Christian Urff, Universidad de Educación de Weingarten, 2026

No es posible responder de forma categórica si la inteligencia artificial debe utilizarse en el aprendizaje. Su valor añadido depende de cómo se integre en el proceso de aprendizaje. Un mismo sistema de IA puede proporcionar un apoyo productivo en una situación y, en otra, acortar, anular o impedir procesos de pensamiento. Por lo tanto, la pregunta crucial es: ¿Para quién, en qué momento, con qué objetivo y de qué forma se puede utilizar la IA para promover el aprendizaje? El modelo SKILL proporciona un marco para ello. Ayuda a seleccionar y evaluar críticamente las herramientas de aprendizaje con soporte de IA y a diseñarlas de forma que estimulen, estructuren y profundicen el pensamiento, en lugar de sustituirlo.

La forma en que se utiliza la IA es crucial.

Un experimento de campo realizado por Bastani y colaboradores (2025) con aproximadamente mil estudiantes en una clase de matemáticas demuestra esta diferencia. Los estudiantes que utilizaron un chatbot estándar durante la práctica resolvieron inicialmente más problemas correctamente. Sin embargo, sin la asistencia de la IA, posteriormente obtuvieron peores resultados que los estudiantes que habían trabajado previamente sin ella. Una versión preestructurada del mismo modelo de lenguaje, que proporcionaba pistas graduales en lugar de soluciones completas, evitó este efecto. No fue el modelo subyacente, sino su diseño didáctico, lo que condujo a diferentes resultados de aprendizaje.

Por lo tanto, el debate no debe limitarse a la dicotomía entre prohibición y entusiasmo. El factor crucial es su integración pedagógica. Es necesario aclarar bajo qué condiciones la IA realmente apoya los procesos de aprendizaje.

El rendimiento no es lo mismo que el aprendizaje.

Un mejor rendimiento durante el uso de la IA no se traduce automáticamente en un mayor aprendizaje (Yan et al., 2025). Una herramienta puede ofrecer un resultado inmediato, creando así la ilusión de éxito en el aprendizaje, aunque no se produzca un desarrollo real de habilidades. El aprendizaje sostenible requiere que los estudiantes se involucren con un tema, desarrollen sus propias soluciones, cometan errores y examinen su razonamiento. Quienes delegan este trabajo cognitivo a la IA y simplemente siguen sus resultados suelen procesar el contenido con menor profundidad. Las explicaciones formuladas de manera plausible también pueden crear una sensación de comprensión sin que el conocimiento subyacente se haya adquirido de forma independiente. Los estudiantes con conocimientos previos limitados, en particular, a menudo no reconocen esta discrepancia. Finalizan su práctica demasiado pronto y, posteriormente, no pueden aplicar ni transferir con confianza lo que creen haber comprendido sin la IA. Una preestructuración adecuada puede contrarrestar esto. La segunda variante del experimento de Bastani et al. (2025) gestionó el uso de manera que la IA sirviera como un compañero de pensamiento y no como un atajo. Esto es particularmente importante si los estudiantes aún no son capaces de regular esta forma de uso por sí mismos.

Enfoque en la competencia

Para que la IA se utilice eficazmente en el aprendizaje, la edad y el nivel educativo son menos importantes que la competencia para usarla de manera que promueva el aprendizaje en un contexto específico. Esto se aplica tanto a los estudiantes como a los docentes. Varias subcompetencias trabajan conjuntamente en este proceso:

• Conocimientos especializados sobre el tema en cuestión., con el fin de evaluar la calidad técnica de una respuesta de IA.
• Competencia crítica en IA, con el fin de reconocer limitaciones, alucinaciones y errores formulados de manera plausible.
• Autorregulación, para decidir cuándo la IA es útil como compañera de pensamiento y cuándo se convierte en una simple máquina de respuestas.
• Requisitos cognitivos y lingüísticos, con el fin de formular solicitudes apropiadas y procesar las respuestas.

Quienes poseen competencias limitadas en una o más de estas áreas requieren una mayor estructuración previa. Una tarea poco clara, una comprensión inadecuada de los roles o la falta de contexto específico de la materia pueden ser particularmente perjudiciales para los principiantes. Al mismo tiempo, no se puede esperar que los estudiantes configuren la estructura necesaria por sí mismos, por ejemplo, mediante indicaciones de roles o la provisión específica de conocimiento contextual. A medida que aumenta la competencia, los requisitos cambian: una guía detallada que ayuda a los principiantes puede obstaculizar a los estudiantes avanzados. Este efecto de inversión de la experiencia contradice un concepto de uso uniforme. Por lo tanto, el diseño y la implementación deben estar vinculados a los niveles de competencia, como la progresión de la UNESCO Comprender, Aplicar y Crear (2024) o los seis niveles de DigCompEdu (Redecker, 2017).

El modelo SKILL resume esta relación. Sirve como guía para el diseño, la evaluación y la selección de herramientas con soporte de IA en los procesos educativos.

El espectro de HABILIDADES para probar

El siguiente espectro puede explorarse de forma interactiva. Mueva el punto a lo largo de la diagonal o utilice el control deslizante. La pantalla muestra qué condiciones marco y qué función de la IA son adecuadas para diferentes niveles de competencia.

Implicaciones para su integración en los procesos de aprendizaje

A menudo, las personas son principiantes en aquello que están aprendiendo. La educación presupone, en particular, que los estudiantes aún no lo saben todo y no pueden evaluar la situación con fiabilidad. Por lo tanto, el uso abierto y sin regulación de chatbots de libre acceso no debería ser la norma. Para muchas situaciones de aprendizaje, las herramientas preestructuradas, integradas en la aplicación y accesibles son más adecuadas. La IA opera en segundo plano dentro de un entorno de aprendizaje diseñado didácticamente; el contexto específico de la materia y las medidas de seguridad ya están integrados. Esto también es una cuestión de equidad educativa. Si el aprendizaje efectivo requiere amplios conocimientos previos, comprensión técnica, fluidez lingüística y una contextualización precisa, quienes ya son competentes son los que más se benefician. Las estructuras integradas reducen estas barreras y pueden eliminarse gradualmente a medida que aumenta la competencia. Esto también se aplica a los docentes. Aquellos con experiencia en la materia y en IA pueden utilizar chatbots abiertos de forma productiva para la enseñanza y la organización. Otros docentes necesitan herramientas accesibles sin necesidad de habilidades de guía extensas. Una herramienta de planificación con soporte de IA podría combinar indicaciones integradas, bloques de construcción preelaborados, preguntas de seguimiento específicas y bases de conocimiento basadas en la materia. Con una soberanía cada vez mayor, podría abrirse cada vez más, por ejemplo, mediante sus propias prórrogas.

¿Herramienta de aprendizaje o compensación por desventajas?

El uso previsto también determina el grado de estructuración que debe tener un entorno de aprendizaje y si se pueden acortar los pasos individuales. La pregunta central es: ¿La tarea delegada en sí misma está diseñada para ser aprendida? Si, por ejemplo, el enfoque está en la aritmética en los primeros años de primaria, el proceso de resolución de problemas debe protegerse para evitar que se revele la respuesta prematuramente. Si, por otro lado, la tarea delegada no forma parte del objetivo de aprendizaje, la IA puede encargarse de ella. Para los estudiantes con discapacidades, la IA puede ser, por lo tanto, no solo una herramienta de aprendizaje, sino también un medio de participación. Por ejemplo, en el caso del objetivo de aprendizaje de comprensión de textos, una función de conversión de texto a voz puede superar una barrera sin eludir el objetivo de aprendizaje propiamente dicho. En estos casos, el apoyo puede permanecer disponible de forma permanente.

La prueba de habilidades: Selección y evaluación de herramientas

Las cinco letras de SKILL también representan cinco preguntas clave para seleccionar y evaluar herramientas de aprendizaje con soporte de IA:

• S – Andamios: ¿El nivel de preestructuración y apoyo se corresponde con el nivel de competencia? ¿Es posible reducirlo gradualmente?
• K – Activación cognitiva: ¿La persona tiene que pensar y actuar de forma independiente?
• I – Integración: ¿El uso del equipo está vinculado a un objetivo de aprendizaje y a una tarea viable, y el profesor mantiene una visión general del trabajo que se está realizando?
• L – Proceso de aprendizaje: ¿Se consideran los errores como oportunidades de aprendizaje y qué estrategias metacognitivas se estimulan?
• L – Desarrollo a largo plazo: ¿Está aumentando el autocontrol o la dependencia?

Importancia para el diseño y desarrollo de aplicaciones con soporte de IA

El modelo SKILL puede estructurar el diseño y desarrollo de aplicaciones de aprendizaje con soporte de IA. Sitúa una aplicación entre la IA integrada y los chatbots abiertos, teniendo en cuenta el público objetivo y el nivel de competencia esperado. Esto conduce a decisiones de diseño concretas. Los hallazgos empíricos iniciales se pueden resumir en cuatro principios: Base (¿Sobre qué base profesional se genera la retroalimentación?), dosificación ("primero tú, luego yo"), activación (fomentar la participación activa en lugar de promover el consumo pasivo) y Incrustación (Enlace a modalidades de aprendizaje híbrido viables). Más información sobre estos principios de diseño.

Conclusión

La IA generativa solo despliega su valor en el aprendizaje cuando se adapta a la tarea, al individuo y al entorno de aprendizaje. Por lo tanto, es crucial determinar para quién, cuándo y en qué medida su uso contribuye al aprendizaje. Los chatbots de acceso libre suelen ser insuficientes para este propósito. Exigen un alto nivel de conocimientos previos, habilidades lingüísticas y autorregulación, y, en casos desfavorables, pueden perjudicar los procesos de aprendizaje. Son más adecuadas las herramientas accesibles, preestructuradas e integradas en el contenido, que se van desplegando gradualmente a medida que aumenta la competencia. La eficacia del aprendizaje surge de la interacción entre la tarea, la preestructuración y el apoyo pedagógico. La regla general es: La IA puede apoyar el pensamiento, no reemplazarlo.

literatura

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). La IA generativa sin barandillas puede perjudicar el aprendizaje: evidencia de las matemáticas de secundaria. Actas de la Academia Nacional de Ciencias, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
• Yan, L., Greiff, S., Lodge, JM, & Gašević, D. (2025). Distinguir las ganancias de rendimiento del aprendizaje cuando se utiliza IA generativa. Nature Reviews Psychology, 4(7), 435–436. https://doi.org/10.1038/s44159-025-00467-5
• Kalyuga, S. (2007). Efecto de reversión de la experiencia y sus implicaciones para la instrucción personalizada del alumno. Revista de Psicología Educativa, 19(4), 509–539. https://doi.org/10.1007/s10648-007-9054-3
• Ng, DTK, Leung, JKL, Chu, SKW y Qiao, MS (2021). Conceptualización de la alfabetización en IA: una revisión exploratoria. Computadoras y educación: Inteligencia artificial, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
• UNESCO. (2024). Marco de competencias en IA para estudiantes. https://doi.org/10.54675/JKJB9835
• Redecker, C. (2017). Marco europeo para la competencia digital de los educadores: DigCompEdu (Y. Punie, Ed.). Oficina de Publicaciones de la Unión Europea. https://doi.org/10.2760/159770