La tecnología más avanzada puede ser una mala innovación educativa si resuelve una función que no era el problema.
Esta lección compara inteligencia artificial generativa, agentes, realidad extendida y analítica del aprendizaje para que selecciones una tecnología por la función pedagógica que necesitas, no por su novedad.
🧭 Antes de comenzar
Tu caso muestra que los estudiantes reciben retroalimentación demasiado tarde para revisar sus decisiones. ¿Qué criterio debe guiar primero la selección tecnológica?
Objetivo didáctico
Al finalizar esta lección, diseñarás una selección tecnológica argumentada para tu caso, comparando desarrollos actuales y potenciales según necesidad educativa, función cognitiva, condiciones de integración, evidencia disponible, riesgos y responsabilidad docente.
Introducción
La innovación educativa suele empezar por nombres de herramientas: inteligencia artificial generativa, agentes, realidad virtual, analítica del aprendizaje. Este orden es metodológicamente débil. Una selección rigurosa empieza por una necesidad, define la función pedagógica o cognitiva que debe modificarse y solo entonces busca tecnologías con affordances pertinentes.
La literatura reciente muestra un panorama heterogéneo. Qian (2025) documenta aplicaciones de inteligencia artificial generativa en educación superior en tutoría, creación de materiales, retroalimentación y evaluación. Yusuf, Money y Daylamani-Zad (2025) muestran que los agentes conversacionales pedagógicos pueden asumir diversos roles, pero su valor depende del diseño y de la relación con teorías del aprendizaje. Burke, Crompton y Nickel (2025) identifican en realidad extendida usos de simulación, visualización, resolución de problemas y juego, junto con retos de autenticidad, costo y usabilidad.
La analítica del aprendizaje ofrece otra clase de función: no produce necesariamente contenido, sino evidencia sobre participación, trayectorias y resultados. Hernández-Campos et al. (2025) advierten que muchos estudios se concentran en calificaciones y comportamientos en plataforma, mientras García-García, Gómez-Núñez y Molla-Esparza (2026) encuentran limitaciones metodológicas y escasa atención a contextos pedagógicos en varias revisiones del campo. Por tanto, más datos no equivalen automáticamente a mejor comprensión.
La inteligencia artificial agéntica es todavía más reciente. Kostopoulos et al. (2025) y una revisión de 2026 sobre sistemas agénticos en educación describen capacidades de autonomía, planificación y colaboración entre agentes, pero también un campo con validación todavía limitada y necesidades explícitas de gobernanza. En esta lección se considera un desarrollo potencial, no una solución pedagógica madura por defecto.
Desarrollo del tema
Inteligencia artificial generativa: producción, diálogo y retroalimentación
La inteligencia artificial generativa puede producir explicaciones, ejemplos, preguntas, síntesis, simulaciones conversacionales y retroalimentación. Esa versatilidad hace que una misma tecnología pueda cumplir funciones pedagógicas muy distintas. Qian (2025) sintetiza aplicaciones en educación superior y muestra que la literatura ya se desplaza desde la mera disponibilidad de herramientas hacia su integración en procesos de enseñanza y aprendizaje.
El OECD Digital Education Outlook 2026 propone una distinción esencial: la mejora del desempeño durante una tarea no debe confundirse con aprendizaje. Si la herramienta realiza la parte intelectualmente relevante, el producto puede mejorar al mismo tiempo que disminuye la oportunidad de construir la capacidad que la unidad pretende formar.
Por eso, seleccionar inteligencia artificial generativa requiere especificar qué función delegas y qué función preservas. Puede ser razonable delegar variación de ejemplos mientras el estudiante conserva comparación crítica; automatizar feedback preliminar mientras el estudiante revisa criterios; o usar generación para crear contraargumentos mientras la responsabilidad de evaluar evidencia permanece humana.
🧠 Completa el criterio de selección
Banco: necesidad · función · delegación · evidencia · responsabilidad.
Una selección rigurosa empieza por la , la traduce en una pedagógica, delimita la de tareas, define la que mostrará aprendizaje y conserva la sobre las decisiones de mayor consecuencia.
Decide: elige una función de tu caso que podría beneficiarse de inteligencia artificial generativa. Escribe qué parte automatizarías, qué parte debe realizar el estudiante y qué evidencia impediría confundir un buen producto con aprendizaje.
Agentes de inteligencia artificial: de responder a perseguir objetivos
Un agente conversacional puede responder a solicitudes; un sistema agéntico pretende además mantener objetivos, planificar secuencias, utilizar herramientas o coordinar acciones con cierto grado de autonomía. Esta diferencia amplía el campo de posibilidades educativas, pero también la superficie de riesgo: cada acción autónoma incorpora decisiones sobre información, secuencia y criterios.
Yusuf et al. (2025) revisan agentes conversacionales pedagógicos en educación superior y proponen un marco para comprender sus roles. Kostopoulos et al. (2025) examinan la evolución hacia sistemas agénticos y discuten beneficios junto con problemas de motivación, equidad, transparencia y ética. La revisión de 2026 sobre inteligencia artificial agéntica en educación muestra que el campo creció rápidamente desde 2025, pero gran parte de la evidencia sigue concentrada en estudios pequeños y escenarios técnicos, con anclaje pedagógico desigual.
Para el diseño docente, la pregunta cambia de “¿qué respuesta genera?” a “¿qué secuencia de decisiones puede ejecutar sin intervención y cuáles no debe ejecutar?”. Un agente que agenda, recopila y organiza puede liberar carga operativa; uno que decide qué evidencia es suficiente para acreditar una competencia afecta una decisión pedagógica de alta consecuencia.
💠 Cuatro preguntas antes de delegar a un agente
Revela un criterio a la vez y contrástalo con tu caso.
Prueba: diseña una frontera de autonomía para un posible agente en tu caso. Divide sus acciones en tres grupos: puede ejecutar, debe proponer para revisión, no debe decidir.
Realidad extendida: cuando el valor está en la experiencia que no puede reproducirse fácilmente
La realidad extendida agrupa realidad virtual, aumentada y mixta. Su valor educativo no reside en la inmersión por sí misma. Burke et al. (2025), en una revisión sistemática de educación superior, identifican cuatro formas recurrentes de uso: simulación, visualización, resolución de problemas y juego. También reportan retos asociados con impacto sobre estudiantes, autenticidad, tiempo, costo, usabilidad y problemas técnicos.
Esto permite un criterio de selección sencillo: la realidad extendida se justifica cuando la experiencia espacial, perceptual o interactiva añade una condición relevante que sería difícil, riesgosa o costosa de reproducir de otro modo. Si el objetivo es comparar argumentos textuales, añadir inmersión puede incrementar complejidad sin mejorar el mecanismo de aprendizaje.
La innovación, por tanto, no se mide por fidelidad gráfica ni por novedad. Se mide por la relación entre experiencia, tarea cognitiva y evidencia. Una simulación puede ser valiosa si obliga a tomar decisiones bajo condiciones realistas y permite revisar consecuencias; puede ser superficial si convierte la participación en exploración sin criterios.
Figura 1. Flujo de selección tecnológica construido para la unidad. La innovación inicia en una necesidad y termina en evidencia; la herramienta ocupa una posición intermedia.
Decide: compara una solución de realidad extendida con una alternativa no inmersiva para tu caso. Justifica cuál produce mejor relación entre función pedagógica, costo cognitivo y evidencia, incluso si la opción elegida es la menos sofisticada.
Analítica del aprendizaje: convertir trazas en decisiones sin confundir dato con aprendizaje
La analítica del aprendizaje utiliza datos sobre actividad para describir, predecir o apoyar decisiones educativas. Puede identificar patrones de participación, secuencias de navegación, entregas, interacción o desempeño. Su promesa es hacer visible lo que en grupos grandes o entornos en línea sería difícil detectar de manera manual.
El problema es inferencial. Hernández-Campos et al. (2025) encontraron que participación y comportamiento en plataforma son factores frecuentes en estudios de analítica, mientras que los resultados se operacionalizan a menudo mediante calificaciones. García-García et al. (2026) concluyen que las revisiones del campo prestan atención limitada a aspectos como contexto instruccional, fines pedagógicos y teorías educativas, además de mostrar debilidades metodológicas.
Por eso un panel no “mide aprendizaje” solo porque visualiza datos. Una traza es un indicador cuya interpretación depende de una teoría y de una relación justificada con el fenómeno. Diez accesos a una página pueden significar compromiso, dificultad, navegación errática o exigencia de la actividad. La analítica útil combina señal, contexto y decisión.
💡 Indicador analítico
Dato observable utilizado como evidencia indirecta de un proceso o resultado. Su valor depende de una relación teórica y empíricamente justificable con aquello que se pretende inferir; no debe confundirse con el fenómeno mismo.
Prueba: selecciona un dato que tu plataforma ya registra. Escribe tres explicaciones alternativas para el mismo patrón y define qué evidencia adicional necesitarías antes de intervenir.
Sinteligentismo como arquitectura de integración humano-sistema
Cuando sistemas no humanos producen, recomiendan, clasifican, planifican o median actividades cognitivas, la integración tecnológica puede analizarse como una arquitectura de inteligencia compartida. Muñoz Mújica (2026) propone examinar ese régimen mediante dimensiones de sujetos, saberes, procesos, instituciones y finalidades, lo que permite describir la tecnología por la función que asume dentro del sistema educativo y no solo por sus prestaciones.
Aplicada al diseño de una innovación, esta lente obliga a distribuir funciones de forma explícita. Un sistema puede generar alternativas; el estudiante puede seleccionar, contrastar y reconstruir; el docente puede establecer criterios, diseñar restricciones y asumir decisiones de alta consecuencia; la institución puede definir condiciones de acceso, privacidad y continuidad. La innovación se vuelve legible como sistema de relaciones y no como simple incorporación de una herramienta.
La consecuencia práctica es que cada tecnología candidata debe acompañarse de un mapa de funciones cognitivas y responsabilidades. Ese mapa permite anticipar dependencia, puntos de verificación y espacios donde el juicio humano debe permanecer visible, al mismo tiempo que aprovecha funciones que pueden distribuirse productivamente.
🧭 Control de comprensión
¿Qué diseño representa mejor una arquitectura de inteligencia compartida?
Decide: construye un mapa de la tecnología candidata de tu caso con tres columnas: funciones del sistema, funciones del estudiante y funciones del docente. Añade los puntos donde debe existir validación y la evidencia necesaria para reconstruir cómo se tomó una decisión.
Conclusión
Los desarrollos actuales y potenciales no forman una escala de progreso. Inteligencia artificial generativa, agentes, realidad extendida y analítica resuelven funciones diferentes y producen riesgos distintos. La selección tecnológica rigurosa parte de necesidad, función y evidencia, y sitúa la herramienta como medio condicionado por el diseño.
La próxima lección abordará modelos de innovación y adopción tecnológica. Allí el problema ya no será qué desarrollo parece pertinente, sino si puede adoptarse y sostenerse en un contexto concreto. El mapa de funciones construido en esta etapa se conservará como condición de diseño mientras se analiza la viabilidad de adopción.
🔭 Para seguir aprendiendo
- Si eliminaras el nombre comercial de la tecnología que quieres incorporar, ¿podrías justificar todavía su selección describiendo únicamente la función pedagógica, la evidencia esperada y las condiciones de uso?
Actividad de aprendizaje autónoma
Etapa E6 del proyecto integrador: selección de un desarrollo tecnológico actual o potencial. Retoma el mapa de factores de E5 y selecciona una tecnología únicamente después de identificar qué factor o mecanismo necesitas modificar.
- De dónde vienes. Recupera los tres factores priorizados en E5 y elige uno que pueda ser modificado de forma plausible mediante una intervención tecnológica.
- Define la función. Describe qué debe hacer la intervención: retroalimentar, representar, simular, conectar, recomendar, detectar, organizar o apoyar otra función claramente delimitada.
- Compara desarrollos. Considera al menos dos alternativas entre inteligencia artificial generativa, agentes, realidad extendida, analítica u otra tecnología pertinente. Compara evidencia disponible, requisitos, riesgos y función pedagógica.
- Qué decides. Selecciona una alternativa y justifica también por qué descartas la otra. Define qué funciones delegas al sistema y cuáles deben permanecer en estudiantes o docentes.
- Modela la inteligencia compartida. Distribuye las funciones cognitivas entre sistema, estudiante y docente; identifica puntos de validación y responsabilidades que deberán preservarse durante la adopción.
- Diseña una prueba mínima. Especifica qué evidencia necesitarías observar antes de ampliar la intervención. No diseñes todavía el modelo de adopción ni la evaluación completa: esas decisiones pertenecen a L7 y L8.
- Qué documentas. Registra fuentes, decisiones y mediaciones. Si usaste inteligencia artificial para comparar tecnologías, documenta consulta, conservación, descarte y criterio de verificación.
🛠 Generador de plan
✅ Evidencia de logro
- Vinculación explícita entre E5 y la necesidad tecnológica seleccionada.
- Comparación de al menos dos desarrollos mediante función, evidencia, requisitos y riesgos.
- Selección y descarte justificados con criterios pedagógicos.
- Mapa explícito de funciones cognitivas, puntos de validación y responsabilidades entre sistema, estudiante y docente.
- Prueba mínima de evidencia delimitada sin anticipar el diseño de adopción de L7 ni la evaluación completa de L8.
- Trazabilidad de fuentes y de cualquier mediación con inteligencia artificial.
¿La tecnología que seleccionaste hace posible una experiencia formativa que antes no podías sostener o solo hace más rápida una práctica cuya lógica permanece intacta?
Referencias bibliográficas
- Burke, D., Crompton, H., & Nickel, C. (2025). The use of extended reality (XR) in higher education: A systematic review. TechTrends, 69, 998–1011. DOI: 10.1007/s11528-025-01092-y.
- García-García, F. J., Gómez-Núñez, M. I., & Molla-Esparza, C. (2026). Applications of learning analytics in the study of academic performance in higher education: A meta-review with an educational perspective. Higher Education. DOI: 10.1007/s10734-026-01709-y.
- Hernández-Campos, M., Gonzalez-Torres, A., & García-Peñalvo, F. J. (2025). Learning outcomes evaluation through learning analytics systems in higher education: A systematic literature review. SAGE Open, 15(3). DOI: 10.1177/21582440251347374.
- Kostopoulos, G., Gkamas, V., Rigou, M., & Kotsiantis, S. (2025). Agentic AI in education: State of the art and future directions. IEEE Access, 13, 177467–177491. DOI: 10.1109/ACCESS.2025.3620473.
- Muñoz Mújica, R. J. (2026). El sinteligentismo: Educación, cognición y régimen humanosintético. Revista Boletín Redipe, 15(7), 29–45. DOI: 10.36260/awz2fe07.
- OECD. (2026). OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. DOI: 10.1787/062a7394-en.
- Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69, 1105–1120. DOI: 10.1007/s11528-025-01100-1.
- Yusuf, H., Money, A., & Daylamani-Zad, D. (2025). Pedagogical AI conversational agents in higher education: A conceptual framework and survey of the state of the art. Educational Technology Research and Development, 73, 815–874. DOI: 10.1007/s11423-025-10447-4.