Tabla de contenido
Herramientas de IA para aprender: ninguna enseña sola
Una revisión de 20 herramientas de IA para aprender en 16 sistemas escolares halló que las especializadas ganan y que ninguna está lista sin un adulto.
La revisión más útil de herramientas de IA para aprender que se publicó este otoño no coronó a un ganador. El 14 de septiembre de 2026, la organización sin fines de lucro Instruction Partners reportó resultados mixtos tras analizar 20 herramientas de IA en 16 sistemas escolares, con tres conclusiones que un papá puede usar: los chatbots de propósito general presentaron los mayores riesgos, las herramientas hechas a propósito para retroalimentación de escritura y para matemáticas mostraron más potencial, y ninguna estaba lista para enseñar por sí sola. Esa última parte es la que vale pegar en el refrigerador. Todas necesitaban un adulto.
Puntos clave
- Ninguna herramienta estaba lista para enseñar sola. Ni los chatbots ni las especializadas. El hallazgo es sobre supervisión, no sobre calidad del software.
- Lo especializado le ganó a lo general. Las herramientas diseñadas para un solo trabajo, retroalimentar escritura o practicar matemáticas, superaron a los chatbots abiertos en potencial y en riesgo.
- La revisión cubrió 20 herramientas en 16 sistemas escolares, así que es un mapa del terreno, no un ensayo controlado. Úsala como tal.
- El propio material público de Instruction Partners presenta estas conversaciones como aprendizaje, no como recomendaciones, y el proyecto sigue abierto con entradas nuevas cada mes.
- Esto calza casi exacto con la literatura experimental: un tutor hecho a propósito superó a la clase en un ensayo, y un chatbot sin guardarraíles redujo la habilidad retenida en otro.
Qué fue la revisión y qué no fue
Una revisión de terreno es una observación estructurada de herramientas en contextos reales, pensada para describir variación, no para medir un efecto promedio.
La entrada del 14 de septiembre de 2026 del rastreador de políticas de IA en educación resume el resultado: el análisis en 16 sistemas escolares encontró que los chatbots de propósito general presentaban los mayores riesgos, que las herramientas especializadas para retroalimentación de escritura y matemáticas mostraban más potencial, y que ninguna estaba lista para enseñar de forma independiente.
Instruction Partners se describe como una organización sin fines de lucro que trabaja para cambiar “la manera en que las escuelas, los sistemas escolares y los estados desarrollan y apoyan a los líderes pedagógicos”, con foco en lenguaje, lectura inicial y matemáticas, y atención particular a estudiantes históricamente desatendidos. Su página pública AI in Action Learning Tour tiene conversaciones en video con desarrolladores de tecnología educativa, con 13 productos perfilados al momento de escribir esto, entre ellos Brisk Teaching, Coursemojo, Enlighten AI, Goblins y Google Gemini. La página dice con claridad que los videos “no son recomendaciones; son conversaciones de aprendizaje”, y describe el proyecto como abierto, con conversaciones nuevas cada mes.
Entonces seamos precisos sobre qué estás leyendo. No es un ensayo aleatorizado, y la propia organización lo aclara. Son profesionales mirando herramientas funcionar en salones y describiendo patrones. Para un papá que quiere saber qué preguntar en una reunión, eso vale más que un tamaño de efecto. Para un colegio que debe decidir una compra, no alcanza por sí solo.
Por qué las herramientas especializadas siguen ganando
El mecanismo no es misterioso, y vale entenderlo porque predice los próximos cinco años del software escolar.
Un chatbot de propósito general está optimizado para producir una respuesta satisfactoria a cualquier pregunta. Ese objetivo choca de frente con enseñar, porque la respuesta más satisfactoria a “resuélveme esto” es resolverlo. Al modelo no le importa si el chico puede hacerlo la semana que viene. No tiene currículo, ni secuencia, ni registro de qué falló el martes, ni instrucción de retener la respuesta.
Una herramienta hecha a propósito restringe al modelo. Define un trabajo estrecho, retroalimentar según una rúbrica o dar ejercicios dentro de una progresión de matemáticas, y envuelve al modelo en reglas: no dar la respuesta final, hacer primero una pregunta de diagnóstico, avisarle a la maestra cuando aparezca cierto patrón. En esa envoltura vive la pedagogía. El modelo es el motor; la envoltura es el carro.
Es exactamente la distinción que encontró la literatura experimental. Bastani y colegas, en PNAS en 2025, hicieron un experimento de campo grande con alumnos de matemáticas de secundaria: la tutoría con GPT-4 mejoró el desempeño durante la práctica pero produjo menor desarrollo de habilidad cuando se quitó el acceso, y ese daño se atenuó cuando el tutor estaba configurado para dar pistas diseñadas por el maestro en lugar de respuestas. Kestin y colegas, en Scientific Reports en 2025, construyeron un tutor de física sobre los mismos principios pedagógicos de su clase activa y encontraron que los estudiantes “aprenden significativamente más en menos tiempo” que en la condición presencial.
Misma tecnología de base. Resultados opuestos. La variable fue la envoltura.
| Tipo de herramienta | Para qué está optimizada | Hallazgo de la revisión | La pregunta que le haces al colegio |
|---|---|---|---|
| Chatbot de propósito general | Dar una respuesta satisfactoria a cualquier cosa | Los mayores riesgos de las categorías revisadas | ”¿Es la versión de consumo o una versión escolar configurada?” |
| Retroalimentación de escritura especializada | Comentarios contra una rúbrica | Más potencial | ”¿La maestra ve el comentario antes que mi hijo?” |
| Práctica de matemáticas especializada | Ejercicios dentro de una progresión | Más potencial | ”¿Retiene la respuesta y reporta qué falló mi hijo?” |
| Cualquiera de las anteriores, sin supervisión | Nada en particular | Ninguna lista para enseñar sola | ”¿Quién está en el salón mientras esto corre?" |
"No está lista para enseñar sola” es la frase operativa
Es un hallazgo sobre personal, y choca con la razón principal por la que los colegios compran IA.
El argumento de venta de la IA escolar casi siempre es capacidad: muchos alumnos, pocos adultos, poco tiempo. Una herramienta que exige un adulto presente no resuelve el problema de capacidad. Cambia lo que hace el adulto, lo que puede valer la pena, pero es un producto distinto al de la presentación comercial.
Para un papá, la traducción práctica es una pregunta de horario. Si la clase usa una herramienta de escritura con IA mientras la maestra circula y revisa las respuestas marcadas, el montaje se parece a lo que la revisión halló prometedor. Si tu hijo usa la misma herramienta en una sala de cómputo con un auxiliar rotando, o en casa como práctica asignada, el adulto no está en el circuito y la advertencia aplica directo.
Hay otra implicación más silenciosa, sobre la retroalimentación. Una herramienta que genera comentarios sobre un ensayo produce algo que el chico lee como autoridad. Si ninguna maestra revisa esos comentarios primero, al chico lo está enseñando la herramienta, que es justo lo que la revisión dice que ninguna está lista para hacer. Pregunta específicamente por ese paso de revisión. Suele ser una configuración, y suele venir apagada porque cuesta tiempo docente.
¿Y en América Latina?
Acá la pregunta de “especializado vs. general” se vuelve todavía más decisiva, por una razón presupuestal simple: en la mayoría de los colegios de la región nadie compró una herramienta especializada. Lo que hay es una maestra usando su propia cuenta gratuita.
Esa es la pregunta local, y es incómoda: ¿el colegio contrató algo, o alguien está usando su cuenta personal? Si es lo segundo, estás exactamente en la condición de propósito general, sin configurar y sin registro, que salió peor en la revisión. No es culpa de la maestra. Es lo que pasa cuando no hay presupuesto de software.
Tres cosas que cambian el cálculo en la región:
Las plataformas estatales son la vía realista. Colombia Aprende, Aprendo en Línea del Mineduc en Chile y la plataforma CREA del Plan Ceibal en Uruguay ya existen, ya están en los colegios y ya tienen secuencia curricular. Si se les agrega una capa de IA, nace una herramienta especializada por definición, porque hereda el currículo. Vale la pena seguir esos anuncios más que los de los chatbots globales: ahí es donde se va a decidir qué usa tu hijo.
Los datos y la conexión mandan. Una herramienta especializada de práctica de matemáticas puede funcionar con cargas pequeñas y a veces sin conexión. Un chatbot necesita internet estable todo el tiempo. En una casa con datos prepago, la herramienta especializada no solo es mejor pedagógicamente: es la única que funciona el día 25 del mes. Ese límite de acceso está detrás de casi todo lo que discutimos en la brecha digital en LATAM. Ese argumento sirve en una reunión de colegio.
El español importa para la calidad, no solo para la comodidad. Las herramientas de retroalimentación de escritura se entrenan y se afinan con rúbricas, y la mayoría de las rúbricas disponibles están en inglés. Pregunta si la herramienta evalúa escritura en español con criterios en español o si traduce. La diferencia aparece en los comentarios sobre ortografía, acentuación y conectores, que son justo donde un chico hispanohablante necesita ayuda.
Qué hacer en casa
Consigue el nombre exacto y el plan
“Usamos IA para escritura” no te dice nada. “Usamos Brisk Teaching con licencia del colegio y revisión docente” te dice todo. Pide el nombre del producto y si es versión escolar configurada o cuenta de consumo. Esa diferencia es la diferencia entre los dos brazos del experimento de PNAS.
Pregunta si retiene la respuesta
Para todo lo que toque matemáticas, es la pregunta con más señal. Una herramienta que entrega la respuesta final cuando se la piden opera en la condición que dañó la retención. Una configurada para dar pistas diseñadas por el maestro, no. Las maestras suelen saber qué configuración está activa.
Mira la transferencia, no el resultado
El hallazgo de PNAS fue que el desempeño se veía bien con la herramienta y peor sin ella. Esa prueba la puedes correr en casa en diez minutos. Que tu hijo haga tres ejercicios con la herramienta y después tres parecidos con el aparato cerrado. Si el segundo set se derrumba, encontraste la ilusión que encontraron los investigadores, y la encontraste en tu propia cocina.
Trata la retroalimentación como borrador, no como veredicto
Los comentarios de IA sobre un ensayo son una hipótesis sobre el ensayo. Léelos con tu hijo y pregúntale con cuáles está de acuerdo. Discutirle a una máquina, en voz alta y con una razón, es una habilidad. En IA en la tarea: cuándo ayuda y cuándo perjudica desarrollamos cómo separar ayuda de sustitución.
Lo que no debes hacer
No pidas que prohíban la categoría. El hallazgo no fue “las herramientas de IA son malas”, fue “estas herramientas no están listas para funcionar solas”. Una prohibición quita la versión configurada y supervisada y deja la versión de consumo que tu hijo alcanza desde el celular, que es la que salió peor. Pide supervisión y configuración.
Qué observar en los próximos 3 meses
- Semana 4: revisa si aparecen entradas nuevas en el recorrido de aprendizaje. El proyecto suma conversaciones cada mes, y puede aparecer una herramienta de tu colegio con el desarrollador explicando para qué la diseñó.
- Señales de alerta en el mes 2: un colegio que llama “tutor de IA” a un chatbot de consumo. Retroalimentación que llega al alumno sin revisión docente. Práctica con IA asignada como tarea sin adulto en el circuito, que es justo la configuración que la revisión advirtió.
- Autoevaluación del mes 3: haz la prueba del aparato cerrado sobre una habilidad que tu hijo haya practicado con IA. Si el desempeño cae fuerte sin la herramienta, plantéaselo a la maestra con esa observación concreta, no con una preocupación general.
Preguntas frecuentes
¿Cuál herramienta de IA salió mejor?
Ninguna, y ese era el punto. La revisión reportó resultados mixtos en 20 herramientas y 16 sistemas escolares, encontró más potencial en las especializadas de escritura y matemáticas que en los chatbots generales, y concluyó que ninguna estaba lista para enseñar sola.
¿Es un estudio científico?
Es una revisión de terreno hecha por profesionales, no un ensayo controlado. Instruction Partners presenta sus conversaciones publicadas como aprendizaje y no como recomendaciones. Úsala para generar preguntas y usa los estudios experimentales para zanjar afirmaciones de efecto.
¿Por qué son más riesgosos los chatbots generales?
Porque están optimizados para dar una respuesta satisfactoria a cualquier cosa, lo que choca con enseñar. No tienen currículo, ni registro de qué falló el chico, ni instrucción de retener la respuesta a menos que alguien la configure.
¿Qué significa “no está lista para enseñar sola” para la tarea?
Que la práctica con IA asignada sin supervisión es precisamente la configuración que la revisión desaconseja. Si se usa la herramienta, la versión útil tiene a un docente revisando su salida junto al chico.
¿Cómo sé si la herramienta de mi hijo está bien configurada?
Dos preguntas: ¿retiene las respuestas finales? y ¿un docente ve su retroalimentación primero? Las dos son configuraciones, y los valores por defecto favorecen responder.
¿Esto aplica al chatbot que mi hijo usa en casa?
Directamente. Un chatbot de consumo en casa es la versión menos configurada de la categoría menos prometedora de la revisión. No es razón para prohibirlo, pero sí para sentarte al lado las primeras veces y ver qué hace cuando le piden que simplemente dé la respuesta.
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
- Pursuit. (2026). “AI in Education: News, Policies, Innovations” (entrada del 14 de septiembre de 2026). https://www.pursuit.us/news/ai-in-education-news-policies-innovations
- Instruction Partners. “AI in Action Learning Tour.” https://instructionpartners.org/ai-in-action/
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences. https://doi.org/10.1073/pnas.2422633122
- Kestin, G., Miller, K., Klales, A., Milbourne, T., y Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports. https://www.nature.com/articles/s41598-025-97652-6
- Nickow, A., Oreopoulos, P., y Quan, V. (julio de 2020). “The Impressive Effects of Tutoring on PreK-12 Learning: A Systematic Review and Meta-Analysis of the Experimental Evidence.” NBER Working Paper 27476. https://www.nber.org/papers/w27476
- UNESCO. (2024). “AI Competency Framework for Students.” https://www.unesco.org/en/articles/ai-competency-framework-students
- Sidoti, O., Park, E., y Gottfried, J. (15 de enero de 2025). “About a quarter of U.S. teens have used ChatGPT for schoolwork — double the share in 2023.” Pew Research Center. https://www.pewresearch.org/short-reads/2025/01/15/about-a-quarter-of-us-teens-have-used-chatgpt-for-schoolwork-double-the-share-in-2023/