Hay una nueva ola en la IA en este momento, y no se trata de chatbots. En los últimos meses, algo ha cambiado. Los sistemas de IA han pasado de responder preguntas a realizar acciones: escribir bases de código completas, gestionar proyectos complejos y ejecutar tareas de varios pasos con una supervisión humana mínima. Herramientas como Clawdbot, un marco de trabajo de agentes de código abierto que se popularizó casi de la noche a la mañana, permiten a las personas ejecutar IA localmente en sus propias máquinas, conectada a sus propias aplicaciones y actuando en su nombre. Claude Code está cambiando la forma en que se construye el software.
McKay Wrigley, un desarrollador cuyo criterio respeto, definió a Opus 4.5 como "para los agentes lo que Sonnet 3.5 fue para el código": el punto de inflexión. METR, una organización de evaluación independiente, descubrió que el horizonte temporal durante el cual la IA puede trabajar de forma autónoma se duplica cada cuatro a siete meses. Los ingenieros de Brisk están delegando casi toda su programación a la IA y dedicando su tiempo a revisar, dirigir y tomar decisiones.
Esto no es una exageración. El paradigma de los agentes funciona para el trabajo intelectual y va a cambiar la forma en que operan muchas industrias.
Por qué el paradigma de los agentes fracasa con los estudiantes
Hace poco, un periodista me preguntó qué significa esto para la educación primaria y secundaria. Llevo tiempo dándole vueltas y mi respuesta sincera es: probablemente mucho humo. No porque los agentes no sean potentes, sino porque la lógica que los hace funcionar en la ingeniería de software es casi exactamente la misma que los hace perjudiciales para el aprendizaje. No creo que haya suficientes personas en el ámbito educativo haciendo esta distinción con claridad.
La forma más sencilla de verlo es preguntarse: ¿cuál es el objetivo?
En el software, el objetivo es el resultado. Lanzar la funcionalidad, corregir el error, desplegar el sistema. Si un agente de IA escribe el código por ti, mejor y más rápido de lo que tú podrías haberlo hecho, ese es el punto. El agente que realiza el trabajo es el producto. El trabajo de un ingeniero consiste cada vez más en revisar, dirigir y decidir mientras la IA se encarga de la ejecución.
En la escuela, el objetivo es el opuesto. El resultado (el ensayo, la serie de problemas, el informe de laboratorio) es casi irrelevante. Lo que importa es lo que ocurrió en el cerebro del estudiante mientras lo producía.
Un estudiante que utiliza un agente de IA para completar una tarea no ha recibido ayuda. Le han robado lo único que importaba. El hecho de que el resultado parezca mejor es, en todo caso, peor: crea la ilusión de aprendizaje donde no ha ocurrido nada.
Ahora tenemos pruebas contundentes de esto. Un ensayo controlado aleatorio realizado con casi mil estudiantes de secundaria en Turquía, publicado en PNAS, puso a prueba exactamente este escenario. Los estudiantes se dividieron en tres grupos: sin acceso a IA, con una herramienta estándar tipo ChatGPT y con un tutor de IA cuidadosamente supervisado y diseñado con las aportaciones de sus profesores.
Los estudiantes que utilizaron la herramienta de IA estándar obtuvieron un 48% mejores resultados en los ejercicios de práctica. Sin embargo, obtuvieron un 17% peores resultados en el examen, cuando se les retiró la IA. Lo más preocupante es que no lo sabían.
Creían que habían aprendido más que el grupo de control. La OCDE, en su Perspectiva de la Educación Digital 2026 publicada hace apenas unas semanas, acuñó un término para esto: pereza metacognitiva. Los estudiantes no solo descargan el trabajo, sino también la conciencia de si realmente están aprendiendo.
El grupo con el tutor supervisado obtuvo resultados algo mejores (una mejora del 127% en la práctica), pero en el examen sin asistencia, no obtuvieron mejores resultados que los estudiantes que nunca tuvieron IA. Incluso la herramienta de IA para estudiantes diseñada con mayor esmero produjo cero ganancias de aprendizaje medibles en la evaluación que realmente importaba.
Esto no se trata solo de que los estudiantes sean perezosos. Es algo estructural sobre lo que son los agentes y lo que es la educación primaria y secundaria.
Tres desajustes estructurales
Desajuste 1: El problema del experto en el proceso
Los agentes están diseñados para un tipo de trabajo específico. Son eficaces en problemas abiertos y novedosos donde el humano que supervisa tiene la capacidad suficiente para evaluar el resultado. Un ingeniero que utiliza Claude Code puede revisar una solicitud de extracción, detectar el error, comprender las contrapartidas y redirigir el proceso. El agente propone; el experto dispone. Esto funciona porque el humano posee el conocimiento técnico necesario para verificar el trabajo del agente.
Un estudiante de secundaria no puede hacer esto. Cuando un tutor de IA guía a un alumno a través de un problema matemático o redacta un párrafo para su ensayo, el estudiante carece precisamente del conocimiento que se supone debe adquirir. No puede evaluar si el razonamiento de la IA es sólido, si se ha omitido algún paso o si la explicación, aunque fluida, es sutilmente incorrecta.
El modelo de supervisión humana falla precisamente cuando el humano es quien debería estar aprendiendo.
Esto no se soluciona con una mejor ingeniería de prompts ni con salvaguardas más sofisticadas. Es un problema estructural. Por definición, el estudiante aún no es el experto.
Desajuste 2: Trabajo rutinario frente a razonamiento novedoso
Existe un segundo desajuste. Los agentes están diseñados para tareas novedosas y generalizables, aquellas que requieren un razonamiento flexible en terrenos desconocidos. Pero la educación primaria y secundaria no es novedosa. Son 180 días de un plan de estudios estructurado y secuenciado. Un profesor de tercer grado en Houston y uno en Memphis enseñan prácticamente los mismos estándares en el mismo orden. El trabajo es rutinario en el mejor sentido: está cuidadosamente diseñado para construir el conocimiento de forma incremental, donde cada lección se apoya en la anterior. No necesitas una IA que razone desde cero cada vez. Necesitas algo que ejecute de manera fiable un alcance y una secuencia conocidos. El paradigma de los agentes apunta al problema equivocado.
Desajuste 3: Esfuerzo productivo frente a esfuerzo improductivo
Luego está el problema más profundo, uno que los buenos docentes entienden intuitivamente pero que está casi totalmente ausente en el discurso sobre la IA en la educación: la diferencia entre el esfuerzo productivo y el improductivo.
No todas las dificultades son iguales. Cuando un estudiante se enfrenta a un problema matemático desafiante y siente esa fricción de no terminar de entenderlo, eso es esfuerzo productivo. Ahí es donde ocurre el aprendizaje. Pero cuando un profesor pasa cuarenta minutos reformateando un plan de lección en tres plataformas diferentes, o diferenciando manualmente un texto de lectura para cinco niveles distintos, o buscando en un sistema de gestión de aprendizaje el estándar correcto para etiquetar, eso es esfuerzo improductivo. No genera aprendizaje para nadie. Es pura carga administrativa.
Un agente de IA de propósito general no puede distinguir entre el esfuerzo productivo y el improductivo. Su tendencia por defecto es eliminar ambos.
Cuando diriges un agente hacia un estudiante, este elimina el esfuerzo productivo —la parte donde reside el aprendizaje— junto con el trabajo rutinario. Eso es lo que demostró el estudio de Turquía. La IA hizo que el trabajo pareciera más fácil. Los estudiantes sintieron que estaban aprendiendo. Pero la facilidad era el problema.
Lo que realmente funciona para los estudiantes
Entonces, si los agentes autónomos no son el modelo adecuado para los estudiantes, ¿significa eso que la IA nunca debería interactuar con ellos? No. Pero el enfoque de la IA debe ser completamente distinto al paradigma de los agentes, y el profesor debe mantener el control sobre los objetivos que persigue la IA..
Pensemos en dos diseños distintos para una actividad de IA dirigida a estudiantes. En el primero, el estudiante abre una IA de propósito general y le pide: "ayúdame a escribir un ensayo sobre las causas de la Guerra Civil". El agente accede. Redacta un esquema, sugiere una tesis y ofrece párrafos para pulir. El estudiante termina con un ensayo impecable y la vaga sensación de haber participado. Este es el modelo de agente aplicado al aprendizaje, y es lo que midió el estudio de Turquía. No funciona.
En el segundo diseño, el docente crea una actividad basada en la unidad de la semana. El trabajo de la IA no es ayudar al estudiante a completar la tarea, sino guiarlo para que demuestre un resultado de aprendizaje específico. El estudiante no puede avanzar pidiéndole a la IA que piense por él. La IA hace preguntas, cuestiona y exige que el estudiante articule su razonamiento. La única forma de avanzar es demostrando que se ha comprendido. El docente define el resultado; la IA impone el camino.
En el primer modelo, la IA se enfoca en la tarea y su métrica de éxito es la finalización de la misma. En el segundo, la IA se enfoca en el estudiante y su métrica de éxito es si este ha demostrado comprensión.
Esa distinción parece pequeña, pero lo cambia todo. Uno es un agente. El otro es un instrumento de la pedagogía del docente. Esto es lo que hemos construido con Brisk Boost: actividades de IA para estudiantes donde el docente establece el objetivo de aprendizaje, la IA se basa en el plan de estudios real y el estudiante debe realizar el esfuerzo intelectual. El trabajo de la IA es hacer que el esfuerzo productivo sea inevitable, no eliminarlo.
La cuestión nunca fue si la IA debía interactuar con los estudiantes, sino quién tiene el control y qué está optimizando la IA. Un agente de propósito general que optimiza la finalización de tareas siempre tenderá a hacer el trabajo por el estudiante. Para eso están diseñados los agentes. Cuando el docente define el resultado de aprendizaje y la IA está limitada a trabajar hacia ese objetivo, la dinámica cambia. La IA se convierte en una herramienta para exigir rigor, no para evitarlo.
Dónde sí pertenecen los agentes: el flujo de trabajo del docente
El lado del docente es igual de importante, y es donde el paradigma del agente sí encaja.
Los docentes están desbordados, pero no por la enseñanza en sí, sino por todo lo que la rodea. El docente promedio utiliza media docena de plataformas a diario: su LMS, su sistema de gestión escolar, el portal de currículo, Google Docs, correo electrónico y herramientas de calificación. La carga de trabajo que supone navegar por estos sistemas, reformatear contenidos y adaptar materiales manualmente a las necesidades de cada estudiante es enorme. Los datos muestran que los docentes que usan IA semanalmente ahorran una media de casi seis horas a la semana. A lo largo del año escolar, eso equivale a recuperar seis semanas completas de tiempo.
Las tareas que consumen a los docentes son exactamente el tipo de cosas que los agentes hacen bien: diferenciar esta unidad para tres niveles de lectura, alinear esta evaluación con los estándares del distrito, generar una comunicación para los padres sobre los objetivos de la semana, crear una actividad para grupos pequeños basada en el alcance y la secuencia de la lección. Son flujos de trabajo limitados, repetibles y revisables. No son tareas abiertas ni novedosas. Son el mismo tipo de tareas, ejecutadas cientos de veces al año, sobre un plan de estudios conocido.
Y el docente es el experto que supervisa el proceso. Revisa el resultado de la IA antes de que llegue al estudiante. Detecta el error, ajusta el tono y redirige el enfoque. El modelo de "humano en el bucle" funciona aquí porque el humano posee el conocimiento del dominio necesario para evaluar lo que produce el agente.
Este es el tipo de IA que la educación básica realmente necesita: no un agente autónomo que razona desde principios básicos sobre qué debería aprender el estudiante a continuación, sino un sistema que ejecute de forma fiable el plan de estudios real del distrito: su alcance y secuencia, sus materiales adoptados, sus estándares y sus guías de ritmo. La inteligencia no reside en el razonamiento general, sino en la recuperación, la fundamentación y la fidelidad a lo que este distrito, en este grado y en esta unidad, está enseñando realmente esta semana.
El hecho de que los agentes de IA estén transformando la ingeniería de software no significa que vayan a transformarlo todo. La lógica del código no es la lógica del aprendizaje. En el código, quieres que la IA haga el trabajo. En la escuela, el objetivo es que el estudiante haga el trabajo. Tratar el aprendizaje como otra tarea de trabajo intelectual que debe automatizarse es un error que podría retrasar a toda una generación de estudiantes, mientras todos tienen la sensación de que se está avanzando.
La tecnología es poderosa. La pregunta es si la enfocamos en el trabajo o en las personas que se supone deben aprender de ese trabajo.
La oportunidad en el sector K-12 es real y significativa, pero reside en poner a los docentes al mando. Del plan de estudios del que se nutre la IA. De los resultados de aprendizaje que persigue. De los flujos de trabajo que ejecuta en su nombre. No en entregar a los estudiantes un agente de propósito general y esperar a ver qué pasa.
.webp)
