IA generativa y personalización del aprendizaje

Lo que dice la evidencia

#

La revisión sistemática de Batsaikhan y Correia (2024) sobre sistemas de tutoría inteligente con IA generativa en educación superior reporta resultados mixtos: junto a mejoras de desempeño aparecen estudios sin efecto claro, y los propios autores señalan como límite que buena parte de los trabajos revisados midió periodos cortos. Conviene retener qué se está midiendo: el desempeño en la tarea evaluada, en los contextos y las duraciones que cada estudio revisado utilizó, y no sólo con pruebas estandarizadas. Las cifras concretas varían mucho entre estudios y dependen del sistema, la disciplina y el instrumento, de modo que esta página no traslada ningún porcentaje agregado ni presenta el efecto como universal.

La personalización adaptativa también muestra efectos positivos en autoconocimiento del proceso, retroalimentación en tiempo real y autonomía operativa del estudiante. El acceso individualizado a explicaciones, ejemplos y ejercicios reduce dependencia del docente para tareas rutinarias.

Hasta ahí, la promesa se sostiene. El problema aparece cuando se mira lo que las mismas revisiones también reportan y rara vez se cita.

Lo que la evidencia también dice

#

Tres hallazgos consistentes en la literatura reciente complican la celebración:

• El uso frecuente se asocia con menos esfuerzo declarado y menos confianza en el juicio propio. Lee y colegas (2025), en una encuesta de Microsoft Research a trabajadores del conocimiento —no a estudiantes—, encontraron que quienes confían más en la herramienta reportan haber invertido menos esfuerzo cognitivo en la tarea. Wang y colegas (2025) observan, en estudiantes de ingeniería, que el pensamiento crítico media la relación entre competencia de uso y creatividad. Son autorreportes y correlaciones en poblaciones distintas; sirven para señalar un riesgo que vigilar, no para afirmar que la personalización deteriore el pensamiento crítico.
• Un mejor resultado no informa por sí solo del procesamiento que hubo detrás. Cuando una IA produce una explicación, un cálculo o una parte del texto que pedía la tarea, la calificación puede subir sin que aumente lo que la persona sabe hacer después sin la herramienta; esa es la distinción que la paradoja de la descarga cognitiva desarrolla con los estudios disponibles.
• La personalización adaptativa se ocupa del contenido, no de la autorregulación. Estos sistemas ajustan qué se presenta y en qué orden; planear el propio trabajo, vigilar el avance y decidir cuándo cambiar de estrategia son operaciones que el sistema realiza por el estudiante. Si el curso no las pide en otro lugar, dejan de practicarse.

Ninguno de los tres es un efecto automático de usar un sistema adaptativo. Los tres describen lo que conviene comprobar antes de adoptarlo, y lo que el diseño del curso tiene que compensar.

La promesa que no se cumplió

#

La narrativa del tutor personal asumía que un modelo de lenguaje podría replicar la lectura que hace un docente de su estudiante. Eso no ha ocurrido, y hay una razón que va más allá del estado actual de la técnica: esa lectura se apoya en señales contextuales, emocionales y biográficas que el sistema no recibe. Obtenerlas exigiría un nivel de observación sobre el estudiantado que la mayoría de las universidades no aceptaría, y con razón. La limitación es tanto de datos disponibles como de lo que resulta admisible recoger.

La consecuencia operativa es directa: la IA puede personalizar el qué (qué contenido, qué ejemplo, qué ejercicio), pero no el cómo y el porqué pedagógicos. Esa función sigue siendo humana.

Tres formas de personalización con IA

#

Para evitar la confusión que produce la palabra personalización, conviene distinguir tres formas que existen hoy y operan de modo distinto:

1. Personalización de contenido

#

El sistema selecciona ejemplos, ejercicios o explicaciones según el desempeño previo del estudiante. Es la forma más común y la mejor documentada. Funciona razonablemente bien para conocimiento de dominio (matemáticas, idiomas, anatomía). Produce resultados mensurables y costos cognitivos visibles.

2. Personalización de ritmo

#

El sistema permite al estudiante avanzar a su propio ritmo, sin esperar al grupo. Funciona bien para asignaturas de carga cognitiva variable. Su límite es que el ritmo individual rara vez es solo cognitivo: incluye motivación, fatiga, prioridades, vida personal. Un sistema que solo lee desempeño no captura eso.

3. Personalización de trayectoria

#

El sistema sugiere al estudiante qué temas explorar, en qué orden y por cuánto tiempo. Es la forma más ambiciosa y la menos respaldada por estudios. Cuando funciona, requiere supervisión humana significativa; cuando no, produce recorridos eficientes pero sin coherencia formativa.

Cómo lee esto una universidad pública

#

Para una universidad pública mexicana, tres orientaciones operativas frente a esta tendencia:

• Adoptar personalización de contenido y ritmo, con cautela en trayectoria. Las dos primeras formas cuentan con más respaldo y menos riesgo. La tercera exige acompañamiento docente y no se delega al sistema.
• Combinar personalización con desarrollo de autorregulación. Como el sistema asume la planeación y el seguimiento, el curso tiene que pedirlos en otro lugar: actividades explícitas de planeación, de revisión del propio avance y de decisión sobre qué cambiar.
• No comprar la promesa entera ni descartarla. La personalización con IA es una herramienta útil para algunas funciones específicas. Tratarla como solución general es lo que los estudios desaconsejan.

Lecturas relacionadas

#

La guía sobre evaluación formativa con IA cubre el lado evaluativo de la personalización; el ensayo del blog sobre aprender CON vs SOBRE IA sostiene la distinción que hace falta para discutir esta tendencia con precisión; la entrada de glosario sobre tutor inteligente sintetiza el concepto técnico.