IA agente en la escuela: cuando la IA investiga Y escribe el ensayo

Un estudiante de segundo de secundaria en Monterrey tiene un ensayo de historia para entregar el lunes. El domingo por la noche abre su computadora y escribe una instrucción en su agente de IA: “Escribe un ensayo de cinco párrafos sobre las causas de la Revolución Mexicana, con al menos cuatro fuentes históricas, en formato APA, para una clase de segundo de secundaria.” Once minutos después, tiene un ensayo de 800 palabras, cuatro fuentes citadas de bases de datos históricas confiables, formato APA correcto y un título que estaría cómodo poniendo con su nombre. No leyó una sola fuente. No escribió una oración. Apenas revisó el resultado antes de enviarlo. Mientras tanto, en una escuela al otro lado de la ciudad, una maestra pasó el fin de semana rediseñando sus tareas porque notó que todos los ensayos que recibió la semana anterior eran sospechosamente coherentes, inusualmente bien estructurados y curiosamente similares en tono. Bienvenidos a la crisis educativa central de 2026—no la escritura asistida por IA, sino la completación autónoma de trabajos académicos por IA. La pregunta ya no es “¿usó IA el estudiante?” Es “¿qué debía aprender el estudiante, y lo aprendió?”

Por qué esto es genuinamente diferente a las tecnologías de “trampa” anteriores

Cada generación ha tenido sus tecnologías de trampa. El resumen de Cliff. Wikipedia. Las empresas de ensayos por encargo. Las calculadoras, que las escuelas eventualmente aceptaron e integraron. El corrector ortográfico, que las escuelas eventualmente dejaron de penalizar. Cada vez, el debate siguió el mismo arco: pánico moral, aceptación parcial, integración eventual con evaluaciones modificadas.

La IA agente es categorialmente diferente por tres razones:

Escala. Las herramientas de trampa anteriores requerían esfuerzo—encontrar un resumen, comprar un ensayo, recordar buscar en Wikipedia. La IA agente requiere una oración. El esfuerzo marginal para evitar hacer una tarea es esencialmente cero.

Calidad. Las herramientas de trampa anteriores producían trabajo de calidad reconociblemente baja—ensayos obviamente copiados, análisis superficiales. Los agentes de IA modernos producen trabajo que frecuentemente es superior a lo que el estudiante habría producido por sí mismo. Esto hace la detección más difícil y las consecuencias más complicadas.

Amplitud. Las herramientas de trampa anteriores eran específicas de dominio. Los agentes de IA funcionan en todas las materias simultáneamente. El mismo agente que escribe un ensayo de español también resolverá problemas de matemáticas, generará informes de laboratorio de ciencias, producirá presentaciones de historia y completará tareas de programación. No queda ninguna materia que requiera esfuerzo que un agente no pueda reducir a un prompt.

Este no es un problema de trampa en el sentido convencional. Es un problema estructural con cómo las escuelas han definido el trabajo académico—y requiere una solución estructural, no solo una aplicación más estricta de las reglas.

Lo que dice la investigación sobre lo que requiere el aprendizaje real

El efecto de la práctica de recuperación

Décadas de investigación en ciencias cognitivas han establecido que el acto de recuperar y aplicar información—escribir, resolver, explicar, argumentar—es lo que consolida el aprendizaje en la memoria a largo plazo. Esto se llama el “efecto de prueba” o “efecto de práctica de recuperación,” y es uno de los hallazgos más replicados en psicología educativa.

Un metaanálisis de 2013 de Roediger y Karpicke revisó más de 100 estudios y confirmó que la recuperación activa—no la relectura ni la revisión pasiva—produce la mayor retención y transferencia del conocimiento.

Cuando un estudiante usa un agente de IA para producir un ensayo que no lee, no realiza ninguna recuperación. La tarea, desde una perspectiva de ciencias del aprendizaje, no produce nada. La calificación se asigna a un trabajo que contiene cero participación cognitiva del estudiante.

Procesamiento generativo y comprensión

El psicólogo educativo Merlin Wittrock introdujo la teoría del “aprendizaje generativo”—la idea de que la comprensión se construye cuando los estudiantes conectan activamente la nueva información con el conocimiento existente. Este proceso de generación—incluso cuando es imperfecto, incluso cuando produce primeros borradores malos—es el mecanismo de la comprensión. Cuando un agente de IA genera las conexiones para el estudiante, el estudiante elude el mecanismo. El resultado puede demostrar comprensión; el estudiante no la posee.

Esto tiene una consecuencia concreta: los estudiantes que externalizan la escritura de ensayos a agentes de IA frecuentemente reprueban exámenes orales sobre el mismo material que “escribieron.” La investigación de varias universidades europeas (Porsdam Mann et al., 2023) encontró que aproximadamente el 35% de los estudiantes cuyos ensayos generados por IA obtuvieron calificaciones altas no podían responder preguntas de aclaración básicas sobre los argumentos de su propio ensayo.

El efecto de reversión de la experiencia

Aquí es donde se complica: la investigación sobre la asistencia de IA no es uniformemente negativa. Un fenómeno llamado “efecto de reversión de la experiencia” (Kalyuga et al., 2003) muestra que los apoyos instruccionales que ayudan a los estudiantes novatos se vuelven contraproducentes para los expertos—una vez que el estudiante ha internalizado una habilidad, el andamiaje externo reduce el aprendizaje. Esto aplica a los agentes de IA: un estudiante que ya sabe cómo escribir un ensayo de investigación y usa un agente de IA para manejar el tedioso formato de citas está teniendo una experiencia diferente a la de un estudiante que nunca ha escrito un ensayo de investigación y usa un agente para producir todo.

La implicación: el daño de la IA agente en educación es más agudo para los estudiantes novatos que aún no han internalizado las habilidades que la tarea está diseñada para desarrollar. Para los estudiantes que han dominado una habilidad, la asistencia de IA para aplicarla es mucho menos dañina—y potencialmente beneficiosa.

El panorama de políticas: las batallas que las escuelas están librando

Las políticas de IA escolar caen en tres categorías amplias en 2026:

Políticas restrictivas: “Sin herramientas de IA de ningún tipo, para ningún trabajo escolar.” Son las más fáciles de escribir y las más difíciles de aplicar. Los agentes de IA ahora son accesibles a través de navegadores, celulares, integrados en los productos de Microsoft y Google que las escuelas proporcionan. La prohibición general es en gran medida inaplicable.

Políticas permisivas: “Se permiten las herramientas de IA siempre que el trabajo sea ‘original.’” Son bien intencionadas pero prácticamente incoherentes—“original” no está definido en un contexto agente. ¿Es un ensayo “original” si un estudiante escribió el prompt que lo generó? ¿Si editó un párrafo?

Políticas definidas por habilidades: El enfoque educativamente más sofisticado. Estas definen qué habilidades evalúa una tarea, especifican qué nivel de asistencia de IA es consistente con demostrar esa habilidad y modifican las evaluaciones en consecuencia. Una tarea de escritura diseñada para evaluar habilidades de argumentación podría permitir la investigación asistida por IA mientras requiere un esquema manuscrito y redacción en clase.

En México, la SEP publicó lineamientos preliminares sobre IA en educación en 2025 que adoptaron el enfoque de políticas permisivas, dejando a las escuelas determinar sus propias reglas. Esto ha resultado en una inconsistencia significativa entre instituciones y estados.

Comparación: tipos de tareas y vulnerabilidad a la IA agente

Tipo de tarea	Vulnerabilidad a IA	Aprendizaje en riesgo	Alternativa de baja IA
Ensayo de investigación	Muy alta	Habilidades de investigación, síntesis, argumentación	Defensa oral, escritura en clase, portafolio de proceso
Respuesta lectora	Muy alta	Comprensión, pensamiento crítico	Seminario socrático, copia anotada, club de lectura
Serie de problemas de matemáticas	Alta (soluciones trabajadas)	Fluidez procedimental, configuración del problema	Explicación en pizarrón, tipos de problemas variados
Informe de laboratorio	Alta (redacción)	Comunicación científica	Cuaderno de laboratorio en tiempo real, video de laboratorio
Tarea de programación	Alta	Pensamiento computacional, depuración	Sesión de codificación en vivo, entrevista de explicación de código
Presentación oral	Moderada (preparación)	Comunicación, síntesis	Entrega en persona con preguntas y respuestas
Proyecto práctico	Baja	Habilidades físicas, pensamiento de diseño	Más de esto
Portafolio con defensa	Baja	Reflexión, autoevaluación	Requiere inversión de tiempo

Qué hacer como papá

Ten la conversación “¿para quién?”

La conversación más poderosa que puedes tener con tu hijo sobre IA agente y la escuela no es sobre reglas o trampa. Es sobre propósito:

“¿Para quién es la escuela? Cuando tienes que la IA haga tu tarea, ¿quién se beneficia? ¿Qué pasa en cinco años si no puedes explicar las cosas que dice tu expediente escolar que sabes?”

Los niños que entienden que las calificaciones son señales y que las habilidades subyacentes tienen valor real en el futuro son más propensos a tomar buenas decisiones sobre el uso de IA—no porque teman las consecuencias, sino porque entienden lo que está en juego.

Entiende qué tareas han actualizado los maestros de tu hijo

Algunos maestros están adelantados en esto. Pregúntale a tu hijo: “¿Algún maestro ha cambiado cómo asigna trabajos por la IA?” Las respuestas te dirán qué clases están involucradas de manera reflexiva con el tema. Para las que no lo están, vale la pena preguntar si la escuela tiene apoyo para el rediseño de tareas.

Establece reglas en casa que distingan proceso de resultado

Un marco útil para el hogar:

• La IA puede ayudarte a entender algo que no entiendes (función de enseñanza)
• La IA puede revisar el trabajo que ya completaste (función de revisión)
• La IA no puede producir trabajo que presentes como tuyo sin haber hecho el trabajo cognitivo subyacente (función de reemplazo)

La tercera categoría es la más difícil de monitorear. La salvaguarda más efectiva no es la vigilancia—es construir interés genuino en las materias que estudia tu hijo, para que el trabajo valga la pena hacer.

Apoya a los maestros que están rediseñando las evaluaciones

Los maestros que rediseñan tareas para ser resistentes a la IA—exámenes orales, escritura en clase, documentación de proceso, defensas de proyectos—frecuentemente hacen trabajo extra sin apoyo adicional. Un correo de un padre diciendo “apreciamos el esfuerzo por hacer las tareas significativas en la era de la IA” va más lejos de lo que la mayoría de los padres se imagina. Los maestros necesitan saber que los padres apoyan las evaluaciones más difíciles, no solo las más fáciles.

Entiende la ciencia del aprendizaje, no solo las reglas

Esta es la intervención más profunda. Cuando tu hijo entiende por qué la práctica de recuperación y el procesamiento generativo importan para el desarrollo de su propio cerebro—cuando entiende que el malestar de escribir un primer borrador malo es exactamente donde ocurre el aprendizaje—tiene una motivación interna para participar que las reglas externas no pueden proporcionar completamente.

Un recurso útil para leer juntos: las ciencias del aprendizaje explican que el cerebro consolida mejor la información cuando tiene que recuperarla activamente. Busca en Google “efecto de prueba aprendizaje” o “práctica de recuperación memoria” para encontrar explicaciones accesibles. La conversación sobre el propio cerebro suele ser más convincente para los adolescentes que cualquier regla escolar.

Qué observar en los próximos tres meses

Rediseños importantes de evaluaciones a nivel de sistema educativo. Varios sistemas escolares en México y América Latina están realizando revisiones de sus marcos de evaluación a la luz de la IA agente. En México, la SEP ha anunciado consultas con expertos educativos sobre actualización del currículo para abordar la IA. Observa la comunicación de la escuela de tu hijo sobre cambios en las políticas de evaluación.

Revivial de los exámenes orales. Múltiples instituciones de educación superior en México y Colombia han anunciado el regreso a los exámenes orales para cursos donde la completación de tareas escritas por IA es indetectable. Espera que los sistemas de K-12 sigan, especialmente en contextos de evaluación de alto impacto.

Requisitos de “divulgación de IA.” Algunas escuelas están piloteando políticas que requieren que los estudiantes documenten qué asistencia de IA usaron, similar a las citas bibliográficas. Esto cambia de la prohibición a la transparencia—un enfoque de política más probable de ser sostenible a largo plazo.

La propia exploración de tu hijo. Cada estudiante de secundaria está actualmente realizando experimentos informales: ¿qué tareas puede hacer la IA? ¿Qué maestros se dan cuenta? ¿Qué pasa si envío trabajo de IA? La intervención parental más efectiva es una conversación continua sobre lo que están descubriendo—curiosidad, no juicio.

Preguntas frecuentes

¿Usar un agente de IA para la tarea es trampa?

Depende de para qué está diseñada la tarea. Si usar un agente de IA para completar el trabajo significa que el estudiante no desarrolló la habilidad que la tarea estaba diseñada para construir, eso es académicamente deshonesto independientemente de si la política de la escuela lo cubre explícitamente. La mejor pregunta es: “¿Qué debía aprender de esto, y lo aprendí?”

El maestro de mi hijo no ha actualizado las tareas para la IA—¿debería decir algo?

Sí, con cuidado. En lugar de criticar, pregunta: “He estado leyendo sobre cómo las escuelas están rediseñando las tareas para la era de la IA. ¿La escuela ha dado a los maestros alguna orientación o apoyo sobre esto?” Esto abre una conversación productiva sin acusar a nadie de fracasar.

¿Toda la tarea eventualmente será generada por IA?

Probablemente algún porcentaje del trabajo enviado ya lo es. La pregunta es si las escuelas evolucionan sus sistemas de evaluación para centrarse en lo que no puede automatizarse fácilmente: comprensión demostrada, fluidez oral, creación física, resolución colaborativa de problemas y rendimiento en tiempo real. Las escuelas que no evolucionen enfrentarán una crisis de credenciales—calificaciones que no predicen habilidades.

¿Cuál es la diferencia entre asistencia de IA y completación de IA?

La asistencia de IA preserva la participación cognitiva del estudiante—explicar un concepto que el estudiante no entendía, verificar una respuesta que calculó, sugerir mejoras estructurales a un borrador que escribió. La completación de IA la reemplaza—produciendo el trabajo inicial que el estudiante de otra manera habría hecho. La literatura de ciencias cognitivas es clara en que la distinción importa enormemente para el aprendizaje.

¿Cómo hablo con mi hijo si descubro que envió trabajo completado por IA?

Comienza con curiosidad, no con acusación: “Explícame cómo abordaste esta tarea. ¿Qué aprendiste sobre el tema?” La respuesta te dirá inmediatamente si se involucró con el material. Si no lo hizo, cambia a la conversación orientada al futuro: “¿Qué pasa cuando necesitas demostrar este conocimiento en una entrevista de trabajo o en un examen de ingreso a la universidad?” La vergüenza es menos efectiva que el mapeo de consecuencias futuras.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

Fuentes

1. Roediger, H.L. & Karpicke, J.D. (2013). “The power of testing memory: Basic research and implications for educational practice.” Perspectives on Psychological Science, 1(3), 181–210. https://doi.org/10.1111/j.1745-6924.2006.00012.x
2. Porsdam Mann, S., et al. (2023). “Combining human and large language model feedback: Learning to resolve conflicts ethically.” Journal of Medical Ethics. https://doi.org/10.1136/jme-2023-109197
3. Kalyuga, S., et al. (2003). “The expertise reversal effect.” Educational Psychologist, 38(1), 23–31. https://doi.org/10.1207/S15326985EP3801_4
4. Wittrock, M.C. (1990). “Generative processes of comprehension.” Educational Psychologist, 24(4), 345–376. https://doi.org/10.1207/s15326985ep2404_2
5. Mollick, E. & Mollick, L. (2023). “Assigning AI: Seven Approaches for Students, with Prompts.” The Wharton School, University of Pennsylvania. https://ssrn.com/abstract=4475995
6. SEP. (2025). Lineamientos preliminares para el uso de inteligencia artificial en educación básica y media superior. Secretaría de Educación Pública de México.
7. UNESCO. (2023). Technology in education: A tool on whose terms? Global Education Monitoring Report. https://www.unesco.org/gem-report/en/2023