al proceso educativo, no esperar que el chico aprenda a defender su aprendizaje frente a la tecnología.
Por eso Auroria puede trabajar con interacciones socráticas, pistas progresivas y distintos niveles de ayuda; por eso la intervención cambia según el estudiante y el objetivo pedagógico; y por eso el docente sigue teniendo un lugar central.
No son restricciones agregadas para hacer que una IA generalista parezca educativa, son decisiones de diseño a las que ahora el MIT les pone un nombre muy potente: pro-learner AI, pero que nosotros venimos construyendo desde el primer día.
La próxima decisión de las escuelas no puede ser solamente “IA sí o IA no”
Para nosotros, el informe deja una consecuencia muy concreta para las instituciones. Una escuela necesita alfabetización en IA, necesita formar a sus docentes, necesita políticas claras que definan para qué se usa, cuándo y con qué límites; pero también necesita elegir tecnología coherente con esas decisiones.
Porque una política puede decir que queremos preservar autonomía, pensamiento crítico y aprendizaje, pero si después ponemos frente al estudiante una herramienta diseñada para resolver cualquier cosa que le pida, existe una contradicción entre la política pedagógica y la tecnología elegida. Por eso, al evaluar una IA, ya no alcanza con preguntar: “¿Qué puede hacer?”
También necesitamos preguntar:
¿Qué está diseñada para no hacer?
¿Entrega siempre la respuesta o puede graduar la ayuda?
¿Considera la edad y la autonomía del estudiante?
¿Permite que se equivoque?
¿Puede acompañar sin reemplazar?
¿Preserva el lugar del docente?
¿Está diseñada para educar o simplemente estamos intentando darle un uso educativo a una herramienta creada con otro propósito?
Las respuestas a esas preguntas importan mucho, porque no podemos seguir poniendo toda la responsabilidad sobre los chicos y los docentes. No podemos seguir entregando una tecnología que puede hacerlo todo y después pedirles que sean ellos quienes sepan permanentemente cuándo no usar esa capacidad. La política importa, la capacitación importa y el diseño de la herramienta también.
Que el MIT empiece a hablar de una inteligencia artificial pro-learner corre la discusión del simple acceso a la IA y empieza a elevar la vara sobre qué tipo de inteligencia artificial tiene sentido llevar a una experiencia educativa.
Sobre Auroria
Auroria es una inteligencia artificial pedagógica desarrollada en Argentina para acompañar a toda la comunidad educativa: estudiantes, docentes, equipos directivos y familias.
Fue diseñada desde su inicio a partir de la lógica de la escuela, no como una adaptación posterior de una herramienta generalista. Eso significa que contempla la edad y el nivel de autonomía de cada estudiante, los objetivos de aprendizaje, el rol del docente, el valor del error y la necesidad de que la tecnología intervenga de manera diferente según el contexto pedagógico.
En el caso de los estudiantes, Auroria no busca resolver cada vez más cosas por ellos, sino ayudarlos a pensar, comprender, argumentar, revisar y desarrollar capacidades propias. Por eso puede trabajar con interacciones socráticas, distintos niveles de ayuda y acompañamiento progresivo, preservando el esfuerzo cognitivo que forma parte del aprendizaje.
Para los docentes y las instituciones, Auroria busca integrarse al proyecto educativo, respetar sus criterios pedagógicos y acompañar la incorporación de inteligencia artificial sin desplazar el rol humano ni obligar a la escuela a adaptarse a la lógica de una herramienta genérica.
Porque para Auroria una IA educativa no es simplemente una IA que se usa en una escuela. Es una tecnología diseñada desde el aprendizaje, para ampliar capacidades sin reemplazarlas.
Fuentes y referencias
MIT. Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Agosto de 2026.
MIT Ad Hoc Committee. Principios Augmentation not automation, No one size fits all, productive struggle y propuesta de una IA pro-learner.
Preguntas Frecuentes sobre IA Pro-Learner
¿Qué es una IA “pro-learner”?
Es una inteligencia artificial diseñada para ampliar las capacidades del estudiante en lugar de automatizar el aprendizaje. El MIT propone que la IA ayude a aumentar curiosidad, creatividad, autonomía y capacidad para resolver problemas, en vez de sustituir el trabajo de pensar, crear y aprender. Es una lógica muy cercana a la que guía a Auroria desde su origen: la tecnología no debería intentar hacer cada vez más por el alumno, sino ayudar a que el alumno pueda hacer cada vez más por sí mismo.
¿Qué diferencia hay entre una IA generalista y una IA pedagógica?
Una IA generalista está diseñada para resolver una enorme variedad de necesidades de distintos usuarios. Si le pedimos una respuesta, un texto, una síntesis o la resolución de un problema, su lógica suele ser intentar darnos el mejor resultado posible. Una IA pedagógica parte de otra pregunta: ¿qué necesita pasar para que este estudiante aprenda? Por eso puede decidir explicar, hacer una pregunta, ofrecer una pista, permitir un nuevo intento o graduar cuánto ayuda según la edad, la autonomía y el objetivo pedagógico. Auroria fue diseñada desde esa lógica, no como una adaptación posterior de una IA de propósito general.
¿Alcanza con capacitar a los estudiantes para que usen responsablemente una IA generalista?
No. La alfabetización en IA es necesaria y las escuelas necesitan enseñar a usar estas herramientas con criterio. También necesitan políticas claras. Pero ni la capacitación ni una buena normativa reemplazan el diseño de la tecnología. Si una escuela quiere preservar autonomía, pensamiento crítico y aprendizaje, tiene sentido que también elija herramientas diseñadas para acompañar esos objetivos. No podemos darle al estudiante una tecnología cuyo comportamiento por defecto es resolver todo lo posible y después dejar únicamente en sus manos la responsabilidad de saber cuándo no pedirle que lo haga.
¿Una IA pedagógica tiene que dar menos respuestas?
No necesariamente. Tiene que dar la ayuda adecuada. A veces un alumno necesita una explicación completa. Otras veces necesita una pista, una pregunta o simplemente la oportunidad de intentar otra vez. En Auroria, por ejemplo, el nivel de intervención puede cambiar según la edad, el nivel de autonomía y el objetivo pedagógico. El criterio no es responder menos por principio. Es no resolver aquello que el estudiante todavía necesita aprender a resolver.
¿Qué significa que una IA tenga una interacción socrática?
Significa que no responde automáticamente cada pregunta con una solución terminada. Puede devolver preguntas, pedir que el estudiante explique qué entendió, ayudarlo a detectar un error u ofrecer pistas progresivas para que pueda avanzar por sí mismo. Auroria utiliza este tipo de interacción porque el objetivo no es mantener una conversación “más difícil”, sino preservar el trabajo cognitivo que forma parte del aprendizaje.
¿Qué debería mirar una escuela antes de elegir una inteligencia artificial?
No alcanza con evaluar qué tan bien responde o cuántas funcionalidades tiene.
Una escuela también debería preguntarse para quién fue diseñada, si contempla la edad de los estudiantes, cómo maneja distintos niveles de autonomía, qué hace frente al error, cuánto puede graduar la ayuda, qué lugar conserva el docente y, algo que solemos olvidar, qué está diseñada para no hacer. Porque una funcionalidad puede ser espectacular desde el punto de vista tecnológico y contraproducente desde el punto de vista pedagógico.
¿Una IA “pro-learner” significa usar menos inteligencia artificial?
No. Puede significar incluso utilizarla mucho más y de maneras más sofisticadas. Un alumno puede usar IA para analizar más información, experimentar con problemas más complejos, recibir feedback o desarrollar proyectos que antes estaban fuera de su alcance. La diferencia está en qué trabajo hace la IA y qué capacidad queda desarrollando el estudiante.
¿Auroria es una IA “pro-learner”?
El término es el que utiliza ahora el MIT, pero la lógica está en Auroria desde el día uno. Auroria fue diseñada desde la educación, teniendo en cuenta objetivos de aprendizaje, edad, autonomía, error, nivel de ayuda y mediación docente. Por eso no busca simplemente entregar respuestas cada vez mejores, sino intervenir de una manera que ayude al estudiante a desarrollar capacidades propias.
En ese sentido, sí: la lógica pro-learner describe muy bien una parte central de cómo pensamos y diseñamos Auroria desde su origen.
